农业种子生活力无损检测技术综述 (2019) 人工智能在农业中的应用 最新研究进展

农业中的人工智能1（2019）35种子生活力无损检测技术研究进展Yu Xiaa，b，e，Yunfe iXua，Ji angboL ia，b，c，d，Ch iZhanga，b，c，d，Shux iangFana，b，c，d，a北京农业智能装备研究中心，北京100097b国家农业智能装备研究中心，北京100097c农业部农业信息学重点实验室，北京100097d农业智能装备技术北京市重点实验室，北京100097西北农林科技大学机械与电子工程学院，陕西杨凌712100a r t i c l e i n f o文章历史记录：收到2019年4月17日2019年5月10日收到修订版2019年5月10日接受在线发售2019年5月15日保留字：种子活力NIR高光谱成像拉曼光谱红外热成像软X射线成像内容a b s t r a c t近几十年来，成像光谱技术在农产品品质无损检测中得到了迅速发展和广泛应用种子是农业和林业最基本的要素之一种子生活力是反映种子发芽潜力的重要质量指标，在种子的栽培、销售和种植前，需要一种快速有效的方法来测定种子的发芽条件和生活力。本文介绍了一些基于光谱和图像处理与分析的种子品质研究。在图像分割和光谱校正方法中已经进行了许多尝试，以使用各种传统和新颖的方法来预测种子质量本文重点介绍了近红外光谱、高光谱和多光谱成像、拉曼光谱、红外热成像和软X射线成像等技术在种子活力分析中的比较、发展介绍了其基本理论、主要成分、相关化学计量学处理、分析方法和预测精度，并进行了比较。此外，在观察到的应用的基础上，这些新兴技术的技术挑战和未来的展望进行了讨论。© 2019作者出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1.一、导言. 352.新兴技术2.1.近红外光谱2.2.超光谱和多光谱成像2.3.拉曼光谱412.4.红外热成像422.5.X射线成像443.技术挑战和趋势4.结论. 46鸣谢46参考文献461. 介绍*通讯作者：北京农业智能装备研究中心，北京100097电子邮件地址：fanshuxiang@outlook.com（新加坡）迷）。种子是农林业生产中最基本的要素之一，农作物、蔬菜、水果、饲料作物和经济林作物的田间建植都是直接或间接利用种子进行的种子质量对收获产品的发育、产量和质量的均匀性有着深远的影响https://doi.org/10.1016/j.aiia.2019.05.0012589-7217/© 2019作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页：http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/36Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -47此外，种子及其产品的安全性和质量直接影响人类健康（Huang等人，2015; Rahman和Cho，2016）。种子活力在种子质量特性方面比标准发芽更有前途，所述种子质量特性涉及潜在的种子发芽、田间出苗、对生物和非生物胁迫的抗性以及在不同条件下的种子储存能力（Sun等人，2007年）的报告。此外，众所周知，具有较好生活力的种子将通过为栽培者获得相当大的产量和减少作物变异性而对种子工业有利。同时，种子经销商或公司可以通过一系列更高质量的产品从种子中受益国际种子试验协会（ISTA）将种子活力定义为：“种子活力是决定在广泛环境中可接受发芽的种子批的活性和性能的那些性质的总和;活力种子批是在对于物种而言不是最佳的环境条件下潜在地能够表现良好的种子批”。高活力的种子发芽均匀，快速，生长出更具抗性的幼苗，然后更好的田间表现和更高的产量是合理的希望（Marcos Filho，2015）。目前常用的种子活力评价方法有标准发芽试验、电导率试验、幼苗生长试验、加速老化试验、低温试验和四氮唑盐试验等然而，这些方法通常是非自动化的、耗时的、破坏性的和/或需要专门的培训和经验。因此，它们不适合大规模应用或与濒危物种保护相容因此，种子行业迫切需要非侵入性和高通量的筛选方法，以便在播种前为农民提供高活力的种子近几十年来，计算机、材料和电子技术的巨大进步使得基于光学和基于图像的系统得到显著改进，这些系统可用于以较少的劳动力在静态和动态或在线分级设备上快速准确地评估质量指标（Gowen等人，2007年）的报告。