CN115266607A - 基于显微高光谱图像秀珍菇菌种退化无损检测方法 - Google Patents
基于显微高光谱图像秀珍菇菌种退化无损检测方法 Download PDFInfo
- Publication number
- CN115266607A CN115266607A CN202210875859.1A CN202210875859A CN115266607A CN 115266607 A CN115266607 A CN 115266607A CN 202210875859 A CN202210875859 A CN 202210875859A CN 115266607 A CN115266607 A CN 115266607A
- Authority
- CN
- China
- Prior art keywords
- strain
- pleurotus geesteranus
- degradation
- strains
- image
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 45
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 16
- 241000223682 Exophiala Species 0.000 title description 2
- 241000222350 Pleurotus Species 0.000 claims abstract description 95
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000007850 degeneration Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 15
- 238000002834 transmittance Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 239000001963 growth medium Substances 0.000 claims description 24
- 239000007788 liquid Substances 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004042 decolorization Methods 0.000 claims description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 5
- 244000061456 Solanum tuberosum Species 0.000 claims description 5
- 235000002595 Solanum tuberosum Nutrition 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 239000008103 glucose Substances 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 239000006228 supernatant Substances 0.000 claims description 5
- 229920001817 Agar Polymers 0.000 claims description 4
- 239000008272 agar Substances 0.000 claims description 4
- 238000012258 culturing Methods 0.000 claims description 4
- -1 20W halogen Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 239000002609 medium Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 239000012228 culture supernatant Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 241000233866 Fungi Species 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 12
- 239000001965 potato dextrose agar Substances 0.000 description 10
