随着杂交水稻育种技术的快速发展, 杂交水稻品种日益繁多, 品质与价格也千差万别, 利用智能化手段对杂交水稻种子进行快速分类、 分级和品质检测成为杂交水稻研究领域的热点。 首先研究了不同预处理方式对基于近红外光谱的一维卷积神经网络分类模型对杂交水稻种子的分类效果的影响, 研究结果表明利用Savitzky-Golay卷积平滑算法预处理后的一维卷积神经网络分类模型可获得最佳的分类效果, 其验证集与测试集的分类精度为95.4%和92.9%。 利用随机森林特征波长选择算法选取3个最重要的特征波长分别构建基于单波长灰度图像数据集和基于3波长重构的伪彩色图像数据集, 研究了基于图像数据集的卷积神经网络VGG和残差网络ResNet的杂交水稻种子分类模型, 其研究结果表明基于伪彩色图像数据集的VGG卷积神经网络模型能够获得最优的分类效果, 其验证集与测试集的分类精度分别为92.8%和92.8%, 相比基于伪彩色图像数据集的ResNet分类模型, 其验证集提升3.6%, 测试集提升4.9%。 为了进一步提高分类的精度, 提出了一种图像信息与光谱信息融合的杂交水稻种子分类方法, 该方法利用1D-CNN网络分支提取种子的光谱特征, 利用2D-CNN网络分支提取种子图像的空间维度特征, 最终构建基于图谱融合的2Branch-CNN卷积神经网络分类模型, 其验证集与测试集的分类精度都得到明显改善, 分别达到98%和96.7%。 并利用混淆矩阵评估了2Branch-CNN分类模型对于各个种类的杂交水稻种子的分类效果。 研究结果表明通过图谱融合能有效提升卷积神经网络模型的分类精度, 构建基于光谱与图像数据融合的二分支卷积神经网络模型将为杂交品种的种子快速筛选与分级提供新思路。

大米是我国最重要的谷类作物。 如何准确的实现地理标志性大米的品种鉴别和外观品质评价, 不仅关乎消费者切身利益, 而且关乎零售商和生产商信誉, 是一项广泛关注的问题。 首先, 为实现集成化的精米品种识别和外观品质检测应用, 建立一种精米品种分类与外观品质多参数检测系统。 该系统采用近红外光谱仪搭配漫反射附件采集米粉光谱信息, 可以实现基于近红外光谱法的精米品种分类; 采用互补金属氧化物半导体(CMOS)显微相机配合机电控制系统采集米粒图像, 基于图像法实现精米外观品质多参数检测, 检测对象包括裂纹、 长宽、 垩白、 碎粒和黄粒。 以上述系统为基础, 为提高精米品种分类精度, 提出一种基于光谱-图像特征模型融合的精米品种分类方法。 以近红外光谱特征与多图像特征作为输入参数, 以精米品种编号作为输出参数, 基于偏最小二乘方法(PLS)建立品种分类融合模型。 在不同融合方案的建模过程中, 每种融合方案都采用变量投影重要性分析方法(VIP)实现融合模型输入参数的最优筛选, 然后通过不同融合方案分类精度对比确定最优融合模型。 最后, 开展精米外观品质多参数检测和不同精米品种分类方法性能对比实验。 结果表明, 建立的精米品种分类与外观品质多参数检测系统可以实现包括裂纹米率、 粒型、 垩白米率、 碎米率和黄粒米率的精米外观品质多参数检测, 检测精度范围为89.2%～97.0%; 提出的基于光谱-图像特征模型融合的精米品种分类方法相比于传统方法可以提高精米品种分类精度, 相比于传统方法中效果较好的近红外光谱法, 面向五常、 响水、 银水、 越光四种大米的分类精度可提高2.5%～7.5%。

