本研究應用了400-1000nm的高光譜相機，可采用廣東賽斯拜克科技有限公司產品SP130M進行相關研究。

一、高光譜成像技術概述

高光譜成像技術是一種結合了光譜學和圖像學的技術，它可以通過對物體在不同波長范圍內的光譜信息進行采集和分析，實現對物體成分和性質的準確鑒別。高光譜成像技術具有高分辨率、高靈敏度、高速度等優點，因此在農業、環境監測、食品檢測等領域具有廣泛的應用前景。

二、高光譜成像技術在小麥籽粒品種鑒別中的應用

1. 光譜采集方法

在小麥籽粒品種鑒別中，常用的光譜采集方法包括透射光譜法和反射光譜法。透射光譜法是通過將光線照射到樣品上，然后收集透過樣品的光線，分析其光譜特征。反射光譜法則是通過收集樣品表面反射的光線，分析其光譜特征。這兩種方法都可以實現對小麥籽粒品種的準確鑒別。

2. 特征提取與分類算法

高光譜成像技術通過對小麥籽粒的光譜信息進行分析，可以提取出反映品種差異的特征。這些特征可以包括光譜曲線、紋理等。然后，通過分類算法對這些特征進行分類和識別，實現對小麥籽粒品種的準確鑒別。常用的分類算法包括支持向量機（SVM）、人工神經網絡（ANN）等。

3. 實驗結果與分析

通過大量的實驗研究，高光譜成像技術在小麥籽粒品種鑒別方面已經取得了顯著的成果。例如，研究人員可以通過高光譜成像技術實現對小麥籽粒的化學成分分析，進而對其品種進行分類和識別。此外，研究人員還可以通過對小麥籽粒表面的紋理進行分析，實現對品種的準確鑒別。

三、高光譜成像技術鑒別小麥籽粒品種的研究進展

高光譜成像結合圖像（形態、紋理等特征）和光譜信息，可同時快速、無損檢測樣品的物理（顏色、大小、形狀和質地等）和內部組成成分的化學和分子信息（水分、脂肪、蛋白及其他氫鍵物質），已廣泛用于水稻]、玉米、大豆的鑒別研究，在實現小麥籽粒品種快速無損鑒別方面具有可行的理論基礎。

近年來，國內外已有基于高光譜成像技術對小麥品種鑒別方面的研究報道，但仍處于初步探索階段。

Mahesh等采集了加拿大西部種植的8個小麥品種籽粒的960~1700nm波長范圍的高光譜信息，比較不同比例的訓練集、測試集和驗證集的建模效果，研究發現，模型性能隨著訓練集比例增大而提高。

董高等利用最小二乘-支持向量機（LS-SVM）和最小二乘判別（PLS-DA）算法對單粒小麥850~1700nm波長范圍的高光譜信息建立分類模型，實現了強筋、中筋、弱筋3個單籽粒小麥類型之間的分類。

丁秋等采集了10個品種共500個小麥籽粒388~1009nm波長范圍的高光譜圖像，運用主成分分析法提取三個特征波長，提取特征波長下小麥籽粒圖像的形態特征和紋理特征，應用貝葉斯（Bayes）判別分析法進行建模，訓練集和預測集的整體正確判別率分別為98%和100%。

張航等基于400-1000nm和900-1700nm波長范圍的高光譜信息建立了小麥品種的主成分分析-支持向量機（PCA-SVM）分類模型，結果發現900~1700nm波長范圍建模效果優于400~1000nm，其中3個品種間種子分類正確率平均達到95%以上，4個品種間種子分類準確率在80%左右，6個品種間種子分類準確率在66%左右。

Bao等12]采集了5個小麥品種874~1734nm波長范圍的高光譜信息，采用變量標準化算法（SNV）、多元散射校正（MSC）和小波變換（WT）等進行光譜預處理，應用主成分分析（PCA）、連續投影法（SPA）和隨機森林（RF）提取特征波長，基于全波長和特征波長建立線性判別（LDA）、支持向量機（SVM）和極限學習機（ELM）分類模型。發現基于全波長的ELM模型性能最佳，訓練集和預測集分別為91.3%和86.26%。

吳永清等利用高光譜成像技術采集小麥籽粒光譜和圖像信息，優選不同部位光譜、預處理方法和特征波長提取方法；在此基礎上，建立基于光譜信息、形態特征信息、光譜和形態特征信息結合的分類模型，構建小麥品種快速、無損、有效、穩定的鑒別技術。研究發現：基于胚、胚乳和胚、胚乳部位混合光譜所建模型中，胚乳部位的建模效果最佳，其訓練集和預測集的正確判別率分別為78.7%和79.3%。

目前高光譜成像技術應用于小麥籽粒品種鑒別的模型正確判別率、穩定性以及重現性等問題尚需要進一步的研究和探討。