CN109948531A - 应用深度学习卷积神经网络提高作物种子发芽率的方法 - Google Patents

Abstract

本发明公开应用深度学习卷积神经网络提高作物种子发芽率的方法，包括步骤：将需要提高发芽率的作物种子置于工作台的筛选槽中，使种子缓慢向前移动；开启工作台上的拍照系统，使作物种子照片同步传入计算机处理系统；从作物种子照片中分离出单个籽粒，利用计算机视觉算法，计算种子轮廓；对分离后的各籽粒以其轮廓照片进行分类；使用各类籽粒轮廓照片对深度卷积神经网络进行训练；使用验证照片对深度卷积神经网络进行验证；使用深度卷积神经网络对作物种子照片进行识别；将识别后的种子传入到相对应的贮藏器中，筛选出发芽率高型的作物种子。与现有技术相比，本发明提高种子发芽率，同时对不同类型的种子进行分类，不浪费没发芽率的种子。

Description

应用深度学习卷积神经网络提高作物种子发芽率的方法

技术领域

本发明涉及作物育种领域，尤其涉及应用深度学习卷积神经网络提高作物种子发芽率的方法。

背景技术

作物种子发芽率是衡量作物种子质量高低的一个重要指标。由于作物种子生产的复杂性和种子市场难预测性，再加上全球气候变化、极端气候及自然灾害频现，常需要对大量作物种子贮藏进行年度间调节。然而，因贮存方法不当导致作物种子发芽率下降而报废，作物种子只能当作普通粮食出售而造成巨大的经济损失，甚至严重影响到作物产业的发展。据不完全统计，中国每年因作物种子储藏过程中陈化变质、仓储害虫以及霉变影响造成作物种子发芽率下降，使种子变成商品粮出售的比例约占总储存量的3％，达数百亿斤，每年损失不低于500亿元。

作物种子发芽率是指在一定条件下，能发芽的种子数占实验种子总数量的比例。就作物种子而言，作物种子能否用于大田生产，对于其发芽率是有严格规定的，低于某一数值就不能作为种子售卖，只能作为商品粮食出售。一般情况下，种子储藏过程中的陈化变质、仓储害虫以及霉变影响只能引起批量种子中的部分种子失活即种子发芽率下降，但不会造成所有种子失活，因此通过合适的技术可以使得批量种子的发芽率提高。即如果技术合适，能够使只能作为商品粮食出售的种子的发芽率提高到国家标准以上，就可以将此批只能作为商品粮食出售的种子又重新当作种子出售。

目前，在提高作物种子发芽率方面的研究比较多，技术也不少，如引发技术、矿质元素添加技术、风选技术等。上述技术在提高种子发芽率方面有一定作用，但也有明显的不足。一是有些技术是在浸种过程中使用，丧失了发芽率的种子没有在浸种之前剔除出来，从而使得这些种子没有得到更合适的利用；二是有些种子尽管当时发了芽出了苗，但属于弱势苗，不利于作物的后期生长。因此，在播种之前尽量将那些失活种子、弱势种子剔除显得尤为重要。

深度学习是机器学习的一个新的领域，通过建立类似人脑的多层人工神经网络来模拟人脑存储和处理数据信息的机制，以此来解译图像，声音和文本等数据格式。与传统的专家系统相比，深度学习系统具有强大的自适应能力，可较好的处理边缘和边角案例，并且系统复杂度不会因数据量增加而增加。这些优势，使得深度学习在当今大数据背景下，获得了大量应用。深度学习分为监督学习与无监督学习，不同的学习框架下建立的学习模型是不同的。例如，本专利采用的卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用深度学习卷积神经网络提高作物种子发芽率的技术。

