集成光學成像技術用于評估西伯利亞野生黑麥種子成熟度的新方法
快速無損方法的光學成像技術的進步提高了種子質(zhì)量檢測的效率。準確地安排收獲時間對于限度地減少收獲過程中的過度破碎，從而限度地提高西伯利亞野生黑麥種子的產(chǎn)量至關重要。本研究應用集成光學成像技術和機器學習算法，開發(fā)了基于不同成熟階段和籽粒位置的西伯利亞野生黑麥種子分類模型。形態(tài)、多光譜和自發(fā)熒光數(shù)據(jù)的多源融合提供了更全面的信息，但也增加了對設備的性能要求。因此，我們采用了三種濾波算法，即最小聯(lián)合互信息（jmim）法、信息增益法和基尼雜質(zhì)法，并建立了兩種控制方法（特征并集和無濾波）來評估僅保留20%的特征對模型性能的影響。jmim和信息增益都揭示了自發(fā)熒光和形態(tài)特征（cielab a、cielab b、色調(diào)和飽和度），這兩種濾波算法的運行時間更短。此外，觀察到芽長與形態(tài)和自發(fā)熒光光譜特征之間有很強的相關性?；诰€性判別分析（lda）、隨機森林（rf）和支持向量機（svm）的機器學習模型在對不同成熟階段的種子進行分類時表現(xiàn)出較高的性能（>0.78的準確率）。此外，研究發(fā)現(xiàn)，在成熟階段，不同的晶粒位置存在相當大的變化，使用k-means方法將模型性能提高了5.8%-9.24%。總之，我們的研究表明，特征濾波算法與機器學習算法相結合，在識別種子成熟度階段方面具有高性能和低成本，并且針對不一致成熟度應用k-means技術提高了分類精度。因此，該技術可用于西伯利亞野生黑麥種子成熟度和優(yōu)良生理品質(zhì)的分類。
關鍵詞：西伯利亞野生黑麥種子；自體熒光成像；特征濾波；集成光學成像；機器學習；模型更新；多光譜成像。integrating optical imaging techniques for a novel approach to evaluate siberian wild rye seed maturity
abstract
advances in optical imaging technology using rapid and non-destructive methods have led to improvements in the efficiency of seed quality detection. accurately timing the harvest is crucial for maximizing the yield of higher-quality siberian wild rye seeds by minimizing excessive shattering during harvesting. this research applied integrated optical imaging techniques and machine learning algorithms to develop different models for classifying siberian wild rye seeds based on different maturity stages and grain positions. the multi-source fusion of morphological, multispectral, and autofluorescence data provided more comprehensive information but also increases the performance requirements of the equipment. therefore, we employed three filtering algorithms, namely minimal joint mutual information maximization (jmim), information gain, and gini impurity, and set up two control methods (feature union and no-filtering) to assess the impact of retaining only 20% of the features on the model performance. both jmim and information gain revealed autofluorescence and morphological features (cielab a, cielab b, hue and saturation), with these two filtering algorithms showing shorter run times. furthermore, a strong correlation was observed between shoot length and morphological and autofluorescence spectral features. machine learning models based on linear discriminant analysis (lda), random forests (rf) and support vector machines (svm) showed high performance (>0.78 accuracies) in classifying seeds at different maturity stages. furthermore, it was found that there was considerable variation in the different grain positions at the maturity stage, and the k-means approach was used to improve the model performance by 5.8%-9.24%. in conclusion, our study demonstrated that feature filtering algorithms combined with machine learning algorithms offer high performance and low cost in identifying seed maturity stages and that the application of k-means techniques for inconsistent maturity improves classification accuracy. therefore, this technique could be employed classification of seed maturity and superior physiological quality for siberian wild rye seeds.
keywords:siberian wild rye seed; autofluorescence imaging; feature filtering; integrating optical imaging; machine learning; model updating; multispectral imaging.
