多光譜成像和X光圖像在鑒別麻風(fēng)樹(shù)種子品質(zhì)與種子表型研究的應(yīng)用

最近，來(lái)自Aarhus大學(xué)以及丹麥理工大學(xué)的科學(xué)家利用多光譜成像設(shè)備以及X光設(shè)備發(fā)表了題為Multispectral and X-ray  Images for Characterization of Jatropha Curcas L. Seed Quality的文章，結(jié)論顯示MSI多光譜成像技術(shù)以及X光圖像在麻風(fēng)樹(shù)的種子生理性能研究上有強(qiáng)相關(guān)性。 此類(lèi)技術(shù)可作為未來(lái)替代方法用于快速、有效、可持續(xù)、無(wú)損鑒別麻風(fēng)樹(shù)種子品質(zhì)，克服傳統(tǒng)種子品質(zhì)分析內(nèi)在主觀性。

研究中使用了Videometer開(kāi)發(fā)的多光譜成像系統(tǒng)，該系統(tǒng)是種子品質(zhì)以及種子表型組學(xué)研究的利器，目前為止，利用該設(shè)備已經(jīng)發(fā)表了多達(dá)250多篇文章。

Multispectral and X-ray Images for Characterization of Jatropha Curcas L. Seed Quality

seed viability, non-destructive analysis, machine vision, artificial intelligence

Jean M Carstensen

Danmarks Tekniske Universitet

Birte Boelt

Aarhus Universitet

Background: Jatropha curcas  is an oilseed plant with great potential for biodiesel production. In agricultural industry, the seed quality is still estimated by manual inspection, using  destructive, time-consuming and subjective tests
that depend on the seed analyst experience. Recent advances in machine vision  combined with artificial intelligence algorithms can provide spatial and spectral information for characterization 
of biological images, reducing subjectivity and optimizing the analysis process.

Results: We present a new method for automatic characterization of jatropha seed quality, based
 on multispectral imaging (MSI) combined with X-ray  imaging. We propose an approach along  with X-ray  images in order  to investigate internal problems such as damages in the embryonic axis and endosperm, considering the fact
 that seed surface profiles can be negatively affected, but without reaching important internal 
regions of the seeds.  Our studies included the application of a normalized canonical discriminant analyses (nCDA)
 algorithm as a supervised transformation building method to classify spatial and spectral patters according to 
the classes  of seed quality. Spectral reflectance signatures in a range  of 780 to 970 nm and the X-ray  images can efficiently predict quality traits such as normal seedlings, abnormal seedlings and dead  seeds.

Conclusions: MSI and X-ray  images have  a strong relationship with physiological performance of Jatropha curcas  L. These techniques can be alternative methods for rapid, efficient, sustainable and non-destructive characterization of jatropha seed quality in the future, overcoming the intrinsic subjectivity of the conventional seed quality