基于多光譜成像技術(shù)快速無損檢測紫花苜蓿人工老化種子

王雪萌，何欣，張涵，宋瑞，毛培勝，賈善剛

（中國農(nóng)業(yè)大學(xué)草業(yè)科學(xué)與技術(shù)學(xué)院，草業(yè)科學(xué)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100193）

種子老化（seed aging）是指種子活力的自然衰退，即種子生活力逐漸減弱以至完全喪失的過程［1］。種子收獲后隨著貯藏時間的延長不可避免地發(fā)生老化，這是一個由量變到質(zhì)變不可逆的生物學(xué)過程，不僅影響種子發(fā)芽和幼苗生長，而且對種質(zhì)資源的保存、開發(fā)和利用都造成嚴(yán)重影響，甚至影響草地補(bǔ)播和建植水平［2-4］。種子老化一直是種子科學(xué)研究領(lǐng)域的熱點(diǎn)，區(qū)分老化種子對保證種子質(zhì)量及減少經(jīng)濟(jì)損失也具有重大意義。然而，不同老化程度的種子在外部形態(tài)上幾乎沒有差異。傳統(tǒng)的老化種子檢測方法是依據(jù)氣味、顏色和飽滿度等指標(biāo)進(jìn)行分選，具有一定主觀性；常規(guī)的檢測方法如發(fā)芽試驗(yàn)、四唑染色等［5］，這些試驗(yàn)非常耗時，而且種子經(jīng)過試驗(yàn)檢測后無法保持原狀，進(jìn)而無法實(shí)現(xiàn)高通量和快速無損檢測。

多光譜成像（multispectral imaging，MSI）技術(shù)是一種新型的分析檢測技術(shù)，該技術(shù)結(jié)合了光譜技術(shù)和成像技術(shù)，可同時獲取被測物的光譜信息和空間信息，具有簡便、實(shí)用、檢測成本低和無破壞性等優(yōu)點(diǎn)［6］。由于多光譜成像技術(shù)具有實(shí)用性和探索生物材料內(nèi)在特性的能力，目前已經(jīng)廣泛應(yīng)用于不同種類的鑒定以及眾多品質(zhì)檢測中［7］。比如，在種子檢測和鑒定方面，多光譜成像技術(shù)已開始應(yīng)用于種和品種測定［8-9］、種子活力和生活力檢測［10-11］、種子健康檢測［12-13］等領(lǐng)域。不同老化程度種子的內(nèi)部信息及光譜信息間存在差異，所以多光譜成像技術(shù)在老化種子檢測方面具有很大潛力。

紫花苜蓿（Medicago sativa）種子是我國最重要的牧草種子之一，其種子產(chǎn)量遠(yuǎn)高于其他多年生牧草［14］。除此之外，每年還需從國外進(jìn)口大量的紫花苜蓿種子。紫花苜蓿種子的生產(chǎn)和交易給種子安全貯藏帶來了壓力，由于各種環(huán)境因素的影響導(dǎo)致種子在貯藏過程中不可避免地發(fā)生老化［15］。因此，本研究通過對不同人工老化程度的紫花苜蓿種子進(jìn)行多光譜信息采集，根據(jù)其形態(tài)特征及光譜特征進(jìn)行分類，提出了快速、無損鑒定老化種子的新方法，為老化種子的高效分選奠定了基礎(chǔ)，提供了分析思路和方法。

