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

品质至上，客户至上，您的满意就是我们的目标

返回旧版

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自然老化的紫花苜蓿种子进行无损鉴定

发表时间：2022-04-19 12:03:51点击：1105

来源：北京欧亚国际科技有限公司

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自然老化的紫花苜蓿种子进行无损鉴定

摘要：种子老化检测和种子活力预测在苜蓿种子生产中具有重要意义，但传统方法具有一次性和破坏性。因此，建立一种快速、无损的种子筛选方法是种业和研究的必要条件。本研究采用多光谱成像技术采集不同贮藏年限老化苜蓿种子的形态特征和光谱性状。然后，我们采用五种多元分析方法，即主成分分析（PCA）、线性判别分析（LDA）、支持向量机（SVM）、随机森林（RF）和归一化典型判别分析（nCDA）来预测衰老和存活种子。结果表明，未老化种子和老化种子在450~690 nm处的平均光反射率存在显着差异。 LDA模型在区分老化种子和非老化种子方面具有较高的准确性（99.8~100.0%），高于SVM（87.4~99.3%）和RF（84.6~99.3%）。此外，可以区分死种子和老化种子，RF、SVM和LDA的准确率分别为69.7%、72.0%和97.6%。 nCDA预测老化种子发芽的准确率在75.0%到100.0%之间。总之，我们描述了一种无损、快速和高通量的方法来筛选苜蓿中各种活力的老化种子。

关键词：老化的种子；多光谱成像；多变量分析；苜蓿；无损识别

光谱反射率表示从UV(365 nm)到短波NIR(970nm)的19个波长处的像素强度。我们分析了19个波段下老化种子和非老化种子的光谱反射率，发现它们表现出相似的趋势，尤其是在450nm至690nm的光谱范围内，CK（2019 年收获）表现出最高光谱反射率。在NIR区域（从 850 到 970 nm），这种趋势消失了，2011年收获的老化种子呈现出更高的反射强度。我们分别探索了四次比较，观察到2004年和2019年收获的种子之间的最大差异（图2）。所有老化种子组的反射强度与未老化种子的差异很大。

图2.老化种子与非老化种子中19个波长的反射率

根据光谱反射率的结果，我们选择了中间区域的两个波段（515nm和630nm）和两端区域的两个波段（365nm和880nm）来绘制像素直方图。结果显示，在可见光区域（400~760 nm）的515nm和630nm 中的 Y 轴像素值与老化种子和CK之间的两个分离峰显着不同（图3B，C）。老化种子和非老化种子在365nm和880nm处的分布峰仍然存在差异（图 3A，D）。老化种子的像素峰值位置从图3A的左侧移动到图3D的右侧。

图3.老化种子与非老化种子(CK) 的像素直方图

基于多光谱数据开发了五个多变量分析模型。首先，基于形态和光谱特征的主成分分析结果表明，前两个主成分解释了57.8%（2004 vs. 2019）、53.2%（2008 vs. 2019）、51.0%（2011 vs. 2019）、55.8%（2017）与 2019 年相比）的原始方差。2004年的种子分离效果最好，2017年和2019年的种子无法区分（图4）。PCA很难完全区分老化种子和非老化种子。相比之下，SVM模型在对老化种子和非老化种子进行分类时，平均准确率高达99.3%（2004 vs. 2019）、91.3%（2008 vs. 2019）、90.9%（2011 vs. 2019）和87.4 %（2017 年与 2019 年）。SVM 的敏感性和特异性也很好，范围分别为 87.6% 到 99.6% 和 87.3% 到 99.0%。RF模型对老化种子和非老化种子进行分类的平均准确率分别为99.3%（2004 vs. 2019）、89.6%（2008 vs. 2019）、85.5%（2011 vs. 2019）和84.6%（2017 vs. 2019）。2019）。值得注意的是，LDA模型的准确率高达99.8%~100.0%，灵敏度最好，范围为99.7%~100.0%，特异度最好，为100%。

图4.基于不同年份种子的形态和多光谱数据的PCA图

我们根据发芽（红色）和未发芽（蓝色）种子的颜色标准化，在nCDA中用颜色转换种子的所有光谱图像，并尝试预测特定种子的发芽与否。nCDA 的结果表明，随着储存年限的增加，nCDA图像中以红色绘制的种子数量减少，而“蓝色”种子的数量增加。2004年蓝色的种子几乎都没有发芽（图5A），蓝色的种子与未发芽的种子完全匹配，而红色的种子对应于2011年的发芽（图5B）。根据实际种子发芽统计，nCDA预测发芽和未发芽种子的平均准确度值在75.0%~100.0%之间。

图5.nCDA图像与老化种子中的实际发芽