一种基于神经网络模型的林草种子发芽能力检测方法技术

本发明专利技术公开了一种基于神经网络模型的林草种子发芽能力检测方法，涉及林草种子检测技术领域，包括如下步骤：采种母树林上选取林草种子，获取样本中各个林草种子的特征并构建数据集；基于人工神经网络模型得到林草种子发芽能力的预测模型；依据数据集获取单个林草种子发芽能力的评估值Gea，并计算出同一样本中林草种子发芽能力的平均评估值Gep；搭建趋势预测模型，得到不同平均评估值Gep下对应的实际发芽率Q；其技术要点为：采用搭建的趋势预测模型，通过获取多组对应的实际发芽率Q和平均评估值Gep，可在模型中得到预测的曲线图形，帮助工作人员从趋势预测模型中直接获取预测的实际发芽率Q。际发芽率Q。际发芽率Q。

【技术实现步骤摘要】
一种基于神经网络模型的林草种子发芽能力检测方法


[0001]本专利技术涉及林草种子检测
，具体为一种基于神经网络模型的林草种子发芽能力检测方法。

技术介绍

[0002]林草种子是指用作下次作物生长的物品，泛指用于农业生产的繁殖器官，它是裸子植物和被植物特有的繁殖体，由种皮，胚，胚乳组成；在对林草种子进行检测时可采用基于低场脉冲磁共振技术的植物含水含油率测量仪，用于测量植物样品的含水率、含油率、水分的分布状态以及迁移变化规律，也可采用基于光化学测氧技术的种子活力测量仪，通过测量种子呼吸作用来反映种子活力，可以实现单粒种子的活力测量。
[0003]在申请公布号为CN109916838B的中国专利技术申请中，公开了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，该方法包括：获取原始高光谱成像数据；数据预处理；发芽试验，获得分组数据；选取特征波长，提取特征波长下的高光谱数据；进行标准归一化处理；利用主成分分析法进行降维；构建人工神经网络模型，得到预测模型；采集待测水稻种子的高光谱图像，得出待测水稻种子发芽能力的预测结果。
[0004]在以上专利技术申请中，虽然结合高光谱成像和人工神经网络完成了对待测水稻种子发芽能力的预测，但是其无法根据用户的实际需求进行预测处理，对于预测结果的准确性也得不到进一步的提高。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于神经网络模型的林草种子发芽能力检测方法，通过确定林草种子深层表型特征和判定是否超过预警阈值的方式，对单个林草种子发芽能力的评估值Gea进行有效的筛选，提高对平均评估值Gep计算的精准度，采用搭建的趋势预测模型，通过获取多组对应的实际发芽率Q和平均评估值Gep，可在模型中得到预测的曲线图形，帮助工作人员从趋势预测模型中直接获取预测的实际发芽率Q，在模型中切换不同的模式以应对用户的实际需求，解决了
技术介绍
中提出的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于神经网络模型的林草种子发芽能力检测方法，包括如下步骤：
[0010]从采种母树林上选取林草种子，依据林草种子深层表型特征确定对应的林草种子是否存活，提取存活的林草种子作为样本，获取样本中各个林草种子的特征并构建数据集；其中获取到林草种子的特征包括：林草种子湿度R、种子重量M以及林草种子表面纹理因子μ；
[0011]搭建人工神经网络模型，将数据集按照预定比例分为训练集和测试集，根据训练集对人工神经网络模型进行训练，并使用测试集对人工神经网络模型进行测试，采用梯度
下降法调整人工神经网络模型的参数，直至达到性能预期目标，基于人工神经网络模型得到林草种子发芽能力的预测模型；
[0012]具体的，人工神经网络模型的设计包含网络结构和参数；其中的网络结构指输入层、隐藏层、输出层的连接方式和节点数量，本申请中采用的网络结构为循环神经网络，参数则包含激活函数和损失函数，激活函数是网络中对神经元输出值进行非线性转换的函数，可选用Sigmoid，损失函数是网络中对网络性能进行评价和优化的指标，可选用交叉熵；要为人工神经网络模型提供合适的结构和参数，在优化模型性能的同时，保证模型的有效性和泛化性，这是神经网络模型设计中必不可少的环节；由于在模型训练过程中，优化指标往往会随着训练数据的不断迭代而逐渐收敛，因此在训练过程中需要设定一个合理的性能预期目标，这个预期目标取决于模型类型和应用场景；当模型的性能达到预期时，可以认为模型已经达到了预期的性能，此时即可使用该模型对新数据进行预测处理。
[0013]依据数据集获取单个林草种子发芽能力的评估值Gea，判断单个林草种子发芽能力的评估值Gea是否超过预警阈值，提取预警阈值内的评估值Gea，并计算出同一样本中林草种子发芽能力的平均评估值Gep；需要说明的是：预警阈值为判定种子是否具有发芽能够的判断值，可通过统计对应不具发芽能力的林草种子评估值Gea的方式得到。
[0014]搭建趋势预测模型，选取至少三组样本，并同时获取各个样本的实际发芽率Q和林草种子发芽能力的平均评估值Gep，建立预测曲线图形，从而得到不同平均评估值Gep下对应的实际发芽率Q；具体的，在趋势预测模型中若是需要提高输出结果的精度，则可增加选取样本的数量。
