【读论文】——基于光谱学的玉米种子品质检测及其成像技术综述

Corn Seed Quality Detection Based on Spectroscopy and Its Imaging Technology: A Review
基于光谱学的玉米种子品质检测及其成像技术综述

Corn Seed Quality Detection Based on Spectroscopy and Its Imaging Technology: A Review
基于光谱学的玉米种子品质检测及其成像技术综述

思维导图

论文	材料	光谱范围	光谱数据的提取和预处理	使用光谱类型	波长选择方法	模型

摘要

玉米种子的质量保证在生产、储存、流通、育种等各个阶段都具有至关重要的意义。但是，传统的检测方法存在劳动强度大、主观性强、效率低、操作繁琐等缺点。鉴于此，研究更先进的检测方法具有重要意义。本文综述了近红外光谱及其成像技术在玉米种子质量检测中的应用。首先，介绍了这两种技术的原理，并对其组成、数据采集、处理方法以及可移植性进行了比较和讨论。然后，综述了这两种技术在玉米种子主要品质(包括品种纯度、活力、内部成分、霉菌毒素以及其他品质如冻害、硬度、成熟度等)方面的应
用。在检测方法、光谱预处理方法和识别算法等方面取得了突破和创新。强调了玉米品质特征的意义和应用算法的作用。最后，提出了光谱及其成像技术面临的挑战和未来的研究方向，旨在进一步提高该检测技术的准确性、可靠性和实用性。随着光谱及其成像技术的快速发展，玉米品质的检测方法也在与时俱进。这不仅适用于玉米，越来越多的作物都可以通过这些技术进行准确检测。它将成为未来农业生产检验的重要手段。

关键词:玉米种子;近红外光谱;高光谱成像;质量检测

1.引言

玉米(Zea mays L.)是全球三大粮食作物之一，富含蛋白质、脂质、维生素和多种营养物质。它既是一种经济作物，也是一种饲料作物，在制药、淀粉和酒精工业中作为原料发挥着关键作用。根据联合国粮农组织(FAO)统计，2022年全球玉米产量超过11.6亿吨(https://www.fao.org/faostat/zh/#data/QC, 2024年11月10日访问)，2023年中国玉米产量达到2.888亿吨(https://data.stats.gov.cn/easyquery.htm?cn=C01，2024年11月10日获取)，占所有粮食作物总产量的41.54%，在主要粮食作物的种植面积和产量中排名第一。此外，玉米的种植效率也高于其他粮食作物。对许多种植作物的农民来说，它已经成为了主要的收入来源。因此，玉米在中国农业生产中占有极其重要的地位。加强对玉米的研究，对于促进农业发展、经济增长和稳定至关重要。

在玉米种子的生产、加工、销售过程中，其质量检测尤为重要，不同的品种
使其使用场景不同，有的适合人类食用，有的适合动物饲料，有的可以制成很多农副产品加工，玉米内部成分的差异，也造就了它的用途。此外，玉米的幼苗和生长所需的种子活力水平也受到影响。种子如果储存不当，会遭受霉菌毒素感染等，影响生活生产，甚至对人体健康造成危害。因此，在玉米的生产、储存、流通、育种过程中，准确检测各工序的玉米品质是关键的一步。根据国际种子检测协会(ISTA)的标准，这些指标包括品种和纯度、活力和成分等物理、生物、遗传和健康指标。Zhang等人阐明了传统玉米种子质量检测方法[1]的优缺点。表1给出了玉米在各个生产过程中的主要检测指标和应用场景，并对传统检测方法的优缺点进行了说明[1,2]，并列出了相关传统检测方法的列表。表1显示，目前传统的玉米品质检测方法包括人工检测、干燥法、凯氏定氮法、分光光度法、DNA分子标记法、蛋白质电泳鉴定等，其中大部分是基于化学分析。虽然检测精度高，但存在工作量大、主观性强、效率低、成本高、危害人体健康等明显弊端。而且，检测样品不能回收利用，试剂和玉米样品需要足够的反应时间，耗时耗力大[1-4]。玉米的质量直接影响到公众的身体健康及其加工特性，因此对其质量检测方法的研究具有重要意义。

