CN116704356A - 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 - Google Patents
基于卷积神经网络的玉米耐盐碱鉴定方法及系统 Download PDFInfo
- Publication number
- CN116704356A CN116704356A CN202310987465.XA CN202310987465A CN116704356A CN 116704356 A CN116704356 A CN 116704356A CN 202310987465 A CN202310987465 A CN 202310987465A CN 116704356 A CN116704356 A CN 116704356A
- Authority
- CN
- China
- Prior art keywords
- corn
- feature map
- layer
- module
- inputting
- 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.)
- Granted
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 185
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 185
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 180
- 235000005822 corn Nutrition 0.000 title claims abstract description 180
- 239000003513 alkali Substances 0.000 title claims abstract description 101
- 150000003839 salts Chemical class 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 230000000877 morphologic effect Effects 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims description 118
- 238000011176 pooling Methods 0.000 claims description 114
- 238000010586 diagram Methods 0.000 claims description 53
- 238000010606 normalization Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 5
- 235000009973 maize Nutrition 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 26
- 239000002689 soil Substances 0.000 description 15
- 241000209094 Oryza Species 0.000 description 13
- 235000007164 Oryza sativa Nutrition 0.000 description 11
- 235000009566 rice Nutrition 0.000 description 11
- 229930002875 chlorophyll Natural products 0.000 description 9
- 235000019804 chlorophyll Nutrition 0.000 description 9
- 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 description 9
- 241001057636 Dracaena deremensis Species 0.000 description 8
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 8
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004382 potting Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 229910052602 gypsum Inorganic materials 0.000 description 2
- 239000010440 gypsum Substances 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000037444 atrophy Effects 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
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- RUTXIHLAWFEWGM-UHFFFAOYSA-H iron(3+) sulfate Chemical compound [Fe+3].[Fe+3].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O RUTXIHLAWFEWGM-UHFFFAOYSA-H 0.000 description 1
- 229910000360 iron(III) sulfate Inorganic materials 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 239000003516 soil conditioner Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于卷积神经网络的玉米耐盐碱鉴定方法及系统,属于农作物种植技术领域。首先获取玉米的形态特征、生物化学指标和图像信息;其次将形态特征和生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标;再将图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量;然后将特征进行拼接,得到玉米特征向量;最后将玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。本发明将形态特征、生物化学指标和图像特征结合输入到卷积神经网络中,更全面的进行特征学习,捕捉玉米的局部和全局特征,进行连续的、非破坏性的监测,更准确、高效和自动化鉴定玉米耐盐碱性能。
Description
技术领域
本发明属于农作物种植技术领域,具体涉及基于卷积神经网络的玉米耐盐碱鉴定方法及系统。
背景技术
在农作物种植中,盐碱土壤的存在是一种常见的土壤问题。盐碱胁迫会限制农作物的生长和发育,导致减产甚至作物死亡。因此,农作物耐盐碱性的鉴定和筛选变得至关重要。传统的农作物耐盐碱鉴定方法通常基于生理和形态特征的观察,但这些方法往往需要大量的时间和劳动力,并且具有主观性和不稳定性的问题。
