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。

种子活性受到存储条件的影响很大。 收集了真实情况下受到不同存储条件影响的种子, 通过发芽实验验证了其成活率存在差异。 再从中选择适量的种子样本, 采集其单颗种子的可见-近红外反射光谱, 运用不同的光谱预处理技术, 结合不同的机器学习建模手段, 以区分不同成活率的种子。 比较了不同的光谱预处理方法, 比如标准反射光谱校正、 多元散射校正等。 从识别准确度的角度, 认为标准反射光谱校正的方法, 能够很大程度上提升不同存活率种子的光谱差异性, 从而经过机器学习判断达到更高的识别准确度。 同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法, 发现利用标准反射光谱校正的方法结合距离判别分析, 能够对种子样本实现完全准确的判定。 更进一步, 为了满足实际运用中快速识别的要求, 将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据, 这样可以大大降低的光谱数据长度, 节约各种机器学习器在训练和判断中所用的时间。 使用简化过后的多通道带通光谱数据判定种子存活率, 其识别准确度仍然接近90%。 充分说明了, 利用多通道宽带光谱数据, 并选择合适的机器学习建模方式, 足以满足实际选种产业的一般性需求, 有潜力作为未来粮种成活率快速鉴别的技术手段。 还采用了多种带通宽度以简化光谱, 分析比较不同带通宽度对识别精度的影响。 总体来说由于带宽增大, 数据量减少, 识别速度更快, 但是识别精度降低。 从10～50 nm改变光谱带宽, 标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。 在实际运用中, 需要权衡识别速率和预期识别精度, 合理的选择带宽。 验证了根据简化后的可见近红外反射光谱, 能够较快速且准确的识别水稻种子存活率, 为以后的基于带通滤波片的快速种子存活率识别奠定了基础。

黑龙江省是我国最大的粳稻产区和商品粮生产基地。 水稻种植过程中, 选择合适的水稻品种是实现高产的关键环节。 在农业生产中, 水稻品种的选择受多方面因素影响, 一般说来, 同一积温带所种植的不同水稻品种在外观上差别不大, 甚至没有差别, 很难通过肉眼观察进行准确区分。 为了快速鉴别肉眼不便区分的不同类别粳稻种子, 提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。 以黑龙江垦区大量种植的3种不同品种的粳稻种子(垦粳5号、 垦粳6号和绥粳4号)作为研究对象, 每个品种选取40个样本, 其中30个样本做为建模集, 10个样本作为预测集, 扫描获取全部120个样本的近红外光谱数据。 对原始光谱数据(11 520～4 000 cm-1)两端进行裁剪, 选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。 首先建立参照模型, 即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。 模型1的分类正确率为93.3%, 预测集均方根误差RMSEP=0.232 8, 迭代时间t=3 882.9 s。 模型2的分类正确率为100%, RMSEP=0.070 6, 迭代时间t=954.5 s。 比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力, 但是由于两种模型未进行降维处理, 数据量过大, 模型的输入节点过多, 迭代时间太长, 不利于实际应用。 因此利用小波变换多分辨率的特点对数据进行降维处理, 采用预测集残差平方和Press值作为评价指标, 在多个小波类别和参数中选取分解尺度为5的sym2(symlet2)小波对光谱数据进行压缩和降维处理, 将光谱数据由601维降到21维。 以小波变换结果作为神经网络输入, 建立模型3, 并与模型1比较, 模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s, 比较结果显示小波降维可以减少神经网络的输入, 简化神经网络的结构, 从而提高迭代速度, 但对提高模型的预测能力效果不明显。 上述三种模型比较结果表明, FD+SG预处理可以提高模型的预测能力, 小波降维可以提高模型的迭代速度, 综合上述三种模型的比较结果分析, 最终建立“FD+SG+小波降维”的21输入、 15个隐层、 3个输出的神经网络鉴别模型4, 其分类正确率达100%, RMSEP=0.029 3, 迭代时间为98.8 s, 表明模型4能够完全实现对三种不同水稻品种的快速、 准确、 无损鉴别。 因此, 所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别, 同时也为其他农作物种子的快速鉴别提供了参考。

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验, 此方法存在试验周期长、 成本高、 专业性要求高等缺点, 本研究提出一种基于近红外光谱技术的快速、 无损测试杂交水稻种子发芽率的新方法。 采用人工老化方法在温度45 ℃、 湿度100%的条件下分别老化处理2个品种杂交水稻种子0, 24, 48, 72, 96, 120, 144 h; 用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份, 随机分成校正集（168份）和检验集（112份）; 测试不同老化时间段的水稻种子发芽率; 以偏最小二乘算法（PLS）建立了回归模型, 分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。 2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优, 模型校正集决定系数（RC）与验证集相关系数（RP）分别为0.965和0.931, 校正标准误差（SEC）与预测标准误差（SEP）分别为1.929和2.899, 验证集预测值与真实值之间的相对误差在4.2%以内。 研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。

本文用MPA傅立叶变换近红外光谱仪研究了单粒水稻种子的漫反射光谱特征, 发现颖壳对光谱扫描有影响, 为了尽量消除这种影响, 保证光谱的代表性, 应对其上下表面分别进行多次光谱采集, 取它们的平均光谱。本文利用种子品种特有的光谱特性, 结合不同光谱预处理方法建立了多个聚类分析模型, 比较它们对杂交F1代种子“03S/0412”和其父本种子“0412”的鉴别效果。结果显示: 选择4000～8900 cm-1光谱范围, 通过“无预处理”、“矢量归一化”、“二阶导数（25点平滑）”和“二阶导数（25点平滑）+矢量归一化”建立的模型校正集正确率分别为52.4%、65.2%、75.2%和100%, 可见, 相比无预处理, 经过各种预处理后正确率都有提高, 其中“二阶导数（25点平滑）+矢量归一化”建立的模型最好, 用该模型对预测集预测, 分类正确率也为100%, 具有很好的预测性能。这说明近红外光谱技术可用于单粒水稻种子品种真伪性鉴别。