利用Videometer种子表型平台鉴别苜蓿和草甘草种子

常规方法难以从苜蓿种子批次中去除甜三叶草种子，影响种子批次的纯度，从而导致苜蓿干草生产和种子产量的损失。然而，如果没有专门的培训，很难区分苜蓿种子批次中的甜三叶草种子污染。在这项研究中，评估了具有面向对象的多变量图像分析的多光谱成像分离甜三叶草和苜蓿种子的潜力。应用主成分分析(PCA)、线性判别分析(LDA)、偏最小二乘判别分析(PLSDA)、AdaBoost和支持向量机(SVM)等方法根据甜三叶草和苜蓿的形态特征和光谱特征对种子进行分类或其组合。结果表明，基于测试数据集中的形态特征和光谱数据的组合，可以实现出色的分类。在LDA模型的验证集中，种子分类准确率高达99.58%，优于PLSDA（68.19%）、AdaBoost（96.95%）和SVM（98.47%）模型。因此，多光谱成像与化学计量学多变量分析相结合是一种很有前景的技术，可以高效识别苜蓿种子批次中的甜三叶草种子。

关键词：苜蓿，多光谱成像，多元分析，甜三叶草

图1.苜蓿和草木犀种子19个波长（nm）的平均光谱强度

苜蓿和苜蓿的种子具有显着不同的光反射模式。一般来说，在405到430nm和660到880nm的光谱范围内，在Melilotus spp 中观察到显着更高的反射率值。种子与苜蓿种子相比。然而，在450至630nm和940至970nm波长范围内，观察到相反的趋势，与苜蓿种子相比，苜蓿种子具有显着更高的反射强度。

基于VideometerLab的nCDA模型，区域MSI平均值为正的种子被归类为苜蓿属，负值的种子被归类为苜蓿。对于验证样本，360个Melilotus spp 中的7个。360颗紫花苜蓿种子中有13颗正确分类，平均分类准确率为97.22%。

图2.苜蓿和苜蓿属植物的预测。基于从nCDA转换图像计算的区域MSI平均值的数据集

相关阅读

Videometer种子表型组学:种子活力研究-荧光成像

植物病害表型组学：多光谱病害指纹图谱

Videometer种子表型组学：多光谱成像作为菠菜种子健康检测的潜在工具

Videometer种子表型组学：多光谱图像分析在种子种质库管理中的应用

Videometer种子表型组学：利用可见光、近红外多光谱和化学计量学对不同番茄种子品种的分类

Videometer种子表型组学：使用多光谱成像和化学计量学方法在线鉴别水稻种子

Videometer种子表型组学：使用多光谱成像预测蓖麻种子的活力

Videometer种子表型组学：甜菜种子加工损伤的多光谱图像分类

种子表型组学：基于多光谱成像的葵花籽品质特征识别

种子表型组学：利用多光谱成像和化学计量学方法对大豆种子进行无损鉴别

种子表型组学：Videometer多光谱成像种子质量评估的新工具

种子表型组学：聚合物包衣对水稻种子萌发的影响

种子表型组学：基于可见-近红外多光谱图像数据的偏最小二乘判别分析检测菠菜种子的发芽能力和胚芽长度

种子表型组学：使用灰度共生矩阵和机器学习技术识别单倍体玉米种子