现有的无损玉米品质检测技术[5]包括基于化学性质的电子鼻和电子舌检测方法、基于电学性质的介电性质检测方法、基于光学性质的光谱技术等。基于光学属性检测技术的高检测速度与精度优势，结合其非破坏性、快速光谱成像特性以及在农业和食品检测领域的广泛应用，已有研究报道了基于近红外光谱技术（NIRS）和高光谱成像技术（HSI）的相关应用。

2. NIRS和HSI技术介绍

2.1. NIRS的基本原理和特点

近红外光谱(NIRS)的光谱范围为780 ~ 2500nm，分为短波近红外(波长780 ~1100nm)和长波近红外(波长1100 ~ 2500nm)[6]。它记录泛音和它们的组合。含氢基团X-H (C-H、O-H、N-H等)，涵盖了大量的结构和组成信息，因此含这些基团的组分可以通过化学计量学与关系模型建立，对样品[4]进行定性或定量分析。NIRS设备相对简单。常见的组件包括光源、分束器系统、样品台、光学探测器及其数据分析系统(图2)。

近红外光谱仪的体积可以很小，并且具有便携式设备，便于在现场进行快速
检测，例如在农业生产现场检测农产品的质量。在检测方法上，NIRS有透射、漫反射、透射、反射等检测方法，不同检测方法的选择也是根据需求而定的。

2.2. HSI的基本原理和特点

高光谱成像(hyperspectral imaging, HSI)技术是一种将光谱技术和图像技术相结合的检测方法，可以同时获得样品[6]的光谱信息和图像信息。光谱技术主要涉及近红外吸收，上面已经介绍过。图像技术可以在不接触物体的情况下获得目标图像信息，具有直观、定量、可识别、速度快、技术成熟等优点。

与NIRS设备相比，高光谱设备的结构更为复杂。它主要包括CCD相机、成像光谱仪、镜头、光源控制器、样品站、移动平台及其控制器、高光谱数据采集软件、移动控制软件的移动平台(图3)，其中成像光谱仪是核心部件，能够同时获取目标的光谱和空间信息。光学系统需要有更高的分辨率来保证光谱和图像的质量。其探测器通常需要具有高灵敏度和高分辨率，以应对大量的光谱波段和精细的图像信息[7]的尺寸和更高的价格，探测器常用于航空航天遥感和精准农业等领域的大规模农田监测。高光谱成像技术的应用不仅可以对样品的特定位置进行定位，获得特定位置的光谱信息，还可以检测样品的化学成分，是一种快速高效的光学检测手段。根据扫描方式的不同，还可分为点扫描、线扫描和面积扫描，其中以线扫描最为常用。表2给出了这些技术的对比。

2.3. 数据处理方法

对于NIRS和HSI数据的处理，一般分析步骤如图4所示。在NIRS数据[6]的处理过程中，一般步骤(图4A)分为样品采集、光谱数据预处理、特征波段选择、模型建立与评价等。同时，从HSI技术的原理可以看出，其处理方法包括光谱数据处理和图像数据处理(图4B)。一般情况下，首先进行图像数据的处理和分析，包括图像预处理、图像分割、特征提取等，光谱数据的处理方法和步骤与NIRS数据相同。

在采集光谱数据时，第一步是对采集到的光谱进行预处理，以消除无关信息和噪声，如电噪声、样品背景噪声、杂散光噪声等[8]。常见的光谱预处理方法包括平滑、导数、多重散射校正(MSC)、基线校正、标准正态变换(SNV)以及这些方法的组合[9-11]。表3给出了部分光谱预处理方法的描述和公式。

一般来说，第二步涉及提取光谱特征波段。由于收集到的光谱数据由数百
或数千个波段组成，使用所有波段进行建模会带来计算量大、处理时间长等问题。此外，由于缺乏明显的光谱吸收，严重的重叠以及包含冗余信息，可能会破坏模型的稳定性和预测精度。因此，通常的做法是在建模过程中消除不相关的信息，过滤掉高相关性的自变量。目前，常用的特征波段选择方法[12-14]包括主成分分析(PCA)、竞争自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除(UVE)等。

经过预处理或特征波长选择后，最终建立光谱的校准模型，进行定性或定量分析。随着统计学的快速发展，许多不可避免地使用数学分析方法[15]进行更科学的分类和定量检测，可以是线性的，也可以是非线性的，可以是监督的，也可以是无监督的。常用的定性和定量方法包括:仿生模式识别(BPR)、k近邻识别(KNN)、线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)、支持向量机(SVM)、反向传播神经网络(BPNN)、偏最小二乘回归(PLSR)、径向基函数神经网络(RBFNN)等。近年来，深度学习算法，特别是卷积神经网络(cnn)，已经被用于近红外光谱的定量和定性建模[16-18]。与传统的机器学习方法相比，卷积神经网络可以通过多个卷积层和池化层逐步提取光谱数据中嵌入的特征，从而在一定程度上减少了在建模之前对光谱进行大量预处理和变量选择的需要[6]。事实上，模型的效率和可移植性也需要考虑。ELM、BPNN、RBFNN等算法可能存在收敛速度慢、容易陷入局部最优的缺点，效率和可移植性相对较弱。然而，在处理大规模数据时，PLS-DA和PLSR可能需要更多的计算量。BPR算法在实际应用中的效率和可移植性也会受到其实现复杂性的影响。所以，这就是算法未来要改进的地方。在模型建立之后，评估它的稳定性和准确性，选择高质量的模型是至关重要的。常用的指标包括精度、相关系数、标定标准差以及预测集样本等。表4是部分特征波长选择和建模方法及评价指标的总结。

接下来，介绍了这两种技术在玉米品种纯度检测、活力检测、内部成分检测、霉菌毒素检测以及其他检测指标(冻害、硬度检测、成熟度)中的具体应用。通过在Web of Science和CNKI上检索基于NIRS和HSI技术的玉米种子质量检测相关文献，并将各指标作为关键词进行检索，并对检索到的文献进行预分类，仅保留SCI期刊论文和部分中文核心期刊论文进行综述。最后，对品种纯度鉴定33篇、活力检测12篇、内成分测定18篇、真菌毒素检测25篇、其他指标检测13篇进行了综述。

3. 具体应用

3.1. 品种和纯度检测

关于品种纯度检测，学者们在玉米品种鉴定、转基因玉米检测、单倍体检测等方面进行了相关研究(表A1)。

3.1.1. 品种鉴定

随着全球对玉米需求的不断增长和育种技术的不断进步，每年新增的玉米种子新品种数量呈上升趋势。在北美、欧洲部分地区以及巴西、阿根廷等地，每年的新品种数量都比较多。2010年前后，中国每年批准的玉米品种数量在30到40个之间。但到了2020年，单年批准的品种数量就达到802个[19]。种子掺假、假冒、以次充好等事件在市场上越来越频繁。无良商家将不合格的种子与合格的种子混在一起，导致作物减产，严重损害了种植者的利益。因此，品种和纯度检测就显得尤为必要。

多年来，许多学者在这一领域进行了广泛的研究。Wu et al.(2010)收集了37个玉米品种的漫反射光谱数据。对原始光谱进行矢量归一化预处理，提出了一种基于标准差的光谱特征波段提取方法。通过PCA，建立了平均正确识别率为94.3%的BPR模型。Wang et al.(2011)使用遗传算法为37个品种选择特征波段，降低数据维数并使用线性判别分析进行分类，平均正确拒绝率达到99.65%[21]。Huang et al.(2011)使用PLS模型确定农大108玉米的纯度，最终验证集为95.75%，平均相对误差为2.73%[22]。Jia等(2012)建立了8个玉米品种的BPR模型，平均正确识别率为94.6%。2014年，Han等人采集了8个玉米品种的近红外光谱数据，发现在一定主成分[24]下，SVM算法更适合小样本光谱分析。2015年，Jia等人利用近红外光谱和化学计量学对涂层进行了玉米种子品种鉴定，，用类类比的软独立建模(SIMCA)模型显示出97.5%[25]的准确率。2018年，Cui等研究了将NIRS与化学计量学方法相结合鉴定玉米种子品种的可行性。对光谱进行平滑、一阶导数和向量归一化预处理;然后运用PCA、LDA和BPR建立识别模型。结果表明，该模型的平均正确率在90%以上，对不同地区和年份的样本具有较强的鲁棒性。

