Multispectral and X-ray images for characterization of Jatropha curcas L. seed quality
期刊：PLANT METHODS 影響因子：4.993
用于表征麻瘋樹種子質量的多光譜和 X 射線圖像
 

摘要：基于現代種子工業的強大光譜空間傳感器，在最先進的技術中開發了創新方法。在這項研究中，我們提出了一種基于多光譜成像結合機器學習算法對麻瘋樹種子健康進行分類的新方法。此外，我們首次提出了一種基于磁共振成像 (MRI) 的方法來識別感染不同病原真菌的麻瘋樹種子的解剖學變化。首先，將種子人工接種Lasiodiplodia theobromae、Colletotrichum siamense和Colletotrichum truncatum，培養24、48、72、96、120、144和168 h后獲取多光譜圖像。使用培養的種子應用 MRI 方法 168 小時。我們的結果表明，多光譜成像技術與統計模型相結合，具有在孵化 48 小時后區分麻瘋樹種子中不同真菌種類的潛力，且準確度高（>80%）。所提出的 MRI 方法可以識別受可可豆、暹羅念珠菌和截形念珠菌感染的胚乳組織中的不同損傷模式。因此，多光譜成像和 MRI 可以成為快速準確檢測麻瘋樹種子中不同真菌種類的有用工具。

圖 1 顯示了健康種子和用 L. theobromae、C. siamense 和 C. truncatum 培育的種子類別中 19 個波長的平均光譜。 在可見光區域（405-690 nm），健康種子顯示出類似于與可可豆溫育的種子組相似的光譜特征。 但是，在整個光譜中，C. siamense 和 C. truncatum 的類別之間存在明顯的區別，特別是在孵育 96、120、144 小時后（圖 1e、f、g）。在 NIR 區域，健康種子顯示出不同的特征模式，與真菌感染的種子相比，在 940 和 970 nm 處具有更高的反射率趨勢，以及更高的標準偏差值（圖 1i）。 同時，UV 波段（365 nm）內的反射率平均值顯示出與每組內平均值的較小標準偏差。

圖1. 每個感興趣區域內的平均光譜圖 - ROI（n = 231 顆麻瘋樹種子）在 19 個波長下，用于健康種子和感染 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的種子類別
 

還應用了 PCA 方法，以確定使用多光譜成像區分健康種子和真菌感染種子的理想時刻（圖 2a）。 前兩個主要成分（PC1 和 PC2）分別解釋了健康種子和感染 L. theobromae、C. siamense 和 C. truncatum 的種子之間光譜變化的 68.0%、64.5% 和 75.1%。 圖 2b 顯示了變量（即潛伏期）對 PC1 和 PC2 的貢獻，紅色虛線表示最有助于區分健康種子和真菌感染種子的變量的截止值。 最高貢獻顯示在 48、72 和 168 小時，健康種子和感染 L. theobromae、C. siamense 和 C. truncatum 的種子分別得到更好的分離。 在這些時期，選擇 RBG 圖像和 CDA 算法轉換的圖像來說明不同種子類別的光譜模式（圖 2c）。

圖2. 在孵化 24、48、72、96、120、144 和 168 小時后，使用來自健康種子和接種 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的種子的多光譜反射率數據的主成分分析 (PCA) 雙圖
 

使用基于 LDA 算法的不同數據聚類再次評估模型的性能（圖 3a 和 b）。 前三個線性判別式（LD1、LD2 和 LD3）分別解釋了組間光譜差異的 57%、25% 和 16%。 健康種子組與受真菌感染的種子組有相當大的距離可明顯區分，C. 暹羅”和“C. 截斷”，在模型中表現出更多的分類錯誤。 在 UVA 區域（365 nm）獲得的反射率數據對分類的貢獻最大，而 NIR 區域的波長對模型的貢獻較小（圖 3c）。

圖3. 線性判別式 LD1 和 LD2 (a) 以及 L1 和 LD3 (b) 的圖基于在 19 個波長（365 至 970 nm）處獲得的健康種子和感染 Lasiodiplodia theobromae、Colletotrichum siamense 和 Colletotrichum truncatum 的種子的反射率數據