现有技术中,中国专利公开号:CN115918471A,提供了一种精准鉴定水稻耐盐碱等级的方法。该专利包括:盆栽土配制、选择若干个已知耐盐碱等级不同的水稻品种在水稻3.1-3.5叶龄,取长势均匀一致的秧苗移栽到盆栽试验桶中;对所有盆栽水稻统一进行浇水、除草;根据不同配比的盆栽土中各品种水稻的产量与CK盆栽土中各品种水稻的产量相比进行计算各品种水稻相对耐盐碱率,确定各品种水稻最佳的盐碱配比浓度;用确定好的黑土与盐碱土配比浓度,进行水稻品种耐盐碱等级的精准鉴定,得出不同品种的耐盐碱级别。该专利对水稻秧苗进行取样移栽或破坏性的试验,对水稻植株产生了干扰,而且仅通过相对耐盐碱率判断水稻品种的耐盐碱等级。
目前针对农作物(水稻,玉米,大豆)耐盐碱鉴定采用生物和化学实验,未采用基于卷积神经网络的方法进行鉴定,使用卷积神经网络方法进行玉米耐盐碱鉴定,无需破坏植株和采集样品,相较传统化学方法对植株无影响,进行连续和非破坏性监测;对大量的玉米植株进行耐盐碱性评估,适用于各种玉米品种和生长环境,具有适用性和高效性,提高鉴定效率;避免不同的研究者或实验室导致结果鉴定不同,得到客观一致的评估结果;因此,需要一种更准确、非破坏性和客观的玉米耐盐碱鉴定方法。
发明内容
基于上述技术问题,本发明提供基于卷积神经网络的玉米耐盐碱鉴定方法及系统,结合玉米的形态特征、生物化学指标和图像信息,综合更加全面的特征对玉米耐盐碱进行鉴定,提高鉴定的准确性和客观性。
本发明提供基于卷积神经网络的玉米耐盐碱鉴定方法,所述方法包括:
步骤S1:获取玉米的形态特征、生物化学指标和图像信息;
步骤S2:将所述形态特征和所述生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标;
步骤S3:将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量;
步骤S4:将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量;
步骤S5:将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
可选地,所述将所述形态特征和所述生物化学指标进行预处理操作,得到标准形态特征和标准生物化学指标,具体包括:
将所述形态特征和所述生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标;
将所述完整形态特征和所述完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
可选地,所述将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量,具体包括:
玉米网络包括第一标准卷积模块、第一最大池化层、空洞卷积模块、注意力模块、深度可分离卷积模块、第二标准卷积模块和展平层;
将所述图像信息依次输入到所述第一标准卷积模块和所述第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3;
将所述特征图Y3输入到所述空洞卷积模块进行空洞卷积操作,得到特征图Y7;
将所述特征图Y7输入到所述注意力模块进行维度处理操作,得到特征图Y30;
将所述特征图Y30输入到所述深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34;
将所述特征图Y34依次输入到所述第二标准卷积模块和所述展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
可选地,所述将所述特征图Y7输入到所述注意力模块进行维度处理操作,得到特征图Y30,具体包括:
注意力模块包括:注意力输入层、垂直平均池化层、水平平均池化层、第二标准卷积层、第三标准卷积层、第四标准卷积层、第四规范化激活层、第一激活函数层、第二激活函数层、第一平均池化层、第二平均池化层、第一张量重塑层、第二张量重塑层、第一全连接激活层、第二全连接激活层、第三全连接激活层、第四全连接激活层、第一元素相乘层、第二元素相乘层和第三元素相乘层;
利用所述注意力输入层输入所述特征图Y7;
将所述特征图Y7输入到所述垂直平均池化层进行垂直平均池化操作,得到特征图Y8,将所述特征图Y8依次输入到所述第三标准卷积层和所述第一激活函数层进行卷积操作和激活操作,得到特征图Y13,将所述特征图Y13输入到所述第一平均池化层进行平均池化操作,得到特征图Y16,将所述特征图Y16输入到所述第一张量重塑层进行张量重塑操作,得到特征图Y18,将所述特征图Y18依次输入到所述第一全连接激活层和所述第三全连接激活层进行全连接激活操作,得到特征图Y26,将所述特征图Y26和所述特征图Y13输入到所述第一元素相乘层进行元素相乘操作,得到特征图Y28;
将所述特征图Y7输入到所述水平平均池化层进行水平平均池化操作,得到特征图Y9,将所述特征图Y9依次输入到所述第四标准卷积层和所述第二激活函数层进行卷积操作和激活操作,得到特征图Y14,将所述特征图Y14输入到所述第二平均池化层进行平均池化操作,得到特征图Y17,将所述特征图Y17输入到所述第二张量重塑层进行张量重塑操作,得到特征图Y19,将所述特征图Y19依次输入到所述第二全连接激活层和所述第四全连接激活层进行全连接激活操作,得到特征图Y27,将所述特征图Y27和所述特征图Y14输入到所述第二元素相乘层进行元素相乘操作,得到特征图Y29;
将所述特征图Y7输入到所述第二标准卷积层和所述第四规范化激活层进行卷积操作和批归一化激活操作,得到特征图Y15,将所述特征图Y15、所述特征图Y28和所述特征图Y29输入到所述第三元素相乘层进行元素相乘操作,得到特征图Y30。
可选地,所述将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量,具体包括:
所述标准形态特征为,/>表示为第/>个形态特征;所述标准生物化学指标为/>,/>表示为第/>个生物化学指标;所述玉米图像特征向量为,/>表示为玉米图像特征向量中第/>个元素;
将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,玉米特征向量。
可选地,所述将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果,具体包括:
一维网络包括:第三标准卷积模块、第二最大池化层、第一一维残差模块、第二一维残差模块、第三一维残差模块、深度可分离一维卷积模块、全局平均池化层、全连接层和Softmax分类器;
将所述玉米特征向量依次输入到所述第三标准卷积模块和所述第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3;
将所述特征图V3依次输入到所述第一一维残差模块、所述第二一维残差模块和所述第三一维残差模块进行残差操作,得到特征图V21;
将所述特征图V21输入到所述深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25;
将所述特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
本发明还提供基于卷积神经网络的玉米耐盐碱鉴定系统,所述系统包括:
玉米数据采集模块,获取玉米的形态特征、生物化学指标和图像信息;
玉米数据预处理模块,用于将所述形态特征和所述生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标;
玉米图像特征提取模块,用于将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量;
玉米特征向量拼接模块,用于将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量;
玉米耐盐碱鉴定模块,用于将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
可选地,所述玉米数据预处理模块,具体包括:
