品质至上,客户至上,您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
种子表型组学:通过多光谱成像分析对六种豆科植物单颗硬种子进行无损识别
发表时间:2022-04-15 11:54:20点击:903
来源:北京博普特科技有限公司
分享:
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。
通过多光谱成像分析对六种豆科植物单颗硬种子进行无损识别
摘要
背景:物理休眠(硬种子)发生在豆科的大多数物种中,不仅对生态适应有重大影响,而且对这些物种的农业实践也有重大影响。一种快速、无损和现场筛选方法来检测物种内的硬种子对于保持种子活力和种质储存以及了解种子对各种环境的适应至关重要。在这项研究中,评估了多光谱成像与对象多变量图像分析的潜力,作为一种识别金合欢、东方Galega 、光果甘草、紫花苜蓿、苜蓿和 Thermopsis lanceolata 中硬种子和软种子的方法。应用主成分分析 (PCA)、线性判别分析 (LDA) 和支持向量机 (SVM) 方法根据其形态特征和光谱特征对硬种子和软种子进行分类。
结果:通过多光谱成像分析识别模型的性能因物种而异。对于M. officinalis、M. sativa 和 G. orientulis,可以在独立的验证数据集中实现出色的分类。LDA模型具有最佳的校准和验证能力,对 M.sativa 的准确度高达90%。SVM对M.officinalis和G. orientulis的分类准确率分别为91.67%和87.5%,获得了优异的种子识别结果。然而,LDA和SVM模型都未能区分A. seyal、G.glabra和T. lanceolate中的硬种子和软种子。
结论:多光谱成像结合多变量分析可能是一种有前途的技术,可以高效地识别某些豆科植物中的单个硬种子。在未来的研究中需要研究更多具有物理休眠的豆科植物,以扩展多光谱成像技术的使用。
关键词:硬种子,豆科植物,多光谱成像,多变量分析
除A.seyal外,光谱分析显示其他5个物种的硬种子和软种子在平均反射率方面存在显着差异(图 2)。对于M.sativa和M. officinalis,软种子在整个波长范围内的反射率明显高于硬种子。与M.sativa和M.officinalis 一致,G. glabra 的软种子也表现出比硬种子更高的反射率,而仅在405nm至590nm和850nm至970nm 的光谱范围内观察到统计显着性。与上图相反,东方菖蒲软种子在515~570 nm光谱范围内的反射率明显低于硬种子,而在660~970 nm光谱范围内则呈现相反的趋势。T. lanceolate 在除970nm以外的整个光谱范围内的反射率均未检测到显着差异。
图1.六种硬软种子图片
图2.硬种子和软种子中19个波长(nm)的平均光反射率
每个性状对跨物种LDA模型的贡献存在很大差异(图 3)。对于M. sativa,紧密度圆解释了总变化的11.7%,其次是垂直偏度(10.8%)、色调 (9.2%)、490 nm (7.9%) 和 515 nm (7.1%)。对于 M. officinalis,垂直偏度解释了总变化的 29.7%,其次是紧致椭圆(17.1%)、BetaShape b(16.3%)、BetaShape a(14.3%)和宽度/长度比(4.4%))。同样,对于 M. officinalis,垂直偏度解释了 G. orientulis 总变异的 32.0%,其次是 BetaShape b (21.2%)、BetaShape a (19.9%)、紧凑椭圆 (9.5%) 和色调 (2.8%)(图3)。与LDA 模型一致,SVM 模型在对硬种子和软种子进行分类方面的性能因物种而异。 SVM模型对M. officinalis、M. sativa和G. orientulis的独立验证数据集的种子分类平均准确率分别高达91.67%、89.17%和87.5%。
图3.线性判别分析模型中形态和光谱特征的相对重要性
相关阅读
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: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: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:通过射线照相和多光谱图像分析测定小麦种子中的侵染