1 材料與方法

1.1 試驗(yàn)材料和樣品制備

試驗(yàn)材料“中苜2 號”紫花苜蓿種子由農(nóng)業(yè)農(nóng)村部牧草與草坪草種子質(zhì)量監(jiān)督檢驗(yàn)測試中心（北京）提供，2017 年從內(nèi)蒙古鄂托克旗賽烏素紫花苜蓿種子田收獲。2019 年11 月，將種子含水量調(diào)至10%，分別置于鋁箔袋內(nèi)密封，于45 ℃、濕度100%條件的電熱恒溫水箱中進(jìn)行3，6 和14 d 的人工加速老化處理后，放置于-20 ℃環(huán)境保存（圖1）。2020 年，對未老化種子（CK）、老化3 d（A3）、老化6 d（A6）及老化14 d（A14）的4 組種子，各取100 粒進(jìn)行多光譜數(shù)據(jù)采集。在區(qū)分老化和未老化種子的同時，將4 個處理組中的種子，分為發(fā)芽種子（G）和不發(fā)芽種子（NG）兩個組別，進(jìn)一步研究多光譜數(shù)據(jù)預(yù)測種子發(fā)芽的表現(xiàn)。

圖1 4 組種子材料的多光譜RGB 成像Fig.1 RGB image of seeds in four groups by MSI

1.2 老化程度測定

發(fā)芽率、發(fā)芽勢是常用且較為客觀的反映種子生活力的指標(biāo)，一般來說種子發(fā)芽率越高，種子活力就越高，其下降程度一般用來表示種子生活力的高低［16-17］。將多光譜采集后的種子按照編號，50 粒為一組置于培養(yǎng)皿中，設(shè)置8 個重復(fù)，進(jìn)行紙上發(fā)芽試驗(yàn)，并每天監(jiān)測各培養(yǎng)皿中的發(fā)芽情況。

1.3 多光譜成像系統(tǒng)數(shù)據(jù)采集

多光譜成像系統(tǒng)的主要儀器為VideometerLab（Videometer A/S，Herlev，丹麥），該儀器內(nèi)部安裝有19 個非均勻分布波長的單色發(fā)光二極管（light-emitting diodes，LED），波長分別為365，405，430，450，470，490，515，540，570，590，630，645，660，690，780，850，880，940 和970 nm，采集圖像時經(jīng)過大約5 s 的連續(xù)頻閃，就可以得到一個立方體圖像，同時產(chǎn)生19 個不同波長下的單色圖像［7，18］。

采集光譜信息時，將4 個處理組的種子分別編號為1~100，25 粒為一組置于培養(yǎng)皿中放置在一個空心積分球下。在圖像采集過程中，球體在采樣臺上閉合，創(chuàng)造光學(xué)閉合條件，從而完成圖像信息的采集。在獲取光譜圖像時，主要的目標(biāo)是種子，所以需要通過背景分割的方法去除背景。之后對圖像進(jìn)行分析處理，提取種子的形態(tài)特征和光譜特征等屬性。形態(tài)信息主要包括面積、長度、寬度、長寬比、緊實(shí)度（compactness circle，compactness ellipse）、Beta shape a、Beta shape b、垂直偏度（vertical skewness）、顏色（CIELab）、飽和度、色調(diào)等指標(biāo)。提取的光譜信息代表了從種子圖像像素中計(jì)算的每個波長反射光平均強(qiáng)度。

1.4 多光譜數(shù)據(jù)分析

本研究利用種子的形態(tài)信息進(jìn)行了老化種子和未老化種子以及不同老化程度種子間的形態(tài)分析；利用種子的光譜特征進(jìn)行了平均光譜反射率、像素直方圖等指標(biāo)的區(qū)分；利用種子的形態(tài)和光譜的綜合信息進(jìn)行了主成分分析（principal component analysis，PCA）、線性判別分析（linear discrimination analysis，LDA）、支持向量機(jī)（support vector machines，SVM）和歸一化標(biāo)準(zhǔn)判別分析（normalized canonical discriminant analysis，nCDA），并采用了Hold-Out Method 進(jìn)行交叉驗(yàn)證。

PCA 作為一種探索性的多元分析技術(shù)，常用于高維數(shù)據(jù)的降維分析［19］，是識別種子形態(tài)特征和光譜特征的模型，并具有將相似形態(tài)和光譜特征的種子進(jìn)行區(qū)分的可能性，可用于提取數(shù)據(jù)的主要特征量。

