这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
主要作者与机构及发表信息
本研究由Zheli Wang、Shuxiang Fan、Ting An、Chi Zhang、Liping Chen和Wenqian Huang共同完成。Zheli Wang和Liping Chen来自中国农业大学信息与电气工程学院，其他作者来自北京市农林科学院智能装备研究中心。该研究于2024年2月7日在线发表在期刊Infrared Physics & Technology上，文章编号为105208。
学术背景
玉米（Zea mays L.）是全球最重要的粮食作物之一，广泛应用于食品、饲料、生物燃料等多个领域。玉米种子的发芽率和质量对农业生产至关重要，而虫害侵染的种子会显著降低发芽率，导致严重的经济损失。传统的虫害检测方法依赖于人工检查，耗时且准确性较低。近年来，无损检测技术如计算机视觉和近红外光谱（NIRS）技术在种子质量评估中得到了广泛应用，但这些方法在检测虫害种子时仍存在局限性。因此，本研究旨在利用高光谱成像技术（hyperspectral imaging）结合深度学习算法，开发一种快速、准确的虫害玉米种子分类方法。
研究流程
研究流程主要包括以下几个步骤：
样本准备与数据采集：
- 研究使用了京科968玉米种子，共240个样本，其中健康种子和虫害种子各占50%。168个样本用于模型校准，72个样本用于模型测试。
- 使用高光谱成像系统（波长范围930-2548 nm）采集玉米种子胚面的高光谱图像。采集时，每60个种子放置在一个黑色背景的采样板上，共进行四次采集。采集过程中，健康种子和虫害种子交替放置，以减少批次误差。
纹理特征提取：
- 由于高光谱图像数据量大，研究首先使用主成分分析（PCA）对高光谱图像进行降维，提取前三个主成分图像。
- 从降维后的图像中提取纹理特征，使用了三种方法：灰度共生矩阵（GLCM）、局部二值模式（LBP）和方向梯度直方图（HOG）。GLCM提取了6个纹理特征，LBP提取了10个特征，HOG提取了1728个特征。
数据降维与模型构建：
- 对提取的纹理数据进行线性（PCA）和非线性（t-SNE）降维，进一步减少数据维度。
- 将光谱数据与纹理数据结合，分别使用支持向量机（SVM）和1D-CNN-BiLSTM模型进行分类。1D-CNN-BiLSTM模型结合了一维卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM），能够有效处理多源数据。
模型优化与结果分析：
- 使用方差分析（ANOVA）确定最佳波段比（1160 nm / 1310 nm），并基于该波段比图像提取纹理特征，构建分类模型。
- 通过对比不同模型的分类性能，发现1D-CNN-BiLSTM模型在处理多源数据时表现优于SVM模型。特别是结合光谱数据与GLCM和LBP纹理特征时，模型表现最佳，F1分数和准确率均达到0.96。
主要结果
光谱分析：
- 研究发现，健康种子和虫害种子的光谱曲线在930-1866 nm范围内趋势相似，无法直接通过光谱值进行分类。这表明虫害主要导致物理损伤，而非化学成分变化。
发芽实验：
- 发芽实验结果显示，虫害种子无法正常发芽，而健康种子表现出正常的发芽率。进一步观察发现，虫害主要发生在种子胚部，而胚乳部分无明显损伤。
分类结果：
- 使用1D-CNN-BiLSTM模型结合光谱和纹理特征（S1 + LBP + GLCM）时，分类性能最佳，F1分数和准确率均为0.96。
- 基于波段比图像提取的纹理特征构建的GLCM + 1D-CNN-BiLSTM模型也表现出色，仅使用两个波段图像即可实现高精度分类。
结论
本研究成功开发了一种基于高光谱成像技术和深度学习算法的虫害玉米种子快速分类方法。通过结合光谱数据和纹理特征，1D-CNN-BiLSTM模型在处理多源数据时表现出色，显著提高了分类准确率。研究还通过ANOVA方法确定了最佳波段比（1160 nm / 1310 nm），进一步简化了模型复杂度。该方法为虫害种子的快速检测提供了新的技术手段，具有较高的科学和应用价值。
研究亮点
- 重要发现：1D-CNN-BiLSTM模型在处理多源数据时表现出色，特别是在结合光谱和纹理特征时，分类性能显著优于传统SVM模型。
- 方法创新：研究首次将1D-CNN-BiLSTM模型应用于高光谱数据的多源融合分类，展示了深度学习在农业无损检测中的潜力。
- 应用价值：该方法能够快速、准确地识别虫害玉米种子，减少了人工检查的时间和成本，具有广泛的应用前景。
其他有价值的内容
研究还探讨了不同纹理特征（GLCM、LBP、HOG）在分类中的表现，发现GLCM和LBP结合光谱数据时效果最佳，而HOG特征由于主要针对物体检测，在本研究中表现不佳。这一发现为未来类似研究提供了重要的参考。