基于光学和基于图像的检测系统在农业食品质量测定中具有不可或缺的重要性，并且通过人为干预消除了不稳定性和不一致性，具有令人满意的可靠性和准确性（Du和Sun，2004年; Elmasry等人，2012年）。具体地，基于光学或基于图像的技术，包括计算机视觉、光谱成像、近红外光谱和其他相对新兴的技术，已经被很好地训练并广泛用于水果和蔬菜分选设备，用于非破坏性质量评估和分级（Elmasry等人， 2012; Huang等人， 2008; Hussain等人， 2018; Lorente等人， 2012年; ElMasry和Nakauchi，2016年; Nicola等人， 2007; Xia等人， 2019年; Zhang等人，2018年a）。然而，使用上述技术对种子的研究和应用相对较少虽然一些新兴技术被用于可行性探索，但有一个明显的趋势是更多的新兴技术也被应用于种子质量指标的测定，如拉曼光谱、红外热成像、X射线成像等。事实上，种子活力是特征的相互作用，许多因素参与种子活力的组成和表现，例如遗传构成、种子发育期间的环境和储存（Rahman和Cho，2016），阻碍了种子活力的精确定义的建立（Sun等人， 2007年）的报告。因此，大多数研究者关注基于新兴的非破坏性技术的种子生活力而不是种子活力的检测，所述非破坏性技术例如近红外（NIR）光谱、高光谱成像（HSI）或多光谱成像（MSI）、拉曼光谱（RS）、红外热成像（IRT）和软X射线成像。本文综述了这些技术在种子生活力检测2. 新兴技术2.1. 近红外光谱近红外（NIR）光谱法基于在780-2500 nm范围内的波长处的反磁辐射的吸收（Huang等人， 2008年; Nicolaidian等人， 2007年）的报告。当辐射穿透农业和森林产品时，其光谱特性通过波长相关的散射和吸收过程而改变。由细胞和细胞内/细胞外环境组成的产物的组织结构负责散射。这种吸收主要是通过碳水化合物（水、糖、叶绿素、类胡萝卜素等）的C\\H、O\\H和N\\H键近红外光谱包括由主要对应于这些化学键的泛音和组合的重叠吸收产生的宽波段，使得检测有机和生物材料变得可行与样品相互作用的辐射可以被吸收、透射或反射。镜面反射是由光滑表面引起的，而漫射反射是由粗糙表面引起的两种反射方式都只提供样品表面的信息散射取决于颗粒的尺寸、形状和微观结构，影响反射光谱的强度水平，而吸收过程影响反射光谱的形状因此，存在适合不同应用的不同NIR光谱测量模式（Nicolaiti等人， 2007年）的报告。常见的模式是漫反射和透射，用于种子质量测量（图1）。①的人。 在反射模式下，光源和探测器安装在特定的角度下，以避免镜面反射。 该模式结构相对简单，易于建立。 但它一般只能获得样品的超光谱信息（厚度约1-2cm），易受杂散光的影响。 在透射模式中，光源被定位成与检测器相对。在1100-2500 nm的波长范围内，散射的量使得路径长度如此之高，以至于大多数样品通过约1 cm厚度的透射率可以忽略不计（Huang等人，2008年）。这种模式可以很容易地利用透过样品的穿透光获得内部光谱信息，但对光谱仪中的电荷耦合器件（CCD）的灵敏度要求很高，并且还需要具有更高功率的光源（Xia等人， 2018年）。然而，这些键的基本振动在可见光和近红外（Vis/NIR）区域产生宽且重叠的吸收峰，使得具有复杂混合物的Vis/NIR光谱此外，近红外光谱比其相应的基本中红外吸收带弱10至100倍（Fu和Ying，2016）。因此，近红外光谱中所包含的分析信息因其多元性而难以解释和选择，样品间极微小的光谱差异也无法区分为了从大量的光谱数据中快速有效地提取有用的信息，需要先进的化学计量学算法不仅对数据进行预处理，还能进行预期的定量或定性分析为了去除光谱数据中的不相关信息，提高校正模型的性能，需要对光谱数据进行预处理通常使用光谱预处理方法，诸如光谱滤波、平滑、归一化、均值居中、自动缩放、基线偏移校正（BOC）、一阶和二阶导数、傅立叶变换（FT）、小波变换（WT）、正交信号校正（OSC）、标准正态变量（SNV）和乘性散射校正（MSC）基于光谱的预处理方法是一种技术，并且可以在先前的研究中找到（Engel等人， 2013年; Nicolaeli等人， 2007年）的报告。