Videometer利用可見(jiàn)光和近紅外多光譜結(jié)合對(duì)不同番茄種子品種進(jìn)行分類(lèi)

利用可見(jiàn)光、近紅外多光譜和化學(xué)計(jì)量學(xué)對(duì)不同番茄種子品種的分類(lèi)
 

摘要：利用可見(jiàn)光和短波近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法，研究了五種不同番茄種子品種快速無(wú)損分類(lèi)的可行性。從番茄種子的多光譜圖像中提取了19種不同波長(zhǎng)（375 nm至970 nm）的可見(jiàn)-近紅外光譜。主成分分析（PCA）用于數(shù)據(jù)挖掘，偏最小二乘判別分析（PLS-DA）和支持向量機(jī)判別分析（SVM-DA）用于對(duì)5個(gè)不同番茄品種進(jìn)行分類(lèi)。結(jié)果表明，無(wú)論化學(xué)計(jì)量學(xué)方法如何，對(duì)于所有番茄品種，兩個(gè)獨(dú)立測(cè)試集的分類(lèi)準(zhǔn)確率都非常高，范圍從94%到100%。PLS-DA和SVM-DA校準(zhǔn)模型的總體分類(lèi)錯(cuò)誤率分別為3.2%和0.4%。結(jié)果表明，可見(jiàn)-近紅外光譜有可能用于番茄種子品種的無(wú)損鑒別，并有機(jī)會(huì)將其納入植物遺傳資源管理、植物品種保護(hù)或登記方案。
 

圖1.捕獲的五個(gè)番茄種子品種的多光譜圖像。（a）藍(lán)色背景分割后的圖像；種子上的白邊顯示ROI的選擇（b）;525nm下的種子圖像（c）
 

來(lái)自五個(gè)番茄品種種子的Vis-NIR光譜數(shù)據(jù)顯示出變化，但在每個(gè)波長(zhǎng)上表現(xiàn)出相似的反射趨勢(shì)（圖 2）。光譜的變化表明番茄品種在番茄種子的物理和化學(xué)特性方面存在差異�？梢�(jiàn)光范圍的變化可歸因于種子樣品的顏色，而NIR區(qū)域的變化是由于品種種子的化學(xué)差異所致。這些光譜變化表明 Vis-NIR 可用于定性使用化學(xué)計(jì)量學(xué)方法進(jìn)行分類(lèi)。PCA 最初是在 Vis-NIR 光譜上進(jìn)行的，沒(méi)有任何數(shù)據(jù)預(yù)處理，以探索番茄品種的可能聚類(lèi)并識(shí)別可能的異常值。然而，沒(méi)有觀察到番茄品種之間的明顯區(qū)別（數(shù)據(jù)未顯示）。這并不奇怪，因?yàn)榉N子的光譜特性可能會(huì)影響光散射、粒度分布和與入射光束對(duì)齊等物理現(xiàn)象，這些現(xiàn)象會(huì)給數(shù)據(jù)增加噪聲。因此，數(shù)學(xué)數(shù)據(jù)預(yù)處理算法 SNV 和 detrend 用于消除或最小化物理效應(yīng)以進(jìn)行進(jìn)一步數(shù)據(jù)分析。對(duì)預(yù)處理的 Vis-NIR 光譜執(zhí)行的 PCA 顯示校準(zhǔn)集中很少有異常值（數(shù)據(jù)未顯示）。然而，去除異常值并沒(méi)有改進(jìn)模型，它們隨后被保留用于分類(lèi)模型的進(jìn)一步開(kāi)發(fā)。圖 3 顯示了使用前三個(gè)得分向量 PC 1、PC 2 和 PC 3 的三維主成分 (PC) 得分圖，它們貢獻(xiàn)了 96.5% 的大部分光譜變化，即分別為47.8%、42.6% 和 6.1%。它顯示了相同栽培品種的種子樣本的聚類(lèi)，盡管觀察到栽培品種的聚類(lèi)之間存在一些重疊。結(jié)果表明，根據(jù)種子的反射率可以區(qū)分五種番茄品種。此外，這意味著來(lái)自樣品的不同光譜屬性可以與來(lái)自每個(gè)栽培品種的種子的特征相關(guān)聯(lián)。
 

圖2.從19個(gè)波長(zhǎng)的種子圖像的 ROI 中提取的五個(gè)番茄品種的平均 Vis-NIR 光譜。375nm至700nm的波長(zhǎng)來(lái)自可見(jiàn)光范圍，780nm至970nm的波長(zhǎng)來(lái)自NIR區(qū)域 (a)；番茄種子的平均SNV和detrend預(yù)處理可見(jiàn)-近紅外光譜（b）

PLS-DA模型

利用六個(gè)LVs建立了PLS-DA模型對(duì)番茄品種進(jìn)行分類(lèi)。開(kāi)發(fā)的PLS-DA模型解釋了99.7%的可見(jiàn)-近紅外光譜變化，其中96.4%的變化信息來(lái)自前三個(gè)LV。該模型能夠以3.2%的總體分類(lèi)ER對(duì)校準(zhǔn)集的所有品種進(jìn)行分類(lèi)，HRD17和CL的最小ER分別為0.3%和0.8%。校準(zhǔn)模型在分類(lèi)品種BL410、Care Nepal和T9時(shí)相對(duì)較差，因?yàn)槊總�(gè)品種的誤分類(lèi)率較高，并且對(duì)總體ER有顯著貢獻(xiàn)。這可能是合理的，因?yàn)樵谔剿餍苑治鲋邪l(fā)現(xiàn)這三個(gè)品種的集群重疊（圖3）。然而，該模型能夠預(yù)測(cè)樣本的測(cè)試集，兩個(gè)測(cè)試集的分類(lèi)準(zhǔn)確率為94%至100%。在兩個(gè)試驗(yàn)組中，誤分類(lèi)種子的比例幾乎相似。圖4顯示了測(cè)試集1的PLS-DA模型的分類(lèi)精度。測(cè)試集1和測(cè)試集2的總體ERs也一致，分別為1.8%和2.1%。此外，對(duì)于CL和HRD17具有絕對(duì)分類(lèi)的所有品種，模型的敏感性，即正確識(shí)別屬于該類(lèi)別的陽(yáng)性樣本的能力，合理地更高。該模型的特異性，即拒絕所有其他品種樣品的能力，也足夠高，與正確分類(lèi)樣品的能力非常相似，這表明該模型的穩(wěn)健性�？偟膩�(lái)說(shuō)，PLS-DA顯示了可見(jiàn)-近紅外光譜數(shù)據(jù)對(duì)番茄品種種子分類(lèi)的潛力。
 

圖3.前三個(gè)主成分(PC)得分圖顯示了五個(gè)番茄品種對(duì)它們的群體成員的聚類(lèi)。括號(hào)中的值表示各個(gè) PC 中包含的變化信息