欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

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

发表时间:2022-04-19 12:32:35点击:1115

来源:北京博普特科技有限公司

分享:

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。

1655341148122318.png

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

摘要:在农业工业中,基于快速和非破坏性方法的光学成像技术的进步有助于为不断增长的人口增加粮食产量。本研究采用自发荧光光谱成像和机器学习算法来开发不同的模型,用于对人工老化后生理质量不同的大豆种子进行分类。来自365/400 nm 激发-发射组合的自发荧光信号(与胚胎中的总酚类表现出完美的相关性)能够有效地分离处理。此外,还可以证明自发荧光光谱数据与几个质量指标之间存在很强的相关性,例如早期发芽和种子对压力条件的耐受性。基于人工神经网络、支持向量机或线性判别分析开发的机器学习模型在对不同质量水平的种子进行分类时表现出较高的性能(0.99 准确度)。总之,我们的研究表明,大豆种子的生理潜力随着浓度的变化而降低,并且可能在自发荧光化合物的结构中。此外,改变种子的自发荧光特性会影响幼苗的光合作用装置。从实用的角度来看,基于自发荧光的成像可用于检查大豆种子组织光学特性的变化,并始终区分高活力和低活力的种子。

发芽率随着种子老化而降低,尤其是在播种后5天(图1)。虽然电导率(种子膜完整性的间接指标)在老化24小时和48 小时的种子中增加(图1),但饱和盐加速老化(SSAA)将种子分为两组,即种子老化0和12小时与陈化24和48小时的种子。同时,传统的人工老化(AA)进一步从老化的种子中切下未老化的种子。出苗试验无法区分种子类别(图1)。

1650342178294241.png

图1.非老化大豆种子和老化12、24和48小时种子的发芽和活力测试

种子的平均自发荧光光谱在365至540nm(470nm除外)的激发波长下较高(图 3a)。在365/400nm、405/500nm和630/700nm激发发射组合下有效分离未老化种子;在这些组合中,365/400 nm 提供了对种子类别最精细的区分(图3a)。带宽之间的最高相关系数为:1.00(515/600 nm 对 540/600 nm)、0.99(430/500 nm 对 450/500 nm;630/700 nm 对 645/700 nm)和 0.97(405/500 nm vs 430/500;645/700 nm vs 660/700 nm)(图 3b)。

1650342335161182.png

图3.使用来自不同激发-发射组合的自发荧光光谱数据比较非老化大豆种子和老化 12、24和48小时的种子类别

使用nCDA算法,通过去除异常观察值来转换结合365/400nm获得的自发荧光图像的像素值,从而可以计算修剪后的平均值。该技术有助于消除可能影响均值的异常值的影响,从而提供更真实的图像。使用从红色(0)到蓝色(256)的假色代码创建的像素到像素映射在图像中显示自发荧光强度,其中较高的像素值表示具有较高自发荧光的组织(图 4)。尽管所有类别都显示出相似的 RGB 图像,但在存在种皮的情况下捕获图像时存在不同的自发荧光模式(图 4a),其中老化24和48小时的种子表现出最低的自发荧光信号(较低的像素值))。然而,去除种皮后,所有种子类别都呈现出相似的自发荧光模式,而与老化期无关(图 4b)。在第8天的发芽试验中,存在种皮的种子自发荧光信号越低,幼苗性能越低(图4c)。

1650342475929613.png

图4.来自大豆种子类别的非老化种子和老化12、24和48小时种子的原始 RGB 图像,以及在 365/400 nm 激发发射组合下捕获的荧光图像(灰度和 nCDA),显示存在下的自发荧光模式(a )和缺少 (b)种皮。

自发荧光测量与种子质量指标之间的相关性。Pearson相关分析(图5)显示 365/400nm 组合与胚胎中总酚(- 1.00)之间存在完美的负相关,而 660/700 nm 组合与 SSAA 测试(1.00)之间存在完美的正相关 . 其他带宽的相关系数也很高:0.99(515/600 nm 或 540/600 nm vs 木质素),- 0.99(630/700 nm vs 电导率;645/700nm vs 胚胎中的总酚),0.98 (430/500 nm vs 木质素), 0.97 (405/500 nm vs 木质素), - 0.97 (570/600 nm vs 叶绿素a或叶绿素 b), 0.96 (450/500 nm vs 木质素) 和 0.95 (470/500 纳米与木质素)。

1650342674796181.png

图5.来自不同激发发射组合的自发荧光光谱数据与大豆种子质量指标之间的Pearson相关系数

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

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌HAIP
  • 土壤仪器品牌植物遗传资源学报