CN112837267B - 一种预测转基因玉米抗药性的数字检测方法及*** - Google Patents

一种预测转基因玉米抗药性的数字检测方法及*** Download PDF

Info

Publication number
CN112837267B
CN112837267B CN202110029557.8A CN202110029557A CN112837267B CN 112837267 B CN112837267 B CN 112837267B CN 202110029557 A CN202110029557 A CN 202110029557A CN 112837267 B CN112837267 B CN 112837267B
Authority
CN
China
Prior art keywords
current moment
corn
leaf
plant
corn plant
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.)
Active
Application number
CN202110029557.8A
Other languages
English (en)
Other versions
CN112837267A (zh
Inventor
冯旭萍
陶明珠
何勇
杨睿
张金诺
史永强
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110029557.8A priority Critical patent/CN112837267B/zh
Publication of CN112837267A publication Critical patent/CN112837267A/zh
Priority to US17/399,826 priority patent/US11864552B2/en
Application granted granted Critical
Publication of CN112837267B publication Critical patent/CN112837267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A01G22/20—Cereals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Environmental Sciences (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Wood Science & Technology (AREA)
  • Insects & Arthropods (AREA)
  • Pest Control & Pesticides (AREA)
  • Zoology (AREA)
  • Botany (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)

Abstract

本发明公开了一种预测转基因玉米抗药性的数字检测方法及***，涉及玉米品种抗药性检测技术领域，包括获取当前时刻经过药剂喷洒后的玉米植株的RGB图像、三维点云数据以及叶绿素相对含量；根据RGB图像和三维点云数据计算像素比值和形态特征；将当前时刻玉米植株的检测参数输入到串联模型中以预测下一时刻检测参数，进而得到下一时段玉米植株的检测参数变化曲线图，并根据检测参数变化曲线图确定玉米植株的耐药特性；检测参数包括叶绿素相对含量、像素比值和形态特征；将当前时刻玉米植株的检测参数输入到并联模型中以预测玉米植株的品种。本发明能够实现抗药性转基因玉米品种的快速筛选和性能评估。

Description

一种预测转基因玉米抗药性的数字检测方法及***
技术领域
本发明涉及玉米品种抗药性检测技术领域，特别是涉及一种预测转基因玉米抗药性的数字检测方法及***。
背景技术
在粮食安全问题日益严重的今天，玉米，作为我国重要的粮食作物之一，其产量关乎到社会的稳定，经济的繁荣以及国家综合国力的强大。而玉米的收成不仅与基因型有关，还受到复杂环境的影响，换言之，只有在合适的环境条件下，玉米的优良基因型才能得到充分表达。其中，玉米生长环境中的杂草有着顽强的生命力，常与玉米竞争光照、水分、养分、无机盐等有限的资源。
故而，除草剂成为农业植保作业中的必需品。那么，如何在不干扰玉米生长的条件下，尽可能地彻底杀死杂草成为重要研究课题之一。目前，全球广泛使用的草甘膦异丙胺盐是一种广谱内吸传导型灭生性茎叶除草剂，其作用机理是通过被杂草叶片等绿色部位吸收，进而扩散传导至整株杂草，然后阻碍其光合作用，最终导致其死亡，具有高效、稳定、低毒、微残留等优点，并且较其他除草剂而言，杂草难以通过变异对其产生抗性。为此，随着高通量基因测序技术的不断成熟，基因组学快速发展，转基因抗草甘膦玉米种子得以投入农业生产。
目前，对转基因玉米的抗药性检测，有基于玉米种子的，也有基于玉米植株的。其中，关于诸如株高、叶长、叶宽等形态特征参数的测定多是以人工测量为主，耗时费力、检测周期长、效率低下。公开号为CN106576829A的发明专利公开了一种抗草甘膦玉米品种鉴定方法，该方法以玉米种子为对象，通过测试玉米种子的生理指标和形态指标的变化来确定试验种子是否具有抗草甘膦的特性，该方法虽然对周围环境要求较低、测试周期短，但是由于玉米生长过程中受到复杂多变的环境影响，使得最终在抗药性方面的表现与种子并不是完全一致的。
发明内容
本发明的目的是提供一种预测转基因玉米抗药性的数字检测方法及***，以实现抗药性转基因玉米品种的快速筛选和性能评估。
为实现上述目的，本发明提供了如下方案：
一种预测转基因玉米抗药性的数字检测方法，包括：
获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量；
根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域；
根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定；
将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成；
根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性；
将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的。
可选的，所述获取当前时刻经过药剂喷洒后的玉米植株的检测信息，具体包括：