因缺乏大米产地快速鉴别的确证技术, 利用近红外光谱法、 中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、 东北地区和南方地区共计186份大米样品进行产地鉴别研究。 首先比较了K近邻法(KNN)、 线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3种算法结合5种预处理方法, 对3种单一光谱大米产地鉴别模型的识别效果。 结果表明, LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优, 校正集和验证集准确率分别为100%和93.48%。 为进一步提升鉴别模型的准确度, 创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、 特征层融合及决策层融合大米产地鉴别模型, 结果显示, 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升。 数据层融合大米产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法模型最优, 校正集和验证集正确率分别为100%和95.65%, 较单一光谱最优模型验证集正确率提高了2.17%。 决策层融合鉴别模型中, LS-SVM算法结合SNV+1st预处理方法模型最优, 校正集和验证集正确率分别为100%和97.83%, 较单一光谱最优模型验证集正确率提高了4.35%。 特征层融合产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法鉴别模型最优, 其校正集和验证集正确率均达到100%, 较单一光谱最优模型验证集正确率提高了6.52%。 结果表明, 使用近红外光谱法、 中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的, 拉曼光谱法结合LS-SVM算法的大米产地鉴别模型最优。 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升, 其中特征层融合方法更适用于该次融合的数据类型, 可以快速准确鉴别五常大米、 南方大米和东北大米产地。 该研究为大米产地的快速准确鉴别提供了一种新方法。

稻米霉变会引起营养物质流失, 同时产生有毒物质, 不仅降低其自身品质, 还会感染其他正常稻米。 为减少霉变引起的稻米损耗, 需及时分离霉变稻米。 高光谱技术具有快速、 无损的特点, 因此, 尝试利用高光谱技术对稻米霉变情况进行检测。 发芽稻米与发霉稻米具有相似的光谱特征, 易被误判为发霉稻米, 影响后续稻米霉变程度的检测, 因此, 提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米, 并对不同霉变程度的稻米进行判别。 将正常、 发芽、 发霉和发芽发霉的稻米样本建立模型进行区分检测, 并对轻度、 中度、 重度和完全发霉的稻米样本进行判别。 利用高光谱采集仪器对正常、 发芽、 发霉和发霉发芽的稻米样本进行光谱图像采集, 提取采集图像感兴趣区域（ROI）的光谱, 以ROI内光谱的平均反射率作为稻米样本的光谱特征。 对提取的光谱数据进行SNV、 Normalize和MSC等预处理; 利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集; 分别建立PLSR、 SVM和RF模型, 以3种模型的预测集正确率评价各模型预测效果, 挑选出效果最优的判别模型。 在正常、 发芽、 发霉和发芽发霉稻米的检测中, 得到最优的判别模型为基线校正法预处理后的随机森林（Baseline-RF）模型, Baseline-RF模型的预测集判别准确率为100%; 在稻米霉变程度的检测中, 通过对不同模型的预测结果进行比较得出, SNV-RF模型的预测集中未出现误判样本, 表现出最优的判别效果。 为简化模型, 在冗长的原始光谱中提取特征波长, 以特征波长光谱建立SNV-RF模型, 结果显示利用CARS算法挑选后的特征波长具有较好的判别能力, 整体的判别准确率为97.5%。 实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度, 为霉变稻米的快速判别提供一定的理论基础和实验参考, 对提高稻米品质、 减少稻米浪费具有重要意义。

使用便携式近红外（901～1 650 nm）和可见光（400～900 nm）光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法（MCPLS）剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法（SPXY）按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正（OSC）、 多元散射校正法（MSC）、 去趋势变换（De-trend）、 标准正态变换（SNV）、 基线校正（Baseline）、 Savitzky-Golay 卷积导数（S-G导数）、 标准化（Normalize）、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法（S-G平滑）共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法（SPA）和竞争性自适应重加权算法（CARS）, 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归（PLSR）、 主成分回归（PCR）模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数（R2P）, 预测集均方根误差（root mean square error forprediction, RMSEP）和预测集归一化均方根误差（normalized root mean square error, NRMSEP）分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。

