Food Chemistry: X | 基于种子多光谱成像与机器学习算法的生菜品种鉴别（Videometer）-广东省农业科学院、华南农业大学

Seed multispectral imaging combined with machine learning algorithms for distinguishing different varieties of lettuce (Lactuca sativa L.)

Jinpeng Wei a,b,1 , Zhangyan Dai b,1 , Qi Zhang b,1 , Le Yang a,b , Zhaoqi Zeng b,c ,

Yuliang Zhou a,* , Jun Liu b,* , Bingxian Chen b,*

该研究由广东省农业科学院与华南农业大学联合完成，发表于《Food Chemistry: X》，针对传统生菜品种鉴定方法耗时费力、效率低下的痛点，首次整合多光谱成像技术与机器学习算法，建立了快速、无损、高精度的生菜品种鉴定方法，为生菜种子品质检测和品种纯度鉴定提供了全新技术方案，也为其他作物的品种识别提供了参考。

研究背景和目的

背景：生菜是全球广泛种植和消费的叶菜类蔬菜，品种资源丰富（包括茎用型、叶用型、散叶型、直立型等），市场需求持续增长，但不同生菜品种对种植环境要求差异显著，准确鉴定品种是保障产量和品质的关键。传统生菜品种鉴定依赖形态学观察（需完整生长周期，60-90 天）和分子标记技术（SSR、SAMPL 等），存在耗时久、操作复杂、成本高、对专业要求高等问题；且生菜遗传多样性相对有限，分子标记需高信息含量引物，应用受限。多光谱成像（MSI）技术兼具光谱与计算机视觉优势，可快速获取样本形态和光谱特征，具有无损、高效、操作简便等特点，已成功应用于燕麦、番茄、咖啡豆等作物的品种鉴定，但在生菜品种识别中的系统研究尚未开展。

研究目的：利用多光谱成像技术采集不同生菜品种种子的形态和光谱数据，提取关键特征；对比支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BP）、线性判别分析（LDA）四种机器学习算法的品种鉴定性能；建立最优的生菜品种无损鉴定模型，实现快速、准确的品种区分，为农业生产中的种子纯度检测和品种筛选提供技术支撑。

核心试验方法

①多光谱图像采集：仪器：丹麦 Videometer Lab4 多光谱成像系统，含 19 个窄带 LED 光源（365-970 nm，覆盖紫外、可见、近红外波段），图像分辨率 2192×2192 像素，像素尺寸 40 μm；采集流程：仪器经白板、黑板、圆点板校准后，将种子均匀铺于培养皿（无接触），置于积分球中采集多光谱图像，每个品种分 3 次重复（100 粒 / 次）。

②特征提取：形态特征：提取 14 项指标，包括二进制特征（面积、长度、宽度）、形状特征（长宽比、圆形紧密度、椭圆紧密度等）、颜色特征（CIELab L*、a*、b*、饱和度、色调）；光谱特征：提取 19 个波段的平均反射率数据（365-970 nm）。

③数据预处理与降维：数据预处理：通过 Blob Toolbox 分离种子与杂质、背景，确保特征提取准确性；降维分析：采用主成分分析（PCA）和归一化典型判别分析（nCDA）进行数据降维，探索品种间特征差异。

④模型构建与评价：算法选择：构建四种机器学习模型 ——SVM（径向基核函数）、RF（500 棵决策树）、BP（多层感知器，梯度下降优化）、LDA（最大化类间距离、最小化类内方差）；数据集划分：按 7:3 比例随机划分训练集和测试集，采用十折交叉验证和随机搜索优化模型参数，避免过拟合；评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Sensitivity）、F1 值，通过混淆矩阵分析分类误差。

⑤批量验证：采用不同生产批次的种子（预测验证组）验证最优模型的稳健性，评估模型对批次差异的适应性。

15个生菜品种在可食期营养器官的形态学研究

15个生菜品种种子形状特征差异的箱线图分析：(A) 紧实度圆形分布 (B) 紧实度椭圆形分布 (C) 宽长比分布 (D) BetaShpe_a分布 (E) BetaShpe_b分布 (F) 垂直偏度分布。图中不同小写字母表示同形状品种间存在显著差异（P < 0.05）。

15个生菜品种种子在19个波长（nm）下的平均光反射率折线图，不同颜色代表不同生菜品种，误差线表示±标准偏差。

基于15种生菜品种多光谱数据的PCA二维评分散点图。基于以下数据的前两个主成分（PCs）二维平面图：(A)形态学与光谱融合特征数据；(B)形态学特征数据；(C)15种生菜品种的光谱特征数据。

基于15个生菜品种的多光谱数据的nCDA二维评分散点图。基于15个生菜品种的(A)形态学与光谱融合特征数据、(B)光谱特征数据、(C)形态学特征数据。

本研究展示了15种生菜品种种子的RGB、nCDA及PCA转换图像。其中nCDA和PCA图像基于19个波长的多光谱数据，对所有生菜品种进行了标准化转换。图中采用从低到高的nCDA和PCA值进行颜色渐变（图例说明：红色对应2.00，绿色对应0.00，蓝色对应−2.00）。关于图例中颜色标注的解读，请参阅本文网络版说明。

研究结论

1.多光谱成像技术可有效提取生菜种子的形态和光谱特征，15 个品种的种子在形态指标（面积、长宽比、CIELab 颜色参数）和光谱反射率（365-970 nm）上存在显著差异：形态特征间：面积与长度、宽度呈极显著正相关（P<0.01），长宽比与椭圆紧密度呈极显著正相关（P<0.01）；颜色特征间：CIELab L与 a、饱和度呈极显著正相关（P<0.01）；光谱与形态特征间：紫外、可见光波段前 3 个波长与二进制特征（面积、长度、宽度）呈显著正相关，远红外波段与面积呈显著正相关。

2.基于形态 + 光谱融合特征的LDA 模型是生菜品种鉴定的最优模型，测试集准确率 92.7%，不同批次种子的验证准确率达 93.2%，稳定性和泛化能力强；

3.该方法实现了生菜品种的快速、无损、高精度鉴定，解决了传统方法的痛点，可广泛应用于农业生产中的种子纯度检测、品种筛选和质量控制，也为其他作物的品种识别提供了技术参考。

北京博普特科技有限公司是丹麦Videometer多光谱成像系统的中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。