SVM 主要用于解決模式識別領(lǐng)域中的數(shù)據(jù)分類問題，屬于有監(jiān)督學(xué)習(xí)算法的一種。SVM 的學(xué)習(xí)策略就是最小化類內(nèi)觀測距離，最大化類間觀測距離［20］。種子隨機(jī)抽樣作為校準(zhǔn)集和驗(yàn)證集，分別占總樣本的70%和30%。模型的分類性能通過準(zhǔn)確度、敏感性及特異性進(jìn)行評估。一般來說，模型的性能主要是依靠準(zhǔn)確度來判斷的，使用準(zhǔn)確度作為評價(jià)標(biāo)準(zhǔn)是因?yàn)楹芏鄷r候敏感性和特異性并不能清晰地說明哪個分類器的效果更好［18］。

式中：TN 表示樣本為未老化，預(yù)測為未老化；TO 表示樣本為老化，預(yù)測為老化；FN 表示樣本為老化，預(yù)測為未老化；FO表示樣本為未老化，預(yù)測為老化。

LDA 算法是模型識別中的經(jīng)典算法，LDA 的原理與SVM 是相同的。將數(shù)據(jù)在低維度上進(jìn)行投影，投影后使每一種類別數(shù)據(jù)的投影點(diǎn)盡可能地接近，而不同類別數(shù)據(jù)的類別中心間距盡可能地大，即降維后保證最小化類內(nèi)觀測距離，最大化類間觀測距離，使得樣本在空間內(nèi)具有最佳的可分離性。LDA 的分類性能也是通過上述的準(zhǔn)確度、敏感性和特異性來評價(jià)的。

nCDA 法作為一種監(jiān)督變換構(gòu)建方法，可以將圖像劃分為具有不同光譜特征的感興趣區(qū)域［7］。當(dāng)不同老化種子具有不同的光譜特征時，將其采用不同的視覺標(biāo)志來標(biāo)記感興趣的區(qū)域，用不同的層（老化和未老化種子相比時，老化種子為綠色層，未老化種子為紅色層）來識別nCDA 變換的組，它們將作為兩個不同的感興趣區(qū)域出現(xiàn)在nCDA 變換的圖像中，將數(shù)據(jù)結(jié)果轉(zhuǎn)化為可視化分析圖像［13］。

PCA、SVM 和LDA 分 別使用R 語 言中的FactoMineR、e1071和MASS包進(jìn) 行分析 預(yù)測，nCDA 分析使用VideometerLab 4 軟件中 的MSI-Transformation Builder。

2 結(jié)果與分析

2.1 老化種子發(fā)芽結(jié)果

紙上發(fā)芽試驗(yàn)結(jié)果表明，3 個不同老化程度（A3、A6 和A14）的種子發(fā)芽率均低于未老化種子，而且隨著人工老化時間的增加，種子的發(fā)芽率和發(fā)芽勢均呈現(xiàn)下降趨勢（圖2）。CK 的發(fā)芽率可以達(dá)到98%；A14的發(fā)芽率僅為45%。

圖2 人工處理老化種子的發(fā)芽指標(biāo)統(tǒng)計(jì)Fig.2 Germination index in artificially aged seeds

2.2 老化種子的多光譜形態(tài)特征分析

從不同老化程度種子的多光譜數(shù)據(jù)中，提取了14個與形態(tài)特征相關(guān)的指標(biāo)信息。對3 個老化種子處理組（A3、A6 和A14）與未老化種子（CK）進(jìn)行比較后，發(fā)現(xiàn)有10 個形態(tài)特征指標(biāo)在組間呈現(xiàn)出顯著或極顯著差異（表1）。比如，面積、長度、寬度、緊實(shí)度橢圓、顏色指標(biāo)（CIELab L*，CIELab A*，CIELab B*）和色調(diào)等均與CK 組差異顯著。其中，有7 個指標(biāo)是3 個老化處理組中共同的差異指標(biāo)。

表1 老化種子和未老化種子的形態(tài)特征比較分析Table 1 Morphological features of aged seeds and non-aged seeds

