CN109934297B - 一种基于深度学习卷积神经网络的水稻考种方法 - Google Patents

Abstract

本发明公开了一种基于深度学习卷积神经网络的水稻考种方法，包括步骤：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，提取种子轮廓；对分离后的各籽粒以其轮廓照片进行分类，籽粒类别包括闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；使用各类籽粒轮廓照片对深度卷积神经网络进行训练；使用验证照片对所述深度卷积神经网络进行验证；将待处理水稻种子照片输入到所述深度卷积神经网络中进行考种。与现有技术相比，本发明在考种过程中，可以对水稻种子进行快速准确地分类统计，同时本发明还能对一批数量较大的样品进行自动编号、记录和统计。

Description

一种基于深度学习卷积神经网络的水稻考种方法

技术领域

本发明涉及水稻考种领域，尤其涉及一种基于深度学习卷积神经网络的水稻考种方法。

背景技术

水稻考种是水稻育种过程中必不可少的环节。在以往工作中，必须使用人工方法来测量、记录相关参数，比如常用的水漂法和风吹法等。但人工考种存在着操作繁、耗时长、主观因素多、精度低、可重复性差等问题，而且这些原因也使得考种只能是抽样检测，而无法完成大批量的水稻种子的直接测量。随着人们生活水平的提高，可用劳动力的减少，单纯依靠人工操作考种的成本飞速增长。现有自动化技术中一般使用机器设备或机器设备与机器视觉相结合的方式进行考种，如CN201010234207(数字化水稻考种机)公开了一种数字化考种机，通过风选装置分离实粒和空瘪粒，使用机器视觉技术动态中的贝叶斯分类法来对完整粒和破损粒进行分类。现有技术仍存在以下不足：一是在考种过程中，种子分类统计不详细，如只分为实粒、秕粒两种，而没有实粒、半实粒、秕粒、半秕粒等种子的分类统计；二是对一批数量较大的样品难以自动编号、记录和统计等，致使最后在统计分析时效率低、精度也不尽如人意。现有的商用数粒仪一般通过将谷粒以单粒落下来分离籽粒，再使用光电手段进行探测并计数。缺点是数粒速度慢，对谷粒清洁程度要求高，需要在数粒前进行多项清洁去杂质的处理，此类自动化仪器构造重复、占用空间大、价格高昂、维护和修理的成本很高，难以在国内的一般农业科技部门中普及。迫切需要一种准确快速、便于一般农业科技人员操作和应用的水稻考种方法。

目前在图像分析领域中，基于数据科学的深度学习方法其价值已经大大超过了传统的识别检测方法。深度学习是机器学习研究中的一个新的领域，通过建立模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，包括图像，声音和文本等。卷积神经网络通过对数字图像进行卷积和池化操作，可以有效提取到图像的多尺度特征。其速度、准确性都能满足水稻考种的需要。目前尚无使用卷积神经网络进行考种的技术方法。

发明内容

为克服现有技术的不足，本发明提出一种基于深度学习卷积神经网络的水稻考种方法，该方法是一种快速且无损的考种方法。

本发明的技术方案是这样实现的：

一种基于深度学习卷积神经网络的水稻考种方法，包括步骤

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，提取种子轮廓；

S2：对分割后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；

S3：使用各类籽粒轮廓照片样本对深度卷积神经网络进行训练；

S4：使用验证照片对所述深度卷积神经网络进行验证；

S5：使用所述深度卷积神经网络对水稻种子照片进行考种。

进一步地，所述步骤S1包括步骤

S11：利用机器学习判断种子轮廓是否为单一籽粒；

S12：如果是单一籽粒，利用轮廓切割图像，输出单个籽粒图片，计算长度，宽度和面积；如果是粘连的多个籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒图片。

进一步地，步骤S1包括步骤：如籽粒粘连不能分离出单个籽粒，或粘连籽粒因为形状不规则而得出错误结果，则提示进行人工干预，重新拍照。

进一步地，所述步骤S5包括步骤：将水稻稻种籽粒按照开实和闭实、开偏实和闭偏实、开偏空和闭偏空、开空和闭空分为4类，并分别统计4类种子比例。

进一步地，所述步骤S5包括步骤：将水稻稻种籽粒按照开实、闭实、开偏实和闭偏实，开偏空、闭偏空、开空和闭空分为两类，并分别统计两类种子比例。

本发明的有益效果在于，与现有技术相比，本发明在考种过程中，可以对水稻种子进行快速详细地分类统计，不需要额外的清洁和风选模块，同时本发明还能对一批数量较大的样品进行自动编号、记录和统计，操作简便。

