《Artificial Intelligence in Agriculture》：End-to-end deep fusion of hyperspectral imaging and computer vision techniques for rapid detection of wheat seed quality
編輯推薦：
為解決傳統種子質量檢測耗時、 labor-intensive 等問題，研究人員開展高光譜成像（HSI）與計算機視覺（CV）結合深度學習的研究，開發端到端深度融合模型，驗證集精度達 93.8%，為種子質量檢測提供高效方案。
在農業生產的廣袤天地里，種子宛如孕育希望的 “生命密碼”，其質量優劣直接關乎糧食安全與農業可持續發展。然而，小麥種子在收獲、加工及存儲過程中，常常面臨霉菌侵襲、自然老化、機械碰撞損傷、害蟲蛀蝕等諸多 “成長煩惱”，導致種子活力下降、發芽率降低，甚至帶來巨大的經濟損失。傳統的種子質量檢測手段，如視覺 inspection、發芽試驗、酶聯免疫吸附測定（ELISA）等，猶如行動遲緩的 “老學究”，不僅耗時耗力，還具有破壞性，難以滿足大規模、快速檢測的需求。在此背景下，如何借助先進技術實現小麥種子質量的精準、高效檢測，成為農業領域亟待攻克的重要課題。
為了突破傳統檢測方法的瓶頸，山東省農業科學院作物研究所的研究人員開展了一項頗具創新性的研究。他們將目光聚焦于高光譜成像（Hyperspectral Imaging, HSI）與計算機視覺（Computer Vision, CV）技術，并結合深度學習算法，致力于開發一種快速、無損的小麥種子質量檢測新方法。這項研究成果發表在《Artificial Intelligence in Agriculture》上，為種子質量檢測領域帶來了新的曙光。
研究人員采用的主要關鍵技術方法包括：首先，利用 HSI 系統采集小麥種子胚（EM）和胚乳（EN）表面的光譜數據，該系統覆蓋 401-1046.8 nm 光譜范圍，可獲取包含空間和光譜信息的三維數據立方體（hypercube）；其次，通過 CV 技術獲取種子表面的圖像數據，掃描得到高分辨率的 PNG 圖像；然后，運用掃描電子顯微鏡（SEM）觀察種子淀粉顆粒形態，結合標準發芽試驗等手段評估種子內部質量；最后，構建傳統機器學習模型（如支持向量機 SVM、偏最小二乘判別分析 PLS-DA）和深度卷積神經網絡（DCNN）模型，對多源數據進行分析和融合。實驗使用的種子樣本為 2022 年收獲的濟麥 22 品種，包含 1000 粒健康種子和 1098 粒劣變種子（分為霉變、老化、機械損傷、蟲蝕、內部蟲害 5 類）。
3.1 淀粉顆粒形態分析
通過掃描電子顯微鏡觀察發現，健康種子胚乳中的淀粉顆粒表面光滑、結構規整，而劣變種子（如老化、蟲蝕等）的淀粉顆粒則出現表面粗糙、凹陷、形態不規則及破碎增多等現象，這些內部結構的變化為種子質量評估提供了重要的微觀依據。
3.2 數據集特征分析
對 HSI 和 CV 數據的分析表明，健康與劣變種子在光譜反射強度和圖像特征（如顏色、紋理）上存在差異，尤其在近紅外區域（>760 nm）光譜差異顯著。主成分分析（PCA）顯示，不同技術（HSI 與 CV）的數據結構差異大于同一技術不同種子表面（EM 與 EN）的差異，這為數據融合提供了潛在基礎。
3.3 獨立數據源判別模型
基于單一數據源構建的模型中，HSI 數據的模型性能優于 CV 數據。例如，基于 HSI-EN 的 DCNN 模型在驗證集上的準確率達 89.2%，而 CV 模型的準確率為 65.1%-79.9%。同時發現，基于胚乳表面（EN）HSI 數據的模型在復雜劣變類型（如機械損傷）的識別中表現更優，可能與機械損傷主要影響胚乳表面且內部理化性質未顯著改變有關。
3.4 融合數據判別模型
對比早期融合（EF）和晚期融合（LF）策略發現，基于決策融合的 LF-DCNN 模型性能更優。其中，綜合融合 HSI-EM、HSI-EN、CV-EM、CV-EN 數據的 CMN-HMN-LF-DCNN 模型表現最佳，訓練集準確率為 94.3%，驗證集準確率達 93.8%，將種子批次中高質量種子比例從 47.7% 提升至 93.4%。該模型在各類劣變種子（如蟲蝕、霉變等）的識別中均表現出較高準確性（>88%），彰顯了多源數據融合的優勢。
3.5 模型檢測可視化
利用外部樣本對最優模型進行驗證，可視化結果顯示，健康種子識別準確率為 96.0%，劣變種子識別準確率為 94.0%，進一步驗證了模型在復雜環境下的魯棒性。
本研究成功構建了端到端深度融合 DCNN 模型，實現了 HSI 與 CV 數據的高效整合，為小麥種子質量檢測提供了一種快速、無損、精準的新方法。研究表明，多源數據融合能夠充分利用不同技術的互補性，顯著提升模型的檢測性能。該模型在實際應用中可有效提高種子篩選效率，減少糧食產后損失，對保障糧食安全、提升農業生產智能化水平具有重要意義。同時，研究首次將內部蟲害種子納入檢測范疇，填補了相關研究空白，為后續種子質量檢測技術的發展提供了新的思路和方向。未來，若能進一步擴大種子樣本的年份和來源范圍，該技術有望在農業生產中得到更廣泛的應用和推廣。
