CN109961441A - 杂交稻种子裂颖率的高效测定方法 - Google Patents
杂交稻种子裂颖率的高效测定方法 Download PDFInfo
- Publication number
- CN109961441A CN109961441A CN201910207916.7A CN201910207916A CN109961441A CN 109961441 A CN109961441 A CN 109961441A CN 201910207916 A CN201910207916 A CN 201910207916A CN 109961441 A CN109961441 A CN 109961441A
- Authority
- CN
- China
- Prior art keywords
- seed
- clever
- splits
- hybrid rice
- rate
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 35
- 235000009566 rice Nutrition 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 16
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims description 8
- 235000013339 cereals Nutrition 0.000 claims description 7
- 239000010903 husk Substances 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000010152 pollination Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000009402 cross-breeding Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010159 dioecy Effects 0.000 description 1
- 230000021759 endosperm development Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种杂交稻种子裂颖率的高效测定方法，包括步骤：取一定数量的杂交稻置于种子分析台/板上，拍照，上传给计算机处理系统；从杂交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；对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭合种子和裂颖种子；使用闭合种子和裂颖种子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；使用所述深度卷积神经网络对杂交稻种子照片进行判定，计算出闭合种子数量和裂颖种子数量以及杂交稻种子裂颖率。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。
Description
技术领域
本发明涉及种子裂颖率判断领域，尤其涉及一种杂交稻种子裂颖率的高效测定方法。
背景技术
种子裂颖率是指在一定数量的种子中，裂颖种子(非正常闭合种子)的数量占总数量的比率。
种子裂颖率＝（裂颖种子数量/种子总数量)×100％。
杂交水稻制种为雌雄异株授粉，授粉后易造成颖花的闭合不完全，产生裂颖情况。因其不育系特征特性的不同，繁殖制种产生的裂颖程度也有所差异，裂颖种子所占比例为10％～80％。由于裂颖，授粉后的子房膨大过程中，胚乳直接受烈日爆晒而产生假熟现象，米粒瘦小，胚乳发育不全，降低种子的饱满度。收割晒种时，机械损伤严重，较多的种子半粒裸露，易受病菌、虫害的侵入，造成发芽势减弱、发芽率不高。而且对不良的气候抵抗力降低，严重影响到杂交水稻种子的发芽率和成苗率，以及种子的产品质量和贮存时间。种子企业为了保证杂交水稻种子质量，不得不增加精选环节，这不仅提高了人力成本，而且还造成5％左右的种子损耗。
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 Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行杂交稻种子裂颖率判断。
发明内容
为克服现有技术的不足，本发明提出一种杂交稻种子裂颖率的高效测定方法，即基于深度学习卷积神经网络的种子裂颖率判断方法。
本发明的技术方案是这样实现的：
一种杂交稻种子裂颖率的高效测定方法，包括步骤
S1：取一定数量的杂交稻置于种子分析台/板上，拍照，上传给计算机处理系统；
S2：从杂交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；
S3：对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭合种子和裂颖种子；
S4：使用闭合种子和裂颖种子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杂交稻种子照片进行判定，分离出闭合种子和裂颖种子，计算出闭合种子数量和裂颖种子数量以及杂交稻种子裂颖率，杂交稻种子裂颖率＝(裂颖种子数量/种子总数量)×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是本发明杂交稻种子裂颖率的高效测定方法流程图；
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，本发明杂交稻种子裂颖率的高效测定方法，包括步骤
S1：取一定数量的杂交稻置于种子分析台/板上，拍照，上传给计算机处理系统；
S2：从杂交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；
S3：对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭合种子和裂颖种子；
S4：使用闭合种子和裂颖种子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杂交稻种子照片进行判定，分离出闭合种子和裂颖种子，计算出闭合种子数量和裂颖种子数量以及杂交稻种子裂颖率，杂交稻种子裂颖率＝(裂颖种子数量/种子总数量)×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。
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 (3)
1.一种杂交稻种子裂颖率的高效测定方法，其特征在于，包括步骤
S1：取一定数量的杂交稻置于种子分析台/板上，拍照，上传给计算机处理系统；
S2：从杂交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；
S3：对分离后的各籽粒以其轮廓照片进行分类，将籽粒分为闭合种子和裂颖种子；
S4：使用闭合种子和裂颖种子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杂交稻种子照片进行判定，分离出闭合种子和裂颖种子，计算出闭合种子数量和裂颖种子数量以及杂交稻种子裂颖率，杂交稻种子裂颖率＝(裂颖种子数量/种子总数量)×100％。
2.如权利要求1所述的杂交稻种子裂颖率的高效测定方法，其特征在于，，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。
3.如权利要求1所述的杂交稻种子裂颖率的高效测定方法，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207916.7A CN109961441A (zh) | 2019-03-19 | 2019-03-19 | 杂交稻种子裂颖率的高效测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910207916.7A CN109961441A (zh) | 2019-03-19 | 2019-03-19 | 杂交稻种子裂颖率的高效测定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109961441A true CN109961441A (zh) | 2019-07-02 |