从2012年到2022年，各学者都利用了高光谱成像技术。Zhang等提取纹理变量(对比度、均匀性、能量、相关性)，建立PCA-GLCM-LS-SVM模型，识别准确率为98.89%[27]。Wang等在400-1000 nm波长区域内采集了3个品种(378个样本)玉米种子的高光谱图像数据，并通过SPA选择了6个最优光谱波长。根据光谱、纹理或融合数据对不同品种的玉米种子进行分类，结果表明，基于全波段DT预处理数据的分类结果最好，准确率为91.667%(图5)[28]。Xia等人提出了一种MLDA算法，实现了99.13%[29]的分类准确率。Zhou等人实现了甜玉米种子品种的无损识别，取得了很好的分类准确率[30]。浙江大学学者采用RBFNN、t-SNE、SVM等算法结合高光谱成像对玉米品种进行分类[31-33]。Zhao等人、Miao等人、Bai等人也在利用高光谱成像和不同方法进行玉米种子品种分类方面做出了贡献[31-33]。

有学者提出了模型更新的概念。他等人使用聚类算法更新模型;结果表明，在确定模型参数并应用后，更新模型的整体准确率为98.3%，高于未更新模型[34]获得的84.6%的准确率。随着学习算法的更新和迭代，深度学习在数据分析中得到了应用[35-38]。Zhang等人将高光谱成像与深度卷积神经网络(deep convolutional neural networks, DCNN)相结合，对四种玉米种子品种进行了分类。结果表明，DCNN模型的训练准确率为100%，测试准确率为94.4%，验证准确率为93.3%，在大多数情况下都优于KNN和SVM模型。DCNN模型在评价指标(敏感性、特异性和准确性)方面也表现最好，取得了较好的效果[35]。Wang等人比较了不同的分类模型，发现所提出的CNN-LSTM的性能略好于其他五种模型[39]。

3.1.2. 转基因检测

转基因玉米是中国应用最广泛的转基因作物之一。这种技术虽然可以培育出
高产、高抗、高品质、适应不利生态环境的优良品种，但也带来了外源基因安全性和环境安全性两个问题。随着转基因技术的发展和广泛应用，转基因产品的安全性和可靠性问题不断引起人们的关注。准确、快速、高效的转基因玉米检测方法对于食品质量监测和控制，对人类健康和社会经济都具有重要意义。

Feng等(2018)利用NIRS技术对转基因玉米种子进行鉴定。采用三种变量选择算法(加权回归系数、PCA加载和二阶导数)提取特征波长。采用KNN、SIMCA、朴素贝叶斯分类器、ELM和BPANN五种方法建立判别模型。结果表明，ELM在全波段上的分类准确率为100%，在特征波长[40]上的分类准确率为90.83%。同年，Peng等人利用NIRS技术鉴定了SG平滑的转基因玉米。基于全谱的SVM模型优于PLS模型，识别准确率达到90%以上。2022年，Zhang等人利用NIRS技术鉴定了四组转基因玉米。三层ANN模型对转基因玉米的识别准确率为100%[42]。

2017年，Feng等人使用了近红外高光谱成像和多元数据分析以及预处理算法。建立模型对转基因玉米籽粒进行分类，计算和预测精度[43]接近100%。2023年，Wei等人收集了三种玉米籽粒的高光谱图像，并对传统和深度学习算法进行了比较。BPNN-GA模型的预测精度为0.861，深度学习建模的精度为0.961[44]。

3.1.3.单倍体检测

在鉴定玉米单倍体和多倍体领域，开展了多项研究。Liu等人采用KPCA进行特征提取，并结合SVM建立了玉米种子单倍体和多倍体的分类模型，平均正确识别率分别为95%和93.57%[45]。Yu等人提出了一种基于SVSKLPP的非线性特征分析方法，平均正确率、灵敏度和特异度分别为97.1%、98.8%和95.4%[46]。Cui等人提出了一种基于NIRS定量分析的玉米单体种子筛选方案，平均精度在90%以上，稳定性[47]为模型监测和校准方案。2021年，Ge等人融合了NMR和NIRS数据，使用DADA框架[48]将不清晰玉米的类别分类提高了约9%。2023年，Ribeiro等人利用NIRS和PCA预处理数据，PLS-DA模型实现了单倍体和二倍体种子和植物[49]的100%准确分类。

