玉米种子近似品种筛选方法技术

本发明专利技术公开一种玉米种子近似品种筛选方法

【技术实现步骤摘要】
玉米种子近似品种筛选方法、装置、设备及存储介质


[0001]本专利技术涉及玉米近似品种筛选
，尤其涉及到一种玉米种子近似品种筛选方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]玉米是重要的粮食作物之一，不同品种的玉米性状及产量存在明显差异
。
选育新品种是改良玉米产量和质量的有效手段之一
。
目前，筛选新品种主要依赖人工收集和观察玉米种子的形态特征，过程缓慢且效率较低
。
随着计算机视觉和机器学习技术的发展，采用图像分析的快速自动筛选方法具有重要应用前景
。
[0003]当前的基于传统机器学习方法的玉米近似品种筛选存在效率较低
、
准确度不高的问题
。
深度学习技术具有特征学习能力强
、
准确率高等优点，在图像分类等领域展现出良好表现
。
王小明在
《
玉米品种识别的深度学习研究
》
一文中采用卷积神经网络对玉米种子图像进行分类，取得一定效果
。
但方法过于依赖种子图像质量，对图像预处理要求高，实际应用中容易受各种因素影响，如何提高玉米近似品种筛选的鲁棒性和准确率，是当前的研究热点和难点
。
[0004]因此，如何提供一种筛选效率和筛选准确率更高的玉米种子近似品种筛选方法，是一个亟需解决的技术问题
。

