《Journal of Food Composition and Analysis》：Seed non-destructive intelligent detection technology: A review of current status, advances, and future directions
编辑推荐：
日益严峻的粮食安全挑战要求对种子质量进行准确且高效的评估，然而传统的破坏性方法存在主观性强、效率低以及样品不可逆损失等问题。本综述综合了2021年至2025年间发表的种子非破坏性检测技术的最新进展，重点关注机器视觉、高光谱成像（HSI）和深度学习的集成。在多样
日益严峻的粮食安全挑战要求对种子质量进行准确且高效的评估，然而传统的破坏性方法存在主观性强、效率低以及样品不可逆损失等问题。本综述综合了2021年至2025年间发表的种子非破坏性检测技术的最新进展，重点关注机器视觉、高光谱成像（HSI）和深度学习的集成。在多样化的任务和数据集上，研究人员报告的高准确率普遍在90%至97%之间，尽管许多公开报告的数据集包含的样本数不足10,000个。这些结果凸显了非破坏性方法的潜力，但也揭示了持续的挑战。对小型公共数据集的依赖限制了向实际田间条件的泛化能力，而高昂的设备成本和深度学习模型的不透明性阻碍了更广泛的采用。通过追踪从实验室研究到工业规模应用的演变，本文为工程师、研究人员和行业利益相关者提供了有价值的指导，呈现了一条通往开发稳健、可扩展且具有生物学意义的种子非破坏性检测技术的清晰路径。
2. 种子非破坏性检测概述
传统种子质量评估方法主要具有破坏性和劳动密集型特点，虽能获得准确结果，但耗时长、需专业实验室条件且会破坏种子，无法满足现代种子生产中的快速筛选需求。非破坏性检测技术利用光、电、声波等物理信号评估种子内部特性，通过将化学成分、物理结构和生理状态建模为可量化的数字特征，实现数据驱动的种子表征。现代种子非破坏性检测已演变为人工智能（AI）在种子科学中的专门应用，遵循输入-模型-输出的通用框架：输入阶段根据检测目标选择非破坏性传感方法（如机器视觉、高光谱成像或X射线成像）；模型阶段涵盖从统计分析到机器学习（ML）和深度学习（DL）的技术；输出阶段定义目标质量指标（如品种分类、纯度评估、缺陷识别）。
2.1 种子非破坏性检测方法介绍
检测方法利用多种非破坏性模态评估种子的物理、化学和生理特性，分为光学与表面成像、内部穿透技术以及化学与物理性质分析三大类。
2.1.1 机器视觉
机器视觉使用数码相机在受控光照下采集RGB图像，提取种子形态和颜色特征。研究表明，其识别表面缺陷（如裂纹和真菌感染）的准确率超过95%。先进的深度学习算法，特别是视觉Transformer（ViT），实现了品种分类准确率超过97%。主要优势在于快速成像大量种子种群并评估外部性状，但局限于表面检测，对内部缺陷或化学变化不敏感。近期研究致力于将机器视觉与3D成像和光谱分析集成。
2.1.2 高光谱成像与多光谱成像
高光谱成像（HSI）通过集成空间和光谱信息形成三维数据立方体，覆盖可见光至短波红外（约400-2500 nm），检测与种子活力、生理完整性相关的细微生化变化。结合ML与DL后，玉米和豆类等作物种子活力分类准确率超过95%。但HSI面临数据冗余度高、硬件昂贵等实际障碍。多光谱成像（MSI）通过获取有限优化波段（通常5-20个）提供低成本替代方案，虽能效表征关键性状，但光谱分辨率较低可能限制对细微生化变化的辨别。此外，叶绿素荧光（ChlF）和近红外光谱（NIRS）作为补充技术，分别提供生理探针和商业验证的定量能力，但本综述将HSI视为整合了光谱优势与空间维度的核心框架。