- 238000000701 chemical imaging Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CSNNHWWHGAXBCP-UHFFFAOYSA-L Magnesium sulfate Chemical compound [Mg+2].[O-][S+2]([O-])([O-])[O-] CSNNHWWHGAXBCP-UHFFFAOYSA-L 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ZPLCXHWYPWVJDL-UHFFFAOYSA-N 4-[(4-hydroxyphenyl)methyl]-1,3-oxazolidin-2-one Chemical compound C1=CC(O)=CC=C1CC1NC(=O)OC1 ZPLCXHWYPWVJDL-UHFFFAOYSA-N 0.000 description 1
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 108010023063 Bacto-peptone Proteins 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 239000001888 Peptone Substances 0.000 description 1
- 108010080698 Peptones Proteins 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 229930003270 Vitamin B Natural products 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000009630 liquid culture Methods 0.000 description 1
- 229910052943 magnesium sulfate Inorganic materials 0.000 description 1
- 235000019341 magnesium sulphate Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000402 monopotassium phosphate Inorganic materials 0.000 description 1
- 235000019796 monopotassium phosphate Nutrition 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 235000019319 peptone Nutrition 0.000 description 1
- PJNZPQUBCPKICU-UHFFFAOYSA-N phosphoric acid;potassium Chemical compound [K].OP(O)(O)=O PJNZPQUBCPKICU-UHFFFAOYSA-N 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提出一种基于显微高光谱图像秀珍菇菌种退化无损检测方法，包括：步骤S1：选取秀珍菇菌种进行活化培养；步骤S2：分析已选定秀珍菇菌种退化情况，划定菌种退化评价等级；步骤S3：分别采集退化与未退化秀珍菇菌种的显微高光谱图像；步骤S4：针对显微高光谱图像提取感兴趣区域的平均光谱透射率；步骤S5：通过卷积神经网络提取感兴趣特征作为学习特征，建立菌种退化快速检测模型，完成分类。本发明基于一维卷积神经网络算法建立模型，有效地从高维数据中学习相应特征，避免了复杂的特征提取过程，减少网络计算时间，提高模型分类的准确率，提升了秀珍菇菌种退化的检测效率，实现了秀珍菇菌种退化的快速无损检测。
Description
技术领域
本发明涉及食用菌信息育种技术领域，尤其涉及一种基于显微高光谱图像秀珍菇菌种退化无损检测方法。
背景技术
食用菌，即大型可食用真菌，内含丰富的营养物质和微量元素。因其味道鲜美，且具有极高的医疗保健作用，故深受国内外消费者的喜爱。我国是食用菌生产的第一大国，食用菌产量约占世界食用菌总产量的70％。近年来，随着栽培技术的不断进步、品种的不断增多、工厂化种植的日益成熟，食用菌产业已经成为我国农业的第五大种植业，对我国的经济建设起着重要作用。
食用菌的种子被称为食用菌菌种。菌种的质量直接影响着栽培结果，即产量的高低，是产生经济效益的关键因素之一。我国秀珍菇主要培育的品种在亲缘关系方面十分接近，菌种在多年的扩繁后容易出现退化和老化情况。菌种退化是指食用菌菌种群体经济性状发生劣变的现象，从而导致食用菌产量、品质、抗性等方面发生了背离人类需要的变化。菌种退化是众多食用菌栽培中共同存在的严重问题，在实际生产中，一些优良的食用菌品种往往用不了几代就出现菌种退化现象，一旦使用退化菌种进行栽培，往往会导致出菇晚、产量低、品质差等，给食用菌生产者带来重大的经济损失。因此，快速进行退化菌种甄别及有效消除退化菌种给食用菌生产带来的隐患，防止因退化菌种流入生产环节造成的损失,一直是食用菌生产需面对和解决的问题。
