保障种质资源安全对农业可持续发展和生态平衡具有重要意义，通过将玉米种子的形态特征与高光谱数据相结合，利用机器学习算法实现了玉米品种分类。首先从图像中获取种子的形态数据，然后采用递归特征消除( RFE )和选择模型( SFM )方法进行特征子集的选择，结果表明RFE选择的特征在玉米种子分类中表现出更好的性能。针对高光谱数据( 350 2500nm)，采用竞争性自适应重加权采样( CARS )和连续投影算法( SPA )提取特征波长，其中SPA算法在玉米种子分类任务中表现出优越的性能。随后，将两组数据进行融合，并使用灰狼优化( GWO )优化的随机森林( RF )分类器。考虑到GWO的局限性，引入混沌逻辑斯谛映射进行种群初始化、随机扰动和最终替换机制等策略来增强算法的搜索能力。实验结果表明，本文提出的ZGWO - RF模型在测试集上达到了95.9 %的准确率、96.2 %的精确率和96.1 %的召回率，优于未改进的模型。构建的模型在多源数据上表现出了较好的识别效果，为今后种子的无损检测和准确分类提供了新的工具。

图1 玉米种子样品

( a )吉单27；( b )吉单50；( c )吉单83；( D )吉单209；( E )吉单407；( f )吉单436；( G )吉单505；( H )吉单626；( 1 )冀单953；( j ) LY9915；( K )郑单958

图2 种子图像数据采集原理图

图3 种子高光谱数据采集示意图

图4 实验流程图

图5 单粒玉米种子的提取过程

( a )样品拍照；( b )灰度图像；( c )二值图像；( d )种子轮廓图像；( e )单粒掩膜图像；( f )单种子分割图像

图6 ZGWO -RF的流程图

图7 不同种子类别的形态特征均值

( a )几何特征均值；( b )纹理特征均值

图8 玉米种子形态特征的选择结果

( a ) RFE特征选择结果；( b )基于SFM的特征选择结果

图9 方差分析结果

( a )使用RFE进行特征选择的方差分析结果；( b )使用SFM进行特征选择的方差分析结果

图10 11种不同玉米种子的原始光谱曲线及各类别的平均曲线

( a )吉单27；( b )吉单50；( c )吉单83；( d )吉单209；( e )吉单407；( f )吉单436；( g )吉单505；( h )吉单626；( i )冀单953；( j ) Ly 9915；( k )郑单958；( l )不同玉米种子品种的平均反射光谱

图11 利用SG滤波对11个不同玉米种子品种预处理后的光谱曲线及各类别的平均光谱曲线

( a )吉单27；( b )吉单50；( c )吉单83；( d )吉单209；( e )吉单407；( f )吉单436；( g )吉单505；( h )吉单626；( i )冀单953；( j ) Ly 9915；( k )郑单958;( l )不同玉米种子品种的平均反射光谱

图12 基于SPA算法的玉米种子特征波段选择

( a )表示RMSE随所选特征波段数增加的变化曲线 ( b )表示118个特征波长对应的指数

图13 基于CARS算法的玉米种子特征波段选择

( a ) RMSECV随所选特征波长数的变化曲线 ( b ) 338个特征波长对应的指数

图14 算法适应度曲线

图15 ZGWO-RF测试集的混淆矩阵