CN110837823A - 种子品种鉴定模型的生成方法、鉴定方法及装置 - Google Patents

种子品种鉴定模型的生成方法、鉴定方法及装置 Download PDF

Info

Publication number
CN110837823A
CN110837823A CN201911298813.2A CN201911298813A CN110837823A CN 110837823 A CN110837823 A CN 110837823A CN 201911298813 A CN201911298813 A CN 201911298813A CN 110837823 A CN110837823 A CN 110837823A
Authority
CN
China
Prior art keywords
seed
sample
light source
variety
hyperspectral
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911298813.2A
Other languages
English (en)
Inventor
龙拥兵
骆坤兰
赵静
胡纯池
叶文超
刁玉豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN201911298813.2A priority Critical patent/CN110837823A/zh
Publication of CN110837823A publication Critical patent/CN110837823A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种种子品种鉴定模型的生成方法、鉴定方法及装置，该方法包括：通过分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像；提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率；根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率生成一个训练样本；利用所有所述样品种子对应的训练样本对初始分类模型进行训练，得到所述品种种子的鉴定模型。通过利用训练好的模型，便能够快速、无损的对种子的品种进行检测。

Description

种子品种鉴定模型的生成方法、鉴定方法及装置
技术领域
本发明涉及高光谱成像、计算机视觉、机器学习领域，尤其涉及一种种子品种鉴定模型的生成方法、鉴定方法及装置。
背景技术
品种纯度与真实性是农作物种子质量重要指标之一，品种纯度的高低和种子的真假直接影响农作物的产量和品质、品种纯度与种子真实性鉴定的方法目前有形态鉴定法、电泳法、生理生化法以及DNA分子标记法不同作物。
现有技术中，形态鉴定法需要检验员具有丰富的经验，熟悉被检品种的特征，并能区分变异株是遗传变异还是受环境影响所引起的变异。目前，一些作物骨干亲本的集中频繁使用，使育成品种间的遗传差异越来越小，形态性状检验越来越困难。
而电泳法门槛高，操作复杂，对酶的提取要求高和电泳条件较为严格，还常因同工酶选择不当、同工酶活性随种子的贮藏和萌发过程发生变化等因素，影响鉴定结果的准确性，并且因酶易失活，难以大范围推广。
发明内容
本发明提供了一种种子品种鉴定模型的生成方法、鉴定方法及装置，以提高种子品种鉴定的速度、便捷性以及准确性。
为了达到以上目的，本发明采用以下技术方案实现：
根据本发明实施例的一个方面，提供了一种种子品种鉴定模型的生成方法，包括：
分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像；
提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；
计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率；
根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本；
利用所有所述样品种子对应的训练样本对初始分类模型进行训练，得到各所述品种种子的鉴定模型。
在一些实施例中，分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像，包括：
在设定光源波长范围内，以设定波长间隔采集多粒至少一个品种的样品种子的高光谱图像。
在一些实施例中，分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像，包括：
在每个光源波长下对多粒至少一个品种的样品种子进行拍摄，得到相应的一张高光谱图像。
在一些实施例中，提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓，包括：
