CN109916838B - 一种水稻种子发芽能力的检测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，该方法包括：获取原始高光谱成像数据；数据预处理；发芽试验，获得分组数据；选取特征波长，提取特征波长下的高光谱数据；进行标准归一化处理；利用主成分分析法进行降维；构建人工神经网络模型，得到预测模型；采集待测水稻种子的高光谱图像，得出待测水稻种子发芽能力的预测结果。本发明方法利用高光谱成像技术获取水稻种子的高光谱数据，再结合多次数据处理实现特诊波段的提取和数据降维，提取出最能够反应水稻种子发芽能力的高光谱数据，然后利用人工神经网络有效提高预测准确性，实现水稻种子品质的无损检测。

Description

一种水稻种子发芽能力的检测方法

技术领域

本发明涉及水稻种子活力检测技术领域，尤其涉及一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法。

背景技术

种子活力，即种子的健壮度，是种子发芽和出苗率、幼苗生长的潜质、植株抗逆能力和生产潜力的综合，是种子品质的重要指标。低品质种子的田间出芽率低，易造成严重的经济损失。种子活力的检测成为农、林业发展的重要一环，它直接影响农业生产和自然环境等民生问题。对种子活力检测方法准确地掌握、合理地选取和精确地应用，不仅提高了种子活力测定效率，更能间接地推动了整个农、林业及其衍生行业的发展。

国际种子协会(ISTA)自成立以来，一直致力于推动种子检验技术的发展，修订了国际种子检验规程，收录了大量种子活力检测方法，如：ATP 含量测定、酶活力测定、葡萄糖代谢的测定、呼吸强度的测定、电导率法、发芽速率测定、幼苗生长测定、冷冻测定和加速老化测定等等方法。大量的实验验证可以证明，上述的方法能够准确地预测种子活力，但随着现代农业的不断发展，传统的种子检验方法已经无法满足农业生产对种子检测快速、准确、无损的新要求。因此，有必要提供一种无损、快速、准确的种子活力检测方法。

高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。在农业领域，高光谱成像技术主要集中于作物品种识别、果蔬品质以及精准农业中的作物长势监测等方面。高光谱成像技术在种子的鉴别以及品质分析等领域已被广泛应用，在种子活力的检测方面也有少量相关报道。

例如：许思等(许思，赵光武，邓飞，祁亨年.基于高光谱的水稻种子活力无损分级检测.种子，2016,35(4):34～39)以不同老化程度的4个水稻品种的种子为材料，对样品进行人工老化后进行发芽试验，统计发芽率和根长，计算简易活力指数，据此将每个品种的样品划分为不同活力梯度组，采用高光谱图像技术，通过提取水稻种子的光谱反射率，结果Savitzky-Golay(SG)平滑算法、标准正态变量(SNV)和多元散射校正 (MSC)对874～1740nm波段内的关璞数据进行去除噪声处理，采用主成分分析法、连续投影算法进行特征波长选择，基于全波段光谱和基于特征波长分别建立偏最小二乘判别分析模型，进行水稻种子活力的检测。

吴小芬等(吴小芬，赵光武，祁亨年.高光谱技术在常规水稻种子活力检测中的应用.安徽农业科学，2017,29:12～14)采用高光谱成像技术 (波长范围874～1734nm)，提取甬籼69和中早392种常规水稻种子未老化、老化48h和老化72h的光谱反射率，在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分，并基于全波段光谱建立了支持向量机(SVM)判别分析模型。

然而，迄今为止，还未有将高光谱成像技术和人工神经网络进行结合，实现水稻种子活力无损、快速、准确检测的方法。

发明内容

本发明提供了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，该方法能够快速、高效、准确的判断水稻种子的发芽能力，实现水稻种子品质的无损检测。

具体技术方案如下：

一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，包括：

(1)在检测波段下采集水稻种子训练样本的高光谱图像，获得水稻种子的原始高光谱成像数据；

(2)针对步骤(1)的原始高光谱成像数据，将所述检测波段划分成若干区段，求取区段内所有波长的平均值以及所有波长所对应的光谱反射率的平均值，得到数据预处理后的高光谱数据I；

