一种基于深度卷积神经网络识别种子品种的方法技术

本发明专利技术属于农产品种子无损检测的技术领域，公开了一种基于深度卷积神经网络识别种子品种的方法，包括采集同一作物不同品种种子的胚面光谱图像，并进行预处理；对预处理后的光谱数据进行归一化处理，并采用X

【技术实现步骤摘要】
一种基于深度卷积神经网络识别种子品种的方法


[0001]本专利技术涉及农产品种子无损检测的
，尤其涉及一种基于深度卷积神经网络识别种子品种的方法。

技术介绍

[0002]种子是农业生产的基础，当不同品种种子之间发生混合时，导致种子的纯度降低，这对优质种子的选择带来了困难，特别是对于那些种子形态接近的种子而言，其品种区分更难。
[0003]目前高光谱图像技术在农产品无损检测中应用的越来越广泛。其可以同时提取出对象的图像和光谱信息，还可以获得采集到的图像上每一点像素的光谱信息，有效的分析种子各部位的化学成分指标。目前已有一些利用高光谱图像技术研究种子品种的分类。由于高光谱图像的成像波段多、数据量大，大多数学者在处理数据时，经常使用波段降维方法结合传统化学计量学方法进行建模分析。在波段降维过程中，样本的有效信息可能会有丢失，有一定的不足之处。
[0004]将近年来，深度卷积神经网络在目标检测、图像分类等方面取得巨大的成功，而目前很少有利用深度学习模型对类似于光谱之类的一维数据进行分析，由于深度卷积神经网络是直接以原始数据作为输入，故不存在信息丢失的顾虑，其从大量的训练数据中自动学习相关特征，可以有效的提高识别精度。目前尚无成熟的方案将深度卷积神经网络应用在种子品种分类识别技术中，无法更进一步地提高其识别的准确率。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：现有技术存在检测样本有效信息丢失的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种基于深度卷积神经网络识别种子品种的方法，包括：
[0009]采集同一作物不同品种种子的胚面光谱图像，并进行预处理；
[0010]对预处理后的光谱数据进行归一化处理，并采用X
‑
Y共生矩阵法将种子光谱划分为训练集和预测集；
[0011]基于训练集光谱数据构建深度卷积神经网络模型，并利用预测集光谱数据进行测试，实现种子品种的识别。
[0012]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述种子的胚乳面光谱图像采集包括：
[0013]将谷物种子胚面朝上并面向光源，通过高光谱相机采集谷物种子胚面高光谱图
像。
[0014]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述预处理包括：
[0015]提取高光谱图像中谷物种子的胚部区域，将其作为感兴趣区域，选取500nm处的灰度图像，并对其进行图像阈值分割、杂点消除和闭运算，得到去除背景的仅包含谷物种子胚部区域的二值图像，利用二值图像对所述种子胚面的高光谱图像进行掩模运算获得种子胚部区域的高光谱图像。
[0016]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述预处理还包括：
[0017]获取胚乳部区域高光谱图像的平均光谱，并剔除光谱中噪声波段，并将不同品种种子光谱分为1，2
……
N类别；
[0018]剔除光谱中噪声波段后的波段光谱范围为450.26nm～978.94nm。
[0019]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述归一化处理的公式表示为：
[0020][0021]其中，X
i
为样本，X
min
为样本最小值，X
max
为样本最大值。
[0022]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：采用X
‑
Y共生矩阵法按照2:1的比例对种子光谱进行划分，包括：
[0023]X
‑
Y共生矩阵法在样本划分时，先把所有的样本都看作建模集候选样本，然后采用迭代的方法选择欧氏距离最远的两个向量对进入建模集,直到选出所要求的样本数目，所述距离公式表示为：
[0024][0025]其中，d
xy
(m，n)为欧式距离，dx(m，n)为光谱距离，dy(m，n)为各类别特征距离。
[0026]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述深度卷积神经网络模型，包括输入层、卷积层、池化层、全连接层以及softmax层；
[0027]利用所述训练集光谱数据为数据输入层，卷积层通过部分区域选取同样的权值参数进行计算，获取数据的重要特征，池化层在保持特征不变的基础上，对数据进行降维，并通过全连接层连接至网络，最后输出至softmax层得到输出结果。
[0028]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：所述深度卷积神经网络的结构，包括：
[0029]两个卷积模块，每个卷积模块中有两个卷积层和一个最大池化层，每层的卷积核个数为16，大小为3，步幅为1，卷积层选用ReLU激活函数，在使用两个卷积层之后，对模型进行批量标准化，之后再连接最大池化层，其大小为2，步幅为2，之后连接池化层，采样步幅为2；两个卷积块的大小一样，之后接入全连接模块；
[0030]一个全连接模块，全连接模块中包括一个全连接层和dropout层，全连接层有100个连接块，选用ReLU激活函数，dropout层的丢包率为0.5；
[0031]所述ReLU激活函数，表示为：
[0032]f(x)＝max(0，x)。
[0033]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：全连接模块之后，连接为N个连接块，使用softmax作为分类函数，其输出的结果连接到全连接网络上。
[0034]作为本专利技术所述的基于深度卷积神经网络识别种子品种的方法的一种优选方案，其中：对所述深度卷积神经网络模型利用预测集数据进行测试，当识别准确率大于90％时，可以实现种子品种的识别。
[0035]本专利技术的有益效果：本专利技术提供的一种基于深度卷积神经网络识别种子品种的方法将传统的应用在二维图像上的深度卷积神经网络引入到一维光谱数据分类问题中来，解决了现有的分类方法中需要进行光谱波段降维或者压缩的复杂处理的问题，充分利用了谱信息，将原始数据不经过任何处理输入到深度卷积神经网络模型中，使模型自主从数据中学习相关特征，提高了分类精度。可批量无损预测单粒作物种子的品种归属情况。
附图说明
[0036]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络识别种子品种的方法，其特征在于，包括：采集同一作物不同品种种子的胚面光谱图像，并进行预处理；对预处理后的光谱数据进行归一化处理，并采用X
‑
Y共生矩阵法将种子光谱划分为训练集和预测集；基于训练集光谱数据构建深度卷积神经网络模型，并利用预测集光谱数据进行测试，实现种子品种的识别。2.如权利要求1所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述种子的胚乳面光谱图像采集包括：将谷物种子胚面朝上并面向光源，通过高光谱相机采集谷物种子胚面高光谱图像。3.如权利要求2所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述预处理包括：提取高光谱图像中谷物种子的胚部区域，将其作为感兴趣区域，选取500nm处的灰度图像，并对其进行图像阈值分割、杂点消除和闭运算，得到去除背景的仅包含谷物种子胚部区域的二值图像，利用二值图像对所述种子胚面的高光谱图像进行掩模运算获得种子胚部区域的高光谱图像。4.如权利要求3所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述预处理还包括：获取胚乳部区域高光谱图像的平均光谱，并剔除光谱中噪声波段，并将不同品种种子光谱分为1，2
……
N类别；剔除光谱中噪声波段后的波段光谱范围为450.26nm～978.94nm。5.如权利要求4所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述归一化处理的公式表示为：其中，X
i
为样本，X
min
为样本最小值，X
max
为样本最大值。6.如权利要求5所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：采用X
‑
Y共生矩阵法按照2:1的比例对种子光谱进行划分，包括：X
‑
Y共生矩阵法在样本划分时，...

【专利技术属性】
技术研发人员：宋艳龙，张俊，杨海洋，陈如清，钟蕊，周倜，
申请(专利权)人：嘉兴南湖学院，
类型：发明
国别省市：