多变量回归技术（定量分析）旨在建立观测响应值与光谱数据之间的关系（Nicolaeland等人， 2007年）的报告。多元线性回归（MLR）是最简单的回归分析技术，其中响应通过每个单一波长处的光谱值的线性组合来近似然而，如果变量比样本多，它可能会工作得很糟糕此外，由于光谱的高度共线性，MLR模型通常表现更差，这可能容易导致过度拟合和校准模型的鲁棒性损失（Saranwong等人， 2001年）。主成分分析（PCA）回归使用少量的主成分（PC）代替原始变量，Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -4737图1.一、用于获取种子的NIR反射率（a）和透射率（b）光谱的设置。拟合 MLR模型的预测因子（ Naes等人 ， 2002 年） 。偏最小 二乘（PLS）回归是最广泛使用的回归方法相比，其他多元方法。与MLR不同，PLS可用于分析具有强共线（相关）、噪声和冗余变量的数据（Cozzolino等人， 2009年）。 作为非线性回归技术之一，支持向量回归（SVR）由于其对近红外光谱数据中异常值的免疫性和对光谱噪声的容忍性而被证明具有非常好的性能。 人工神经网络（ANN）、最小二乘支持向量机（LS-SVM）也可以用来处理变量之间的非线性关系。在近红外光谱分类识别方法的发展中，光谱数据的处理主要采用多种定性的多元方法，如K-最近邻（KNN）、线性判别分析（LDA）、类类比软独立建模（SIMCA）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）等。现代光谱仪通常具有高分辨率，具有数百或数千个光谱变量，包括共线性、冗余和噪声，因此，这种情况增加了用全范围光谱建立的校准模型的复杂性，并阻碍了计算速度（Fan等人， 2019年）。使用全光谱建立的模型不适合以快速和非破坏性的方式进行在线或实时检测，这是由于校准过程耗时且计算和数据传输压力大的事实此外，光谱内的不相关信息会对模型的准确性和鲁棒性产生负面影响（Li等人，2014年）。因此，在过去的几十年里，人们提出了大量的变量选择方法，如竞争自适应加权采样（CARS），区间随机青蛙（iRF），蒙特卡罗-无信息变量消除（MC-UVE）等。信息变量选择或波长选择在光谱数据的定量分析中起着重要的作用变量选择方法的细节可以在先前的研究中找到（Mehmood等人， 2012; Yun等人， 2019年）。近红外光谱已成功用于自然资源的质量评估，如水果，蔬菜，作物，树木及其种子（Pasquini，2018）。近年来，已广泛探索检测种子生活力（表1），并且漫反射是最常用的模式。 使用傅里叶变换近红外（FT-NIR）光谱法测定大豆种子的生活力（Kusumaningrum等人，2018年）。通过将完整的种子真空包装在塑料袋中，通过在保持在42 °C和约100%相对湿度的水浴中温育9天来老化。其余200粒种子设为正常种子（有活力）。每个种子的反射光谱是使用中心有孔的特定样品架通过直接聚焦在胚芽点上的照明获得的（图2a）。样品架的设计具有适合大豆种子的尺寸和形状（图1）。 2 b）。在1000-1900 nm处，有活力和无活力种子之间存在一些主要的光谱差异（图1）。 2 d），其中有活力种子的光谱比无活力种子的光谱反射率低。建立了基于PLS-DA方法的种子分类模型，对种子的生活力和非生活力进行了分类。变量选择采用变量重要性投影法（VIP）结合PLS-DA。最后从1557个变量中选出146个最优变量。 结果表明，基于所有变量或选定变量的PLS-DA方法对FT-NIR光谱分析的准确度接近100%。傅立叶变换近红外光谱法是一种稳定、可行的快速测定大豆种子生活力的方法。采用PLS-DA分类方法的FT-NIR光谱也可以以100%的高准确度正确地分类有活力和无活力的玉米种子（Ambrose等人，2016 b），以及辣椒种子，验证集的准确度为90.5%（Seo等人， 2016年）。探索了一种利用近红外光谱预测种子生活力的监督分类方法--扩展典型变量分析法讨论了训练样本集中种子数量对预测卷心菜或萝卜种子活力的能力的影响（Shetty et al.， 2011年）。结果表明，200粒种子是最佳的校准集的白菜和萝卜的数据。这一结论与使用校准集中所有种子得到的误分类率相似，有效地提高了近红外光谱分析的成本效益。