显微高光谱成像技术是一门新型光谱技术，融合了显微光学成像技术和光谱分析技术，且已广泛应用于医学诊断、食品安全检测等领域。由于高光谱成像技术非接触、无损、快速、精准等众多优点，及显微技术可以观察肉眼所不能分辨的微小物体形态结构及其特性，高光谱成像技术和显微技术相结合使得信息采集速度更快、探索层面更深、捕捉的信息更加持久稳定，在生物信息育种技术领域具有良好的发展前景。
发明内容
考虑目前对食用菌菌种退化的研究主要是应用化学或生物技术对退化前后菌种生理信息变化进行检测分析，传统的检测方法效率低、耗时长，且整个过程操作复杂繁琐，仍然缺乏高效、快速的食用菌菌种退化检测手段，不能很好的满足生产需求的问题。
为了克服现有技术中存在的不足，本发明以传代过程中易发生退化的秀珍菇菌种为对象，提出一种基于显微高光谱图像的秀珍菇菌种退化的无损检测方法。
本发明方案所基于的基础是：秀珍菇菌种内部生理信息是判断菌种退化与否的重要指标，而菌种的光谱图像可以有效的反应菌种内部生理信息，同时不会对菌种产生损伤。因此，利用菌种的显微高光谱图像信息建立检测模型，检测速度快，准确率高，可以快速无损的对秀珍菇菌种的退化进行辨别。
其方案包括：步骤S1：选取秀珍菇菌种进行活化培养；步骤S2：分析已选定秀珍菇菌种退化情况，划定菌种退化评价等级；步骤S3：分别采集退化与未退化秀珍菇菌种的显微高光谱图像；步骤S4：针对显微高光谱图像提取感兴趣区域的平均光谱透射率；步骤S5：通过卷积神经网络提取感兴趣特征作为学习特征，建立菌种退化快速检测模型，完成分类。本发明基于一维卷积神经网络算法建立模型，有效地从高维数据中学习相应特征，避免了复杂的特征提取过程，减少网络计算时间，提高模型分类的准确率，提升了秀珍菇菌种退化的检测效率，实现了秀珍菇菌种退化的快速无损检测。
本发明具体采用以下技术方案：
一种基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于，包括以下步骤：步骤S1：选取秀珍菇菌种进行活化培养；步骤S2：分析已选定秀珍菇菌种退化情况，划定菌种退化评价等级；步骤S3：分别采集退化与未退化秀珍菇菌种的显微高光谱图像；步骤S4：针对显微高光谱图像提取感兴趣区域的平均光谱透射率；步骤S5：通过卷积神经网络提取感兴趣特征作为学习特征，建立菌种退化快速检测模型，完成分类。
进一步地，在步骤S1中，将选取的秀珍菇菌种接种至固体培养基上，于25℃培养10天，进行一级菌种活化培养；
在步骤S2中，将活化后的秀珍菇菌种转接至液体马铃薯葡萄糖琼脂培养基中避光震荡培养5天，得到秀珍菇二级液体菌种，经4层滤纸过滤获得秀珍菇孢子液并转接至色度培养基中，测定秀珍菇菌种在色度培养基中的脱色率，划定秀珍菇菌种退化评价等级；
在步骤S3中，根据步骤S2中划分的秀珍菇菌种退化等级开展扩大培养，采集退化与未退化秀珍菇菌种显微高光谱图像，设定显微镜放大倍数、波长范围、曝光时间、分辨率和采集速度。
进一步地，步骤S4对采集到的退化与未退化的秀珍菇菌种显微高光谱图像进行处理，创建感兴趣区域，提取平均光谱透射率，完成数据集建立；
步骤S5将步骤S4建立的数据集作为输入数据，分为训练集和测试集，通过卷积神经网络算法建立菌种退化检测模型，分析检测模型对菌种退化与否检测的准确率，对菌种退化检测模型进行评价。
进一步地，在步骤S2中未退化与已退化菌种鉴别方法具体为：设定脱色情况为T＝培养液上清液的OD615/对照液上清液的OD615,当T>0.7时，判定该秀珍菇菌种为退化菌种；反之为未退化菌种。
进一步地，在步骤S3中，通过在显微镜正上方设置高光谱成像仪，采集退化与未退化秀珍菇菌种的显微高光谱图像；采集方式为透射方式，显微镜目镜倍数为10倍，物镜倍数为10倍，光源为20W卤素灯，设置曝光时间为15ms，采集速度为0.06cm/s，波长范围为400-1046nm；同时获取参考板和暗电流的显微高光谱图像数据，用于数据处理前原始光谱图像的校正，以减少光照不均匀和暗电流对光谱图像的影响。
进一步地，步骤S4中创建的所述感兴趣区域为图像中任意菌丝部位，像素大小为50×15pixels的图像范围内的光谱值，最终建立数据集为361*200的矩阵，其中包含200条光谱信息，每条光谱信息由360个波段组成。
进一步地，步骤S5中所述菌种退化快速检测模型采用基于一维卷积神经网络的分类算法，模型包含6个卷积层，其中过滤器维度为3，激活函数使用双曲正切函数以提高模型的表达能力；每两层卷积层后添加一个池化层，以减少模型的计算量，提高模型的计算速度；并在卷积神经网络和全连接层中间添加Flatten层使多维数据一维化，同时设置交叉熵损失函数作为模型训练的损失函数，以描述模型特征输出与期望输出之间的差异。
进一步地，在步骤S3中，获取空白PDA培养基和暗电流的显微高光谱图像数据，根据校正公式：
对数据处理前原始光谱图像进行校正，以减少光照不均匀和暗电流对光谱图像的影响；其中R为校正后的光谱图像，Idark为暗电流图像，Iraw为原始光谱图像，Iref为空白PDA培养基光谱图像。
进一步地，在步骤S5中，采用的激活函数的表达式如下：
其中
为在Wk的某个位置(i,j)处的值，Wk为第k个过滤器，x为某个位置(i,j)处的值，bk为常数；
损失函数如下所示：
其中L为交叉熵损失函数值，
为标签为1的概率，
