欧亚国际

种子的健康质量对农业至关重要。这是因为病原真菌损害了种子的生理质量，阻止了田间植物的形成，从而给农民造成损失。多光谱图像技术结合机器学习算法可以优化健康花生种子的识别，大大提高健康质量。本研究目的是验证多光谱图像技术和人工智能工具是否能有效鉴别热带花生种子中的致病真菌。为此，使用被真菌（黄曲霉、黑曲霉、青霉菌和根霉）感染的干花生种子获取不同波长（365至970nm）的图像。发现了花生种子健康质量的多光谱标记。216小时的孵化期是通过多光谱图像区分健康种子和含真菌种子的最重要的时期。质地（百分比）、颜色（CIELab L*）和反射率（490nm）在区分花生种子的健康质量方面非常有效。机器学习算法（LDA、MLP、RF和SVM）在种子健康状态的自主检测中显示出高精度（90%至100%）。因此，结合机器学习算法的多光谱图像对于筛选具有优良健康质量的花生种子是有效的。

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接近400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。

Fungal identification in peanuts seeds through multispectral images: Technological advances to enhance sanitary quality

The sanitary quality of seed is essential in agriculture. This is because pathogenic fungi compromise seed physiological quality and prevent the formation of plants in the field, which causes losses to farmers. Multispectral images technologies coupled with machine learning algorithms can optimize the identification of healthy peanut seeds, greatly improving the sanitary quality. The objective was to verify whether multispectral images technologies and artificial intelligence tools are effective for discriminating pathogenic fungi in tropical peanut seeds. For this purpose, dry peanut seeds infected by fungi (A. flavus, A. niger, Penicillium sp., and Rhizopus sp.) were used to acquire images at different wavelengths (365 to 970 nm). Multispectral markers of peanut seed health quality were found. The incubation period of 216 h was the one that most contributed to discriminating healthy seeds from those containing fungi through multispectral images. Texture (Percent Run), color (CIELab L*) and reflectance (490 nm) were highly effective in discriminating the sanitary quality of peanut seeds. Machine learning algorithms (LDA, MLP, RF, and SVM) demonstrated high accuracy in autonomous detection of seed health status (90 to 100%). Thus, multispectral images coupled with machine learning algorithms are effective for screening peanut seeds with superior sanitary quality.

相关阅读

Videometer种子表型组学:种子活力研究-荧光成像

植物病害表型组学：多光谱病害指纹图谱

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：基于多光谱成像的葵花籽品质特征识别

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：聚合物包衣对水稻种子萌发的影响

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：不同成熟度甜菜种子发芽抑制因子去除的优化

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

种子表型组学：用于表征麻疯树种子质量的多光谱和X射线图像

种子表型组学：盐胁迫下九个高羊茅品种的种子萌发和幼苗生长参数

种子表型组学：多光谱成像结合机器学习判别辣椒种子品种

种子表型组学：叶绿素荧光作为花生种子品质评价的新标志物

种子表型组学：基于多光谱和共振成像技术的麻疯树种子健康分析新方法

种子表型组学：多光谱成像结合多变量分析的单株紫花苜蓿种子品种鉴别

基于机器学习和多光谱成像分类的茄子种子分类方法研究

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

种子表型组学：自动荧光光谱成像作为一种快速、无损和可靠地评估大豆种子质量的创新方法

种子表型组学：一种利用新兴光学技术和人工智能的方法作为新标记评估花生种子质量

种子表型组学：用多光谱成像检测黑燕麦种子中的德雷克斯孢菌

种子表型组学：多光谱成像结合机器学习方法快速无损检测玉米中玉米赤霉烯酮

种子表型组学：多光谱成像如何无损检测苜蓿种子活力表型？

种子表型组学：基于多光谱成像技术快速无损检测紫花苜蓿人工老化种子

种子表型组学-多光谱种子表型成像系统：基于多光谱成像和叠加集成学习的三种苜蓿单种子鉴定

种子表型组学：通过多光谱成像预测水稻酚类和矿物质含量的数学模型

种子表型组学：多光谱系统综述-新技术：高活力大豆种子的活力评估和生产策略

种子表型组学：X射线、多光谱和叶绿素荧光图像：评估水稻种子生理潜力的创新方法

种子表型组学：燕麦（Avena sativa L.）种子品种的多光谱成像分析

种子表型组学：通过作物管理和成像减少小麦制品中丙烯酰胺的膳食暴露

种子表型组学：多光谱成像系统-用于种子参数的RIL群体的形态生化特征以及调节扁豆种子大小性状的候选基因的鉴定