从各光源波长下拍摄的高光谱图像中选取种子轮廓清晰的高光谱图像，利用snake分割算法从选取的高光谱图像中分割提取出各粒样品种子的种子轮廓；利用snake算法将提取出的各种子轮廓映射到其余光源波长下的成像，得到其余光源波长下拍摄的高光谱图像中的各粒样品种子的种子轮廓。
在一些实施例中，所述设定光源波长范围包括400nm～720nm。
在一些实施例中，计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率，包括：
分别在所述多个光源波长下采集标准白板的高光谱图像，并采集黑帧图像；
通过计算同一光源波长下得到的所述高光谱图像减去所述黑帧图像后得到的高光谱图像和相应光源波长下采集的标准白板的高光谱图像减去所述黑帧图像后得到的高光谱图像中相应像素点位置的灰度值之比，得到各所述样品种子的各种子轮廓内的各像素点的光谱反射率；
分别对每粒所述样品种子的每个种子轮廓内的所有像素点的光谱反射率求平均，得到各所述样品种子的各种子轮廓内的单位像素平均光谱反射率。
在一些实施例中，根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本，包括：
对由每粒样品种子对应于所有所述光源波长的单位像素平均光谱反射率构成的曲线进行平滑及求一阶导数的处理，得到每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果；
根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果和相应的品种信息生成一个训练样本。
根据本发明实施例的另一方面，提供了一种种子品种的鉴定方法，利用上述实施例所述的方法鉴定得到。
根据本发明实施例的另一方面，提供了一种种子品种的鉴定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述的方法。
在一些实施例中，所述鉴定装置，还包括：
LED环形光源，环设于高光谱相机的镜头周围，用于提供均匀照射样品种子的光源；
所述高光谱相机，用于在所述光源照射所述样品种子的情况下拍摄所述样品种子的高光谱图像。
本发明实施例的种子品种鉴定模型的生成方法、鉴定方法及装置，通过提取种子轮廓，通过轮廓计算单粒种子平均反射率，提高了数据的可信度和准确度，通过利用训练好的种子分类模型可以对自动提取的种子的平均光谱信息进行品种鉴定，不需要大量的人力成本和高门槛的专业知识的要求，同时使种子的品种进行鉴定更加快速便捷，并且实现无损检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明一实施例的种子品种鉴定模型的生成方法流程示意图；
图2是本发明一实施例的种子品种鉴定模型所用装置的结构示意图；
图3是本发明一实施例的样品种子高光谱图像示意图；
图4是本发明一实施例的单粒种子的平均光谱示意图；
图5是本发明一实施例的单粒种子的平均光谱平滑求一阶导数处理后的示意图。
图6是本发明一实施例的SVM模型基于光谱的一阶导数根据不同波长选择算法的训练集和测试集的准确率的示意图。
符号说明：
1：高光谱相机；2：LED环形光源；3：调节手柄；4：连接件；5：计算机；6：载物台。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1是本发明一实施例的种子品种鉴定模型的生成方法流程示意图。如图1所示，一些实施例的种子品种鉴定模型的生成方法，可包括以下步骤S110至步骤S150。
下面将对步骤S110至步骤S150的具体实施方式进行详细说明。
步骤S110：分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像。
在该步骤S110中，在设定光源波长范围内，以设定波长间隔采集多粒至少一个品种的样品种子的高光谱图像；在每个光源波长下对多粒至少一个品种的样品种子进行拍摄，可以得到相应的一张高光谱图像。其中，光源采用LED环形光源。另外，样品种子的种类可以是农作物、观赏植物等，例如，农作物可以为，玉米、棉花和大豆等。观赏植物可以为菊花、绿萝和杨树等。种子的品种可以包括十一种甜瓜种子(卡其皇后、绿宝石洋、红宝石洋、红肉莎白、白肉莎白、浪潮A710、白玉2000、酥蜜龙、奶香蜜王、美琪、美花)中的一种或多种。另外，可见光的波长为400nm～720nm，所述多个光源波长可以是指可见光经滤波器过滤后得到的波长。
具体地，高光谱图像是光谱分辨率在10-2λ数量级范围内的光谱图像。通过高光谱图像成像装置分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像。其中，高光谱成像装置可以是凝视液晶高光谱成像装置，其中包括：高光谱相机、光源等。
在设定的光源波长范围下对多粒至少一个品种的样品种子进行拍摄，在设定波长间隔下得到多粒至少一个品种的样品种子的多张高光谱图像。设定光源波长范围在400nm～720nm，设定波长间隔为1nm，因此，使高光谱成像装置分别在400nm、401nm、402nm、……、718nm、719nm、720nm波长下对至少一个品种的样本种子各拍一张高光谱图像，一共得到321张高光谱图像。或者，设定波长间隔可以为4nm，即，分辨率可以设置成4nm，一共有81个波长，可以获得81个高光谱成像。
