基于光譜及成像技術的種子品質無損速測研究進展

王 冬, 王 坤, 吳靜珠*, 韓 平*

1. 北京農業質量標準與檢測技術研究中心, 北京 100097 2. 北京工商大學食品安全大數據技術北京市重點實驗室, 北京 100048 3. 農業農村部農產品質量安全風險評估實驗室(北京), 北京 100097

引 言

種子作為農業投入品，是農業生產過程的重要生產資料，其品質對農業經濟有著至關重要的影響。種子質量是種子品質分級的重要指標，關系到種子存儲過程的安全問題，并且可對種子等級劃分以及優劣判定進行定量描述。種子活力直接影響種子的發芽速度、出苗整齊度以及抵抗逆環境生長的能力，與植株的生長優勢和生產潛力密切相關； 而老化種子則是指種子活力的自然衰退，表現為種子變色、發芽率低、生長勢差、作物減產。種子的純度與真偽會直接影響作物產量和農產品品質，與農業生產實際利益息息相關。種子分類與溯源是保證種子純度與鑒別種子真偽的重要方法。

對種子品質的傳統檢測方法大多需要對種子進行破壞性分析，且檢測時間長、過程復雜，難以滿足現代農業對種子無損、快速生產的要求。隨著化學計量學的發展和計算機技術的進步，近年來近紅外光譜、高光譜成像等新型分析技術在無損檢測領域實現了諸多成功的應用。近紅外光譜技術具有無損、快速、高效等特點，可在不破壞樣品的情況下，快速完成光譜數據采集，真正做到無損、快速分析； 在數據模型的支持下，通過一次光譜數據掃描即可獲得多個指標的分析結果，分析效率較傳統方法明顯提高。高光譜成像技術是一種將光譜技術和成像技術相結合的新型分析技術，在提供光譜信息的同時還可以提供樣品的空間分布和圖像特征信息，在對樣品進行光譜信息采集的同時還可以實現樣品的圖像信息采集，從而為種子品質分析提供更多數據與信息。

本文圍繞近紅外光譜、高光譜成像等光學檢測技術，針對種子品質無損快速檢測，從種子質量評價、活力與老化檢測、純度與真偽鑒別、分類與溯源研究四個方面對近年文獻進行綜述，在此基礎上，對種子品質無損快速檢技術進行總結與展望。

1 種子質量評價

種子質量關系著種子的健康狀況，是種子等級劃分以及衡量種子優劣的定量指標。種子質量主要包含種子含水率、蛋白含量、脂肪酸含量、淀粉含量等。其中，水分含量關系著種子儲存過程的安全性。水分含量過高常會導致種子生蟲、發霉，造成嚴重損失。近年來，很多學者針對種子水分含量的無損快速檢測做了很多嘗試[1]，并取得了一定的進展。蘆兵[2]等采用高光譜技術對水稻種子含水量采用模擬退火算法-支持向量回歸建立了定量檢測模型，預測集測定系數為0.928 6。Zhang等[3]基于可見/近紅外光譜和近紅外高光譜成像技術實現對玉米種子水分含量的無損檢測，采用無信息變量消除算法提取特征波長，建立偏最小二乘回歸預測模型； 模型校正集、預測集相關系數分別為0.961和0.898，校正均方根誤差、預測均方根誤差分別為0.491%和1.315%?？翟颅偟萚4]采用近紅外光譜法對玉米、水稻種子的水分含量分別建立了校正模型，結果表明，玉米、水稻種子水分模型的多元相關系數分別為0.837 1和0.832 1。

在種子質量評價方面，近紅外光譜技術可以給出較好的解決方案； 而現有的關于高光譜成像技術在種子質量評價方面的報道多采用高光譜成像儀器采集種子樣品的高光譜成像數據，再從成像數據中提取光譜信息建立校正模型，不僅可以實現對單粒種子的質量評價，而且可以得到準確度較高的結果。

