小麥?zhǔn)侵匾募Z食作物之一，小麥品種鑒別在作物育種、市場(chǎng)流通、糧食加工等領(lǐng)域均具有十分重要的意義。高光譜技術(shù)的出現(xiàn)為小麥品種研究提供了無損檢測(cè)工具，本文簡(jiǎn)單介紹了高光譜成像技術(shù)鑒別小麥籽粒品種的研究進(jìn)展。

高光譜成像結(jié)合圖像（形態(tài)、紋理等特征）和光譜信息，可同時(shí)快速、無損檢測(cè)樣品的物理（顏色、大小、形狀和質(zhì)地等）和內(nèi)部組成成分的化學(xué)和分子信息（水分、脂肪、蛋白及其他氫鍵物質(zhì)），已廣泛用于水稻]、玉米、大豆的鑒別研究，在實(shí)現(xiàn)小麥籽粒品種快速無損鑒別方面具有可行的理論基礎(chǔ)。

近年來，國(guó)內(nèi)外已有基于高光譜成像技術(shù)對(duì)小麥品種鑒別方面的研究報(bào)道，但仍處于初步探索階段。

Mahesh等采集了加拿大西部種植的8個(gè)小麥品種籽粒的960~1700nm波長(zhǎng)范圍的高光譜信息，比較不同比例的訓(xùn)練集、測(cè)試集和驗(yàn)證集的建模效果，研究發(fā)現(xiàn)，模型性能隨著訓(xùn)練集比例增大而提高。

董高等利用最小二乘-支持向量機(jī)（LS-SVM）和最小二乘判別（PLS-DA）算法對(duì)單粒小麥850~1700nm波長(zhǎng)范圍的高光譜信息建立分類模型，實(shí)現(xiàn)了強(qiáng)筋、中筋、弱筋3個(gè)單籽粒小麥類型之間的分類。

丁秋等采集了10個(gè)品種共500個(gè)小麥籽粒388~1009nm波長(zhǎng)范圍的高光譜圖像，運(yùn)用主成分分析法提取三個(gè)特征波長(zhǎng)，提取特征波長(zhǎng)下小麥籽粒圖像的形態(tài)特征和紋理特征，應(yīng)用貝葉斯（Bayes）判別分析法進(jìn)行建模，訓(xùn)練集和預(yù)測(cè)集的整體正確判別率分別為98%和100%。

張航等基于400-1000nm和900-1700nm波長(zhǎng)范圍的高光譜信息建立了小麥品種的主成分分析-支持向量機(jī)（PCA-SVM）分類模型，結(jié)果發(fā)現(xiàn)900~1700nm波長(zhǎng)范圍建模效果優(yōu)于400~1000nm，其中3個(gè)品種間種子分類正確率平均達(dá)到95%以上，4個(gè)品種間種子分類準(zhǔn)確率在80%左右，6個(gè)品種間種子分類準(zhǔn)確率在66%左右。

Bao等12]采集了5個(gè)小麥品種874~1734nm波長(zhǎng)范圍的高光譜信息，采用變量標(biāo)準(zhǔn)化算法（SNV）、多元散射校正（MSC）和小波變換（WT）等進(jìn)行光譜預(yù)處理，應(yīng)用主成分分析（PCA）、連續(xù)投影法（SPA）和隨機(jī)森林（RF）提取特征波長(zhǎng)，基于全波長(zhǎng)和特征波長(zhǎng)建立線性判別（LDA）、支持向量機(jī)（SVM）和極限學(xué)習(xí)機(jī)（ELM）分類模型。發(fā)現(xiàn)基于全波長(zhǎng)的ELM模型性能最佳，訓(xùn)練集和預(yù)測(cè)集分別為91.3%和86.26%。

?

吳永清等利用高光譜成像技術(shù)采集小麥籽粒光譜和圖像信息，優(yōu)選不同部位光譜、預(yù)處理方法和特征波長(zhǎng)提取方法；在此基礎(chǔ)上，建立基于光譜信息、形態(tài)特征信息、光譜和形態(tài)特征信息結(jié)合的分類模型，構(gòu)建小麥品種快速、無損、有效、穩(wěn)定的鑒別技術(shù)。研究發(fā)現(xiàn)：基于胚、胚乳和胚、胚乳部位混合光譜所建模型中，胚乳部位的建模效果最佳，其訓(xùn)練集和預(yù)測(cè)集的正確判別率分別為78.7%和79.3%。

目前高光譜成像技術(shù)應(yīng)用于小麥籽粒品種鑒別的模型正確判別率、穩(wěn)定性以及重現(xiàn)性等問題尚需要進(jìn)一步的研究和探討。

?