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

更新時間：2022-05-12　點擊量：1676

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-紅外光譜測試樣本圖像中的所有像素。具體來說，多光譜成像系統(tǒng)通常可以提供3到20個波段的圖像或圖像平面圖（如2個波段來自UV，3個波段來自VIS，5個波段來自IR）。這些波段之間沒有連續(xù)性。高光譜圖像是指每個像素形成一個幾乎連續(xù)的光譜。高光譜圖像的每個空間位置可能有數(shù)百個波段。如此龐大的數(shù)據(jù)量增加了成本計算工具的負(fù)擔(dān)和成本，不可能用于實時應(yīng)用。只有采用多光譜成像技術(shù)記錄一組小數(shù)據(jù)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(tǒng)，多光譜成像系統(tǒng)可以基于濾波和色散裝置（如光學(xué)元件）來開發(fā)濾波器和可調(diào)諧濾波器，其特點是具有不同的間距和帶寬。例如一種多光譜成像系統(tǒng)，由電荷耦合設(shè)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、硬件簡單、采集速度快，多光譜成像具挑戰(zhàn)性的任務(wù)是選擇特征波長來表示識別感興趣樣品的特征。多光譜成像的特點是利用不連續(xù)的多光譜圖像數(shù)據(jù)，而不是冗余的高光譜圖像數(shù)據(jù)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圖像，是3D（x，y，λ）光譜數(shù)據(jù)立方體。在立方體中，x和y代表兩個空間維度，λ表示光譜尺寸，其中VIS/IR光譜通?？煞譃?個部分，即：可見光譜（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(tǒng)，設(shè)計用于獲取可見-近紅外區(qū)域（380至2500 nm）的光譜數(shù)據(jù)。收集的光譜可以提供樣品的復(fù)雜結(jié)構(gòu)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）.

文獻報道的果實品質(zhì)可視化

多光譜成像系統(tǒng)是一種能夠同時獲取光譜特征和空間圖像信息的基本設(shè)備，是光電成像系統(tǒng)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(tǒng)一般可提供具有3至20個非連續(xù)波段的圖像，并已在農(nóng)業(yè)和食品領(lǐng)域得到廣泛應(yīng)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?qū)挷ǘ蔚墓庑盘柗殖扇舾蓚€窄波段的光束，然后把它們分別成像在相應(yīng)的探測器上，從而獲得不同光譜波段的圖像。

Videometer公司開發(fā)的多光譜植物表型成像系統(tǒng)VideometerLab通過測量植物在19種不同波長的LED頻閃光下的成像來獲取有用的信息。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?qū)崿F(xiàn)葉綠素?zé)晒獬上瘢ㄈ~綠素a和葉綠素b）。

VideometerLab多光譜多光譜植物表型成像系統(tǒng)是一種新型的、功能強大且性價比高的植物表型成像測量系統(tǒng)?；A(chǔ)模塊包括可見光成像，UV紫外成像以及NIR成像?？晒潭〝z像頭或移動攝像頭。因拍照速度迅速，可實現(xiàn)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?、種子、葉片、擬南芥等小植株、用多孔板培養(yǎng)的植物、多孔板里的葉圓片、種子、愈傷組織等，可以進行高通量測量。該系統(tǒng)也可以對細菌、小型動物、蟲卵等進行高通量成像測量，進行毒理學(xué)或其它研究。通過控制系統(tǒng)就可以進行高分辨率多光譜成像。對于擬南芥等冠層平展的植物，可以進行自動的葉片計數(shù)等。

多光譜成像技術(shù)被認(rèn)為是高光譜成像技術(shù)的一次變革。它可用于無創(chuàng)快速評價果蔬品質(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(yīng)用前景，多光譜傳感器廣泛應(yīng)用于在果蔬（如谷物、豆類、塊莖、水果和蔬菜）質(zhì)量評估中，常用建模方法和特征波長選擇方法確定和可視化的果蔬的不同質(zhì)量參數(shù)（如物理化學(xué)和微生物方面）。根據(jù)文獻進展，波長選擇方法是連續(xù)投影算法（SPA）和回歸系數(shù)（RC）。多種化學(xué)計量學(xué)方法可用于果實品質(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）和多元線性回歸（MLR）。