CN113469208A - 玉米种子品种真实性鉴定方法及设备 - Google Patents
玉米种子品种真实性鉴定方法及设备 Download PDFInfo
- Publication number
- CN113469208A CN113469208A CN202010414387.0A CN202010414387A CN113469208A CN 113469208 A CN113469208 A CN 113469208A CN 202010414387 A CN202010414387 A CN 202010414387A CN 113469208 A CN113469208 A CN 113469208A
- Authority
- CN
- China
- Prior art keywords
- corn seed
- neural network
- convolutional neural
- variety
- corn
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 195
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 195
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 192
- 235000005822 corn Nutrition 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 105
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 3
- 235000009973 maize Nutrition 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 235000013339 cereals Nutrition 0.000 description 6
- 229940045109 genistein Drugs 0.000 description 6
- TZBJGXHYKVUXJN-UHFFFAOYSA-N genistein Natural products C1=CC(O)=CC=C1C1=COC2=CC(O)=CC(O)=C2C1=O TZBJGXHYKVUXJN-UHFFFAOYSA-N 0.000 description 6
- 235000006539 genistein Nutrition 0.000 description 6
- ZCOLJUOHXJRHDI-CMWLGVBASA-N genistein 7-O-beta-D-glucoside Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=CC(O)=C2C(=O)C(C=3C=CC(O)=CC=3)=COC2=C1 ZCOLJUOHXJRHDI-CMWLGVBASA-N 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000276573 Cottidae Species 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 108010016634 Seed Storage Proteins Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 239000004460 silage Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Credit Cards Or The Like (AREA)
Abstract
本发明实施例提供一种玉米种子品种真实性鉴定方法、装置、电子设备和存储介质。该方法包括：获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。本发明实施例通过采用预设的卷积神经网络模型对待测玉米种子的结构图像进行判断，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种玉米种子品种真实性鉴定方法、装置、电子设备和存储介质。
背景技术
在玉米种子生产、加工、销售等各个环节，品种真实性都具有非常重要的作用。当前传统育种与分子育种技术相结合，育种步伐加快，同时，随着育、繁、推一体化的实行，对玉米审定程序的简化，使得近年通过审定的玉米新品种数量井喷式上升。然而，有些不法分子便会趁机而入，以假乱真，制售假劣种子，有的更是以次充好，用其它品种的种子冒充知名品种的种子，造成种子市场的混乱。此外，在种子生产过程中也会有很多因素导致品种混杂，如因为亲本纯度不高，去雄、去杂、去劣等操作不当、不及时，以及收获、脱粒过程可能出现的机械混杂，都会导致所生产的种子中出现自交种、回交种等。因此，加强对玉米种子的真实性的鉴定显得非常必要。
传统的种子真实性鉴定如幼苗形态鉴定法，工作量大，周期长，受环境条件影响大，且只有在区分特征有显著差异的品种时有较高的准确性；而通过同工酶和种子贮藏蛋白鉴定区分品种，重复性差；分子标记鉴定技术如简单重复序列技术，是一种较好的鉴定种子纯度和真实性手段，具有多态性好、重复性高、结果相对稳定等优点。但该技术也具有一定的局限性，设计引物需要花费一定费用，并且在鉴定过程中会损坏样品。以上方法均存在一定的局限性，不能成为一种兼具成本低、无损、快速、高效的检测方法，也不能做到对鉴定的样本进行逐一筛选。
现有的品种真实性鉴定的方法都或多或少地存在一些问题，并且只能对种子做出鉴定而无法进行筛选，因此，亟需一种快速、无损、高效的方法来对玉米种子品种真实性进行鉴定与筛选。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的玉米种子品种真实性鉴定方法、装置、电子设备和存储介质。
