集成光学成像技术用于评估西伯利亚野生黑麦种子成熟度的新方法

快速无损方法的光学成像技术的进步提高了种子质量检测的效率。准确地安排收获时间对于最大限度地减少收获过程中的过度破碎，从而最大限度地提高西伯利亚野生黑麦种子的产量至关重要。本研究应用集成光学成像技术和机器学习算法，开发了基于不同成熟阶段和籽粒位置的西伯利亚野生黑麦种子分类模型。形态、多光谱和自发荧光数据的多源融合提供了更全面的信息，但也增加了对设备的性能要求。因此，我们采用了三种滤波算法，即最小联合互信息最大化（JMIM）法、信息增益法和基尼杂质法，并建立了两种控制方法（特征并集和无滤波）来评估仅保留20%的特征对模型性能的影响。JMIM和信息增益都揭示了自发荧光和形态特征（CIELab A、CIELab B、色调和饱和度），这两种滤波算法的运行时间更短。此外，观察到芽长与形态和自发荧光光谱特征之间有很强的相关性。基于线性判别分析（LDA）、随机森林（RF）和支持向量机（SVM）的机器学习模型在对不同成熟阶段的种子进行分类时表现出较高的性能（>0.78的准确率）。此外，研究发现，在成熟阶段，不同的晶粒位置存在相当大的变化，使用K-means方法将模型性能提高了5.8%-9.24%。总之，我们的研究表明，特征滤波算法与机器学习算法相结合，在识别种子成熟度阶段方面具有高性能和低成本，并且针对不一致成熟度应用k-means技术提高了分类精度。因此，该技术可用于西伯利亚野生黑麦种子成熟度和优良生理品质的分类。 

关键词：西伯利亚野生黑麦种子；自体荧光成像；特征滤波；集成光学成像；机器学习；模型更新；多光谱成像。Integrating optical imaging techniques for a novel approach to evaluate Siberian wild rye seed maturity

Abstract

Advances in optical imaging technology using rapid and non-destructive methods have led to improvements in the efficiency of seed quality detection. Accurately timing the harvest is crucial for maximizing the yield of higher-quality Siberian wild rye seeds by minimizing excessive shattering during harvesting. This research applied integrated optical imaging techniques and machine learning algorithms to develop different models for classifying Siberian wild rye seeds based on different maturity stages and grain positions. The multi-source fusion of morphological, multispectral, and autofluorescence data provided more comprehensive information but also increases the performance requirements of the equipment. Therefore, we employed three filtering algorithms, namely minimal joint mutual information maximization (JMIM), information gain, and Gini impurity, and set up two control methods (feature union and no-filtering) to assess the impact of retaining only 20% of the features on the model performance. Both JMIM and information gain revealed autofluorescence and morphological features (CIELab A, CIELab B, hue and saturation), with these two filtering algorithms showing shorter run times. Furthermore, a strong correlation was observed between shoot length and morphological and autofluorescence spectral features. Machine learning models based on linear discriminant analysis (LDA), random forests (RF) and support vector machines (SVM) showed high performance (>0.78 accuracies) in classifying seeds at different maturity stages. Furthermore, it was found that there was considerable variation in the different grain positions at the maturity stage, and the K-means approach was used to improve the model performance by 5.8%-9.24%. In conclusion, our study demonstrated that feature filtering algorithms combined with machine learning algorithms offer high performance and low cost in identifying seed maturity stages and that the application of k-means techniques for inconsistent maturity improves classification accuracy. Therefore, this technique could be employed classification of seed maturity and superior physiological quality for Siberian wild rye seeds.

Keywords: Siberian wild rye seed; autofluorescence imaging; feature filtering; integrating optical imaging; machine learning; model updating; multispectral imaging. 

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。

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

种子表型组学：通过多光谱成像预测水稻酚类和矿物质含量的数学模型

种子表型组学：多光谱系统综述-新技术：高活力大豆种子的活力评估和生产策略

种子表型组学：X射线、多光谱和叶绿素荧光图像：评估水稻种子生理潜力的创新方法

种子表型组学：燕麦（Avena sativa L.）种子品种的多光谱成像分析

种子表型组学：通过作物管理和成像减少小麦制品中丙烯酰胺的膳食暴露

种子表型组学：多光谱成像系统-用于种子参数的RIL群体的形态生化特征以及调节扁豆种子大小性状的候选基因的鉴定

种子表型组学：通过多光谱图像识别花生种子中的真菌：提升健康质量的技术进展

种子表型组学：科学家利用多光谱成像结合多组学技术揭示紫花苜蓿硬实种子的综合休眠模式