2 種子活力與老化檢測

種子活力(Vigor)是種子發芽和出苗率、幼苗生長的潛勢、植株抗逆能力和生產潛力的總和，是種子品質的重要指標。高活力種子具有明顯的生長優勢和生產潛力，是農產品豐收、增產的重要保障。在種子活力無損快速檢測領域，很多學者做了有意義的嘗試[19]，并取得了一定的研究進展。范雪婷等[20]采用透射方式采集單粒水稻種子的近紅外吸收光譜，以近紅外光譜數據為自變量，以種子活力(發芽率)為因變量建立定量校正模型，“日本晴”種子活力模型校正集測定系數R2=0.944 4，“9311”種子活力模型校正集測定系數R2=0.986 1。Wu等[21]采用近紅外光譜建立了小麥種子發芽率定量模型，校正集和預測集相關系數(r)分別為0.902和0.967。Chen等[22]采用850～1 700 nm波段范圍的近紅外高光譜成像系統收集高光譜圖像，檢測小麥的發芽程度。實驗分別在小麥發芽0，12，24和48 h進行。提取胚胎和胚乳的原始光強度，然后將其更改為反射率作分析。比較了不同部位，不同品種，不同發芽程度的小麥的圖像和光譜信息。結果表明，同一種子在萌芽12 h后，胚的反射率低于胚乳的反射率； 在所測波段范圍內，同一品種的小麥種子在12，24和48 h萌發時，反射率隨發芽時間的增加而增加，與其體內脂肪含量的變化有關。彭彥昆等[23]采用500～900 nm波段的高光譜圖譜融合技術提出了一種番茄種子圖像采集并辨識種子特征進而將種子分級的算法，通過標準發芽試驗得到種子活力結果，基于連續投影算法求得反映番茄種子活力的特征波長為： 535，577，595，654，684，713，744，768，809和840 nm； 在713 nm波長下的圖像特征對活力結果判斷分級正確率最高，校正集、驗證集的正確率分別為93.75%和90.48%。張婷婷等[24]采用400～1 000 nm波段的高光譜成像對單粒小麥種子生活力進行特征波段篩選，并建立判別模型。結果表明，采用無信息變量消除-競爭自適應重加權采樣-連續投影算法從全波段光譜的688個變量篩選出了8個關鍵變量： 473，492，811，875，880，947和969 nm，基于上述8個關鍵變量所建偏最小二乘判別分析模型效果最優，校正集和預測集的小麥種子生活力整體鑒別正確率分別為86.7%和85.1%，較全波段偏最小二乘判別分析模型分別提高了4.2%和2.1%； 校正集和預測集的活種子鑒別正確率分別為93.8%和84.4%。對模型進行優化篩選，種子發芽率的最終鑒別正確率達到93.1%。Maor Matzrafi等[25]基于423.6～878.9 nm波段的高光譜技術和數據分析，預測棕櫚果種子的發芽率，發芽種子和非發芽種子高光譜分類準確度分別為81.9%和76.4%。Ashabahebwa Ambrose等[26]采用傅里葉變換近紅外光譜和拉曼光譜評估玉米種子活力，使用傅里葉變換近紅外光譜儀在1 000～2 500 nm波長范圍內采集樣品近紅外光譜數據，并采集170～3 200 cm-1范圍的拉曼光譜數據。結果表明，兩種光譜在識別有活力種子和無活力種子方面的準確度均可接近100%，其中近紅外光譜建模結果優于拉曼光譜。