附图说明

图1是本发明基于深度学习卷积神经网络的水稻考种方法流程图；

图2是本发明一个实施例中对粘连种子进行分离的原理示意图；

图3是本发明中各籽粒类型轮廓示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明一种基于深度学习卷积神经网络的水稻考种方法，包括步骤

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，提取种子轮廓；

S2：对分割后的各籽粒以其轮廓照片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；

S3：使用各类籽粒轮廓照片对深度卷积神经网络进行训练；

S4：使用验证照片对所述深度卷积神经网络进行验证；

S5：使用所述深度卷积神经网络对水稻种子照片进行考种。

步骤S1需要利用计算机视觉算法计算种子轮廓，如果水稻种子照片中有粘连的种子，则步骤S1中还包括步骤：

S11：利用机器学习判断轮廓(面积，椭圆度)是否为单一籽粒；

S12：如果是单一籽粒，利用轮廓切割图像，输出单个籽粒图片，计算长度，宽度和面积；如果是粘连的多个籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒图片。

请参见图2，如果一些籽粒粘连不能分离或者因为形状不规则，不符合籽粒形状，这两种情况下，利用计算机视觉的方法处理有一定困难，需要操作员人工干预。这里，人工干预是非常简单的，我们将在显示器上标识计算机识别有困难的区域，分析员手工拨散籽粒后，重新拍照即可。

在对水稻种子进行分类时，我们一般将水稻种子按照其开、闭和实、空分为8类：

请参见图3，水稻种子闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空的轮廓照片如图所示。

在步骤S3中，我们使用各类籽粒轮廓照片对深度卷积神经网络进行训练，在本发明的一个实施例中，我们选用训练图片3085张对深度学习卷积神经网络(ResNet18)进行每个种子照片进行分类训练，

在训练完成后，在步骤S4中使用验证图片1983张对深度学习卷积神经网络进行验证。

在本发明的一个实施例中，在步骤S5使用所述深度卷积神经网络对水稻种子普通相机照片进行考种结果：对于闭实和闭空进行分类，精度高达98％。

若用X光照片，空粒和实粒两大类分类精度达到99％以上。

上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.一种基于深度学习卷积神经网络的水稻考种方法，其特征在于，包括步骤

S1：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法提取籽粒轮廓，所述S1包括步骤：

S11：利用机器学习判断种子轮廓是否为单一籽粒；

S12：如果是单一籽粒，利用轮廓切割图像，输出单个籽粒轮廓图片，计算长度、宽度和面积；如果是粘连的多个籽粒，利用图像分割算法分离粘连的籽粒，得到单个籽粒轮廓图片；

所述S1还包括步骤：如果粘连籽粒不能分离出单个籽粒，或粘连籽粒因为形状不规则而得出错误结果，则提示进行人工干预，重新拍照；

S2：对分割后的各籽粒根据其籽粒轮廓图片进行分类，将籽粒分为闭实、闭偏实、开实、开偏实、闭空、闭偏空、开空和开偏空；

S3：使用各类籽粒轮廓图片样本对深度学习卷积神经网络进行训练；

S4：使用验证照片对所述深度学习卷积神经网络进行验证；

S5：使用所述深度学习卷积神经网络对水稻种子照片进行考种，所述S5包括步骤：将水稻种子籽粒按照开实、闭实、开偏实和闭偏实，开偏空、闭偏空、开空和闭空分为两个大类，并分别统计两个大类籽粒的比例。

2.如权利要求1所述的基于深度学习卷积神经网络的水稻考种方法，其特征在于，所述S5还包括步骤：将水稻种子籽粒按照开实和闭实、开偏实和闭偏实、开偏空和闭偏空、开空和闭空分为4个大类，并分别统计4个大类籽粒的比例。

Images