数据清洗子模块,用于将所述形态特征和所述生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标;
数据转换子模块,用于将所述完整形态特征和所述完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
可选地,所述玉米图像特征提取模块,具体包括:
第一标准卷积子模块,用于将所述图像信息依次输入到所述第一标准卷积模块和所述第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3;
空洞卷积子模块,用于将所述特征图Y3输入到所述空洞卷积模块进行空洞卷积操作,得到特征图Y7;
注意力子模块,用于将所述特征图Y7输入到所述注意力模块进行维度处理操作,得到特征图Y30;
深度可分离卷积子模块,用于将所述特征图Y30输入到所述深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34;
第二标准卷积子模块,用于将所述特征图Y34依次输入到所述第二标准卷积模块和所述展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
可选地,所述玉米耐盐碱鉴定模块,具体包括:
第三标准卷积子模块,用于将所述玉米特征向量依次输入到所述第三标准卷积模块和所述第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3;
第一一维残差子模块,用于将所述特征图V3依次输入到所述第一一维残差模块、所述第二一维残差模块和所述第三一维残差模块进行残差操作,得到特征图V21;
深度可分离一维卷积子模块,用于将所述特征图V21输入到所述深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25;
分类子模块,用于将所述特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
本发明与现有技术相比,具有以下有益效果:
本发明基于卷积神经网络的玉米耐盐碱鉴定方法是非破坏性的,无需对植株进行采样或破坏性的试验,减少了对水稻植株的干扰,并进行连续的、非破坏性的监测;利用卷积神经网络对玉米植株在盐碱环境中的形态特征、生物化学指标和图像进行特征提取和学习,从而准确地评估植株的耐盐碱性,相比传统的主观观察方法,基于卷积神经网络的方法能够更客观地、准确地鉴定玉米植株的耐盐碱性,传统的耐盐碱鉴定方法需要耗费大量时间和人力资源,而基于卷积神经网络的玉米耐盐碱鉴定方法利用计算机视觉技术,能够快速、自动地对大量的图像数据进行处理和分析,大大提高了鉴定效率;基于卷积神经网络的方法是数据驱动的,它能够提供客观、一致的鉴定结果,不受个体主观判断和主观误差的影响,增加了鉴定结果的可靠性和可重复性;同时帮助育种者更快速地筛选出具有良好耐盐碱性的玉米品种,加速耐盐碱品种的选育进程,为玉米生产提供更适应盐碱土壤的优质品种。
附图说明
图1为本发明的基于卷积神经网络的玉米耐盐碱鉴定方法流程图;
图2为本发明的基于卷积神经网络的玉米耐盐碱鉴定方法中玉米网络结构图;
图3为本发明的基于卷积神经网络的玉米耐盐碱鉴定方法中玉米网络中注意力模块结构图;
图4为本发明的基于卷积神经网络的玉米耐盐碱鉴定方法中一维网络结构图;
图5为本发明的基于卷积神经网络的玉米耐盐碱鉴定系统结构图。
具体实施方式
下面结合具体实施案例和附图对本发明作进一步说明,但本发明并不局限于这些实施例。
实施例1
如图1所示,本发明公开基于卷积神经网络的玉米耐盐碱鉴定方法,方法包括:
步骤S1:获取玉米的形态特征、生物化学指标和图像信息。
步骤S2:将形态特征和生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标。
步骤S3:将图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量。
步骤S4:将标准形态特征、标准生物化学指标和玉米图像特征向量进行拼接,得到玉米特征向量。
步骤S5:将玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
下面对各个步骤进行详细论述:
步骤S1:获取玉米的形态特征、生物化学指标和图像信息,具体包括:
本实施例中,形态特征包括植株高度、叶片面积、根系长度和分枝数量;生物化学指标包括相对电导率、相对含水量、叶绿素含量和游离脯氨酸含量,图像信息为玉米植株图像。
植株高度:测量植株的高度,观察是否存在明显的抑制或生长差异,较矮小的植株会受到盐碱胁迫的影响。
叶片面积:测量叶片的面积,观察是否存在受盐碱胁迫导致的叶片萎缩或凋落,较小的叶片面积暗示叶片受到了盐碱胁迫的影响。
根系长度:观察根系的长度,评估根系的发育情况,较短的根系长度暗示根系受到了盐碱胁迫的限制。
分枝数量:观察根系的分枝情况,即根系上分出的侧根的数量,较多的分枝数量意味着根系较为丰富和分叉复杂,是适应盐碱环境的一种响应。
相对电导率:通过测量植株叶片或组织的电导率,间接反映细胞膜的完整性和受盐碱胁迫的程度,较高的相对电导率导致细胞膜的受损和离子渗透的增加。
相对含水量:测量植株叶片或组织的湿重和干重,计算相对含水量,反映植株对水分胁迫的响应,较低的相对含水量暗示植株受到了盐碱胁迫导致的水分丧失。
叶绿素含量:测量叶片中叶绿素的含量,评估叶绿素降解和光合活性的影响,较低的叶绿素含量暗示叶绿素降解或光合活性受到了盐碱胁迫的影响。
游离脯氨酸含量:测量叶片中游离脯氨酸的含量,脯氨酸在植株的抗逆过程中起重要作用,较高的游离脯氨酸含量暗示植株对盐碱胁迫产生了一定的响应和适应。
步骤S2:将形态特征和生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标。
步骤S2具体包括:
步骤S21:将形态特征和生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标。
步骤S21具体包括:
对植株高度、叶片面积、根系长度和分枝数量,相对电导率、相对含水量、叶绿素含量和游离脯氨酸含量依次进行缺失值处理和异常值处理操作,以植株高度为例进行说明,遍历玉米植株高度数据,找到缺失数据,记录该缺失值前一个数据和后一个数据,使用前后数据的平均值填充该缺失数据,若前一个数据或/和后一个数据出现缺失,则使用玉米植株高度有效数据的平均值填充该缺失数;对于玉米植株高度所有数据首先按照从小到大的顺序排序,找数据中的下四分位数、中位数和上四分位数,按照上界和下界的计算公式得到数据上界和下界;然后再次遍历该特征的所有数据,将每个数据与上界和下界对比,如果当前值比下界小,则使用下界替换该值;如果当前值大于上界,则使用上界替换该值;将植株高度特征的所有数据都进行缺失值和异常值处理后,选择下一个特征的数据继续,直到形态特征(植株高度、叶片面积、根系长度和分枝数量),生物化学指标(相对电导率、相对含水量、叶绿素含量和游离脯氨酸含量)所有特征处理完成,得到完整形态特征和完整生物化学指标。
步骤S22:将完整形态特征和完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
步骤S22具体包括:
通过标准化公式将完整形态特征和完整生物化学指标进行数据转换,使所有数据处于[0,1]区间内,标准化公式为:
式中,是经过Min-Max标准化转换函数处理后的结果,/>是完整形态特征和完整生物化学指标中每一个特征的数据,/>是完整形态特征和完整生物化学指标中每一个特征的最大值,/>是完整形态特征和完整生物化学指标中每一个特征的最小值。
步骤S3:将图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量。