为标签为0的概率，当预测输出越接近真实样本标签1，损失函数L越小；预测输出越接近0，L越大。
相较于现有技术，本发明及其优选方案具有以下有益效果：
通过显微高光谱图像采集装置采集秀珍菇菌种的光谱图像，从而快速有效的获取秀珍菇菌种内部生理信息的光谱特征；
以在短时间内获取秀珍菇菌种有效光谱信息，通过模型分析快速准确辨别秀珍菇菌种退化情况，提高秀珍菇菌种退化检测的效率和准确率。
其综合了显微高光谱成像技术信息采集速度更快、探索层面更深、捕捉的信息更加持久稳定等众多优点，利用卷积神经网络算法，对秀珍菇菌种退化与否进行分类，提高了检测的速度和准确性。该方法通过显微高光谱成像系统，利用光学设备和传感器等将人工观察和测量的数据数字化，为食用菌菌种退化的早期鉴别提供新的思路和方法。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例采用试验装置的结构示意图，图中：
1-便携式高光谱成像仪；2-目镜；3-物镜；4-秀珍菇菌种样本；5-载物台；6-光源；7-显微镜；8-计算机；
图2是本发明实施例具体操作流程图；
图3是本发明实施例退化与未退化秀珍菇菌种平均光谱透射率曲线图；
图4是本发明实施例秀珍菇菌种样本训练集分类检测结果图；
图5是本发明实施例秀珍菇菌种样本测试集分类检测结果图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
如图2所示，本发明的主要设计点围绕以下步骤：
步骤S1：选取菌种进行活化培养(A)
将选取的秀珍菇菌种接种至固体培养基上，于25℃培养10天，进行一级菌种活化培养；
步骤S2：划定菌种退化评价等级(B)
将活化后的秀珍菇菌种转接至液体马铃薯葡萄糖琼脂培养基(液体PDA)中避光震荡培养5天，得到秀珍菇二级液体菌种，经4层滤纸过滤获得秀珍菇孢子液并转接至色度培养基中，测定秀珍菇菌种在色度培养基中的脱色率，划定秀珍菇菌种退化评价等级；
步骤S3：采集菌种样本显微高光谱图像(C)
根据步骤S2中划分的秀珍菇菌种退化等级开展扩大培养，采集退化与未退化秀珍菇菌种显微高光谱图像，设定显微镜放大倍数、波长范围、曝光时间、分辨率和采集速度；
步骤S4：提取感兴趣区域平均光谱透射率(D)
对采集到的退化与未退化的秀珍菇菌种显微高光谱图像进行处理，创建感兴趣区域，提取平均光谱透射率，完成数据集建立；
步骤S5：建立秀珍菇菌种退化快速检测模型，完成分类(E)
将步骤S4建立的数据集作为输入数据，分为训练集和测试集，通过卷积神经网络算法建立菌种退化检测模型，分析检测模型对菌种退化与否检测的准确率，对菌种退化检测模型进行评价。
以下对本发明实施例的具体设计细节分别展开叙述：
一、装置：
如图1本方案采用的实验装置装置包括：显微镜7和试验对象秀珍菇菌种样本4。
并设置有便携式高光谱成像仪1、目镜2、物镜3、载物台5、光源6和计算机8；
具体连接方式为：
显微镜7设有目镜2、物镜3、载物台5和光源6；其中物镜3置于载物台5上方，并在载物台5上放置秀珍菇菌种样本4；光源6在载物台5正下方；
显微镜7正上方设置便携式高光谱成像仪1；
便携式高光谱成像仪1外接计算机8；
上述的各功能部件均为通用件。
其工作机理是：打开计算机8和便携式高光谱成像仪1，接通显微镜7的光源6，在便携式高光谱成像仪1自带软件上设置曝光时间、分辨率以及相机的采集速度，调节载物台6的位置，获得清晰的秀珍菇菌种样本4的图像；点击软件开始采集按钮，完成秀珍菇菌种样品显微高光谱图像的采集。
二、方法：
1.培养基：
步骤A1：配置固体培养基：土豆200g，葡萄糖20g，蛋白胨10g，琼脂18g，加水至1L。
步骤A2：配置液体马铃薯葡萄糖琼脂培养基(液体PDA)：土豆200g，葡萄糖20g，磷酸二氢钾2g，硫酸镁1g，维生素B120mg，加水至1L。
步骤A3：配置色度培养基：酵母粉4.5g，细菌蛋白胨7.5g，溴百里酚蓝0.025g，乳糖5g，加水至1L。
上述培养基采用121℃，30min灭菌，待冷却后备用。其中维生素B高温下会失活，试验操作时过滤加入。
2.秀珍菇退化评价：
步骤B1：将秀珍菇菌种接种至固体培养基上，于25℃培养10天，进行一级菌种活化培养。
步骤B2：将活化后的秀珍菇菌种转接至液体PDA培养基中，每瓶液体PDA培养基中接入两块直径为5mm菌块并于25℃，160r/min避光震荡培养5天，进行二级液体培养,得到秀珍菇二级液体菌种，经4层滤纸过滤获得秀珍菇孢子液转接至色度培养基中，25℃、120r/min条件下震荡培养10天，同一水平3个重复，对照组为空白PDA培养液，分别将培养液和对照液离心，12000r/min、5min离心，取上清液测定OD615nm值。
步骤B3：根据测定的吸光度计算脱色情况T＝培养液上清液的OD615/对照液上清液的OD615，并设定当T>0.7时,判断该秀珍菇菌种为退化菌种。
3.数据采集：
根据步骤S2中划分的秀珍菇菌种退化等级开展扩大培养，采用显微高光谱图像采集装置采集退化与未退化秀珍菇菌种显微高光谱图像，其中目镜倍数为10倍，物镜倍数为10倍，光源为20W卤素灯，设置曝光时间为15ms，采集速度为0.06cm/s，同时获取空白PDA培养基和暗电流的显微高光谱图像数据，根据校正公式：
