【技术实现步骤摘要】
本申请涉及作物表型检测，具体而言涉及一种基于yolov4卷积神经网络的种子萌发活力自动检测表型平台。
技术介绍
1、种子是每个植株生长的开始，作物种子的质量直接影响农业生产的产量。小麦是世界主要粮食作物之一，其生理研究一直是世界农业研究的中心问题。近年来，由于化肥的广泛使用，土壤盐渍化已成为影响小麦产量和质量退化的主要非生物因素之一。盐胁迫可引起植物体内盐的过量积累，导致离子毒性、膜系统氧化损伤、渗透调节失衡，甚至导致植物死亡，严重阻碍小麦产量和品质的形成。因此，选择耐盐小麦品种是满足全球小麦产品需求的关键。
2、传统的种子萌发试验通常采用破坏种子样品的方法，依靠人工测量，这往往限制了试验的效率、规模和准确性。首次将图像处理技术应用于种子活力检测。dell’aquila等利用图像分析方法描述了白甘蓝种子萌发过程中的吸水特性，结果表明种子面积、周长与含水量之间存在线性关系。现有的自动种子活力成像系统(svi)，可通过生菜幼苗成像形态特征的统计数据，准确量化种子活力。
3、然而，在上述的研究中，不同的光源和采集环境对图像质量的影响很大，这对于简单的图像处理来说是一个很大的挑战。
4、近年来，随着计算机技术的发展，利用机器学习检测种子活力已成为种子无损检测的热点。经典的机器学习方法在种子活力评价中有许多应用。andré等人结合图像映射和线性判别分析(lda)模型来预测种子的发芽率。丹尼(danny)等人采用knn模型提高芒草种子的评分精度。benjamaporn等开发了一套基于人工神经网络(ann)
5、如今，卷积神经网络在动植物图像检测上应用愈发广泛。以r-cnn为代表的二级检测器进行图像特征的快速提取和学习，已经能应用在批量图像自动化检测上。genze等人尝试采用faster r-cnn对种子发芽进行检测,yu等人尝试采用mask-rcnn使用在采摘机器人上进行果实检测。然而，上述尝试中，现有二级检测器复杂，需要高功耗的硬件设备。
技术实现思路
1、本申请针对现有技术的不足，提供一种基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，本申请通过yolo为代表的一级卷积神经检测器能够以更快的检测速度，以及更为轻量化的系统开销实现对种子萌发活力的检测。本申请相对于ssd等其他一级物体检测器，能够利用yolo系列网络不断对检测性能进行更新和提升。本申请具体采用如下技术方案。
2、首先，为实现上述目的，提出一种基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其包括：种子室、种子萌发气候室、图像采集装置、基于图像的实时监测模块和控制模块；其中，种子室用于在受控环境中容纳和培育种子，所述种子发芽室内置有ptc热空气循环系统和led灯管，ptc热空气循环系统的可调节温度范围覆盖5℃到50℃温度区间；种子萌发气候室顶部装具有rbg摄像机的微型龙门结构作为图像采集装置，用于实时监测种子萌发过程；基于图像的实时监测模块按照如下步骤采集种子萌发过程图像：通过工业摄像头在种子盘上方40厘米高的微型机架中以低空视角每30分钟采集拍摄一次拍摄种子图像，摄像头所采集的系列图像通过相机的千兆网传输到一台边缘计算机，由所述边缘计算机按照处理管道立即处理图像，在用户界面上可视化给用户显示种子萌发图像以进行实时监控，种子萌发图像可保存在本地存储，以用于神经网络模型的训练，从而根据训练所得的目标检测模型网络获取萌发活力指标参数。
3、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，平台对种子萌发图像的处理过程包括：数据预处理、cnn训练、参数设计和对萌发活力指标的检测。
4、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，所述数据预处理包括：数据筛选、数据增强、数据标注、数据集划分；cnn训练包括：使用cspdarknet53作为骨干网络，spp作为附加模块，pan路径聚合网络作为颈部，yolov3作为头部，形成yolov4的整体结构。
5、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，所述神经网络模型以残差网络构建的darknet-53作为基础网络，神经网络模型的网络层数在训练过程中不断加深。
6、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，所述神经网络模型通过冻结训练阶段和解冻训练阶段进行训练：其中，冻结训练阶段迭代次数epoch设置为20、批大小batch_size设置为8、学习率learning rate的初始值设置为1×10-3、学习率learning rate的最小值设置为1×10-5、权重衰减率weight_decay使劲儿中为5×10-4；解冻训练阶段代次数epoch设置为100、批大小batch_size设置为4、学习率learning rate的初始值设置为5×10-4、学习率learning rate的最小值设置为4×10-5、权重衰减率weight_decay使劲儿中为5×10-4。