图2-图4中,Conv2D和Conv1D均表示标准卷积层,卷积核尺寸为3×3和1×1;Strides表示步长,取值1或2;规范化激活层包含批归一化层(Batch Normalization)和激活函数层(Activation(Relu)),规范化激活层选择Relu激活函数,单独的批归一化层(Batch Normalization),单独的激活函数层(Activation()),/>取值为Relu和Sigmoid;DilationConv2D表示空洞卷积层,卷积核尺寸为3×3,空洞系数为2;SepConv2D表示深度可分离卷积层,卷积核尺寸为3×3;SepConv1D表示深度可分离一维卷积层,卷积核尺寸为3;Attention Input表示注意力输入层;/>AveragePooling2D,/>取值H或者V或者不取值,分别表示水平平均池化层、垂直平均池化层和平均池化层;Reshape代表张量重塑层;Dense代表全连接层;Multiply(/>,/>,/>)表示/>,/>,/>进行逐元素相乘,/>为可选项;Add(/>,/>)表示/>,/>进行逐元素相加;GlobalAveragePooling1D表示全局平均池化层;Maxpooling2D和Maxpooling1D均表示最大池化层;Flatten表示展平层;Y/>表示玉米网络中得到的各特征图,/>取值范围为[1,36],/>为整数;V/>表示一维网络中得到的各特征图,/>取值范围为[1,25],/>为整数。
如图2所示,步骤S3具体包括:
步骤S31:将图像信息依次输入到第一标准卷积模块和第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3。
步骤S31具体包括:
将图像信息(256,256,3)输入到第一标准卷积层进行卷积操作,得到特征图Y1,第一标准卷积层卷积核数量为16,卷积核尺寸为3×3,步长为2;特征图Y1为16通道的128×128;将特征图Y1输入到第一规范化激活层进行批归一化和激活操作,得到特征图Y2;特征图Y2为16通道的128×128;将特征图Y2输入到第一最大池化层进行最大池化操作,得到特征图Y3;第一最大池化层池化窗口尺寸为3×3,步长为2;特征图Y3为16通道的64×64。
本实施例中,第一标准卷积模块包括第一标准卷积层和第一规范化激活层。
步骤S32:将特征图Y3输入到空洞卷积模块进行空洞卷积操作,得到特征图Y7。
步骤S32具体包括:
将特征图Y3输入到第一空洞卷积层进行卷积操作,得到特征图Y4,第一空洞卷积层卷积核数量为32,卷积核尺寸为3×3,步长为1,空洞系数为2;特征图Y4为32通道的64×64;将特征图Y4输入到第二规范化激活层进行批归一化和激活操作,得到特征图Y5;特征图Y5为32通道的64×64;将特征图Y5输入到第二空洞卷积层进行卷积操作,得到特征图Y6,第二空洞卷积层卷积核数量为64,卷积核尺寸为3×3,步长为1,空洞系数为2;特征图Y6为64通道的64×64;将特征图Y6输入到第三规范化激活层进行批归一化和激活操作,得到特征图Y7;特征图Y7为64通道的64×64。
本实施例中,空洞卷积模块包括第一空洞卷积层、第二规范化激活层、第二空洞卷积层和第三规范化激活层。
步骤S33:将特征图Y7输入到注意力模块进行维度处理操作,得到特征图Y30。
如图3所示,步骤S33具体包括:
1)、利用注意力输入层输入特征图Y7。
2)、将特征图Y7输入到垂直平均池化层进行垂直平均池化操作,得到特征图Y8,特征图Y8为64通道的64×1;将特征图Y8依次输入到第三标准卷积层和第一激活函数层进行卷积操作和激活操作,得到特征图Y13,第三标准卷积层卷积核数量为64,卷积核尺寸为3×3,步长为2;特征图Y13为64通道的32×1,第一激活函数层为Sigmoid激活函数;将特征图Y13输入到第一平均池化层进行平均池化操作,得到特征图Y16,特征图Y16为64通道的1×1;将特征图Y16输入到第一张量重塑层进行张量重塑操作,得到特征图Y18,特征图Y18为64通道的1×1;将特征图Y18依次输入到第一全连接激活层和第三全连接激活层进行全连接激活操作,得到特征图Y26,第一全连接激活层包括全连接层和激活函数层,全连接层神经元个数为4,激活函数层为Relu激活函数,特征图Y22为4通道的1×1;第三全连接激活层包括全连接层和激活函数层,全连接层神经元个数为64,激活函数层为Sigmoid激活函数,特征图Y26为64通道的1×1;将特征图Y26和特征图Y13输入到第一元素相乘层进行元素相乘操作,得到特征图Y28,特征图Y28为64通道的32×32。
3)、将特征图Y7输入到水平平均池化层进行水平平均池化操作,得到特征图Y9,特征图Y9为64通道的1×64;将特征图Y9依次输入到第四标准卷积层和第二激活函数层进行卷积操作和激活操作,得到特征图Y14,第四标准卷积层卷积核数量为64,卷积核尺寸为3×3,步长为2;特征图Y14为64通道的1×32,第二激活函数层为Sigmoid激活函数;将特征图Y14输入到第二平均池化层进行平均池化操作,得到特征图Y17,特征图Y17为64通道的1×1;将特征图Y17输入到第二张量重塑层进行张量重塑操作,得到特征图Y19,特征图Y19为64通道的1×1;将特征图Y19依次输入到第二全连接激活层和第四全连接激活层进行全连接激活操作,得到特征图Y27,第二全连接激活层包括全连接层和激活函数层,全连接层神经元个数为4,激活函数层为Relu激活函数,特征图Y23为4通道的1×1;第四全连接激活层包括全连接层和激活函数层,全连接层神经元个数为64,激活函数层为Sigmoid激活函数,特征图Y27为64通道的1×1;将特征图Y27和特征图Y14输入到第二元素相乘层进行元素相乘操作,得到特征图Y29,特征图Y29为64通道的32×32。
4)、将特征图Y7输入到第二标准卷积层和第四规范化激活层进行卷积操作和批归一化激活操作,得到特征图Y15,第二标准卷积层卷积核数量为64,卷积核尺寸为1×1,步长为2;特征图Y15为64通道的32×32,将特征图Y15、特征图Y28和特征图Y29输入到第三元素相乘层进行元素相乘操作,得到特征图Y30,特征图Y30为64通道的32×32。
本实施例中,通过Reshape将输入的通道分离,使得每个通道独立学习权重变换,这有助于模型更细粒度地学习通道之间的关系,通过调整Reshape的形状来改变通道注意力的作用范围,例如通过改变1×1的形状来控制局部注意力或者全局注意力。
本实施例中,注意力模块包括注意力输入层、垂直平均池化层、水平平均池化层、第二标准卷积层、第三标准卷积层、第四标准卷积层、第四规范化激活层、第一激活函数层、第二激活函数层、第一平均池化层、第二平均池化层、第一张量重塑层、第二张量重塑层、第一全连接激活层、第二全连接激活层、第三全连接激活层、第四全连接激活层、第一元素相乘层、第二元素相乘层和第三元素相乘层。
步骤S34:将特征图Y30输入到深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34。
步骤S34具体包括:
将特征图Y30输入到第一深度可分离卷积层进行卷积操作,得到特征图Y31,第一深度可分离卷积层卷积核数量为128,卷积核尺寸为3×3,步长为2;特征图Y31为128通道的16×16;将特征图Y31输入到第五规范化激活层进行批归一化和激活操作,得到特征图Y32;特征图Y32为128通道的16×16;将特征图Y32输入到第二深度可分离卷积层进行卷积操作,得到特征图Y33,第二深度可分离卷积层卷积核数量为256,卷积核尺寸为3×3,步长为2;特征图Y33为256通道的8×8;将特征图Y33依次输入到第一批归一化层和第一最大池化层进行批归一化和最大池化操作,得到特征图Y34;第一最大池化层池化窗口尺寸为3×3,步长为2;特征图Y34为256通道的4×4。
