种子表型组学：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

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：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

发表时间：2022-04-19 11:44:34点击：944

来源：北京博普特科技有限公司

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。

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

摘要：在这项研究中，选择了十五种不同品种的茄子种子进行多光谱成像技术的判别分析。从多光谱图像中获取的 78个特征从单个茄子种子中提取，然后使用SVM和一维卷积神经网络 (1D-CNN) 进行分类，总体准确率分别为90.12%和94.80%。还采用了二维卷积神经网络（2D-CNN）对种子品种进行判别，准确率达到了90.67%。这项研究不仅证明了结合机器学习技术的多光谱成像可以作为一种高通量、无损的工具来区分种子品种，而且还揭示了种子壳的形状可能与母本不完全相同，因为遗传和环境因素。

图像采集设备VideometerLab 4 (VM)如图1(a)所示。VM 配备了 19 个 LED。每个LED发出具有指定中心波长的光。仪器采集19个波段的多光谱图像，空间分辨率为2192×2192。每个像素代表从紫外到近红外（365~970 nm）的光谱反射率。由于种子和蓝色背景之间的颜色对比，种子可以很容易地从图像中分割出来。图像处理程序使用 VideometerLab 软件完成。MATLAB用于开发分类模型。茄子十五种品种在 2017 年收获用于该实验。所有种子均由河北农业大学省重点实验室培育。将随机数量的种子放入直径为9厘米的培养皿中进行图像采集（图1（b））。种子总数为2872个，其中随机选择20%的种子作为测试集，10%作为验证集，其余样本作为训练集。表1显示了每个品种的种子数量。采用Otsu方法获得二值图像，并进行一系列形态学操作以去除背景中的噪声。分水岭算法用于图像分割。图 1(c)显示了分割后的连接种子图像的边界，图1(d) 显示了分割后的单个种子。

图1.图像采集和图像分割。(a) VideometerLab4用于图像采集。(b) 茄子种子的多光谱图像（查看模式：sRGB）。(c) 分水岭算法分割的种子边界图像。(d)单个种子的图像。

图3显示了15个茄子品种的平均光谱反射率。不同品种的平均光谱之间仅存在微小差异。15个品种的光谱曲线趋势相似，在515~540nm范围内呈下降趋势。17-38的光谱反射率在15个品种中最高；其他品种在同一范围内。大多数品种的光谱曲线相互交叉或重叠。

图3.十五种茄子种子的平均反射率

使用SVM和1D-CNN 开发了基于提取特征的判别模型。RBF、poly 和线性核函数用于SVM。具有线性核函数的SVM算法的最佳精度为91.28%。表现最好的模型是CNN，分类准确率为94.80%。图 2(a)–4(d) 显示了训练损失、训练准确度、测试损失和测试准确度。损失随着迭代而急剧下降，而分类精度迅速提高，这表明快速收敛。

图2.1D-CNN 的曲线：（a）训练损失；(b)训练准确性；(c)测试损失；(d)测试精度

我们还使用2DCNN开发了判别模型，分类准确率为87.6%。图3(a)-6(d) 显示了训练损失、训练准确度、测试损失和测试准确度；趋势与1D-CNN一致。

图3.2D-CNN 的曲线：（a）训练损失；(b) 训练准确性；(c) 测试损失；(d) 测试精度