摘要：由于難以獲得用于幼葉生產的菠菜種子的均勻發(fā)芽，因此研究了對從菠菜種子的多光譜圖像中提取的特征使用偏最小二乘判別分析(PLS-DA) 的可能性。目的是區(qū)分不同的種子大小，以及預測發(fā)芽能力和胚芽長度。拍攝了包括小、中、大種子在內的300顆種子的圖像，并檢查了種子的發(fā)芽能力和胚芽長度。PLS-DA 載荷圖用于將多維圖像特征減少到幾個重要特征。 PLS-DA預測產生了一個獨立的測試集，不僅可以區(qū)分種子大小，還可以證明發(fā)芽能力和胚芽長度如何根據種子大小而變化。結果表明，與較小的種子相比，較大的種子具有顯著更高的發(fā)芽潛力和胚芽長度。投影方法的可變重要性表明近紅外 (NIR) 波長區(qū)域對發(fā)芽可預測性很重要。然而，當僅使用 NIR 區(qū)域時，PLS-DA 模型并沒有改善。
 

關鍵詞：PLS-DA；發(fā)芽能力；胚芽長度；分類; VIS-NIR 成像；菠菜種子；種子大小
 

圖1.395nm（左）和 910 nm（右）的灰度圖像
 

在19個不同光譜帶的范圍內捕獲了1280x960個像素的圖像。圖1顯示了在395nm（左）和910 nm（右）下捕獲的包含 25 個中等大小菠菜種子的圖像。只有圖像中的種子是感興趣的，因此執(zhí)行的第一步是分離種子從背景（濾紙），使用閾值進行分割。下一步是使用基于灰度共生矩陣(GLCM)的灰度統計和Haralick紋理特征從每個圖像（每個波長/波段一個圖像）中提取特征。
 

圖2.峰態(tài)、最大值、平均值、中值、最小值和標準偏差數據（左）和角度、對比度、相關性、熵和逆數據（右）的偏最小二乘判別分析載荷（PLS1 與 PLS2）圖
 

基于兩個PLS-DA加載圖，均值、最大值和最小值特征是重要的灰度特征（圖 2，左），而對比度特征是重要的紋理特征（圖 2，右）。因此，決定開發(fā)關于均值、最大值、最小值和對比度特征的 PLS-DA模型。
 

圖3.未發(fā)芽（左）、發(fā)芽時胚芽長度在3到10毫米之間（中）和發(fā)芽時胚芽長度大于10毫米（右）菠菜種子的投影(VIP)得分圖的變量重要性
 

在本研究中，VIP圖（圖 3）清楚地表明，NIR 波長區(qū)域對于預測“未發(fā)芽”和“發(fā)芽長度大于10毫米”很重要。這與菠菜的單種子NIR研究一致，其中NIR區(qū)域對于發(fā)芽和未發(fā)芽種子的分類很重要，準確度為 90-98% 。因此，開發(fā)僅使用 NIR 波長區(qū)域的 PLS-DA 模型并檢查模型性能的改進是顯而易見的。然而，僅使用 NIR 波長區(qū)域并沒有改進 PLS-DA 模型（數據未顯示）。