在最佳样本容量下，白菜和萝卜的误分类率分别为6%还研究了具有适当分类方法的NIR光谱以鉴定番茄（Shrestha等人， 2017）和多果杜松（Daneshvar et al.，2015年，准确率超过90%。2.2. 高光谱和多光谱成像高光谱成像（HSI）系统将光谱和成像技术集成到一个系统中，以获得一组几乎连续数百个波长的单色图像该集成系统结合了近红外光谱和数字成像，38Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -47¼表1利用新兴技术检测种子活力的应用概述号种子方法Classifier（s）结果（s）参考1玉米FT-NIRPLS-DA百分百Ambrose等人（2016年b）2大豆FT-NIRPLS-DA百分百Kusumaningrum等（2018年）3胡椒FT-NIRPLS-DA百分之九十点五Seo等人（2016年）4白菜NIRECVA百分之九十四Shetty等人（2011年）5萝卜NIRECVA百分之九十八Shetty等人（2011年）6多果圆柏NIRPLS-DA百分之九十八Daneshvar等人（2015年）7番茄NIRiPLS-DA百分之九十三点七一Shrestha etal. （2017年）8大麦/小麦/高粱NIR HSIPLS-DA–McGoverin等人（2011年）9玉米NIR HSIPLS-DA百分百Wakholi等人（2018年）10甜瓜NIR HSIPLS-DA百分之九十四点六Kandpal等. （2016年）11胡椒可见/近红外HSIPLS-DA百分百Mo等人（二零一四年）12小麦可见/近红外HSI支持向量机，偏最小二乘-DA88.1%，89.5%Zhang等人（2018年b）13蓖麻MSI归一化正则DA百分之九十六Olesen等人（2015年）14菠菜可见/近红外MSIPLS-DA60%-76%Shetty等人（2012年）15挪威云杉可见光/近红外，近红外HSISVM83%，N93.3%Dumont等人（2015年）16玉米可见光/近红外，近红外HSIPLS-DA74.4- 95.6%，Ambrose等人（2016年b）17大豆NIR HSIPLS-DA82.2-95.60%N95%Baek等人（2019年）18番茄可见/近红外HSIPLS-DA90.48%Peng等人（2018年）19胡椒RsPLS-DA百分之九十四点四Seo等人（2016年）20玉米RsPCA、PLS-DA93-100%Ambrose等人（2016年b）21豌豆IRTSVM95%，91.67%Men等人（2017年）22豌豆/小麦/油菜IRTNetLogo–Kranner等人（二零一零年）23生菜IRT––Kim等人（二零一三年）24胡椒IRT像素回归分析–Kim等人（二零一四年）25甜瓜软X射线成像LDA百分之九十八点九Ahmed等（2018年）关于化合物的空间分布的信息因此，HSI系统创建了由两个空间维度和一个光谱维度组成的三维（3D）“超立方体”数据集。通常，点扫描、线扫描和区域扫描方法是获取高光谱图像的三种常用模式（Zhang等人，2014年）。 作为最广泛的应用类型，在可见光/近红外（400 - 1000 nm）或近红外（1000-2500 nm）范围内进行高光谱反射成像，以检测水果、蔬菜和种子的缺陷、污染物和质量属性（Nicolaeland等人， 2014年）。HSI实验通常包括三个不同的模块：（I）图像采集和图像预处理，（II）数据提取和数据处理，（III）数据建模和图像后处理。 这些典型的模块在图1的流程图中示出。 3（ElMasry和Nakauchi，2016）。该模块的第一步是利用理想的采集参数（包括电机速度、曝光时间和物距）采集高质量的高光谱图像。由于相机量子效率的差异，即使当HSI系统在相同条件下对相同目标成像时，未校正的辐射亮度也可能不相同因此，原始高光谱图像需要被校正以消除干扰（Gowen等人，2007年）的报告。 在与样本图像采集相同的系统参数下，白色参考（R白）由具有约99.9%的反射率的标准白板捕获，然后在灯关闭并且光学透镜完全被其帽覆盖的情况下获得暗参考图像（R暗）（Yu等人， 2014年）。校正后的图像（R）根据Eq.（1）：采用的分割方法是通过选择适当的阈值进行阈值化。代表其物理化学性质的成像样品的光谱信息可以直接从ROI中提取。