其中R为校正后的光谱图像，Idark为暗电流图像，Iraw为原始光谱图像，Iref为空白PDA培养基光谱图像，对数据处理前原始光谱图像进行校正，以减少光照不均匀和暗电流对光谱图像的影响。
4.数据提取：
将校正后的显微高光谱图像导入ENVI中，创建感兴趣区域为任意菌丝部分，提取感兴趣区域的平均光谱透射率并保存，获取的数据为400nm-1046nm波长下的平均光谱透射率。
图3为提取的退化与未退化菌种平均透射率光谱曲线。
将提取保存的平均光谱透射率导入到excel的表格中，设置每行表示一个菌种的平均光谱反射率信息，每列为不同波长下的光谱反射率，最后一列设为菌种退化真实类别，完成数据集建立。
5.模型建立
在MATLAB环境中，将步骤S4中建立的数据集作为输入数据，设置X是数据的特征信息，Y表示真实类别，其中X在读取的时候矩阵增加一维，并以7：3的比例划分为训练集和验证集。
一维卷积神经网络模型在MATLAB环境中，通过卷积层的卷积操作从复杂的数据集中提取出感兴趣特征，使用双曲正切函数作为激活函数提高模型的表达能力，采用的激活函数的表达式如下：
其中
为在Wk的某个位置(i,j)处的值，Wk为第k个过滤器，x为某个位置(i,j)处的值，bk为常数。
同时为了保证主要特征仍旧保留以及降低计算量，每两个卷积层后添加一个最大池化层。以输入端输入数据大小360*1为例，通过16个维度为3的过滤器，经过两次卷积操作，输出数据大小为16@356*1，通过池化除去冗余的信息后，输出数据大小为16@89*1。
在卷积层和全连接层之间加入flatten层，将多维数据一维化。
使用交叉熵损失函数作为模型训练的损失函数，描述训练模型的特征输出与实际标定输出之间的差异，损失函数越小，两者之间差异越小，模型准确率越高。损失函数如下所示：
其中L为交叉熵损失函数值，
为标签为1的概率，
为标签为0的概率，当预测输出越接近真实样本标签1，损失函数L越小；预测输出越接近0，L越大。
三、试验结果：
将划分的测试集输入到上述基于一维卷积神经网络的分类模型中，由模型中的卷积层完成对秀珍菇菌种平均光谱信息的特征提取，池化层完成对平均光谱信息的降维，最终由全连接层完成对秀珍菇菌种样本的分类识别，并通过混淆矩阵直观的显示分类效果。
图4、5分别为秀珍菇菌种样本训练集与测试集的分类检测结果。
从图中可以看出，经过800次迭代训练后，秀珍菇菌种退化检测模型训练集的平均准确率为95.7％，测试集的平均准确率为93.3％，所建的检测模型得到了较好的检测结果。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于显微高光谱图像秀珍菇菌种退化无损检测方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (9)
1.一种基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于，包括以下步骤：步骤S1：选取秀珍菇菌种进行活化培养；步骤S2：分析已选定秀珍菇菌种退化情况，划定菌种退化评价等级；步骤S3：分别采集退化与未退化秀珍菇菌种的显微高光谱图像；步骤S4：针对显微高光谱图像提取感兴趣区域的平均光谱透射率；步骤S5：通过卷积神经网络提取感兴趣特征作为学习特征，建立菌种退化快速检测模型，完成分类。
2.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：在步骤S1中，将选取的秀珍菇菌种接种至固体培养基上，于25℃培养10天，进行一级菌种活化培养；
在步骤S2中，将活化后的秀珍菇菌种转接至液体马铃薯葡萄糖琼脂培养基中避光震荡培养5天，得到秀珍菇二级液体菌种，经4层滤纸过滤获得秀珍菇孢子液并转接至色度培养基中，测定秀珍菇菌种在色度培养基中的脱色率，划定秀珍菇菌种退化评价等级；
在步骤S3中，根据步骤S2中划分的秀珍菇菌种退化等级开展扩大培养，采集退化与未退化秀珍菇菌种显微高光谱图像，设定显微镜放大倍数、波长范围、曝光时间、分辨率和采集速度。
3.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：步骤S4对采集到的退化与未退化的秀珍菇菌种显微高光谱图像进行处理，创建感兴趣区域，提取平均光谱透射率，完成数据集建立；
步骤S5将步骤S4建立的数据集作为输入数据，分为训练集和测试集，通过卷积神经网络算法建立菌种退化检测模型，分析检测模型对菌种退化与否检测的准确率，对菌种退化检测模型进行评价。
4.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：在步骤S2中未退化与已退化菌种鉴别方法具体为：设定脱色情况为T＝培养液上清液的OD615/对照液上清液的OD615,当T>0.7时，判定该秀珍菇菌种为退化菌种；反之为未退化菌种。
