CN116597309A - 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 - Google Patents
集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 Download PDFInfo
- Publication number
- CN116597309A CN116597309A CN202310551088.5A CN202310551088A CN116597309A CN 116597309 A CN116597309 A CN 116597309A CN 202310551088 A CN202310551088 A CN 202310551088A CN 116597309 A CN116597309 A CN 116597309A
- Authority
- CN
- China
- Prior art keywords
- plant
- growth
- variety
- convolution
- plant resistant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000035784 germination Effects 0.000 title claims abstract description 25
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 40
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 150000001413 amino acids Chemical class 0.000 claims abstract description 13
- 238000002331 protein detection Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 62
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 235000013399 edible fruits Nutrition 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 8
- 102000018997 Growth Hormone Human genes 0.000 claims description 7
- 108010051696 Growth Hormone Proteins 0.000 claims description 7
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- 239000000122 growth hormone Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 4
- 239000002028 Biomass Substances 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 102000039446 nucleic acids Human genes 0.000 claims description 3
- 108020004707 nucleic acids Proteins 0.000 claims description 3
- 150000007523 nucleic acids Chemical class 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 108091005703 transmembrane proteins Proteins 0.000 claims description 3
- 102000035160 transmembrane proteins Human genes 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 101000658547 Escherichia coli (strain K12) Type I restriction enzyme EcoKI endonuclease subunit Proteins 0.000 abstract description 16
- 101000658543 Escherichia coli Type I restriction enzyme EcoAI endonuclease subunit Proteins 0.000 abstract description 16
- 101000658546 Escherichia coli Type I restriction enzyme EcoEI endonuclease subunit Proteins 0.000 abstract description 16
- 101000658530 Escherichia coli Type I restriction enzyme EcoR124II endonuclease subunit Proteins 0.000 abstract description 16
- 101000658540 Escherichia coli Type I restriction enzyme EcoprrI endonuclease subunit Proteins 0.000 abstract description 16
- 101000658545 Haemophilus influenzae (strain ATCC 51907 / DSM 11121 / KW20 / Rd) Type I restriction enyme HindI endonuclease subunit Proteins 0.000 abstract description 16
- 101000658548 Methanocaldococcus jannaschii (strain ATCC 43067 / DSM 2661 / JAL-1 / JCM 10045 / NBRC 100440) Putative type I restriction enzyme MjaIXP endonuclease subunit Proteins 0.000 abstract description 16