2.1.3 X射线成像
X射线成像利用不同组织对X射线衰减差异揭示内部结构和缺陷，在适当剂量下不显著损害种子活力。深度学习进一步增强了该技术，例如Hamdy等人开发了甜菜和蚕豆种子缺陷检测自动化流程。主要局限性涉及电离辐射可能损害种子遗传完整性，以及软组织对比度低导致内部结构分辨困难。
2.1.4 太赫兹成像与核磁共振成像
太赫兹（THz）成像工作在0.1-10 THz范围，对水分敏感，可用于内部缺陷检测、水分分布绘图和化学成分分析。核磁共振（NMR）成像利用磁场和无线电波进行非电离、非破坏性的定量成分分析（如水分和油含量），具有优异的定量稳定性和抗干扰性。两者均受限于高成本、操作复杂和成像通量低。
2.1.5 其他技术
电子鼻（E-Nose）通过化学传感器分析挥发性有机化合物（VOCs），用于早期腐败检测和活力评估。超声波技术通过分析高频声波的传播参数评估内部结构变化，但易受环境扰动。热成像通过表面温度变化检测代谢活动和结构异常，在发芽监测和真菌感染识别中有效。形态与几何测量作为传统方法，提供长度、宽度、面积等关键物理特征输入现代智能检测框架。
2.1.6 方法总结
不同模态在检测灵敏度、通量和成本方面存在权衡，方法选择需依据评估目标（内部 vs 外部特征、精度需求、田间可行性）。
2.2 种子非破坏性检测处理方法介绍
模型组件是系统的计算核心，从基本统计相关发展到复杂的多层算法，涉及分类、回归、检测和分割等识别策略。
2.2.1 建模结构
(1) 统计分析：依赖多元统计方法（如线性判别分析LDA、偏最小二乘判别分析PLS-DA、归一化典型判别分析nCDA），具有高可解释性和计算效率，适用于小样本数据，但处理高度复杂非结构化数据时性能不足。(2) 机器学习（ML）：采用支持向量机（SVM）、随机森林（RF）、k近邻（k-NN）等经典可解释算法，在结构化数据集上表现良好，如水稻品种分类准确率达95.12%，但依赖超参数优化和充足训练数据。(3) 深度学习（DL）：通过卷积神经网络（CNN）、循环神经网络（RNN）中的长短时记忆网络（LSTM）以及基于自注意力机制的Transformer（如ViT）自动提取层次化特征，克服了手动特征工程局限性。CNN擅长局部空间特征提取，但难以捕获长程依赖；Transformer通过自注意力机制同时捕获局部和全局依赖，成为最先进方法。未来趋势向轻量级、自监督和多模态架构发展。
2.2.2 识别策略
(1) 分类：基础任务，包括图像分类和结构化数据分类，用于品种识别、完整性评估和纯度检测，评估指标为准确率、精确率、召回率和F1分数。(2) 回归：预测连续值（如水分、蛋白质、油含量及活力指数），采用偏最小二乘回归、支持向量回归及CNN/Transformer等深度架构，评估指标为均方根误差、平均绝对误差和决定系数R2。(3) 检测：目标检测（如YOLO系列和基于Transformer的检测器）用于自动缺陷识别和定位，平衡精度与实时性。(4) 分割：语义分割和实例分割用于分离种子区域、量化形态性状和评估内部组分分布（如水分、蛋白质梯度），使用交并比（IoU）和Dice系数评估。
2.3 种子非破坏性检测技术应用