videometer種子表型表型成像系統(tǒng)可測量種子如尺寸、顏色、形狀等，間接測定種子參數(shù)如種子純度、發(fā)芽百分比、發(fā)芽率、種子健康度、種子成熟度、中壽命等。種子活力綜合種子活力是種子發(fā)芽和出苗率、幼苗生長的潛勢、植株抗逆能力和生產(chǎn)潛力的總和（發(fā)芽和出苗期間的活性水平與行為），是種子品質(zhì)的重要指標，具體包括吸漲后旺盛的代謝強度、出苗能力、抗逆性、發(fā)芽速度及同步性、幼苗發(fā)育與產(chǎn)量潛力。種子活力是植物的重要表型特征，傳統(tǒng)檢測方法包括低溫測試、高溫加速衰老測試、幼苗生長測定等。
該系統(tǒng)也可以對細菌、蟲卵、真菌等進行高通量成像測量，進行病理學、毒理學或其它研究。對于擬南芥等冠層平展的植物，可以進行自動的葉片計數(shù)等。
相關閱讀
videometer種子表型組學:種子活力研究-熒光成像
植物病害表型組學：多光譜病害指紋圖譜
videometer種子表型組學：多光譜成像作為菠菜種子健康檢測的潛在工具
videometer種子表型組學：多光譜圖像分析在種子種質(zhì)庫管理中的應用
videometer種子表型組學：利用可見光、近紅外多光譜和化學計量學對不同番茄種子品種的分類
videometer種子表型組學：使用多光譜成像和化學計量學方法在線鑒別水稻種子
videometer種子表型組學：使用多光譜成像預測蓖麻種子的活力
videometer種子表型組學：甜菜種子加工損傷的多光譜圖像分類
種子表型組學：基于多光譜成像的葵花籽品質(zhì)特征識別
種子表型組學：利用多光譜成像和化學計量學方法對大豆種子進行無損鑒別
種子表型組學：videometer多光譜成像種子質(zhì)量評估的新工具
種子表型組學：聚合物包衣對水稻種子萌發(fā)的影響
種子表型組學：基于可見-近紅外多光譜圖像數(shù)據(jù)的偏最小二乘判別分析檢測菠菜種子的發(fā)芽能力和胚芽長度
種子表型組學：使用灰度共生矩陣和機器學習技術識別單倍體玉米種子
種子表型組學：不同成熟度甜菜種子發(fā)芽抑制因子去除的優(yōu)化
種子表型組學：通過射線照相和多光譜圖像分析測定小麥種子中的侵染
種子表型組學：用于表征麻瘋樹種子質(zhì)量的多光譜和x射線圖像
種子表型組學：鹽脅迫下九個高羊茅品種的種子萌發(fā)和幼苗生長參數(shù)
種子表型組學：多光譜成像結合機器學習判別辣椒種子品種
種子表型組學：葉綠素熒光作為花生種子品質(zhì)評價的新標志物
種子表型組學：基于多光譜和共振成像技術的麻瘋樹種子健康分析新方法
種子表型組學：多光譜成像結合多變量分析的單株紫花苜蓿種子品種鑒別
基于機器學習和多光譜成像分類的茄子種子分類方法研究
種子表型組學：通過多光譜成像分析對自然老化的紫花苜蓿種子進行無損鑒定
種子表型組學：自動熒光光譜成像作為一種快速、無損和可靠地評估大豆種子質(zhì)量的創(chuàng)新方法
種子表型組學：一種利用新興光學技術和人工智能的方法作為新標記評估花生種子質(zhì)量
種子表型組學：用多光譜成像檢測黑燕麥種子中的德雷克斯孢菌
種子表型組學：多光譜成像結合機器學習方法快速無損檢測玉米中玉米赤霉烯酮
種子表型組學：多光譜成像如何無損檢測苜蓿種子活力表型？
種子表型組學：基于多光譜成像技術快速無損檢測紫花苜蓿人工老化種子
種子表型組學-多光譜種子表型成像系統(tǒng)：基于多光譜成像和疊加集成學習的三種苜蓿單種子鑒定
種子表型組學：通過多光譜成像預測水稻酚類和礦物質(zhì)含量的數(shù)學模型
種子表型組學：多光譜系統(tǒng)綜述-新技術：高活力大豆種子的活力評估和生產(chǎn)策略
種子表型組學：x射線、多光譜和葉綠素熒光圖像：評估水稻種子生理潛力的創(chuàng)新方法
種子表型組學：燕麥（avena sativa l.）種子品種的多光譜成像分析
種子表型組學：通過作物管理和成像減少小麥制品中丙烯酰胺的膳食暴露
種子表型組學：多光譜成像系統(tǒng)-用于種子參數(shù)的ril群體的形態(tài)生化特征以及調(diào)節(jié)扁豆種子大小性狀的候選基因的鑒定
種子表型組學：通過多光譜圖像識別花生種子中的真菌：提升健康質(zhì)量的技術進展
種子表型組學：科學家利用多光譜成像結合多組學技術揭示紫花苜蓿硬實種子的綜合休眠模式