- 101000658542 Methanocaldococcus jannaschii (strain ATCC 43067 / DSM 2661 / JAL-1 / JCM 10045 / NBRC 100440) Putative type I restriction enzyme MjaVIIIP endonuclease subunit Proteins 0.000 abstract description 16
- 101000658529 Methanocaldococcus jannaschii (strain ATCC 43067 / DSM 2661 / JAL-1 / JCM 10045 / NBRC 100440) Putative type I restriction enzyme MjaVIIP endonuclease subunit Proteins 0.000 abstract description 16
- 101001042773 Staphylococcus aureus (strain COL) Type I restriction enzyme SauCOLORF180P endonuclease subunit Proteins 0.000 abstract description 16
- 101000838760 Staphylococcus aureus (strain MRSA252) Type I restriction enzyme SauMRSORF196P endonuclease subunit Proteins 0.000 abstract description 16
- 101000838761 Staphylococcus aureus (strain MSSA476) Type I restriction enzyme SauMSSORF170P endonuclease subunit Proteins 0.000 abstract description 16
- 101000838758 Staphylococcus aureus (strain MW2) Type I restriction enzyme SauMW2ORF169P endonuclease subunit Proteins 0.000 abstract description 16
- 101001042566 Staphylococcus aureus (strain Mu50 / ATCC 700699) Type I restriction enzyme SauMu50ORF195P endonuclease subunit Proteins 0.000 abstract description 16
- 101000838763 Staphylococcus aureus (strain N315) Type I restriction enzyme SauN315I endonuclease subunit Proteins 0.000 abstract description 16
- 101000838759 Staphylococcus epidermidis (strain ATCC 35984 / RP62A) Type I restriction enzyme SepRPIP endonuclease subunit Proteins 0.000 abstract description 16
- 101000838756 Staphylococcus saprophyticus subsp. saprophyticus (strain ATCC 15305 / DSM 20229 / NCIMB 8711 / NCTC 7292 / S-41) Type I restriction enzyme SsaAORF53P endonuclease subunit Proteins 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 13
- 238000011160 research Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 218
- 238000012216 screening Methods 0.000 description 10
- 230000035882 stress Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003976 plant breeding Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/70—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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Botany (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Medicinal Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Food Science & Technology (AREA)
- Wood Science & Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Environmental Sciences (AREA)
- Dispersion Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于鉴选植物抗性品种技术领域，公开了一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法。本发明通过通过蛋白检测仪器对植物抗性蛋白进行识别方法利用蛋白氨基酸组成信息和结构信息来表达植物抗性品种R蛋白序列的特征，能够实现对植物抗性品种R蛋白的准确识别，为植物抗性品种病理学家们提供研究基础工具。本发明采用两步特征提取策略，并结合深度学习与机器学习，有效提高了模型的准确度。并比较不同算法模型，选择模型分类效果较好的SVM算法，进而构建植物抗性品种R蛋白分类器，优化了植物抗性品种R蛋白的识别效果；同时，通过对植物抗性品种长势进行评估方法可以准确对植物抗性品种长势进行评估。
Description
技术领域
本发明属于鉴选植物抗性品种技术领域，尤其涉及一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法。
背景技术
