WO2023142256A1 - 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 - Google Patents
杂交制种雄性不育苗早期识别分选方法、系统及存储介质 Download PDFInfo
- Publication number
- WO2023142256A1 WO2023142256A1 PCT/CN2022/083617 CN2022083617W WO2023142256A1 WO 2023142256 A1 WO2023142256 A1 WO 2023142256A1 CN 2022083617 W CN2022083617 W CN 2022083617W WO 2023142256 A1 WO2023142256 A1 WO 2023142256A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- seedlings
- sorting
- data
- model
- seed production
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003147 molecular marker Substances 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009395 breeding Methods 0.000 abstract description 5
- 230000001488 breeding effect Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 5
- 238000009396 hybridization Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 206010021929 Infertility male Diseases 0.000 description 2
- 208000007466 Male Infertility Diseases 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000004579 scanning voltage microscopy Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 108700003861 Dominant Genes Proteins 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 208000021267 infertility disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
- A01H1/00—Processes for modifying genotypes ; Plants characterised by associated natural traits
- A01H1/02—Methods or apparatus for hybridisation; Artificial pollination ; Fertility
- A01H1/022—Genic fertility modification, e.g. apomixis
- A01H1/024—Female sterility
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
- A01H1/00—Processes for modifying genotypes ; Plants characterised by associated natural traits
- A01H1/04—Processes of selection involving genotypic or phenotypic markers; Methods of using phenotypic markers for selection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Definitions
- Utilize the training set to analyze and model the algorithm obtain the trained model, use the test set to test the trained model, compare the test results of each model, and select the model with the best test result for sterile seedlings sorting.
- it also includes uploading the spectral curve data to the cloud, performing preprocessing on the data set in the cloud, and performing analysis and modeling.
- the algorithm includes PLS-DA, SVM, and convolutional neural network models.
- a computer storage medium is provided, and a computer program is stored on the computer storage medium, and when the computer program is executed by a processor, the steps of the aforementioned method for early identification and sorting of male sterile seedlings in hybrid seed production are realized.
- Embodiment 1 of the present invention discloses a method for early identification and sorting of male sterile seedlings in hybrid seed production, as shown in Figure 1, the specific steps include the following:
- it also includes carrying out molecular markers on the seedlings, and then sampling and classifying the seedlings into fertile seedlings and non-fertile seedlings.
- it also includes uploading the spectral curve data to the cloud, preprocessing the data set in the cloud, dividing the first data set in the cloud, combining molecular markers (fertile and sterile labels) in the cloud, and training set Algorithm analysis and modeling of the data.
- spectral curve data (294 samples) as fertile and sterile
- multivariate scattering correction was performed on the data, and the preprocessed data were divided into 70:15:15 ratio Training set (206 samples), validation set (44 samples) and test set (44 samples).
- the training set is used to train the model, and the validation set is used to modify the model to improve accuracy.
- the first model, the second model and the third model are tested, the test results of each model are compared, and the model with the best test result is selected to sort the sterile seedlings.
- Partial least squares regression analysis is a statistical method that is related to principal component regression, but instead of finding the hyperplane with the maximum variance between the response variable and the independent variable, it projects the predictor variable and the observed variable into A new space to find a linear regression model. Because both data X and Y are projected into a new space, the methods of the PLS family are called bilinear factor models. When Y is categorical data, it is called "Partial least squares Discriminant Analysis (PLS-DA)".