本实施例中,深度可分离卷积模块包括第一深度可分离卷积层、第五规范化激活层、第二深度可分离卷积层、第一批归一化层和第一最大池化层。
步骤S35:将特征图Y34依次输入到第二标准卷积模块和展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
步骤S35具体包括:
将特征图Y34输入到第五标准卷积层进行卷积操作,得到特征图Y35,第五标准卷积层卷积核数量为512,卷积核尺寸为3×3,步长为2;特征图Y35为512通道的2×2;将特征图Y35输入到第六规范化激活层进行批归一化和激活操作,得到特征图Y36;特征图Y36为512通道的2×2,将特征图Y36输入到展平层进行维度转换,得到玉米图像特征向量(2048,1)。
本实施例中,玉米网络包括第一标准卷积模块、第一最大池化层、空洞卷积模块、注意力模块、深度可分离卷积模块、第二标准卷积模块和展平层。
步骤S4:将标准形态特征、标准生物化学指标和玉米图像特征向量进行拼接,得到玉米特征向量。
步骤S4具体包括:
步骤S41:标准形态特征为,/>表示为植株高度,/>表示为叶片面积,/>表示为根系长度,/>表示为分枝数量;标准生物化学指标为/>,/>表示为相对电导率,/>表示为相对含水量,/>表示为叶绿素含量,/>表示为游离脯氨酸含量;玉米图像特征向量为/>。
步骤S42:将标准形态特征、标准生物化学指标和玉米图像特征向量进行拼接,玉米特征向量为,输入到后续一维网络的玉米特征向量形式为(2056,1),2056为标准形态特征+标准生物化学指标+玉米图像特征向量。
步骤S5:将玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
如图4所示,步骤S5具体包括:
步骤S51:获取不同品种的玉米特征向量,按照一定比例划分训练集和测试集,将训练集的玉米特征向量依次输入到第三标准卷积模块和第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3。
步骤S51具体包括:
将训练集的玉米特征向量(2056,1)输入到第六标准卷积层进行卷积操作,得到特征图V1,第六标准卷积层卷积核数量为16,卷积核尺寸为3,步长为2;特征图V1为16通道的1028;将特征图V1输入到第一规范化激活层进行批归一化和激活操作,得到特征图V2;特征图V2为16通道的1028;将特征图V2输入到第二最大池化层进行最大池化操作,得到特征图V3;第二最大池化层池化窗口尺寸为3,步长为2;特征图V3为16通道的514。
本实施例中,第三标准卷积模块包括第六标准卷积层和第七规范化激活层。
步骤S52:将特征图V3依次输入到第一一维残差模块、第二一维残差模块和第三一维残差模块进行残差操作,得到特征图V21,具体包括:
步骤S521:将特征图V3输入到第一一维残差模块,得到特征图V9。
步骤S521具体包括:
Ⅰ、将特征图V3输入到第七标准卷积层进行卷积操作,得到特征图V4,第七标准卷积层卷积核数量为32,卷积核尺寸为1,步长为1;特征图V4为32通道的514;将特征图V4输入到第八规范化激活层进行批归一化和激活操作,得到特征图V5;特征图V5为32通道的514;将特征图V5输入到第三最大池化层进行最大池化操作,得到特征图V6;第三最大池化层池化窗口尺寸为3,步长为2;特征图V6为32通道的257。
Ⅱ、将特征图V3输入到第八标准卷积层进行卷积操作,得到特征图V7,第八标准卷积层卷积核数量为32,卷积核尺寸为3,步长为2;特征图V7为32通道的257;将特征图V7输入到第九规范化激活层进行批归一化和激活操作,得到特征图V8;特征图V8为32通道的257。
Ⅲ、将特征图V6和特征图V8输入到第一逐元素相加层进行逐元素相加,得到特征图V9;特征图V9为32通道的257。
本实施例中,第一一维残差模块包括第七标准卷积层、第八规范化激活层、第三最大池化层、第八标准卷积层、第九规范化激活层和第一逐元素相加层。
步骤S522:将特征图V9输入到第二一维残差模块,得到特征图V15。
步骤S522具体包括:
①、将特征图V9输入到第九标准卷积层进行卷积操作,得到特征图V10,第九标准卷积层卷积核数量为64,卷积核尺寸为1,步长为1;特征图V10为64通道的257;将特征图V10输入到第十规范化激活层进行批归一化和激活操作,得到特征图V11;特征图V11为64通道的257;将特征图V11输入到第四最大池化层进行最大池化操作,得到特征图V12;第四最大池化层池化窗口尺寸为3,步长为2;特征图V6为64通道的129。
②、将特征图V3输入到第八标准卷积层进行卷积操作,得到特征图V13,第十标准卷积层卷积核数量为64,卷积核尺寸为3,步长为2;特征图V13为64通道的129;将特征图V13输入到第十一规范化激活层进行批归一化和激活操作,得到特征图V14;特征图V14为64通道的129。
③、将特征图V12和特征图V14输入到第二逐元素相加层进行逐元素相加,得到特征图V15;特征图V15为64通道的129。
本实施例中,第二一维残差模块包括第九标准卷积层、第十规范化激活层、第四最大池化层、第十标准卷积层、第十一规范化激活层和第二逐元素相加层。
步骤S523:将特征图V15输入到第三一维残差模块,得到特征图V21。
步骤S523具体包括:
(1)、将特征图V15输入到第十一标准卷积层进行卷积操作,得到特征图V16,第十一标准卷积层卷积核数量为128,卷积核尺寸为1,步长为1;特征图V16为128通道的129;将特征图V16输入到第十二规范化激活层进行批归一化和激活操作,得到特征图V17;特征图V17为128通道的129;将特征图V17输入到第五最大池化层进行最大池化操作,得到特征图V18;第五最大池化层池化窗口为3,步长为2;特征图V18为128通道的65。
(2)、将特征图V15输入到第十二标准卷积层进行卷积操作,得到特征图V19,第十二标准卷积层卷积核数量为128,卷积核尺寸为3,步长为2;特征图V19为128通道的65;将特征图V19输入到第十三规范化激活层进行批归一化和激活操作,得到特征图V20;特征图V20为128通道的65。
(3)、将特征图V18和特征图V20输入到第三逐元素相加层进行逐元素相加,得到特征图V21;特征图V21为128通道的65。
本实施例中,第三一维残差模块包括第十一标准卷积层、第十二规范化激活层、第五最大池化层、第十二标准卷积层、第十三规范化激活层和第三逐元素相加层。
步骤S53:将特征图V21输入到深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25。
步骤S53具体包括:
将特征图V21输入到第一深度可分离一维卷积层进行卷积操作,得到特征图V22,第一深度可分离一维卷积层卷积核数量为256,卷积核尺寸为3,步长为2;特征图V22为256通道的33;将特征图V22输入到第十四规范化激活层进行批归一化和激活操作,得到特征图V23;特征图V23为256通道的33;将特征图V23输入到第二深度可分离一维卷积层进行卷积操作,得到特征图V24,第二深度可分离一维卷积层卷积核数量为256,卷积核尺寸为3,步长为2;特征图V24为256通道的17;将特征图V24依次输入到第二批归一化层和第六最大池化层进行批归一化和最大池化操作,得到特征图V25;第六最大池化层池化窗口尺寸为3,步长为2;特征图V25为256通道的9。
本实施例中,深度可分离卷积一维模块包括第一深度可分离一维卷积层、第十四规范化激活层、第二深度可分离一维卷积层、第二批归一化层和第六最大池化层。
步骤S54:将特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
