基于呼吸代谢与深度学习的种子活力评价方法技术

本发明专利技术公开了基于呼吸代谢与深度学习的种子活力评价方法，包括以下步骤：获取特征呼吸信息，包括呼吸速率

【技术实现步骤摘要】
基于呼吸代谢与深度学习的种子活力评价方法


[0001]本专利技术属于种子活力评价领域，特别涉及基于呼吸代谢与深度学习的种子活力评价方法
。

技术介绍

[0002]种子的呼吸表现形式可能与其化学成分有关，然而对种子呼吸的物质成因
、
影响种子活力的化学成分并未进行深入研究
。
事实上种子活力首先是由基因型决定的
。
不同种子由于大小
、
结构
、
形态和发芽等遗传特性不同，其活力水平也会有较大的差异，种子内的化学成分不同，其内部的控制基因不同从而影响种子活力，种子形成过程中各器官营养源源不断地输送到最终的归处，各物质组分含量在种子贮藏过程中时刻都在发生变化
。
例如水稻的主要成分是淀粉类
、
蛋白质
、
脂类
、
水
、
酶及其它物质
。
淀粉类是种子的主要贮藏物质，是种子生命活动的主要呼吸基质；蛋白质是种子结构物质和种子贮藏物质；脂类可以限制种子的透水性，保持种子的生活力；酶也是影响种子发芽的重要指标
。
综上，虽然影响种子活力的因素有很多，但化学成分是其最重要影响因素之一
。
由于不同种子的化学成分不同，其理化性质有差异，内部的控制基因也不同，从而种子的活力也不相同
。
[0003]目前，利用呼吸检测方法进行种子活力评价的研究主要为：利用耗氧
(O2)
检测的氧传感技术，以及利用释碳
(CO2)
检测的
TDLAS
技术，但上述技术还存在以下几个技术难题或理论难题需要完善：
[0004](1)
在技术层面上，存在以下几个问题：
[0005]①
种子活力梯度相差较小时，呼吸曲线的斜率等指标差异也较小，单靠呼吸强度
、
呼吸曲线的斜率等特征值进行活力判定
、
区分度不大，容易出现较大误差；
[0006]②
同一批种子，其多次测量的呼吸曲线存在差异，单独采用一次测量进行活力评价则容易造成结果被误判为不同活力等级；
[0007]③
采用氧传感技术等对种子萌发阶段进行测量，需破坏种子，属于有损测量；
[0008]④
种子呼吸强度也与温度
、
化学成分
、
贮存时间有关，并且同一品种种子在不同产地
、
不同年份其活力也有区别，其呼吸强度等特征也会相应变化，前述的氧传感技术
、TDLAS
检测技术等并未对此进行修正，检测结果或具有局限性；
[0009]⑤
目前的检测模型在进行活力分级时，主要采用相关性系数
、
回归模型等统计学方法进行，在小样本情况下尤其简便性，但在面对大量数据时其分级能力则力不从心，更关键的是传统统计方法不能够进行活力分级预测
、
也未能缩减检测时间，因此有必要进一步优化活力分级模型从而提高预测精度和速度预测时间，以达到快速分级
。
[0010](2)
在理论机理层面上，目前的技术还存在以下几个问题：
[0011]①
在检测机理研究上，利用耗氧和释碳的方法进行种子活力检测，大多基于对实验现象进行统计
(
小样本统计
)
，其活力本质的物质机理是否能够支撑实验现象并未知，如体现种子活力相关的主要化学成分在种子呼吸代谢中是否占据主导地位，这些化学成分与呼吸的相关性
、
与活力的相关性是否存在一致性，可否对种子呼吸
、
化学成分与种子活力建
立映射关系进行定量分析，从而可以从物质机理上验证种子呼吸对种子活力检测的理论可行性
。
[0012]②
在活力特征信息选择上，采用单一的耗氧或释碳进行活力检测，所选择的特征信息主要集中于呼吸强度
、
呼吸速率
、
氧气消耗速率
(OMR)、
氧气压强等信息，其特征信息与活力相关性的定量分析误差较大，活力特征信息不够全面且呼吸强度
、
呼吸速率
、
压强等信息均属于“点”的一维特征信息，而相对于呼吸曲线构成的“面”特征具有天然劣势；
[0013]③
在检测模型研究上，检测模型鲁棒性不强
。
由于种子的特征信息
、
呼吸强度等属性，容易受不同地域
、
年份的影响，同一品种的样本种子在不同年份
、
不同产地下的特征属性也会产生变化，但事实无法做到全样本采集，从而导致检测模型的稳定性不够，检测模型缺乏泛化适用性
。