为了解决上述技术问题，一方面，本发明实施例提供一种玉米种子品种真实性鉴定方法，包括：
获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
进一步地，所述获取待测玉米种子的结构图像之前，还包括：
构建卷积神经网络；
对所述卷积神经网络进行训练，确定所述卷积神经网络模型。
进一步地，所述构建卷积神经网络，具体包括：
获取VGG卷积神经网络；
将所述VGG卷积神经网络的全连接层替换为二分类的全连接层。
进一步地，所述对所述卷积神经网络进行训练，确定所述卷积神经网络模型，具体包括：
获取多个玉米种子样本，每一玉米种子样本包括结构图像以及预先确定的是否为所述目标品种的标签；
利用所述多个玉米种子样本对卷积神经网络进行训练，确定所述卷积神经网络模型。
进一步地，所述获取多个玉米种子样本，具体包括：
对预先摆放好的多粒玉米种子一起扫描，获得多粒玉米种子的扫描图像；其中，在摆放所述多粒玉米种子时，相邻两粒玉米种子之间留有预设间距；
对所述多粒玉米种子的扫描图像进行背景值填充和分割处理，获取多个玉米种子的结构图像；
对每一玉米种子的结构图像添加是否为所述目标品种的标签。
进一步地，所述利用所述多个玉米种子样本对卷积神经网络进行训练之前，还包括：
将所述多个玉米种子样本进行随机旋转、水平和竖直移动、随机错切变换、随机放大、水平翻转以及数据归一化处理，并将处理后的多个玉米种子样本对所述卷积神经网络进行训练
进一步地，所述VGG卷积神经网络为VGG16卷积神经网络。
另一方面，本发明实施例提供一种玉米种子品种真实性鉴定装置，包括：
获取模块，用于获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
鉴定模块，用于将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
再一方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。
本发明实施例提供的玉米种子品种真实性鉴定方法、装置、电子设备和存储介质，通过采用预设的卷积神经网络模型对待测玉米种子的结构图像进行判断，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的玉米种子品种真实性鉴定方法的流程示意图；
图2为胚与胚乳混合模型下鉴别京科968与10个非京科968品种的准确率折线图；
图3为胚乳混合模型下鉴别京科968与10个非京科968品种的损失折线图；
图4为本发明实施例提供的玉米种子品种真实性鉴定装置的流程示意图；
图5为本发明实施例提供一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
与传统的机器学习算法不同的是，深度学习不需要复杂的特征提取，只需要考虑选择合适的网络结构和相应的优化算法，在训练过程中改变学习率等参数就可以使算法达到最优状态。卷积神经网络(CNN)是一个深度学习架构，主要由卷积层、池化层和全连接层等结构组成。这些结构中最基本的是卷积层，可提取样本图像的特征，免去了人工提取特征的过程。且CNN具有非常好的识别、分类效果。训练CNN模型有两种基本方法:(1)从零开始训练，(2)迁移学习。但是，在实际的应用过程中，要实现从零训练一个优化模型是非常有挑战性，甚至是不可能的。从零开始训练CNN模型需要大量的样本，且过程中会存在训练时间过长、过拟合或欠拟合等诸多问题。为了避免出现这些问题，可以采用对CNN模型进行微调(fine-tuning)再训练，这种方法叫做迁移学习。迁移学习是一种方便、高效的知识适配方法。在使用转移学习时，固定使用已经训练好的卷积层和池化层提取特征，再搭建一个新的全连接层用于完成特定的任务。
本发明实施例使用样品胚面、胚乳面及胚与胚乳混合面图像分别建立品种真实性鉴定模型，并运用迁移学习对特定样本的真实性进行鉴定，在大样本量条件下，结果表明所建立的模型对特定品种和非特定品种的分类正确率在98％左右，模型的损失在0.1左右，三种类型模型没有明显差异。因此，在实际应用中，采集样品图像信息时，可随机获取种子的胚面或胚乳面，不再需要人为控制获得纯胚面或纯胚乳面图像，这使得获取样品图像更加方便快捷。在使用大量样本建立鉴别模型后，对模型进行保存，载入使用后，对疑似待定样品的识别正确率极高。
本发明实施例提供一种玉米种子品种真实性鉴定方法，图1为本发明实施例提供的玉米种子品种真实性鉴定方法的流程示意图，如图1所示，该方法包括：
步骤S101、获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，在上述步骤S101中，将疑似特定品种的待测玉米种子进行扫描，获得待测玉米种子的结构图像，所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像。
步骤S102、将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，在上述步骤S102中，将得到的待测玉米种子的结构图像输入至预设的卷积神经网络模型，卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到，卷积神经网络模型能够快速判断并输出所述待测玉米种子的品种是否为目标品种，完成真实性鉴别。
本发明实施例提供的玉米种子品种真实性鉴定方法，通过采用预设的卷积神经网络模型对待测玉米种子的结构图像进行判断，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
基于上述任一实施例，进一步地，所述获取待测玉米种子的结构图像之前，还包括：
构建卷积神经网络；