对于高光谱在单倍体检测中的应用，Wang等以郑单958和农大616为研究对
象，探讨了胚胎朝向(胚胎朝向光源或背向光源)对单倍体识别模型的影响。单倍体和二倍体检测集的正确接受率高达99%，错误接受率小于1%[50]。他等人讨论了近红外高光谱成像的适用性，采用三种变量选择方法确定了20个波长，建立了准确率为90.31%的PLSDA模型[51]。Zhang等人使用高光谱成像结合基于gan的数据增强方法对单倍体玉米颗粒进行识别，结果表明，DCGAN和CGAN都能将分类器准确率提高10%以上，其中CGAN的提高[52]更高。

3.2.活力检测

种子活力是衡量种子质量的关键指标，与发芽率、数量、抗逆性有关。传统的种子活力测定方法具有破坏性，且试验周期长。最近的研究总结如表A所示。Agelet等人使用NIRS和各种方法(PLS-DA、KNN和LS-SVM)来识别热损伤玉米籽粒。其中，PLS-DA准确率最高，达99%。2013年，Yang等人利用NIRS和BPNN建立了玉米种子活力检测模型。将预处理和特征提取相结合构建的BPNN模型识别准确率达到95.0%[54]。2018年，Li等人利用NIRS建立了甜玉米种子活力指标(发芽率、发芽指数、活力指数等活力指标)检测的新方法，并建立了PLSR定量模型[55]。Wang等(2020)基于自制的单粒种子装置，利用NIRS将正常种子与热损伤和人工老化的种子区分开来。热损伤种子的准确率达到100%，人工老化种子的准确率高于95%。综合模型对校准集和预测集的准确率分别为97.8%和97.3%，分别为[56]。2022年，Zhao等人应用NIRS和化学计量学测定了反射和透射模式下甜玉米种子的活力，发现透射模型优于反射模型[57]。

在HSI技术的应用方面[58-64]，Ambrose等人建立了一种PLS-DA方法来区分老化和正常的玉米种子。校准集和预测集的分类准确率分别为97.6%和95.6%，分别为[58]。2018年，Wakholi等人利用短波红外高光谱成像(1000-2500 nm)结合化学计量学方法(LDA、PLS-DA和SVM)对玉米种子活力进行了评价。结果表明，SVM模型与预处理方法相结合，准确率高达100%(图6)[60]。

2022年，Cui等人利用回归方法建立了高光谱特征与幼苗根长之间的预测关系。测定系数达到0.8319[63]。2022年，Zhao等人将高光谱成像与深度卷积神经网络相结合，预测糯玉米种子活力，准确率达到98.83%[62]。这些研究表明，NIRS和高光谱成像技术在检测玉米种子活力方面具有很大的潜力。在精度方面，不同的方法和模型各有优势。

3.3. 成分测定

玉米的主要成分包括水、蛋白质、淀粉和脂肪。含量高低直接影响产品价
格和市场定位。种子的内部化学成分含有对近红外光谱敏感的C-H、H-H、C-N等化学键。因此，许多学者建立了种子成分检测的模型。这些研究总结如表A3。从表中可以看出，大多数研究采用的光谱范围都在长波近红外范围内，因为这个波段范围更能反映样品的化学成分和内部信息。

3.3.1. 水分测定

水分是影响种子贮藏、运输和发芽的重要因素。通过水分检测，了解种子
的水分含量，为种子的储存和加工提供了依据。基于NIRS[65-67]和HSI[68-74]的水分检测也有一些研究。Fassio等(2009)利用NIRS预测高水分谷物玉米的营养价值，准确预测了干物质、酸性洗涤纤维和体外有机物消化率[65]。Wang等(2019)建立了灌浆期小样本玉米水分PLS监测模型。对于20个和50个样本，决定系数均高于0.99[66]。Zhang et al.(2020)采集种子胚侧和胚乳侧的高光谱图像，利用UVE提取特征波长。结果表明，从质心区域提取的平均光谱优于从整个种子区域提取的平均光谱，卷积平滑预处理的结果优于其他预处理方法[70]。Wang et al.(2020-2023)探讨了不同预处理和波段提取下单个玉米种子含水量检测的准确性算法。结果表明，长波高光谱成像技术与通用算法模型相结合，可以实现玉米种子含水量的无损稳定预测[69,71,74]。

