这篇文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：
作者与机构
本研究的主要作者包括Weiming Shi、Hongfei Zhu、Miaomiao Lu、Juan Li和Zhongzhi Han。他们分别来自Qingdao Agricultural University和Hainan University。该研究于2025年发表在期刊Computers and Electronics in Agriculture上。
学术背景
南瓜是全球广泛种植的重要经济作物，其种子活力直接影响种植者的生产效率。环境因素如湿度和温度在长期储存过程中会影响种子的活力和发芽率，进而增加种植成本并降低产量。传统的种子活力检测方法往往具有破坏性、耗时且成本高昂，且容易受到环境和人为因素的影响。近年来，基于机器学习和深度学习的无损检测方法逐渐兴起，这些方法通过分析种子与光的相互作用获取光谱数据，并利用模型进行训练和预测。然而，单一模型在特征提取和计算资源需求方面存在局限性。因此，本研究提出了一种基于自注意力机制（self-attention mechanism）的SEN-CNN网络模型，结合深度学习与机器学习技术，旨在高效、无损地检测南瓜种子活力。
研究目标
本研究的主要目标是开发一种基于深度光谱特征的南瓜种子活力检测模型，通过结合深度学习与机器学习技术，实现对南瓜种子老化时间、发芽状态和热损伤程度的准确预测，并开发一款实用的种子活力检测应用程序。
研究流程
研究流程包括以下步骤：
种子处理与老化实验
研究从市场上购买了新鲜南瓜种子，将其分为两部分：一部分通过高温高湿条件进行人工老化，分为六组，老化周期为十天；另一部分通过烘烤模拟自然条件下的热损伤，分为四组。老化后的种子进行自然干燥，并在发芽实验前进行光谱拍摄。
光谱数据采集
使用高光谱相机对老化和热损伤的种子进行光谱拍摄，光谱范围为400-1100 nm。从生成的伪RGB图像中提取每颗种子的平均光谱。
深度特征提取
构建SEN-CNN模型，将标准化的平均光谱输入模型进行深度特征提取，最终提取128个特征波段，并输入集成学习模型（subspace discrimination）进行训练和优化。
老化时间预测
根据种子的老化天数分组，将标记的光谱输入SEN-CNN模型进行深度特征提取，并通过集成学习模型预测老化时间。
种子活力检测
在第五天观察种子的发芽状态，将发芽的种子标记为有活力，未发芽的标记为无活力。重新校准光谱数据后，输入SEN-CNN模型进行深度特征提取，并通过集成学习模型检测种子活力。
热损伤程度检测
根据烘烤时间对热损伤种子的光谱进行标记，输入SEN-CNN模型提取深度特征，并通过集成学习模型检测热损伤程度。
应用程序开发
开发了一款基于Matlab 2024a的应用程序，用于通过高光谱图像快速检测南瓜种子活力。
主要结果
1. 老化时间预测
集成学习模型在原始光谱上的训练准确率为89.8%，在提取深度特征后，准确率提升至97.8%。第六天的准确率和召回率均达到0.99，AUC值为0.9947。
种子活力检测
在原始光谱上，集成学习模型的准确率为80.1%；在提取深度特征后，准确率提升至94.4%。无活力种子的准确率和召回率分别为0.95和0.93，有活力种子的准确率和召回率分别为0.93和0.96，AUC值为0.9802。
热损伤程度检测
在原始光谱上，集成学习模型的准确率为91.0%；在提取深度特征后，准确率提升至97.7%。烘烤至全熟种子的准确率和召回率分别为0.99和1.0，AUC值为1.0。
结论
本研究通过SEN-CNN模型提取深度光谱特征，并结合集成学习技术，成功实现了对南瓜种子老化时间、活力状态和热损伤程度的准确预测。该模型在种子活力检测中表现出良好的泛化能力和准确性，为传统种子活力检测领域提供了创新方法。此外，开发的应用程序为实际应用提供了便利，未来可嵌入种子分选机中，实现大规模、高速的种子分选。
研究亮点
1. 提出了一种结合深度学习与机器学习的新型种子活力检测方法。
2. 开发了基于自注意力机制的SEN-CNN模型，用于深度特征提取。
3. 实现了对种子老化时间、活力状态和热损伤程度的高精度预测。
4. 开发了一款实用的种子活力检测应用程序，为农业种植提供了新工具。
其他价值
本研究不仅为种子活力检测提供了科学依据，还为农业种植的效率和成本控制提供了技术支持。未来，该模型可进一步优化并应用于其他作物种子的活力检测，具有广泛的应用前景。