(1) 品种分类：通过机器视觉、光谱成像和多模态数据结合利用ML/DL识别细微品种差异，但数据集规模有限和种间/年内变异限制了大规模部署。(2) 缺陷识别：外部缺陷（裂纹、霉变、虫害）通过机器视觉检测，内部缺陷（空腔、胚受损）借助X射线和太赫兹成像，但高精度系统仍局限于实验室环境。(3) 成分分析：利用高光谱/多光谱成像与统计分析或1D-CNN、Transformer模型定量水分、蛋白质和脂肪含量，面临光谱重叠、弱吸收峰和基线漂移等挑战。(4) 状态识别：评估活力（快速均匀出苗潜力）和成熟度（最大质量阶段），通过X射线、太赫兹成像和光谱学分析内部结构与成分，与ML/DL协同提升诊断能力。(5) 纯度评估：物理纯度（外来杂质）和遗传纯度（品种真实性）通过机器视觉和HSI区分，主流建模方法为CNN和Transformer，但环境干扰和遗传相似性仍构成挑战。(6) 表型识别：系统识别物理、生理和农艺性状（包括转基因性状），依赖多模态数据融合与深度学习，但种子性状复杂性和高质量标注依赖长期田间观测，制约了实验室到现场转化。
3. 种子非破坏性智能检测技术研究进展（2021-2025）
本章综合了2021-2025年的技术演进，通过文献计量分析梳理了核心技术趋势。
3.1 文献计量趋势
研究产出保持高水平，机器视觉和高光谱成像主导输入方法。传统ML与DL共存，原因在于数据集规模限制（通常仅数万样本），但DL随着大型开源数据集出现将占据优势。应用集中于品种分类，因任务易处理且依赖稳定视觉/光谱特征；表型识别和状态识别因涉及动态生理过程和大型数据集而探索不足。
3.2 研究热点与知识结构
关键词分析显示“种子”、“品种”、“分类”和“深度学习”主导，“注意力”和“表型”出现表明向生物学模型转移。期刊分布呈现跨学科性。高被引分析表明，“机器视觉+ML+品种分类”为占主导地位范式，而“HSI+DL”组合具有更高学术影响力。研究存在任务同质化偏向。
3.3 高被引论文分析
代表性研究表明三大趋势：（1）生成式AI应对数据稀缺，如生成对抗网络（GAN）用于数据增强；（2）多模态数据集成兴起，如HSI与机器视觉融合；（3）应用集中于品种分类，状态识别和成分分析不足。
4. 挑战与未来研究方向
尽管取得进展，从实验室到大规模田间应用仍面临四方面障碍。
4.1 数据集比较与标准化
现有数据集体量小（多数<10,000图像），集中于主要作物和品种分类，活力、活性、缺陷等任务欠采样；标注缺乏标准化（多为图像级标签，缺失对象级和像素级标注）；模态集成碎片化（RGB主导，光谱、X射线等孤立存在）。需构建大规模、多作物、平衡缺陷、多场景且统一标注的开放基准数据集。
4.2 模型泛化性与鲁棒性不足
实验室模型在工业环境中因遮挡、堆叠、运动模糊和环境变异（光照、方位、颗粒物）而性能退化。解决方案包括：基于YOLO的密度估计算法处理堆叠，生成模型增强光谱数据，以及自监督学习框架（如两阶段预训练-微调）提升跨域泛化。
4.3 种子非破坏性检测研究的科学挑战
缺乏生理学基底：人工老化种子偏离真实田间表现；实验设计违背生物学原理（如混淆休眠与不可活）；特征选择缺乏生物学依据（忽略存储时长、水分对颜色的影响）。需要基于生物学原理的标准化协议、长周期循环研究、动态阶段模型以及田间权威验证。
4.4 新兴AI范式集成滞后
多模态融合虽被报道但多为概念验证，缺乏标准化架构和工业验证。领域专用大语言模型（LLM，如SeedLLM）受限于作物偏差和通用性不足。边缘智能研究限于服务器端，未充分探索便携式实时检测。工业转化不足，评估指标仍偏重实验室准确率，忽略速度、鲁棒性和误报率。未来需转向系统级工程和工业关键指标。
5. 结论
种子非破坏性检测技术通过多模态传感和AI驱动建模取得了显著进步，但转向工业部署面临数据集、成本、泛化性和可解释性挑战。方法选择应匹配缺陷特征、传感模态和数据可用性，优先强调轻量模型、可解释AI（XAI）和田间验证。
