CN109949323B - 一种基于深度学习卷积神经网络的作物种子净度判断方法 - Google Patents
一种基于深度学习卷积神经网络的作物种子净度判断方法 Download PDFInfo
- Publication number
- CN109949323B CN109949323B CN201910208265.3A CN201910208265A CN109949323B CN 109949323 B CN109949323 B CN 109949323B CN 201910208265 A CN201910208265 A CN 201910208265A CN 109949323 B CN109949323 B CN 109949323B
- Authority
- CN
- China
- Prior art keywords
- seeds
- crop
- seed
- normal
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Pretreatment Of Seeds And Plants (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于深度学习卷积神经网络的作物种子净度判断方法,包括步骤:取某种作物种子称重量后置于种子净度分析台上,使作物种子照片同步传入计算机处理系统;计算净种子和杂质轮廓;对分离后的正常净种子、杂质的轮廓照片进行分类,将籽粒分为正常作物净种子和杂质;使用正常作物净种子和杂质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某种具体作物种子净照片进行判定,分离出正常作物种子和杂质,计算作物种子净度。本发明在种子净度判断过程中,可以对水稻种子进行详细地分类统计,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,省工高效。
Description
技术领域
本发明涉及种子净度判断领域,尤其涉及一种基于深度学习卷积神经网络的作物种子净度判断方法。
背景技术
种子净度是指在一定重量的种子中,正常种子的重量占总重量(包含正常种子之外的杂质)的百分比,杂质包括土石、杂草和其它种子等。
种子净度=(种子总重量—杂质重量/种子总重量)×100%。
种子净度判断是种子生产过程中必不可少的环节。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。对种子净度的判断和测定的现有技术中一般采用密度测定、风选测定等方法进行种子净度判断。随着技术的发展进步,现有技术如CN201510127908.3提出了一种基于超声波技术的检测种子净度的方法,通过使用空气耦合超声波设备采集种子完好颗粒、虫蛀孔洞颗粒、模拟虫蛀孔洞(手工钻孔)颗粒超声回波信号数据,作为所述训练和测试样本;根据回波信号电压强度对种子进行判别是否为有孔洞颗粒,包括用小波进行信号去噪处理,经主成分分析方法提取特征数据之后选用模式识别方法建立识别模型,并最终实现批量种子品质的在线检测。该技术方案仍存在有以下不足:(1)无法对土石、杂草,其它种子等杂质进行详细地分类统计;(2)不能对一批数量较大的样品进行自动编号、记录和统计。
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。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分,不同的学习框架下建立的学习模型很是不同。例如,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 BeliefNets,简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行种子净度判断。
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种子净度判断方法。
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作物种子净度判断方法,包括步骤
S1:取一定数量的某种作物种子称重量后置于种子净度分析台上;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;
S2:从预先称重好的该作物种子照片中分离出正常作物净种子和杂质,所述杂质包括土石、杂草和其他植物种子,利用计算机视觉算法,计算净种子和杂质轮廓;
S3:对分离后的净种子、杂质的轮廓照片进行分类,将籽粒分为正常作物净种子和杂质;
S4:使用正常作物净种子和杂质轮廓照片对深度卷积神经网络进行训练;
S5:使用验证照片对所述深度卷积神经网络进行验证;
S6:使用所述深度卷积神经网络对某种具体作物种子照片进行判定,分离出正常作物净种子和杂质,统计出正常净种子的数量,根据正常净种子的平均千粒重,计算出正常净种子的重量和作物种子净度,作物种子净度=(正常净种子的重量/种子总重量)×100%。
进一步地,所述步骤S2包括步骤
S21:利用机器学习判断种子轮廓是否为单一籽粒;
S22:如果是单一籽粒,利用轮廓切割图像输出籽粒图片,计算长度,宽度和面积;如果是粘连籽粒,利用图像分割算法分离粘连的籽粒。
进一步地,步骤S2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,不符合籽粒形状,则进行人工干预,重新拍照。
本发明的有益效果在于,与现有技术相比,本发明在种子净度判断过程中,可以对快速地分类统计出种子净度,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。
附图说明
图1是本发明基于深度学习卷积神经网络的种子净度判断方法流程图;
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。
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作物种子净度判断方法,包括步骤
S1:取一定数量的某种作物种子称重量后置于种子净度分析台上;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;
S2:从预先称重好的该作物种子照片中分离出正常作物净种子和土石、杂草以及其他植物种子等杂质,利用计算机视觉算法,计算种子和杂质轮廓;
S3:对分离后的净种子、杂质相关轮廓照片进行分类,将籽粒分为正常作物种子和杂质;
S4:使用正常作物净种子和杂质轮廓照片对深度卷积神经网络进行训练;
S5:使用验证照片对所述深度卷积神经网络进行验证;
S6:使用所述深度卷积神经网络对某种具体作物种子照片进行判定,分离出正常作物净种子和杂质,统计出正常净种子的数量,根据正常净种子的平均千粒重,计算出正常净种子的重量和作物种子净度。
种子净度=(正常净种子的重量/种子总重量)×100%
步骤S2需要利用计算机视觉算法计算种子轮廓,如果种子照片中有粘连的种子,则步骤S2中还包括步骤:
S21:利用机器学习判断轮廓(面积,椭圆度)是否为单一籽粒;
S22:如果是单一籽粒,利用轮廓切割图像输出籽粒图片,计算长度,宽度和面积;如果是粘连籽粒,利用图像分割算法分离粘连的籽粒。
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。
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 (1)
1.一种基于深度学习卷积神经网络的作物种子净度判断方法,其特征在于,包括步骤
S1:取一定数量的某种作物种子称重量后置于种子净度分析台上,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;
S2:从预先称重好的该作物种子照片中分离出正常作物净种子和杂质,所述杂质包括土石、杂草和其他植物种子,利用计算机视觉算法,计算净种子和杂质轮廓,包括步骤:
S21:利用机器学习判断种子轮廓是否为单一籽粒;
S22:如果是单一籽粒,利用轮廓切割图像输出籽粒图片,计算长度,宽度和面积;如果是粘连籽粒,利用图像分割算法分离粘连的籽粒,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,不符合籽粒形状,则进行人工干预,重新拍照;
S3:对分离后的种子、杂质的轮廓照片进行分类,将籽粒分为正常作物净种子和杂质;
S4:使用正常作物净种子和杂质轮廓照片对深度卷积神经网络进行训练;
S5:使用验证照片对所述深度卷积神经网络进行验证;
