基于多光谱图像数据分析检测菠菜种子的发芽能力和胚芽长度

摘要：由于难以获得用于幼叶生产的菠菜种子的均匀发芽，因此研究了对从菠菜种子的多光谱图像中提取的特征使用偏最小二乘判别分析(PLS-DA) 的可能性。目的是区分不同的种子大小，以及预测发芽能力和胚芽长度。拍摄了包括小、中、大种子在内的300颗种子的图像，并检查了种子的发芽能力和胚芽长度。PLS-DA 载荷图用于将多维图像特征减少到几个重要特征。 PLS-DA预测产生了一个独立的测试集，不仅可以区分种子大小，还可以证明发芽能力和胚芽长度如何根据种子大小而变化。结果表明，与较小的种子相比，较大的种子具有显着更高的发芽潜力和胚芽长度。投影方法的可变重要性表明近红外 (NIR) 波长区域对发芽可预测性很重要。然而，当仅使用 NIR 区域时，PLS-DA 模型并没有改善。
 

关键词：PLS-DA；发芽能力；胚芽长度；分类; VIS-NIR 成像；菠菜种子；种子大小
 

图1.395nm（左）和 910 nm（右）的灰度图像
 

在19个不同光谱带的范围内捕获了1280x960个像素的图像。图1显示了在395nm（左）和910 nm（右）下捕获的包含 25 个中等大小菠菜种子的图像。只有图像中的种子是感兴趣的，因此执行的第一步是分离种子从背景（滤纸），使用阈值进行分割。下一步是使用基于灰度共生矩阵(GLCM)的灰度统计和Haralick纹理特征从每个图像（每个波长/波段一个图像）中提取特征。
 

图2.峰态、最大值、平均值、中值、最小值和标准偏差数据（左）和角度、对比度、相关性、熵和逆数据（右）的偏最小二乘判别分析载荷（PLS1 与 PLS2）图
 

基于两个PLS-DA加载图，均值、最大值和最小值特征是重要的灰度特征（图 2，左），而对比度特征是重要的纹理特征（图 2，右）。因此，决定开发关于均值、最大值、最小值和对比度特征的 PLS-DA模型。
 

图3.未发芽（左）、发芽时胚芽长度在3到10毫米之间（中）和发芽时胚芽长度大于10毫米（右）菠菜种子的投影(VIP)得分图的变量重要性
 

在本研究中，VIP图（图 3）清楚地表明，NIR 波长区域对于预测“未发芽”和“发芽长度大于10毫米”很重要。这与菠菜的单种子NIR研究一致，其中NIR区域对于发芽和未发芽种子的分类很重要，准确度为 90-98% 。因此，开发仅使用 NIR 波长区域的 PLS-DA 模型并检查模型性能的改进是显而易见的。然而，仅使用 NIR 波长区域并没有改进 PLS-DA 模型（数据未显示）。