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

本发明专利技术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：获取玉米果穗图像原始训练样本集和测试样本集；通过迁移学习方法，利用AlexNet卷积神经网络，根据判别得到每一果穗测试样本的所属类型及每一测试样本的实际所属类型，确定判别结果的准确率；若准确率在预设范围外，根据扩增果穗训练样本集，优化AlexNet卷积神经网络，得到第二卷积神经网络，并重新判别所述测试样本集中每一测试样本所属类型。本发明专利技术通过从隐含层自主学习果穗图像由颜色、边等低层到角点、形状等高层特征的方式，避免了人工提取果穗图像特征的繁琐与片面，使卷积神经网络具有自主选取图像特征并进行学习、识别能力，对于玉米制种果穗初级自动化穗选提供了方法。

A primary classification method for ear image of maize seed production based on convolution neural network

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。优选地，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。优选地，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。优选地，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。优选地，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行预训练，获取所述AlexNet第一卷积神经网络。优选地，所述初始卷积神经网络包括5个卷积层、3个最大池化层和3个全连接层，对于所述5个卷积层，卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，卷积步长分别为4、1、1、1、1。优选地，通过Adam算法进行动态调整所述初始卷积神经网络的学习率，以获取所述第一卷积神经网络。优选地，步骤S1具体包括：S11、提取所有玉米果穗的二维彩色图像中的感兴趣区域；S12、对所述感兴趣区域作预处理，得到预处理后的二维彩色图像，所述预处理后的二维彩色图像包含预处理后的感兴趣区域；S13、将所述预处理后的二维彩色图像分为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，并按照4:1的预设比例分别随机配比正常玉米果穗图像、带苞叶的玉米果穗图像和其他玉米果穗图像，以得到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。优选地，步骤S11中具体包括：S111、将采集到的二维彩色玉米果穗图像由RGB颜色空间转换到HSV颜色空间；S112、针对色调通道进行中值滤波去噪处理；S113、利用玉米果穗图像与背景颜色不同的特点，针对中值滤波后的色调通道的图像进行二值化处理；S114、对二值图像进行形态学开运算处理，去除破碎的小块；S115、设定面积阈，排除检测到的较小的连通区域；S116、留存下来的检测到的大块区域即为玉米果穗区域。优选地，步骤S12中具体包括：通过逐样本均值消减对所述二维彩色图像的ROI区域进行预处理，使所述二维彩色图像归一化；本专利技术提出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，在果穗初级穗选阶段可以识别正常玉米果穗、带苞叶玉米果穗和其他玉米果穗的方法，该方法通过在传送带上方利用支架搭建果穗图像采集框架，对采集到的图像进行感兴趣区域提取并进行图像特征归一化处理，分类标记玉米果穗图像样本构成样本集。本专利技术利用AlexNet卷积神经网络模型对玉米果穗训练样本集进行微调训练，使用Adam方法完成学习率的自适应。在经过玉米果穗测试样本集的测试后，为提高网络识别精度，通过扩增玉米果穗训练样本，设置合适的Dropout参数屏蔽掉卷积神经网络的部分神经元，防止网络过拟合，采用随机梯度优化训练算法完成网络的优化。这种从隐含层逐层地自主选取玉米果穗图像由颜色、边等低层到角点、形状等高层特征的方式，避免了人工提取玉米果穗图像特征的繁琐与片面，使网络具有自主选取玉米果穗图像特征并进行学习与识别的能力。该方法满足制种过程中的穗选的准确性要求，减少了人力和财力的耗费，精度高，为果穗穗选方法提供了一种新途径，大大提高了玉米果穗制种的效率。附图说明图1为本专利技术实施例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的流程图；图2为本专利技术实施例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的卷积神经网络工作原理图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1为本专利技术实施例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的流程图，如图1所示，该方法包括：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。首先根据果穗的二维彩色图像，这里的果本文档来自技高网...

【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