另一方面，種子活力的自然衰退過程稱為種子老化，這一過程在高溫、高濕條件下往往會加快，具體表現為種子變色、發芽率低、生長勢差、作物減產，不利于農業生產。在種子老化無損檢測方面，許多學者基于光譜及成像技術展開了探索。吳小芬等[27]采用874～1 734 nm的近紅外高光譜成像提取了兩種常見水稻種子未老化、老化48 h、老化72 h的光譜反射率，基于全波段光譜建立了支持向量機判別分析模型。結果表明，未老化種子與老化種子可以準確識別，而老化48 h和老化72 h種子之間無法準確識別，與基于種子活力參數的測量結果相符，不同水稻品質對老化的反映存在差異。李美凌等[28]對不同老化程度水稻種子，采用400～1 000 nm波段的高光譜成像結合主成分分析-支持向量機算法，研究比較了不同活力水平的水稻種子活力差異。通過主成分分析算法獲得主成分圖像并確定特征波段，用支持向量機算法建立水稻種子活力鑒別模型，預測判別率可達100%。Christian Nansen等[29]基于423.6～878.9 nm波段的高光譜成像數據研究了確定三種澳大利亞原生樹種AcaciacowleanaTate，BanksiaprionotesL.F.和Corymbiacalophylla的發芽能力的方法。在每個時間點對種子進行高光譜成像，以獲取單個種子的反射譜。采用正向線性判別分析算法選擇特征變量。在大約10～30 d的老化實驗中，發芽率從90%以上下降至20%以下。每個物種的P50值(50%萌發)為19.3(A.coleana)，7.0(B.prionotes)和22.9(C.calophylla)。楊小玲等(請參閱本刊36卷12期4028頁)采用400～1 000 nm波段的高光譜成像研究成熟與未成熟玉米種子的鑒別方法，通過圖像處理對種子進行分類。研究表明，采用主成分分析算法對高光譜圖像數據進行分解，其中第二主成分圖像差異最明顯； 采用640 nm/525 nm的波段比成像可減輕玉米種子冠部淺色部分誤識別為種子成熟度較低的不利影響，平均正確識別率93.9%。

綜上可見，采用近紅外光譜及高光譜成像技術對種子活力進行檢測，可為種子質量篩查提供有效的技術手段，結合化學計量學算法，可建立準確度較高的校正模型，有效提高了對種子活力與老化的識別正確率，從而可以有效提高種子質量，進而對促進農業生產起到積極作用。

3 種子純度與真偽鑒別

種子純度與真偽鑒別是品種選育、品種檢驗以及農業生產的重要環節，種子的真偽直接影響到種子的儲藏、銷售、育種、生產等各個方面，直接影響作物產量和農產品品質。種子純度鑒定是提高作物產量和質量的重要措施。種子純度鑒定技術的研究是全國種子檢驗工作的重點和難點之一，也是種子管理過程中必須要及時解決的問題[30]。種子的純度與真偽鑒別已成為國內外研究的熱點。隨著光譜技術和計算機圖像處理技術的發展，近年來，機器視覺技術以及近紅外光譜技術在種子純度與真偽鑒別方面得到了較為廣泛和深入的研究和應用[31]，也取得了較好的成果。

王麗萍等[32]采用近紅外光譜技術對油菜雜交種子建立純度定量預測模型，向油菜雜交種子中加入非雜交的母本或父本種子構成校正集樣品，建立定量校正模型，校正集測定系數R2=0.980 0。徐涿頻等[33]采用近紅漫反射光譜結合判別式偏最小二乘分類篩選法，對單粒水稻種子“新兩優6號”與其父本、母本和其他假種子進行了區分，所建模型的靈敏度Sn、命中率Pr和馬修斯相關系數Mcc分別為97.92%，97.58%和95.51%。冉航等[36]用4個短波近紅外波段(820，910，1 000和1 090 nm)的透射光譜和4個中波近紅外波段(1 150，1 250，1 350和1 450 nm)的反射光譜獲取種子光譜圖像并提取紋理特征來鑒定玉米雜交種純度。結果表明，透射和反射模型對5個玉米品種平均正確鑒別率均在85%以上。Timothy Wilkes等[35]通過400～1 000 nm波段的多光譜成像和高光譜成像快速區分硬質小麥和摻假普通小麥品種，并以較低的誤差和良好的可重復性估算出摻假百分比。3%摻假樣本的分析顯示出較小的正偏差(樣本估計為3.65%，95%±1.41%)，相關的變異系數(CV)為15.50%。