- the data division module is used to divide the first data set into a training set, a test set and a verification set;
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental Sciences (AREA)
- Developmental Biology & Embryology (AREA)
- Botany (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Geometry (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明公开了一种杂交制种雄性不育苗早期识别分选方法、系统及存储介质，涉及育种技术领域。具体步骤包括如下：获取数据集；数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；对数据集进行预处理，得到第一数据集；划分第一数据集，分为训练集、测试集与验证集；利用训练集对算法进行分析建模，得到训练好的模型，利用测试集对训练好的模型进行测试，对比各模型的测试结果，选择测试结果最优的模型进行不育苗分选。本发明用高光谱技术得到苗株的光谱曲线后利用这些数据训练模型去做分类，代替了传统的人工识别可育苗和不育苗，可以缩短分子标记筛选时间成本，实现对早期幼苗不育系进行低成本大规模识别与分选。
Description
本发明涉及育种技术领域，更具体的说是涉及一种杂交制种雄性不育苗早期识别分选方法、系统及存储介质。
作物杂种优势利用是提高作物产量、抗性等的重要途径。目前粮食作物、蔬菜杂交种的生产仍较多采用人工去雄授粉做杂交，种子生产成本高，与国外品种相比缺乏市场竞争力。利用雄性不育系测配组合生产一代杂交种可省去人工去雄环节，在降低制种成本的同时，能最大程度确保种子纯度，还可有效保护自主知识产权。在劳动力成本逐年增高的情况下，雄性不育杂交制种技术具有很好地应用前景，是作物杂种优势利用最经济最有效的途径。
目前，作物中开展杂交制种的雄性不育系主要有自交不亲和系、细胞质雄性不育系(CMS)和核不育两用系(GMS)等。实际生产中，利用自交不亲和系开展杂交制种存在亲本繁殖成本高、亲本长期自交易产生活力退化、杂交率低于100％、淘汰选择困难等一系列问题；而利用细胞质雄性不育系(CMS)生产杂交一代种子，CMS不育系普遍存在温敏特性且选育周期长，制种产量低，多代转育后植株长势退化、杂交优势差等因素制约实际生产；而核不育(GMS)两用系的育性大多由一对隐性核不育基因控制，少数由显性基因控制，与细胞质无关，一般品种都是它的恢复系。两用不育系的后代中不育株与可育株各占50％，自身既可做不育系，又可做保持系，其中50％不育株起到雄性不育系的作用，50％可育株起到半保持系的作用。该方法制种工序简单，不育性稳定，恢复源广，周期短，适应广；缺点是母本的播种量、 定植株数、移栽面积比一般杂交制种增加一倍，初花期，需人工识别拔除50％可育株，造成土地资源的浪费，间接增加制种成本，另一方面母本田中可育株若除不尽，极易造成品种混杂，从而降低制种纯度。
随着分子生物学技术的发展，通过对两用不育系的核不育基因进行精细定位与克隆，筛选出与GMS表型共分离或基于核不育基因的分子标记，利用标记辅助反向杂交，促进核不育基因高效、快速地转移到不同的遗传背景中，同时可在苗期对不育株进行早期鉴别，减少定植株数，节约种植面积，降低生产成本，还可加速育种进程，缩短育种年限，实现提高杂交制种效率和种子纯度的目的。但是借助分子标记辅助选择育种的途径确立早期鉴定雄性不育的方法还是存在效率低，成本高，无法进行不育系的大规模制种生产等问题。
因此，对本领域技术人员来说，如何对早期幼苗不育系进行低成本大规模识别与分选，是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种杂交制种雄性不育苗早期识别分选方法、系统及存储介质，以解决背景技术中提出的问题。
为了实现上述目的，本发明采用如下技术方案：一方面，提供一种杂交制种雄性不育苗早期识别分选方法，具体步骤包括如下：
获取数据集；所述数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；
对所述数据集进行预处理，得到第一数据集；
划分所述第一数据集，分为训练集、测试集与验证集；
利用所述训练集对算法进行分析建模，得到训练好的模型，利用所述测试集对所述训练好的模型进行测试，对比各模型的测试结果，选择测试结果最优的模型进行不育苗分选。
可选的，所述光谱曲线数据获取方法为：用高光谱相机对苗株拍照，得到苗株图像，对所述苗株图像进行图像分割，掩膜处理后取掩膜区域的所有光谱的平均值，得到所述光谱曲线数据。
可选的，还包括将所述光谱曲线数据上传至云端，在云端对所述数据集进行预处理，并进行分析建模。
可选的，所述算法包括PLS-DA、SVM、卷积神经网络模型。
可选的，还包括对苗株进行分子标记，再对苗株进行取样分类，分为可育苗和不育苗。
可选的，所述预处理的方法包括数据平滑处理、基线校正、散射校正、归一化处理。
可选的，分选步骤为：将所述测试结果最优的模型下发到分选装备；所述分选装备开始对幼苗进行光谱识别分类，得到识别结果；根据所述识别结果将可育幼苗进行定位，对可育的幼苗进行精准清除。
另一方面，提供一种杂交制种雄性不育苗早期识别分选系统，包括依次连接的数据获取模块、预处理模块、数据划分模块、模型训练模块、模型测试模块、分选模块；
其中，所述数据获取模块，用于获取数据集；所述数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；
所述预处理模块，用于对所述数据集进行预处理，得到第一数据集；
所述数据划分模块，用于划分所述第一数据集，分为训练集、测试集与验证集；