步骤S54具体包括:
A、将特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到训练集玉米鉴定模型。
B、将测试集的玉米特征向量输入到训练集玉米鉴定模型进行测试,得到玉米鉴定结果。
本实施例中,玉米鉴定结果分为四类,分别为高度耐盐碱类、中度耐盐碱类、低度耐盐碱类和敏感类。
高度耐盐碱玉米:植株在盐碱环境中表现出优异的生长和产量表现,
选择高度耐盐碱的玉米品种,如耐盐碱性强的杂交品种或地方适应性好的本地品种,若鉴定结果为高度耐盐碱玉米,则采用合理的灌溉策略,例如滴灌或渗灌,以减少盐分积累;进行土壤改良措施,如添加有机物质、石膏和硫酸铁,以提高土壤的盐碱性能;应用盐碱抑制剂,如硅酸盐和多种微量元素肥料,来减轻盐碱胁迫对玉米植株的影响。
中度耐盐碱玉米:植株在轻至中等盐碱环境中具有一定的耐受能力,
选择中度耐盐碱的玉米品种,根据当地盐碱程度和种植条件进行选择,若鉴定结果为中度耐盐碱玉米,通过控制灌溉水的质量和量,避免过度积累盐分,使用盐分适中的灌溉水源;加入适量的有机物质和土壤改良剂,提高土壤结构和水分保持能力;根据土壤分析结果,合理施用肥料,平衡植株所需的养分供应。
低度耐盐碱玉米:植株在盐碱环境下表现出较低的耐受能力,生长受到较大限制,选择对盐碱胁迫相对较为耐受的玉米品种,或者采用基因改良的品种来提高抗盐碱性,若鉴定结果为低度耐盐碱玉米,通过土壤改良措施,如石膏处理、淋洗和盐分稀释等,减轻盐碱胁迫对植株的影响;采取适宜的播种时间、密度调整、间作和轮作等农艺措施,帮助植株更好地适应盐碱环境;定期监测土壤盐碱含量和植株生长情况,根据情况调整措施,及时对盐碱胁迫进行处理。
敏感类玉米:这些植株对盐碱环境非常敏感,无法在盐碱条件下正常生长和发育,若鉴定结果为敏感类玉米,则避免将其种植在盐碱土壤中,而是选择适合的土壤环境和种植条件,以确保玉米的正常生长和发育。
本实施例中,一维网络包括第三标准卷积模块、第二最大池化层、第一一维残差模块、第二一维残差模块、第三一维残差模块、深度可分离一维卷积模块、全局平均池化层、全连接层和Softmax分类器。
实施例2
如图5所示,本发明公开基于卷积神经网络的玉米耐盐碱鉴定系统,系统包括:
玉米数据采集模块10,获取玉米的形态特征、生物化学指标和图像信息。
玉米数据预处理模块20,用于将形态特征和生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标。
玉米图像特征提取模块30,用于将图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量。
玉米特征向量拼接模块40,用于将标准形态特征、标准生物化学指标和玉米图像特征向量进行拼接,得到玉米特征向量。
玉米耐盐碱鉴定模块50,用于将玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
作为一种可选地实施方式,本发明玉米数据预处理模块20,具体包括:
数据清洗子模块,用于将形态特征和生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标。
数据转换子模块,用于将完整形态特征和完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
作为一种可选地实施方式,本发明玉米图像特征提取模块30,具体包括:
第一标准卷积子模块,用于将图像信息依次输入到第一标准卷积模块和第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3。
空洞卷积子模块,用于将特征图Y3输入到空洞卷积模块进行空洞卷积操作,得到特征图Y7。
注意力子模块,用于将特征图Y7输入到注意力模块进行维度处理操作,得到特征图Y30。
深度可分离卷积子模块,用于将特征图Y30输入到深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34。
第二标准卷积子模块,用于将特征图Y34依次输入到第二标准卷积模块和展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
作为一种可选地实施方式,本发明玉米耐盐碱鉴定模块50,具体包括:
第三标准卷积子模块,用于将玉米特征向量依次输入到第三标准卷积模块和第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3;
第一一维残差子模块,用于将特征图V3依次输入到第一一维残差模块、第二一维残差模块和第三一维残差模块进行残差操作,得到特征图V21;
深度可分离一维卷积子模块,用于将特征图V21输入到深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25;
分类子模块,用于将特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述方法包括:
步骤S1:获取玉米的形态特征、生物化学指标和图像信息;
步骤S2:将所述形态特征和所述生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标;
步骤S3:将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量;
步骤S4:将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量;
步骤S5:将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
2.根据权利要求1所述的基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述将所述形态特征和所述生物化学指标进行预处理操作,得到标准形态特征和标准生物化学指标,具体包括:
将所述形态特征和所述生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标;
将所述完整形态特征和所述完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
3.根据权利要求1所述的基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量,具体包括:
玉米网络包括第一标准卷积模块、第一最大池化层、空洞卷积模块、注意力模块、深度可分离卷积模块、第二标准卷积模块和展平层;
将所述图像信息依次输入到所述第一标准卷积模块和所述第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3;
将所述特征图Y3输入到所述空洞卷积模块进行空洞卷积操作,得到特征图Y7;
将所述特征图Y7输入到所述注意力模块进行维度处理操作,得到特征图Y30;
将所述特征图Y30输入到所述深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34;
将所述特征图Y34依次输入到所述第二标准卷积模块和所述展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
4.根据权利要求3所述的基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述将所述特征图Y7输入到所述注意力模块进行维度处理操作,得到特征图Y30,具体包括:
注意力模块包括:注意力输入层、垂直平均池化层、水平平均池化层、第二标准卷积层、第三标准卷积层、第四标准卷积层、第四规范化激活层、第一激活函数层、第二激活函数层、第一平均池化层、第二平均池化层、第一张量重塑层、第二张量重塑层、第一全连接激活层、第二全连接激活层、第三全连接激活层、第四全连接激活层、第一元素相乘层、第二元素相乘层和第三元素相乘层;
利用所述注意力输入层输入所述特征图Y7;
将所述特征图Y7输入到所述垂直平均池化层进行垂直平均池化操作,得到特征图Y8,将所述特征图Y8依次输入到所述第三标准卷积层和所述第一激活函数层进行卷积操作和激活操作,得到特征图Y13,将所述特征图Y13输入到所述第一平均池化层进行平均池化操作,得到特征图Y16,将所述特征图Y16输入到所述第一张量重塑层进行张量重塑操作,得到特征图Y18,将所述特征图Y18依次输入到所述第一全连接激活层和所述第三全连接激活层进行全连接激活操作,得到特征图Y26,将所述特征图Y26和所述特征图Y13输入到所述第一元素相乘层进行元素相乘操作,得到特征图Y28;
将所述特征图Y7输入到所述水平平均池化层进行水平平均池化操作,得到特征图Y9,将所述特征图Y9依次输入到所述第四标准卷积层和所述第二激活函数层进行卷积操作和激活操作,得到特征图Y14,将所述特征图Y14输入到所述第二平均池化层进行平均池化操作,得到特征图Y17,将所述特征图Y17输入到所述第二张量重塑层进行张量重塑操作,得到特征图Y19,将所述特征图Y19依次输入到所述第二全连接激活层和所述第四全连接激活层进行全连接激活操作,得到特征图Y27,将所述特征图Y27和所述特征图Y14输入到所述第二元素相乘层进行元素相乘操作,得到特征图Y29;
将所述特征图Y7输入到所述第二标准卷积层和所述第四规范化激活层进行卷积操作和批归一化激活操作,得到特征图Y15,将所述特征图Y15、所述特征图Y28和所述特征图Y29输入到所述第三元素相乘层进行元素相乘操作,得到特征图Y30。
5.根据权利要求1所述的基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量,具体包括:
所述标准形态特征为,/>表示为第/>个形态特征;所述标准生物化学指标为/>,/>表示为第/>个生物化学指标;所述玉米图像特征向量为,/>表示为玉米图像特征向量中第/>个元素;
将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,玉米特征向量为。
6.根据权利要求1所述的基于卷积神经网络的玉米耐盐碱鉴定方法,其特征在于,所述将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果,具体包括:
一维网络包括:第三标准卷积模块、第二最大池化层、第一一维残差模块、第二一维残差模块、第三一维残差模块、深度可分离一维卷积模块、全局平均池化层、全连接层和Softmax分类器;
将所述玉米特征向量依次输入到所述第三标准卷积模块和所述第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3;
将所述特征图V3依次输入到所述第一一维残差模块、所述第二一维残差模块和所述第三一维残差模块进行残差操作,得到特征图V21;
将所述特征图V21输入到所述深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25;
将所述特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
7.基于卷积神经网络的玉米耐盐碱鉴定系统,其特征在于,所述系统包括:
玉米数据采集模块,获取玉米的形态特征、生物化学指标和图像信息;
玉米数据预处理模块,用于将所述形态特征和所述生物化学指标分别进行预处理操作,得到标准形态特征和标准生物化学指标;
玉米图像特征提取模块,用于将所述图像信息输入到玉米网络中进行特征提取操作,得到玉米图像特征向量;
玉米特征向量拼接模块,用于将所述标准形态特征、所述标准生物化学指标和所述玉米图像特征向量进行拼接,得到玉米特征向量;
玉米耐盐碱鉴定模块,用于将所述玉米特征向量输入到一维网络中进行耐盐碱鉴定,得到玉米鉴定结果。
8.根据权利要求7所述的基于卷积神经网络的玉米耐盐碱鉴定系统,其特征在于,所述玉米数据预处理模块,具体包括:
数据清洗子模块,用于将所述形态特征和所述生物化学指标分别进行数据清洗操作,得到完整形态特征和完整生物化学指标;
数据转换子模块,用于将所述完整形态特征和所述完整生物化学指标分别进行数据转换操作,得到标准形态特征和标准生物化学指标。
9.根据权利要求7所述的基于卷积神经网络的玉米耐盐碱鉴定系统,其特征在于,所述玉米图像特征提取模块,具体包括:
第一标准卷积子模块,用于将所述图像信息依次输入到第一标准卷积模块和第一最大池化层进行标准卷积操作和最大池化操作,得到特征图Y3;
空洞卷积子模块,用于将所述特征图Y3输入到空洞卷积模块进行空洞卷积操作,得到特征图Y7;
注意力子模块,用于将所述特征图Y7输入到注意力模块进行维度处理操作,得到特征图Y30;
深度可分离卷积子模块,用于将所述特征图Y30输入到深度可分离卷积模块进行深度可分离卷积操作,得到特征图Y34;
第二标准卷积子模块,用于将所述特征图Y34依次输入到第二标准卷积模块和展平层进行标准卷积操作和维度转换操作,得到玉米图像特征向量。
10.根据权利要求7所述的基于卷积神经网络的玉米耐盐碱鉴定系统,其特征在于,所述玉米耐盐碱鉴定模块,具体包括:
第三标准卷积子模块,用于将所述玉米特征向量依次输入到第三标准卷积模块和第二最大池化层进行标准一维卷积操作和最大池化操作,得到特征图V3;
第一一维残差子模块,用于将所述特征图V3依次输入到第一一维残差模块、第二一维残差模块和第三一维残差模块进行残差操作,得到特征图V21;
深度可分离一维卷积子模块,用于将所述特征图V21输入到深度可分离一维卷积模块进行深度可分离一维卷积操作,得到特征图V25;
分类子模块,用于将所述特征图V25依次输入到全局平均池化层、全连接层和Softmax分类器,得到玉米鉴定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987465.XA CN116704356B (zh) | 2023-08-08 | 2023-08-08 | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987465.XA CN116704356B (zh) | 2023-08-08 | 2023-08-08 | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704356A true CN116704356A (zh) | 2023-09-05 |
CN116704356B CN116704356B (zh) | 2023-10-03 |
Family
ID=87826190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987465.XA Active CN116704356B (zh) | 2023-08-08 | 2023-08-08 | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704356B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252488A (zh) * | 2023-11-16 | 2023-12-19 | 国网吉林省电力有限公司经济技术研究院 | 基于大数据的产业集群能效优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