对所述卷积神经网络进行训练，确定所述卷积神经网络模型。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，通过根据现有的积神经网络进行修改得到构建后的卷积神经网络，利用获得的多个玉米种子样本对卷积神经网络进行训练，确定所述卷积神经网络模型，并且为防止过拟合，在网络的训练过程中，dropout设置为0.5，将网络中的冗余神经元丢弃，为了探索简化获取待测玉米种子图像过程，分别使用样本的胚面、胚乳面和胚与胚乳混合图像进行建模。对所构建的卷积神经网络模型评价指标有正确率(Accuracy)和损失(Loss)。
例如：将卷积神经网络的Batch size设置为32，Epoch设置为40，dropout设置为0.5，利用获得的多个玉米种子样本对卷积神经网络进行训练，确定所述卷积神经网络模型，其中，分析和建模软件采用Jupyter notebook。
本发明实施例提供的玉米种子品种真实性鉴定方法，通过采用对卷积神经网络模型进行训练，确定了卷积神经网络模型，以达到对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
基于上述任一实施例，进一步地，所述构建卷积神经网络，具体包括：
获取VGG卷积神经网络；
将所述VGG卷积神经网络的全连接层替换为二分类的全连接层。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，使用VGG卷积神经网络，利用该网络的卷积层和池化层提取玉米种子样本的结构图像特征；然后再搭建一个新的全连接层，将VGG卷积神经网络的输出层作为输入进行分类，最后通过预测层输出分类结果。
选择VGG卷积神经网络进行迁移学习，使用时只保留VGG卷积神经网络训练好的卷积层和池化层，利用其提取图像特征的能力，而不使用已有的全连接层。VGG卷积神经网络的全连接层有1000个分类，而我们在真实性鉴别时，只有“是”和“否”两个类别，因此需要重新搭建一个二分类的全连接层。
例如：载入VGG16卷积神经网络，通过设置include_top＝False，可以获得不含全连接层的基础网络，详细参数如表1所示，其中，Layer name表示每一层的名称；OutputShape表示每一层的输出形状；Param表示每层参数的数量。
表1基于VGG16模型的基础网络参数汇总
本发明实施例中研究了京科968和非京科968玉米种子(二分类)，只有两个类。因此，新的全连接层有两个神经元。根据本发明实施例的真实性鉴别要求，搭建一个分类类别数为2的全连接层，将VGG16卷积神经网络得到的输出层作为输入，激活函数为Softmax，Dropout取值为0.5。模型参数如表2所示。
表2真实性鉴定模型汇总
需要说明的是，本发明实施例中对VGG卷积神经网络并不作具体限定，本发明实施例中以VGG16举例说明。
本发明实施例提供的玉米种子品种真实性鉴定方法，通过采用VGG卷积神经网络，并搭建一个新的全连接层，提供了一种卷积神经网络，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
基于上述任一实施例，进一步地，所述对所述卷积神经网络进行训练，确定所述卷积神经网络模型，具体包括：
获取多个玉米种子样本，每一玉米种子样本包括结构图像以及预先确定的是否为所述目标品种的标签；
利用所述多个玉米种子样本对卷积神经网络进行训练，确定所述卷积神经网络模型。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，对多个玉米种子使用同一扫描仪获取扫描图像，获得多个玉米种子的扫描图像，将多个玉米种子的扫描图像的背景值填充为0，再分割图像，获得包含每一粒玉米种子的结构图像，并将每一玉米种子的结构图像添加是否为所述目标品种的标签，然后利用带有标签的玉米种子的结构图像用于对卷积神经网络进行训练，为防止过拟合，在网络的训练过程中，dropout设置为0.5，将网络中的冗余神经元丢弃，并且分别使用样本的胚面、胚乳面和胚与胚乳混合图像进行建模，简化获取待测玉米种子图像过程，
本发明实施例提供的玉米种子品种真实性鉴定方法，通过采用对卷积神经网络模型进行训练，确定了卷积神经网络模型，以达到对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
基于上述任一实施例，进一步地，所述获取多个玉米种子样本，具体包括：
对预先摆放好的多粒玉米种子一起扫描，获得多粒玉米种子的扫描图像；其中，在摆放所述多粒玉米种子时，相邻两粒玉米种子之间留有预设间距；
对所述多粒玉米种子的扫描图像进行背景值填充和分割处理，获取多个玉米种子的结构图像；
对每一玉米种子的结构图像添加是否为所述目标品种的标签。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，对多粒玉米种子使用同一扫描仪获取扫描图像，所述样品可数粒种子同时扫描，只需避免互相接触，使每一玉米种子之间留有预设间距，获得多粒玉米种子的扫描图像，将多粒玉米种子的扫描图像的背景值填充为0，再分割图像，获得包含每一粒玉米种子的结构图像，并将每一玉米种子的结构图像添加是否为所述目标品种的标签，获取到的结构图像以及预先确定的是否为所述目标品种的标签即为每一玉米种子样本。例如：使用清华紫光D6810型扫描仪，其分辨率为300dpi，将留有预设间距的多个玉米种子进行一起扫描成PNG图像，然后使用PhotoshopCS6的切片工具快速将扫描图像切成160*160像素大小包含每一粒玉米种子的图像。
其中，采集1000个样本以上的玉米种子样品，且应尽可能多地包含不同的生产地和生产年份。以更好地使构建的鉴别模型具有更高的容变性和稳定性，适用于更广泛的样品以及更复杂的样品真实性鉴别。
例如：用胚面、胚乳面和胚与胚乳混合图像分别建立了三种模型，模型数据集详情如表3所示。