3.3.2. 其他成分的测定

表A3显示，大多数研究都采用NIRS进行成分预测测定[75-80]。Fassio等(2015)采用NIRS法测定玉米种子含油量，测定系数为0.90%，交叉验证标准误差为0.17%，定性测定RPD为2.3[75]。Lyu et al.(2016)分析了玉米的粗蛋白质、水分和脂肪[76]。Emmanuel等(2022)利用NIRS进行育种选择，并建立了氨基酸检测的NIRS模型[77]。Xu等人(2023)构建了BiPLS-PCA-ELM模型，预测决定系数(R2p)分别为0.996、0.989、0.974和0.976;预测均方根误差分别为0.018、0.016、0.067和0.109;预测水分、油脂、蛋白质和淀粉的RPD值分别为15.704、9.741、6.330和6.236(图7)[80]。

Cataltas等人(2023)使用一维卷积自编码器和NIRS检测蛋白质、淀粉、油和水分[78]。Wu et al.(2023)提出使用A-CARS模型，结果表明该模型明显优于其他方法[79]。在HSI技术测定组分方面也进行了一些研究，Liu et al.(2020)利用HSI技术测定单个玉米种子中的淀粉含量，采用平滑和导数算法对光谱进行预处理，采用CARS方法选择特征波长。结果表明，基于Levenberg-Marquardt算法的ANN预测模型是淀粉含量测定的最佳模型。预测集的相关系数为0.96，均方根误差(RMSEP)为0.98[81]。Zhang等人(2022)将高光谱成像技术与深度学习算法(DCGAN、ACNNR和CNNR)相结合，预测了单个玉米籽粒的含油量。结果表明，注意机制有助于降低预测误差，使ACNNR表现最佳(预测决定系数= 0.9198)[82,83]。

3.4. 真菌毒素检测

玉米种子如果储存不当，可能会感染真菌毒素。如果不能在早期很好地检测出霉菌毒素，就会带来各种危害。一方面，黄曲霉毒素、玉米赤霉烯酮等真菌毒素严重危害人体健康和动物生长;通过食物链传播可导致肝损伤和生殖系统紊乱等问题。另一方面，毒素会降低玉米的品质和营养价值，影响其经济价值。霉菌毒素的严格限量标准要求进行检测，以避免贸易争端和经济损失。同时，检测有助于农民采取预防措施，保证农业的可持续发展。表A4总结了基于NIRS和HSI的玉米种子霉菌毒素检测研究。

从表A4可以看出，无论是使用NIRS[84-90]还是HSI技术[91-109]进行霉菌毒素检测，绝大多数研究都集中在AFB1检测上。Fernán-dez等(2009)利用NIRS技术对152份样品中的黄曲霉毒素B1含量进行了检测。以SNVD作为散点校正，得到玉米AFB1检测的最佳预测模型(r2 = 0.80和0.82;对于光栅和FT-NIRS仪器，SECV分别为0.211和0.200)[84]。Tallada等人利用近红外反射光谱和彩色成像技术检测AFB1。检测未感染和感染果仁的准确率分别为89%和79%[85]。Tao等人(2019)利用NIRS检测玉米粒表面的AFB1污染。结果表明，在I和II范围内，最好的三类模型的预测总体准确率均为98.6%。对于七类判别模型，在I和II范围内获得的最佳整体预测准确率分别为91.4%和97.1%[86]。后期有学者自主研制便携式近红外光谱仪，分析不同水平的AFB1或伏马菌素B1和B2[88,89]。Wang等人(2022)将NIRS与深度学习算法相结合，用于测定玉米中的AFB1。结果表明，与1D-CNN模型相比，2D-MTF-CNN模型的性能得到了显著提高[90]。

