本研究的主要作者包括Han Zhang、Kai Kang、Cheng Wang、Qun Sun和Bin Luo。研究由北京农业与林业科学院智能装备研究中心（Intelligent Equipment Research Center, Beijing Academy of Agriculture and Forestry Sciences）和中国农业大学农学与生物技术学院种子科学与生物技术系（Department of Seed Science & Biotechnology, College of Agronomy and Biotechnology, China Agricultural University）共同完成。该研究于2024年10月8日发表在《Journal of Food Composition and Analysis》期刊上。
小麦作为全球主要粮食作物，其产量和稳定性对缓解粮食短缺问题至关重要。种子活力（seed vigor）是种子质量的关键参数，直接影响种子的出苗率和作物产量。然而，传统的种子活力检测方法（如发芽测试）耗时长、依赖人工操作，且难以实现一致性。因此，开发快速、准确的种子活力检测技术具有重要意义。
近年来，光谱技术（spectroscopic techniques）被广泛应用于种子活力的快速评估。然而，现有研究主要集中在单一品种的种子活力检测，缺乏对多品种种子通用检测方法的探索。本研究旨在通过自荧光光谱（autofluorescence spectroscopy）和反射光谱（reflectance spectroscopy）技术，结合集成学习（ensemble learning）方法，开发一种能够跨品种检测小麦种子活力的模型。
本研究包括以下几个主要步骤：
研究使用了9个不同品种的小麦种子，包括京农16（J16）、京农17（J17）、京农18（J18）、京农1952（J1952）、京农1974（J1974）、济麦22（J22）、BS279、BS1453和徐州476（XZ476）。其中，J16、J17、J18、J1952和J1974经过人工加速老化处理（artificial accelerated aging），其余品种作为自然老化样本用于模型验证。
使用VideometerLab4™仪器采集了19个反射光谱波段和25个激发/发射组合的自荧光光谱数据。每个处理组和对照组的100粒种子被放置在黑色采集板上进行光谱成像。
通过发芽实验评估种子活力。种子在20℃、80%相对湿度的条件下培养8天，记录发芽率（germination percentage, GP）和平均幼苗长度，计算简单活力指数（simple vigor index）。
通过皮尔逊相关分析（Pearson correlation analysis）筛选与发芽率显著相关的光谱特征，并利用决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和基于子空间的集成学习（Subspace-based Ensemble Learning, SEL）方法构建种子活力检测模型。
研究通过交叉验证和模型更新策略，评估了模型在跨品种检测中的表现。最终，模型在跨品种检测中的准确率达到了87.5%以上，群体检测的平均准确率为93.9%。
研究结果表明，通过集成学习方法结合反射光谱和自荧光光谱数据，能够有效提高跨品种种子活力检测的准确性。具体结果如下： - 光谱特征分析：筛选出26个与种子发芽率显著相关的光谱特征，其中9个反射光谱特征和17个自荧光光谱特征。 - 模型性能：基于SEL的混合光谱数据模型在跨品种检测中表现最佳，准确率超过87.5%。 - 群体检测：采用单粒投票法（single-grain voting method）进行群体检测，平均准确率达到93.9%。
本研究通过多光谱成像技术和集成学习方法，成功开发了一种能够跨品种检测小麦种子活力的模型。该模型不仅提高了种子活力检测的准确性，还为种子质量评估提供了一种快速、无损的检测方法。研究结果表明，集成学习方法能够有效融合反射光谱和自荧光光谱数据，提升模型的泛化能力和鲁棒性。
研究还探讨了人工加速老化与自然老化种子之间的光谱差异，指出未来研究应进一步扩大样本类型，优化模型以提高对自然老化种子的检测能力。此外，深度学习算法在农业产品检测中的应用也为未来的研究方向提供了新的思路。
本研究得到了中国国家重点研发计划（2023YFD200045）和北京农业与林业科学院（QNJJ202104）的资助。作者声明无利益冲突。
通过本研究，科研人员能够更好地理解种子老化过程中的光谱变化规律，并为种子活力检测技术的实际应用提供了新的工具和方法。