從以上內容可見，采用近紅外光譜及高光譜成像等技術對種子純度與真偽進行識別可以建立準確度較高的校正模型； 在現有文獻報道中，可以使用較少的波段而非全波段光譜數據實現上述功能，這意味著可以大幅減少計算量，從而可為降低儀器成本、提高儀器工作效率提供理論基礎與技術支持。

4 種子分類與溯源研究

種子是農業的根本，被譽為“農業的芯片”。對種子進行分類與溯源研究是種子監管過程的重要措施，是保障種子安全的有效技術手段。種子分類與溯源則是保證種子純度與鑒別種子真偽的重要方法。在種子分類與溯源研究方面，很多學者做了有意義的嘗試。

鄭田甜(請參閱本刊35卷3期622頁)采用600～1 100 nm波段的可見-近紅外反射光譜對3種代表性花生進行分類識別，結果表明，馬氏距離判別分析模型對花生種子預測集判別準確率達到95%。進而建立了花生種子脂肪含量分析模型，小波分析結合主成分回歸模型的預測偏差小于0.25，相對誤差范圍0.03%～1.03%。錢麗麗等[36]采用4 000～12 000 cm-1波段范圍的近紅外光譜對2013年至2015年來自建三江地區及五常地區的291份大米進行產地溯源研究，研究發現，不同地區來源的樣品在波段5 136～5 501 cm-1處均有顯著差異，說明不同地區樣品的近紅外光譜存在顯著性差異； 采用因子化法建立的定性分析模型及聚類分析模型對建三江大米及五常大米的正確判別率均高于97.00%； 利用偏最小二乘法建立的定量分析模對兩地區大米的正確判別率分別為95.83%和94.00%。進一步地，錢麗麗等[37]采用5 000～5 500和7 000～7 500 cm-1波段范圍的近紅外光譜結合聚類分析和偏最小二乘算法對黑龍江省3個水稻主產區的地理標志大米進行產地溯源研究，結果表明，用聚類分析建立的模型對建三江、五常地域預測正確率為100%，響水地域預測正確率為95.83%； 五常、響水地域判別正確率為100%，建三江地域判別正確率為95.83%。采用偏最小二乘算法建立定量分析模型對建三江、五常、響水三個地域的預測正確率分別為95.83%，100%和95.83%。宋雪健等[38]應用近紅外漫反射光譜結合化學計量學對不同狀態下的小米進行產地溯源研究，在12 000～4 000 cm-1范圍內采用因子化法建立的定性分析模型和在特征波段(9 400.9～5 447.7和4 600.6～4 249.8 cm-1)范圍內采用偏最小二乘法(PLS)建立的定量分析模型，對肇源、肇州兩個小米主產區的小米籽粒和小米粉末的正確鑒別率均在90%以上，其中小米粉模型正確預測率要高于小米籽粒模型。此外，宋雪健等[39]采用近紅外漫反射光譜技術結合偏最小二乘法，對齊齊哈爾、佳木斯、五常地區的水稻樣品建立產地判別模型，在7 501.3～5 447.7和4 600.6～4 249.8 cm-1波數范圍內結合矢量歸一化預處理方式建立稻谷樣品判別模型，對3個地區樣品的正確判別率分別為82.35%，88.23%和70.58%； 在波數7 501.3～4 597.8 cm-1范圍內結合最小-最大歸一化預處理方式建立大米粉樣品判別模型，對三個地區樣品的正確判別率分別為88.23%，94.12%和88.23%。周子立等[40]采用400～1 000 nm的近紅外光譜結合BP神經網絡建立大米品種鑒別模型，對150個建模樣本的擬合殘差為9.863×10-6，識別率達到100%。Kong等[41]采用1 039～1 612 nm波段范圍的近紅外光譜結合多變量數據分析技術研究了水稻種子品種鑒定方法，比較了偏最小二乘判別分析、簇類獨立軟模式、K最近鄰算法、支持向量機、隨機森林五種機器學習算法，結果表明，偏最小二乘判別分析和K最近鄰算法模型的分類精度均超過80%，簇類獨立軟模式、支持向量機、隨機森林算法模型的分類精度均達到100%； 通過PLS-DA模型的加權回歸系數選擇了12個優化波長，基于12個優化波長建立的K最近鄰算法、支持向量機、隨機森林模型的正確率均超過80%。Francisco J Rodríguez-Pulido等[42]采用914～1 715 nm波段范圍的近紅外高光譜成像對兩種土壤中的兩個紅葡萄品種(Tempranillo和Syrah)和一個白色品種(Zalema)進行分類，使用偏最小二乘回歸預測模型和主成分分析和一般判別分析，其測定系數高于0.95。