这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是对该研究的详细报告：

一、研究作者与发表信息
该研究的主要作者包括He Li、Yun Hao、Weifeng Wu、Keling Tu、Yanan Xu、Han Zhang、Danyang Zhang、Mingliu Li、Riliang Gu和Qun Sun。他们分别来自中国农业大学农学与生物技术学院、农业农村部作物种子全程技术创新中心（北京）、北京作物遗传改良重点实验室、中国农业大学阿克苏联合研究院、扬州大学江苏省作物基因组学与分子育种重点实验室等机构。该研究发表在期刊《Computers and Electronics in Agriculture》上，于2025年12月29日在线发表。

二、学术背景
该研究的主要科学领域为农业工程与计算机视觉技术，特别是基于深度学习（deep learning）和透射光图像（transmitted light image）的玉米种子裂纹检测。玉米种子裂纹（cracks）和龟裂（turtle cracks）对种子存储能力和活力（vigor）有显著影响。传统的裂纹检测方法如光箱法（lightbox）、染色法（staining）和比色法（colorimetry）存在效率低、成本高、破坏性强等问题。因此，该研究旨在开发一种基于透射光图像和深度学习技术的快速、无损检测方法，以提高玉米种子裂纹检测的效率和准确性。

三、研究流程
研究分为以下几个主要步骤：
1. 种子活力与硬度测试
首先，研究人员对无裂纹、单裂纹、双裂纹和龟裂的玉米种子进行了活力（vigor）和硬度（hardness）测试。活力测试包括标准发芽试验（standard germination test）和人工老化发芽试验（artificial aging germination test），以评估不同裂纹类型对种子活力的影响。硬度测试则使用Mecmesin2.5硬度计进行，以分析裂纹对种子硬度的作用。
样本包括5个品种的玉米种子，每个品种分别测试了无裂纹、单裂纹、双裂纹和龟裂的种子，总样本量为2500粒。

1. 透射光图像采集
   研究人员使用透射光图像采集系统对玉米种子的胚（embryo）和胚乳（endosperm）表面进行扫描，获取不同裂纹类型种子的透射光图像。图像分辨率为640×480，保存为TIFF格式。
   样本包括1000粒无裂纹种子、1000粒龟裂种子以及各250粒单裂纹和双裂纹种子。

2. 图像预处理
   为了减少神经网络参数并避免复杂的特征工程，研究人员对透射光图像进行了预处理。首先使用OpenCV软件将原始图像裁剪为224×224分辨率的图像，确保种子位于图像中心。随后，将胚和胚乳表面的图像拼接为组合数据集（combined dataset），以全面反映种子的裂纹信息。

3. 离散小波变换（DWT）与深度学习模型构建
   为了增强裂纹特征，研究人员采用二维离散小波变换（Discrete Wavelet Transform, DWT）对图像进行处理。随后，提出了一种高效的残差双线性卷积神经网络（Efficient Res Bilinear Convolutional Neural Networks, ERBCNN）模型，并将其与经典深度学习算法（如EfficientNetB0、ResNet50和InceptionV3）进行了比较。
   模型的训练和测试在Windows 10操作系统下进行，使用Python 3.8和TensorFlow框架，学习率为0.001，批量大小为32。

4. 模型性能评估
   研究人员通过准确率（accuracy）、精确率（precision）、召回率（recall）和F1分数（F1 score）等指标评估了模型在不同数据集（胚表面、胚乳表面、混合数据集和组合数据集）上的性能。此外，还测试了模型在不同品种和成熟度种子上的泛化能力。

四、研究结果
1. 种子活力与硬度测试结果
人工老化后，龟裂种子的发芽率显著低于其他裂纹类型种子。龟裂种子的硬度和初始断裂力功（initial breaking force work）也显著低于无裂纹、单裂纹和双裂纹种子。这表明龟裂种子在加工过程中更容易受损。

1. 裂纹检测模型性能
   基于胚乳表面组合数据集的ERBCNN模型在裂纹检测中表现最佳，准确率达到98.1%。对于龟裂种子检测，基于胚乳表面组合数据集的ERBCNN模型准确率为89.3%，优于其他数据集和模型。

2. 跨品种和跨成熟度测试
   ERBCNN模型在不同品种和成熟度种子上的检测性能稳定，验证了其强大的泛化能力。例如，在品种“兴达5号”（Xingda 5）上的检测准确率达到92.0%，在成熟度“JK-3”上的检测准确率为91.0%。

五、结论与意义
该研究提出了一种基于透射光图像和DWT+ERBCNN模型的玉米种子裂纹检测方法，显著提高了裂纹和龟裂种子的检测准确率。该方法不仅具有较高的科学价值，还为玉米种子生产和加工过程中的质量控制提供了重要的技术支持。此外，ERBCNN模型的泛化能力使其能够广泛应用于不同品种和成熟度的种子检测，具有重要的应用前景。

六、研究亮点
1. 创新性方法：首次将DWT技术与ERBCNN模型结合，用于玉米种子裂纹检测，显著提高了检测准确率。
2. 高效性与无损性：该方法快速、无损，克服了传统检测方法的局限性。
3. 强大的泛化能力：模型在不同品种和成熟度种子上的检测性能稳定，验证了其广泛的适用性。

七、其他有价值的内容
该研究还探讨了不同数据集对检测性能的影响，发现胚乳表面组合数据集的效果优于单一表面数据集。此外，研究还验证了DWT技术在图像处理中的优势，为未来相关研究提供了重要参考。