采用图像处理方法测量植物形态，不仅可以替代部分人工测量，获得更高精度的结果，而且还能够提供新的候选性状。本研究发现花生荚果图像的特征提供了有价值的更多候选性状。一个性状是否适合测试，除经济重要性以外，主要取决于品种鉴别力大小。识别率的高低在一定程度上表示一个性状区分品种的能力。一个性状的品种识别率高，自然具有高的品种鉴别力，最小值表示品种间无差异，该性状没有任何鉴别力，最大值 1 表示全部差异均表现为品种间差异，该性状有最大鉴别力。

本研究发现花生荚果图像的特征提供了有价值的品种性状，采用合适的模型能够对种子的真伪进行有效鉴别。PCA 优化特征总体上比原始统计特征具有更好的识别性能，3 大类特征中，颜色特征的识别效果明显较形态和纹理特征好。原因是采集的颜色特征数量较多，有可能是种植在不同地区土壤条件差别较大，以及品种本身遗传上的颜色差别所致。另外形态特征在品种识别中并不是好的特征，可能产地、土壤环境等影响着花生荚果的发育。采集的花生品种均来自农民的自留种，这些种子在多年的种植过程中不可避免地会产生品种的混叠，导致品种不纯，造成识别结果上的偏差，更多采集育种家种子进行进一步测试将会使检测结果更好，更有说服力。

应该指出，本文只进行了一个品种不同来源的花生荚果的产地识别研究，不同品种对产地的反映也不尽相同。产地识别是产地溯源技术的重要研究内容，所取的样本容量较小，对于更广泛的产地识别需要构建更广泛的样本来源。本文的实验样本较小，每类为 100 粒带壳花生，但从模式识别角度已经满足小样分7析的基本需求，在入选的特征较多时，对 3 个不同产地的花生荚果正确识别率较高，基本达到了 100%，这是因为，首先样本类别数目较少，只有 3 个；其次备选的特征较多，最多达到了 50 个特征，如果进一步加大样本类别，减少特征识，别率必然下降，例如图 4，选用 1、2 或 3 个特征时，识别率均在 80%以下。对特征的聚类可为后续统计分析和研究带来很大的便利。聚类的目的是找出描述并区分数据类或概念的模型，以便能够用该模型预测类别未知的对象所属的类[17]。系统聚类法便是解决这类问题的一个有效方法，它是将样品或变量按照其性质上的亲疏分类的一种多元统计方法[17]。

应该说明本研究适用于 DUS 测试及遗传育种和种质资源保护领域。本文只是初步结果，在正式用于DUS 测试之前，有必要进一步扩大测试品种数量，考察候选性状的品种间多样性、品种内一致性、地点年际间稳定性。另外，贸易过程中的花生种子不仅决定于种子的真实性，同时的品质好坏也往往决定着种子价格的高低[18]，进一步的研究需要充分考虑国家标准[20-21]，已期获得更为理想的结果。

诚然，不同收获时间和贮藏方式会对花生荚果的颜色特征产生影响，由于采集的样品主体是农民自留种，基本上已做到充分干燥，荚果果壳的颜色受到的影响较小，但对花生籽仁的影响较大，这有待进一步的研究。另外，本文所讨论的方法对实验样本的依赖性较大，且识别结果受到各种环境因素的影响，较化学元素分析法和光谱学方法检测效果低，但不难发现本文所采用的方法检测速度快，代价低，可以预见是将来种子检验的有潜力的方法之一。