Plant Methods | 一种结合多光谱成像与机器学习的无芒雀麦种子成熟度和活力鉴定新方法（Videometer）-中国农业大学

A novel approach integrating multispectral imaging and machine learning to identify seed maturity and vigor in smooth bromegrass

Chengming Ou1†, Zhicheng Jia1†, Shiqiang Zhao1 , Shoujiang Sun1 , Ming Sun1 , Jingyu Liu1 , Manli Li1 , Shangang Jia1

and Peisheng Mao

本研究以无芒雀麦为试验材料，探究了0、100、200 kg N ha⁻¹三个施氮水平及穗上优势粒（基部）、劣势粒（上部）两种籽粒位置对种子成熟度和活力的影响，发现开花后 30 和 36 天种子活力达较高水平；整合多光谱成像和自发荧光成像技术，构建以 RF、SVM、XGBoost、Bayesian 为基学习器的堆叠集成学习模型，该模型在 CK、N1、N2 处理下识别种子成熟度的准确率分别达 89%、87%、93%，显著优于单一模型；通过SHAP 方法解析模型，识别出 405、690、850 nm 等关键特征波长，其与种子鲜重、苗长、活力指数显著相关，该研究为无芒雀麦种子成熟度和活力的快速、无损检测提供了新策略。

研究背景与目的

无芒雀麦是多年生优质禾本科牧草，广泛用于干草、青贮生产，但种子产量低、品质差是产业痛点，收获期不当会导致产量降低或品质不佳；施氮是提升种子产量和品质的关键农艺措施，籽粒位置（优势粒 / 劣势粒）会造成种子发育不一致，传统种子成熟度检测依赖萌发试验，耗时、费力、破坏性强；多光谱、自发荧光成像等无损检测技术结合机器学习已用于种子品质评价，但堆叠集成学习在种子成熟度识别中的应用较少，且缺乏结合施氮、籽粒位置等实际生产因素的研究；

研究目的：明确施氮、籽粒位置、成熟天数对无芒雀麦种子萌发和育的影响，构建基于多光谱 / 自发荧光成像的堆叠集成学习模型，实现种子成熟度的快速、无损、高精度识别。

试验设计

采用完全随机区组设计，4 次重复，小区 4m×5m；设置3 个施氮水平：0（CK）、100（N1）、200（N2）kg N ha⁻¹，2 种籽粒位置：优势粒（SG，小穗基部 1-2 粒）、劣势粒（IG，小穗上部 3-5 粒）；于开花后（DAA）16、23、30、36 天采样，每个处理取 200 粒种子，分为图像测定和萌发试验两组。

测定指标与方法

测定类型	具体指标	测定方法 / 工具
形态与理化指标	鲜重、干重、含水率	室温（20~25℃）风干 2~3 天后称量
种子萌发指标	发芽势（GPT）、发芽率（GPC）、苗长（SL）、根长（RL）、活力指数（VI）等 8 项	按 ISTA2020 规则，25/15℃变温、8h 光照，重复 4 次，100 粒 / 重复，14 天终计数
图像与光谱指标	19 个波长多光谱、8 组自发荧光、15 项形态特征	VideometerLab4™设备，VideometerLab v3.14 软件提取感兴趣区域（ROIs）
模型构建与解析	模型准确率、Kappa 值、特征重要性	用 R 包 mlr3verse 构建堆叠集成模型，SHAP 方法解析特征，6:4 划分训练 / 验证集

上图：不同处理条件下种子的nCDA图像。所有处理的多光谱图像均经过nCDA图像变换。红色为2，蓝色为−2，绿色为0

上图：基于Shap方法对CK、N1、N2及混合处理下集成模型的特征解释。(A) CK处理下集成模型的前十五个重要特征；(B) N1处理；(C) N2处理；(D) 混合处理。散点图的横坐标显示每个特征在200个样本中的Shap值。高值特征以黄色标示，低值特征以紫色标示。

上图：FW、GI、SL、VI与重要特征之间的Pearson相关性，以及重要特征间的相关性。‘*’、 ‘**’ 和 ‘***’ 分别表示显著相关性水平为 P<0.05、P<0.01 和 P<0.001，而 ns 表示在 P>0.05 时无相关性。实线表示正相关，虚线表示负相关。

多光谱、自发荧光与形态特征的差异

形态特征仅能区分 16 和 36 DAA 的种子，23、30 DAA 区分度差；
多光谱反射率：405~490 nm波段，16、23 DAA 种子反射率显著低于 30、36 DAA（与叶绿素含量相关）；780~970 nm波段，早期种子反射率更高（与水分、脂类含量相关）；N2 处理下不同成熟度种子的光谱特征区分度最佳；
自发荧光：630/700、645/700、660/700 nm 可有效区分 16、23 DAA 与 30、36 DAA 的种子，施氮改变荧光值的变化趋势（CK 下持续下降，N1/N2 下先升后降）。

本研究通过 SHAP 方法识别出的无芒雀麦种子成熟度关键特征波长有哪些，这些波长与种子萌发活力指标的相关性表现如何？

答案：识别出的关键特征波长为405、430、540、630、645、690、850、880、970 nm；这些波长与种子鲜重、苗长、活力指数等核心萌发活力指标显著相关，具体为：1. 405、430、540、630、645、690 nm 与种子鲜重、苗长、活力指数呈显著正相关，是反映种子发育良好、活力较高的核心波长；2. 850、880、970 nm 与苗长、活力指数呈显著负相关，其反射率越高，种子活力越低；3. 405、690 nm 为施氮处理（N1、N2）的共有关键特征，施氮会改变特征波长的全局重要性，反映出施氮通过调控种子内部物质变化（叶绿素、脂类等）影响光谱特征。

研究结论

1.无芒雀麦种子活力随成熟度逐渐提升，开花后 30、36 天达到较高水平，是最佳收获期的重要参考；

2.整合多光谱成像、自发荧光成像与堆叠集成学习的方法，可高精度识别无芒雀麦种子成熟度，模型在 N2 处理下准确率达 93%，显著优于 SVM、RF 等单一模型，且具有良好的泛化能力；

3.识别出的 405、690、850 nm 等关键特征波长，与种子萌发和活力指标显著相关，为种子品质的无创检测提供了核心指标；

4.该研究为无芒雀麦种子的最佳收获期确定、品质快速评价提供了新策略，也为其他牧草种子的相关研究提供了参考。

北京博普特科技有限公司是丹麦Videometer多光谱成像系统的中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。