基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统技术方案

基于近红外光谱和1D

【技术实现步骤摘要】
基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法及系统


[0001]本专利技术属于农作物真实性鉴定
，涉及一种基于近红外光谱和1D
‑
In
‑
Resnet 网络的单籽粒品种鉴定方法及系统。

技术介绍

[0002]水稻、小麦和玉米是中国主要的粮食作物。品种很大程度影响着这些作物的种子和其加工品的质量和产量。目前市场上的水稻品种成千上万、小麦和玉米品种也数目繁多，以次充好、掺杂使假的现象时有发生，给相关种子行业从业者生产加工的种子质量安全带来损害，同时也不利于下游粮食行业的粮食安全以及良好的按品质论价的市场秩序的形成。为保障种子和粮食质量安全，引导良好市场按质论价机制的形成，对作物籽粒的品种鉴定十分必要。然而，传统的作物品种真实性鉴定技术如DNA分子鉴定、同工酶鉴定、田间鉴定等方法存在操作复杂、检测结果耗时、损伤样品、污染环境、检测结果有滞后性的缺点，尤其在待测样本多且需要同时区分多个品种真实性的时候这些方法的工作量巨大。根据农业农村部2016年的农业主导品种和主推技术的通知，当年主推的水稻品种就有30个之多；而根据国家水稻数据中心的数据显示，仅2020年审定的水稻品种就有572个。市场上存在的大量的普通水稻品种，给有代表性的优质水稻品种的选育和种植时的质量控制带来困难。因此，亟需开发新的准确、不损伤样本且可同时高效识别大量水稻品种的分析技术十分必要。
[0003]目前，近红外光谱技术作为一种新兴的材料成分检测技术，具有快速、无损、高灵敏度等特点。由于以检测产品的有机组分为原理，而不同品种的常规稻水稻种子、小麦和玉米种子之间的有机组分均具有不同程度的差异，使得基于近红外的作物籽粒的品种真实性判定具备可行性。公开日期为2019年2月的文献《Innovative and rapid analysis forrice authenticity using hand
‑
held NIRspectrometry and chemometrics》公开了利用手持式光谱仪对3个不同产地的水稻进行真实性鉴定。公开日期为2018年的文献《基于近红外光谱与SIMCA和PLS
‑
DA的水稻品种鉴别》公开了采用近红外光谱技术分别结合SIMCA 和偏最小二乘法判别分析法(PLS
‑
DA)对4个水稻品种进行鉴别。
[0004]然而，前人研究主要基于少数的几个品种进行判别，鲜有对更多品种同时准确光谱判别的研究报道。因此，为满足种子和粮食行业同时识别大量作物的品种真实性的需求，还需要开发新的更有效的适合解析光谱大数据的分析算法。由于计算机技术和机器学习技术的快速发展，卷积神经网络作为一种有效的深度学习算法已逐渐被应用于近红外光谱分析上，使得基于近红外光谱大数据的多个作物品种的真实性同时判别成为可能。在此基础上，通过进一步优化网络结构和参数，在提高鉴定准确率的同时，可同时判别的品种类别也比前人报道的更多，具有更广泛的应用前景。