(3)对训练样本中水稻种子进行编号，再进行发芽试验，根据试验结果，将训练样本中所有水稻种子分为两组，分别是发芽组和未发芽组，获得分组数据；

(4)将步骤(2)的高光谱数据I以及步骤(3)的分组数据导入高光谱可视化软件中，得到发芽组种子和未发芽组种子分别在不同波长下所对应的平均光谱反射率；再选取发芽组种子和未发芽组种子之间平均光谱反射值存在差异的波长作为特征波长，提取特征波长下的高光谱数据，得到第一次降维后的高光谱数据II；

(5)对高光谱数据II进行标准归一化处理，得到高光谱数据III；

(6)利用主成分分析法对高光谱数据III的波段进行二次降维，得到高光谱数据IV；

(7)将步骤(6)的高光谱数据IV、步骤(3)的分组数据以及训练样本中所有水稻种子的编号信息作为训练集，构建人工神经网络模型，得到水稻种子发芽能力的预测模型；

(8)采集待测水稻种子的高光谱图像，利用步骤(7)的预测模型进行水稻种子发芽能力的检测，得出待测水稻种子发芽能力的预测结果。

进一步地，步骤(1)中，所述检测波段为400～1000nm。

进一步地，步骤(2)中，所述区段内包含3～5个波长。

进一步地，步骤(3)中，所述发芽试验的步骤如下：

取训练样本中的水稻种子，置于温水中浸种，取出后，放置于吸水纸上，20～30℃下观察15～25天，统计水稻种子的发芽情况；

若观察期间，水稻种子长出2mm及以上的小芽，则判定该种子为能够发芽的种子，归为发芽组；反之，则判定该种子为不能够发芽的种子，归为未发芽组。

进一步地，步骤(4)中，所述高光谱可视化软件为Resonon软件。

进一步地，步骤(4)中，选取特征波长的步骤如下：

(A)利用高光谱可视化软件Resonon，绘制训练样本中每个发芽组种子和未发芽组种子分别在不同波长下所对应的光谱反射值组成的曲线分布图；

(B)对发芽组种子或未发芽组种子所对应的同一波长下的光谱反射值进行平均，得到发芽组种子或未发芽组种子在该波长下的平均光谱反射值，并绘制成平均光谱反射值组成的曲线图；

(C)将发芽组种子所对应的曲线和未发芽组种子所对应的曲线进行比对；在同一波长下，若发芽组种子所对应的平均光谱反射值减去未发芽组种子所对应的平均光谱反射值的差值绝对值大于预期阈值时，认定发芽组种子和未发芽组种子在该波长下的光谱反射特征存在明显差异，选取该波长作为特征波长。

进一步地，所述预期阈值为2.0～5.0。

进一步地，步骤(5)中，所述标准归一化处理的步骤如下：

将高光谱数据II归一化成均值为0、方差1的数据集，计算公式如下：

其中，z为经计算得到的标准化后的数据结果，x为高光谱数据II，μ为高光谱数据II的平均值，σ为高光谱数据II的标准差。

进一步地，利用主成分分析法对高光谱数据III的波段进行二次降维的步骤如下：

(i)将高光谱数据III的矩阵设为矩阵X，计算矩阵X的协方差矩阵 S，公式如下：

式(1)中，X_m×n表示种子在不同波长下的光谱反射值组成的矩阵， n表示种子粒数，m表示波长；a_mn表示m波长下第n粒种子的光谱反射值；c_n表示第n粒种子的光谱反射值组成的向量。

式(2)中，covMatrix表示矩阵X的协方差矩阵S；m表示波长；cov(c_i,c_j) (1≤i,j≤n)表示第n粒种子光谱反射值组成的向量的协方差。

(ii)计算协方差矩阵S的特征值，并根据特征值计算对应的特征向量；

(iii)选取协方差矩阵S的前k个特征向量，利用前k个特征向量，计算转换矩阵W，再利用转换矩阵W把原始矩阵X转换到新的特征空间中，得到矩阵Z；

即：假设一个d×k维的转换矩阵W，将d维的向量映射到k维的新的特征空间上去，公式如下：

x＝[x₁，x₂，…，x_d]，x∈R^d→xW，W∈R^d*k→z＝[z₁，z₂，…，z_k]，z∈R^k (3)

