近年來，近紅外高光譜成像技術發展迅速，在谷物、種子品質檢測方面得到了廣泛的應用。如種子化學成分檢測、種子品種鑒定、種子活力檢測等。利用高光譜成像系統通過對種子進行光譜成像數據采集、進一步處理分析、結合紅外熱成像及物理化學等方法測量結果構建模型，可對谷物、種子品質進行快速、批量分析與檢測。

易科泰生態技術公司提供谷物、種子品質檢測全面解決方案，高通量、非接觸、數字化：

1、PhenoTron?-HSI種質資源高光譜成像分析系統

左：PhenoTron^?-HSI種質資源高光譜成像分析系統；中、右：豆象侵染綠豆種子的900-1700nm高光譜成像分析及紅外熱成像圖（易科泰光譜成像實驗室供圖）

2、SeedSort種子高光譜成像在線分選平臺

左圖：高光譜成像在線分選平臺示意圖；右圖：水稻種子純凈度檢測分選（引自S. D. Fabiyi et al., "Varietal Classification of Rice Seeds Using RGB and Hyperspectral Images," in IEEE Access, vol. 8, pp. 22493-22505, 2020, doi: 10.1109/ACCESS.2020.2969847.）

案例一：近紅外高光譜成像技術用于玉米水分含量測定

水分是農作物種子質量標準的四大強制性檢測項目之一，種子水分含量太高會增加呼吸和養分消耗，降低活力；相反，水分含量太低會導致種子缺水和死亡，因此，準確測定玉米單粒種子水分含量對檢測評估玉米種質及JZ播種具有重要意義。然而，傳統的玉米水分檢測方法，如烘箱干燥法，存在耗時、破壞樣品、無法檢測單粒樣品等缺點。北京工商大學食品安全ZD實驗室研究人員提出了一種基于高光譜成像技術（968.05–2 575.05 nm）結合CNN-LSTM算法的快速、無損、高精度玉米種子含水量檢測方法。

圖1-1 高光譜圖像采集及CNN-LSTM模型圖

圖1-2 CNN-LSTM網絡模型及不同模型下的聯合指標

該方法基于CNN-LSTM模型構建聯合指標RMSE/（1+R）對模型性能進行綜合評價。使用CNN模型自動提取光譜數據的深層特征，無需人工復雜的特征提取步驟，并提供高質量的數據輸入到LSTM模型，從而測定玉米含水量。結果顯示：在CNN-LSTM模型下，RMSE/（1+R）指標僅為0.141，具有較小的誤差，可以為玉米水分含量的快速、無損檢測提供可靠方法。

案例二：近紅外高光譜成像技術用于綠豆種子活力檢測

綠豆（vigna radiata）是一種營養價值極高的糧食作物，其浸泡后發出的嫩芽具有清熱、美容養顏、改善視力的功效。 然而“鐵綠豆”是一種受生理影響和基因控制的“堅硬”綠豆，在發芽過程中會產生霉菌并感染臨近種子發芽。所以在種子生產過程中必須將堅硬種子和普通種子分開。目前，近紅外高光譜成像技術（NIR-HSI）已被廣泛應用于種子質量監測與評估，其優點是快速、高效、非損傷。

日本研究人員Kaewkarn Phuangsombut等人采用近紅外高光譜成像與偏小二乘法判別分析（PLS-DA）相結合的方法建立了正常綠豆和堅硬綠豆的分類模型：

圖2-1 不同方向放置正常綠豆和堅硬綠豆光譜曲線（900-1700nm 900-2500nm）

數據顯示：在波長990nm和1200nm處，健康種子的水分特征吸收峰和淀粉特征吸收峰均低于堅硬種子。說明堅硬綠豆在兩個波長處吸收的光比正常綠豆吸收的光少（水分和淀粉含量少）。

圖2-2 正常綠豆（a）和堅硬綠豆(b)的發芽力可視化分布圖（0.5-1.0表示萌發率很高）

結果顯示：大部分堅硬種子不可萌發部分的比例均大于正常綠豆。所以NIR-HSI的研究結果可作為綠豆種子萌發性指標，為綠豆生產以及綠豆發芽加工分類行業制定無損傷、數字化標準。

參考文獻：

[1] Zhang L, Zhang Q, Wu J, et al. Moisture detection of single corn seed based on hyperspectral imaging and deep learning[J]. Infrared Physics & Technology, 2022, 125: 104279.

[2] Phuangsombut K, Ma T, Inagaki T, et al. Near-infrared hyperspectral imaging for classification of mung bean seeds[J]. International Journal of Food Properties, 2018, 21(1): 799-807.