Es crucial identificar y seleccionar semillas de alta calidad para mejorar el rendimiento. En este estudio, presentamos un método no destructivo y preciso para predecir la viabilidad de las semillas que utilizó datos fenotípicos de las semillas con algoritmos de aprendizaje automático para distinguir entre semillas vitales y muertas. Mientras tanto, se utilizó SMOTE para equilibrar el conjunto de datos y hacer que el modelo de discriminación de viabilidad establecido sea más eficiente al evitar problemas de sobreajuste o subajuste. Los resultados mostraron que la imagen hiperespectral (HSI) combinada con el preprocesamiento de detrend (DT) y un modelo de máquina de soporte vectorial (SVM) podría predecir la viabilidad de las semillas con un 93.3% de precisión, y aumentó el porcentaje de germinación del lote de semillas al 99.1%, mientras que la imagen de visión por computadora proporcionó la mayor precisión del 87.9% y un porcentaje de germinación del 87.0%. Esta estrategia es adecuada para operaciones de discriminación de viabilidad de semillas a gran escala para garantizar la calidad de las semillas, expandir las escalas de cultivo y producción de, y acelerar la solución actual del problema de escasez. Puede ayudar a acelerar la cría de variedades de calidad.