式中，x_i为原始矩阵X中一个种子所对应的d个波长下的反射值所组成的向量；R^d表示d维实空间；W表示转换矩阵，R^d×k表示d×k维实空间；z表示转换后的k个波长下的反射值所组成的向量；R^k表示k维实空间；k＝5～10。

进一步地，步骤(7)中，所述人工神经网络模型依次由2个输入层、 3个卷积层、2个池化层、2个卷积层、1个全连接层和1个输出层构成；

其中，前3个卷积层：卷积核大小为2×2，数量分别为32、16和16，步长为1×1、padding为‘same’、激活函数为ReLU；

2个池化层：卷积核大小为2×2，步长为2×2，padding为‘same’；

后2个卷积层：卷积核大小为2×2，数量分别为16和16，步长为1×1、 padding为‘same’、激活函数为ReLU；

全连接层：隐层节点数为1024、激活函数为ReLU；

输出结果为每一个种子编号信息所对应的能否发芽的结果。

与现有技术相比，本发明具有以下有益效果：

本发明方法利用高光谱成像技术获取水稻种子的高光谱数据，再结合多次数据处理实现特诊波段的提取和数据降维，提取出最能够反应水稻种子发芽能力的高光谱数据，然后利用人工神经网络有效提高预测准确性，该方法能够快速、高效、准确的判断水稻种子的发芽能力，实现水稻种子品质的无损检测。

附图说明

图1为本发明基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法的流程图。

图2为实施例1的步骤(五)中发芽组种子或未发芽组种子在不同波长下平均光谱反射值组成的曲线图。

图3为实施例1的步骤(八)中种子的灰度图以及人工神经网络模型的结构示意图。

具体实施方式

下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围不仅限于此。

实施例1

一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，具体步骤如下：

一、选取训练样本和测试样本

本实施例中选取了三个品种(Nan-5055、Nangeng-46和Zheyou-18) 的水稻种子作为样本；样本中80％数量的种子作为训练样本，20％数量的种子作为测试样本；训练样本中，每个水稻品种的数量均为270粒；测试样本中，每个水稻品种的数量均为67粒。

二、采集原始高光谱图像

用高光谱成像仪采集水稻种子训练样本的高光谱图像；获得bil格式 (尺寸为40×20)的种子原始高光谱成像数据，即：训练样本中每一粒种子在400nm至1000nm波长(即：检测波段)的反射光下的高光谱图像和各像素点下的反射值。

具体步骤为：

1)将推扫式高光谱相机(PIKA II，Resonon Inc.，Bozeman，MT， USA)安装在种子上方40cm处，并且在人工照明下以每平方毫米50个像素的空间分辨率获取高光谱图像。

2)高光谱相机的主要规格是：火线接口(IEEE 1394b)，12位数字输出，从292到1230nm(光谱分辨率＝2.1nm)(光谱)640像素(空间) 的447个光谱带。物镜具有35mm焦距(最大光圈为F1.4)，具有7°视场，并且针对近红外和可见近红外光谱进行了优化。

3)在高光谱图像采集期间，RH在30％和40％之间，温度在19-22℃；将一片白色聚四氟乙烯板(Teflon，K-Mac Plastics，MI，USA)用于白色校准；反射值是指相对反射率，并与白色Teflon板得到的值相比较；在所有高光谱成像事件中对彩色塑料卡(绿色，黄色和红色)进行成像，并且使用来自这些卡的平均反射率分布，来确认高光谱图像采集条件的高度一致性(-各个光谱带中的方差小于2％)。