利用多光譜技術(shù)采集的形態(tài)信息可以對老化種子和未老化種子進(jìn)行簡單的區(qū)分，但是不同老化程度種子間的形態(tài)指標(biāo)差異并不大。對3 個老化處理組進(jìn)行兩兩比較，發(fā)現(xiàn)A3 和A6 的種子只在CIELab A*指標(biāo)上存在顯著差異；而從A3 和A14 的種子對比來看，差異比較明顯，在顏色參數(shù)L*、A*，飽和度和色調(diào)指標(biāo)上均可看出差異（表2）。

表2 不同老化程度種子的形態(tài)特征比較分析Table 2 Morphological features of aged seeds for different days

2.3 老化種子光譜特征分析

本研究分析了不同老化程度紫花苜蓿種子在19 個波段下的光譜信息，發(fā)現(xiàn)各處理組間種子的平均光譜反射率具有相似的變化趨勢（圖3），在470~660 nm 處出現(xiàn)了明顯的區(qū)別，此時CK 的平均光譜反射率最高，其次是A6、A14 和A3；在660 nm 之后的波段，可以觀察到平均光譜反射率發(fā)生了變化，反射率最高的是A14，其次是A6、A3 和CK。

圖3 19 個波長下不同老化程度種子的平均光譜反射率Fig. 3 Reflectance of 19 wavelengths in aged seeds for different days

根據(jù)種子的平均光譜反射率分布情況，選取了兩個中間區(qū)段的波長（515 和590 nm），以及兩個兩端的波長（365 和970 nm），進(jìn)行像素直方圖分析（圖4）。515 和590 nm 這兩個波長剛好位于可見光波段（400~760 nm），結(jié)果表明不同老化程度種子在這兩個波長條件下Y 軸像素值差異較大（圖4A，B）。365 和970 nm 的像素直方圖中，老化種子與未老化種子之間存在差異；而且不同老化程度種子（A3、A6 和A14）間仍然存在差異，但是信號峰的順序正好相反，比如在圖4C 的A3 vs A6 中，藍(lán)色A3 峰出現(xiàn)在黃色A6 峰的右邊，但是在圖4D 中順序相反（圖4C，D）。

圖4 老化種子的像素直方圖Fig.4 Pixel histogram of aged seeds

2.4 老化種子的多元分析

基于上述多光譜數(shù)據(jù)表現(xiàn)出來的差異，對4 個處理組開展了多元分析，進(jìn)一步對樣品的多光譜數(shù)據(jù)進(jìn)行分類和預(yù)測。首先，將CK 與其他3 個老化組進(jìn)行比較，之后在3 個老化組間進(jìn)行了相互比較，共得到6 組對比數(shù)據(jù)?；谛螒B(tài)和光譜綜合數(shù)據(jù)，開展PCA 分析提取出前兩個主成分（圖5），它們分別解釋了6 個對比組原始方差的59.1%（CK vs A3），60.7%（CK vs A6），60.4%（CK vs A14），58.3%（A3 vs A6），58.0%（A3 vs A14）和59.1%（A6 vs A14）。然而，PC1/PC2 二維圖均未能很好地區(qū)分開不同老化程度種子，所以PCA 無法準(zhǔn)確區(qū)分老化和未老化種子。SVM 在區(qū)分老化和未老化種子時，平均準(zhǔn)確度分別為94.9%（CK vs A3）、92.4%（CK vs A6）和92.4%（CK vs A14），同時能夠得到較高的敏感性（95.2%~97.0%）和特異性（88.7%~92.8%）；然而，對于不同老化程度種子的區(qū)分效果相對較差，準(zhǔn)確率在68.7%~78.8%（表3）。LDA 模型區(qū)分老化種子和未老化種子的準(zhǔn)確度高達(dá)97.7%（CK vs A3）、93.0%（CK vs A6）和97.3%（CK vs A14）；而且具有很高的敏感性（95.6%~99.3%）和特異性（90.5%~96.8%）（表3）。