技术实现思路

[0005]本专利技术的主要目的在于提供一种玉米种子近似品种筛选方法
、
装置
、
设备及存储介质，旨在解决玉米品种筛选效率较低
、
准确度有待提高的问题
。
[0006]为实现上述目的，本专利技术提供一种玉米种子近似品种筛选方法，包括以下步骤：获取样本数据集；其中，所述样本数据集包括若干组玉米种子的
RGB
图像与多光谱图像的融合数据；将所述样本数据集输入构建的基于多头自注意力机制的卷积神经网络模型进行模型训练，获得训练完成的玉米种子近似品种筛选模型；将待检测玉米种子的
RGB
图像与多光谱图像的融合数据输入所述玉米种子近似品种筛选模型，对所述待检测玉米种子的近似品种进行预测，获得玉米种子近似品种的筛选结果
。
[0007]可选的，获取样本数据集步骤，具体包括：获取玉米种子的
RGB
图像和多光谱图像，利用
YOLOV5
切割获得单颗玉米种子的
RGB
图像和多光谱图像；对单颗玉米种子的
RGB
图像和多光谱图像进行图像增强和图像融合，获得
RGB
图像与多光谱图像的融合数据；其中，所述图像增强包括对
RGB
图像和多光谱图像进行图像旋转
、
图像翻转和图像镜像等动作，所述图像融合包括对每颗玉米种子对应的
RGB
图像的3个通道和多光谱图像的
19
个通道进行合并，获得
22
个通道的融合图像数据
。
[0008]可选的，所述基于多头自注意力机制的卷积神经网络模型，具体包括：依次连接的1个卷积块，4个残差块，1个步长为2的最大池化层，1个注意力机制层，1个全连接层且激活函数使用
GELU
；其中，将所述样本数据集输入构建的基于多头自注意力机制的卷积神经网络模型进行模型训练步骤，具体包括：采用
Conv2d
卷积，
kernel_size=3
，
stride=2
，
padding=1
；经标准化和
GELU
激活后，再经过两次
kernel_size=3
，
stride=1
，
padding=1
的
Conv2d
卷积以及标准化和激活，从输入的
22
个通道的融合图像数据中提取出
64
个通道的特征输出；采用四组标准残差块，每组包含3个
Conv2d、BatchNorm2d
和
GELU
激活函数，以使输入通道数逐步倍增，通过步长为2的
Conv2d
将图片大小减半，通过在每组标准残差块后接一个
DropPath
层抽取图像特征；将标准残差块输出的
7*7*1024
特征图输入到多头自注意力模块，通过分头计算特征图之间的相关性，进行加权融合，获得
1*1*1024
的输出特征向量；将获得的
1*1*1024
的输出特征向量输入到全连接层中，经过向量变换，输出对应不同玉米品种的预测结果
。
[0009]可选的，所述
Conv2d
卷积的表达式，具体为：；其中，
x
表示输入；
w
表示卷积核；
y
表示输出；
*
表示卷积运算；
i
，
j
表示输出位置；其中，所述基于多头自注意力机制的卷积神经网络模型进行模型采用的损失函数是交叉熵损失函数，具体为：；其中，
y
表示样本的真实类别；
y'
表示模型预测的类别概率分布；
∑
表示样本求和；符号
‑
表示最小化损失
。
[0010]可选的，将标准残差块输出的
7*7*1024
特征图输入到多头自注意力模块，通过分头计算特征图之间的相关性的表达式，具体为：；；其中，
Q
，
K
，
V
分别是输入矩阵
X
经过线性投影得到的查询
、
键和值矩阵；
QK
T
计算查询和键的相关性，获得注意力矩阵；进行缩放，
d
是向量维度，防止内积过大；
Softmax
操作将相关性转化为概率分布；最后将注意力矩阵与
V
相乘即得到输出；对每个头
i
，计算；其中，，
h
是头数，将
h
个维的
head
拼接并投影到
1024
维
。
[0011]可选的，将所述样本数据集输入构建的基于多头自注意力机制的卷积神经网络模型进行模型训练，获得训练完成的玉米种子近似品种筛选模型步骤，还包括：选用优化器为
ADAM
优化器，训练参数为：学习率设置为
1e
‑3，权重衰减设置为
5e
‑4；
采用余弦退火学习率进行学习率调度，
T_max
设置为
1e
‑3，
eta_min
设置为
1e
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种玉米种子近似品种筛选方法，其特征在于，包括以下步骤：获取样本数据集；其中，所述样本数据集包括若干组玉米种子的
RGB
图像与多光谱图像的融合数据；获取样本数据集步骤，具体包括：获取玉米种子的
RGB
图像和多光谱图像，利用
YOLOV5
切割获得单颗玉米种子的
RGB
图像和多光谱图像；对单颗玉米种子的
RGB
图像和多光谱图像进行图像增强和图像融合，获得
RGB
图像与多光谱图像的融合数据；其中，所述图像增强包括对
RGB
图像和多光谱图像进行图像旋转
、
图像翻转和图像镜像等动作，所述图像融合包括对每颗玉米种子对应的
RGB
图像的3个通道和多光谱图像的
19
个通道进行合并，获得
22
个通道的融合图像数据；将所述样本数据集输入构建的基于多头自注意力机制的卷积神经网络模型进行模型训练，获得训练完成的玉米种子近似品种筛选模型；所述基于多头自注意力机制的卷积神经网络模型，具体包括：依次连接的1个卷积块，4个残差块，1个步长为2的最大池化层，1个注意力机制层，1个全连接层且激活函数使用
GELU
；其中，将所述样本数据集输入构建的基于多头自注意力机制的卷积神经网络模型进行模型训练步骤，具体包括：采用
Conv2d
卷积，
kernel_size=3
，
stride=2
，
padding=1
；经标准化和
GELU
激活后，再经过两次
kernel_size=3
，
stride=1
，
padding=1
的
Conv2d
卷积以及标准化和激活，从输入的
22
个通道的融合图像数据中提取出
64
个通道的特征输出；采用四组标准残差块，每组包含3个
Conv2d、BatchNorm2d
和
GELU
激活函数，以使输入通道数逐步倍增，通过步长为2的
Conv2d
将图片大小减半，通过在每组标准残差块后接一个
DropPath
层抽取图像特征；将标准残差块输出的
7*7*1024
特征图输入到多头自注意力模块，通过分头计算特征图之间的相关性，进行加权融合，获得
1*1*1024
的输出特征向量；将获得的
1*1*1024
的输出特征向量输入到全连接层中，经过向量变换，输出对应不同玉米品种的预测结果；将待检测玉米种子的
RGB
图像与多光谱图像的融合数据输入所述玉米种子近似品种筛选模型，对所述待检测玉米种子的近似品种进行预测，获得玉米种子近似品种的筛选结果
。2.
如权利要求1所述玉米种子近似品种筛选方法，其特征在于，所述
Conv2d
卷积的表达式，具体为：；其中，
x
表示输入；
w
表示卷积核；
y
表示输出；
*
表示卷积运算；
i
，
j
表示输出位置；其中，所述基于多头自注意力机制的卷积神经网络模型进行模型采用的损失函数是交叉熵损失函数，具体为：；其中，
y
表示样本的真实类别；
y'
表示模型预测的类别概率分布；
∑
表示样本求和；符号
‑
表示最小化损失
。3.
如权利要求2所述玉米种子近似品种筛选方法，其特征在于，将标准残差块输出的
7*7*1024
特征图输入到多头自注意力模块，通过分头计算特征图之间的相关性的表达式，具
体为：；；其中，
Q
，
K
，
V
分别是输入矩阵
X
经过线性投影得到的查询
、
键和值矩阵；
QK
T
计算查询和键的相关性，获得注意力矩阵；进行缩放，
d
是向量维度，防止内积过大；
Softmax
操作将相关性转化为概率分布；最后将注意力矩阵与
V
相乘即得到输出；对每个头
i
，计算；其中，，
h
是头数，将
h
个维的
head
拼接并投影到
1024
维
。4.
如权利要求3所述玉米种子近似品种筛选方法，其特征在于，将所述样本数据集输入构建的基于...

【专利技术属性】
技术研发人员：秦江龙，陈懿，唐瑞翔，廖贇，王炜，梁超映，郑皓匀，叶少杰，郑仙雨，曹明磊，杜文豪，
申请(专利权)人：云南大学，
类型：发明
国别省市：