一种基于CNN-SVM的玉米单倍体鉴别方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
SVM的玉米单倍体鉴别方法


[0001]本专利技术属于玉米单倍体鉴别
，具体涉及一种基于CNN
‑
SVM的玉米单倍体鉴别方法。

技术介绍

[0002]单倍体是指只具有配子染色体数目的细胞或个体，单倍体育种可以大大缩短育种周期，是现代植物育种中快速、高效的育种途径之一，在农业育种中具有重要的作用。一般玉米单倍体籽粒自然产生概率不超过0.1％，即使人工诱导也只能达到10％，导致了玉米单倍体籽粒的资源比较缺乏。从玉米籽粒中准确地分类出单倍体籽粒对于玉米育种尤为关键。
[0003]对单倍体的检测方法也有很多种，主要包括：形态学鉴定、分子标记鉴定、细胞学和解剖学鉴定、放射性方法、遗传标记鉴定。使用形态学及细胞解剖法学方法鉴定单倍体植株，虽然鉴定准确率高，但周期比较长，不利于育种过程中优良品种的快速培育。分子标记和放射性方法的技术要求和成本较高，与实际生产需要不符合。遗传标记方法可以在生育前期对单倍体进行鉴定，且技术要求和成本较低，因此成为了单倍体鉴定主流方法，在玉米单倍体中，通常使用的是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
SVM的玉米单倍体鉴别方法，其特征在于，具体包括如下步骤：步骤1：利用图像采集设备获取玉米单倍体籽粒和多倍体籽粒的多籽粒图像；步骤2：使用图像处理算法处理采集到的玉米多籽粒图像，将多籽粒图像自动切割出单籽粒图像，单籽粒图像经过分类标注和数据增强后，划分为训练样本和测试样本；步骤3：建立卷积神经网络，并将训练样本图像输入到构建的卷积神经网络中进行训练；所述卷积神经网络包括卷积层、池化层及全连接层，选用Relu激活函数，使用sigmoid分类器进行分类；步骤4：通过训练获得CNN模型：将经过步骤3的训练样本图像及图像类别输入到CNN模型中，采用sigmoid分类器来进行分类，通过反向传播不断减小误差从而调整CNN参数，训练得到最佳的CNN模型；步骤5：提取训练样本的多个特征：去掉CNN模型的sigmoid分类器，再将训练样本图像输入到CNN模型中，CNN模型通过全连接层输出训练样本的多个图像特征；步骤6：通过训练获得SVM模型：将训练样本的多个图像特征用于训练SVM模型，训练过程中采用布谷鸟搜索算法，自动确定出SVM最优的超参数C和gamma值；步骤7：提取测试样本的多个特征：将测试样本图像输入到步骤4得到的CNN模型中，CNN模型通过全连接层输出测试样本的多个特征；步骤8：输出分类结果：将测试样本的多个特征输入到步骤6得到的SVM模型中，并输出测试图像的分类结果。2.如权利要求1所述的一种基于CNN
‑
SVM的玉米单倍体鉴别方法，其特征在于，所述步骤1中的图像采集设备包括：工业相机、LED光源、载物台、支架、计算机；每幅多籽粒图像包括4行5列共20颗玉米籽粒，单倍体籽粒与多倍体籽粒分别采集15张图像，在图像采集设备中将采集的图像保存为JPEG格式。3.如权利要求1所述的一种基于CNN
‑
SVM的玉米单倍体鉴别方法，其特征在于，步骤2中所述的图像处理算法具体包括阈值处理、膨胀运算、去背景操作、感兴趣区域外接矩阵操作及图像裁剪操作；所述阈值处理用于对原始的彩色玉米籽粒图像进行初步分割；所述膨胀运算用于去除阈值分割后的图像中存在的不相关的孤立点、断点、毛刺和空洞等噪声；所述去背景操作用于消除种子图像外的背景区域。4.如权利要求3所述的一种基于CNN
‑
SVM的玉米单倍体鉴别方法，其特征在于，所述阈值处理公式如下：式中，f(i,j)代表输入图像该点的灰度值，g(i,j)代表输出图像该点的灰度值，T为所选阈值；其中，膨胀运算定义如下：
膨胀过程是先得到B的相对于...

【专利技术属性】
技术研发人员：朱一峰，周星宇，安晓峰，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：