圖5 不同老化程度種子基于形態(tài)和光譜數(shù)據(jù)的PCA 分析結(jié)果Fig.5 PCA plot based on morphological and multispectral data in aged seeds for different days

相對SVM 來說，LDA 在區(qū)分不同老化程度種子時，得到了更好的分類效果（表3），準(zhǔn)確度分別為91.7%（A3 vs A6）、82.8%（A3 vs A14）和75.3%（A6 vs A14），同時也能夠獲得較高的敏感性（73.0%~94.4%）和特異性（78.2%~88.3%）。nCDA 以CK 為基準(zhǔn)，區(qū)分A3、A6 和A14 的準(zhǔn)確度分別為94%、88%和90%（表4）。

表3 種子老化及發(fā)芽情況的多元分析Table 3 Discrimination of aged and germinated seeds based on multivariate analysis（%）

表4 老化種子nCDA 預(yù)測結(jié)果對應(yīng)實(shí)際發(fā)芽情況統(tǒng)計(jì)Table 4 The prediction of aged and germinated seeds in aged seeds based on nCDA

綜合比對PCA、SVM、LDA 和nCDA 模型，發(fā)現(xiàn)LDA 模型在老化種子區(qū)分中的效果最佳。

2.5 種子發(fā)芽情況的多元分析

在進(jìn)行區(qū)分老化和未老化種子分析之后，進(jìn)一步研究了多光譜數(shù)據(jù)預(yù)測種子發(fā)芽的表現(xiàn)。將4 個處理組中的種子，分成發(fā)芽種子（G）和不發(fā)芽種子（NG）兩個組別，利用多光譜儀器得到的形態(tài)數(shù)據(jù)和光譜數(shù)據(jù)重新建立判別模型。經(jīng)PCA 提取前兩個主成分后，解釋了原始方差的62.7%（圖6），但是PCA整體區(qū)分效果仍不適合應(yīng)用于種子發(fā)芽鑒定。SVM在區(qū)分G 和NG 中的平均準(zhǔn)確度為92.1%；相比之下，LDA 是區(qū)分種子發(fā)芽的最佳模型，準(zhǔn)確度達(dá)到了98.7%，敏感性（98.0%）和特異性（99.3%）也非常高（表3）。利用部分已知的發(fā)芽種子和不發(fā)芽種子分別作為紅色和藍(lán)色標(biāo)準(zhǔn)樣品進(jìn)行分層，種子的多光譜經(jīng)nCDA 算法轉(zhuǎn)換后，可以利用種子轉(zhuǎn)換后的顏色，來甄別種子是否可以發(fā)芽（圖7）。隨老化時間的增加，nCDA 圖像中紅色種子的數(shù)量越來越少，藍(lán)色種子的數(shù)量增加，即隨老化處理時間的增加，能夠發(fā)芽的種子數(shù)量越來越少，比如，A14 中藍(lán)色種子的數(shù)量明顯多于A6（圖7）。將nCDA 轉(zhuǎn)換圖像和實(shí)際發(fā)芽情況進(jìn)行比對，發(fā)現(xiàn)nCDA 對種子發(fā)芽預(yù)測準(zhǔn)確度達(dá)到了90%~99%（表4）。

圖6 種子發(fā)芽情況基于形態(tài)和光譜數(shù)據(jù)的PCA 分析結(jié)果Fig. 6 PCA plot based on morphological and multispectral data in germinated and non-germinated seeds

圖7 老化種子的nCDA 圖像與實(shí)際發(fā)芽情況比對圖Fig.7 nCDA image of aged seeds vs actual germination