三、数据预处理

对步骤(二)中获得的检测波段(447个波长)下的原始高光谱成像数据进行第一次数据预处理，得到高光谱数据I；

具体步骤如下：

将检测波段划分成149个区段，每个区段中均有3个波长下的光谱反射率数据，即将447个波长下光谱反射率数据中的每3个波长分为一组，共分成149组；再求取每个区段(即每组)内所有波长的平均值以及所有波长所对应的光谱反射率的平均值，得到149维的640个像素点下的光谱反射率数值。

四、进行发芽试验

对训练样本中水稻种子进行编号，再进行发芽试验，根据试验结果，将训练样本中所有水稻种子分为两组，分别是发芽组和未发芽组，获得分组数据。

具体步骤如下：

取训练样本中的三个品种的水稻种子(各270粒)，用小刀把靠近水稻种子胚部的稃壳切掉一部分，然后将水稻种子放在30℃的温水中，经过 6个小时浸种后，取出，放置于吸水纸上进行发芽试验，保持发芽试验过程中的环境温度为30℃；从进行发芽试验当天开始计算(发芽当天记为0 天)，每天观察水稻种子的发芽和生长情况，共持续20天，统计水稻种子的发芽情况；

若进行发芽试验的20天内，水稻种子长出2mm及以上的小芽，则判定该种子为能够发芽的种子，归为发芽组，记为1；若进行发芽试验的 20天内，水稻种子未长出2mm及以上的小芽，则判定该种子为不能够发芽的种子，归为未发芽组，记为0。

五、选取特征波段

将高光谱数据I以及分组数据导入Spectronon软件(https://resonon.co m/software)中，得到发芽组种子和未发芽组种子分别在不同波长下所对应的平均光谱反射率；再选取发芽组种子和未发芽组种子之间平均光谱反射值存在差异的波长作为特征波长，提取特征波长下的高光谱数据，得到第一次降维后的高光谱数据II。

具体选取特征波长的步骤如下：

(A)利用高光谱可视化软件，绘制训练样本中每个发芽组种子和未发芽组种子分别在不同波长下所对应的光谱反射值组成的曲线分布图；

(B)对发芽组种子或未发芽组种子所对应的同一波长下的光谱反射值进行平均，得到发芽组种子或未发芽组种子在该波长下的平均光谱反射值，并绘制成平均光谱反射值组成的曲线图(图2)；

(C)将发芽组种子所对应的曲线和未发芽组种子所对应的曲线进行比对；在同一波长下，若发芽组种子所对应的平均光谱反射值减去未发芽组种子所对应的平均光谱反射值的差值绝对值大于预期阈值(2.0)时，认定发芽组种子和未发芽组种子在该波长下的光谱反射特征存在明显差异，选取该波长作为特征波长。

本实施例中，根据上述方法选取的特征波长(如图2)，得到高光谱数据II。

六、数据处理I

对步骤(五)获得特征波长下的高光谱数据II进行标准归一化处理，得到第一次降维后的高光谱数据III；

具体步骤如下：

标准归一化处理的方法为：将高光谱数据II归一化成均值为0、方差 1的数据集([0,1]范围)，计算公式如下：

其中，z为经计算得到的标准化后的数据结果，x为原始的数值，μ为原始数值的平均值(Mean)，σ为原始数值的标准差(SD)。

可以通过python编程软件中scikit-learn的StandardScaler函数进行数据的标准归一化处理。

七、数据处理II

利用主成分分析法对高光谱数据III进行二次降维，得到第二次降维后的高光谱数据IV；

其中，主成分分析法降维的步骤为：

(a)将高光谱数据III的矩阵设为矩阵X，计算矩阵X的协方差矩阵 S(covMatrix)，公式如下：

式(1)中，X_m×n表示种子在不同波长下的光谱反射值组成的矩阵， n表示种子粒数，m表示波长；a_mn表示m波长下第n粒种子的光谱反射值；c_n表示第n粒种子的光谱反射值组成的向量。