表3训练集和测试集所包含的样本图像数
本发明实施例提供的玉米种子品种真实性鉴定方法，通过采用VGG卷积神经网络，并搭建一个新的全连接层，提供了一种卷积神经网络，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
基于上述任一实施例，进一步地，所述利用所述多个玉米种子样本对卷积神经网络进行训练之前，还包括：
将所述多个玉米种子样本进行随机旋转、水平和竖直移动、随机错切变换、随机放大、水平翻转以及数据归一化处理，并将处理后的多个玉米种子样本对所述卷积神经网络进行训练
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，由于训练集的数据有限，增加训练前的玉米种子样本可以提高模型的准确性。并且在识别过程中，考虑到种子的放置角度、位置等不确定因素，本发明实施例将玉米种子样本包括结构图像进行随机旋转、随机水平平移、随机竖直平移、随机错切变换、随机放大、水平翻转以及数据归一化处理，并将处理变换后的多个玉米种子样本与多个原始玉米种子样本一起进行训练，测试集不做太多变化，只做数据归一化。
例如：玉米种子样本包括结构图像进行随机旋转(40°)，随机水平平移(0.2)，随机竖直平移(0.2)，随机错切变换(20)，随机放大(0.2)，归一化处理(1/255)，水平翻转，填充方式为“nearest”。
本发明实施例提供的玉米种子品种真实性鉴定方法，通过对玉米种子进行数据扩增，对训练集数据扩增，增加数据数量，以提高模型的鲁棒性。提高了模型的准确率和稳定性，进一步能提高模型的适用性。
基于上述任一实施例，进一步地，所述VGG卷积神经网络为VGG16卷积神经网络。
具体的，具体的，根据上述实施例的玉米种子品种真实性鉴定方法，本发明实施例中VGG卷积神经网络采用的为VGG16卷积神经网络。
本发明实施例提供的玉米种子品种真实性鉴定方法，通过根据VGG16卷积神经网络构建预设的卷积神经网络，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
进一步地，在上述实施例的基础上，本发明实施例使用的玉米种子材料分为“京科968”类别和“非京科968”类别。其中，“京科968”样品包含2015年200粒，2019年三个批次各200粒，共计800粒；“非京科968”包含的6个品种有：华农138、华农886、隆平206、皖玉708、优迪919和郑单958，共800粒。本发明实施例中，所有模型的训练集和测试集的图像数量比例均为7:3，采用上述实施例提供的玉米种子品种真实性鉴定方法对玉米种子材料进行鉴别，实验证明了胚面、胚乳面和胚与胚乳混合模型下鉴别京科968与6个非京科968品种的准确率均在98％左右，模型的损失在0.1左右，证明模型非常稳定且可信度很高。且使用样品胚面、胚乳面及胚与胚乳混合面图像分别建立的品种真实性鉴定模型没有明显差异。因此，在实际应用中，采集样品图像信息时，可随机获取种子的胚面或胚乳面，不再需要人为控制获得纯胚面或纯胚乳面图像，这使得获取样品图像更加方便快捷。模型保存后可用于对任一待定样品进行真实性鉴定。
在使用大量样本建立鉴别模型后，对模型进行保存载入后，对疑似待定样品的识别正确率极高。使用该方法能快速、准确、直观得鉴别种子真实性。
进一步地，在上述实施例的基础上，本发明实施例使用的另一玉米种子材料：本实验使用的玉米种子材料分为“京科968”类别和“非京科968”类别。其中，“京科968”样品包含2015年200粒，2019年三个批次各200粒，共计800粒；“非京科968”包含的10个品种有：华农138、华农886、隆平206、皖玉708、优迪919，郑单958，京科青贮516，秋乐368、秋乐218和利禾1，共800粒。本发明实施例中，所有模型的训练集和测试集的图像数量比例均为7:3。图2为胚与胚乳混合模型下鉴别京科968与10个非京科968品种的准确率折线图，图3为胚乳混合模型下鉴别京科968与10个非京科968品种的损失折线图，如图2和图3所示，采用上述实施例提供的玉米种子品种真实性鉴定方法对玉米种子材料进行鉴别，在胚面、胚乳面和胚与胚乳混合模型下鉴别京科968与10个非京科968品种的准确率均在98％左右，模型的损失在0.1左右，证明本发明实施例提出的模型非常稳定且可信度很高。
本发明实施例提供的玉米种子品种真实性鉴定方法方便、快速、无损、成本低、准确率高，在实际应用中可根据需求做出灵活调整，例如：搜集当年某一品种多个环境的标准样品，建立模型后，可对市场上不同销售途径的该品种种子进行抽查或普查，以防止出现制售假劣种子，减少农民损失，保障种业市场健康发展。
进一步地，在上述实施例的基础上，本发明实施例提供了一种玉米种子品种真实性鉴定装置，该装置用于执行上述方法实施例中的玉米种子品种真实性鉴定方法。图4为本发明实施例提供的玉米种子品种真实性鉴定装置的流程示意图，如图4所示，该装置包括：获取模块401、输出模块402；其中，
获取模块401，用于获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
具体的，根据上述实施例的玉米种子品种真实性鉴定装置，在上述获取模块401中，获取模块401将疑似特定品种的待测玉米种子进行扫描，获得待测玉米种子的结构图像，所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
鉴定模块402，用于将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
具体的，根据上述实施例的玉米种子品种真实性鉴定方法，在上述输出模块402中，输出模块402将得到的待测玉米种子的结构图像输入至预设的卷积神经网络模型，卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到，卷积神经网络模型能够快速判断并输出所述待测玉米种子的品种是否为目标品种，完成真实性鉴别。