技术实现思路

[0005]本专利技术的目的在于如何设计一种基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒
品种鉴定方法及系统，以解决现有技术的单籽粒品种鉴定方法复杂、耗时、精度低的问题。
[0006]本专利技术是通过以下技术方案解决上述技术问题的：
[0007]基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，包括以下步骤：
[0008]获取待鉴定作物单籽粒的近红外光谱，并对近红外光谱数据进行归一化预处理；
[0009]构建1D
‑
In
‑
Resnet网络模型，所述的1D
‑
In
‑
Resnet网络模型包括：输入层、卷积层、池化层、3个全连接层和输出层，其中卷积层为2个支路，第一支路1个卷积层，第二支路2个卷积层，每一卷积层后面加上BN正则化，经过Relu激活函数，将两个支路的输出进行合并，输出结果与原始数据进行相加，再经过最大池化后展平，输入全连接层，全连接层共有3层，每层节点数选在0～1000之间，最后输出分类结果；
[0010]利用近红外光谱对1D
‑
In
‑
Resnet网络模型进行训练；
[0011]利用训练后的1D
‑
In
‑
Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别，得到真实性预测结果。
[0012]本专利技术的技术方案通过获取单粒待鉴定作物籽粒的近红外光谱；对所述近红外光谱数据进行归一化预处理；利用所述近红外光谱对所述构建的1D
‑
In
‑
Resnet网络模型进行训练；通过训练后的所述1D
‑
In
‑
Resnet网络模型对需要分类的作物单籽粒光谱进行品种真实性识别，获得品种真实性预测结果；可同时实现多个作物品种真实性的快速、准确判别，通过多分支的卷积层，提取不同尺度的特征，提升模型同时识别多个品种的作物籽粒真实性的准确性。
[0013]作为本专利技术技术方案的进一步改进，所述的对近红外光谱数据进行归一化预处理的方法为：
[0014]对输入的近红外光谱数据进行预处理操作，采用Z
‑
score标准化，对数据集每列数据求均值和标准差，基于原始数据的均值和标准差进行数据的标准化，新数据＝(原数据
‑
均值)/标准差，均值和标准差计算公式如下：
[0015][0016][0017]其中，为第i个品种的第j条光谱数据，N为品种数目，μ
(i)
为均值，σ
(j)
为标准差。
[0018]作为本专利技术技术方案的进一步改进，所述的利用近红外光谱对1D
‑
In
‑
Resnet网络模型进行训练的方法为：每次训练前对数据集进行初始归一化处理，1D
‑
In
‑
Resnet网络模型的训练中采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数，使得当迭代次数达到500epoch时训练结束。
[0019]作为本专利技术技术方案的进一步改进，所述的损失函数的公式如下：
[0020][0021]其中，y
i
为第i个样品真实值，y_predicted
i
为第i个样品预测值。
[0022]作为本专利技术技术方案的进一步改进，所述的随机梯度下降法具体为：每一次迭代中使用样本进行学习参数和更新，每一代的学习参数和更新的公式如下：
[0023]W
t+1
＝W
t
‑
η
t
g
t (4)
[0024][0025本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，其特征在于，包括以下步骤：获取待鉴定作物单籽粒的近红外光谱，并对近红外光谱数据进行归一化预处理；构建1D
‑
In
‑
Resnet网络模型，所述的1D
‑
In
‑
Resnet网络模型包括：输入层、卷积层、池化层、3个全连接层和输出层，其中卷积层为2个支路，第一支路1个卷积层，第二支路2个卷积层，每一卷积层后面加上BN正则化，经过Relu激活函数，将两个支路的输出进行合并，输出结果与原始数据进行相加，再经过最大池化后展平，输入全连接层，全连接层共有3层，每层参数选在0～1000之间，最后输出分类结果；利用近红外光谱对1D
‑
In
‑
Resnet网络模型进行训练；利用训练后的1D
‑
In
‑
Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别，得到真实性预测结果。2.根据权利要求1所述的基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，其特征在于，所述的对近红外光谱数据进行归一化预处理的方法为：对输入的近红外光谱数据进行预处理操作，采用Z
‑
score标准化，对数据集每列数据求均值和标准差，基于原始数据的均值和标准差进行数据的标准化，新数据＝(原数据
‑
均值)/标准差，均值和标准差计算公式如下：均值和标准差计算公式如下：其中，为第i个品种的第j条光谱数据，N为品种数目，μ
(i)
为均值，σ
(j)
为标准差。3.根据权利要求2所述的基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，其特征在于，所述的利用近红外光谱对1D
‑
In
‑
Resnet网络模型进行训练的方法为：每次训练前对数据集进行初始归一化处理，1D
‑
In
‑
Resnet网络模型的训练中采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数，使得当迭代次数达到500epoch时训练结束。4.根据权利要求3所述的基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，其特征在于，所述的损失函数的公式如下：其中，y
i
为第i个样品真实值，y_predicted
i
为第i个样品预测值。5.根据权利要求4所述的基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定方法，其特征在于，所述的随机梯度下降法具体为：每一次迭代中使用样本进行学习参数和更新，每一代的学习参数和更新的公式如下：W
t+1
＝W
t
‑
η
t
g
t
ꢀꢀ
(4)其中，t为迭代的次数，g
t
为t时刻更新的参数，W
t
为t时刻的模型参数，η
t
为学习率，J(W)
为代价函数，i
s
表示随机选择的一个梯度方向。6.基于近红外光谱和1D
‑
In
‑
Resnet网络的单籽粒品种鉴定系统，其特征在于，包括：近红外光谱...

【专利技术属性】
技术研发人员：王琦，李晓红，吴跃进，张鹏飞，徐琢频，程维民，范爽，王海萍，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：