获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像；
获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量；
获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
可选的，所述根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值，具体包括：
对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像；
根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域；
采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域；
根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
可选的，所述根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征，具体包括：
根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型；
对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息；
根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征；
对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
可选的，所述串联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建串联网络结构；所述串联网络结构由卷积神经网络和长短时记忆网络串联组成；
将所述训练样本的数据子集依次输入到所述串联网络结构以训练所述串联网络结构，进而得到训练好的串联网络结构；所述训练好的串联网络结构为串联模型；所述串联模型的输出为下一时刻的检测参数。
可选的，所述并联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建并联网络结构；所述并联网络结构由卷积神经网络和长短时记忆网络并联组成；
将所述训练样本的数据子集依次输入到所述并联网络结构以训练所述并联网络结构，进而得到训练好的并联网络结构；所述训练好的并联网络结构为并联模型；所述并联模型的输出为玉米植株品种；所述玉米植株品种包括转基因玉米品种和非转基因玉米品种。
一种预测转基因玉米抗药性的数字检测***，包括：
检测信息获取模块，用于获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量；
像素比值计算模块，用于根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域；
形态特征计算模块，用于根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定；
检测参数和检测参数变化曲线图预测模块，用于将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成；
耐药特性确定模块，用于根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性；
植株品种预测模块，用于将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的。
可选的，所述检测信息获取模块，具体包括：
RGB图像获取单元，用于获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像；
叶绿素相对含量获取单元，用于获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量；
三维点云数据获取单元，用于获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
可选的，所述像素比值计算模块，具体包括：
图像预处理单元，用于对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像；
第二区域确定单元，用于根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域；
第一区域确定单元，用于采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域；
像素比值计算单元，用于根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
可选的，所述形态特征计算模块，具体包括：
三维模型重建单元，用于根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型；
点云数据邻域信息确定单元，用于对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息；
初始形态特征确定单元，用于根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征；
校正单元，用于对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过12个玉米植株参数以及卷积神经网络、长短时记忆网络，预测药剂胁迫后转基因玉米品种和非转基因玉米品种的耐药性差异，实现抗药性转基因玉米品种的快速筛选和性能评估。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明预测转基因玉米抗药性的数字检测方法的流程示意图；
图2为本发明预测转基因玉米抗药性的数字检测***的结构示意图；
图3为本发明串联网络结构示意图；
图4为本发明并联网络结构示意图；
图5为本发明重建三叶期盆栽玉米植株的三维模型示意图；
图6为本发明以叶片宽度为例，经过校正后的参数值与手工测量值(视为真实值)的线性关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种预测转基因玉米抗药性的数字检测方法及***，以实现抗草甘膦转基因玉米品种的快速筛选和性能评估。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供的一种预测转基因玉米抗药性的数字检测方法，包括如下步骤。
