一种高分辨率的玉米生长发育预测系统及方法技术方案

本发明专利技术涉及人工智能和植物生长发育预测技术领域，具体提供了一种高分辨率的玉米生长发育预测系统及方法，旨在解决现有技术中对植物表型的预测只能在低分辨率下进行，且生成的预测图像精确度较低的问题

【技术实现步骤摘要】
一种高分辨率的玉米生长发育预测系统及方法


[0001]本专利技术属于人工智能和植物生长发育预测
，具体涉及一种高分辨率的玉米生长发育预测系统及方法
。

技术介绍

[0002]预测植物的生长发育并解析其表型，这项技术可以有效地缩短实验周期，减少时间和金钱成本，同时也可以促进新品种的快速培育
。
在现代育种工业中，对于植物生长发育的准确预测和表型解析需求十分迫切，特别是玉米的表型解析，基于时间序列图像的玉米生长和发育预测可以得到其未来阶段的直观生长图像，进而帮助科学家们更好地了解玉米在不同环境和胁迫下的生长行为
。
[0003]然而，大多数对植物表型预测系统只适用于特定场景，例如对象变化不大
、
背景为静态等，且只计算生成图像的一部分像素点而非全部像素点的质量评价指标
。
这就限制了对植物表型预测研究只能在低分辨率
(64
～
128px)
的图像上进行，如果提高分辨率或尺度会导致预侧系统生成的图像模糊，不利于未来研究的深入进行
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高分辨率的玉米生长发育预测系统，其特征在于，包括：生成器，用于生成玉米生长发育的预测图像；所述生成器包括多编码器结构
、
残差预测单元和多解码器结构；所述多编码器结构包括时间编码器
、
空间编码器和时空编码器；所述多解码器结构包括时间解码器
、
空间解码器和时空解码器；判别器，用于判断所述预测图像的真实性
。2.
根据权利要求1所述的一种高分辨率的玉米生长发育预测系统，其特征在于，所述时间编码器和时空编码器的第一层至第六层均依次为
Conv3D
层
、LeakyReLU
函数层
、Conv3D
层
、LeakyReLU
函数层
、Conv3D
层和
LeakyReLU
函数层；所述空间编码器的第一层至第六层依次为
Conv2D
层
、LeakyReLU
函数层
、Conv2D
层
、LeakyReLU
函数层
、Conv2D
层和
LeakyReLU
函数层
。3.
根据权利要求1所述的一种高分辨率的玉米生长发育预测系统，其特征在于，所述判别器包括六个连续的卷积层和一个全连接层；每个所述卷积层均依次包括一个
Conv2D
层
、
一个归一化层和一个激活层；所述全连接层设置在六个所述卷积层的后面
。4.
根据权利要求3所述的一种高分辨率的玉米生长发育预测系统，其特征在于，所述归一化层均采用
LN
函数，所述激活层均采用
LeakyReLU
函数
。5.
根据权利要求1所述的一种高分辨率的玉米生长发育预测系统，其特征在于，所述玉米生长发育预测系统的训练步骤包括：
S100、
连续若干天对玉米进行拍摄，获得玉米生长发育的时序图像，并将所述时序图像形成时序数据集；
S200、
所述多编码器结构接收所述时序数据集，并对所述时序数据集进行低维特征提取，分别获得低维时间特征
、
低维空间特征和低维时空特征；
S300、
所述残差预测单元接收所述多编码器结构发送的所述低维时间特征
、
低维空间特征和低维时空特征，并分别对所述低维时间特征
、
低维空间特征和低维时空特征提取深度特征，分别获得深度时间特征
、
深度空间特征和深度时空特征；
S400、
所述多解码器结构接收所述残差预测单元发送的所述深度时间特征
、
深度空间特征和深度时空特征，将所述深度时间特征
、
深度空间特征和深度时空特征分别解码为高维时间特征
、
高维空间特征和高维时空特征，并通过所述高维时间特征
、
高维空间特征和高维时空特征获得玉米生长发育的预测图像；
S500、
收集玉米生长发育的真实图像；所述判别器接收所述真实图像和所述预测图像，通过比较所述真实图像和所述预测图像，对所述预测图像进行判别，并输出预测结果；
S600、
重复所述步骤
S200
～
S500
，直到获得训练好的玉米生长发育预测系统
。6.
根据权利要求5所述的一种高分辨率的玉米生长发育预测系统，其特征在于，在所述生成器和所述判别器的训练过程中还引入了损失函数
L
LG
；所述损失函数
L
LG
的计算公式为：
L
LG
＝
L
MSE
+
λ1L
VGG
+
λ2L
LP
+
λ3L
G
；其中，所述
L
MSE
表示均方差；所述
L
VGG
表示
VGG
‑
16
的感知损失函数；所述
L
LP
表示基于所述判别器的感知损失函数；所述
L
G
表示基于生成器的对抗损失函数；所述
λ1设置值为
0.05
；所述
λ2设置值为
0.01
；所述
λ3设置值为
0.001。7.
根据权利要求5所述的一种高分辨率的玉米生长发育预测系统，其特征在于，在所述步骤
S200
中，所述多编码器结构对所述时序数据集进行低维特征提取的公式为：
(T
Ef
，
S
Ef
，
O

【专利技术属性】
技术研发人员：周庆燕，李号，张友华，张津诚，王晶，魏堂伟，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：