需要说明的是，本发明实施例的装置可用于执行图1所示的一种玉米种子品种真实性鉴定方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的玉米种子品种真实性鉴定装置，通过采用预设的卷积神经网络模型对待测玉米种子的结构图像进行判断，实现了对玉米种子品种真实性进行方便、快速、无损、准确率高和成本低的鉴定，并且在实际应用中可根据需求做出灵活调整。
举个例子如下：
图5为本发明实施例提供一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)501、通信接口(CommunicationsInterface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种玉米种子品种真实性鉴定方法，其特征在于，包括：
获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
2.根据权利要求1所述的玉米种子品种真实性鉴定方法，其特征在于，所述获取待测玉米种子的结构图像之前，还包括：
构建卷积神经网络；
对所述卷积神经网络进行训练，确定所述卷积神经网络模型。
3.根据权利要求2所述的玉米种子品种真实性鉴定方法，其特征在于，所述构建卷积神经网络，具体包括：
获取VGG卷积神经网络；
将所述VGG卷积神经网络的全连接层替换为二分类的全连接层。
4.根据权利要求3所述的玉米种子品种真实性鉴定方法，其特征在于，所述对所述卷积神经网络进行训练，确定所述卷积神经网络模型，具体包括：
获取多个玉米种子样本，每一玉米种子样本包括结构图像以及预先确定的是否为所述目标品种的标签；
利用所述多个玉米种子样本对卷积神经网络进行训练，确定所述卷积神经网络模型。
5.根据权利要求4所述的玉米种子品种真实性鉴定方法，其特征在于，所述获取多个玉米种子样本，具体包括：
对预先摆放好的多粒玉米种子一起扫描，获得多粒玉米种子的扫描图像；其中，在摆放所述多粒玉米种子时，相邻两粒玉米种子之间留有预设间距；
对所述多粒玉米种子的扫描图像进行背景值填充和分割处理，获取多个玉米种子的结构图像；
对每一玉米种子的结构图像添加是否为所述目标品种的标签。
6.根据权利要求4所述的玉米种子品种真实性鉴定方法，其特征在于，所述利用所述多个玉米种子样本对卷积神经网络进行训练之前，还包括：
将所述多个玉米种子样本进行随机旋转、水平和竖直移动、随机错切变换、随机放大、水平翻转以及数据归一化处理，并将处理后的多个玉米种子样本对所述卷积神经网络进行训练。
7.根据权利要求3所述的玉米种子品种真实性鉴定方法，其特征在于，所述VGG卷积神经网络为VGG16卷积神经网络。
8.一种玉米种子品种真实性鉴定装置，其特征在于，包括：
获取模块，用于获取待测玉米种子的结构图像；所述结构图像包括胚面图像、胚乳面图像，以及胚与胚乳混合图像；
鉴定模块，用于将所述待测玉米种子的结构图像输入至预设的卷积神经网络模型，输出所述待测玉米种子的品种是否为目标品种；其中，所述卷积神经网络模型是基于玉米种子样本的结构图像以及预先确定的是否为所述目标品种的标签进行训练后得到。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述玉米种子品种真实性鉴定方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述玉米种子品种真实性鉴定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414387.0A CN113469208A (zh) | 2020-05-15 | 2020-05-15 | 玉米种子品种真实性鉴定方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414387.0A CN113469208A (zh) | 2020-05-15 | 2020-05-15 | 玉米种子品种真实性鉴定方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469208A true CN113469208A (zh) | 2021-10-01 |
Family
ID=77866184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010414387.0A Pending CN113469208A (zh) | 2020-05-15 | 2020-05-15 | 玉米种子品种真实性鉴定方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469208A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724005A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于深度神经网络的固态酿造颗粒状原料掺杂鉴别方法 |
| CN114830866A (zh) * | 2022-04-13 | 2022-08-02 | 徐州院博辣椒产业技术研究院有限公司 | 一种鉴定辣椒品种真实性的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
-
2020
- 2020-05-15 CN CN202010414387.0A patent/CN113469208A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐岩等: "基于卷积神经网络的玉米品种识别", 《江苏农业学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724005A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于深度神经网络的固态酿造颗粒状原料掺杂鉴别方法 |