步骤101：获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量。
步骤102：根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域。
步骤103：根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定。
步骤104：将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成。
步骤105：根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性。
步骤106：将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的。
作为一种优选的具体实施方式，本实施例提供的步骤101具体包括：
获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像。
获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量。
获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
作为一种优选的具体实施方式，本实施例提供的步骤102具体包括：
对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像。
根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域。
采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域。
根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
作为一种优选的具体实施方式，本实施例提供的步骤103具体包括：
根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型。
对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息。
根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征。
对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
作为一种优选的具体实施方式，本实施例所述的串联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，在确定训练样本之前，首先获取一段时间内的原始数据信息，然后对原始数据按照步骤102和步骤104进行处理后得到训练样本；所述原始数据信息包括转基因玉米品种的RGB图像、三维点云数据以及叶绿素相对含量，以及非转基因玉米品种的RGB图像、三维点云数据以及叶绿素相对含量。这里所述的转基因玉米品种和非转基因玉米是在实验室培养的，其培养过程参见实施例三。
构建串联网络结构；所述串联网络结构由卷积神经网络和长短时记忆网络串联组成，其串联网络结构如图3所示，其串联网络结构设置单个输入样本的大小为5×12，其中样本时间序列点数为5，训练特征数为12；卷积层卷积核的大小设置为1×12，卷积核的个数设置为32个，激励函数选择Relu函数；经过卷积层后将输出大小为5×1的矩阵输入至LSTM层，LSTM隐藏层神经元个数设置为32，反向传播过程使用Adam优化算法，学习率设置为0.005，最终LSTM的输出作为回归层的输入实现对下一时刻检测参数的预测。
将所述训练样本的数据子集依次输入到所述串联网络结构以训练所述串联网络结构，进而得到训练好的串联网络结构；所述训练好的串联网络结构为串联模型；所述串联模型的输出为下一时刻的检测参数。
作为一种优选的具体实施方式，本实施例所述的并联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽。其训练样本与串联模型构建过程所应用的样本相同。
构建并联网络结构；所述并联网络结构由卷积神经网络和长短时记忆网络并联组成，其并联网络结构如图4所示，其并联网络结构共有三部分组成。第一部分由一层LSTM组成，输入矩阵为5×12的特征矩阵，每个LSTM的节点均收到同一时刻的12个特征数据，共计5个节点，神经元个数设置为16；第二部分由两层卷积层组成，输入与第一部分相同，两层卷积层的卷积核大小均设置为3×3，卷积核个数依次设置为32和16，激励函数均选择Relu函数；第三部分由一层全连接层和一层Softmax层组成，具体地，由神经元个数为16的全连接层学习经第一、二部分的输出拼接得到的特征序列，由Softmax层(神经元个数为2)实现对转基因玉米和非转基因玉米的识别，即最终实现抗草甘膦玉米品种的快速筛选和性能评估。
将所述训练样本的数据子集依次输入到所述并联网络结构以训练所述并联网络结构，进而得到训练好的并联网络结构；所述训练好的并联网络结构为并联模型；所述并联模型的输出为玉米植株品种；所述玉米植株品种包括转基因玉米品种和非转基因玉米品种。
实施例二
如图2所示，本实施例提供的一种预测转基因玉米抗药性的数字检测***，包括：
检测信息获取模块201，用于获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量。
像素比值计算模块202，用于根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域。
形态特征计算模块203，用于根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定。
检测参数和检测参数变化曲线图预测模块204，用于将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成。
耐药特性确定模块205，用于根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性。
植株品种预测模块206，用于将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的。
其中，所述检测信息获取模块201，具体包括：
RGB图像获取单元，用于获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像。