目前，植物抗性(plantresistance)是指植物适应逆境的能力。植物周围的环境(气候、土壤、水分营养供应等因素)是经常变化的，往往构成干旱、过湿、淹水、盐碱、高温、低温、霜冻，大气、水和土壤污染等伤害，这些不利条件统称逆境或环境胁迫；植物抗性可分为3种形式，即避性、御性和耐性。植物不能主动地发生转移，其避性是在时间上，把整个生长发育过程或其特定的阶段避开逆境发生的时期，以便在较适宜的环境条件下完成生活周期或生育阶段。例如沙生植物在雨季环境湿润时萌发，于短时期内生长、开花、结实，这种植物称短命植物。又如喜温植物在低温到来之前结实。这些植物的生长发育过程躲开了逆境出现的时间，实际上在逆境不存在或不严重时进行，因而其生理特性与无抗性的植物没有差异。御性则是植物抗性的重要部分。在形态结构上和生理功能上都有表现，使植物在逆境下仍能进行大体上正常的生理活动。耐性也是植物抗性的重要部分；
然而，在当前的植物抗性研究中，存在一些缺陷和问题：
首先，虽然植物抗性是指植物适应逆境的能力，但是现有的鉴选植物抗性品种的方法对植物抗性蛋白识别不准确。这意味着现有的鉴定方法可能无法准确评估植物对逆境的适应能力，从而可能导致选育出来的抗性品种不具备理想的抗性水平。
其次，现有的评估植物抗性品种长势的方法也不够准确。这使得育种者难以根据植物的长势和抗性水平来选择最佳品种。因此，需要开发更准确和可靠的方法来评估植物的抗性和生长表现，以帮助育种者更好地选择最佳品种。
最后，虽然避性、御性和耐性是植物抗性的三种形式，但是这些抗性形式并不能完全解决植物在逆境环境下的问题。例如，在气候变化和土壤污染等极端环境下，植物可能需要更强的抗性才能适应和生存。因此，需要对植物抗性的研究进行深入，并开发新的方法和技术来提高植物抗性的水平，以应对未来的环境挑战。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有鉴选植物抗性品种的方法对植物抗性蛋白识别不准确。
(2)不能准确评估植物抗性品种长势。
发明内容
针对现有技术存在的问题，本发明提供了一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法。
本发明是这样实现的，一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法包括以下步骤：
步骤一，通过摄像器对植物状态进行视频监控，利用基于深度学习的图像识别技术对植物状态进行实时监测；设置不同逆境环境，将植物种植在不同逆境环境中；
步骤二，配置气孔测量仪参数，通过气孔测量仪获取不同逆境处理梯度下，植物萌芽期的芽长或植物苗期叶片气孔导度，计算萌芽期相对芽长或苗期叶片相对气孔导度；结合生长激素传感器、叶绿素荧光传感采集控植物萌芽期的生长和生理指标，并利用机器学习算法对采集数据进行建模，对植物抗性品种的预测和评估；
步骤三，通过蛋白检测仪器对植物抗性蛋白进行识别；结合生长和生理指标数据，综合评估植物抗性品种长势。
进一步，所述步骤二中气孔测量仪测量方法具体包括：
首先，通过测量进出叶室的空气流速和水汽浓度来确定叶片的蒸腾速率；
通过测量叶温和叶室内的水汽浓度计算得到叶片和周围环境的水汽浓度梯度，两者相除得到叶片对水汽的总导度gtw；
将gtw组分中的叶片边界层导度gbw扣除，最终得到叶片的气孔导度gsw；
若植物的萌芽期相对芽长或苗期叶片相对气孔导度≤1，所述植物为抗性品种；若植物的萌芽期相对芽长或苗期叶片相对气孔导度＞1，所述植物为敏感品种。
进一步，所述通过蛋白检测仪器对植物抗性蛋白进行识别方法如下：
(1)构建植物抗性品种数据库，将获取植物抗性品种数据存入植物抗性品种数据库中；获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集；
(2)提取所述正训练集和所述负训练集中的数据特征；将所有的数据特征进行拼接，获得完整的特征集；结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集；
(3)同时对多种不同的分类模型和多种不同k值组成的k间隔氨基酸对组成信息进行评估，筛选出预设分类模型和预设k值；基于所述目标特征子集，对预设分类模型进行训练；基于所述测试集，对训练后的分类模型进行分类性能测试，直至获得性能满足预设条件的目标分类模型；
(4)基于所述目标分类模型，对所述序列数据进行结构域和跨膜蛋白预测，并搭建植物抗性蛋白分类预测器，以用于植物抗性蛋白识别。
进一步，所述结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集，包括：
根据信息增益算法对特征重要度进行排序；
根据排序后的特征，构建特征矩阵；
依次将所述特征矩阵中的特征向量输入训练模型；
如果输入的特征向量导致模型准确度降低，则取出该特征向量；
如果输入的特征向量导致模型准确度不降低，则保留该特征向量；
基于保留的特征向量，生成目标特征子集。
进一步，所述获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的格式是否是设定格式；
若是设定格式，则取预设字符串加一行的数据作为序列文本数据，并组成正训练集、负训练集和测试集；
若不是设定格式，则提示文件错误。
进一步，所述获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的内容是否满足预设要求；
若满足预设要求，则组成正训练集、负训练集和测试集；
若不满足预设要求，则提示文件错误。
进一步，所述正训练集为经过试验验证的植物抗性蛋白序列文件，所述负训练集为植物抗性品种非抗性蛋白序列文件。
进一步，所述基于氨基酸组成特征提取算法、分组氨基酸组成信息算法、自组织相关性特征提取算法、伪核酸组成特征提取算法以及结构特征提取算法，提取所述正训练集和所述负训练集中的数据特征。
进一步，所述对植物抗性品种长势进行评估方法如下：
1)采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征；
2)种植植物抗性品种，并根据植物抗性品种种类在所述植物抗性品种的各生长阶段，周期性的采集所述植物抗性品种培育箱内植物抗性品种的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间和植物抗性品种生长阶段；
3)搭建深度卷积神经网络，搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；将所采集实际图像输入所述深度卷积神经网络，结合环境因素和植物抗性品种在不同生长周期下的生长状况特征得到植物抗性品种长势模型，并获得当前植物抗性品种生长状况数据和预测植物抗性品种生长状况数据，以及将当前植物抗性品种生长状况数据和在该当前植物抗性品种生长状况数据时序之前的预测植物抗性品种生长状况数据对比确定预测精度，并优化所述植物抗性品种长势模型；