在其他实施例中，在设定光源波长范围内，以设定波长间隔采集一粒样品种子的高光谱图像；在每个光源波长下对每一粒样品种子进行拍摄，得到相应的多张高光谱图像。
具体地，光源波长范围可在400nm～720nm，可每间隔1nm或4nm采集一粒样品种子的高光谱图像；在每个光源波长下对每一粒样品种子进行拍摄，得到相应的多张高光谱图像。
步骤S120：提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓。
在该步骤S120中，提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓，包括：从各光源波长下拍摄的高光谱图像中选取种子轮廓清晰的高光谱图像，利用snake算法从选取的高光谱图像中中分割提取出各粒样品种子的种子轮廓；利用snake算法将提取出的各种子轮廓映射到其余光源波长下成像，得到其余光源波长下拍摄的高光谱图像中的各粒样品种子的种子轮廓。
其中，该种子轮廓清晰的高光谱图像是其中一个光源波长下拍摄的高光谱图像，清晰程度能够满足提取种子轮廓的要求即可，例如可以是最清晰的一个高光谱图像。对清晰的高光谱图像进行snake图像分割提取单粒种子的轮廓，再通过将该轮廓映射到其他波长下的成像得到种子在其他高光谱图像中的轮廓。
提取轮廓的方法可以为Snake算法、阈值分割法及小波变换等。通过Snake算法提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；它能够有效地利用局部和整体信息实现边界准确定位，保持线性光滑。Snake算法提取种子轮廓是利用不同力在曲线上作用的过程对在一个光源波长下采集多粒至少一个品种样品种子的一张高光谱图像中单粒种子的轮廓进行提取，采集的高光谱图像中的样本种子轮廓作为目标轮廓，力向能量最小的目标轮廓移动，直到与目标轮廓距离达到最小，从而使样本种子轮廓被分割出来。
Snake模型是一条可变形的参数曲线及相应的能量函数，以最小化能量目标函数为目标，控制参数曲线变形，具有最小能量的闭合曲线就是目标轮廓。Snake模型的形变受到同时作用在模型上的许多不同的力所控制，每一种力产生一部分能量，这部分能量表示为活动轮廓模型的能量函数的一个独立的能量项。采集的高光谱图像中的样本种子轮廓作为目标轮廓，因此，Snake模型首先在样本种子的附近放置一条初始曲线，使力向能量最小的目标轮廓移动，让曲线在图像中发生变形并不断逼近目标轮廓，直到与目标轮廓距离达到最小。此时，能量达到最小，力达到平衡状态，同时，速度为零，使曲线停止运动；从而使样本种子轮廓被分割出来。
步骤S130：计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率。
在该步骤S130中，具体地，可以分别在所述多个光源波长下采集标准白板的高光谱图像，并采集黑帧的图像；通过计算同一光源波长下得到的所述高光谱图像减去所述黑帧图像后得到的高光谱图像和相应光源波长下采集的标准白板的高光谱图像减去所述黑帧图像后得到的高光谱图像中相应像素点位置的灰度值之比，得到各所述样品种子的各种子轮廓内的各像素点的光谱反射率；分别对每粒所述样品种子的每个种子轮廓内的所有像素点的光谱反射率求平均，得到各所述样品种子的各种子轮廓内的单位像素平均光谱反射率。
反射率I的计算公式可以表示为
Figure BDA0002321336500000061
其中，Rraw表示种子光谱，Rblack表示黑帧高光谱图像的光谱，Rwhite表示标准白板的光谱。
其中，可以通过使用开运算、闭运算，提取单粒种子的轮廓面积。开运算能去除噪声，消除小物体；在纤细点处分离物体；平滑较大物体的边界的同时并不明显改变物体面积。闭运算能够排除小型空洞(指黑色区域)；平滑物体轮廓；弥合(连接)窄的间断点，沟壑；填补轮廓线断裂。
具体地，分别在所述多个光源波长下，拍摄底板的图像；所述底板与在拍摄样品种子的高光谱图像放置样本种子所用底板为同种底板，所述底板可为黑板等。
通过每一张高光谱图像可以得到多粒种子的高光谱图像；在相同光源波长下，获取一粒所述样品种子在对应的高光谱图像中的种子轮廓区域内的一个像素点对应一个像素灰度值；在相同光源波长下，获取所述像素点处未放置样品种子的底板图像的像素灰度值；根据该像素点处种子的像素灰度值减去黑帧的像素灰度值与白板的像素灰度值减去黑帧的灰度值的比值作为该像素点处的反射率。
再分别对每粒所述样品种子的每个种子轮廓内的所有像素点的光谱反射率求平均，得到各所述样品种子的各种子轮廓内的单位像素平均光谱反射率。计算所述轮廓区域内所有像素点反射率的平均值即为一粒种子的平均反射率；。
步骤S140：根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本。