式(2)中，covMatrix表示矩阵X的协方差矩阵S；m表示波长；cov(c_i,c_j) (1≤i,j≤n)表示第n粒种子光谱反射值组成的向量的协方差。

(b)计算协方差矩阵S的特征值，并根据特征值计算对应的特征向量；

(c)选取协方差矩阵S的前k个特征向量，利用前k个特征向量，计算转换矩阵W，再利用转换矩阵W把原始矩阵X转换到新的特征空间中，得到矩阵Z；

即：假设一个d×k维的转换矩阵W，将d＝15维的向量映射到k＝5维的新的特征空间上去，公式如下：

x＝[x₁，x₂，…，x_d]，x∈R^d→xW，W∈R^d*k→z＝[z₁，z₂，…，z_k]，z∈R^k

式中，x_i为原始矩阵X中一个种子所对应的15个波长下的反射值所组成的向量；R^d表示d维实空间；W表示转换矩阵，R^d×k表示d×k维实空间；z表示转换后的5个波长下的反射值所组成的向量；R^k表示k维实空间。

最终，获得的高光谱数据IV中包含五个波长的高光谱数据，波长分别是：523nm，651nm，655nm，727nm，802nm。

八、基于人工神经网络的特征学习

(1)根据步骤(七)中得到的矩阵Z所对应的5个波长的具体数值，从Spectronon软件(https://resonon.com/software)中获取5个波长所对应的所有种子的灰度图(以图3为例)；

(2)将步骤(1)的灰度图和所有种子的编号信息(ID)以及分组数据作为人工神经网络模型的输入，构建人工神经网络模型，得到水稻种子能否发芽的预测模型；

该人工神经网络模型的结构如图3所示，依次由2个输入层、3个卷积层、2个池化层、2个卷积层、1个Softmax层和1个输出层构成；

其中，

前3个卷积层：卷积核大小为2×2，数量分别为32、16和16，步长为1×1、padding为‘same’、激活函数为ReLU；

2个池化层：卷积核大小为2×2，步长为2×2，padding为‘same’；

后2个卷积层：卷积核大小为2×2，数量分别为16和16，步长为1×1、 padding为‘same’、激活函数为ReLU；

全连接层(Softmax层)：隐层节点数为1024、激活函数为ReLU；

输出结果为每一个种子编号信息(ID)所对应的能否发芽的结果，其中，“1”表示能发芽，“0”表示不能发芽。

九、基于人工神经网络的特征学习

采集测试集的高光谱图像，将测试样本中5个波长所对应的种子灰度图输入预测模型中，对测试集中的水稻种子是否发芽进行预测，如表1所示。

Claims (10)

1.一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，包括：

(1)在检测波段下采集水稻种子训练样本的高光谱图像，获得水稻种子的原始高光谱成像数据；

(2)针对步骤(1)的原始高光谱成像数据，将所述检测波段划分成若干区段，求取区段内所有波长的平均值以及所有波长所对应的光谱反射率的平均值，得到数据预处理后的高光谱数据I；

(3)对训练样本中水稻种子进行编号，再进行发芽试验，根据试验结果，将训练样本中所有水稻种子分为两组，分别是发芽组和未发芽组，获得分组数据；

(4)将步骤(2)的高光谱数据I以及步骤(3)的分组数据导入高光谱可视化软件中，得到发芽组种子和未发芽组种子分别在不同波长下所对应的平均光谱反射率；再选取发芽组种子和未发芽组种子之间平均光谱反射值存在差异的波长作为特征波长，提取特征波长下的高光谱数据，得到第一次降维后的高光谱数据II；

(5)对高光谱数据II进行标准归一化处理，得到高光谱数据III；

(6)利用主成分分析法对高光谱数据III的波段进行二次降维，得到高光谱数据IV；

(7)将步骤(6)的高光谱数据IV、步骤(3)的分组数据以及训练样本中所有水稻种子的编号信息作为训练集，构建人工神经网络模型，得到水稻种子发芽能力的预测模型；

(8)采集待测水稻种子的高光谱图像，利用步骤(7)的预测模型进行水稻种子发芽能力的检测，得出待测水稻种子发芽能力的预测结果。

2.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(1)中，所述检测波段为400～1000nm。

3.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(2)中，所述区段内包含3～5个波长。

4.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(3)中，所述发芽试验的步骤如下：

取训练样本中的水稻种子，置于温水中浸种，取出后，放置于吸水纸上，20～30℃下观察15～25天，统计水稻种子的发芽情况；

若观察期间，水稻种子长出2mm及以上的小芽，则判定该种子为能够发芽的种子，归为发芽组；反之，则判定该种子为不能够发芽的种子，归为未发芽组。

5.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(4)中，所述高光谱可视化软件为Resonon软件。

6.如权利要求5所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(4)中，选取特征波长的步骤如下：

(A)利用高光谱可视化软件Resonon，绘制训练样本中每个发芽组种子和未发芽组种子分别在不同波长下所对应的光谱反射值组成的曲线分布图；

(B)对发芽组种子或未发芽组种子所对应的同一波长下的光谱反射值进行平均，得到发芽组种子或未发芽组种子在该波长下的平均光谱反射值，并绘制成平均光谱反射率值组成的曲线图；

(C)将发芽组种子所对应的曲线和未发芽组种子所对应的曲线进行比对；在同一波长下，若发芽组种子所对应的平均光谱反射值减去未发芽组种子所对应的平均光谱反射值的差值绝对值大于预期阈值时，认定发芽组种子和未发芽组种子在该波长下的光谱反射特征存在明显差异，选取该波长作为特征波长。

7.如权利要求6所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，所述预期阈值为2.0～5.0。

8.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(5)中，所述标准归一化处理的步骤如下：

将高光谱数据II归一化成均值为0、方差1的数据集，计算公式如下：

其中，z为经计算得到的标准化后的数据结果，x为高光谱数据II，μ为高光谱数据II的平均值，σ为高光谱数据II的标准差。

9.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，利用主成分分析法对高光谱数据III的波段进行二次降维的步骤如下：

(i)将高光谱数据III的矩阵设为矩阵X，计算矩阵X的协方差矩阵S，公式如下：

式(1)中，X_m×n表示种子在不同波长下的光谱反射值组成的矩阵，n表示种子粒数，m表示波长；a_mn表示m波长下第n粒种子的光谱反射值；c_n表示第n粒种子的光谱反射值组成的向量；

式(2)中，covMatrix表示矩阵X的协方差矩阵S；m表示波长；cov(c_i,c_j)表示第n粒种子光谱反射值组成的向量的协方差，i≥1，j≤n；

(ii)计算协方差矩阵S的特征值，并根据特征值计算对应的特征向量；

(iii)选取协方差矩阵S的前k个特征向量，利用前k个特征向量，计算转换矩阵W，再利用转换矩阵W把原始矩阵X转换到新的特征空间中，得到矩阵Z；

即：假设一个d×k维的转换矩阵W，将d维的向量映射到k维的新的特征空间上去，公式如下：

x＝[x₁，x₂，...，x_d]，x∈R^d→xW，W∈R^d*k→z＝[z₁，z₂，...，z_k]，z∈R^k (3)

式中，x_i为原始矩阵X中一个种子所对应的d个波长下的反射值所组成的向量；R^d表示d维实空间；W表示转换矩阵，R^d×k表示d×k维实空间；z表示转换后的k个波长下的反射值所组成的向量；R^k表示k维实空间；k＝5～10。

10.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(7)中，所述人工神经网络模型依次由2个输入层、3个卷积层、2个池化层、2个卷积层、1个全连接层和1个输出层构成；

其中，前3个卷积层：卷积核大小为2×2，数量分别为32、16和16，步长为1×1、padding为‘same’、激活函数为ReLU；

2个池化层：卷积核大小为2×2，步长为2×2，padding为‘same’；

后2个卷积层：卷积核大小为2×2，数量分别为16和16，步长为1×1、padding为‘same’、激活函数为ReLU；

全连接层：隐层节点数为1024、激活函数为ReLU；

输出结果为每一个种子编号信息所对应的能否发芽的结果。

Images