所述搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；所述深度可分离卷积模块组合由4个结构相同的深度可分离卷积模块串联组成，每个深度可分离卷积模块结构依次为：第1逐点卷积层→深度卷积层→第2逐点卷积层；所述特征空间融合模块由逐点卷积层和平均池化层串联组成；设置网络参数：将第1卷积层和第2卷积层的卷积核大小分别设置为3×3×3和1×1×1536，卷积核个数分别设置为32和4，卷积步进分别设置为2和1；将第1深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×32、3×3×1和1×1×96，卷积核的个数分别设置为96、96和64，卷积步长分别设置为1、2和1；将第2深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×64、3×3×1和1×1×192，卷积核的个数分别设置为192、192和128，卷积步长分别设置为1、2和1；将第3深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×128、3×3×1和1×1×384，卷积核的个数分别设置为384、384和256，卷积步长分别设置为1、2和1；将第4深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×256、3×3×1和1×1×768，卷积核的个数分别设置为768、768和512，卷积步长设置分别为1、2和1；将特征空间融合模块中的逐点卷积层卷积核大小设置为1×1×512，卷积核个数设置为1536，卷积步长设置为1；将特征空间融合模块中的平均池化层的运算核大小设置为16×16×1，运算核个数为1536，运算步长设置为1。
进一步，所述采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征还包括如下步骤：配置具有植物抗性品种培育箱的培育系统；根据待培育植物抗性品种种类和植物抗性品种培育箱结构，选择至少一个单一植株监控区域，并在所述培育箱内设置多处用于拍摄植物抗性品种生长区域内整体的植物抗性品种生长状态的二维摄像头和三维摄像头，以及设置多处用于拍摄单一植株监控区域内植物抗性品种生长状态的二维摄像头和三维摄像头。
进一步，所述植物抗性品种生长状况数据包括：植物抗性品种所处生长阶段；植物抗性品种整体的大小、高低，叶面结构面积、植物抗性品种生物量数据；单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据；以及植物抗性品种病虫害状态；
所述采集的植物抗性品种实际图像至少包括果实和/或花和/或根茎的正面、侧面之二维图像和三维图像，以及叶的正面、背面之二维图像和三维图像；
所述深度卷积神经网络包括输入层、隐藏层、输出层，所述隐藏层由通过在原始图像上平移来提取特征的卷积层、增加非线性分割能力的激活层、用于减少学习的参数降低网络的复杂度的池化层和全连接层串联或并联所构成。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过通过蛋白检测仪器对植物抗性蛋白进行识别方法，利用蛋白氨基酸组成信息和结构信息来表达植物抗性品种R蛋白序列的特征，能够实现对植物抗性品种R蛋白的准确识别，为植物抗性品种病理学家们提供研究基础工具，结合深度学习与机器学习极大地提高了监测效率和准确性。本发明采用两步特征提取策略，有效提高了模型的准确度。并比较不同算法模型，选择模型分类效果较好的SVM算法，进而构建植物抗性品种R蛋白分类器，优化了植物抗性品种R蛋白的识别效果；同时，通过对植物抗性品种长势进行评估方法可以准确对植物抗性品种长势进行评估。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
(1)基于深度学习的图像识别技术实时监测植物状态，结合生长激素传感器和叶绿素荧光传感器采集植物萌芽期的生长和生理指标，对植物抗性品种进行预测和评估，提高了抗性品种的筛选准确率。
(2)通过配置气孔测量仪测量不同逆境环境下植物萌芽期的芽长或植物苗期叶片气孔导度，计算萌芽期相对芽长或苗期叶片相对气孔导度，实现了对植物抗性品种的高通鉴选，简化了筛选流程和提高了筛选效率。
(3)利用蛋白检测仪器对植物抗性蛋白进行识别，结合生长和生理指标数据，综合评估植物抗性品种长势，进一步提高了抗性品种的筛选准确率。
(4)通过构建植物抗性品种数据库和利用信息增益和模型准确度特征选择方法进行特征选择，获得了目标特征子集，提高了训练分类模型的准确率和性能，优化了筛选流程和提高了筛选效率。
(5)该技术方案集成了多种生长和生理指标，综合评估植物抗性品种的长势，能够更全面、更准确地评估植物的抗性，提高了植物抗性品种的筛选效果和应用前景。
附图说明
图1是本发明实施例提供的集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法流程图；
图2是本发明实施例提供的通过蛋白检测仪器对植物抗性蛋白进行识别方法流程图；
图3是本发明实施例提供的对植物抗性品种长势进行评估方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
本发明将多种技术手段集成应用于植物抗性品种的高通鉴选过程中，从而提高了鉴定的准确性和效率。具体来说：
1.本发明利用摄像器和基于深度学习的图像识别技术对植物状态进行实时监测，可以实现对大规模植物样本的高效筛选和数据采集，从而为后续的分析和建模提供充足的数据支持。
2.配置气孔测量仪和生长激素传感器、叶绿素荧光传感器等多种生理检测仪器，可以同时获得植物的生长和生理指标，如萌芽期的芽长、苗期叶片的气孔导度、生长激素含量和叶绿素荧光等指标，这些指标可以为植物的抗性评估提供更加全面的信息。
3.本发明利用机器学习算法对采集的数据进行建模，可以更加准确地评估植物的抗性特征，从而实现高通鉴选。
4.本发明结合蛋白检测仪器对植物抗性蛋白的识别，可以为抗性品种的筛选提供更为可靠的依据。
5.使用气孔导度等生理指标评估植物的抗性，不仅能够反映植物对逆境的适应能力，同时还可以为植物的育种提供更为精准的指导，提高植物的育种效率和品质。
以下结合附图进行进一步说明：
如图1所示，本发明提供一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法包括以下步骤：
S101，通过摄像器对植物状态进行视频监控，利用基于深度学习的图像识别技术对植物状态进行实时监测；设置不同逆境环境，将植物种植在不同逆境环境中；
S102，配置气孔测量仪参数，通过气孔测量仪获取不同逆境处理梯度下，植物萌芽期的芽长或植物苗期叶片气孔导度，计算萌芽期相对芽长或苗期叶片相对气孔导度；结合生长激素传感器、叶绿素荧光传感采集控植物萌芽期的生长和生理指标，并利用机器学习算法对采集数据进行建模，对植物抗性品种的预测和评估；
