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。

基于多光谱和共振成像技术的麻疯树种子健康分析新方法

摘要：基于现代种子工业的强大光谱空间传感器，在最先进的技术中开发了创新方法。在这项研究中，我们提出了一种基于多光谱成像结合机器学习算法对麻疯树种子健康进行分类的新方法。此外，我们首次提出了一种基于磁共振成像(MRI)的方法来识别感染不同病原真菌的麻疯树种子的解剖学变化。首先，将种子人工接种Lasiodiplodia theobromae、Colletotrichum siamense和Colletotrichum truncatum，培养24、48、72、96、120、144和168 h后获取多光谱图像。使用培养的种子应用MRI 方法168小时。我们的结果表明，多光谱成像技术与统计模型相结合，具有在孵化48小时后区分麻疯树种子中不同真菌种类的潜力，且准确度高（>80%）。所提出的MRI方法可以识别受可可豆、暹罗念珠菌和截形念珠菌感染的胚乳组织中的不同损伤模式。因此，多光谱成像和MRI可以成为快速准确检测麻疯树种子中不同真菌种类的有用工具。

图1显示了健康种子和用 L.theobromae、C.siamense和 C.truncatum培育的种子类别中19个波长的平均光谱。在可见光区域（405-690 nm），健康种子显示出类似于与可可豆温育的种子组相似的光谱特征。 但是，在整个光谱中，C. siamense 和 C. truncatum的类别之间存在明显的区别，特别是在孵育96、120、144 小时后（图 1e、f、g）。在NIR 区域，健康种子显示出不同的特征模式，与真菌感染的种子相比，在940和970nm 处具有更高的反射率趋势，以及更高的标准偏差值（图 1i）。 同时，UV 波段（365 nm）内的反射率平均值显示出与每组内平均值的较小标准偏差。

图1.每个感兴趣区域内的平均光谱图-ROI（n = 231 颗麻疯树种子）在19个波长下，用于健康种子和感染 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的种子类别

还应用了PCA方法，以确定使用多光谱成像区分健康种子和真菌感染种子的理想时刻（图 2a）。前两个主要成分（PC1和PC2）分别解释了健康种子和感染 L. theobromae、C.siamense 和C. truncatum 的种子之间光谱变化的 68.0%、64.5% 和 75.1%。图2b显示了变量（即潜伏期）对PC1和PC2的贡献，红色虚线表示最有助于区分健康种子和真菌感染种子的变量的截止值。最高贡献显示在48、72和168小时，健康种子和感染 L. theobromae、C. siamense 和 C.truncatum 的种子分别得到更好的分离。在这些时期，选择RBG图像和CDA算法转换的图像来说明不同种子类别的光谱模式（图 2c）。

图2.在孵化24、48、72、96、120、144 和 168 小时后，使用来自健康种子和接种 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的种子的多光谱反射率数据的主成分分析 (PCA) 双图

使用基于LDA算法的不同数据聚类再次评估模型的性能（图 3a 和 b）。前三个线性判别式（LD1、LD2 和 LD3）分别解释了组间光谱差异的 57%、25% 和 16%。健康种子组与受真菌感染的种子组有相当大的距离可明显区分，C. 暹罗”和“C. 截断”，在模型中表现出更多的分类错误。在UVA区域（365 nm）获得的反射率数据对分类的贡献最大，而NIR区域的波长对模型的贡献较小（图 3c）。

图3.线性判别式LD1和LD2 (a)以及L1和LD3(b)的图基于在19个波长（365至970nm）处获得的健康种子和感染Lasiodiplodiatheobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的种子的反射率数据

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

种子表型组学：多光谱成像结合机器学习判别辣椒种子品种

种子表型组学：叶绿素荧光作为花生种子品质评价的新标志物