传统评估种子的方法通常是先进行有损取样，然后进行物理、生理、生化和分子测定。这些方法的确是有效的，但其对种子进行了破坏，并且耗时耗力，还需要有经验的种子分析师。本文研究的目的是探讨机器视觉和多光谱成像系统在高通量豇豆种子分类中的应用潜力。利用自动机器视觉发芽系统在种子吸胀和发芽期间不间断地监测，来识别所有单个种子的不同类别。本文利用从多光谱图像中提取的单个豇豆种子的光谱特征，建立了基于线性判别分析(LDA)的多变量分析模型，根据种子的老化程度、活力程度、幼苗生长状况和发芽速度将种子分为不同的类别。

处理多光谱图像，提取种子的光谱信息，准备种子萌发数据，建立多变量判别模型是多光谱图像处理的关键步骤

a.不同时期人工加速老化（24,48,72和96 h）的非老化（对照）和老化种子的主要反射特征,b.所有豇豆种子的原始光谱数据的PCA得分图显示老化和未老化种子之间的差异,c.在人工加速老化条件下，发芽种子和未发芽种子的主要反射率特征

结果表明，该多光谱成像系统能够在紫外、可见光和短波近红外波段为豇豆种子的分类提供必要的信息。考虑到图像采集时间短和样品制备有限，这种先进的多光谱成像方法和种子分类中的化学计量学分析可以成为经济有效的实时分选和分级过程中在线分类方案的有用工具。 因为它不仅提供形态和物理特征，还提供被检种子的化学信息。随着计算机硬件成本的降低和性能的提高，实现种子质量评价专用的图像处理算法，对于提高计算机集成系统在种子质量自动检测方面的吸引力是非常有效的。随着计算机硬件成本的降低和性能的提高，实现种子质量评价专用的图像处理算法，对于提高计算机集成系统在种子质量自动检测方面更具吸引力。

应用LDA模型对非老化种子和24、48、72和96小时老化种子进行鉴别，di一行显示种子的原始彩色图像，第二行在图像中的每个像素上应用LDA模型后可视化分类结果。绿色表示“未老化”类，红色表示“老化”类

来源：Plant Methods.Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds.Gamal ElMasry, Nasser Mandour, Marie-Hélène Wagner, Didier Demilly, Jerome Verdier, Etienne Belin and David RousseauEmail author.