張航等[43]采集了7個品種小麥種子高光譜圖像及900～1 700 nm范圍的光譜信息，建立了主成分分析-支持向量機分類模型。結果顯示，3個品種間種子分類準確率平均達到95%以上； 4個品種間種子分類準確率平均達到80%左右； 6個小麥品種種子的分類準確率僅66%左右。劉小丹等[44]采用近紅外高光譜成像技術，在波段874～1 734 nm，采集雜交水稻種子高光譜圖像，采用PCA初步探究了3類樣本的可分性。采用連續投影算法提取7個特征波長985.08，1 106.00，1 203.55，1 399.04，1 463.19，1 601.81和1 645.82 nm，基于特征波長建立偏最小二乘判別分析和支持向量機模型，正確識別率達到90%以上，其中支持向量機模型效果優于偏最小二乘判別分析模型，而全譜判別模型結果優于特征波長判別模型。Gao等[45]采用1 400～1 600 nm波段的高光譜成像技術研究了小麥種子在貯藏過程中的特征變化。收集從2007年到2012年的小麥籽粒的高光譜成像數據，采用主成分分析分析了包括6年在內的小麥籽粒的光譜數據，用簇類獨立軟模式算法對不同年份的糧食進行分類，結果表明，相鄰年份之間二分法的分類精度達到97.05%，六年混合分類的精度達到82.50%。張初等[46]采用874～1 734 nm波長范圍的近紅外高光譜圖像，通過提取西瓜種子的光譜反射率，結合平滑算法，經驗模態分解算法和小波分析對提取出的光譜數據進行去除噪聲處理，采用連續投影算法和遺傳偏最小二乘法選擇特征波段范圍為1 042～1 646 nm； 基于全波段光譜建立了偏最小二乘判別分析，基于特征波長建立了反向傳播神經網絡判別模型和極限學習機判別模型，建模集和預測集識別正確率均達到100%。Gao[47]等采用874～1 734 nm波段的近紅外高光譜成像技術研究來自中國四個不同地理來源(江蘇省、四川省、海南省、臺灣省)的240個麻風樹種子樣品，然后分別通過光譜和圖像處理對獲得的數據集進行分析。連續投影算法用于選擇有效波長； 通過主成分分析縮小關注區域圖像尺寸； 建立了最小二乘支持向量機分類模型，樣本預測正確識別率為93.75%。Qiu[48]等使用高光譜成像識別水稻種子品種，獲得了兩個不同光譜范圍(380～1 030和874～1 734 nm)的4個水稻種子品種的高光譜圖像。提取了441～948和975～1 646 nm范圍內的光譜數據，使用不同數量的訓練樣本構建了K鄰近、支持向量機和卷積神經網絡模型； 實驗結果表明，用較長波長的反射率值構建的模型比用較短波長的反射率值構建的模型效果更好。Zhao[49]等將高光譜成像系統用于玉米種子的品種分類，共評估了12 900粒玉米種子，包括3個不同的品種，提取了975.01～1 645.82 nm的光譜數據； 建立了使用徑向基函數的神經網絡判別模型，通過加載主成分進行最佳波長選擇，校正、預測準確度分別為93.85%和91.00%。Zhu[50]等使用波段范圍975～1 650 nm的近紅外高光譜成像對七種棉籽進行分類，通過像素主成分分析形成的得分圖像顯示，不同棉籽品種之間存在差異； 根據主成分分析的載荷數據選擇有效波長，使用自設計卷積神經網絡和殘差網絡提取深層特征，建立偏最小二乘判別分析、邏輯回歸和支持向量機模型，驗證和預測的分類準確度均超過80%。Zhao等[51]采集了三種葡萄籽在874～1 734 nm波段范圍內的高光譜圖像，通過小波變換逐像素對光譜進行預處理，并提取每個葡萄種子的光譜； 對高光譜圖像進行主成分分析，使用六個主成分的圖像定性識別不同品種； 采用支持向量機建立判別模型，校正、預測的準確度分別為94.3%和88.7%。Feng等[52]使用波段范圍874.41～1 733.91 nm的近紅外高光譜成像從兩個品種(huaidao-1和nanjing46)中識別CRISPR/Cas9誘導的水稻突變體； 采用主成分分析對高光譜成像數據進行分解，并結合支持向量機和極限學習機建立分類判別模型； 進一步地，采用主成分分析結合連續投影算法篩選光譜波長； 結果表明，對于huaidao-1，校準集、預測集的分類準確率分別為93.00%和92.75%，對于nanjing46，校正集、預測集的分類準確率分別為91.25%和89.50%。