本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進(jìn)行相關(guān)研究。

一、高光譜成像技術(shù)概述

高光譜成像技術(shù)是一種結(jié)合了光譜學(xué)和圖像學(xué)的技術(shù)，它可以通過對(duì)物體在不同波長范圍內(nèi)的光譜信息進(jìn)行采集和分析，實(shí)現(xiàn)對(duì)物體成分和性質(zhì)的準(zhǔn)確鑒別。高光譜成像技術(shù)具有高分辨率、高靈敏度、高速度等優(yōu)點(diǎn)，因此在農(nóng)業(yè)、環(huán)境監(jiān)測(cè)、食品檢測(cè)等領(lǐng)域具有廣泛的應(yīng)用前景。

二、高光譜成像技術(shù)在小麥籽粒品種鑒別中的應(yīng)用

1. 光譜采集方法

在小麥籽粒品種鑒別中，常用的光譜采集方法包括透射光譜法和反射光譜法。透射光譜法是通過將光線照射到樣品上，然后收集透過樣品的光線，分析其光譜特征。反射光譜法則是通過收集樣品表面反射的光線，分析其光譜特征。這兩種方法都可以實(shí)現(xiàn)對(duì)小麥籽粒品種的準(zhǔn)確鑒別。

2. 特征提取與分類算法

高光譜成像技術(shù)通過對(duì)小麥籽粒的光譜信息進(jìn)行分析，可以提取出反映品種差異的特征。這些特征可以包括光譜曲線、紋理等。然后，通過分類算法對(duì)這些特征進(jìn)行分類和識(shí)別，實(shí)現(xiàn)對(duì)小麥籽粒品種的準(zhǔn)確鑒別。常用的分類算法包括支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）等。

3. 實(shí)驗(yàn)結(jié)果與分析

通過大量的實(shí)驗(yàn)研究，高光譜成像技術(shù)在小麥籽粒品種鑒別方面已經(jīng)取得了顯著的成果。例如，研究人員可以通過高光譜成像技術(shù)實(shí)現(xiàn)對(duì)小麥籽粒的化學(xué)成分分析，進(jìn)而對(duì)其品種進(jìn)行分類和識(shí)別。此外，研究人員還可以通過對(duì)小麥籽粒表面的紋理進(jìn)行分析，實(shí)現(xiàn)對(duì)品種的準(zhǔn)確鑒別。

三、高光譜成像技術(shù)鑒別小麥籽粒品種的研究進(jìn)展

高光譜成像結(jié)合圖像（形態(tài)、紋理等特征）和光譜信息，可同時(shí)快速、無損檢測(cè)樣品的物理（顏色、大小、形狀和質(zhì)地等）和內(nèi)部組成成分的化學(xué)和分子信息（水分、脂肪、蛋白及其他氫鍵物質(zhì)），已廣泛用于水稻]、玉米、大豆的鑒別研究，在實(shí)現(xiàn)小麥籽粒品種快速無損鑒別方面具有可行的理論基礎(chǔ)。

近年來，國內(nèi)外已有基于高光譜成像技術(shù)對(duì)小麥品種鑒別方面的研究報(bào)道，但仍處于初步探索階段。

Mahesh等采集了加拿大西部種植的8個(gè)小麥品種籽粒的960~1700nm波長范圍的高光譜信息，比較不同比例的訓(xùn)練集、測(cè)試集和驗(yàn)證集的建模效果，研究發(fā)現(xiàn)，模型性能隨著訓(xùn)練集比例增大而提高。

董高等利用最小二乘-支持向量機(jī)（LS-SVM）和最小二乘判別（PLS-DA）算法對(duì)單粒小麥850~1700nm波長范圍的高光譜信息建立分類模型，實(shí)現(xiàn)了強(qiáng)筋、中筋、弱筋3個(gè)單籽粒小麥類型之間的分類。

丁秋等采集了10個(gè)品種共500個(gè)小麥籽粒388~1009nm波長范圍的高光譜圖像，運(yùn)用主成分分析法提取三個(gè)特征波長，提取特征波長下小麥籽粒圖像的形態(tài)特征和紋理特征，應(yīng)用貝葉斯（Bayes）判別分析法進(jìn)行建模，訓(xùn)練集和預(yù)測(cè)集的整體正確判別率分別為98%和100%。

張航等基于400-1000nm和900-1700nm波長范圍的高光譜信息建立了小麥品種的主成分分析-支持向量機(jī)（PCA-SVM）分類模型，結(jié)果發(fā)現(xiàn)900~1700nm波長范圍建模效果優(yōu)于400~1000nm，其中3個(gè)品種間種子分類正確率平均達(dá)到95%以上，4個(gè)品種間種子分類準(zhǔn)確率在80%左右，6個(gè)品種間種子分類準(zhǔn)確率在66%左右。

Bao等12]采集了5個(gè)小麥品種874~1734nm波長范圍的高光譜信息，采用變量標(biāo)準(zhǔn)化算法（SNV）、多元散射校正（MSC）和小波變換（WT）等進(jìn)行光譜預(yù)處理，應(yīng)用主成分分析（PCA）、連續(xù)投影法（SPA）和隨機(jī)森林（RF）提取特征波長，基于全波長和特征波長建立線性判別（LDA）、支持向量機(jī)（SVM）和極限學(xué)習(xí)機(jī)（ELM）分類模型。發(fā)現(xiàn)基于全波長的ELM模型性能最佳，訓(xùn)練集和預(yù)測(cè)集分別為91.3%和86.26%。

吳永清等利用高光譜成像技術(shù)采集小麥籽粒光譜和圖像信息，優(yōu)選不同部位光譜、預(yù)處理方法和特征波長提取方法；在此基礎(chǔ)上，建立基于光譜信息、形態(tài)特征信息、光譜和形態(tài)特征信息結(jié)合的分類模型，構(gòu)建小麥品種快速、無損、有效、穩(wěn)定的鑒別技術(shù)。研究發(fā)現(xiàn)：基于胚、胚乳和胚、胚乳部位混合光譜所建模型中，胚乳部位的建模效果最佳，其訓(xùn)練集和預(yù)測(cè)集的正確判別率分別為78.7%和79.3%。

目前高光譜成像技術(shù)應(yīng)用于小麥籽粒品種鑒別的模型正確判別率、穩(wěn)定性以及重現(xiàn)性等問題尚需要進(jìn)一步的研究和探討。