S103，通过蛋白检测仪器对植物抗性蛋白进行识别；结合生长和生理指标数据，综合评估植物抗性品种长势。
所述S101中利用基于深度学习的图像识别具体为：
利用卷积神经网络(CNN)深度学习模型进行图像分类和识别。在监测过程中，摄像器可以实时拍摄植物的生长情况和形态特征，如叶片颜色、叶型、根系形态等，并将这些图像数据传输给深度学习模型进行处理。通过对图像进行卷积、池化等操作，深度学习模型从中提取出植物的各种特征，并将其归类为不同的植物状态，如健康状态、生长状态、逆境响应等；相较于传统的手动监测方法，利用基于深度学习的图像识别技术可以实现对大量植物数据的高效处理和分析，极大地提高了监测效率和准确性。此外，该技术还可以自动化地处理植物图像数据，大大降低了人工处理的成本和复杂度。
所述S102中气孔测量仪测量方法：
首先，通过测量进出叶室的空气流速和水汽浓度来确定叶片的蒸腾速率；
通过测量叶温和叶室内的水汽浓度计算得到叶片和周围环境的水汽浓度梯度，两者相除得到叶片对水汽的总导度gtw；
将gtw组分中的叶片边界层导度gbw扣除，最终得到叶片的气孔导度gsw；
若植物的萌芽期相对芽长或苗期叶片相对气孔导度≤1，所述植物为抗性品种；若植物的萌芽期相对芽长或苗期叶片相对气孔导度＞1，所述植物为敏感品种。
所述S102中利用机器学习算法对采集数据进行建模，对植物抗性品种的预测和评估具体包括：
a.数据采集：从系统中使用的各种传感器收集数据。这些传感器包括生长激素传感器和叶绿素荧光传感器。收集的数据包括植物的相对芽长、气孔导度以及其他生理指标。
b.数据预处理：一旦收集到数据，需要进行预处理。包括清理数据、处理缺失值以及归一化数据，以确保数据适合用于机器学习算法。
c.特征工程：从数据中提取与植物抗性预测相关的特征。
d.机器学习模型训练：一旦提取了特征，就可以在数据上训练机器学习模型。使用不同的算法，选取随机森林、卷积神经网络(CNN)深度学习模型，模型被训练为基于输入特征预测不同植物品种的抗性。
e.模型评估：一旦模型被训练，需要对其进行评估，以确保其准确性和可靠性。通常使用交叉验证技术来评估模型在保留数据集上的表现。如果发现模型令人满意，则可以用于预测不同植物品种的抗性。
如图2所示，本发明提供的通过蛋白检测仪器对植物抗性蛋白进行识别方法如下：
S201，构建植物抗性品种数据库，将获取植物抗性品种数据存入植物抗性品种数据库中；获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集；
S202，提取所述正训练集和所述负训练集中的数据特征；将所有的数据特征进行拼接，获得完整的特征集；结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集；
S203，同时对多种不同的分类模型和多种不同k值组成的k间隔氨基酸对组成信息进行评估，筛选出预设分类模型和预设k值；基于所述目标特征子集，对预设分类模型进行训练；基于所述测试集，对训练后的分类模型进行分类性能测试，直至获得性能满足预设条件的目标分类模型；
S204，基于所述目标分类模型，对所述序列数据进行结构域和跨膜蛋白预测，并搭建植物抗性蛋白分类预测器，以用于植物抗性蛋白识别。
本发明提供的结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集，包括：
根据信息增益算法对特征重要度进行排序；
根据排序后的特征，构建特征矩阵；
依次将所述特征矩阵中的特征向量输入训练模型；
如果输入的特征向量导致模型准确度降低，则取出该特征向量；
如果输入的特征向量导致模型准确度不降低，则保留该特征向量；
基于保留的特征向量，生成目标特征子集。
本发明提供的获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的格式是否是设定格式；
若是设定格式，则取预设字符串加一行的数据作为序列文本数据，并组成正训练集、负训练集和测试集；
若不是设定格式，则提示文件错误。
本发明提供的获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的内容是否满足预设要求；
若满足预设要求，则组成正训练集、负训练集和测试集；
若不满足预设要求，则提示文件错误。
本发明提供的正训练集为经过试验验证的植物抗性蛋白序列文件，所述负训练集为植物抗性品种非抗性蛋白序列文件。
本发明提供的基于氨基酸组成特征提取算法、分组氨基酸组成信息算法、自组织相关性特征提取算法、伪核酸组成特征提取算法以及结构特征提取算法，提取所述正训练集和所述负训练集中的数据特征。
如图3所示，本发明提供的对植物抗性品种长势进行评估方法如下：
1)采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征；
2)种植植物抗性品种，并根据植物抗性品种种类在所述植物抗性品种的各生长阶段，周期性的采集所述植物抗性品种培育箱内植物抗性品种的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间和植物抗性品种生长阶段；
3)搭建深度卷积神经网络，搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；将所采集实际图像输入所述深度卷积神经网络，结合环境因素和植物抗性品种在不同生长周期下的生长状况特征得到植物抗性品种长势模型，并获得当前植物抗性品种生长状况数据和预测植物抗性品种生长状况数据，以及将当前植物抗性品种生长状况数据和在该当前植物抗性品种生长状况数据时序之前的预测植物抗性品种生长状况数据对比确定预测精度，并优化所述植物抗性品种长势模型；
所述搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；所述深度可分离卷积模块组合由4个结构相同的深度可分离卷积模块串联组成，每个深度可分离卷积模块结构依次为：第1逐点卷积层→深度卷积层→第2逐点卷积层；所述特征空间融合模块由逐点卷积层和平均池化层串联组成；设置网络参数：将第1卷积层和第2卷积层的卷积核大小分别设置为3×3×3和1×1×1536，卷积核个数分别设置为32和4，卷积步进分别设置为2和1；将第1深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×32、3×3×1和1×1×96，卷积核的个数分别设置为96、96和64，卷积步长分别设置为1、2和1；将第2深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×64、3×3×1和1×1×192，卷积核的个数分别设置为192、192和128，卷积步长分别设置为1、2和1；将第3深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×128、3×3×1和1×1×384，卷积核的个数分别设置为384、384和256，卷积步长分别设置为1、2和1；将第4深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×256、3×3×1和1×1×768，卷积核的个数分别设置为768、768和512，卷积步长设置分别为1、2和1；将特征空间融合模块中的逐点卷积层卷积核大小设置为1×1×512，卷积核个数设置为1536，卷积步长设置为1；将特征空间融合模块中的平均池化层的运算核大小设置为16×16×1，运算核个数为1536，运算步长设置为1。