此外，Feng等[53]采用874.41～1 733.91 nm波段的近紅外高光譜成像結合化學計量學數據對包含cry1Ab/cry2Aj-G10evo蛋白及其非轉基因(GM)親本的GM玉米籽粒進行分類，采用偏最小二乘判別分析建立判別模型，校正和預測準確度均接近100%。Yang等[54]采用924～1 657 nm波段的高光譜成像對玉米進行分類研究。對14個品種的1120個玉米種子的高光譜圖像，基于無監督關鍵偏度波長選擇算法選擇19個關鍵波長，變量數占全波長的8.68%，基于最小二乘支持向量機建立多模型策略用于品種識別； 結果表明，用于全波長數據的多模型對測試集的分類準確度達到98.18%，高于單模型的96.36%； 當使用由無監督關鍵偏度波長選擇算法所選的19個關鍵波長時，分類精度為96.57%。Yang等[55]基于從430～980 nm波段的可見和近紅外高光譜圖像中提取光譜、組合形態和外觀特征，建立了用于玉米種子品種分類的方法； 使用連續投影算法構建了光譜特征向量，從每個玉米粒中提取形態特征——面積，圓度，縱橫比，實心度和紋理特征——能量，對比度，相關性，熵及其標準偏差作為外觀特征，采用支持向量機和偏最小二乘判別分析算法建立分類模型； 與偏最小二乘判別分析模型相比，支持向量機模型的識別準確率更高，胚側和背側識別準確率分別為98.2%和96.3%。Zhang等[56]用380～1 030 nm波段的可見光-短波近紅外區域高光譜成像區分玉米種子的不同品種，獲取了六種玉米種子共330個樣品的高光譜圖像； 使用主成分分析和核主成分分析來探索光譜數據的內部結構，選擇三個關鍵波長——523，579和863 nm，根據最佳波長從每個單波長圖像的灰度共生矩陣中提取四個紋理變量，包括對比度、均勻性、能量和相關性，最后通過最小二乘支持向量機和反向傳播神經網絡，使用主成分、核主成分和質地特征相結合，建立了玉米種子識別模型，準確度為98.89%。Huang等[57]基于400～1 000 nm波段的高光譜成像研究玉米種子分類方法。使用連續投影算法選擇用于玉米種子品種分類的最佳波長，選擇特征區域，然后引入主成分分析和多維縮放以變換/減少分類特征； 建立最小二乘支持向量機模型，模型準確度達到90%以上，優于使用原始光譜和圖像特征模型的83.68%，而僅使用光譜特征模型的準確度僅為76.18%。Wang等[58]將在400～1 000 nm波長范圍內提取的光譜信息與機器學習結合，對10個大豆品種進行分類。對原始數據進行預處理之后，進行主成分分析，從主成分分析選擇的三個特征圖像中提取出紋理特征參數； 對比了簇類獨立軟模式、偏最小二乘判別分析、遺傳神經網絡和Takagi-Sugeno模糊神經網絡，訓練集平均準確度高于96%，預測集平均準確度高于84%，其中遺傳神經網絡模型的預測準確度最高，達到92%。Huang等[59]使用400～1 000 nm波段的高光譜成像建立玉米種子分類方法，共評估了2 000粒種子，包括不同年份的四個玉米種子品種； 使用最小二乘支持向量機建立了基于種子平均光譜特征的分類模型，并使用增量支持向量數據描述，以實現模型的在線更新，分類準確率達到94.4%，比未更新模型高10.3%。He等[60]采用400～1 000 nm波段的高光譜成像建立玉米種子分類模型，基于最小二乘支持向量機分類器將三個不同年份種植的四個典型玉米品種的2 000個種子進行分類。模型總體正確率達到98.3%。Wang等[61]采用400～1 000 nm波段的可見/近紅外高光譜成像確定玉米種子的地理起源和年份。分別從包含兩個玉米的高光譜圖像的三個區域——胚芽，胚乳和整個玉米籽粒提取光譜特征； 主成分分析顯示不同玉米種子存在差異； 將偏最小二乘判別分析用于三個不同區域的光譜特征，以識別玉米種子的起源和年份最高準確度達到99.19%，驗證組準確度達到98.44%。