快速准确获取水稻种植分布对于制定区域农业生产政策、 保护区域农业稳定具有科学意义。 以风云系列为代表的卫星资料在农业遥感方面已得到了广泛使用， 但目前鲜有基于国产风云遥感数据反演水稻种植空间分布的研究。 为快速准确获取水稻种植分布， 挖掘风云遥感资料在反演水稻种植信息领域的数据价值， 以盘锦市作为实验区域， 开展基于FY-3 MERSI卫星资料的水稻种植空间分布反演。 利用5景2019年研究区域水稻生育期风云三号中分辨率MERSI（Medium Resolution Spectral Imager）光谱成像仪数据计算归一化植被指数（NDVI)、 归一化水体指数（NDWI)、 两者之间的差值(NDWI-NDVI)及比值植被指数(RVI)， 对盘锦市水稻以及其他地物类型（建筑用地、 水体、 自然植被、 天然湿地和旱地）感兴趣区域进行植被指数时序分析， 利用NDVI、 NDWI、 RVI和NDWI-NDVI时间序列曲线确定最佳识别模式及其阈值， 发展水稻种植空间分布遥感反演算法。 首先根据水稻移栽期NDWI-NDVI>-0.14和抽穗期NDWI-NDVI<-0.4对水稻种植分布进行粗提取， 在此基础上依据水稻与其他地物类型NDVI、 NDWI和RVI曲线特征差异对其他地物类型进行掩膜， 得到2019年研究区域水稻种植空间分布。 基于实地调查数据对研究区域水稻种植空间分布反演结果开展验证评价， 总体精度为75%。 基于目视解译的水稻空间分布数据开展验证评价， 总体精度、 制图精度以及用户精度均达到了80%以上， Kappa值为0.61。 研究区域2019年水稻面积为116 618.75 hm2， 与2019年盘锦市统计年鉴公布数据基本一致。 研究表明， 基于风云三号卫星资料反演水稻种植空间分布能够满足区域农作物种植分布遥感监测的要求， FY-3 MERSI遥感数据在农作物种植空间分布提取中具有应用价值。 该研究丰富了农作物种植分布监测的遥感数据源， 对于深入风云卫星资料的实际应用具有重要科学意义。

为了快速、 准确的检测北方寒地水稻叶片的磷素含量， 分析水稻的长势情况， 为精准施肥以及稻田的科学管理提供依据， 以北方寒地水稻为研究对象， 以小区实验为基础， 使用海洋光学HR 2000+光谱仪获取水稻叶片高光谱反射率数据， 采用钒钼黄比色法对水稻叶片磷素含量进行测定。 采用SG平滑与多元散射校正（MSC）两种方法对水稻叶片高光谱数据进行预处理， 并将预处理后的光谱数据使用连续投影法（SPA）与无信息变量消除法（UVE）两种算法进行特征选择。 采用SPA算法筛选得到的特征共有11个， 其中位于可见光波段处的有6个， 分别为411、 420、 428、 442、 467和689 nm; 近红外波段处有5个， 分别为797、 850、 866、 965和976 nm; UVE算法筛选得到的特征共47个， 均位于可见光波段范围内， 分布在405~603 nm之间。 分别将这两种方法筛选出的特征波段的反射率作为输入， 构建极限学习机（ELM）， BP神经网络以及狼群算法优化的BP神经网络（WPA-BP）三种水稻叶片磷素含量反演模型并加以分析。 结果表明: 以UVE算法筛选的特征反射率为输入量构建的三种模型的验证集R2在0.705 2~0.724 5之间， RMSE在0.017 4~0.020 4之间; 在相同的反演模型的条件下， 使用SPA算法筛选的特征反射率为输入量构建的模型预测效果更好， 三种模型的验证集R2在0.726 4~0.829 3之间， RMSE在0.018 0~0.021 1之间; 另外， 在利用这两种算法筛选到的特征进行建模时， 对比三种模型的预测结果发现， 经过狼群算法优化后的BP神经网络模型的精度明显高于极限学习机和BP神经网络， 其验证集的决定系数R2为0.803 4， RMSE为0.018 0。 鉴于此， 结合连续投影算法和狼群算法优化后的BP神经网络模型在北方寒地水稻叶片磷素含量高光谱反演中具有一定的优势， 可作为水稻叶片磷素含量的检测以及精准定量施肥的参考和借鉴。

水稻是我国最重要的粮食作物之一，高垩白性状严重降低了稻米的食用与加工品质。水稻的垩白性状主要由遗传控制，并受环境因素的影响。降低稻米的垩白含量是水稻育种改良的重要目标。近年来，研究者们揭示了多个与垩白相关的遗传学机制。本文从能量产生、能量物质分配、淀粉合成和淀粉体堆积结构等途径综述了水稻垩白性状相关基因及其遗传特性的最新研究进展，从而为水稻垩白形成的机理研究与稻米品质遗传改良提供参考。