所述模型训练模块，用于利用所述训练集对算法进行分析建模，得到训练好的模型；
所述模型测试模块，用于利用所述测试集对所述训练好的模型进行测试，对比各模型的测试结果；
所述分选模块，用于选择测试结果最优的模型进行不育苗分选。
可选的，还包括分子标记模块，与所述数据获取模块相连，用于对所述光谱曲线数据进行分子标记，分为可育苗和不育苗。
最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种杂交制种雄性不育苗早期识别分选方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种杂交制种雄性不育苗早期识别分选方法、系统及存储介质，通过光学成像技术建立不同分子标记与早期不同表型特征的关联关系数据库，用高光谱技术得到苗株的光谱曲线后利用这些数据训练模型去做分类，代替了传统的人工识别可育苗和不育苗，可以缩短分子标记筛选时间成本，实现对早期幼苗不育系进行低成本大规模识别与分选。智能分选装备以光学成像快速无损识别为基础，通过激光、机器手或移植手达到快速、无人、高效的分选效果。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的系统结构图。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例1公开了一种杂交制种雄性不育苗早期识别分选方法，如图1所示，具体步骤包括如下：
S1、获取数据集；数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；
S2、对数据集进行预处理，得到第一数据集；
S3、划分第一数据集，分为训练集、测试集与验证集；
S4、利用训练集对算法进行分析建模，得到训练好的模型，利用测试集对训练好的模型进行测试，对比各模型的测试结果，选择测试结果最优的模型进行不育苗分选。
进一步的，还包括对苗株进行分子标记，再对苗株进行取样分类，分为可育苗和不育苗。
更进一步的，还包括将光谱曲线数据上传至云端，在云端对数据集进行预处理，在云端对第一数据集进行划分，云端结合通过分子标记(可育和不育标签)，对训练集的数据进行算法分析建模。
进一步的，光谱曲线数据获取方法为：用高光谱相机对苗株拍照，得到苗株图像，对苗株图像进行图像分割，掩膜处理后取掩膜区域的所有光谱的平均值，得到光谱曲线数据。
进一步的，算法包括PLS-DA、SVM、卷积神经网络模型。
所述预处理的方法包括数据平滑处理、基线校正、散射校正、归一化处理。①数据平滑处理：邻近点比较法、移动平均法、指数平均法等；②基线校正：一阶导、二阶导等；③散射校正：标准正态变量(SNV)、多元散射校正(MSC)。
分选步骤为：云端测试最优的模型下发到分选装备，将测试结果最优的模型下发到分选装备；分选装备开始对幼苗进行光谱识别分类，得到识别结果；根据识别结果将可育幼苗进行定位，对可育的幼苗进行精准清除。
具体的，将光谱曲线数据(294个样本)打上可育和不育的标签后，对其数据进行多元散射校正预处理后，把预处理后得到的数据按70：15：15的比例划分为训练集(206个样本)、验证集(44个样本)和测试集(44个样本)。训练集用于模型的训练，验证集用于修正模型以便提高准确率。利用训练集对PLS-DA模型进行训练，得到第一模型，利用训练集对SVM模型进行训练，得到第二模型，利用训练集对卷积神经网络模型进行训练，得到第三模型，利用测试集对第一模型、第二模型、第三模型进行测试，对比各模型的测试结果，选择测试结果最优的模型进行不育苗分选。
下面是PLS-DA的原理性描述：
偏最小二乘回归分析法是一种统计学方法，与主成分回归有关系，但不是寻找响应变量和自变量之间最大方差的超平面，而是通过投影分别将预测变量和观测变量投影到一个新空间，来寻找一个线性回归模型。因为数据X和Y都会投影到新空间，PLS系列的方法都被称为双线性因子模型。当Y是分类数据时称为“偏最小二乘判别分析(Partial least squares Discriminant Analysis，PLS-DA)”。
本发明实施例2公开了一种杂交制种雄性不育苗早期识别分选系统，如图2所示，包括依次连接的数据获取模块、预处理模块、数据划分模块、模型训练模块、模型测试模块、分选模块；
其中，数据获取模块，用于获取数据集；数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；
预处理模块，用于对数据集进行预处理，得到第一数据集；
数据划分模块，用于划分第一数据集，分为训练集、测试集与验证集；
模型训练模块，用于利用训练集对算法进行分析建模，得到训练好的模型；
模型测试模块，用于利用测试集对训练好的模型进行测试，对比各模型的测试结果；
分选模块，用于选择测试结果最优的模型进行不育苗分选。
还包括分子标记模块，与数据获取模块相连，用于对光谱曲线数据进行分子标记，分为可育苗和不育苗。
最后，提供一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现一种杂交制种雄性不育苗早期识别分选方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