綜合比對PCA、SVM、LDA 和nCDA 模型，發(fā)現(xiàn)LDA 模型在種子發(fā)芽情況的區(qū)分中效果最佳。

3 討論

通過目測的方法區(qū)分紫花苜蓿老化和未老化種子是非常困難的，所以可以采用一種快速、直觀的方法對老化種子進(jìn)行區(qū)分。一個物種存在固有的形態(tài)和光譜特征，可以利用這些特征數(shù)據(jù)來區(qū)別物種內(nèi)或物種間的類別。這是多光譜成像技術(shù)可以作為種子分類工具的基礎(chǔ)［9，18］。大多數(shù)研究表明，種皮在老化過程中顏色變深［21-22］，所以傳統(tǒng)方法常依據(jù)色澤等指標(biāo)對老化種子進(jìn)行評判［23］，但是這種方法的主觀性較強(qiáng)。多光譜顏色指標(biāo)（CIELab L*，CIELab A*和CIELab B*）能夠區(qū)分人眼不可察覺的顏色變化，消除視覺區(qū)分的主觀性［5］。通過多光譜對形態(tài)數(shù)據(jù)的采集，可以發(fā)現(xiàn)老化種子和未老化種子間CIELab 指標(biāo)存在顯著差異。李振華等［24］發(fā)現(xiàn)CIELab 顏色指標(biāo)可以實(shí)時定量監(jiān)測蒴果（capsule）的發(fā)育過程，輔助預(yù)測種子活力變化。但是CIELab 僅僅反映種子的顏色屬性，因此在下結(jié)論時需要多指標(biāo)綜合考量。除此之外，在本研究中還發(fā)現(xiàn)了老化種子的面積、長度和寬度這3 個形態(tài)指標(biāo)顯著高于未老化種子［25］。

老化過程會改變種子的形態(tài)特征和化學(xué)成分［26］。研究表明，種子老化過程表現(xiàn)出丙二醛（MDA）、脂肪酸和可溶性糖含量增加以及有毒有害物質(zhì)積累等特點(diǎn)［27］，Shrestha 等［28］指出，這些變化都可以在可見光和近紅外光譜中追蹤，可見光范圍內(nèi)的差異可歸因于種子樣品顏色的變化；近紅外范圍內(nèi)的差異可歸因于種子樣品化學(xué)成分的變化。對豇豆（Vigna unguiculata）種子的研究發(fā)現(xiàn)，與未老化種子相比，老化種子在部分可見光波段的反射率低，在近紅外波段反射率高［29］，本研究結(jié)果與此一致。結(jié)果表明，老化種子的種皮質(zhì)地及化學(xué)成分的改變，導(dǎo)致了種子反射率的變化?？偟膩碚f，從多光譜圖像中提取的光譜數(shù)據(jù)包含了快速鑒別未老化種子和老化種子所需的化學(xué)信息。Salimi 等［30］研究機(jī)械加工過程對甜菜（Beta vulgaris）種子造成損傷的程度，發(fā)現(xiàn)平均光譜反射率在可見光區(qū)域（低于709 nm）顯示出非常小的差異，而在近紅外區(qū)域的差異程度較大；本研究中紫花苜蓿種子在近紅外區(qū)域是可區(qū)分的，但是在可見光區(qū)域（470~660 nm）表現(xiàn)為更好的可區(qū)分性。這種差異可能是由于種子樣品和檢測目標(biāo)不同產(chǎn)生的［12，31-33］。

