傳統評估種子的方法通常是先進行有損取樣，然后進行物理、生理、生化和分子測定。這些方法的確是有效的，但其對種子進行了破壞，并且耗時耗力，還需要有經驗的種子分析師。本文研究的目的是探討機器視覺和多光譜成像系統在高通量豇豆種子分類中的應用潛力。利用自動機器視覺發芽系統在種子吸脹和發芽期間不間斷地監測，來識別所有單個種子的不同類別。本文利用從多光譜圖像中提取的單個豇豆種子的光譜特征，建立了基于線性判別分析（LDA）的多變量分析模型，根據種子的老化程度、活力程度、幼苗生長狀況和發芽速度將種子分為不同的類別。

處理多光譜圖像，提取種子的光譜信息，準備種子萌發數據，建立多變量判別模型是多光譜圖像處理的關鍵步驟

a.不同時期人工加速老化（24，48，72和96 h）的非老化（對照）和老化種子的主要反射特征，b.所有豇豆種子的原始光譜數據的PCA得分圖顯示老化和未老化種子之間的差異，c.在人工加速老化條件下，發芽種子和未發芽種子的主要反射率特征

結果表明，該多光譜成像系統能夠在紫外、可見光和短波近紅外波段為豇豆種子的分類提供必要的信息。考慮到圖像采集時間短和樣品制備有限，這種先進的多光譜成像方法和種子分類中的化學計量學分析可以成為經濟有效的實時分選和分級過程中在線分類方案的有用工具。 因為它不僅提供形態和物理特征，還提供被檢種子的化學信息。隨著計算機硬件成本的降低和性能的提高，實現種子質量評價專用的圖像處理算法，對于提高計算機集成系統在種子質量自動檢測方面的吸引力是非常有效的。隨著計算機硬件成本的降低和性能的提高，實現種子質量評價專用的圖像處理算法，對于提高計算機集成系統在種子質量自動檢測方面更具吸引力。

應用LDA模型對非老化種子和24、48、72和96小時老化種子進行鑒別，第一行顯示種子的原始彩色圖像，第二行在圖像中的每個像素上應用LDA模型后可視化分類結果。綠色表示“未老化”類，紅色表示“老化”類