在大多数情况下，提取的光谱数据含有一定的噪声和变异性，如果提取的数据显示出一些问题，由于低信噪比，数据可以预处理，以减少噪声，使用上述预处理方法，然后进行定量或定性的多元分析。采集高维高光谱图像需要较长的采集时间，这给实时观测带来了相当大的挑战这将HSI技术限制在需要快速的商业化包装线上因此，HSI总是应用于离线应用，以选择最佳波长来形成多光谱图像。多光谱成像（MSI）系统旨在获取对特定应用直接有用的空间和光谱信息。它只捕获选定波长（通常约10个离散波长）的图像，从而大大减少了总数据量，提高了处理速度和效率。高光谱或多光谱成像系统具有获得分类图或可视化这些属性在整个样品上的分布的能力，而不是使用光纤探针来获得农业样品的局部区域处的可测量质量属性的平均HSI或MSI的应用已经几十年来在鉴定可行种子方面的报道麦戈文等人研究了包括大麦、小麦和高粱在内的谷物的生活力。（2011）用近红外高光谱成像技术。使用PLS-DA预测活菌和非活菌比例可能不准确，但与活菌比例相关性良好。RRraw−RdarkR白−R暗ð1Þ比例证明使用四唑测试。Wakholi等人探索了基于HSI的玉米种子生活力的分类。（2018年）。在这项研究中，选择了600个玉米样品，其中一半是其中Rraw表示原始高光谱图像，R表示校准图像。校准后的图像可用于进一步的数据处理和分析。为了获得代表校正图像中不同质量特征的感兴趣区域（ROI），基本上进行分割以识别图像中的不同聚类对象，用于适当地选择ROI，对图像中的对象进行分类或构建图像掩模以用于对每个对象进行后续分析。最常见采用微波热处理法处理，其余标本作为对照组。 然后使用NIR HSI系统收集所有样品的HSI数据，范围为1000-2500 nm（图4）。在数据收集过程中，将样品放置在传送带上，而不管每个谷粒的边缘或相对侧是否面向照相机。处理组种子的反射光谱普遍高于未处理的玉米样品，这是因为处理组的化学成分Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -4739图二、FT-NIR光谱示意图（a）、单个种子夹持器（b）、大豆种子的原始光谱（c）以及在1000-1900nm光谱范围内存活和非存活种子的平均光谱(d) （Kusumaningrum等人， 2018年）。在热处理过程中，玉米种子的蛋白质含量发生了变化（蛋白质变性、淀粉糊化、脂质饱和、水分减少等）。因此，吸收的光越少，这意味着表现出更多的反射率。实验中采用LDA、PLS-DA和SVM三种分类方法，并结合一些预处理方法，确定了最适合的分类方法。在所有模型中，SVM模型对白色、紫色和黄色玉米种子的准确率最高，分别为100%、100%和98%该模型还产生了无障碍分类图像，表明高光谱成像可以用于基于生活力的准确分类玉米Mo等提出了一种基于可见光/近红外光谱的辣椒种子生活力评价方法。（2014年）。基于PLS-DA模型的图像的应用，具有用于红色LED照明（600-700 nm）的31.5 nm间隙的一阶导数提出了一种基于HSI和图像处理技术的番茄种子图像采集与特征识别分类算法。利用SPA法获得了番茄种子活力的特征波长，包括535、577、595、654、684、713、744、768、809和840 nm。对上述特征波长下的图像进行预处理，得到种子的面积、圆度和平均灰度等特征值基于统计规律性，根据校正集的特征值和整体结果计算分类阈值校正集和验证集在8个特征波长的分类准确率均在85%以上。713 nm灰度图像给出了最佳结果，校准和验证集准确度分别为93.75%和90.48%（Peng等人， 2018年）。使用NIR HSI技术和基于VIP选择的七个最佳波段建立的PLS-DA分类模型区分有活力和无活力的大豆种子，准确度超过95%（Baek等人， 2019年）。Vis/NIR（400-比较种子以鉴定挪威云杉的种子活力（Dumont等人， 2015）和玉米（Ambrose等人，2016年a）。结果表明，在种子活力分选方面，可见光/近红外范围的信息量不如近红外范围MSI技术在种子生活力测定中的应用虽有开展，但报道较少。使用HSI系统的最终目的是建立MSI系统作为用于不同在线应用的计算机集成机器视觉系统的重要部分（Sendin等人， 2018年）。由于MSI系统配备了较少的光谱通道，这意味着比HSI系统更短的采集和处理时间通常，较少的特征波长使得传感器系统更快并且收集时间更短（ElMasry等人，2019年）。