详情

原文传递一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法

专利名称：	一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法
摘要：	本发明公开了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，该方法包括：获取原始高光谱成像数据；数据预处理；发芽试验，获得分组数据；选取特征波长，提取特征波长下的高光谱数据；进行标准归一化处理；利用主成分分析法进行降维；构建人工神经网络模型，得到预测模型；采集待测水稻种子的高光谱图像，得出待测水稻种子发芽能力的预测结果。本发明方法利用高光谱成像技术获取水稻种子的高光谱数据，再结合多次数据处理实现特诊波段的提取和数据降维，提取出最能够反应水稻种子发芽能力的高光谱数据，然后利用人工神经网络有效提高预测准确性，实现水稻种子品质的无损检测。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	浙江省农业科学院
发明人：	徐盛春;李琪恺;郑元庭;李素娟;徐飞;王钢军;邵健丰
专利状态：	有效
申请日期：	2019-03-29T00:00:00+0800
发布日期：	2019-06-21T00:00:00+0800
申请号：	CN201910247893.2
公开号：	CN109916838A
代理机构：	杭州天勤知识产权代理有限公司
代理人：	胡红娟
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	310021 浙江省杭州市德胜中路298号
主权项：	1.一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，包括： (1)在检测波段下采集水稻种子训练样本的高光谱图像，获得水稻种子的原始高光谱成像数据； (2)针对步骤(1)的原始高光谱成像数据，将所述检测波段划分成若干区段，求取区段内所有波长的平均值以及所有波长所对应的光谱反射率的平均值，得到数据预处理后的高光谱数据I； (3)对训练样本中水稻种子进行编号，再进行发芽试验，根据试验结果，将训练样本中所有水稻种子分为两组，分别是发芽组和未发芽组，获得分组数据； (4)将步骤(2)的高光谱数据I以及步骤(3)的分组数据导入高光谱可视化软件中，得到发芽组种子和未发芽组种子分别在不同波长下所对应的平均光谱反射率；再选取发芽组种子和未发芽组种子之间平均光谱反射值存在差异的波长作为特征波长，提取特征波长下的高光谱数据，得到第一次降维后的高光谱数据II； (5)对高光谱数据II进行标准归一化处理，得到高光谱数据III； (6)利用主成分分析法对高光谱数据III的波段进行二次降维，得到高光谱数据IV； (7)将步骤(6)的高光谱数据IV、步骤(3)的分组数据以及训练样本中所有水稻种子的编号信息作为训练集，构建人工神经网络模型，得到水稻种子发芽能力的预测模型； (8)采集待测水稻种子的高光谱图像，利用步骤(7)的预测模型进行水稻种子发芽能力的检测，得出待测水稻种子发芽能力的预测结果。 2.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(1)中，所述检测波段为400～1000nm。 3.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(2)中，所述区段内包含3～5个波长。 4.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(3)中，所述发芽试验的步骤如下：取训练样本中的水稻种子，置于温水中浸种，取出后，放置于吸水纸上，20～30℃下观察15～25天，统计水稻种子的发芽情况；若观察期间，水稻种子长出2mm及以上的小芽，则判定该种子为能够发芽的种子，归为发芽组；反之，则判定该种子为不能够发芽的种子，归为未发芽组。 5.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(4)中，所述高光谱可视化软件为Resonon软件。 6.如权利要求5所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(4)中，选取特征波长的步骤如下： (A)利用高光谱可视化软件Resonon，绘制训练样本中每个发芽组种子和未发芽组种子分别在不同波长下所对应的光谱反射值组成的曲线分布图； (B)对发芽组种子或未发芽组种子所对应的同一波长下的光谱反射值进行平均，得到发芽组种子或未发芽组种子在该波长下的平均光谱反射值，并绘制成平均光谱反射率值组成的曲线图； (C)将发芽组种子所对应的曲线和未发芽组种子所对应的曲线进行比对；在同一波长下，若发芽组种子所对应的平均光谱反射值减去未发芽组种子所对应的平均光谱反射值的差值绝对值大于预期阈值时，认定发芽组种子和未发芽组种子在该波长下的光谱反射特征存在明显差异，选取该波长作为特征波长。 7.如权利要求6所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，所述预期阈值为2.0～5.0。 8.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(5)中，所述标准归一化处理的步骤如下：将高光谱数据II归一化成均值为0、方差1的数据集，计算公式如下：其中，z为经计算得到的标准化后的数据结果，x为高光谱数据II，μ为高光谱数据II的平均值，σ为高光谱数据II的标准差。 9.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，利用主成分分析法对高光谱数据III的波段进行二次降维的步骤如下： (i)将高光谱数据III的矩阵设为矩阵X，计算矩阵X的协方差矩阵S，公式如下：式(1)中，Xm×n表示种子在不同波长下的光谱反射值组成的矩阵，n表示种子粒数，m表示波长；amn表示m波长下第n粒种子的光谱反射值；cn表示第n粒种子的光谱反射值组成的向量。式(2)中，covMatrix表示矩阵X的协方差矩阵S；m表示波长；cov(ci,cj)(1≤i,j≤n)表示第n粒种子光谱反射值组成的向量的协方差。 (ii)计算协方差矩阵S的特征值，并根据特征值计算对应的特征向量； (iii)选取协方差矩阵S的前k个特征向量，利用前k个特征向量，计算转换矩阵W，再利用转换矩阵W把原始矩阵X转换到新的特征空间中，得到矩阵Z；即：假设一个d×k维的转换矩阵W，将d维的向量映射到k维的新的特征空间上去，公式如下： x＝[x1，x2，...，xd]，x∈Rd→xW，W∈Rd*k→z＝[z1，z2，...，zk]，z∈Rk (3) 式中，xi为原始矩阵X中一个种子所对应的d个波长下的反射值所组成的向量；Rd表示d维实空间；W表示转换矩阵，Rd×k表示d×k维实空间；z表示转换后的k个波长下的反射值所组成的向量；Rk表示k维实空间；k＝5～10。 10.如权利要求1所述的基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，其特征在于，步骤(7)中，所述人工神经网络模型依次由2个输入层、3个卷积层、2个池化层、2个卷积层、1个全连接层和1个输出层构成；其中，前3个卷积层：卷积核大小为2×2，数量分别为32、16和16，步长为1×1、padding为‘same’、激活函数为ReLU； 2个池化层：卷积核大小为2×2，步长为2×2，padding为‘same’；后2个卷积层：卷积核大小为2×2，数量分别为16和16，步长为1×1、padding为‘same’、激活函数为ReLU；全连接层：隐层节点数为1024、激活函数为ReLU；输出结果为每一个种子编号信息所对应的能否发芽的结果。
所属类别：	发明专利