本发明提供的采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征还包括如下步骤：配置具有植物抗性品种培育箱的培育系统；根据待培育植物抗性品种种类和植物抗性品种培育箱结构，选择至少一个单一植株监控区域，并在所述培育箱内设置多处用于拍摄植物抗性品种生长区域内整体的植物抗性品种生长状态的二维摄像头和三维摄像头，以及设置多处用于拍摄单一植株监控区域内植物抗性品种生长状态的二维摄像头和三维摄像头。
本发明提供的植物抗性品种生长状况数据包括：植物抗性品种所处生长阶段；植物抗性品种整体的大小、高低，叶面结构面积、植物抗性品种生物量数据；单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据；以及植物抗性品种病虫害状态；
所述采集的植物抗性品种实际图像至少包括果实和/或花和/或根茎的正面、侧面之二维图像和三维图像，以及叶的正面、背面之二维图像和三维图像；
所述深度卷积神经网络包括输入层、隐藏层、输出层，所述隐藏层由通过在原始图像上平移来提取特征的卷积层、增加非线性分割能力的激活层、用于减少学习的参数降低网络的复杂度的池化层和全连接层串联或并联所构成。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过通过蛋白检测仪器对植物抗性蛋白进行识别方法利用蛋白氨基酸组成信息和结构信息来表达植物抗性品种R蛋白序列的特征，能够实现对植物抗性品种R蛋白的准确识别，为植物抗性品种病理学家们提供研究基础工具。本发明采用两步特征提取策略，有效提高了模型的准确度。并比较不同算法模型，选择模型分类效果较好的SVM算法，进而构建植物抗性品种R蛋白分类器，优化了植物抗性品种R蛋白的识别效果；同时，通过对植物抗性品种长势进行评估方法可以准确对植物抗性品种长势进行评估。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过通过蛋白检测仪器对植物抗性蛋白进行识别方法利用蛋白氨基酸组成信息和结构信息来表达植物抗性品种R蛋白序列的特征，能够实现对植物抗性品种R蛋白的准确识别，为植物抗性品种病理学家们提供研究基础工具。本发明采用两步特征提取策略，有效提高了模型的准确度。并比较不同算法模型，选择模型分类效果较好的SVM算法，进而构建植物抗性品种R蛋白分类器，优化了植物抗性品种R蛋白的识别效果；同时，通过对植物抗性品种长势进行评估方法可以准确对植物抗性品种长势进行评估。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法包括以下步骤：
步骤一，通过摄像器对植物状态进行视频监控，利用基于深度学习的图像识别技术对植物状态进行实时监测；设置不同逆境环境，将植物种植在不同逆境环境中；
步骤二，配置气孔测量仪参数，通过气孔测量仪获取不同逆境处理梯度下，植物萌芽期的芽长或植物苗期叶片气孔导度，计算萌芽期相对芽长或苗期叶片相对气孔导度；结合生长激素传感器、叶绿素荧光传感采集控植物萌芽期的生长和生理指标，并利用机器学习算法对采集数据进行建模，对植物抗性品种的预测和评估；
步骤三，通过蛋白检测仪器对植物抗性蛋白进行识别；结合生长和生理指标数据，综合评估植物抗性品种长势。
2.如权利要求1所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述步骤二中气孔测量仪测量方法具体包括：
首先，通过测量进出叶室的空气流速和水汽浓度来确定叶片的蒸腾速率；
通过测量叶温和叶室内的水汽浓度计算得到叶片和周围环境的水汽浓度梯度，两者相除得到叶片对水汽的总导度gtw；
将gtw组分中的叶片边界层导度gbw扣除，最终得到叶片的气孔导度gsw；
若植物的萌芽期相对芽长或苗期叶片相对气孔导度≤1，所述植物为抗性品种；若植物的萌芽期相对芽长或苗期叶片相对气孔导度＞1，所述植物为敏感品种。
3.如权利要求1所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述步骤三中通过蛋白检测仪器对植物抗性蛋白进行识别方法如下：
(1)构建植物抗性品种数据库，将获取植物抗性品种数据存入植物抗性品种数据库中；获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集；
(2)提取所述正训练集和所述负训练集中的数据特征；将所有的数据特征进行拼接，获得完整的特征集；结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集；
(3)同时对多种不同的分类模型和多种不同k值组成的k间隔氨基酸对组成信息进行评估，筛选出预设分类模型和预设k值；基于所述目标特征子集，对预设分类模型进行训练；基于所述测试集，对训练后的分类模型进行分类性能测试，直至获得性能满足预设条件的目标分类模型；
(4)基于所述目标分类模型，对所述序列数据进行结构域和跨膜蛋白预测，并搭建植物抗性蛋白分类预测器，以用于植物抗性蛋白识别。
4.如权利要求2所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述结合信息增益和模型准确度特征选择方法进行特征选择，以获取目标特征子集，包括：
根据信息增益算法对特征重要度进行排序；
根据排序后的特征，构建特征矩阵；
依次将所述特征矩阵中的特征向量输入训练模型；
如果输入的特征向量导致模型准确度降低，则取出该特征向量；
如果输入的特征向量导致模型准确度不降低，则保留该特征向量；
基于保留的特征向量，生成目标特征子集。
5.如权利要求2所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的格式是否是设定格式；
若是设定格式，则取预设字符串加一行的数据作为序列文本数据，并组成正训练集、负训练集和测试集；
若不是设定格式，则提示文件错误。