在该步骤S140中，根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本，具体地，可包括：对由每粒样品种子对应于所有所述光源波长的单位像素平均光谱反射率构成的曲线进行平滑及求一阶导数的处理，得到每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果；根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果和相应的品种信息生成一个训练样本。
训练样本分割成训练集和测试集，对训练样本进行归一化处理，使训练样本中的数据范围在[0，1]，并且将训练样本按照一定的比例均匀分割训练集和测试集，训练集和测试集的比例可以为7：3，或者其比例也可以为6：4等，只需要保证训练集中的数据不小于测试集即可。
利用多项式平滑算法对由每粒样品种子对应于所有所述光源波长的单位像素平均光谱反射率构成的曲线进行平滑降噪预处理，再对平均光谱反射率构成的曲线进行求一阶导数，其中，多项式平滑算法采用的参数窗口大小为5，项数为3。
利用一阶导数对式平滑算法对由每粒样品种子对应于所有所述光源波长的单位像素平均光谱反射率构成的曲线进行平滑后的数据进行一阶导数计算。
根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑和一阶导数处理，对处理后的结果进行归一化，归一化后的平均光谱反射率生成一个训练样本。利用每粒所述样品种子在所有波长对应的平均反射率，形成多个特征数据(或称为特征向量)；为每个特征数据增加种子品种标签，形成一个训练样本数据；多个种子可以得到多个样本数据并形成一个训练样本集。
步骤S150：利用所有所述样品种子对应的训练样本对初始分类模型进行训练，得到各所述品种种子的鉴定模型。
该步骤S150，具体地，可包括步骤：S151，搭建支持向量机(Support VectorMachine,SVM)分类模型；S152，利用训练样本对SVM模型进行训练，并根据网格搜索算法获得分类结果最好的参数；S153，根据训练好的模型，对训练样本进行分类，对模型进行评估；S154,得到训练好的品种种子的鉴定模型。
在上述步骤中，支持向量机分类模型是一类按监督学***面对样本进行分割，分割的原则是使间隔最大化，最终转化成一个凸二次规划问题来求解。
在该步骤S152中，网格搜索算法是通过将各个参数可能的取值进行排列组合，列出所有可能的组合结果后，生成“网格”。然后将各组合用于SVM分类模型中训练，并使用交叉验证对表现进行评估。在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合，最终获得最优参数值。
在一些实施例中，所述设定光源波长范围包括400nm～720nm。
在采集样本种子的高光谱图像后需要对高光谱图像中的样本种子表皮含有的叶绿素的含量进行识别、判断。叶绿素在不同波长下有不同的响应，因为叶绿素主要吸收红光和蓝紫光，所以在处于红光和蓝紫光的波段下，叶绿素更敏感。而植物对光谱最大敏感区域在400nm～700nm，因为该段光谱是光合作用有效能量区域。因此，在使用光源对样本种子拍摄，光源的波长范围也应接近此范围。而设定光源波长范围包括400nm～720nm。
根据本发明实施例的另一方面，提供了一种种子品种的鉴定方法，利用上述实施例所述的方法鉴定得到。
根据本发明实施例的另一方面，提供了一种种子品种的鉴定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。
具体地，计算机通过操作软件可以控制采集样本种子拍摄时的曝光时间、分辨率的大小、像素的大小和每个波长拍摄的间隔；上述过程使时间和波长间隔掌控的更加精准，不会产生视觉误差以及时间延迟。
在一些实施例中，各实施例所述的鉴定装置还可包括：
LED环形光源，环设于高光谱相机的镜头周围，用于提供均匀照射样品种子的光源；
所述高光谱相机，用于在所述光源照射所述样品种子的情况下拍摄所述样品种子的高光谱图像。
其中，采集样本图像时照射样本的光反射至高光谱相机的镜头，通过镜头收集并通过狭缝增强准直照射至分光元件，经分光元件在垂直方向按光谱色散。经分光元件后成像在图像传感器上，得到光谱图像。而且，LED光源为冷光源，被测对象不会被加热，导致种子失活。
参见图2，种子品种鉴定模型所用装置，具体地，可包括高光谱相机1、LED环形光源2、调节手柄3、连接件4、计算机5、载物台6等。其中，高光谱相机1可包括CCD(电荷耦合器件)镜头、滤波器组成和连接件4，滤波器可用于在不同的波长拍摄被测物的成像，CCD镜头可用于成像并将成像记录下来。高光谱相机1上的调节手柄3可通过改变高光谱相机1的高度，找到高光谱相机对准载物台6上种子的焦点，从而使高光谱相机1的成像清晰。另外，计算机5可以用来控制高光谱相机1进行拍摄，并对拍摄的高光谱图像进行处理。
通过使用LED环形光源2(发光二极管环形光源)照射多粒至少一个品种的样品种子，采集多粒至少一个品种的样品种子的高光谱图像。环形光源能提供不同角度的照射，突出物体的三维信息，有效解决对角照射阴影问题。使用LED环形光源2垂直对样品种子进行照射能够对样品种子提供更加均匀的光照，使得到的样品种子高光谱图像亮度均匀，从而避免边缘部分光照比较暗而造成光谱的误差。