5.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：在步骤S3中，通过在显微镜正上方设置高光谱成像仪，采集退化与未退化秀珍菇菌种的显微高光谱图像；采集方式为透射方式，显微镜目镜倍数为10倍，物镜倍数为10倍，光源为20W卤素灯，设置曝光时间为15ms，采集速度为0.06cm/s，波长范围为400-1046nm；同时获取参考板和暗电流的显微高光谱图像数据，用于数据处理前原始光谱图像的校正，以减少光照不均匀和暗电流对光谱图像的影响。
6.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：步骤S4中创建的所述感兴趣区域为图像中任意菌丝部位，像素大小为50×15pixels的图像范围内的光谱值，最终建立数据集为361*200的矩阵，其中包含200条光谱信息，每条光谱信息由360个波段组成。
7.根据权利要求1所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：步骤S5中所述菌种退化快速检测模型采用基于一维卷积神经网络的分类算法，模型包含6个卷积层，其中过滤器维度为3，激活函数使用双曲正切函数以提高模型的表达能力；每两层卷积层后添加一个池化层，以减少模型的计算量，提高模型的计算速度；并在卷积神经网络和全连接层中间添加Flatten层使多维数据一维化，同时设置交叉熵损失函数作为模型训练的损失函数，以描述模型特征输出与期望输出之间的差异。
8.根据权利要求5所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：在步骤S3中，获取空白PDA培养基和暗电流的显微高光谱图像数据，根据校正公式：
对数据处理前原始光谱图像进行校正，以减少光照不均匀和暗电流对光谱图像的影响；其中R为校正后的光谱图像，Idark为暗电流图像，Iraw为原始光谱图像，Iref为空白PDA培养基光谱图像。
9.根据权利要求7所述的基于显微高光谱图像秀珍菇菌种退化无损检测方法，其特征在于：在步骤S5中，采用的激活函数的表达式如下：
其中
为在Wk的某个位置(i,j)处的值，Wk为第k个过滤器，x为某个位置(i,j)处的值，bk为常数；
损失函数如下所示：
其中L为交叉熵损失函数值，
为标签为1的概率，
为标签为0的概率，当预测输出越接近真实样本标签1，损失函数L越小；预测输出越接近0，L越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875859.1A CN115266607A (zh) | 2022-07-25 | 2022-07-25 | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875859.1A CN115266607A (zh) | 2022-07-25 | 2022-07-25 | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115266607A true CN115266607A (zh) | 2022-11-01 |
Family
ID=83768709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210875859.1A Pending CN115266607A (zh) | 2022-07-25 | 2022-07-25 | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266607A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115777767A (zh) * | 2022-11-23 | 2023-03-14 | 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) | 一种食用菌的保存方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101341815B1 (ko) * | 2012-12-04 | 2014-01-06 | 대한민국 | 초분광 영상처리를 이용한 종자 선별 장치 |
| CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN110308139A (zh) * | 2019-06-27 | 2019-10-08 | 长江大学 | 基于激光诱导击穿光谱的水稻种子活力分级检测方法 |
| KR20210009909A (ko) * | 2019-07-18 | 2021-01-27 | (주)아세아항측 | 라이다 및 초분광 카메라를 이용한 작물 활력도 분석방법 |
| CN113627329A (zh) * | 2021-08-10 | 2021-11-09 | 江南大学 | 基于混合卷积网络的小麦种子高光谱图像分类方法及系统 |
