基于多光谱成像的苜蓿和甜三叶草种子的鉴别

常规方法难以从苜蓿种子批次中去除甜三叶草种子，影响种子批次的纯度，从而导致苜蓿干草生产和种子产量的损失。然而，如果没有专门的培训，很难区分苜蓿种子批次中的甜三叶草种子污染。在这项研究中，评估了具有面向对象的多变量图像分析的多光谱成像分离甜三叶草和苜蓿种子的潜力。应用主成分分析(PCA)、线性判别分析(LDA)、偏最小二乘判别分析(PLSDA)、AdaBoost和支持向量机(SVM)等方法根据甜三叶草和苜蓿的形态特征和光谱特征对种子进行分类或其组合。结果表明，基于测试数据集中的形态特征和光谱数据的组合，可以实现出色的分类。在LDA模型的验证集中，种子分类准确率高达99.58%，优于PLSDA（68.19%）、AdaBoost（96.95%）和SVM（98.47%）模型。因此，多光谱成像与化学计量学多变量分析相结合是一种很有前景的技术，可以高效识别苜蓿种子批次中的甜三叶草种子。
 

关键词：苜蓿，多光谱成像，多元分析，甜三叶草

图1.苜蓿和草木犀种子19个波长（nm）的平均光谱强度
 

苜蓿和苜蓿的种子具有显着不同的光反射模式。一般来说，在405到430nm和660到880nm的光谱范围内，在Melilotus spp 中观察到显着更高的反射率值。种子与苜蓿种子相比。然而，在450至630nm和940至970nm波长范围内，观察到相反的趋势，与苜蓿种子相比，苜蓿种子具有显着更高的反射强度。
 

基于VideometerLab的nCDA模型，区域MSI平均值为正的种子被归类为苜蓿属，负值的种子被归类为苜蓿。对于验证样本，360个Melilotus spp 中的7个。360颗紫花苜蓿种子中有13颗正确分类，平均分类准确率为97.22%。

图2.苜蓿和苜蓿属植物的预测。基于从nCDA转换图像计算的区域MSI平均值的数据集