叶绿素相对含量获取单元，用于获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量。
三维点云数据获取单元，用于获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
所述像素比值计算模块202，具体包括：
图像预处理单元，用于对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像。
第二区域确定单元，用于根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域。
第一区域确定单元，用于采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域。
像素比值计算单元，用于根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
所述形态特征计算模块203，具体包括：
三维模型重建单元，用于根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型。
点云数据邻域信息确定单元，用于对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息。
初始形态特征确定单元，用于根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征。
校正单元，用于对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
实施例三
本实施例提供的预测转基因玉米抗药性的数字检测方法，包括以下步骤：
步骤S1：实验材料准备。
本实施例所用的若干转基因玉米种子(glyphosate-insensitive5-enolpyruvylshikimate-3-phosphate synthase，EPSPS)和非转基因种子由浙江省农科院提供，草甘膦异丙胺盐水剂(400ml)由浙江省杭州市植保站提供。播种前，需要将上述种子在清水中浸于12个小时，使其充分吸水，利于出芽。
步骤S2：玉米样本制备。
将浸泡后的种子播种于花盆中(上口径11.5cm，高度11cm，底径8cm)，为保证每个花盆都有一株玉米，需在每个花盆播下两粒玉米种子。随后做好标签后，将所有花盆置于培养箱中培养，其培养周期设有两个时段，第一时段为12小时，温度为25℃，光照度为80％，第二时段为12小时，温度为21℃，光照度为0。待到种子发芽之后，根据每盆玉米幼苗的实际情况，每盆花盆只留下一株玉米幼苗，如图3所示。此时，转基因玉米、非转基因玉米各20株；其中，每一品种设置15株实验组和5株对照组。
18天后，玉米植株基本生长至三叶期时，即培养至六期时，使用喷壶向转基因玉米植株和非转基因玉米植株两品种的实验组喷施浓度1080a.e.ha-1，喷施量120L·ha-1的草甘膦异丙铵盐水剂，与此同时，对照组的所有玉米植株喷施同等剂量的清水。在喷施后的第1、2、3、4、5、6天进行下述数据的采集。本实施例设置对照组的作用在于衡量分别用清水处理后和草甘膦异丙胺盐水剂处理后的同一品种在同一时刻的性状表现差异，以消除其他变量对结果的影响。
步骤S3：数据采集及预处理。
为尽可能减少外界环境等因素的影响，所有数据采集的工作尽可能保证于每日同一时间段完成。
具体实施步骤如下：1)使用手持式叶绿素测定仪测得叶片的叶绿素相对含量X1i(i＝1,2,3,…，X1i代表在第i时刻采集的数据，下同)；2)以黑色绒布为背景，从玉米植株尽可能完全伸展的角度，使用手机拍摄所有玉米植株的RGB图像，然后基于MATLAB 2015b软件，经过二值化、图像滤波、去除噪声、制作腌膜等处理，提取仅有玉米植株的彩色图像；然后基于RGB空间，由最大类间方差法分割出受草甘膦异丙胺盐作用后而发生变化的区域，计算出该区域像素点数与该株玉米所有叶片总像素点数的比值X2i；3)通过比较各种三维点云数据获取方法，从操作的方便性、点云数据的质量以及后期数据处理的难度方面考虑，本实施例使用手持式三维激光扫描仪获取玉米植株的三维点云数据，进而重建玉米植株的三维模型，如图5所示；然后经过点云数据采样、点云数据去噪、滤波等预处理，在保证玉米植株点云特征的同时尽可能较少点云数据数量，以简化后续计算，提高效率；将预处理后的点云数据按八叉树的结构进行存储，以赋予各点云数据的邻域信息；接着基于骨架提取分离茎叶，提取得到玉米植株的10个形态特征参数：株高X3i、冠层直径X4i、茎粗X5i、茎高X6i、第一叶长X7i1、第一叶宽8i1、第二叶长X7i2、第二叶宽8i2、第三叶长X7i3和第三叶宽8i3；第一叶长X7i1、第二叶长X7i2和第三叶长X7i3是按照玉米植株的根部向上、枝叶由外向内的顺序限定；第一叶宽8i1、第二叶宽8i2和第三叶宽8i3是按照玉米植株的根部向上、枝叶由外向内的顺序限定，最后根据已知尺度参数的标准件的点云测量值对上述10个形态特征参数给予校正(具体为：需要预先使用三维激光扫描仪对已知尺度参数的标准件进行扫描，根据基于三维模型提取得到的参数与标准尺度参数之间的关系，对玉米植株的形态特征参数进行校正)。三维点云数据的作用在于以无损的方式获取上述10个形态特征参数。图6为本发明以叶片宽度为例，经过校正后的参数值与手工测量值(视为真实值)的线性关系图，y为叶宽真实值(通过手工测量得到)，x为叶宽测量值(基于三维点云模型提取得到)，R2为相关系数。
步骤S4：基于K-means聚类算法，对步骤S3获取的数据按75％：15％：10％的比例划分训练集、验证集和预测集，考虑到不同数值的取值范围的差异，在上述数据输入到LSTM网络模型和CNN模型之前，需要将其进行数据归一化处理，调整数值在[0,1]之间，计算公式为：式中，X为原始数据，X’为归一化后的数据，Max、Min分别为原始数据的最大值、最小值。
步骤S5：预测各参数在下一时刻的数值。
综合卷积神经网络在特征提取方面，以及长短时记忆网络在学习序列数据前后依赖关系中的显著优势，建立卷积神经网络(Convolutional Neural Networks，CNN)和长短时记忆(Long Short-Term Memory，LSTM)网络的串联模型。该串联模型的单个输入样本的大小为5×12，其中样本时间序列点数为5，训练特征数为12；卷积层卷积核的大小设置为1×12，卷积核的个数设置为32个，激励函数选择Relu函数；经过卷积层后将输出大小为5×1的矩阵输入至LSTM层，LSTM隐藏层神经元个数设置为32，反向传播过程使用Adam优化算法，学习率设置为0.005，最终LSTM的输出作为回归层的输入实现对下一时刻检测参数的预测。即根据本步骤的串联模型的输出，确定未来一段时间内的各个参数值，进而得到各个参数变化曲线图；基于此变化曲线图评估草甘膦胁迫后转基因玉米品种和非转基因玉米品种的耐药性，以及两者耐药性的差异。
