大豆在中国农业生产中的地位不可忽视，它不仅是重要的食品和饲料来源，还对工业、经济和国家安全具有深远的影响。市场上的大豆种子种类繁多，低水平活力的大豆种子直接影响产量，在生产中选出高活力的大豆种子非常重要。传统方法检测种子耗时长，个人主观性强，检测手段对种子有破坏，因此，研究一种快捷，准确，无污染的大豆种子活力检测方法对于检测种子活力具有重要意义。近红外光谱技术在种子检测中具有无损、快捷、适应性强和可获取信息丰富等优点，因此，本文基于近红外光谱技术，以三种具有不同活力特性的大豆种子为研究对象，通过对大豆种子光谱数据的测量与分析，结合传统发芽试验得到的发芽率数据建立大豆种子活力多等级判别模型和大豆种子发芽率定量预测模型，实现对大豆种子活力的检测。主要研究内容如下： （1）大豆种子近红外光谱数据集与大豆种子发芽率数据集采集。以2023年收获的东农43、东农59、东农71三种种子为研究对象，通过人工老化试验获取6个老化等级的种子，以未经过老化试验的种子作为对照组，得到7种不同活力水平的大豆种子。采集不同活力水平的大豆种子的近红外光谱数据，采集后进行发芽试验，记录不同老化等级大豆种子的发芽率数据，以便后续进行分析和建模。 （2）基于Matlab可视化对光谱数据进行数据处理。通过MCCV法剔除异常样本，SPXY法划分数据集以便于模型的建立与验证，再运用五种预处理方法和三种特征提取算法对数据进行处理后，应用PLS法建立模型并进行数据指标评价，选择最优的预处理方法和特征提取算法来完成数据的处理。通过对比指标，最终在预处理中选择SG和SNV的组合方法，在特征波长选择中选择CARS算法。 （3）基于BP神经网络建立大豆种子活力多等级判别模型和大豆种子发芽率定量预测模型。以处理后的数据为基准，建立大豆种子活力多等级判别模型，模型准确率达到99.84%,Flscore为0.96;以处理后的数据与大豆种子发芽率数据为基准，建立大豆种子发芽率定量预测模型，模型的RPD为3.95,RMSEC为0.0227，R2c为0.9554,RMSEP为0.0276，R2p为0.9285。根据模型评价指标可知模型性能较好，本文提出的对大豆种子活力的快速检测方法具有可行性，也为其他农作物种子活力的检测提供参考依据。
NETL
