The present invention provides a primary classification method of corn ear image based on convolution neural network, which includes: acquiring original training sample set and test sample set of corn ear image; obtaining the type of each ear test sample and each test sample according to discrimination by migration learning method and AlexNet convolution neural network. If the accuracy is out of the preset range, the AlexNet convolution neural network is optimized according to the expanded ear training sample set, and the second convolution neural network is obtained. The invention avoids the tedious and one-sided manual extraction of the characteristics of the ear image by autonomously learning the ear image from the low level of color, edge, corner point, shape and other high-level features from the hidden layer, so that the convolution neural network has the ability of autonomously selecting image features, learning and recognizing, and the ear of maize seed production is initially self-contained. The method provides a method for dynamic selection.
【技术实现步骤摘要】
一种基于卷积神经网络的玉米制种果穗图像初级分类方法
本专利技术涉及模式识别领域,更具体地,涉及一种基于卷积神经网络的玉米制种果穗图像初级分类方法。
技术介绍
种子公司在玉米制种过程中,通常是先进行穗选工作,然后进行粒选精加工。在穗选时,将表型特征良好的正常玉米果穗挑选出来,回收带苞叶玉米果穗进行再次去苞叶处理,丢弃掉虫蛀、霉变、籽粒败育和异种的玉米果穗,对于提高种子的质量和纯度,增加玉米产量关系密切。其他玉米果穗中包含的虫蛀果穗、霉变果穗、异种果穗、籽粒败育等果穗,体现在表型特征上,玉米果穗的形状、大小、粒型、粒色、穗轴颜色、纹理等与正常玉米果穗的特征差异较大。而玉米果穗的苞叶在颜色和形状特征上较玉米果穗明显很多。传统方法主要依靠人力筛选出带苞叶玉米果穗和其他玉米果穗,存在筛选速度慢,耗费大量人力和财力的问题。目前利用计算机视觉技术,对图像特征进行提取,识别并分类玉米果穗,代替了传统的人工挑选,运用图像处理技术对果穗图像进行精细的数字化分析和处理,虽然避免了人力物力的耗费的缺点,但这种方法需要人工进行特征提取和设计,计算复杂,且国内实际制种加工工厂多在室外进行,制种现场环境复杂多变,所拍摄的图像识别鲁棒性差,难以推向实际制种流水线。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种基于卷积神经网络的玉米制种果穗图像初级分类方法。根据本专利技术的一个方面,提供一种基于卷积神经网络的玉米制种果穗图像初级分类方法,包括:S1、获取玉米果穗原始训练样本集和玉米果穗测试样本集,所述玉米果穗原始训练样本集和所述玉米果穗测试样本集均包括正常玉米果 ...
【技术保护点】
1.一种基于卷积神经网络的玉米制种果穗图像初级分类方法,其特征在于,包括:S1、获取玉米果穗原始训练样本集和玉米果穗测试样本集,所述玉米果穗原始训练样本集和所述玉米果穗测试样本集均包括正常玉米果穗的二维彩色图像、带苞叶玉米果穗的二维彩色图像和其他玉米果穗的二维彩色图像;S2、通过AlexNet第一卷积神经网络,判别所述玉米果穗测试样本集中每一测试样本的所属类型,每一测试样本的所属类型为正常玉米果穗、带苞叶玉米果穗或其他玉米果穗;S3、根据判别得到的每一玉米果穗测试样本的所属类型以及每一测试样本的实际所属类型,确定判别结果的准确率;S4、若所述判别结果的准确率在预设范围之外,根据扩增玉米果穗训练样本集,对所述AlexNet第一卷积神经网络进行优化训练,得到第二卷积神经网络,利用所述第二卷积神经网络重新判别所述玉米果穗测试样本集中每一测试样本的所属类型,所述扩增玉米果穗训练样本集通过增大所述玉米果穗原始训练样本集中原始训练样本的数量获得。
【技术特征摘要】
1.一种基于卷积神经网络的玉米制种果穗图像初级分类方法,其特征在于,包括:S1、获取玉米果穗原始训练样本集和玉米果穗测试样本集,所述玉米果穗原始训练样本集和所述玉米果穗测试样本集均包括正常玉米果穗的二维彩色图像、带苞叶玉米果穗的二维彩色图像和其他玉米果穗的二维彩色图像;S2、通过AlexNet第一卷积神经网络,判别所述玉米果穗测试样本集中每一测试样本的所属类型,每一测试样本的所属类型为正常玉米果穗、带苞叶玉米果穗或其他玉米果穗;S3、根据判别得到的每一玉米果穗测试样本的所属类型以及每一测试样本的实际所属类型,确定判别结果的准确率;S4、若所述判别结果的准确率在预设范围之外,根据扩增玉米果穗训练样本集,对所述AlexNet第一卷积神经网络进行优化训练,得到第二卷积神经网络,利用所述第二卷积神经网络重新判别所述玉米果穗测试样本集中每一测试样本的所属类型,所述扩增玉米果穗训练样本集通过增大所述玉米果穗原始训练样本集中原始训练样本的数量获得。2.根据权利要求1所述方法,其特征在于,步骤S4之前还包括:对所述玉米果穗原始训练样本集中的原始训练样本分别进行平移、旋转、镜像、改变原始训练样本的亮度和模糊原始训练样本,获得所述扩增玉米果穗训练样本集。3.根据权利要求1所述方法,其特征在于,步骤S4之前还包括:通过Dropout方法按照设定的概率值屏蔽掉所述AlexNet第一卷积神经网络的部分神经元。4.根据权利要求1所述方法,其特征在于,步骤S4进一步包括:根据所述扩增玉米果穗训练样本集,通过随机梯度下降算法对所述AlexNet第一卷积神经网络进行优化训练,得到所述第二卷积神经网络。5.根据权利要求1所述方法,其特征在于,步骤S2之前还包括:根据所述原始玉米果穗训练样本集,对初始卷积神经网络进...
【专利技术属性】
技术研发人员:马钦,崔雪莲,朱德海,郭浩,刘哲,张秦川,杨玲,
申请(专利权)人:中国农业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。