Family
ID=67024546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910207916.7A Pending CN109961441A (zh) | 2019-03-19 | 2019-03-19 | 杂交稻种子裂颖率的高效测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961441A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105606707A (zh) * | 2016-01-27 | 2016-05-25 | 南京农业大学 | 基于声学特性的杂交水稻裂颖种子检测方法 |
| CN105825182A (zh) * | 2016-03-15 | 2016-08-03 | 浙江大学 | 一种在线识别裂颖稻种的双面分析方法 |
| CN107516311A (zh) * | 2017-08-08 | 2017-12-26 | 中国科学技术大学 | 一种基于gpu嵌入式平台的玉米破损率检测方法 |
-
2019
- 2019-03-19 CN CN201910207916.7A patent/CN109961441A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105606707A (zh) * | 2016-01-27 | 2016-05-25 | 南京农业大学 | 基于声学特性的杂交水稻裂颖种子检测方法 |
| CN105825182A (zh) * | 2016-03-15 | 2016-08-03 | 浙江大学 | 一种在线识别裂颖稻种的双面分析方法 |
| CN107516311A (zh) * | 2017-08-08 | 2017-12-26 | 中国科学技术大学 | 一种基于gpu嵌入式平台的玉米破损率检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113791078A (zh) * | 2021-09-02 | 2021-12-14 | 中国农业机械化科学研究院 | 一种玉米种子内部裂纹批量检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| El Hassouni et al. | Root system architecture and its association with yield under different water regimes in durum wheat | |
| US11632920B2 (en) | Methods for identifying crosses for use in plant breeding | |
| Huang et al. | Detecting sugarcane borer diseases using support vector machine | |
| Ospina et al. | Diversity of crop development traits and nitrogen use efficiency among potato cultivars grown under contrasting nitrogen regimes | |
| US20060068372A1 (en) | Method of classifying plant embryos using penalized logistic regression | |
| Lambert et al. | Effect of leaf area on maize productivity. | |
| 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 | |
| Morgan et al. | Outcrossing rates and correlated mating within a population of Eichhornia paniculata (Pontederiaceae) | |
| US20130318649A1 (en) | Methods for producing a hybrid seed product | |
| Epperson | Spatial genetic structure and non‐equilibrium demographics within plant populations | |
| CN114266752A (zh) | 一种基于Faster R-CNN的小麦穗数识别方法、系统和介质 | |
| CN109961441A (zh) | 杂交稻种子裂颖率的高效测定方法 | |
| CN109961035A (zh) | 一种水稻分蘖期长势智慧监控调节方法 | |
| Ibáñez et al. | Cultivated grapevine displays a great diversity for reproductive performance variables | |
| CN110766053A (zh) | 基于双路卷积神经网络的玉米制种果穗筛分方法及装置 | |
| CN109949323A (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 | |
| Pang et al. | Rapid growth in clonal Juglans nigra L. is most closely associated with early foliation, robust branch architecture, and protandry | |
| Alvarez et al. | Modeling pollen tube growth of ‘Gala’and ‘Fuji’apples | |
| Tello et al. | Reduced gamete viability associated to somatic genome rearrangements increases fruit set sensitivity to the environment in Tempranillo Blanco grapevine cultivar | |
| Yu | Sugar Beets Homozygous for Nematode Resistance and Transmission of Resistance to their Progenies 1 | |
| Mehring | Determining optimum seeding rates for diverse hard red spring wheat (Triticum aestivum L.) cultivars | |
| Li et al. | High outcrossing rates in a self‐compatible and highly aggregated host‐generalist mistletoe | |
| Eckers et al. | B chromosomes and fertility in a native population of Hymenachne amplexicaulis (Poaceae: Panicoideae: Paspaleae) | |
| Gouveia et al. | Seashore paspalum (Paspalum vaginatum Sw.) performance under shade in multi-environment trials | |
| CN118628922B (zh) | 一种黄芩病虫害识别系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190702 |