PCA 作為一種無監(jiān)督的判別方法，常用于顯示樣本分布模式。本試驗(yàn)在紫花苜蓿上利用PCA 的方法并不能準(zhǔn)確區(qū)分老化和未老化種子，與Hu 等［18］和叢曉翔［25］的研究一致，PCA 區(qū)分性能的好壞可能是由于種類不同導(dǎo)致的［34-35］。其次，可能是由于PCA 中所用的信息是使用方差來定義的，方差越大其所含的信息量越大，所以在降維時，PCA 的首要目的是使變量的方差最大化，而不是使種子間的可分辨性最大化。同時，進(jìn)行主成分分析之后，前兩個主成分僅占總方差的58.0%~60.7%，這表明可能發(fā)生了信息甚至是重要信息的丟失，進(jìn)一步導(dǎo)致了PCA 區(qū)分能力差而無法分組。相比之下，利用SVM 和LDA 區(qū)分老化和未老化種子均可以達(dá)到很高的準(zhǔn)確度；SVM 和LDA 的原理相同且都屬于有監(jiān)督的模型，具有良好的組間區(qū)分能力。但是，LDA 的區(qū)分效果優(yōu)于SVM，產(chǎn)生這種差異的原因可能是因?yàn)閮蓚€模型的工作方式不同。已知的研究表明，SVM 側(cè)重于近紅外區(qū)域（780~970 nm）的數(shù)據(jù)，LDA 更善于應(yīng)用綜合數(shù)據(jù)［9，18，26，36］。為了充分發(fā)揮多光譜成像技術(shù)的應(yīng)用，將多光譜圖像經(jīng)nCDA 算法轉(zhuǎn)化后形成可視化圖像，進(jìn)而對老化種子進(jìn)行判別可以獲得很好的效果。nCDA 算法集成于VideometerLab 4 多光譜成像系統(tǒng)［10，13，37］，可以快速的呈現(xiàn)分類圖進(jìn)而直觀的對老化種子和未老化種子進(jìn)行區(qū)分，對于高通量種子檢測具有重要意義。

同一批次的種子質(zhì)量應(yīng)該是一致的，但是在不同的貯藏條件的影響下，種子批次內(nèi)的單個種子狀態(tài)會產(chǎn)生一定的差異。對種子行業(yè)和市場而言，檢測種子批次間以及種子批次內(nèi)單個種子的特殊狀態(tài)并從整個種子批中分離出來是非常重要的［38］。但是，人工區(qū)分種子是非常繁瑣且耗時的過程，并且采用肉眼區(qū)分種子的方法更是難以令人滿意［39］。因此發(fā)展一種高通量、快速、無損、準(zhǔn)確率高的多光譜檢測技術(shù)對種子行業(yè)來說是非常必要的。已知的研究顯示，包括多光譜在內(nèi)的多個無損檢測技術(shù)都具有很好的應(yīng)用前景。近紅外光譜技術(shù)具有速度快、效率高的特點(diǎn)，且已經(jīng)應(yīng)用在老化種子研究中［40-41］；但是這種方法沒有應(yīng)用種子圖像分析技術(shù)，也未考慮空間信息，且靈敏度低，只能對種子的光譜特征進(jìn)行單獨(dú)測量，遠(yuǎn)沒有多光譜提供的信息多。此外，X-射線成像能夠探測種子內(nèi)部結(jié)構(gòu)，但設(shè)備成本高且具有輻射［42］；高光譜成像技術(shù)也可以實(shí)現(xiàn)形態(tài)信息和光譜信息的分析，但是存在一定的數(shù)據(jù)冗余和數(shù)據(jù)處理負(fù)擔(dān)［43-44］。因此，多光譜技術(shù)應(yīng)用于種子行業(yè)是非常有前景的，特別是與其他的無損檢測技術(shù)結(jié)合起來，檢測的準(zhǔn)確度和速率會大大提高。

4 結(jié)論

本研究通過多光譜成像分析，發(fā)現(xiàn)不同老化程度的苜蓿種子在形態(tài)特征和光譜特征中均存在人眼難以識別的差異，進(jìn)而成功預(yù)測了不同老化程度的種子，也成功預(yù)測出種子是否發(fā)芽。特別是，SVM 和LDA 具有較高的老化種子分類和發(fā)芽預(yù)測準(zhǔn)確度。此外，nCDA 可以將光譜圖像進(jìn)行轉(zhuǎn)化，呈現(xiàn)種子轉(zhuǎn)化后的顏色，根據(jù)種子顏色和空間信息，可以識別老化和未老化的苜蓿種子?？偠灾?，本試驗(yàn)結(jié)果證明，多光譜成像結(jié)合多元分析是一種高效的紫花苜蓿種子分選和無損檢測技術(shù)。