[0015]进一步的，在规则引擎中确定采种母树林选取林草种子的数量n≤100，选定样本中林草种子数量n为100的情况下，若是提取到存活的林草种子数量n＜100，则继续从采种母树林选取林草种子，确定存活后提取作为样本，直至林草种子数量n达到100。
[0016]进一步的，所述林草种子深层表型特征为种子的三维结构，且林草种子深层表型特征的获取方式为借助显微CT表型测量仪，确定对应的林草种子是否存活的依据为林草种子的胚是否存在；若存在，则判定对应的林草种子存活，若不存在，则判定对应的林草种子无法存活，并不具有发芽能力。
[0017]进一步的，获取林草种子湿度R的方式为采用非破坏性测量技术，非破坏性测量技术至少包括：电容法、红外线辐射测湿法以及磁共振法，具体可选用电容法获取林草种子湿度R，获取种子重量M的方式为通过称重器直接称取。
[0018]进一步的，获取林草种子表面纹理因子μ的步骤为：
[0019]对样本中的各个林草种子表面进行水洗，直至杂质去除；
[0020]采用扫描电子显微镜获取林草种子表面的纹理图像；
[0021]通过图像分割技术对纹理图像中的纹理区域进行提取，经过滤波处理后获取纹理特征；
[0022]使用灰度共生矩阵算法计算出纹理特征的对比度，即林草种子表面纹理因子μ。
[0023]进一步的，获取林草种子湿度R、种子重量M以及林草种子表面纹理因子μ，无量纲化处理后，获取单个林草种子发芽能力的评估值Gea；
[0024]其中，单个林草种子发芽能力的评估值Gea的获取方式如下：
[0025][0026]其中，α和β均为可变更常数参数，0.38≤α≤0.72，0.42≤β≤0.58，且α+β＝1，其具体值由用户调整设置，C2为常数修正系数；
[0027]获取同一样本中林草种子发芽能力的平均评估值Gep的方式为：
[0028][0029]其中，Gea1表示样品中第一颗林草种子发芽能力的评估值，Gea2表示样品中第二颗林草种子发芽能力的评估值，Gea
n
表示样品中第n颗林草种子发芽能力的评估值。
[0030]进一步的，获取样本实际发芽率Q的具体步骤为：
[0031]将样本中的各个林草种子浸泡在含有荧光素、糖和营养物质的溶液中；
[0032]待到林草种子发芽后，荧光素会结合到发芽部位，形成荧光斑点；
[0033]得到荧光斑点数目L后，通过如下方式即可获取样本的实际发芽率Q：
[0034][0035]其中，n为选定样本中林草种子的数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的林草种子发芽能力检测方法，其特征在于：包括如下步骤：从采种母树林上选取林草种子，依据林草种子深层表型特征确定对应的林草种子是否存活，提取存活的林草种子作为样本，获取样本中各个林草种子的特征并构建数据集；其中获取到林草种子的特征包括：林草种子湿度R、种子重量M以及林草种子表面纹理因子μ；搭建人工神经网络模型，将数据集按照预定比例分为训练集和测试集，根据训练集对人工神经网络模型进行训练，并使用测试集对人工神经网络模型进行测试，采用梯度下降法调整人工神经网络模型的参数，直至达到性能预期目标，基于人工神经网络模型得到林草种子发芽能力的预测模型；依据数据集获取单个林草种子发芽能力的评估值Gea，判断单个林草种子发芽能力的评估值Gea是否超过预警阈值，提取预警阈值内的评估值Gea，并计算出同一样本中林草种子发芽能力的平均评估值Gep；搭建趋势预测模型，选取至少三组样本，并同时获取各个样本的实际发芽率Q和林草种子发芽能力的平均评估值Gep，建立预测曲线图形，从而得到不同平均评估值Gep下对应的实际发芽率Q。2.根据权利要求1所述的一种基于神经网络模型的林草种子发芽能力检测方法，其特征在于：在规则引擎中确定采种母树林选取林草种子的数量n≤100，选定样本中林草种子数量n为100的情况下，若是提取到存活的林草种子数量n＜100，则继续从采种母树林选取林草种子，确定存活后提取作为样本，直至林草种子数量n达到100。3.根据权利要求1所述的一种基于神经网络模型的林草种子发芽能力检测方法，其特征在于：所述林草种子深层表型特征为种子的三维结构，且林草种子深层表型特征的获取方式为借助显微CT表型测量仪，确定对应的林草种子是否存活的依据为林草种子的胚是否存在；若存在，则判定对应的林草种子存活，若不存在，则判定对应的林草种子无法存活，并不具有发芽能力。4.根据权利要求1所述的一种基于神经网络模型的林草种子发芽能力检测方法，其特征在于：获取林草种子湿度R的方式为采用非破坏性测量技术，非破坏性测量技术至少包括：电容法、红外线辐射测湿法以及磁共振法，获取种子重量M的方式为通过称重器直接称取。5.根据权利要求1所述的一种基于神经网络模型的林草种子发芽能力检测方法，其特征在于：获取林草种子表面纹理因子μ的步骤为：首先：对样本中的各个林草种子表面进行水洗，直至杂质去除；其次：采用扫描电子显微镜获...

【专利技术属性】
技术研发人员：赵晨光，李慧瑛，鱼腾飞，朱雅娟，张斌武，韩拓，王文舒，谢宗才，马扎雅泰，刘俊良，赵静，邱东，张琪，罗炜，张宝军，唐好洁，张炜，代雪林，张雅丽，白甜，
申请(专利权)人：阿拉善盟林业草原研究所阿拉善盟林业调查规划中心，阿拉善荒漠研究中心，
类型：发明
国别省市：