小麦是我国重要的农作物之一,在现代农业中占有重要的地位。小麦硬度的遗传比较简单,早代选择有效,同时软硬麦在颗粒度、吸水能力等方面具有较大差异,导致用途不同。而且当单粒小麦籽水分偏离正常值时会引起自身一系列反应,高水分小麦籽极易发生冻害从而使发芽率降低,若不及时处理会造成大量的损失。本文将高光谱技术应用于单粒软硬麦鉴别及水分检测,为挑选优质小麦种子提供一种快速鉴别方法。主要研究内容和结论如下:1.基于高光谱成像技术结合化学计量学方法,应用于单粒软硬麦鉴别。建立了基于SVM、KNN、CNN和CNN迁移学习的单粒软硬麦鉴别模型。收集国内外不同产地、不同品种、不同收获年份的小麦样品共50份,挑选出2500粒小麦籽进行高光谱图像采集,使用物性分析仪测出小麦样品硬度,其中软麦有781粒,混合麦有113粒,硬麦有1606粒。探讨不同化学计量学方法对单粒软硬麦鉴别模型的影响。基于SVM方法建立的单粒软硬麦定性鉴别模型,其准确率为83.21%,而基于KNN方法建立的单粒软硬麦定性鉴别模型,其准确率为85.21%。同时设计了适用于本课题的卷积神经网络结构,建立单粒软硬麦定性鉴别模型,其准确率达到了88.50%。也使用卷积神经网络迁移学习,实现了基于高光谱成像技术的单粒软硬麦鉴别,最终InceptionNet-V3网络模型预测集上的准确率上升至94.00%,在测试集上的识别率为92.80%。有效地完成了对单粒软硬麦的鉴别。研究表明,使用基于高光谱成像技术对单粒小麦籽进行无损软硬鉴别,可取得较精确和稳定的检测结果,基于高光谱图像对单粒软硬麦鉴别在方法上是可行的。2.基于高光谱技术结合偏最小二乘回归法对单粒小麦籽水分进行定量预测。将小麦籽分为腹沟向上(记为A面)和腹面向上(记为B面)分别进行光谱扫描。利用A面与B面的光谱数据分别构成MA、MB、MC和MD 4种预测模型,其中模型MA与模型MB分别由A面与B面的光谱数据构成,模型MC由单粒小麦籽A面与B面的平均光谱构成,模型MD由A面与B面光谱共同构成。使用偏最小二乘回归法建立预测单粒小麦籽水分的模型,实验结果表明,这4个模型的预测性能由高到低的次序是模型MD、模型MC、模型MA和模型MB,即模型MD具有最佳预测效果,因为模型MD将A面与B面小麦的光谱数据混合在一起具有较好的鲁棒性。对于模型MD,经过1阶微分和标准正态变换预处理后,其RMSEC为1.20%,RC为0.93;而RMSEP为1.36%,RP为0.90。结果表明,利用高光谱对单粒小麦籽水分检测在方法上是可行的。同时还利用已经建立的基于PLSR的单粒小麦籽水分预测模型MD,结合高光谱成像技术去获得单粒小麦籽的水分分布图,实现了整盘的单粒小麦籽水分可视化。研究表明,利用高光谱技术对单粒软硬麦鉴别及水分检测在方法上是可行的。此外利用高光谱成像技术结合已建立的PLSR水分预测模型,绘制出小麦籽水分分布图,将单粒小麦籽的水分可视化,通过单粒小麦籽的水分分布图能定位水分不正常的粒籽,为今后研究在线检测和自动剔除水分异常的单粒小麦籽提供参考。