基于稻种老化时间不同时的物理学和生理学差异, 提出一种基于红外热成像技术及广义回归神经网络的快速、 无损检测稻种发芽率的检测方法, 解决传统稻种发芽率检测方法操作复杂、 实验周期长等问题。 在温度为45 ℃、 湿度为90%的条件下, 将水稻种子依次老化0, 1, 2, 3, 4, 5, 6和7 d, 得到不同发芽率的种子; 采集稻种红外热图像, 然后提取稻种胚芽部位数据, 总计144份, 随机分为校正集和预测集, 其中校正集96份, 预测集48份; 分析和比较不同老化天数稻种红外热差异, 从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系, 结合偏最小二乘算法（partial least squares, PLS）、 BP（back propagation, BP）人工神经网络和广义回归神经网络(general regression neural network, GRNN), 建立稻种发芽率的红外热模型。 结果表明, 利用GRNN建立的发芽率预测模型效果最优, 其中校正集的RC（相关系数）和SEC（标准偏差）分别为0.932 0和2.056 0, 预测集RP（相关系数）和SEP（标准偏差）分别为0.900 3和4.101 2, 相关性均达到较高水平且校正集与预测集的标准偏差均较小。 实验结果表明, 采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的, 且所建模型在稻种发芽率快速测定方面有较高的精度。

针对目前传统稻种发芽率检测方法周期长、 精度低的问题, 提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、 无损检测的方法。 以不同老化天数稻种为检测目标, 10 min为检测时间点, 使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液, 而后以5°为间隔旋转检偏器, 并通过光纤光谱仪检测透射的光谱, 对检测的偏振光谱通过归一化预处理后, 根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长, 特征偏振角为0°, 5°和25°, 特征波长为576, 620和788 nm, 将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入, 构建稻种发芽率检测模型。 分别比较运用偏最小二乘法回归(partial least squares regression, PLSR)、 BP神经网络(back propagation neural network, BPNN)、 径向基神经网络(radial basis function neural network, RBFNN)三种建模方法建立稻种发芽率检测模型。 分别用老化天数为0, 2, 4, 6 d的稻种, 在不同的偏振角共测量1 520组实验数据, 其中912组数据作为校正集, 608组数据作为预测集, 建模结果表明三种模型预测精度较高, 其中RBFNN模型预测精度最高, 其相关系数r为0.976, 均方误差RMSE为0.785, 平均相对误差MRE为0.85%。 表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、 准确检测。

为实现稻种品质的快速鉴定，以稻种最重要的品质参数之一——发芽率作为主要评价指标，通过高光谱成像技术结合视觉词袋(BoVW)模型的方法进行稻种发芽率的分级评价。挑选Y 两优302、两优108 和内5 优8015 三个品种的杂交水稻种子各100 粒，在温度40 ℃、相对湿度100%条件下对三种稻种分别老化处理0、1、2、3、4 d，得到5 个活力梯度的稻种。采集300 粒稻种的高光谱图像，随机分为训练集(200 份)和测试集(100 份)。图像采集完毕后，进行稻种发芽实验，第14 天时计算发芽率。采用主成分分析(PCA)方法选取特征波长，利用密集尺度不变特征变换(SIFT)算法提取稻种图像局部特征，再根据K-means 算法聚类生成视觉词典。利用以径向基(RBF)核为核函数的支持向量机(SVM)分类器建立稻种发芽率分级预测模型，判别精度为95.65%。结果表明，采用高光谱成像技术结合视觉词袋模型进行水稻发芽率的快速、无损预测是可行的。

针对稻种发芽率传统检测方法周期长，近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题，通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理，根据去噪效果选择EMD 去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征，结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN 分别构建稻种发芽率预测模型，建模结果显示10 min 检测时间点IGNN 预测模型精度最高，预测集相关系数R_P=0.985，预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。

针对种子发芽率检测常用方法操作复杂、周期长、受种子休眠期影响等问题，提出了一种基于特征光谱和广义回归神经网络(GRNN)的糙米发芽率快速检测方法。在温度为45 ℃、湿度为90%的条件下，对稻种进行高温高湿人工老化，老化时间为0、24、48、72、96、120、144、168 h；人工去壳处理后，采集近红外光谱数据，将160 份糙米样品的光谱分为校正集(120 份)和预测集(40 份)；采用标准正态变换(SNV)、一阶导数(FD)对光谱数据进行预处理，提取特征波长，分析不同建模方法和不同贡献率的特征波长对模型的影响。结果表明，以688、1146、1346、1366、1396、1686 nm对应的光谱作为输入，通过GRNN 建立的模型最优，其校正集相关系数(R_C)与标准偏差(SEC)分别为0.9743、1.9161，预测集相关系数(R_P)与标准偏差(SEP)分别为0.9505、2.3423。研究表明，采用近红外光谱分析技术对糙米发芽率进行检测是可行的，能够从稻种生理学特性的角度揭示不同发芽率稻种的光谱差异，且所建模型在水稻发芽率预测方面有较好的预测能力，为便携式水稻发芽率光谱仪的研制提供了理论依据。

水稻是人类的主要粮食作物，其发芽率是评定水稻质量的重要指标之一。以南粳46 为研究对象，利用高光谱成像技术预测剥壳后的稻种(以下简称糙米)发芽率。在400~1000 nm 波长范围内，采集960 粒饱满、无霉变糙米的高光谱图像，提取感兴趣区域的平均光谱曲线，利用主成分分析(PCA)提取特征波长，再结合偏最小二乘法(PLS)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和广义回归网络(GRNN)4 种建模方法分别对糙米5 个区域特征波长的光谱数据建立预测模型并加以比较。4 种建模方法对糙米A 区域(含胚芽)的平均预测效果最好( R_p=0.970)，其中，GRNN 模型对该区域预测精度最高( R_p =0.982, f_RMSEP =0.978)。研究结果表明利用高光谱成像技术并结合PCA和GRNN 检测糙米发芽率是可行的。

基于老化不同时间的稻种的生理学和物理学特性，提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型，实现稻种发芽率的快速、无损检测，解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据，通过多尺度小波变换，分析逼近信号和细节信号，得出第3层细节信号(d3) 贡献最大。以第3层细节信号作为模型的输入，随机分为校正集和预测集，校正集96组，预测集48组。分析和比较老化不同时间的稻种的红外热差异，通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN)，建立稻种发芽率红外热预测模型。结果表明，GNN建立的稻种发芽率模型预测效果最优，其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013，预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172，相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。