本文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
本研究由He Li, Yun Hao, Weifeng Wu, Keling Tu, Yanan Xu, Han Zhang, Yilin Mao, Qun Sun等作者共同完成。主要研究机构包括中国农业大学农学与生物技术学院、扬州大学江苏省作物基因组学与分子育种重点实验室、青岛农业大学园艺学院等。该研究于2024年5月6日在线发表在Microchemical Journal期刊上，文章编号为110698。
本研究的主要科学领域为作物种子质量检测与深度学习。玉米种子在储存和发芽过程中，裂纹会显著影响其活力和发芽率。裂纹主要分为单裂纹、双裂纹和龟裂纹（turtle cracks），其中龟裂纹对种子活力的影响最为严重。传统的裂纹检测方法（如光箱法、染色法和比色法）效率低且成本高。因此，本研究提出了一种基于反射光和透射光图像结合深度学习的方法，用于快速检测玉米种子中的龟裂纹。研究的目标是优化种子加工过程，提高种子质量。
研究流程包括以下几个主要步骤：
研究采集了2000粒不同裂纹程度的玉米种子的反射光和透射光图像。这些图像分别从种子的胚芽表面和胚乳表面获取。透射光图像采集系统包括显微镜和光源板，反射光图像则通过平板扫描仪获取。所有图像均经过预处理，包括平滑、边缘检测等操作，以确保图像质量。
通过Halcon 12软件和AISeed软件，研究人员从图像中提取了种子的尺寸、颜色和纹理等物理特征。具体指标包括长度、宽度、长宽比、面积、周长、圆度、紧密度、RGB均值、Lab均值、HSV均值、对比度、同质性、能量、相关性等。总共提取了35个透射光图像特征和47个反射光图像特征。
研究提出了一种基于自注意力模块的卷积神经网络支持向量网络（SACNSVN）模型，用于检测龟裂纹种子。该模型结合了卷积神经网络（CNN）和支持向量机（SVM）的优势，能够更好地处理高维数据。研究还比较了其他几种机器学习模型，包括长短期记忆网络（LSTM）、多层感知机（MLP）、二元逻辑回归（BLR）和支持向量机（SVM）。模型的训练和测试采用了5折交叉验证方法。
研究通过准确率、精确率、召回率、F1分数和ROC曲线下面积（AUC）等指标评估了模型的性能。结果表明，基于透射光图像的SACNSVN模型在龟裂纹检测中表现最优，准确率达到82.6%。
研究还探讨了不同品种和成熟度对龟裂纹检测结果的影响。结果表明，品种对检测结果有显著影响，而成熟度的影响较小。SACNSVN模型在不同品种和成熟度的种子中表现出较强的泛化能力。
透射光图像在裂纹和龟裂纹检测中表现优于反射光图像。透射光图像中有62个物理指标与裂纹显著相关，58个指标与龟裂纹显著相关，而反射光图像中分别只有58个和43个指标显著相关。
基于胚芽和胚乳表面组合数据集的模型表现最佳，准确率达到82.6%。相比之下，基于胚芽表面、胚乳表面以及胚芽胚乳混合数据集的模型准确率分别为76.2%、79.4%和76.7%。
SACNSVN模型在龟裂纹检测中表现最优，准确率为82.6%，显著优于其他模型（如MLP、BLR、SVM等）。该模型在检测龟裂纹时表现出较高的精确率和召回率，表明其在实际应用中具有较高的可靠性。
不同品种的玉米种子在龟裂纹检测中的表现差异较大，其中中玉303和兴达5号的检测准确率分别为78.0%和73.0%，而伟科702和农大327的检测准确率较低，分别为64.0%和65.0%。成熟度对检测结果的影响较小，模型在不同成熟度的种子中保持了较高的检测准确率（72%-84%）。
本研究提出了一种基于透射光和反射光图像结合深度学习的玉米种子龟裂纹检测方法。透射光图像在裂纹检测中表现优于反射光图像，基于胚芽和胚乳表面组合数据集的SACNSVN模型在龟裂纹检测中表现最优，准确率达到82.6%。品种对检测结果有显著影响，而成熟度的影响较小。该研究为优化种子加工过程、提高种子质量提供了重要的技术支持。
研究还探讨了不同图像采集方式对种子表观指标的影响，发现胚乳表面的物理特征与裂纹的相关性更高。这一发现为未来优化种子裂纹检测模型提供了新的思路。此外，研究还指出，未来可以进一步探索侧面成像和不同颜色种子对检测结果的影响，以进一步提高模型的适用性和准确性。
本研究为玉米种子龟裂纹的快速检测提供了一种高效、低成本的方法，具有重要的科学意义和应用价值。