測試了可見光和近紅外(405-970 nm) 區域的多光譜成像，以無損區分向日葵種子中的昆蟲侵染、發霉、異色和酸敗。使用基于10個特征波長的 Fisher 線性判別函數可以實現對完整向日葵種子的出色分類（準確度 >97%），這些特征波長是通過 Wilks的lambda逐步方法從原始19個波長中選出的。 多光譜成像技術結合主成分分析-聚類分析（PCA-CA）可以精確聚類不同酸敗程度的完整葵花籽。我們的結果證明了多光譜成像技術作為一種快速無損分析種子質量屬性的工具的能力，這使得在農業和食品工業中的許多應用成為可能。
 

圖1.數據采集分析主要步驟流程圖
 

在405-970nm范圍內收集光譜，包括可見光和 NIR 區域的較低波長。圖2顯示了完整、蟲害、發霉和異色向日葵種子作為整個數據集的平均光譜。大多數光譜的趨勢非常相似，但光譜也存在一些差異。與完整的葵花籽相比，其他三種葵花籽在780-970 nm范圍內的光譜反射強度更高，但在405-470nm范圍內的結果正好相反。這些現象反映了四種向日葵種子中數百種物理化學成分之間的許多差異，這些物理化學成分以種子的光譜帶和表面顏色為代表。完整的、蟲害的、發霉的和異色的向日葵種子之間的差異有很多可能的原因。一方面，這些差異可能源于4種葵花籽中蛋白質、脂肪等的變化，主要表現為NIR區的變化。另一方面，差異可能是四顆種子外層變色和損傷導致可見區域變化的結果。這些光譜差異可用于對完整的、蟲害的、發霉的和異色的向日葵種子進行定性分類。
 

圖2.100顆完整(a)、40顆蟲害(b)、39顆發霉(c)和39顆異色(d)葵花籽的平均光譜強度圖示
 

圖3.主成分分析圖。多光譜數據主成分模型的特征值圖（X軸和Y軸分別對應于成分數量和特征值），b PC1和PC2加載圖（X軸和Y軸分別對應于光譜波長（nm）和PC的加載值）
 

特征值圖如圖3a所示。根據第二個和第三個分量之間的斜率變化，揭示了兩個重要的PC。PC1和PC2捕獲的百分比方差解釋了整個數據集中99.28% 的變異性（圖3b）。PCA 生成的載荷圖的檢查可以識別與不同樣品特征之間的主要差異相關的光學范圍。如圖3b所示，雖然PC1在整個波長上產生完全正負載，但525-970nm光譜范圍內的分數高于435nm至470nm光譜范圍。它建議525-970 nm 的光譜范圍比 435-470 nm 的光譜范圍可以獲得更多關于完整葵花籽的信息。由于 PC2 在 NIR 區域（范圍從 780 到 970 nm）產生高負負載，在 UV、藍色、綠色和黃色區域（范圍從 405 到 590 nm）產生高正負載，這些波長與酸敗程度有關完整的向日葵種子。