为使本领域技术人员更好地了解本发明，下面将以具体实施例说明本发明的实施方式。
在一具体实施例中，种子品种鉴定模型的生成方法、鉴定方法及装置，包括步骤：
(1)通过凝视液晶高光谱成像装置和配套的软件对不同品种的种子进行高光谱图像采集；
(2)根据Snake图像分割算法对每组图像的种子进行轮廓检测，获得轮廓信息后，提取单粒种子的平均光谱数据；
(3)根据多项式平滑算法对光谱数据进行平滑降噪预处理，再对光谱数据进行求一阶导数，将光谱数据集分成训练集和测试集；
(4)对训练集和测试集进行归一化处理；
(5)搭建支持向量机(Support Vector Machine,SVM)分类模型；
(6)利用训练集对SVM模型进行训练，并根据网格搜索算法获得分类结果最好的参数；
(7)根据训练好的模型，对测试集进行分类，对模型进行评估；
(8)得到训练好的SVM分类模型。
其中，步骤(1)中分别对多粒同一品种样品种子进行高光谱图像采集，将不同品种的样品种子分成多组；凝视液晶高光谱成像装置中用的滤波器的波长范围为400nm-720nm，拍摄间隔为4nm；所得样品种子高光谱图像如图3所示；步骤(2)中，提取单粒样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率；其中，各粒样品种子的平均光谱如图4所示；步骤(3)中，训练集与测试集中样本种子品种为已知品种；步骤(4)中，对训练集与测试集中的数据进行归一化处理后，训练集与测试集中的数据均在[0，1]；其中，各粒种子的平均光谱平滑处理后的结果如图5所示；步骤(6)中，网格搜索算法是通过将各个参数可能的取值进行排列组合，列出所有可能的组合结果后，生成“网格”。然后将各组合用于SVM(支持向量机)分类模型中训练，并使用交叉验证对表现进行评估。在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合，最终获得参数值。
图6是本发明一实施例的SVM模型基于光谱的一阶导数根据不同波长选择算法的训练集和测试集的准确率的示意图。参见图6，采用主成分分析法(PCA)对光谱数据进行聚类分析时，训练集准确率Train_Accuracy和测试集准确率Test_Accuracy如图6中的PCA_SVM条形图所示；采用连续投影算法(SPA)选取特征波长时，训练集准确率Train_Accuracy和测试集准确率Test_Accuracy如图6中的SPA_SVM条形图所示；采用全波段时，训练集准确率Train_Accuracy和测试集准确率Test_Accuracy如图6中的Full_SVM条形图所示。通过对比可以看出，PCA和全波段所对应准确率较高，SPA所对应准确率较低。
具体地，1)将种子平铺在高光谱成像装置的在载物台6上，调整种子的位置，使其在成像的中央位置；2)调整高光谱相机1的高度，使其成像清晰；3)调整曝光时间和分辨率，开始采集数据；4)根据snake算法提取单粒种子的轮廓信息，根据轮廓信息，再根据Opencv库进行开闭运算，提取整个面积，求算每个波长下的该面积的平均反射率作为该波段的平均反射率；5)预处理数据集：光谱数据具有存在噪声，通过对数据进行预处理可以去除噪声，根据SG平滑算法(Savitzky-Golay，多项式平滑算法)和FD算法(First Derivative，一阶导数)进行降噪，SG算法的参数为窗口大小为5，项数为3；6)分割数据集：根据SKlearn库里的数据分割算法将数据集按照7:3的比例均匀分割成训练集和测试集，并对数据进行归一化处理；7)根据SKlearn库搭建SVM分类模型，并利用网格搜索算法来选取最优的参数，以得到效果最好的模型；8)利用训练集开始训练模型，得到效果最好模型的参数；9)根据8)中的参数对测试集进行分类，验证模型的性能；根据上述步骤中得到效果最好模型的参数对测试集进行分类，验证模型的性能。
综上所述，本发明实施例的种子品种鉴定模型的生成方法，通过分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像；提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率；根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本；利用所有所述样品种子对应的训练样本对初始分类模型进行训练，得到各所述品种种子的鉴定模型。通过利用训练好的模型，便能够快速、无损的对种子的品种进行检测，并且检测结果具有很高的准确性；若根据该方法集成小型设备的话，能给育种研究人员、种子公司和种植大户的农民带来快速便捷无损的种子品种鉴定方法，尤其是针对昂贵和高产的种子，能带来巨大的便利和避免重大的损失。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

