秋葵富含多种营养成分，如膳食纤维、果胶、维生素C及微量元素铁、钙等，具有较高的食用价值。杂交育种是将亲本杂交形成不同的遗传品种以获得预期的优良亲本性状的植物育种方法。杂交育种因其可以培育出多样化的品种而成为提高秋葵产量和品质的重要方法。杂交秋葵种子的鉴定和筛选是杂交育种过程中不可缺少的环节。近红外高光谱成像技术结合图像信息与光谱信息可同时获得被测物体内部物质信息与外部形态信息。由杂交种子的基因表达差异而产生的化学成分差异间接导致其光谱特征发生变化。本文专注于将深度学习数据处理算法与高光谱成像技术结合，充分发挥高光谱特征的优势，实现多种杂交秋葵种子的品种鉴别。

　　本研究利用高光谱成像系统采集了18个品种的杂交秋葵种子的近红外高光谱图像，其波段范围为874.41–1733.91 nm，样本总量达到了18931。利用感兴趣区域提取方法获得了每粒种子的平均光谱并通过Savitzky-Golay平滑算法提高了平均光谱的信噪比。基于主成分分析方法(PCA)与线性判别方法(LDA)对18个品种的杂交秋葵种子的平均光谱进行了聚类分析，初步判断了光谱特征的可分性。光谱聚类分析的结果表明，不同种类杂交种子的平均光谱变化趋势相同但光谱反射值存在差异。本文基于平均光谱结合两种传统机器学习算法(ELM、BPNN)与两种深度学习算法(CNN、SAE)建立了杂交品种判别分析模型。当鉴别品种的数量增加时(由7类增加至18类)，基于CNN与SAE的分类模型能够保持高准确率和高稳定性，但是其分类识别率由97.68%和96.73%分别下降至93.79%和93.37%。文章指出此种情况的原因可能是基因控制的多品种间的同质性化学组成或者深度学习判别模型的深度不够。该研究为杂交种子表型信息的快速、准确和无损获取与分析提供了新方法，有助于高通量杂交种子品种鉴定的在线检测系统的开发。

　　图1高光谱成像系统与杂交秋葵样本结构(a:杂交秋葵种子外观;b:杂交秋葵种子样本结构;c:高光谱成像系统)

　　图2神经网络结构示意图(a：极限学习机ELM;b:反向传播神经网络BPNN;c:堆叠自编码器SSAE;d：卷积神经网络CNN)

　　图3 不同种类的杂交秋葵种子三维聚类图(a：主成分分析PCA结果;b:线性判别分析LDA结果)

　　图4 分类种类数量变化时模型训练集与预测集的结果示意图(a：极限学习机ELM;b:反向传播神经网络BPNN;c:堆叠自编码器SSAE;d：卷积神经网络CNN)

　　来源 : Yu, Z., Fang, H., Zhangjin, Q., Mi, C., Feng, X., He, Y., 2021. Hyperspectral imaging technology combined with deep learning for hybrid okra seed identification. Biosystems Engineering 212, 46–61.

　　编辑 : 张金诺