这篇文档属于类型a，即报告了一项原创研究的学术论文。以下是对该研究的详细报告：
作者及研究机构
本研究的主要作者包括Zheli Wang、Wenqian Huang、Jiangbo Li、Sanqing Liu和Shuxiang Fan。他们分别来自中国农业大学信息与电气工程学院和北京市农林科学院智能装备研究中心。该研究发表于2023年6月21日的《Computers and Electronics in Agriculture》期刊，文章编号为107969。
学术背景
玉米是全球最重要的作物之一，其种子质量直接影响作物的生长和产量。种子中的蛋白质含量和虫害侵染是影响种子活力和生长的重要因素。传统的蛋白质检测方法（如凯氏定氮法）耗时且具有破坏性，而虫害检测则依赖于人工观察，效率低下且容易遗漏。因此，开发一种快速、无损的检测方法对于种子质量的评估至关重要。本研究旨在利用近红外光谱（NIR）技术和机器学习方法，实现在线检测玉米种子的蛋白质含量和虫害侵染情况。
研究流程
1. 样本准备
研究使用了来自中国甘肃省的“京科968”玉米种子。共选取了240粒种子，其中一半为健康种子，另一半为虫害侵染种子。此外，还选取了230粒无损伤的玉米种子用于蛋白质含量预测。样本被随机分为校准集和预测集，分别用于模型训练和验证。
光谱采集与预处理
研究设计了一种在线近红外光谱采集设备（光谱范围为900-1700 nm），用于采集玉米种子的光谱数据。设备由卤素灯、光谱仪和光电传感器等组成，采用动态白参考校正方法提高光谱质量。每个种子采集三次光谱数据，取平均值用于后续分析。光谱数据经过Savitzky-Golay平滑、移动平均、一阶导数、多元散射校正和标准正态变量变换等预处理方法。
特征波长选择
研究采用了竞争性自适应重加权采样（CARS）和连续投影算法（SPA）进行特征波长选择，以减少冗余数据并提取关键信息。CARS通过PLS回归系数评估波长的重要性，SPA则通过逐步添加波长来解决波长间的共线性问题。
模型建立与评估
研究使用支持向量机（SVM）、逻辑回归（LR）和偏最小二乘判别分析（PLS-DA）进行虫害侵染种子的分类，并使用偏最小二乘回归（PLS）和最小二乘支持向量机（LS-SVM）进行蛋白质含量的预测。模型性能通过准确率、召回率、均方根误差和预测偏差比等参数进行评估。
主要结果
1. 虫害侵染种子分类
使用CARS-SPA-LR模型，仅需7个特征波长即可实现虫害侵染种子的分类，准确率达到0.83。光谱预处理方法（如Savitzky-Golay平滑）显著提高了分类模型的性能。
蛋白质含量预测
使用CARS-SPA-LS-SVM模型，分别使用22和21个特征波长对蛋白质含量（GPC）和绝对蛋白质含量（ab_GPC）进行预测，预测均方根误差分别为3.38%和2.38 mg/粒，预测偏差比分别为2.08和2.11。结果表明，近红外在线采集系统能够有效用于玉米种子蛋白质含量的定性和定量分析。
发芽实验结果
发芽实验显示，健康种子的发芽率为0.82，而虫害侵染种子的发芽率仅为0.03。这一结果进一步验证了快速、无损检测虫害侵染种子的必要性。
结论
本研究成功开发了一种基于近红外光谱和机器学习的在线检测系统，能够快速、无损地评估玉米种子的蛋白质含量和虫害侵染情况。研究结果表明，该系统在种子质量检测中具有广泛的应用潜力，尤其是在种子筛选和农业生产的质量控制中。通过特征波长选择，模型的计算复杂度和运行效率得到了显著优化，为未来的在线检测设备开发提供了理论依据。
研究亮点
1. 创新性
本研究首次将在线近红外光谱技术应用于玉米种子虫害侵染的检测，填补了该领域的研究空白。
2. 高效性
通过特征波长选择，模型仅需少量特征波长即可实现高精度的分类和预测，显著提高了检测效率。
3. 实用性
研究成果可直接应用于种子生产和农业实践中，为种子质量的快速评估提供了技术支持。
其他有价值的内容
研究还指出了当前在线近红外采集设备的局限性，如对不同尺寸样本的适应性较差，光谱范围有待扩展等。未来的研究可以进一步优化设备设计，探索更多的建模方法，以提高系统的预测能力和适用范围。