传统评估种子的步骤通常是先进行有损取样，而后进行物理、生理、生化和分子测定。这些步骤简直是有效的，但其对种子进行了粉碎，并且耗时耗力，还必要有经验的种子分析师。本文钻研的主张是探求机械视觉和多光谱成像系统在高通量豇豆种子分类中的利用潜力。利用自动机械视觉抽芽系统在种子吸胀和抽芽期间不间断地监测，来鉴别所有单个种子的分歧类别。本文利用从多光谱图像中提取的单个豇豆种子的光谱特点，成立了基于线性判断分析(LDA)的多变量分析模型，凭据种子的老化水平、活力水平、幼苗成长情况和抽芽速度将种子分为分歧的类别。

处置多光谱图像，提取种子的光谱信息，筹备种子萌发数据，成立多变量判断模型是多光谱图像处置的关键步骤

a.分歧时期人为加快老化（24,48,72和96 h）的非老化（对照）和老化种子的重要反射特点,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距,c.在人为加快老化前提下，抽芽种子和未抽芽种子的重要反射率特点

了局批注，该多光谱成像系统可能在紫表、可见光和短波近红表波段为豇豆种子的分类提供必要的信息。思考到图像采集功夫短和样品造备有限，这种先进的多光谱成像步骤和种子分类中的化学计量学分析能够成为经济有效的实时辰选和分级过程中在线分类规划的有效工具。 由于它不仅提供状态和物理特点，还提供被检种子的化学信息。随着推算机硬件成本的降低和机能的提高，实现种子质量评价专用的图像处置算法，对于提高推算机集成系统在种子质量自动检测方面的吸引力是极度有效的。随着推算机硬件成本的降低和机能的提高，实现种子质量评价专用的图像处置算法，对于提高推算机集成系统在种子质量自动检测方面更具吸引力。

利用LDA模型对非老化种子和24、48、72和96幼时老化种子进行甄别，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利用LDA模型后可视化分类了局。绿色暗示“未老化”类，红色暗示“老化”类

起源：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.