基于卷积神经网络和高光谱成像的玉米品种鉴别方法技术

一种基于卷积神经网络和高光谱成像的玉米品种鉴别方法，提取玉米种子感兴趣区域内平均光谱作为原始光谱数据，经样本预处理和样本降维后获取玉米种子特征波段，由数据重塑、卷积层提取以及结果预测三部分组建鉴别模型，以玉米种子特征波段为鉴别模型输入，以玉米品种作为鉴别模型输出，获得玉米品种鉴别结果。本发明专利技术利用高维特征映射的方法将特征波段映射至高维空间后将其重塑为三维图像特征，使用多层卷积神经网络鉴别三维图像特征，改变输入特征维度和模型层深度因子大小，建立玉米品种定性鉴别网络模型，能够快速准确鉴别玉米种子，可实现玉米品种的快速有效无损检测。可实现玉米品种的快速有效无损检测。可实现玉米品种的快速有效无损检测。

【技术实现步骤摘要】
基于卷积神经网络和高光谱成像的玉米品种鉴别方法


[0001]本专利技术涉及农作物种子品种鉴别
，具体涉及基于卷积神经网络和高光谱成像的玉米品种鉴别方法。

技术介绍

[0002]玉米是我国重要的粮食作物之一，黄淮海玉米生产区在我国粮食生产上占有重要地位。在玉米种植过程中选择合适的玉米品种是实现高产的关键环节。在农业实际生产中，玉米品种很难通过肉眼观察准确区分。因此，对玉米品种的准确高效、快速鉴别具有重要研究意义和应用价值。
[0003]目前，我国种子交易市场上品种日益繁多，存在不法商家造假、以次充好现象。传统种子品种鉴别包括人工鉴别、田间种植鉴别、电泳检测、生理和化学鉴定等方法，但这些方法不仅存在检测效率低下、劳动强度较大等问题，且检测结果易受各种因素影响，例如，人为经验主观判断、种子颜色、种子外形及纹理特征等客观因素，鉴别准确率不能保证，而且，在玉米种子收获过程中，不同玉米品种间未设置隔离区，导致农业机械作业时将玉米种子混杂，也为企业和农民的育种工作带来较大困难。