| CN114136920A (zh) * | 2021-12-02 | 2022-03-04 | 华南农业大学 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
-
2022
- 2022-07-25 CN CN202210875859.1A patent/CN115266607A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101341815B1 (ko) * | 2012-12-04 | 2014-01-06 | 대한민국 | 초분광 영상처리를 이용한 종자 선별 장치 |
| CN109916838A (zh) * | 2019-03-29 | 2019-06-21 | 浙江省农业科学院 | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 |
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN110308139A (zh) * | 2019-06-27 | 2019-10-08 | 长江大学 | 基于激光诱导击穿光谱的水稻种子活力分级检测方法 |
| KR20210009909A (ko) * | 2019-07-18 | 2021-01-27 | (주)아세아항측 | 라이다 및 초분광 카메라를 이용한 작물 활력도 분석방법 |
| CN113627329A (zh) * | 2021-08-10 | 2021-11-09 | 江南大学 | 基于混合卷积网络的小麦种子高光谱图像分类方法及系统 |
| CN114136920A (zh) * | 2021-12-02 | 2022-03-04 | 华南农业大学 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
Non-Patent Citations (8)
| Title |
|---|
| TE MA 等: "Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach", COMPUTERS AND ELECTRONICS IN AGRICULTURE, vol. 177, 31 October 2020 (2020-10-31) * |
| XUAN WEI等: "Nondestructive detection of pleurotus geesteranus strain degradation based on micro-hyperspectral imaging and machine learing", FRONTIERS IN PLANT SCIENCE, vol. 14, 6 December 2023 (2023-12-06) * |
| 唐金亚;黄敏;朱启兵;: "基于局部学习的玉米种子近红外高光谱图像鉴选", 激光与光电子学进展, no. 04, 10 April 2015 (2015-04-10) * |
| 姜新华;薛河儒;郜晓晶;张丽娜;周艳青;杜雅娟;: "高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测", 光谱学与光谱分析, no. 08, 15 August 2018 (2018-08-15) * |
| 尤佳;李景彬;黄勇;黄蒂云;彭顺正;: "基于高光谱图像技术的脱绒棉种活力检测", 江苏农业科学, no. 13, 16 July 2018 (2018-07-16) * |
| 朱荣胜;闫学慧;陈庆山;: "基于图像识别和卷积神经网络的大豆优良籽粒筛选研究", 大豆科学, no. 02 * |
| 李莎;刘宇;马康;马元伟;李明;许峰;: "白灵菇菌种退化的快速鉴别方法", 生物技术, no. 06, 15 December 2014 (2014-12-15) * |
| 林清泉等: "蛹虫草退化菌株的特征研究", 菌物学报, vol. 29, no. 5, 15 September 2010 (2010-09-15), pages 670 - 676 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115777767A (zh) * | 2022-11-23 | 2023-03-14 | 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) | 一种食用菌的保存方法和系统 |
| CN115777767B (zh) * | 2022-11-23 | 2024-01-26 | 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) | 一种食用菌的保存方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Granitto et al. | Weed seeds identification by machine vision | |