使用MSI技术探索蓖麻种子的生存力预测（Olesen等人，2015年）。光谱成像系统是VideometerLab仪器，其包括40Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -47图3. 涉及获取、处理和分析高光谱图像和光谱数据的模块（ElMasry和Nakauchi，2016）。一个500万像素的电荷耦合器件（CCD）摄像机，安装在积分球的顶部，涂有高度白色和漫射涂料。照明装置由19个窄带高功率LED，范围从375到970 nm，放置在边缘，以确保在球反射的底部端口的样品的均匀和漫射照明（图1）。 5）。为了最大限度地减少距离，图四、 用于玉米种子活力检查的NIRHSI原型（Wakholi等人， 2018年）。Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -4741实现种子颜色类别内的观察，并最大化类别之间的差异，多光谱图像进行了转换，使用归一化典型判别分析（nCDA）。采用与nCDA组合的特定特征（区域MSI平均值），其可以计算每个单个种子内的MSI变换像素值的修剪平均值，并且以92%的准确度将该模型对验证集的种子进行了96%的正确分类此外，还利用HSI或MSI系统来尝试根据发芽期或胚芽长度来预测Kandpal等人（2016）报道了使用NIR HSI测定甜瓜种子的活力。将样品人工老化以获得具有不同生活力和活力的种子利用萌发3天和5天的种子以及非双生种子的光谱建立PLS-DA分类模型。 该模型产生了最高的分类准确率为94.6%的验证集的基础上选择性比（SR）选择的18个波长。研究了使用PLS-DA从菠菜种子的多光谱图像中提取特征以检测种子活力（胚芽长度）的可能性（Shetty et al.， 2012年）。研究了300粒种子的图像，包括小、中、大种子，并检查了种子的胚芽长度。结果表明，大粒种子的发芽势和芽长均显著高于小粒种子。种子活力验证集按胚芽长度分类的准确率对小、中、大种子分别为60%、76%和68%结果表明，菠菜种子越大，其发芽势越强2.3. 拉曼光谱拉曼光谱（Raman spectroscopy，RS）是一种基于拉曼散射的分析光谱，由C.V.1928年的拉曼根据振动频率对分子的化学键和对称性具有特异性的原理，拉曼峰通常在大多数情况下是明显的，这提供了指纹来识别分子并使化学组成的分析更精确（Yang等人，2018年）。然而，由于拉曼散射效应的探测技术和强光源技术的发展还不够成熟，使得拉曼光谱的应用还处于起步阶段。幸运的是，随着近十年来相关技术的发展，发现RS被广泛应用（Li-Chan等人， 1994年）。 RS可以在各种应用中实现极高的检测灵敏度，例如肉和鱼的质量评估（Herrero，2008）、细菌的检测（Lee等人， 2017年; Lu等人， 2011），农业产品的成分预测（Kizil等人， 2002; Lee等人， 2013）、油和脂肪的分类（Baeten等人，1998），种子的生存力评价（Ambrose等，2016 b; Seo等人，2016）等。RS技术在检测种子活力方面优于常规方法的优点包括快速、稳健、高准确性和非侵入性。图图6a示出了用于捕获和分析辣椒（Capsicum annuum L.） 用于生存力 评 估 的 种 子 （ Seo 等 人 ，2016 年 ） 。 拉 曼 光 谱 仪（ Ramanworkstation™ ，Kai ser Optical Systems Inc. ， AnnArbor，MI，USA）由二极管激光器和分辨率为0.3 cm−1的CCD检测器组成。二极管激光波长为785 nm，CCD具有全息透射光栅，其能够扫描具有96个正方形孔的板。激光图五、 VideometerLab仪器的图片（a）及其示意图（b），以及基于种皮视觉颜色的三个类别的种子概述：黄色，灰色和黑色（c）。行(1) 显示了完整种子的RGB图像;（2）是通过nCDA转换以区分死种子和活种子（完整种子）的图像;（3）是切割种子的RGB图像;（4）是通过nCDA转换以区分死种子和活种子（基于切割种子）的图像和（5）是在切割种子已经浸入四唑后拍摄的RGB图像（Olesen等人， 2015年）。42Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -47装置的功率为100 mW，光斑尺寸为3 mm，曝光时间为0.5 s。 光谱范围为150-1800 cm-1，每个板扫描32次（图11）。（六）。辣椒种子在4d内开始萌发，168h达到萌发在144粒未处理的种子中，141粒种子发芽并显示出97.9%的种子活力，288粒种子（141粒有活力的种子和147粒无活力的种子）用于发芽试验中的分析 图图6d示出了存活和非存活种子的拉曼光谱的平均值图。辣椒种子基本成分的特征峰 在 1520 cm-1 （ C=C ） 、 1440cm-1 （ =CH2 ） 、 1263cm-1（=CH）、1154cm-1（C\\C）、1263cm-1（= CH）附近，and1090cm−1 （ C\\O ） （ B ar anskietal. ， 2 0 0 6;Reitz ensteinetal. ，2007）。利用1800-970 cm −1的RS数据，使用PLS-DA开发了一个分类模型提出了一系列的预处理方法，以降低光谱的噪声，并对分类结果进行比较。结果表明，采用原始数据（未经预处理的数据）的RS分类准确率最高，达到96.4%。因此，RS被证明是一种可靠的光谱方法来确定种子质量。在种子生活力的遥感检测中，也可以对玉米种子进行研究比较了傅立叶变换近红外光谱法和遥感法对玉米杂交种（Zea maysL.）可以被诊断出来。观察到老化种子与正常种子在某些特定波长处的能量吸收存在差异。主要的变化是在1580-1640 cm −1的范围该区域的强度变化被认为是由种子的发芽能力引起的对不同预处理方法对拉曼光谱数据的PLS-DA结果进行了分析，分类模型对白、黄、紫三种玉米的识别和预测能力为93特别是均值归一化、MSC和第一次导数预处理方法在校准模型中显示出最高的准确度（100%），但是当使用PCA时，大量的种子重叠（Ambrose等人，2016年b）。总之，遥感技术可以代替传统的侵入式种子质量检测和评价方法，用于种子的分类鉴定2.4. 红外热像红外热成像（IRT）是一门相对年轻的学科，其起源可以追溯到17世纪，当时温度计被开发出来（Ring，2010）。威廉·赫歇尔爵士在1800年发现了红外线辐射，紧接着约翰·赫歇尔（JohnHerschel，Rin g，2 0 07）记录了第一个热图像。1934年，Hardy，1934年提出了红外测温技术的诊断意义，为IRT在医学上的应用作出了贡献。然而，由于无法获得优质设备和技术诀窍，1960年报告了第一次使用（Ring，2010年）。近年来，红外光谱技术作为一种快速、非接触、非破坏性的诊断方法，已广泛应用于医学检验、故障诊断、遥感、病虫害检测、果实品质、种子活力评价等领域。 （Fernández-Cuevas等人，2015; Picazo-Ródenas等人，2013; Usha和Singh，2013）。与高光谱成像和傅里叶变换近红外方法相比IRT还提供二维（2D）热图像，这使得目标区域之间的比较成为可能（Usamentiaga等人，2014年）。红外辐射是温度高于绝对零度的物体表面辐射的能量（Meola，2012）。总辐射能中与每种耗散方式相关的部分为图第六章 用于捕获和分析种子的散射信号的拉曼光谱仪的示意图（a）、没有去除荧光背景信号的拉曼光谱（b）、具有去除荧光背景信号的拉曼光谱（c）以及存活和非存活辣椒种子的平均光谱（d）（Seo等人， 2016年）。Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -4743称为吸收率、透射率和反射率（Howell等人， 2010年）。用三个参数来描述这些物理量：被物体吸收的光谱辐射功率的比值即光谱吸收率ρλ，被物体反射的光谱辐射功率的比值即光谱吸收率ρλ，被物体透射的光谱辐射功率的比值即光谱吸收率τλ 这三个参数依赖于波长（Usamentiaga等人， 2014年）。这三个参数之和在任何波长处必须为一，如等式（1）所示（二）：αλþρλþτλ¼1ð2Þ图图7c示出了用于捕获和分析豌豆的热图像和可见光图像的典型IRT系统的配置。种子的可行性评估。如图红外热成像系统一般由红外热像仪、数字彩色CCD摄像机、定向光源、恒温箱、恒温水浴和计算机组成。