小麦品种鉴别模型的构建方法技术

本发明专利技术公开了一种小麦品种鉴别模型的构建方法，其包括以下步骤：步骤一、采集试验样本，并采集试验样本的图像信息；步骤二、采集光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；步骤三、将数据分配，得训练集和预测集；步骤四、筛选最优建模方法；步骤五、筛选最优输入层数据，得到小麦品种鉴别模型。本发明专利技术为小麦品种鉴别提供更精确的方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民利益，保障国家粮食安全。

The construction method of wheat variety identification model

【技术实现步骤摘要】
小麦品种鉴别模型的构建方法
本专利技术涉及农产品的检测研究
更具体地说，本专利技术涉及一种小麦品种鉴别模型的构建方法。
技术介绍
我国是小麦种植大国，小麦为我国北方主要粮食作物，其产量丰欠关系国计民生。种子的纯度直接关系到小麦的产量与质量。如果小麦种子中混杂掺假，将极大损害国家和农民的利益。不同品种的小麦，其生长的条件、抗虫害情况、产量、质量等都存在很大差异，在大田生产及育种工作中，有时会因收获、脱粒、清选、干燥、贮藏以及播种等环节中的疏忽，造成品种搞乱或混杂，导致品种的真实性和纯度受到影响，从而影响后续的小麦加工过程，造成较大的经济利益损失。因此，小麦品种的鉴别对粮食生产与加工意义重大。目前，基于小麦品种鉴别的研究包括：化学鉴定法、形态学鉴定、蛋白质电泳指纹图谱鉴别法、DNA指纹图谱鉴别法等。化学鉴定法在大多数情况下只能把种子分成几类，再与其他方法结合使用，而且这类方法应用范围较窄；形态学方法鉴定品种的形态特征非常有限，并且这些性状也只适用于其品种间差异明显的样品鉴定；蛋白质电泳指纹图谱鉴定法、DNA指纹图谱鉴定法鉴别精度高，但所需的时间很长，而且鉴别过程繁琐，对操作人员技术要求较高，成本高，不适宜对样品进行批量分析和无损在线监测。故需一种快速、有效、稳定的小麦品种鉴别方法。高光谱图像技术具有图像和光谱信息合一的特点，在种子检测中其图像信息可以显示样品外部形态的特征，光谱信息可反映样品内部水分、蛋白质、淀粉、含氢基团等物质含量，因而可利用该技术实现小麦品种快速无损鉴别。近年来，基于高光谱成像技术的小麦籽粒品种鉴别研究比较少，且存在没有实现不同品种小麦之间的分类，其样本来源和数量少、模型代表性差，多品种之间识别度较低等问题。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种小麦品种鉴别模型的构建方法，其利用高光谱成像技术采集小麦籽粒的图像信息，提取光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据，筛选光谱预处理方法，基于光谱信息数据筛选最佳建模方法，基于最佳建模方法分别建立基于光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据结合的五种分类模型，最终得到最佳的分类模型。该方法为小麦品种鉴别提供更精确的方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民利益，保障国家粮食安全。为了实现根据本专利技术的这些目的和其它优点，提供了一种小麦品种鉴别模型的构建方法，其包括以下步骤：步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本中小麦籽粒的图像信息；步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；步骤四、用训练集中的光谱信息数据作为输入层，训练集中小麦籽粒对应的品种作为输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息对多种小麦品种鉴别模型进行筛选，确定最优的建模方法；步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。优选的是，所述的小麦品种鉴别模型的构建方法，步骤二中，光谱信息数据的采集具体为：步骤S1、提取图像信息中的感兴趣区域，以感兴趣区域内所有像素点在各波长下的平均反射率作为原始光谱信息数据；步骤S2、对步骤S1得到的原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；并采用最优预处理方法对原始光谱信息数据进行预处理，得到预处理后的原始光谱信息数据；步骤S3、对步骤S2预处理后的原始光谱信息数据进行特征提取，在化学计量软件Unscrambler中基于最小二乘回归模型的回归系数法对预处理后原始光谱信息数据的全波长进行特征波长的提取，选择了回归系数的绝对值大于等于4000的多个波长作为特征波长，特征波长对应的反射率即为光谱信息数据。优选的是，所述的小麦品种鉴别模型的构建方法，运用ENVI软件的特征提取模块在胚、胚乳部位各选择一个边长为20像素的正方形区域，从以上两个正方形区域以及整个小麦籽粒所在的区域中筛选最优的区域，作为感兴趣区域。优选的是，所述的小麦品种鉴别模型的构建方法，形态特征数据指的是运用ENVI软件的特征提取模块提取的小麦籽粒的面积、周长、圆度、长、宽和长宽比，面积是感兴趣区域的像素数；周长是籽粒边界总长度的像素数；圆度是面积与长平方的比值；长是小麦籽粒上距离最长的两端点之间长度的像素数；宽是小麦籽粒上垂直于长度两端点之间连线中最长线长度的像素数；长宽比是小麦籽粒长度和宽度像素数的比值。优选的是，所述的小麦品种鉴别模型的构建方法，纹理特征数据指的是通过灰度共生矩阵来定义的ASM能量、对比度、像素点相关性和熵。优选的是，所述的小麦品种鉴别模型的构建方法，颜色特征数据指的是通过颜色直方图提取的小麦籽粒表面主色调特征。优选的是，所述的小麦品种鉴别模型的构建方法，步骤S2中光谱信息数据的预处理方法包括归一化法、卷积平滑法、基线校正法和变量标准化算法。优选的是，所述的小麦品种鉴别模型的构建方法，步骤四中建模方法包括最小二乘判别法、主成分判别法、线性判别法和支持向量机法。本专利技术至少包括以下有益效果：本专利技术利用高光谱成像技术采集小麦籽粒的图像信息，提取光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据，筛选光谱预处理方法，基于光谱信息数据筛选最佳建模方法，基于最佳建模方法分别建立基于光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据结合的五种分类模型，最终得到最佳的分类模型。该方法为小麦品种鉴别提供更精确的方法，实现小麦品种快速、无损、有效、稳定鉴别，为小麦收储管理、加工等提供保障，保护农民利益，保障国家粮食安全。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。具体实施方式下面结合实施例对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。需本文档来自技高网...