| Arunkumar et al. | Developing Ethiopian Yirgacheffe coffee grading model using a deep learning classifier | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Luo et al. | Classification of weed seeds based on visual images and deep learning | |
| Lu et al. | Classification of Camellia (Theaceae) species using leaf architecture variations and pattern recognition techniques | |
| CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
| CN107464035A (zh) | 中药材质量评定方法及系统 | |
| CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| CN109034269A (zh) | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 | |
| Rai et al. | Classification of diseased cotton leaves and plants using improved deep convolutional neural network | |
| CN115266607A (zh) | 基于显微高光谱图像秀珍菇菌种退化无损检测方法 | |
| Kumar et al. | A Novel Zero-Shot Learning Approach for Multi-Classification of Orange Sooty Mold Disease Severity Levels | |
| CN111492065A (zh) | 一种鉴别细菌革兰氏类型的系统和方法 | |
| CN111492064A (zh) | 一种鉴别酵母或细菌的方法 | |
| Martinez et al. | A machine learning model for the diagnosis of coffee diseases | |
| CN118379633A (zh) | 一种茶小绿叶蝉危害症状检测模型搭建的方法及应用 | |
| Benlachmi et al. | Fruits Disease Classification using Machine Learning Techniques | |
| Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
| Jin et al. | A Novel Tran_NAS Method for the Identification of Fe-and Mg-Deficient Pear Leaves from N-and P-Deficient Pear Leaf Data | |
| Saxena et al. | Disease detection in plant leaves using deep learning models: AlexNet and GoogLeNet | |
| Xu et al. | A Band Math-ROC operation for early differentiation between sclerotinia sclerotiorum and botrytis cinerea in oilseed rape | |
| Prilianti et al. | Multispectral imaging and convolutional neural network for photosynthetic pigments prediction | |
| Leiva et al. | ScabyNet, a user-friendly application for detecting common scab in potato tubers using deep learning and morphological traits | |
| Li et al. | Design and Application of Tobacco Impurity Removal Model Based on Convolutional Neural Network | |
| Shakir | Optimal Deep Learning Driven Smart Sugarcane Crop Monitoring on Remote Sensing Images |
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 |