Claims (10)

1.一种种子品种鉴定模型的生成方法，其特征在于，包括：
分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像；
提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓；
计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率；
根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本；
利用所有所述样品种子对应的训练样本对初始分类模型进行训练，得到各所述品种种子的鉴定模型。
2.如权利要求1所述种子品种鉴定模型的生成方法，其特征在于，分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像，包括：
在设定光源波长范围内，以设定波长间隔采集多粒至少一个品种的样品种子的高光谱图像。
3.如权利要求1所述种子品种鉴定模型的生成方法，其特征在于，分别在多个光源波长下采集多粒至少一个品种的样品种子的高光谱图像，包括：
在每个光源波长下对多粒至少一个品种的样品种子进行拍摄，得到相应的一张高光谱图像。
4.如权利要求3所述种子品种鉴定模型的生成方法，其特征在于，提取各粒所述样品种子在各所述光源波长下采集的高光谱图像中的种子轮廓，包括：
从各光源波长下拍摄的高光谱图像中选取种子轮廓清晰的高光谱图像，利用snake分割算法从选取的高光谱图像中分割提取出各粒样品种子的种子轮廓；
利用snake算法将提取出的各种子轮廓映射到其余光源波长下的成像，得到其余光源波长下拍摄的高光谱图像中的各粒样品种子的种子轮廓。
5.如权利要求2所述种子品种鉴定模型的生成方法，其特征在于，所述设定光源波长范围包括400nm～720nm。
6.如权利要求1所述种子品种鉴定模型的生成方法，其特征在于，计算各所述样品种子的各种子轮廓内的单位像素平均光谱反射率，包括：
分别在所述多个光源波长下采集标准白板的高光谱图像，并采集黑帧图像；
通过计算同一光源波长下得到的所述高光谱图像减去所述黑帧图像后得到的高光谱图像和相应光源波长下采集的标准白板的高光谱图像减去所述黑帧图像后得到的高光谱图像中相应像素点位置的灰度值之比，得到各所述样品种子的各种子轮廓内的各像素点的光谱反射率；
分别对每粒所述样品种子的每个种子轮廓内的所有像素点的光谱反射率求平均，得到各所述样品种子的各种子轮廓内的单位像素平均光谱反射率。
7.如权利要求1所述种子品种鉴定模型的生成方法，其特征在于，根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率和相应的品种信息生成一个训练样本，包括：
对由每粒样品种子对应于所有所述光源波长的单位像素平均光谱反射率构成的曲线进行平滑及求一阶导数的处理，得到每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果；
根据每粒所述样品种子对应于所有所述光源波长的单位像素平均光谱反射率的平滑后求一阶导数的处理结果和相应的品种信息生成一个训练样本。
8.一种种子品种的鉴定方法，其特征在于，包括：
利用如权利要求1至7任一项所述的鉴定模型鉴定待识别种子是否是所述品种的种子。
9.一种种子品种的鉴定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
10.如权利要求9所述的种子品种的鉴定装置，其特征在于，还包括：
LED环形光源，环设于高光谱相机的镜头周围，用于提供均匀照射样品种子的光源；
所述高光谱相机，用于在所述光源照射所述样品种子的情况下拍摄所述样品种子的高光谱图像。
CN201911298813.2A 2019-12-17 2019-12-17 种子品种鉴定模型的生成方法、鉴定方法及装置 Pending CN110837823A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911298813.2A CN110837823A (zh) 2019-12-17 2019-12-17 种子品种鉴定模型的生成方法、鉴定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911298813.2A CN110837823A (zh) 2019-12-17 2019-12-17 种子品种鉴定模型的生成方法、鉴定方法及装置

