种子的表型特征是种质创新和生物学研究的基础,本文基于近红外光谱检测技术、立体机器视觉、智能信息处理等技术,开展单粒小麦种子内部品质和外部形态表型性状的定量与定性建模方法研究,基于表型信息融合的单粒小麦生活力性状早期识别方法研究,并基于先进传感技术、机电一体化技术、计算机技术等,研制单粒种子表型基础数据精细化、一体化获取平台,以期为小麦种子表型研究提供新思路。论文主要内容与结论如下:(1)在分析适用于单粒小麦光谱检测的机理和分析方法的基础上,针对小麦种子颗粒小,曲面不规则,对光源照射敏感等特点,提出了一种基于全包围光源结构的小麦品质表型光谱检测方法。开展了全包围光源结构的品质表型检测光路分析和结构设计,完成了器件选型、电路设计,以及系统软硬件构建等。测试结果表明,构建的全包围结构的近红外光谱检测系统,可实现对单粒小麦种子实时、在线近红外光谱快速获取,最大波长标准差为0.04nm,最大反射光强变异系数为1.9%,最大吸光度变异系数为0.4%,具有良好的波长重复性和吸光度重复性表现,能够用于单粒小麦品质表型的精细化测量。(2)基于全包围光源结构的光谱检测装置,结合模式识别方法,开展了单粒小麦品质表型定性识别与定量预测的建模方法研究。以小麦籽粒黑胚病为分析性状,采用基于全包围结构的光谱检测系统获取其光谱数据,经过PCA数据降维和SPA波长特征选择后,结合SVM、ELM、RF和Adaboost等4种模式识别算法,分别建立了二分类、三分类、四分类判别模型,结果表明,模式识别分类算法对小麦黑胚病的识别效果在93.3%-98.6%之间,识别准确率随着分类程度的细化而降低。以小麦籽粒蛋白质组分含量作为分析性状,根据理化测定的实际值,建立了基于全波段和基于特征波段的光谱预测模型,其校正集~2分别为0.96和0.85,均方根误差分别为0.56和1.04,预测集~2分别达到了0.80和0.82,均方根误差分别为1.08和1.04,基于全波段的预测模型具有更高的预测精度,基于特征波段的预测模型则具有更低的信息冗余,更适合用于嵌入式开发,实现在线快速预测。综合分析表明,基于全包围光源结构的近红外光谱检测系统,结合模式识别分析方法,对单粒小麦品质表型,具有很好的定性识别和定量分析性能。(3)针对小麦籽粒体型微小、形态复杂,难以精细化测量其三维特征的问题,提出了一种基于全周显微图像序列三维重构的小麦形态表型获取方法。在详细设计单粒种子三维形态精细测量方案的基础上,构建了一套获取单粒小麦多视图像序列的机器视觉平台,在建立小麦籽粒显微成像旋转几何模型的基础上,提出了一种基于旋转轴的测量视点姿态解算方法,完成了全周视角下相机内外参数标定,为三维形态的提取奠定了基础。对获取到的小麦籽粒显微全周图像序列进行背景分离和吸嘴扣除,再进行二值化,获得籽粒侧影轮廓序列,创建OBB确定小麦籽粒的最优包围空间,采用体素预剖分和基于MC算法,完成了小麦籽粒可视化外壳建立,从而得到精细的籽粒三维重建模型。重构效果表明,所提出的方法不仅完成了微小籽粒的形态重建,对不光滑的曲面和腹沟等部位也有很好的重现。(4)基于籽粒精细三维重构模型,开展了单粒小麦外部形态表型提取方法研究。根据籽粒最优包围盒确定粒长、粒宽和粒厚表型数据,将重构提取到的这3个表型与人工测量数值对比表明,该方法的决定系数分别为0.97、0.97和0.88。将籽粒的表面进行三角网格化,获得表面积数据;利用点云数据切片法来计算籽粒的体积信息;通过最大截面投影的方式,获得投影面积和投影周长的提取;将重构提取到表面积、体积、投影周长、投影面积等4个参数,分别与标定球的测量结果对比表明,该方法的相对误差在3.5%～5.8%之间。试验结果说明,所提出的基于三维重构模型提取小麦外部形态表型的方法是可行的,且能够完成外部表型的精细化测量。(5)针对现有光谱检测手段难以发现单粒种子间的生活力差异,以及忽略了种子形态特征对光谱预测判别模型影响的问题,提出了一种融合光谱信息和图像信息的单粒小麦生活力早期识别方法,详细设计了基于特征层融合和基于决策层融合的试验方案。基于籽粒图像序列三维重构提取表型的研究方法,分别提取粒长、粒宽、粒厚、投影面积、表面积、体积等6个形态表型参数,并归一化处理;基于全包围结构近红外光谱检测方法,分别获取单粒的近红外光谱信息,预处理后经过PCA降维和SPA特征提取;将形态表型特征与PCA降维得到的光谱主成分和SPA提取的特征波段,分别进行特征层融合,结合SVM、RF、ELM和Adaboost,建立8个分类模型。结果表明,8种分类器模型在校正集中表现差别较大,准确率在76.45%～94.77%之间,校正集表现最好的形态+PCA-RF模型和形态+SPA-RF模型,在预测集准确率均为75.97%,由于形态+PCA-RF模型具有更高的综合调和指数10.60,因而认为是特征层融合中的最优模型。将光谱主成分信息和形态特征信息,分别利用RF算法建立生活力识别模型后,根据设定的融合决策规则,建立基于D-S证据理论的单粒小麦生活力早期识别模型,其校正集和预测集准确率为82.13%和74.14%,优于单一基于光谱特征或形态特征的判别模型。综合比较特征层融合与决策层融合的模型结果,得出结论,基于特征层融合对单粒小麦生活力具有更好的识别性能,更适合于单粒小麦生活力早期预测。(6)集成所构建的品质、形态表型获取方法与测量装置,设计了一套适用于单粒小麦种子表型精细化、自动化、一体化、在线获取的解决方案,完成了平台的控制和结构设计,各功能模块的硬件设计、选型和装配,构建了集自动化取种、收种、运送与停靠、精确化数据获取为一体的单粒小麦种子表型研究平台。基于集散控制架构和多线程、多任务编程思想,完成了上位机和下位机软件开发设计。对整套平台进行了组装、联调、功能验证和性能分析,结果表明,平台可很好地实现种子群体识别与定位、籽粒吸附、运转、光谱数据测量、图像序列获取、收种等功能以及表型在线测量功能。在离线三维重建情况下,按每天工作12h测算,平台通量约3500颗/天。形态表型重复性试验结果表明,粒长、粒宽和粒厚的多次重复测量变异系数均小于4%,体积最大变异系数7%,品质表型重复性试验结果表明,蛋白质组分含量预测标准差小于0.3%,说明了平台对单粒小麦籽粒的表型测量具有很好的重复性。