6.如权利要求2所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述获取植物抗性蛋白的序列数据，组成正训练集、负训练集和测试集，包括：
判断获取的所述序列数据的内容是否满足预设要求；
若满足预设要求，则组成正训练集、负训练集和测试集；
若不满足预设要求，则提示文件错误；
所述正训练集为经过试验验证的植物抗性蛋白序列文件，所述负训练集为植物抗性品种非抗性蛋白序列文件。
7.如权利要求2所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述基于氨基酸组成特征提取算法、分组氨基酸组成信息算法、自组织相关性特征提取算法、伪核酸组成特征提取算法以及结构特征提取算法，提取所述正训练集和所述负训练集中的数据特征。
8.如权利要求1所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述对植物抗性品种长势进行评估方法如下：
1)采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征；
2)种植植物抗性品种，并根据植物抗性品种种类在所述植物抗性品种的各生长阶段，周期性的采集所述植物抗性品种培育箱内植物抗性品种的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间和植物抗性品种生长阶段；
3)搭建深度卷积神经网络，搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；将所采集实际图像输入所述深度卷积神经网络，结合环境因素和植物抗性品种在不同生长周期下的生长状况特征得到植物抗性品种长势模型，并获得当前植物抗性品种生长状况数据和预测植物抗性品种生长状况数据，以及将当前植物抗性品种生长状况数据和在该当前植物抗性品种生长状况数据时序之前的预测植物抗性品种生长状况数据对比确定预测精度，并优化所述植物抗性品种长势模型；
所述搭建深度卷积神经网络，其结构依次为：输入层→第1卷积层→深度可分离卷积模块组合→特征空间融合模块→第2卷积层→输出层；所述深度可分离卷积模块组合由4个结构相同的深度可分离卷积模块串联组成，每个深度可分离卷积模块结构依次为：第1逐点卷积层→深度卷积层→第2逐点卷积层；所述特征空间融合模块由逐点卷积层和平均池化层串联组成；设置网络参数：将第1卷积层和第2卷积层的卷积核大小分别设置为3×3×3和1×1×1536，卷积核个数分别设置为32和4，卷积步进分别设置为2和1；将第1深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×32、3×3×1和1×1×96，卷积核的个数分别设置为96、96和64，卷积步长分别设置为1、2和1；将第2深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×64、3×3×1和1×1×192，卷积核的个数分别设置为192、192和128，卷积步长分别设置为1、2和1；将第3深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×128、3×3×1和1×1×384，卷积核的个数分别设置为384、384和256，卷积步长分别设置为1、2和1；将第4深度可分离卷积模块中第1逐点卷积层、深度卷积层和第2逐点卷积层的卷积核大小分别设置为1×1×256、3×3×1和1×1×768，卷积核的个数分别设置为768、768和512，卷积步长设置分别为1、2和1；将特征空间融合模块中的逐点卷积层卷积核大小设置为1×1×512，卷积核个数设置为1536，卷积步长设置为1；将特征空间融合模块中的平均池化层的运算核大小设置为16×16×1，运算核个数为1536，运算步长设置为1。
9.如权利要求8所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述采集植物抗性品种各个生长周期的图像数据样本集，提取原始各个生长周期的图像的暗部和亮部区域，并对暗部和亮部区域的局部细节进行增强处理，得到局部细节增强的各个生长周期的图像；根据预设阈值和各个生长周期的图像强度均值，对所得到的局部细节增强的各个生长周期的图像进行整体亮度调整，得到整体亮度调整后的各个生长周期的图像；以及对整体亮度调整后的各个生长周期的图像，进行饱和度的调整；搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物抗性品种在不同生长周期下的生长状况特征还包括如下步骤：配置具有植物抗性品种培育箱的培育系统；根据待培育植物抗性品种种类和植物抗性品种培育箱结构，选择至少一个单一植株监控区域，并在所述培育箱内设置多处用于拍摄植物抗性品种生长区域内整体的植物抗性品种生长状态的二维摄像头和三维摄像头，以及设置多处用于拍摄单一植株监控区域内植物抗性品种生长状态的二维摄像头和三维摄像头。
10.如权利要求8所述集成萌芽期生长和苗期生理指标高通鉴选植物抗性品种的方法，其特征在于，所述植物抗性品种生长状况数据包括：植物抗性品种所处生长阶段；植物抗性品种整体的大小、高低，叶面结构面积、植物抗性品种生物量数据；单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据；以及植物抗性品种病虫害状态；
所述采集的植物抗性品种实际图像至少包括果实和/或花和/或根茎的正面、侧面之二维图像和三维图像，以及叶的正面、背面之二维图像和三维图像；
所述深度卷积神经网络包括输入层、隐藏层、输出层，所述隐藏层由通过在原始图像上平移来提取特征的卷积层、增加非线性分割能力的激活层、用于减少学习的参数降低网络的复杂度的池化层和全连接层串联或并联所构成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551088.5A CN116597309A (zh) | 2023-05-16 | 2023-05-16 | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551088.5A CN116597309A (zh) | 2023-05-16 | 2023-05-16 | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597309A true CN116597309A (zh) | 2023-08-15 |
Family