发明内容

为克服现有技术的不足，本发明提出应用深度学习卷积神经网络提高作物种子发芽率的方法。

本发明的技术方案是这样实现的：

应用深度学习卷积神经网络提高作物种子发芽率的方法，包括步骤：

S1：将需要提高发芽率的作物种子置于工作台的筛选槽中，尽量使种子单个排列，然后启动筛选槽，使种子缓慢向前移动；

S2：开启工作台上的拍照系统，使作物种子照片同步传入计算机处理系统；

S3：利用基于卷积神经网络的目标检测方法从作物种子照片中分离出单个籽粒，利用计算机视觉算法勾画单粒种子轮廓；

S4：对分离后的各籽粒以其轮廓照片进行分类，根据不同作物种子的形态特征与发芽率的关系分为发芽率高型、发芽率低型和发芽率一般型；

S5：使用各类种子籽粒轮廓照片对深度卷积神经网络进行训练，使之能对不同发芽率种子精确进行分类；

S6：使用验证照片对所述深度卷积神经网络进行验证；

S7：使用所述深度卷积神经网络对作物种子照片进行识别；

S8：将深度卷积神经网络识别后的种子自动传入到相对应的贮藏器中，筛选出发芽率高型的作物种子。

进一步地，所述步骤S2中的拍照系统包括但不限于光学照相或X光成像。

进一步地，所述步骤S3包括步骤

S31：利用机器学习判断种子轮廓是否为单一籽粒；

S32：如果是单一籽粒，利用轮廓切割图像输出籽粒图片；如果是粘连籽粒，则自动启动设备的振动功能或者进行人工干预，使之成单一籽粒后，重新拍照。

进一步地，所述步骤S4中，根据作物种子内含物的充实状态，将农作物籽粒分为闭颖实粒(简称闭实)、闭颖偏实粒(简称闭偏实)、开颖实粒(简称开实)、开颖偏实粒(简称开偏实)、闭颖偏空粒(简称闭偏空)、开颖偏空粒(简称开偏空)、闭颖空粒(简称闭空)、开颖空粒(简称偏空)。

进一步地，步骤S8包括步骤：将闭颖实粒进一步分为正常的闭颖实粒和有霉点、黑斑点/虫蛀点的闭颖实粒。

本发明的有益效果在于，与现有技术相比，本发明提高种子发芽率，同时对不同类型的种子进行分类，不浪费没发芽率的种子。

附图说明

图1是本发明基于深度学习卷积神经网络的提高作物种子发芽率技术流程图；

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是本发明实施例1中对水稻种子分类的种子类型轮廓示意图。

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。

实施例1

请参见图1，本发明一种应用深度学习卷积神经网络提高作物种子发芽率的技术，以水稻种子为例，包括步骤：

S1：将需要提高发芽率的水稻种子置于工作台的筛选槽中，尽量使种子单个排列，然后启动筛选槽，使种子缓慢向前移动；

S2：开启工作台上的拍照系统，使水稻种子照片同步传入计算机处理系统；

S3：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，计算种子轮廓；

S4：对分离后的水稻籽粒以其轮廓照片进行分类，将籽粒分为闭颖实粒(简称闭实)、闭颖偏实粒(简称闭偏实)、开颖实粒(简称开实)、开颖偏实粒(简称开偏实)、闭颖偏空粒(简称闭偏空)、开颖偏空粒(简称开偏空)、闭颖空粒(简称闭空)、开颖空粒(简称偏空)8种类型。请参见图3。

S5：使用各类籽粒轮廓照片对深度卷积神经网络进行训练；

S6：使用验证照片对所述深度卷积神经网络进行验证；

S7：使用所述深度卷积神经网络对水稻种子照片进行识别。

S8：依次将深度卷积神经网络对水稻种子照片识别后的种子自动传入相对应的贮藏器中。

在上述实施例中，我们选择了同批次种子中的1000粒进行了实验，结果如下：

实验前，本批次种子的平均发芽率为71.76％。实验后，1000粒种子可筛选分为闭实(560粒)、闭偏实(82粒)、开实(249粒)、开偏实(36粒)、闭空(21粒)、闭偏空(31粒)、开空(10粒)和开偏空(11粒)8种类型；之后对所获得的不同种子进行发芽率实验，结果表明：闭实类种子发芽率为83.5％、闭偏实类种子发芽率57.5％、开实类种子发芽率78.5％、开偏实类种子发芽率17.5％、闭空类种子发芽率0％、闭偏空类种子发芽率3.5％、开空类种子发芽率0％和开偏空类种子发芽率0％。由此可见，筛选后闭实种子的发芽率由71.76％提高到了83.5％，已经达到国家水稻种子质量标准，其它筛选出来的种子则直接作为商品粮出售即可。

实施例2

以水稻种子为例，包括步骤：

S1：将需要提高发芽率的水稻种子置于工作台的筛选槽中，尽量使种子单个排列，然后启动筛选槽，使种子缓慢向前移动；

S2：开启工作台上的拍照系统，使水稻种子照片同步传入计算机处理系统；

S3：从水稻种子照片中分离出单个籽粒，利用计算机视觉算法，计算种子轮廓；

S4：对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭颖实粒和其它(包括实施例1中开颖实粒、闭颖偏实粒、开颖偏实粒、闭颖偏秕粒、开颖偏秕粒、闭颖空粒、开颖空粒7种类型的种子)2种类型；进一步再将闭颖实粒分为正常光洁闭实和有霉斑闭实。