热图像（320 × 240像素）由红外热成像仪Ti55（Fluke，Everett，WA ， USA ） 获 得 ， 灵 敏 度 为 0.02 ℃ ， 并 最 初 用 Smartview 软 件（Fluke Systems）处理。从CCD捕获的可见光图像（900 × 600像素）被数字化为8位（256灰度级）数据并存储。热图像和可见光图像每5分钟同时存储一次，并可按时间顺序导出。然后，使用MATLAB（MathWorks，Natick，MA，USA）进行图像处理、数据分析和数值建模 参见图 7d时，三类种子的温度变化（相对种子温度rT）主要发生在前3h（Men et al.， 2017年）的报告。本研究将120粒种子分为两组，进行不同的老化处理。测量每个样品的根长度以评价存活力。利用图像融合的边缘检测方法分割出可见光图像中的种子区域采用红外热成像技术，利用可见光图像中的圆盘区域提取热图像中的种子区域，计算红外图像中对应区域的平均温度，作为该种子在当时的代表温度（图1）。（八）。 从温度曲线中提取了13个特征参数，分析了不同生活力种子温度波动的差异。利用支持向量机（SVM）对种子样本进行了分类，分类正确率达95%。利用种子萌发前3h的温度数据建立了支持向量机模型，分类正确率为91.67%。 根据这些实验结果，可以观察到，用于表征种子温度变化的参数之间存在明显的差异取决于种子生活力。可见，基于支持向量机算法的红外热像法可以用于种子生活力的预测。在种子生活力的检测中，IRT也有其他应用，Kranner等人利用IRT可以诊断发芽豌豆（Pisum sativum）他们证明了IRT适用于其他种子类型，如小麦（Triticum aestivum）和油菜（Brassica napus）种子的概念IRT被测试为将生化和生物物理参数与发育变化联系起来，并将其非侵入性地可视化。此外，他们开发了一个“虚拟豌豆种子”的计算机模型他们还发现，IRT可以实时观察豌豆种子萌发中最早的物理化学事件，并在胚根出现之前很久就诊断种子的生命力（Kranner等人， 2010年）。 并且证明了无活力种子在萌发时不能降解淀粉的结论（Kranner，2013）。类似地，莴苣（Lactuca sativaL.）利用红外寿命热成像评价种子生活力图第七章实验样品的可见光图像（a）和热图像（b），用于捕获和分析热分布的IRT系统的示意图（c），以及在实验（d）中的第一个5小时（Men等人， 2017年）的报告。44Y. Xia et al. / Arti ficial Intelligence in Agriculture 1（2019）35 -47图八、分析热图像和可见光图像数据的一系列步骤的流程图。可见光图像用于获取边缘区域信息（绿色箭头）。热图像用于提取温度信息（红色箭头）。 融合参数从可行图像和热成像图像的融合图像获取（Men等人， 2017年）的报告。技术，结果表明，随时间变化的热信号衰减特性，以及衰减幅度和延迟时间图像，可以用来容易地区分老化的莴苣种子和正常种子（Kim等人，2013年）。利用红外光谱技术和光热信号及图像重建技术对辣椒种子的生活力进行了估计，采用基于像素的回归分析方法对种子的光热信号进行了研究，并通过回归系数的重建图像对种子群体进行了区分。结果表明，时间分辨的光热特性，以及回归系数图像，可以用来区分老化或死亡的辣椒种子与健康的种子（Kim等人，2014年）。因此，在现有的破坏性和劳动密集型的种子分选情况下，IRT无疑是有前途的方法之一2.5. x射线成像X射线计算机断层扫描（CT）是波长范围为0.01-10 nm的电磁辐射X射线的光子能量在0.1-120 keV的范围X射线与其他电磁波一样，可以表现出以下现象：反射、折射、散射、干涉、衍射、极化和吸收。X射线CT评估了通过X射线源和探测器对样品进行扫描，以便从投影切片中获得信息X射线成像检查系统主要包括计算机控制的X射线发生器（即，X射线源管）、用于X射线检测的线扫描传感器（即， 其中可以产生放大的射线照片（投影）的X射线CCD照相机）、传送带、步进电机、图像采集卡和计算机（Chen等人， 2013年）。衰减的差异归因于样品内的密度和组成差异。在图像采集过程中，准直的X射线束指向样品，探测器测量剩余的衰减辐射，并将响应传输到计算机，从而产生2D图像，其对比度由X射线衰减的变化产生，包括吸收和散射（图10）。9）。当样品在平移台上旋转同时用X射线照射时，X射线在许多不同方向上并且沿着不同路径穿