ID=87589228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310551088.5A Pending CN116597309A (zh) | 2023-05-16 | 2023-05-16 | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597309A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743659A (zh) * | 2024-02-21 | 2024-03-22 | 上海幕库科技发展有限公司 | 一种集成动力、环境和安防监控的机房监控方法及系统 |
-
2023
- 2023-05-16 CN CN202310551088.5A patent/CN116597309A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743659A (zh) * | 2024-02-21 | 2024-03-22 | 上海幕库科技发展有限公司 | 一种集成动力、环境和安防监控的机房监控方法及系统 |
| CN117743659B (zh) * | 2024-02-21 | 2024-05-03 | 上海幕库科技发展有限公司 | 一种集成动力、环境和安防监控的机房监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
| CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
| Costa et al. | Measuring pecan nut growth utilizing machine vision and deep learning for the better understanding of the fruit growth curve | |
| CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
| CN116739868B (zh) | 基于人工智能的园林绿化管理系统及其方法 | |
| Chauhan et al. | Deep residual neural network for plant seedling image classification | |
| Mateo et al. | Identification of Macro-Nutrient Deficiency in Onion Leaves (Allium cepa L.) Using Convolutional Neural Network (CNN) | |
| Guo et al. | Automatic and accurate acquisition of stem-related phenotypes of mature soybean based on deep learning and directed search algorithms | |
| Gupta et al. | Inferring Agronomical Insights for Wheat Canopy Using Image‐Based Curve Fit K‐Means Segmentation Algorithm and Statistical Analysis | |
| Donapati et al. | Real-time seed detection and germination analysis in precision agriculture: A fusion model with u-net and cnn on jetson nano | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| Xing et al. | A CNN-LSTM-att hybrid model for classification and evaluation of growth status under drought and heat stress in chinese fir (Cunninghamia lanceolata) | |
| Betegón-Putze et al. | MyROOT: A novel method and software for the semi-automatic measurement of plant root length | |
| Bhugra et al. | Use of leaf colour for drought stress analysis in rice | |
| CN117409403B (zh) | 一种基于深度学习的水稻稻穗成熟度估算方法 | |
| Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos | |
| CN117893914B (zh) | 一种基于图像识别的植物生长监测方法及系统 | |
| CN117726052B (zh) | 基于分形维数的产量预测方法、装置、设备及介质 | |
| CN117292305B (zh) | 鱼类受精卵胎动次数确定方法、系统、电子设备及介质 | |
| Chaturvedi et al. | Intelligent Agents System for Vegetable Plant Disease Detection Using MDTW-LSTM Model | |
| Putra et al. | Vision-Based Object Detection for Efficient Monitoring in Smart Hydroponic Systems | |
| Johnson et al. | Vision-Based Cranberry Crop Ripening Assessment | |
| Rabab | Machine-vision based Phenotyping and Competition Effects of Individual Ryegrass Plants | |
| Prasad et al. | Identification and Detection of Leaf Miner, Pests Infestation in Cucurbitaceae Family in Real Time Infield Scenarios using YOLOv5s Object Detection Model | |
| Grant et al. | Novel Machine Learning and Image Processing Method for Detecting Seed Germination |
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 |