- 一种杂交制种雄性不育苗早期识别分选方法，其特征在于，具体步骤包括如下：获取数据集；所述数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；对所述数据集进行预处理，得到第一数据集；划分所述第一数据集，分为训练集、测试集与验证集；利用所述训练集对算法进行分析建模，得到训练好的模型，利用所述测试集对所述训练好的模型进行测试，对比各模型的测试结果，选择测试结果最优的模型进行不育苗分选。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，所述光谱曲线数据的获取方法为：用高光谱相机对苗株拍照，得到苗株图像，对所述苗株图像进行图像分割，掩膜处理后取掩膜区域的所有光谱的平均值，得到所述光谱曲线数据。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，还包括将所述光谱曲线数据上传至云端，在云端对所述数据集进行预处理，并进行分析建模。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，所述算法包括PLS-DA、SVM、卷积神经网络模型。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，还包括对苗株进行分子标记，再对苗株进行取样分类，分为可育苗和不育苗。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，所述预处理的方法包括数据平滑处理、基线校正、散射校正、归一化处理。
- 根据权利要求1所述的一种杂交制种雄性不育苗早期识别分选方法，其特征在于，分选步骤为：云端测试所述测试结果最优的模型并下发到分选装备；所述分选装备开始对幼苗进行光谱识别分类，得到识别结果；根据所述识别结果将可育幼苗进行定位，对可育的幼苗进行精准清除。
- 一种杂交制种雄性不育苗早期识别分选系统，其特征在于，包括依次连接的数据获取模块、预处理模块、数据划分模块、模型训练模块、模型测试模块、分选模块；其中，所述数据获取模块，用于获取数据集；所述数据集为对苗株图像进行高光谱分析得到的光谱曲线数据；所述预处理模块，用于对所述数据集进行预处理，得到第一数据集；所述数据划分模块，用于划分所述第一数据集，分为训练集、测试集与验证集；所述模型训练模块，用于利用所述训练集对算法进行分析建模，得到训练好的模型；所述模型测试模块，用于利用所述测试集对所述训练好的模型进行测试，对比各模型的测试结果；所述分选模块，用于选择测试结果最优的模型进行不育苗分选。
- 根据权利要求8所述的一种杂交制种雄性不育苗早期识别分选系统，其特征在于，还包括分子标记模块，与所述数据获取模块相连，用于对所述光谱曲线数据进行分子标记，分为可育苗和不育苗。
- 一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的一种杂交制种雄性不育苗早期识别分选方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210108703.0A CN114386335A (zh) | 2022-01-28 | 2022-01-28 | 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 |
| CN202210108703.0 | 2022-01-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023142256A1 true WO2023142256A1 (zh) | 2023-08-03 |
Family
ID=81203195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/083617 WO2023142256A1 (zh) | 2022-01-28 | 2022-03-29 | 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114386335A (zh) |
| WO (1) | WO2023142256A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074835A1 (en) * | 1999-04-09 | 2006-04-06 | Maggioni Mauro M | System and method for hyper-spectral analysis |
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
| CN109765194A (zh) * | 2019-01-25 | 2019-05-17 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子产地识别方法 |
| CN110866540A (zh) * | 2019-10-10 | 2020-03-06 | 北京农业信息技术研究中心 | 一种田间幼苗期草类识别方法及装置 |
| CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 |
-
2022
- 2022-01-28 CN CN202210108703.0A patent/CN114386335A/zh active Pending
- 2022-03-29 WO PCT/CN2022/083617 patent/WO2023142256A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074835A1 (en) * | 1999-04-09 | 2006-04-06 | Maggioni Mauro M | System and method for hyper-spectral analysis |
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| CN109540831A (zh) * | 2019-01-25 | 2019-03-29 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子品种识别方法 |
| CN109765194A (zh) * | 2019-01-25 | 2019-05-17 | 中国中医科学院中药研究所 | 基于高光谱成像技术的枸杞子产地识别方法 |