7、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，对萌发活力指标的检测步骤包括：按照训练所确定的超参数包括批大小batch_size、学习率learning rate、冻结轮数freezing epoch构建卷积神经网络；将训练集中各图像输入模型训练，基于训练所得结果与训练模型各图像所对应的标记调整模型的学习率learning rate、批大小batch_size和冻结轮数freezing epoch，通过调节不同训练参数，得到模型的损失函数变化曲线，利用未经训练的测试集数据评估不同的模型性能，对比得出最佳的检测模型。
8、可选的，如上任一所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其中，通过卷积神经网络对种子萌发图像进行识别后，还分别按照如下公示计算：发芽率为发芽指数为式中，nt为第t天萌发种子数，n为试验种子总数，gt为第t天萌发种子数，dt为种子生长期。
9、有益效果
10、本申请所提供的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其包括：种子室、种子萌发气候室、图像采集装置、基于图像的实时监测模块和控制模块。本申请利用轻量卷积神经网络yolov4实现调作物种子萌发的快速、准确检测，可以自动采集、处理和分析作物品种的图像数据，评价作物种子在受控环境下对盐胁迫的响应。本申请可设置平台中图像采集系统，连续采集3种盐胁迫下4个作物品种的种子图像。本申请在通过比较人工评分来验证平台检测的准确性时，研究了4种基因型作物种子在3种盐胁迫下的累积萌发曲线，通过对比vgg16+fa本文档来自技高网...
【技术保护点】
1.一种基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，包括：种子室、种子萌发气候室、图像采集装置、基于图像的实时监测模块和控制模块；
2.如权利要求1所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，平台对种子萌发图像的处理过程包括：数据预处理、CNN训练、参数设计和对萌发活力指标的检测。
3.如权利要求1所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，所述数据预处理包括：数据筛选、数据增强、数据标注、数据集划分；
4.如权利要求3所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，所述神经网络模型以残差网络构建的DarkNet-53作为基础网络，神经网络模型的网络层数在训练过程中不断加深。
5.如权利要求3所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，所述神经网络模型通过冻结训练阶段和解冻训练阶段进行训练：
6.如权利要求5所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测
7.如权利要求1-6所述的基于YOLOv4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，通过卷积神经网络对种子萌发图像进行识别后，还分别按照如下公示计算：发芽率为发芽指数为式中，Nt为第t天萌发种子数，N为试验种子总数，Gt为第t天萌发种子数，Dt为种子生长期。
...【技术特征摘要】
1.一种基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，包括：种子室、种子萌发气候室、图像采集装置、基于图像的实时监测模块和控制模块；
2.如权利要求1所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，平台对种子萌发图像的处理过程包括：数据预处理、cnn训练、参数设计和对萌发活力指标的检测。
3.如权利要求1所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，所述数据预处理包括：数据筛选、数据增强、数据标注、数据集划分；
4.如权利要求3所述的基于yolov4卷积神经网络的种子萌发活力自动检测表型平台，其特征在于，所述神经网络模型以残差网络构建的...
【专利技术属性】
技术研发人员：傅秀清，韩冰，周佳怡，朱一凡，田露旭，付海威，欧阳芷芊，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。