技术实现思路

[0014]针对现有技术存在的技术问题，本专利技术的目的在于提供基于呼吸代谢与深度学习的种子活力评价方法
。
[0015]为了实现上述目的，本专利技术采用了如下技术方案：
[0016]基于呼吸代谢与深度学习的种子活力评价方法，包括以下步骤：
[0017]S1、
获取特征呼吸信息；
[0018]S2、
构建呼吸特征种子活力检测模型；
[0019]S3、
构建自适应更新的种子活力检测模型，并进行训练；
[0020]S4、
将待测样本输入训练后的自适应更新的种子活力检测模型中，输出种子活力评价结果
。
[0021]优选地，所述步骤
S1
中，获取特征呼吸信息，具体包括以下步骤：
[0022]A11、
通过种子呼吸试验实时监测种子呼吸代谢中的消耗的氧气和释放的二氧化碳，简称耗氧和释碳；
[0023]A12、
采用高分辨率的
TDLAS
检测系统，对种子呼吸过程耗氧和释碳进行
(
连续高分辨的
)
实时监测，根据耗氧和释碳
、
水分特征绘制耗氧和释碳曲线；
[0024]A13、
从绘制的耗氧和释碳曲线中提取特征呼吸信息
。
[0025]优选地，所述特征呼吸信息包括呼吸速率
、
呼吸强度
、
呼吸熵
、
呼吸曲线与坐标轴截面积
、
呼吸曲线交点
、
及其变化率
。
[0026]优选地，所述步骤
S2
中，构建呼吸特征种子活力检测模型，具体步骤包括：
[0027]第一阶段：将种子呼吸试验中获取的特征呼吸信息与活力进行相关性分析，通过人工神经网络验证出特征呼吸信息与活力确实相关，建立呼吸特征值与活力相关性模型，即
Model 1
；
[0028]第二阶段：将特征呼吸信息作为第一阶段
Model 1
的输入，种子活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，包括以下步骤：
S1、
获取特征呼吸信息；
S2、
构建呼吸特征种子活力检测模型；
S3、
构建自适应更新的种子活力检测模型，并进行训练；
S4、
将待测样本输入训练后的自适应更新的种子活力检测模型中，输出种子活力评价结果
。2.
根据权利要求1所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，所述步骤
S1
中，获取特征呼吸信息，具体包括以下步骤：
A11、
通过种子呼吸试验实时监测种子呼吸代谢中的耗氧以及释碳；
A12、
采用高分辨率的
TDLAS
检测系统，对种子呼吸过程耗氧和释碳进行实时监测，根据耗氧和释碳绘制耗氧和释碳曲线；
A13、
从绘制的耗氧和释碳曲线中提取特征呼吸信息
。3.
根据权利要求1所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，所述特征呼吸信息包括呼吸速率
、
呼吸强度
、CO2产生量
、O2吸收量
、
呼吸熵
、
呼吸曲线与坐标轴截面积
、
呼吸曲线交点
。4.
根据权利要求1所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，所述步骤
S2
中，构建呼吸特征种子活力检测模型，包括以下两个阶段：第一阶段：将种子呼吸试验中获取的特征呼吸信息与活力进行相关性分析，通过人工神经网络验证出特征呼吸信息与活力确实相关，建立呼吸特征值与活力相关性模型，即
Model 1
；第二阶段：将特征呼吸信息作为第一阶段
Model 1
的输入，种子活力等级作为输出，建立基本的多特征融合的种子活力检测模型；再将输出的耦合种子活力等级和标准发芽测试的标准活力等级进行比较，计算误差和，并评估误差精度是否达到要求，修正检测模型，通过不断的“耦合
‑
计算误差
‑
修正
‑
再耦合”的循环迭代过程，调整非线性映射函数，使误差控制在可接受的置信区内，一旦形成映射函数，就构建了呼吸特征种子活力检测模型，即
Model 2。5.
根据权利要求1所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，所述步骤
S3
中，构建自适应更新的种子活力检测模型，具体步骤为：首先预备候选样本，在添加候选样本之后建立分类预测模型，并进行分类预测模型的筛选，得到最优超平面；然后计算候选样本到当前最优超平面的距离，更新训练样本和候选样本，根据更新的候选样本建立新的
SVM
模型，再根据
SVM
模型的建立效果查看是否达到预期效果，将合适样本融合形成新样本加入基础模型
Model 1
中进行自适应更新训练，通过主动适应
SVM
分类模型，在不断更新模型参数的基础上，实现对自适应更新的种子活力检测模型的训练，构建自适应更新的种子活力检测模型，即
Model 3。6.
根据权利要求5所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，在步骤
S3
中，通过主动适应
SVM
分类模型，在不断更新模型参数的基础上，实现对自适应更新的种子活力检测模型的训练，具体过程如下：针对新增样本集，首先优化模型中隐含层的超参数，调整权值与阈值，得到不同权值阈值与样本数据组合的向量，计算出所述向量相互之间的相关联程度；然后，使用函数将所述向量投射到一个新的函数空间内，再与权重矩阵
进行矩阵乘法运算，得到最终的结果；接着，通过计算当前样本与当前超平面的距离，主动学习选取距离较远的样本集和相应的权值阈值，以更新种子活力检测模型，不断重复这个自适应更新训练迭代的过程，直至达到预期的分类效果
。7.
根据权利要求6所述的基于呼吸代谢与深度学习的种子活力评价方法，其特征在于，所述自适应更新训练迭代的公式如下式所示：
ψ
n+1
＝
μ
(5.2
ψ
n
‑
21.73
ψ
n2
)+
ψ
...

【专利技术属性】
技术研发人员：贾良权，许琴，高璐，臧影，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：