Authors: Erkinbaev, C., J. Morrison and J. Paliwal.
Identifier: C19366
Download file: https://library.csbe-scgab.ca/docs/journal/61/C19366.pdf
Published in: CBE Journal » CBE Journal Volume 61 (2019)
Mechanical damage of seeds during harvesting and postharvest handling affects their germinability, which directly impacts crop yield. The feasibility of near-infrared (NIR) hyperspectral imaging technique was studied to predict the germinability of soybeans in a rapid and non-destructive way. Soybean seeds were artificially damaged using an impact test device, and the effect of three levels of impact energy (0.12, 0.22 and 0.32 J) was studied on the germination rates of these seeds at four moisture contents (11, 13, 15 and 17%, wet basis). A multivariate statistical model (partial least squares discriminant analysis (PLSDA)) was built using the NIR spectra of the soybean samples to classify them based on their germinability. The prediction performance of the PLSDA model was defined based on its accuracy (0.94), sensitivity (0.89) and specificity (0.91). The model showed good performance in terms of accuracy and sensitivity for pre-defined classes of soybean samples, establishing that the non-destructive NIR hyperspectral imaging technique could be used to predict soybean seed germination.
Les dommages mécaniques faits aux grains lors de la récolte et par la suite ont une incidence sur leur potentiel de germination, affectant ainsi directement le rendement des cultures. La faisabilité d’utiliser l’imagerie hyperspectrale dans le proche infrarouge (NIR) de manière rapide et non destructive a été étudiée pour prédire le potentiel de germination de grains de soya. Le taux de germination a été étudié sur des grains de quatre teneurs en eau différentes (11, 13, 15 et 17 %, base humide) qui ont été endommagés artificiellement en utilisant un outil de test d’impact et trois niveaux d’énergie (0,12, 0,22 et 0,32 J) différents. Un modèle statistique multivarié (analyse partielle par régression des moindres carrés [PLSDA]) a été conçu en utilisant le spectre NIR des échantillons de soya pour les classer selon leur potentiel de germination. La prédiction de la performance du modèle PLSDA a été définie selon son exactitude (0,94), sa sensibilité (0,89) et sa spécificité (0,91). Le modèle s’est avéré performant pour ce qui est de l’exactitude et de la sensibilité pour les classes prédéfinies d’échantillons de soya établissant ainsi que l’imagerie hyperspectrale NIR non destructive peut être utilisée pour prédire la germination de grains de soya.
Discrimination, germination, imagerie hyperspectrale, dommage mécanique, PLSDA, soya.