Videometer Lab4多光谱种子表型成像系统是丹麦理工大学与丹麦Videometer公司开发，是用于种子研究先进的多光谱表型成像设备，典型客户为ISTA国际种子检验协会、ESTA欧洲种子检验协会、John Innes Centre、LGC化学家集团、奥胡斯大学等等，利用该系统发表的文章已经超过300篇。

Videometer种子表型表型成像系统可测量种子如尺寸、颜色、形状等，间接测定种子参数如种子纯度、发芽百分比、发芽率、种子健康度、种子成熟度、中寿命等。种子活力综合种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和（发芽和出苗期间的活性水平与行为），是种子品质的重要指标，具体包括吸涨后旺盛的代谢强度、出苗能力、抗逆性、发芽速度及同步性、幼苗发育与产量潜力。种子活力是植物的重要表型特征，传统检测方法包括低温测试、高温加速衰老测试、幼苗生长测定等。

该系统也可以对细菌、虫卵、真菌等进行高通量成像测量，进行病理学、毒理学或其它研究。对于拟南芥等冠层平展的植物，可以进行自动的叶片计数等。

多光谱成像结合机器学习判别辣椒种子品种

摘要：当种子中混入非种子材料或低价值种子品种混入高价值品种时，会给种植者或企业造成损失。因此，种子品种的成功鉴别对于提高种子价值至关重要。近年来，卷积神经网络（CNN）已被用于种子品种的分类。研究了利用多光谱成像结合一维卷积神经网络（1D-CNN）对辣椒种子品种进行分类的可行性。三个品种样品总数为1472个，研究了三个品种在365nm和970nm之间的平均光谱曲线。使用光谱的全波段或通过连续投影算法（SPA）选择的特征波段分析数据。SPA从19个波段（430、450、470、490、515、570、660、780 和 880 nm）中提取了9个特征波段。使用K最近邻（KNN）、支持向量机（SVM）和1D-CNN全波段开发的三种分类模型的分类准确率分别为85.81%、97.70%和90.50%。在全波段下，SVM和1D-CNN的表现明显优于KNN，SVM的表现略好于1D-CNN。使用特征波段，SVM和1D-CNN的测试准确率分别为97.30%和92.6%。1D-CNN的分类准确率虽然不是最高的，但操作简单，是辣椒种子品种预测最可行的方法。

图1.三种辣椒种子，从左到右：‘牛角’辣椒、‘切门田’辣椒、‘天鹰’辣椒

图2显示了三个辣椒种子品种的平均光谱曲线。三个品种在近红外或紫外波段的光谱曲线没有明显差异。但在可见光波段，3条曲线的反射率差异明显，这表明用多光谱数据区分三个辣椒品种的可能性。

图2.三个辣椒品种的平均光谱曲线

使用KNN对三个辣椒品种进行分类，样本是随机抽取的。随着k值的变化，分类精度也发生了变化。k值取1~6，分类准确率分别为82.43%、83.11%、85.81%、82.43%、82.43%、82.43%。 结果表明，当k值继续增加时，准确率并没有提高。由结果得出，当k=3时，分类准确率最好（85.81%）。使用SVM分类模型对三种辣椒进行分类。训练集和测试集的准确率分别为99.30% 和97.70%。图2显示了SVM模型的训练和测试集的预测和真实类别。

图2.使用RBF核函数的SVM模型的预测结果比较。(a)训练集，(b)测试集

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

种子表型组学：不同成熟度甜菜种子发芽抑制因子去除的优化

种子表型组学：通过射线照相和多光谱图像分析测定小麦种子中的侵染

种子表型组学：用于表征麻疯树种子质量的多光谱和X射线图像

种子表型组学：盐胁迫下九个高羊茅品种的种子萌发和幼苗生长参数