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。

通过多光谱成像预测水稻酚类和矿物质含量的数学模型

解开色稻的遗传多样性秘密以获得多种营养特性

通过多光谱指纹数据有效预测生物活性物质

预测多种营养性状的随机森林和人工神经网络模型

将黑米的营养价值与持续的人类健康联系起来

摘要

世界上有一半以上的人口依赖大米获取能量，但作为一种碳水化合物作物，大米的营养价值有限。为了实现亚洲的营养安全目标，我们必须了解具有治疗特性的多种营养特性的遗传变异，并将这些知识应用于未来的水稻育种。利用高通量VideometerLAB光谱成像数据，可使用偏最小二乘（PLS）回归模型的高预测能力来估计总花青素含量，特别在估计结合花青素的含量方面是有效的。利用酚类化合物和矿物质的多方面的营养特性以及videometerLAB特征，开发了将一系列黑米品种分类为三种不同营养质量的理想类型的模型。黑米多样性图板的这些衍生模型是利用videometerLAB数据（L、A、B参数）、选定的酚类（总酚类、总花青素和结合类黄酮）和矿物质（钼和磷）创建的。随机森林和人工神经网络模型分别以85.35%和99.9%的准确率描述了黑米的多种营养特征。这些预测算法将有助于水稻育种家根据简单、高通量的VideometerLAB数据和少量的营养分析，战略性地培育营养价值高的基因型。

关键词：色稻，偏最小二乘回归，随机森林模型，人工神经网络 

Mathematical modeling to predict rice's phenolic and mineral content through multispectral imaging

HIGHLIGHTS

Unraveling the genetic diversity of pigmented rice for multi-nutritional propertie

Efficient prediction of bioactives through multi-spectral fingerprinting data

Random forest and artificial neural network models to predict multi-nutritional traits

Linking black rice nutritional value for sustained human health

Abstract

Over half the world population relies on rice for energy, but being a carbohydrate-based crop, it offers limited nutritional benefits. To achieve nutritional security targets in Asia, we must understand the genetic variation in multi-nutritional properties with therapeutic properties and deploy this knowledge to future rice breeding. High throughput, VideometerLAB spectral imaging data has been effective in estimating total anthocyanin content, particularly bound anthocyanin content, using the high prediction power of partial least square (PLS) regression models. Multi-pronged nutritional properties of phenolic compounds and minerals, together with videometerLAB features, were utilized to develop models to classify a collection of black rice varieties into three distinct nutritional quality ideotypes. These derived models for black rice diversity panels were created utilizing videometerLAB data (L, A, B parameters), selected phenolic types (total phenolics, total anthocyanins, and bound flavonoids), and minerals (Molybdenum and Phosphorous). Random forest and artificial neural network models depicted the multi-nutritional features of black rice with 85.35 and 99.9% accuracy, respectively. These prediction algorithms would help rice breeders strategically breed nutritionally valuable genotypes based on simple, high-through-put videometerLAB readings and a small number of nutritional assays. 

Keywords Pigmented Rice Partial Least Square Regression Random Forest Model Artificial Neural Network

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

种子表型组学：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

种子表型组学：多光谱成像结合多变量分析的单株紫花苜蓿种子品种鉴别

基于机器学习和多光谱成像分类的茄子种子分类方法研究

种子表型组学：通过多光谱成像分析对自然老化的紫花苜蓿种子进行无损鉴定

种子表型组学：自动荧光光谱成像作为一种快速、无损和可靠地评估大豆种子质量的创新方法

种子表型组学：一种利用新兴光学技术和人工智能的方法作为新标记评估花生种子质量

种子表型组学：用多光谱成像检测黑燕麦种子中的德雷克斯孢菌

种子表型组学：多光谱成像结合机器学习方法快速无损检测玉米中玉米赤霉烯酮

种子表型组学：多光谱成像如何无损检测苜蓿种子活力表型？

种子表型组学：基于多光谱成像技术快速无损检测紫花苜蓿人工老化种子

种子表型组学-多光谱种子表型成像系统：基于多光谱成像和叠加集成学习的三种苜蓿单种子鉴定