在種子分類與溯源研究方面，近紅外光譜技術可在一定程度上提供解決方案，而高光譜圖像技術的介入則可提供更多的形態學數據信息，并且可以針對單粒種子進行形態學分析，因此可在一定程度上提高分類、溯源的準確度。然而，光譜學和形態學數據的融合方法仍有待繼續研究。

5 結 論

種子品質對于保障農業生產具有至關重要的作用。對種子品質進行無損快速檢測不僅是現代農業生產的需要，而且是農產品豐收、增產的重要保障，同時對保證農產品數量安全具有重要意義。調研文獻可知，近紅外光譜技術在種子質量評價方面的應用很多。近紅外光譜技術具有快速、無損、高效等優點，因此在種子內部化學物質含量的檢測中可發揮強大的優勢。然而，由于近紅外光的穿透性有限，對厚度較大的種子的穿透性仍存在一定的局限； 當種子內部品質變化引起種子表層組織化學性質改變時，采用近紅外漫反射光譜對種子品質進行檢測可取得較好的效果。拉曼光譜技術近年來也在種子品質檢測方面有所應用，然而實驗過程中的熒光干擾仍是困擾拉曼光譜技術應用的難題。近紅外高光譜成像技術不僅可以提供樣品的光譜信息，而且還可以提供樣品的空間分布信息和圖像特征。近紅外高光譜成像技術按光譜波段大致可分為近紅外高光譜成像技術和可見-短波近紅外高光譜成像技術； 其中，近紅外高光譜成像技術所提供的光譜信息的可解釋性較強，而可見-短波近紅外高光譜成像所攜帶的光譜信息相對而言其可解釋性較弱。由此可見，不同波段的高光譜成像側重點不同，近紅外高光譜成像更側重于樣品的近紅外光譜信息，而可見-短波近紅外高光譜成像則更側重于樣品的形態學信息。因此，在種子活力與老化、純度與真偽、分類與溯源方面，高光譜成像技術則體現出更為明顯的優勢。然而，光譜數據和形態學數據的融合仍是本領域的一個難點，采用何種融合方式以及融合數據的篩選將成為今后的研究重點。