技术实现思路

[0004]本专利技术的目的在于提供基于卷积神经网络和高光谱成像的玉米品种鉴别方法，通过采集系统获取高光谱数据，将特征波段映射至高维空间后将其重塑为三维图像特征，使用卷积神经网络鉴别三维图像特征，改变输入特征维度和模型层深度因子大小，建立玉米品种鉴别网络模型，能够快速准确鉴别玉米种子，可实现玉米品种的快速有效无损检测。
[0005]本专利技术为了达到上述目的所采用的技术方案是：
[0006]基于卷积神经网络和高光谱成像的玉米品种鉴别方法，包括以下步骤，
[0007]步骤1、样本图像采集：将玉米种子整齐排列在自稳定扫描平台上，通过高光谱成像仪获取玉米种子的样本图像；
[0008]步骤2、感兴趣区域选取：对步骤1获取的玉米种子样本图像进行校正，在每个种子样本图像的胚面中心选取矩形感兴趣区域，提取该区域内平均光谱作为原始光谱数据；
[0009]步骤3、光谱数据预处理：确定949.43～1709.49nm作为原始光谱数据中的光谱有效波段，依次采用SG平滑法和最大归一化法对光谱有效波段进行预处理，得到预处理后的样本；
[0010]步骤4、数据降维：对步骤3预处理后的样本采用连续投影算法和竞争性自适应重加权算法分别提取特征波长，组合所提取特征波长，获得玉米种子特征波段；
[0011]步骤5、建模及玉米品种鉴别：
[0012]由数据重塑、卷积层提取以及结果预测三部分组建鉴别模型，以步骤4获取的玉米种子特征波段为鉴别模型输入，以玉米品种作为鉴别模型输出，获得玉米品种鉴别结果，其中，数据重塑部分采用全连接层将步骤4获取的玉米种子特征波段映射为不同大小的高维
特征，再将其重塑为图像形状，卷积层提取部分采用多层卷积神经网络，结果预测部分采用自适应最大池化操作和Softmax输出预测结果。
[0013]作为本专利技术的一种优选方案，步骤1中通过高光谱成像仪获取玉米种子样本图像的过程中：于获取前，将高光谱成像仪预热30min，并设置系统参数，其中，曝光时间为8.50ms、数据采集频率为50Hz、高光谱相机镜头与自稳定扫描平台间距为32cm。
[0014]作为本专利技术的一种优选方案，步骤3中设置SG平滑的平滑点数为3。
[0015]作为本专利技术的一种优选方案，步骤4中采用竞争性自适应重加权算法提取特征波长时设置蒙特卡洛采样次数为50，采用5折交叉验证法提取特征波长，采用连续投影算法提取特征波长时设置优选最大波长数目为20。
[0016]作为本专利技术的一种优选方案，步骤5中，鉴别模型的输入特征维度为768，层深度因子为1。
[0017]作为本专利技术的一种优选方案，步骤5中，鉴别模型建立前将步骤4所获得的玉米种子特征波段按2:1的比例划分训练集和测试集。
[0018]作为本专利技术的一种优选方案，步骤5中，卷积层提取部分采用5层卷积神经网络。
[0019]本专利技术有益效果：
[0020]本专利技术利用高维特征映射的方法将特征波段映射至高维空间后将其重塑为三维图像特征，使用多层卷积神经网络鉴别三维图像特征，改变输入特征维度和模型层深度因子大小，建立玉米品种定性鉴别网络模型，得到玉米种类鉴别效果最优模型。当模型输入特征维度dimension＝768和层深度因子d＝1.0时，玉米种类鉴别准确率96.65％，在GPU环境下检测帧率可达1000Fps/s，可实现对玉米品种的快速有效无损检测，为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。
附图说明
[0021]图1为本专利技术使用的检测装置结构示意图；
[0022]图2为本专利技术使用的数据分析方法流程图；
[0023]图3为本专利技术CNN模型整体网络结构；
[0024]图4为不同模型的Recall、Precision对比结果图；
[0025]图5为鉴别模型输入特征维度dimension＝768和层深度因子d＝1.0时的混淆矩阵图。
[0026]图中标记：1、暗箱；2、高光谱相机；3、光源；4、农作物种子；5、自稳定扫描平台；6、底座；7、光纤；8、计算机。
具体实施方式
[0027]下面结合附图和具体实施方式对本专利技术作进一步说明，在本专利技术的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0028]请参阅图1至图5所示，本专利技术提供一种基于卷积神经网络和高光谱成像的玉米品
种鉴别方法，包括以下步骤。
[0029]步骤1、样本图像采集：将玉米种子整齐排列在自稳定扫描平台上，通过高光谱成像仪获取玉米种子的样本图像，采集样本图像时，采用图1所示的采集装置，该装置主要包括高光谱相机2、光源3、自稳定扫描平台5、光纤7、暗箱1和一台装有与高光谱相机2配套的图像采集软件Lumo Scanner的计算机8，图像采集软件采用Lumo Scanner，图像校正及感兴趣区域选取软件是ENVI5.3数据处理软件，采用的数据分析软件是MATLAB2018b和The Unscrambler X10.4，分类模型采用Pytorch框架搭建，硬件平台为Intel(R)Xeon(R)Silver4210R，主频3.5GHz，内存为32GB，显卡型号为NIVIDIA GeForce RTX 2080Ti GPU，显存为16GB，软件平台为Pycharm2020.2、CUDNN7.4.1.5、Python3.8、pytorch1.2。
[0030]采集时，光纤7一端与高光谱相机2连接，一端与计算机3连接，自稳定扫描平台5直接与计算机3连接，通过图像采集软件Lumo 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络和高光谱成像的玉米品种鉴别方法，其特征在于，包括以下步骤，步骤1、样本图像采集：将玉米种子整齐排列在自稳定扫描平台上，通过高光谱成像仪获取玉米种子的样本图像；步骤2、感兴趣区域选取：对步骤1获取的玉米种子样本图像进行校正，在每个种子样本图像的胚面中心选取矩形感兴趣区域，提取该区域内平均光谱作为原始光谱数据；步骤3、光谱数据预处理：确定949.43~1709.49nm作为原始光谱数据中的光谱有效波段，依次采用SG平滑法和最大归一化法对光谱有效波段进行预处理，得到预处理后的样本；步骤4、数据降维：对步骤3预处理后的样本采用连续投影算法和竞争性自适应重加权算法分别提取特征波长，组合所提取特征波长，获得玉米种子特征波段；步骤5、建模及玉米品种鉴别：由数据重塑、卷积层提取以及结果预测三部分组建鉴别模型，以步骤4获取的玉米种子特征波段为鉴别模型输入，以玉米品种作为鉴别模型输出，获得玉米品种鉴别结果，其中，数据重塑部分采用全连接层将步骤4获取的玉米种子特征波段映射为不同大小的高维特征，再将其重塑为图像形状，卷积层提取部分采用多层卷积神经网络，结果预测部分采用自适应最大池化操作和Softmax输出预测结果。2.如权利要求1所述基于卷积神经网络...

【专利技术属性】
技术研发人员：张伏，张方圆，王顺青，王新月，苗坤霖，熊瑛，吕强，张亚坤，王甲甲，杨宁，张晓东，王亚飞，付三玲，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：