| CN110866540A (zh) * | 2019-10-10 | 2020-03-06 | 北京农业信息技术研究中心 | 一种田间幼苗期草类识别方法及装置 |
| CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114386335A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bai et al. | Rice heading stage automatic observation by multi-classifier cascade based rice spike detection method | |
| Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
| Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
| Jiang et al. | DeepFlower: a deep learning-based approach to characterize flowering patterns of cotton plants in the field | |
| Qiongyan et al. | Detecting spikes of wheat plants using neural networks with Laws texture energy | |
| Basri et al. | Faster R-CNN implementation method for multi-fruit detection using tensorflow platform | |
| Feldmann et al. | Multi-dimensional machine learning approaches for fruit shape phenotyping in strawberry | |
| CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
| CN109871833B (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
| CN105117734B (zh) | 基于模型在线更新的玉米种子高光谱图像分类识别方法 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| Raut et al. | Assessment of fruit maturity using digital image processing | |
| Sun et al. | Estimation of botanical composition in mixed clover–grass fields using machine learning-based image analysis | |
| Brainard et al. | A digital image-based phenotyping platform for analyzing root shape attributes in carrot | |
| Valiente et al. | Non-destructive image processing analysis for defect identification and maturity detection on avocado fruit | |
| Sabadin et al. | Improving the identification of haploid maize seeds using convolutional neural networks | |
| WO2023142256A1 (zh) | 杂交制种雄性不育苗早期识别分选方法、系统及存储介质 | |
| 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 | |
| CN111191543A (zh) | 油菜产量估测方法 | |
| Guo et al. | Automatic and accurate acquisition of stem-related phenotypes of mature soybean based on deep learning and directed search algorithms | |
| CN115393715A (zh) | 一种基于机器视觉的穴盘种子漏播检测方法 | |
| Adke et al. | Instance segmentation to estimate consumption of corn ears by wild animals for GMO preference tests | |
| Park et al. | Classification of Soybean [Glycine max (L.) Merr.] Seed Based on Deep Learning Using the YOLOv5 Model | |
| Yamazaki et al. | A simple method for measuring pollen germination rate using machine learning | |
| Xing et al. | Traits expansion and storage of soybean phenotypic data in computer vision-based test |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22923074 Country of ref document: EP Kind code of ref document: A1 |