本研究由Yaoyao Fan、Ting An、Xueying Yao、Yuan Long、Qingyan Wang、Zheli Wang、Xi Tian(通讯作者)、Liping Chen(通讯作者)和Wenqian Huang(通讯作者)共同完成,作者单位包括沈阳农业大学信息与电气工程学院、北京市农林科学院智能装备研究中心以及北京科技大学现代农业科学学院。研究成果发表于2025年的《Computers and Electronics in Agriculture》期刊(卷239,文章编号111036),属于农业信息化学科领域。
学术背景
玉米作为全球重要粮食作物,其种子活力直接影响作物产量和品质。传统种子活力检测方法(如发芽试验和四唑染色)具有破坏性、耗时长且不适合高通量检测。近红外光谱(NIR)等无损检测技术虽广泛应用,但受限于局部信息采集,稳定性不足。高光谱成像(HSI, Hyperspectral Imaging)技术结合了光谱与空间信息,可分为可见-近红外高光谱成像(VisNIR-HSI)和荧光高光谱成像(Fluo-HSI),但单一模态分析存在局限性:VisNIR-HSI易受生化物质光谱重叠干扰,Fluo-HSI则因荧光强度低导致空间分辨率不足。此外,现有模型多直接关联光谱与活力,缺乏生化机制解释。因此,本研究提出一种融合多模态高光谱图像与关键生化指标的可解释玉米种子活力无损检测方法。
研究流程
1. 样本制备与老化处理
- 研究对象:5 kg郑单958玉米种子,人工老化模拟自然衰老(45°C,100%湿度),设置6个老化梯度(0、2、4、6、8、10天)。
- 样本分组:
- A1组(720粒)和A2组(54粒)用于关键生化指标筛选;
- B1组(240粒)和B2组(360粒)用于两阶段模型开发与验证。
关键生化指标筛选
高光谱图像采集与融合
两阶段模型构建
主要结果
1. 生化指标动态变化:老化过程中,CAT活性持续下降,MDA含量上升,与发芽率下降趋势一致(4天后活力降50%,8天后完全丧失)。
2. GHIF融合优势:融合光谱在430–550 nm保留Fluo-HSI荧光信号,在550–900 nm以VisNIR-HSI主导,信息熵较单模态提升23%。
3. 模型性能对比:传统SVM模型(基于融合光谱)F1-score为0.85,而双阈值模型通过生化指标间接分类,准确率提升至90%。
结论与价值
本研究创新性地提出GHIF融合策略和双阈值活力判定框架,将高光谱检测从“黑箱”模型转化为可解释的生化机制驱动方法。科学价值在于揭示了CAT与MDA作为活力核心指标的光谱预测可行性;应用价值为农业种子质量监控提供了高效、无损的解决方案。
研究亮点
1. 方法创新:GHIF策略首次将高光谱融合提升至图像域,克服传统光谱级融合的空间信息丢失问题;
2. 可解释性突破:通过关键生化指标建立光谱-活力关联,模型决策过程透明化;
3. 技术整合:结合深度学习(CDDFuse)、化学计量学(PLSR)与农业生理学,实现跨学科方法优化。
其他价值
研究局限性包括胚部手动解剖可能引入误差,未来需优化水分校正策略并扩展至其他作物种子验证通用性。附录数据可通过请求获取,补充材料见DOI:10.1016/j.compag.2025.111036。