| CN114830866A (zh) * | 2022-04-13 | 2022-08-02 | 徐州院博辣椒产业技术研究院有限公司 | 一种鉴定辣椒品种真实性的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raikar et al. | Classification and Grading of Okra-ladies finger using Deep Learning | |
| Ishikawa et al. | Classification of strawberry fruit shape by machine learning | |
| CN110084245B (zh) | 基于视觉注意机制强化学习弱监督图像检测方法、系统 | |
| CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| Liu et al. | Deep learning for image-based large-flowered chrysanthemum cultivar recognition | |
| CN113469208A (zh) | 玉米种子品种真实性鉴定方法及设备 | |
| CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
| Aiadi et al. | A new method for automatic date fruit classification | |
| Sharma et al. | Image processing techniques to estimate weight and morphological parameters for selected wheat refractions | |
| CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
| Shahin et al. | Lentil type identification using machine vision | |
| Atanbori et al. | Convolutional neural net-based cassava storage root counting using real and synthetic images | |
| Deng et al. | Image features and DUS testing traits for peanut pod variety identification and pedigree analysis | |
| David et al. | Plant detection and counting from high-resolution RGB images acquired from UAVs: comparison between deep-learning and handcrafted methods with application to maize, sugar beet, and sunflower | |
| CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
| KR20240035997A (ko) | 마티올라 종자들을 선별하는 방법들 | |
| Tu et al. | AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds | |
| CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| Oury et al. | Earbox, an open tool for high-throughput measurement of the spatial organization of maize ears and inference of novel traits | |
| Thipsrirach et al. | Classification of durian maturity using a convolutional neural network | |
| CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
| Adke et al. | Instance segmentation to estimate consumption of corn ears by wild animals for GMO preference tests | |
| CN116740473B (zh) | 一种基于机器视觉的渔获物自动分拣方法及系统 | |
| Zhinin-Vera et al. | Artificial Vision Technique to Detect and Classify Cocoa Beans | |
| Doan et al. | A Novel Mango Grading System Based on Image Processing and Machine Learning Methods |
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: 20211001 |
|
| RJ01 | Rejection of invention patent application after publication |