S5：使用各类籽粒轮廓照片对深度卷积神经网络进行训练；

S6：使用验证照片对所述深度卷积神经网络进行验证；

S7：使用所述深度卷积神经网络对水稻种子照片进行识别。

S8：依次将深度卷积神经网络对水稻种子照片识别后的种子自动传入相对应的贮藏器中。

在闭实种子类型贮藏器中，可以筛选出发芽率高的水稻种子和发芽率一般的水稻种子及发芽率低的水稻种子。

请参见图2，步骤S3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：

S31：利用机器学习判断轮廓(面积，椭圆度)是否为单一籽粒；

S32：如果是单一籽粒，利用轮廓切割图像输出籽粒图片；如果是粘连籽粒，则自动启动设备的振动功能或者进行人工干预，使之成单一籽粒后，重新拍照和识别。

在本实施例中，我们只对水稻种子分为闭颖实粒和其它2类，进一步再将分为正常光洁的闭颖实粒和有霉点(黑斑点/虫蛀点)的闭颖实粒，筛选之后正常光洁的闭颖实粒类型中的种子重新作为种子出售，而其它类型的种子则作为商品粮食或饲料原料应用。

在上述实施例中，我们选择了同批次种子中的另外1000粒进行了实验，结果如下：

实验前，本批次种子的平均发芽率为71.82％。实验后，1000粒种子可筛选分为闭实类型570粒、非闭实类型330粒；进一步将闭实类型种子筛选分为正常光洁的闭实种子和有斑点的闭实种子。之后对所获得的不同种子进行发芽率实验，结果表明：闭实类型570粒种子的总体发芽率为83.3％。进一步发现正常光洁的闭实类种子发芽率为87.5％、有斑闭实种子发芽率59.5％。由此可见，正常光洁的闭实类种子的发芽率由筛选前的71.82％提高到了87.5％，已经达到一级种子质量标准，非闭实的其它无霉斑种子作为商品粮或饲料原料出售即可。

以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 (5)

1.应用深度学习卷积神经网络提高作物种子发芽率的方法，其特征在于，包括步骤：

S1：将需要提高发芽率的作物种子置于工作台的筛选槽中，尽量使种子单个排列，然后启动筛选槽，使种子缓慢向前移动；

S2：开启工作台上的拍照系统，使作物种子照片同步传入计算机处理系统；

S3：从作物种子照片中分离出单个籽粒，利用计算机视觉算法，计算种子轮廓；

S4：对分离后的各籽粒以其轮廓照片进行分类，根据不同作物种子的形态分为发芽率高型、发芽率低型和发芽率一般型；

S5：使用各类籽粒轮廓照片对深度卷积神经网络进行训练；

S6：使用验证照片对所述深度卷积神经网络进行验证；

S7：使用所述深度卷积神经网络对作物种子照片进行识别；

S8：将识别后的种子传入到相对应的贮藏器中，筛选出发芽率高型的作物种子。

2.如权利要求1所述的应用深度学习卷积神经网络提高作物种子发芽率的方法，其特征在于，所述步骤S2中的拍照系统包括但不限于光学照相或X光成像。

3.如权利要求1所述的应用深度学习卷积神经网络提高作物种子发芽率的方法，其特征在于，所述步骤S3包括步骤

S31：利用机器学习判断种子轮廓是否为单一籽粒；

S32：如果是单一籽粒，利用轮廓切割图像输出籽粒图片；如果是粘连籽粒，则自动启动设备的振动功能或者进行人工干预，使之成单一籽粒后，重新拍照。

4.如权利要求1所述的应用深度学习卷积神经网络提高作物种子发芽率的方法，其特征在于，所述步骤S4中，根据作物种子内含物的充实状态，将农作物籽粒分为闭颖实粒、闭颖偏实粒、开颖实粒、开颖偏实粒、闭颖偏空粒、开颖偏空粒、闭颖空粒、开颖空粒。

5.如权利要求1所述的应用深度学习卷积神经网络提高作物种子发芽率的方法，其特征在于，步骤S8包括步骤：将闭颖实粒进一步分为正常的闭颖实粒和有霉点、黑斑点/虫蛀点的闭颖实粒。