【技术保护点】
1.小麦品种鉴别模型的构建方法，其特征在于，其包括以下步骤：/n步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本中小麦籽粒的图像信息；/n步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；/n步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；/n步骤四、用训练集中的光谱信息数据作为输入层，小麦籽粒的品种作为输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息数据对多种第一鉴别模型进行筛选，确定最优的建模方法；/n步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。/n

【技术特征摘要】
1.小麦品种鉴别模型的构建方法，其特征在于，其包括以下步骤：
步骤一、采集不同品种的小麦籽粒作为试验样本，利用高光谱成像系统采集试验样本中小麦籽粒的图像信息；
步骤二、采集步骤一得到的图像信息中的光谱信息数据、形态特征数据、纹理特征数据和颜色特征数据；
步骤三、将步骤二得到的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据分别根据SPXY法按照3:1的比例随机分配，并标记为训练集和预测集；
步骤四、用训练集中的光谱信息数据作为输入层，小麦籽粒的品种作为输出层，分别采用多种建模方法进行训练，得到多种第一鉴别模型，用预测集的光谱信息数据对多种第一鉴别模型进行筛选，确定最优的建模方法；
步骤五、分别将步骤三中训练集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合作为输入层，小麦籽粒的品种作为输出层，分别采用步骤四中得到的最优的建模方法，建立五种第二鉴别模型，用预测集中的光谱信息数据、形态特征数据、纹理特征数据、颜色特征数据，以及以上四种数据的结合，对五种第二鉴别模型进行筛选，判别率最高的第二鉴别模型即为小麦品种鉴别模型。


2.如权利要求1所述的小麦品种鉴别模型的构建方法，其特征在于，步骤二中，光谱信息数据的采集具体为：
步骤S1、提取图像信息中的感兴趣区域，以感兴趣区域内所有像素点在各波长下的平均反射率作为原始光谱信息数据；
步骤S2、对步骤S1得到的原始光谱信息数据进行预处理：在化学计量软件Unscrambler中采用多种预处理方法对步骤四的光谱信息数据进行预处理，并分别建立最小二乘回归模型，比较选取最优预处理方法；并采用最优预处理方法对原始光谱信息数据进行预处理，得到预处理后的原始光谱信息数据；
步骤S3、对步骤S2预处理后的原始...

【专利技术属性】
技术研发人员：郭波莉，吴永清，李明，张波，张影全，
申请(专利权)人：中国农业科学院农产品加工研究所，
类型：发明
国别省市：北京;11