Publications (1)

Publication Number Publication Date
CN110837823A true CN110837823A (zh) 2020-02-25

Family

ID=69578691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911298813.2A Pending CN110837823A (zh) 2019-12-17 2019-12-17 种子品种鉴定模型的生成方法、鉴定方法及装置

Country Status (1)

Country Link
CN (1) CN110837823A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380813A (zh) * 2020-03-20 2020-07-07 合肥工业大学 一种便携式小麦种子多品质无损检测装置及检测方法
CN114136920A (zh) * 2021-12-02 2022-03-04 华南农业大学 一种基于高光谱的单粒杂交水稻种子种类鉴定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102072883A (zh) * 2010-07-07 2011-05-25 北京农业智能装备技术研究中心 农作物种子综合品质检测装置及方法
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集***及基于该***的玉米种子纯度无损检测方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN108734205A (zh) * 2018-04-28 2018-11-02 东北电力大学 一种针对不同品种小麦种子的单粒定点识别技术

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125477A1 (en) * 2009-05-14 2011-05-26 Lightner Jonathan E Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets
CN102072883A (zh) * 2010-07-07 2011-05-25 北京农业智能装备技术研究中心 农作物种子综合品质检测装置及方法
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集***及基于该***的玉米种子纯度无损检测方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN108734205A (zh) * 2018-04-28 2018-11-02 东北电力大学 一种针对不同品种小麦种子的单粒定点识别技术

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
何勇 等: "基于光谱和成像技术的作物养分生理信息快速检测研究进展", 《农业工程学报》 *
孙俊 等: "基于高光谱图像的桑叶农药残留种类鉴别研究", 《农业机械学报》 *
朱秀昌 等: "《数字图像处理与图像信息》", 31 August 2016, 北京邮电大学出版社 *
杨小玲: "高光谱图像技术检测玉米种子品质研究", 《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》 *
陈功 等: "《草坪高光谱分析技术及其应用》", 31 March 2009, 云南科技出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380813A (zh) * 2020-03-20 2020-07-07 合肥工业大学 一种便携式小麦种子多品质无损检测装置及检测方法
CN111380813B (zh) * 2020-03-20 2022-11-29 合肥工业大学 一种便携式小麦种子多品质无损检测装置及检测方法
CN114136920A (zh) * 2021-12-02 2022-03-04 华南农业大学 一种基于高光谱的单粒杂交水稻种子种类鉴定方法

Similar Documents

Publication Publication Date Title
Perez-Sanz et al. Plant phenomics: An overview of image acquisition technologies and image data analysis algorithms
Lottes et al. Effective vision‐based classification for separating sugar beets and weeds for precision farming
Bhargava et al. Fruits and vegetables quality evaluation using computer vision: A review
Shen et al. Domain-invariant interpretable fundus image quality assessment
US11454594B2 (en) Method for identifying frostbite condition of grain seeds using spectral feature wavebands of seed embryo hyperspectral images
Barbedo et al. Identifying multiple plant diseases using digital image processing
Barbedo A review on the main challenges in automatic plant disease identification based on visible range images
Kolhar et al. Plant trait estimation and classification studies in plant phenotyping using machine vision–A review
Lottes et al. An effective classification system for separating sugar beets and weeds for precision farming applications
CN108416344B (zh) 眼底彩照视盘与黄斑定位识别方法
Zhou et al. Disease detection of Cercospora Leaf Spot in sugar beet by robust template matching
US9058518B2 (en) Seed classification using spectral analysis to determine existence of a seed structure
CN106525732B (zh) 基于高光谱成像技术的苹果内外品质快速无损检测方法
Natarajan et al. Detection of disease in tomato plant using Deep Learning Techniques
Yogesh et al. Computer vision based analysis and detection of defects in fruits causes due to nutrients deficiency
CN109765194B (zh) 基于高光谱成像技术的枸杞子产地识别方法
US20060160065A1 (en) Method for classifying plant embryos using Raman spectroscopy
Shajahan et al. Identification and counting of soybean aphids from digital images using shape classification
CN110837823A (zh) 种子品种鉴定模型的生成方法、鉴定方法及装置
CN114136920A (zh) 一种基于高光谱的单粒杂交水稻种子种类鉴定方法
Suzuki et al. Image segmentation between crop and weed using hyperspectral imaging for weed detection in soybean field
CN108664979A (zh) 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用
Du et al. Diagnostic model for wheat leaf conditions using image features and a support vector machine
Lili et al. Classification of herbs plant diseases via hierarchical dynamic artificial neural network after image removal using kernel regression framework
Alejandrino et al. chromoCorn: Zea mays Chromosome Classification Using Zero Order Fuzzy Inference System Based on Kernel’s Haralick Grey Level Texture Phenes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200225