HSI技术用于玉米种子黄曲霉毒素检测的研究。Zhu等(2016)联合荧光和V/NIRHSI检测全粒玉米中的黄曲霉毒素。结果表明，LS-SVM模型的最佳整体预测精度(95.33%)在胚胎侧的阈值为100 ppb[92]。conceo等(2021)利用近红外高光谱图像结合PLS-DA快速鉴定了黄萎病镰刀菌(Fusarium verticillioides)和谷物镰刀菌(Fusarium graminearum)[93]。中国农业大学Wang团队于2014年至2023年在单个玉米籽粒中成功检测到AFB1[97-104]。在此期间，对不同的玉米品种、波长范围、预处理，特别是特征提取和建模算法进行了改进和应用。每项研究都表明，高光谱成像是检测单个玉米籽粒中AFB1的有效工具。Lu et al.(2022)将短波红外高光谱成像与同步傅里叶变换红外微光谱相结合，从宏观和微观角度研究了黄曲霉感染引起的受损玉米籽粒的化学和时空变化。对于三类样品，采用PLSR模型分别获得了令人满意的全光谱模型和多光谱模型。此外，SR-FTIR显微光谱和二维相关光谱相结合，揭示了玉米籽粒中营养流失和AFB1动态变化的可能顺序(图8)[106]。Wang等人(2023)使用荧光高光谱成像系统检测AFB1，并针对不平衡数据开发了欠采样叠加(USS)算法。结果表明，结合特征波长方差分析的USS方法性能最好，在20或50µg/kg的阈值下，使用胚乳侧光谱的准确度为0.98[108]。

3.5. 其他应用领域

除了上述种子质量检测外，在玉米种子的生产和应用过程中，还需要根据不同的应用场景，对冻害、硬度、成熟度等其他品质进行检测。表A5总结了基于NIRS和HSI的冻害、硬度和成熟度检测。

3.5.1. 冻伤检测

在寒冷地区或气候多变的季节，玉米种子容易遭受不同程度的霜冻损害，这会降低种子的发芽率、生长潜力和产量潜力。因此，对玉米种子进行冻害检测，可以帮助种子生产基地及时发现问题并进行处理，避免或减少损失。

Agelet等人(2012)尝试使用NIRS技术识别冻害玉米种子。结果表明，该技术不能有效区分霜害玉米种子，最高识别结果仅为63.4%[53]。Jia et al.(2016)也尝试在−19.2◦C的低温环境下，识别初始含水率为30%的冻损玉米种子。结果表明，该技术可实现对冻损种子的鉴定，最高平均准确率可达97%[110]。Zhang等人(2022)采集了不同冻害条件下玉米种子的近红外光谱数据，采用了不同的预处理、特征提取方法和建模方法。结果表明，在标准正态变换预处理结合主成分分析特征提取方法和k近邻模型的情况下，训练集和测试集的分类结果分别为99.4%和100%[111]。

Zhang等人(2019)先后使用VIS/NIR高光谱成像系统对不同程度的冻伤玉米种子进行了分类。比较了三种不同的预处理方法(MSC、SNV和5-3平滑)、三种波长选择算法(SPA、PCA和X-loading)和三种建模方法(PLS-DA、KNN和SVM)。结果表明，采用5-3平滑和SPA波长选择方法进行建模，可以提高模型的信噪比，分类准确率可达到90%以上[112]。2021年，学者研究了将高光谱成像(400-1000 nm)与DCNN相结合对不同冻害玉米种子进行分类的可行性。针对5类和4类情况，分别建立相关模型(KNN、SVM、ELM、DCNN)，并对评价指标(准确度、灵敏度、特异度、精密度)进行比较。结果表明，DCNN模型的准确率最令人满意(图9)[113]。

3.5.2. 硬度检测

Williams et al.(2009, 2016)利用近红外高光谱成像技术将玉米种子分为硬、中、软三种硬度类别。结果显示，基于像素分类的灵敏度和特异度分别为0.75和0.97;基于分数直方图的模型在硬粒样本分类上表现更好，灵敏度和特异度分别为0.93和0.97;而平均光谱模型对中等粒度的分类灵敏度和特异度分别为0.95和0.93[114,115]。Qiao等人(2022)采集了玉米种子的高光谱图像数据，通过连续投影算法提取特征波长，并通过PLSR方法建立了水分含量的预测模型。最后，将预测模型与硬度回归模型相结合，对硬度预测模型进行验证。结果表明，硬度预测的决定系数为0.912[116]。

