基于多光谱和共振成像技术的麻疯树种子健康分析

Multispectral and X-ray images for characterization of Jatropha curcas L. seed quality
期刊：PLANT METHODS 影响因子：4.993
用于表征麻疯树种子质量的多光谱和 X 射线图像
 

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 970 nm 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 970 nm）处获得的健康种子和感染 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的种子的反射率数据