人均耕地少是我国农业发展中需面对的难题,而种子活力的高低,对农作物的产量有不可忽视的影响。传统的种子活力检测方法具有高精度和高可靠性的特点,并且检测结果非常良好,但是也存在周期长、成本高、对种子造成无法修复的损伤、实验仪器比较复杂和对试验人员的操作要求高等局限性。因此,本文以玉米种子为研究对象,使用近红外光谱技术和机器视觉技术结合标准发芽试验,获得与种子活力相关的光谱特征和图像特征,并利用分类算法建立玉米种子活力检测模型,证明通过获取玉米种子光谱特征和图像特征检测种子活力具有可行性。首先,对玉米种子进行标准发芽试验,从试验种子的选择、消毒、浸种、卷纸发芽、光照培养等方面对玉米种子活力测定试验规划;记录发芽结果时,将正常发芽且生根的种子为高活力种子,只发芽不生根、只生根不发芽的种子和不发芽的死种子为低活力种子,得到每粒种子的活力数据。其次,通过近红外光谱仪获取玉米种子的光谱信息,通过Savitzky-Golay卷积平滑法(SG)、多元散射校正(MSC)、标准正态变换(SNV)等预处理方法对原始光谱进行预处理,结果表明SNV预处理效果最优。试验发现经过UVE算法对波长进行筛选后建模,发现结果并没有使用全光谱波段建模效果好。使用全光谱波段进行建模,将光谱数据与种子活力数据组成数据集,使用K最邻近算法(KNN)建立玉米种子活力检测模型,结果表明使用K最邻近模型对种子活力的查准率为86.4%,查全率为71.9%,F1值为78.5%。此外,通过图像采集平台采集玉米种子图像,对图像使用中值滤波去除噪声、灰度化、图像分割等处理,将种子区域与背景分离;提取种子的RGB、HSV、HSI、Lab各分量的均值以及标准差24个颜色特征和长度、宽度、区域面积、圆形度、周长、紧实度、凸性、矩形度、最小外接圆半径、最大内切圆半径、圆周到中心的平均距离、圆周到中心的距离偏差、轮廓区域点之间的最大距离13个形状特征。将图像特征与种子活力数据组成数据集,通过使用主成分分析提取八个可以代表所有特征的主成分,结合极限学习机算法(ELM)建立玉米种子活力检测模型,结果表明使用极限学习机模型对种子活力的查准率为89.0%,查全率为66.8%,F1值为76.3%。综上,表明本文提出的检测玉米种子活力方法有可行性。