S6:使用所述深度卷积神经网络对某种具体作物种子照片进行判定,分离出正常作物净种子和杂质,统计出正常净种子的数量,根据正常净种子的平均千粒重,计算出正常净种子的重量和作物种子净度,作物种子净度=(正常净种子的重量/供测试种子总重量)×100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208265.3A CN109949323B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208265.3A CN109949323B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949323A CN109949323A (zh) | 2019-06-28 |
CN109949323B true CN109949323B (zh) | 2022-12-20 |
Family
ID=67009109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208265.3A Active CN109949323B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949323B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289512B (zh) * | 2020-02-28 | 2021-04-13 | 中国水稻研究所 | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
WO2017092183A1 (zh) * | 2015-12-03 | 2017-06-08 | 中山大学 | 一种基于可变长深度哈希学习的图像检索方法 |
CN107194938A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于深度卷积神经网络的图像轮廓检测方法 |
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及系统 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
CN108492286A (zh) * | 2018-03-13 | 2018-09-04 | 成都大学 | 一种基于双通路u型卷积神经网络的医学图像分割方法 |
CN109344717A (zh) * | 2018-09-01 | 2019-02-15 | 哈尔滨工程大学 | 一种多阈值动态统计的深海目标在线检测识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10453200B2 (en) * | 2016-11-02 | 2019-10-22 | General Electric Company | Automated segmentation using deep learned priors |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
-
2019
- 2019-03-19 CN CN201910208265.3A patent/CN109949323B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
CN104749249A (zh) * | 2015-03-23 | 2015-07-01 | 中国农业大学 | 一种基于超声波技术的检测种子净度的方法 |
WO2017092183A1 (zh) * | 2015-12-03 | 2017-06-08 | 中山大学 | 一种基于可变长深度哈希学习的图像检索方法 |
WO2018036276A1 (zh) * | 2016-08-22 | 2018-03-01 | 平安科技(深圳)有限公司 | 图片品质的检测方法、装置、服务器及存储介质 |
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及系统 |
CN107194938A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于深度卷积神经网络的图像轮廓检测方法 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
CN108492286A (zh) * | 2018-03-13 | 2018-09-04 | 成都大学 | 一种基于双通路u型卷积神经网络的医学图像分割方法 |
CN109344717A (zh) * | 2018-09-01 | 2019-02-15 | 哈尔滨工程大学 | 一种多阈值动态统计的深海目标在线检测识别方法 |
Non-Patent Citations (2)
Title |
---|
Using Deep Convolutional Neural Network for oak acorn viability recognition based on color images of their sections;Jaromir Przybyło等;《Computers and Electronics in Agriculture》;20190120;490-499 * |
基于卷积神经网络的反向传播算法改进;杨鹤标等;《计算机工程与设计》;20190116;第40卷(第1期);126-130 * |
Also Published As
Publication number | Publication date |
---|---|
CN109949323A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
CN109934297B (zh) | 一种基于深度学习卷积神经网络的水稻考种方法 | |
EP2191439B1 (en) | Method for digital image analysis of maize | |
WO2019174572A1 (zh) | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 | |
CN110839557B (zh) | 母猪发情监测方法、装置、系统、电子设备及存储介质 | |
CN1804620A (zh) | 一种禽蛋表面品质检测的方法和装置 | |
CN117589633B (zh) | 一种粮食杂质检测装置及方法 | |
CN105009731B (zh) | 玉米考种方法及其系统 | |
Shahin et al. | Lentil type identification using machine vision | |
CN113820325A (zh) | 一种玉米籽粒直收含杂率和破碎率在线检测系统及其方法 | |
JP2013074807A (ja) | 圃場情報生成システム | |
CN109949323B (zh) | 一种基于深度学习卷积神经网络的作物种子净度判断方法 | |
Desai et al. | Seed quality analysis using image processing and ANN | |
CN116503402B (zh) | 一种粮食并肩杂质含量的检测方法及装置 | |
CN111462058A (zh) | 一种水稻有效穗快速检测方法 | |
Pratibha et al. | Analysis and identification of rice granules using image processing and neural network | |
CN109871833A (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
Valiente et al. | Non-destructive image processing analysis for defect identification and maturity detection on avocado fruit | |
CN113245222B (zh) | 一种三七异物视觉实时检测分拣系统及分拣方法 | |
CN104568639B (zh) | 一种水果糖度的确定方法和装置 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
CN110123484B (zh) | 一种牲畜分娩检测方法和装置 | |
E. Angelia et al. | Dried Robusta Coffee Bean Quality Classification Using Convolutional Neural Network Algorithm | |
CN110882948A (zh) | 一种柚子品质分类方法与装置 | |
CN111815540A (zh) | 一种基于高光谱的冷库果蔬冷害检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |