Videometer植物/作物表型組學(xué)研究方法：成像品質(zhì)可視化分析

更新時(shí)間：2022-05-12　點(diǎn)擊量：1410

多光譜成像

多光譜成像與高光譜成像非常相似。用以獲得紫外（UV）和可見(jiàn)-紅外光譜測試樣本圖像中的所有像素。具體來(lái)說(shuō)，多光譜成像系統通?？梢蕴峁?到20個(gè)波段的圖像或圖像平面圖（如2個(gè)波段來(lái)自UV，3個(gè)波段來(lái)自VIS，5個(gè)波段來(lái)自IR）。這些波段之間沒(méi)有連續性。高光譜圖像是指每個(gè)像素形成一個(gè)幾乎連續的光譜。高光譜圖像的每個(gè)空間位置可能有數百個(gè)波段。如此龐大的數據量增加了成本計算工具的負擔和成本，不可能用于實(shí)時(shí)應用。只有采用多光譜成像技術(shù)記錄一組小數據的信息的間隔光譜帶可以達到快速識別和檢測的目的。作為變革性成像系統，多光譜成像系統可以基于濾波和色散裝置（如光學(xué)元件）來(lái)開(kāi)發(fā)濾波器和可調諧濾波器，其特點(diǎn)是具有不同的間距和帶寬。例如一種多光譜成像系統，由電荷耦合設備攝像機和少量特征帶干擾濾波器組成，可快速對色素成像。由于重量輕、硬件簡(jiǎn)單、采集速度快，多光譜成像具挑戰性的任務(wù)是選擇特征波長(cháng)來(lái)表示識別感興趣樣品的特征。多光譜成像的特點(diǎn)是利用不連續的多光譜圖像數據，而不是冗余的高光譜圖像數據用于建模和評估食品質(zhì)量的圖像。收集到的多光譜帶存為若干個(gè)圖像，是3D（x，y，λ）光譜數據立方體。在立方體中，x和y代表兩個(gè)空間維度，λ表示光譜尺寸，其中VIS/IR光譜通?？煞譃?個(gè)部分，即：可見(jiàn)光譜（380-780 nm）、近紅外光譜（780nm-2500nm），中紅外（MIR）光譜（2500-25000 nm），以及遠紅外（FIR）光譜（25000-300000nm）。關(guān)于植物食品質(zhì)量和安全分析，多光譜分析成像系統，設計用于獲取可見(jiàn)-近紅外區域（380至2500 nm）的光譜數據。收集的光譜可以提供樣品的復雜結構特征與色素和諧波的強吸附有關(guān)（如一階諧波、二階諧波和三階諧波），或分子鍵（如C–H（脂肪族）的組合模式（變形和拉伸）C–O（羧基）、N–H（酰胺和胺）和O–H（羥基）官能團）.

文獻報道的果實(shí)品質(zhì)可視化

多光譜成像系統是一種能夠同時(shí)獲取光譜特征和空間圖像信息的基本設備，是光電成像系統發(fā)展的和植物表型組學(xué)研究的重要方向。多光譜成像系統一般可提供具有3至20個(gè)非連續波段的圖像，并已在農業(yè)和食品領(lǐng)域得到廣泛應用。從成像原理上講，多光譜成像技術(shù)就是把入射的全波段或寬波段的光信號分成若干個(gè)窄波段的光束，然后把它們分別成像在相應的探測器上，從而獲得不同光譜波段的圖像。

Videometer公司開(kāi)發(fā)的多光譜植物表型成像系統VideometerLab通過(guò)測量植物在19種不同波長(cháng)的LED頻閃光下的成像來(lái)獲取有用的信息。這些圖像可以獨立分析使用，也可以疊加起來(lái)合成高分辨率的顏色圖像。Videometer備選模塊包括熒光成像模塊，能夠實(shí)現葉綠素熒光成像（葉綠素a和葉綠素b）。

VideometerLab多光譜多光譜植物表型成像系統是一種新型的、功能強大且性?xún)r(jià)比高的植物表型成像測量系統?；A模塊包括可見(jiàn)光成像，UV紫外成像以及NIR成像?？晒潭〝z像頭或移動(dòng)攝像頭。因拍照速度迅速，可實(shí)現較高通量成像。但需要手工較換樣品，可以測量較小的樣品。但分析軟件功能強大?？蓪χ参锕麑?shí)、種子、葉片、擬南芥等小植株、用多孔板培養的植物、多孔板里的葉圓片、種子、愈傷組織等，可以進(jìn)行高通量測量。該系統也可以對細菌、小型動(dòng)物、蟲(chóng)卵等進(jìn)行高通量成像測量，進(jìn)行毒理學(xué)或其它研究。通過(guò)控制系統就可以進(jìn)行高分辨率多光譜成像。對于擬南芥等冠層平展的植物，可以進(jìn)行自動(dòng)的葉片計數等。

多光譜成像技術(shù)被認為是高光譜成像技術(shù)的一次變革。它可用于無(wú)創(chuàng )快速評價(jià)果蔬品質(zhì)表型質(zhì)量。盡管已經(jīng)有幾種成像或基于傳感器的技術(shù)用于各種食品的質(zhì)量評估，但多光譜成像更具有應用前景，多光譜傳感器廣泛應用于在果蔬（如谷物、豆類(lèi)、塊莖、水果和蔬菜）質(zhì)量評估中，常用建模方法和特征波長(cháng)選擇方法確定和可視化的果蔬的不同質(zhì)量參數（如物理化學(xué)和微生物方面）。根據文獻進(jìn)展，波長(cháng)選擇方法是連續投影算法（SPA）和回歸系數（RC）。多種化學(xué)計量學(xué)方法可用于果實(shí)品質(zhì)分析，用于分析果蔬食品的*模型是偏最小二乘回歸（PLSR）、最小二乘支持向量機（LS-SVM）、支持向量機（SVM）、偏最小二乘判別分析（PLSDA）和多元線(xiàn)性回歸（MLR）。