3.5.3. 成熟度检测

Wang等人(2015)利用高光谱成像技术预测了玉米种子在不同贮藏时间的质地变化。使用OSC-SPA-PLSR模型可视化不同储存时间对玉米种子纹理特征的影响。结果表明，OSC-PLS全光谱范围模型在预测玉米种子结构特征方面的性能明显优于未经预处理的模型[117]。Huang et al.(2016)基于高光谱成像和模型更新实现了不同年份玉米种子的分类[118]。Wang et al.(2022)提取了胚侧、胚乳侧和两侧的平均光谱。利用支持向量机算法建立基于全谱的分类模型，利用PCA提取特征波长。使用全光谱分类模型的预测集准确率为100%[119]。Yang等人(2016)使用640 nm/525 nm波段比图像对高低成熟度的玉米种子样本进行分类识别，平均正确识别率为93.9%[120]。Wang等(2021)采集了不同成熟度的玉米种子胚侧和胚乳侧的高光谱图像。对胚胎侧光谱(T1)、胚乳侧光谱(T2)和双面融合光谱(T3)进行预处理，并用PCA筛选特征波长。结果表明，基于sg一阶导数预处理从T2光谱中提取12个特征波长建立的PLS-DA分类模型分类效果最好，平均分类准确率为100%。当将T1光谱输入模型时，其平均分类准确率为98.7%。结果证明了高光谱成像技术在快速准确分类玉米种子成熟度方面的潜力[121]。

4. 挑战与未来展望

4.1. 挑战

与传统检测方法相比，光谱学及其成像检测技术具有处理简单、速度快、无损等优点。尽管近红外光谱和恒指技术在许多领域显示出巨大的应用潜力，但它们也面临着一系列的挑战和问题。(1)环境因素的检测，如外界温度、湿度、光谱仪组件类型的差异等，会导致采集到的光谱数据存在差异。这直接影响到定标模型的准确性，因为光谱数据的兼容性较差，难以实现相互移植。(2)样本的选择对校准模型的可靠性和适应性有显著影响。如果样本选择代表性不够，或者浓度范围覆盖不广，样品颜色和状态的差异导致得到的近红外光谱差异较大，则会降低模型的适应性。(3)随着光谱成像技术的不断进步，所得数据的分辨率得到了提高，但同时也会引入大量的冗余信息，增加了计算压力。如何提取有用的特征波段和特征值，剔除不相关信息，成为亟待解决的问题。(4)对于为玉米检测建立的标定模型，其鲁棒性和传输性仍有待进一步提高。由于缺乏统一的行业规范，不同的仪器对不同品种的预测效果不明显，往往需要针对特定品种单独建模，阻碍了近红外光谱的规模化和产业化发展。

4.2. 未来展望

针对光谱成像技术在玉米检测中的发展现状及存在的各种问题，提出以下展望，以期进一步完善其应用。(1)在光谱仪生产行业中，需要制定统一的规范和通用标准，消除硬件和软件方面的跨仪器障碍，并为开发提供数据接口，增强模型的可移植性。(2)需要建立玉米光谱数据库，扩大建模样本的覆盖范围，提高玉米的预测范围和精度。(3)结合人工智能技术，通过深度机器学习，选择最优波段，无需人工筛选，自动滤除无关信息，建立最优模型，增强玉米品质检测模型的鲁棒性和连续性。(4)高光谱成像数据通常是冗余的，需要有效的算法提取特征波长进行降维。预计未来多光谱技术在农业中的应用将更为普遍，利用各种技术的特点，实现玉米品质的高质量检测。表5显示了以往调查和本文综述的贡献和差距的详细情况。

5. 结论

从以上研究可以看出，近红外光谱和恒指技术在玉米种子品质检测(品种纯度、活力、内部成分、霉菌毒素等指标(冻害、硬度检测、成熟度)方面取得了很大的进步。介绍了这两种技术的特点和原理，并对其组成、数据采集和处理方法以及可移植性进行了比较和讨论。在检测方法、光谱预处理方法和识别算法等方面都取得了突破和创新。强调了玉米品质特征的意义和应用算法的作用。最后，提出了光谱及其成像技术面临的挑战和未来的研究方向，旨在进一步提高检测技术的准确性、可靠性和实用性，为研究人员提供有价值的参考信息，为全球粮食安全和农业可持续发展做出贡献。

综上所述，随着光谱及其成像技术的快速发展，玉米品质的检测方法也在与时俱进。这不仅适用于玉米，越来越多的作物都可以通过这些技术进行准确检测。它将成为未来农业生产检验的重要手段。