CN112243779A (zh) * | 2020-10-16 | 2021-01-22 | 新疆维吾尔自治区葡萄瓜果研究所 | 葡萄砧木苗期耐混合盐碱性的鉴定方法 |
CN114451282A (zh) * | 2022-01-14 | 2022-05-10 | 乌兰察布市农林科学研究所 | 一种耐盐碱燕麦室内快速鉴定筛选方法 |
US20220317095A1 (en) * | 2021-01-14 | 2022-10-06 | JANA Corporation | Method, device and system for non-destructive evaluation of polyethylene pipe joints using ultrasound and machine learning |
CN115375946A (zh) * | 2022-08-31 | 2022-11-22 | 江苏信息职业技术学院 | 基于多尺度注意力机制的电子元器件深度迁移识别方法 |
-
2023
- 2023-08-08 CN CN202310987465.XA patent/CN116704356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898680A (zh) * | 2020-07-31 | 2020-11-06 | 陈艳 | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
CN112243779A (zh) * | 2020-10-16 | 2021-01-22 | 新疆维吾尔自治区葡萄瓜果研究所 | 葡萄砧木苗期耐混合盐碱性的鉴定方法 |
US20220317095A1 (en) * | 2021-01-14 | 2022-10-06 | JANA Corporation | Method, device and system for non-destructive evaluation of polyethylene pipe joints using ultrasound and machine learning |
CN114451282A (zh) * | 2022-01-14 | 2022-05-10 | 乌兰察布市农林科学研究所 | 一种耐盐碱燕麦室内快速鉴定筛选方法 |
CN115375946A (zh) * | 2022-08-31 | 2022-11-22 | 江苏信息职业技术学院 | 基于多尺度注意力机制的电子元器件深度迁移识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252488A (zh) * | 2023-11-16 | 2023-12-19 | 国网吉林省电力有限公司经济技术研究院 | 基于大数据的产业集群能效优化方法及系统 |
CN117252488B (zh) * | 2023-11-16 | 2024-02-09 | 国网吉林省电力有限公司经济技术研究院 | 基于大数据的产业集群能效优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116704356B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
Dyer et al. | A model of herbivore feedback on plant productivity | |
CN116704356B (zh) | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 | |
Ghamkhar et al. | Hotspots and gaps in the world collection of subterranean clover (Trifolium subterraneum L.) | |
CN113705937B (zh) | 一种联合机器视觉与作物模型的农田估产方法 | |
Chen et al. | A model for simulating the cotton (Gossypium hirsutum L.) embryo oil and protein accumulation under varying environmental conditions | |
CN114793891A (zh) | 一种谷子全生育期耐旱性的鉴定方法 | |
CN112837267B (zh) | 一种预测转基因玉米抗药性的数字检测方法及系统 | |
CN112950399A (zh) | 一种山兰米种植无公害防治系统及方法 | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及系统 | |
CN117235322B (zh) | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 | |
Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya | |
Terletskaya et al. | Osmotic Stress Effect on Different Cytological Characters of Roots and Growth Parameters in Different Wheat Species | |
Xin et al. | Melon Growth Detection Strategy Using Artificial Intellegence in Greenhouse Cultivation | |
Saifuzzaman et al. | Stem Characteristics and Local Environmental Variables for Assessment of Alfalfa Winter Survival | |
Traore et al. | Optimal choice of cotton cultivar for rainfed conditions in Sahelo-Sudanian climate with late planting: a case study in Senegal | |
Anselmi et al. | Corrêdo, LdP Definition of Optimal Maize Seeding Rates Based on the Potential Yield of Management Zones. Agriculture 2021, 11, 911 | |
Masharipov et al. | STUDY OF WINTER WHEAT AGROCENOSIS IN THE KHORAZM OASIS | |
Grego et al. | Technologies developed in precision agriculture. | |
Sebastian et al. | Variety Trial Validation: A Framework to Incorporate on-Farm Data | |
Kara et al. | Assessing the Impact of Beet Webworm Moths on Sunflower Fields Using Multitemporal SENTINEL-2 Satellite Imagery and Vegetation Indices | |
CN117078454A (zh) | 一种基于物联网耐盐碱水稻种植管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |