近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。

应用太赫兹时域光谱反射成像技术结合广义二维相关光谱法探索玉米种子活力敏感太赫兹波段, 并结合支持向量机建立快速无损判别种子活力的分析模型。 实验以中地77玉米种子为例, 采用人工老化方式（40 ℃, 100%相对湿度）将种子样本分批老化0, 1, 2, 3, 4天制备不同活力的种子样本, 并按照GB/T 3543.4—1995进行种子发芽实验; 同时采用Terapluse 4000太赫兹时域光谱仪及反射成像附件采集上述不同老化程度种子样本的太赫兹光谱图像。 由于玉米种子的胚乳和种胚的成分差异显著, 为探究种子不同组织在老化过程中与活力的相关性, 本实验首先采用双高斯滤波器对THz图像中的像素点光谱消噪、 峰峰值差分重构图像增强以及阈值分割等预处理无损提取玉米种子不同组织太赫兹吸光度谱。 然后以老化天数为扰动量, 针对上述提取的样本胚乳和种胚光谱分别作广义二维相关分析, 根据实验中同步谱和异步谱中自动峰与交叉峰位置初步解析, 可得到与种子活力关系密切的THz波段主要集中在75和36 cm-1区域, 同时75和36 cm-1处的光谱信息存在强烈的协同变化且变化方向一致。 种子活力与老化天数密切相关, 因此根据老化天数分别建立了基于胚乳和种胚吸光度谱的五分类支持向量机模型用于种子活力定性判别, 但是其判别准确率仅为59.34%和71.28%, 表明该模型无法精细划分种子五个活力等级; 实验进一步根据GB4401.1—2008以玉米种子发芽率85%为阈值划分活力高低等级, 建立二分类种子活力判别模型, 可得胚乳和种胚测试集识别准确率分别可达88.61%和91.73%, 模型性能显著提升, 增强了THz技术用于种子活力无损粗筛的可行性。 实验结果表明: 太赫兹反射成像技术以其丰富的指纹谱、 低能安全以及图谱合一等特性, 有望成为单粒种子活力快速无损测定领域一项崭新、 有力的补充技术。

种子活力对于农业发展至关重要, 而甜玉米种子普遍存在活力较低且不耐贮藏的问题。 因此, 及时准确地对甜玉米种子活力进行检测尤为重要。 电导率测定法作为一种传统的种子活力检测方法, 存在对种子有一定破坏性、 耗时较长、 重复性不佳等缺点。 针这些问题, 尝试利用可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、 无损且精确的检测方法。 以高温高湿老化的绿色超人甜玉米种子为试验材料, 先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验, 随后对高光谱图像进行黑白板校正、 提取感兴趣区域, 获取光谱反射率数据。 利用多种预处理方法分别为标准正态变量变换(SNV)、 二阶导(SD)、 一阶导(FD)、 和多元散射校正(MSC)建立甜玉米种子电导率的偏最小二乘回归(PLSR)模型, 比较分析并筛选出最适预处理方法。 再通过连续投影算法(SPA)及遗传算法(GA)对MSC预处理后的高光谱波段进行筛选提取, 基于选出的特征波段建立PLSR模型, 并与全波段(Full)PLSR模型进行对比分析, 得到与甜玉米种子电导率相关性最高的高光谱波段组合, 最终确立一种能够预测甜玉米种子电导率的方法体系。 实验结果显示: 不同预处理方法(SNV, FD, SD和MSC)建立的PLSR模型性能有所差异, 其中MSC-PLSR模型的表现最优秀, 其校正决定系数和预测决定系数分别为0.983和0.974, 相应的校正均方根误差和预测均方根误差分别为0.165和0.226。 进一步分析MSC-Full-PLSR, MSC-SPA-PLSR和MSC-GA-PLSR模型, 发现GA能够将全光谱的853个波段压缩至25个有效波段, 所建立的MSC-GA-PLSR模型仍表现优秀, 其校正决定系数和预测决定系数分别为0.976和0.973, 相应的校正均方根误差和预测均方根误差分别为0.194和0.212。 实验结果表明: 基于可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。 该研究为甜玉米种子电导率的快速、 无损且精确的检测提供一定的理论支持。

成熟度是影响种子活力的重要因素之一, 是种子质量的重要指标。 种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力, 使种子批活力具有一致性。 采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子, 找出二者区分度最高的特征波段图像, 通过图像处理方法进行种子分类。 选用主成分分析（PCA）法分析高光谱图像, 分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段（501 nm）。 从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域, 采用偏最小二乘回归（PLSR）法分析两类感兴趣区域的平均光谱, 选取与成熟度相关的敏感波段（518 nm）。 采用波段比运算并结合KW检验, 分析两类感兴趣区域的平均光谱, 找出差异最大的最优波段比（640 nm/525 nm）。 以864粒玉米种子为研究对象, 提取特征波段对应的单波段图像和最优波段比对应的波段比图像, 采用图像处理技术分析图像并判别。 结果表明: 采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域, 识别准确率低； 而采用640 nm/525 nm的波段比图像可以减轻这种不利影响, 平均正确识别率为93.9%。 该方法可以有效识别未成熟的玉米种子, 为进一步开发在线分级装备提供了依据。

种子纯度是衡量种子品质的重要指标。 提出一种基于近红外(874～1　734 nm)高光谱技术实现玉米种子可视化鉴别的方法。 采集4个品种共384个玉米种子样本的高光谱图像数据, 随机选择288个样本作为建模集, 剩余96个样本作为预测集。 对玉米种子光谱曲线进行分析后, 通过连续投影算法（SPA）选取7个特征波段作为输入, 结合偏最小二乘法判别分析(PLS-DA)模型, 对预测集进行预测, 获得较好的分类效果, 其中RC=0.917　7, RMSECV=0.444　2; RCV=0.911　5, RMSECV=0.459　9, 建模集和预测集的总体鉴别率分别为78.5%和70.8%。 通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据, 输入建立的SPA-PLS-DA模型, 在计算生成的鉴别图中以不同颜色标识不同类别, 实现了混杂玉米种子样本的可视化鉴别。 对3份不同组成的混杂种子样本进行鉴别, 达到了较好的可视化效果。 结果表明, 通过可视化鉴别技术, 可以直观方便地观察混杂种子样本中不同品种种子的分布和数量, 为农业生产中种子的纯度鉴别和筛选提供了帮助。

提出了一种基于离散傅里叶变换(discrete Fourier transform, DFT）的玉米品种特征分析新方法。 实验数据为37个玉米品种种子的近红外漫反射光谱数据, 波段范围为4 000～12 000 cm-1。 文中通过对原始数据进行分析, 发现扫描频率较高的部分噪声也比较大。 文中首先定义了一种类间、 类内差异度Qm的计算方法, 以度量特征选择的有效性; 然后利用Qm对原始数据和DFT变换后的数据进行分段分析。 实验结果表明, 4 000～7 085 cm-1波段的DFT数据相对于全波段原始数据, Qm曲线均值、 峰值明显提高。 均值从原始的4.804 9提高到8.513 8, 峰值最大值从原始的35.924 0提高到60.821 6, 峰值最小值从原始的2.891 8提高到3.741 5。 且变换后数据特征点(即Qm值大的点）较原始数据集中, 最有利于提取玉米品种特征

现有的玉米种子品种鉴别方法检测时间长, 费用高, 不易大批量快速鉴别。 提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。 先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。 对原始光谱进行矢量归一化预处理以消除噪声干扰, 为了找到玉米品种籽粒的光谱特征波段, 提出一种基于标准差的方法, 进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA), 取能反映玉米品种 99.98％ 光谱信息的前10个主成分。 最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型, 对于每个品种的25个样本, 随机挑选15个样本作为训练样本, 其余10个样本作为第一测试集, 其他品种共900个样本作为第二测试集。 该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。 该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。