步骤S6：检测抗药性转基因玉米。
建立卷积神经网络(Convolutional NeuralNetworks，CNN)和长短时记忆(LongShort-Term Memory，LSTM)网络的并联模型。首先由LSTM、CNN网络结构分别提取各参数的时序特征和数据局部特征，然后将二者融合后，依次经过全连接层、Softmax层，输出转基因玉米和非转基因玉米两个类别的分类结果，从而实现抗草甘膦玉米品种的快速筛选和性能评估。
本发明基于RGB图像和三维激光扫描技术得到的三维模型，应用CNN-LSTM模型预测草甘膦胁迫后转基因玉米品种和非转基因玉米品种的耐药性以及差异，实现抗草甘膦转基因玉米品种的快速筛选和性能评估。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种预测转基因玉米抗药性的数字检测方法，其特征在于，包括：
获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量；
根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域；
根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定；
将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成；
根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性；
将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的；
所述串联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建串联网络结构；所述串联网络结构由卷积神经网络和长短时记忆网络串联组成；
将所述训练样本的数据子集依次输入到所述串联网络结构以训练所述串联网络结构，进而得到训练好的串联网络结构；所述训练好的串联网络结构为串联模型；所述串联模型的输出为下一时刻的检测参数；
所述并联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建并联网络结构；所述并联网络结构由卷积神经网络和长短时记忆网络并联组成；
将所述训练样本的数据子集依次输入到所述并联网络结构以训练所述并联网络结构，进而得到训练好的并联网络结构；所述训练好的并联网络结构为并联模型；所述并联模型的输出为玉米植株品种；所述玉米植株品种包括转基因玉米品种和非转基因玉米品种。
2.根据权利要求1所述的一种预测转基因玉米抗药性的数字检测方法，其特征在于，所述获取当前时刻经过药剂喷洒后的玉米植株的检测信息，具体包括：
获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像；
获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量；
获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
3.根据权利要求1所述的一种预测转基因玉米抗药性的数字检测方法，其特征在于，所述根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值，具体包括：
对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像；
根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域；
采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域；
根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
4.根据权利要求1所述的一种预测转基因玉米抗药性的数字检测方法，其特征在于，所述根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征，具体包括：
根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型；
对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息；
根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征；
对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
5.一种预测转基因玉米抗药性的数字检测***，其特征在于，包括：
检测信息获取模块，用于获取当前时刻经过药剂喷洒后的玉米植株的检测信息；所述检测信息包括RGB图像、三维点云数据以及叶绿素相对含量；
像素比值计算模块，用于根据当前时刻所述RGB图像，计算当前时刻所述玉米植株的像素比值；所述像素比值为所述玉米植株第一区域内的像素点数与所述玉米植株第二区域内的像素点数的比值；所述玉米植株第一区域为所述玉米植株受药剂作用后而发生变化的叶片区域，所述第二区域为所述玉米植株所有叶片的区域；
形态特征计算模块，用于根据当前时刻所述三维点云数据，计算当前时刻所述玉米植株的形态特征；所述形态特征包括株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；其中，所述第一叶长、所述第二叶长和所述第三叶长是按照玉米植株的根部向上、枝叶由外向内的顺序限定；所述第一叶宽、所述第二叶宽和所述第三叶宽是按照玉米植株的根部向上、枝叶由外向内的顺序限定；
检测参数和检测参数变化曲线图预测模块，用于将当前时刻所述玉米植株的检测参数输入到串联模型中以预测下一时刻所述玉米植株的检测参数，进而得到下一时段所述玉米植株的检测参数变化曲线图；所述串联模型是基于卷积神经网络和长短时记忆网络构建的；所述检测参数包括叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；所述时段是由多个连续的时刻组成；
耐药特性确定模块，用于根据所述玉米植株的检测参数变化曲线图预估所述玉米植株的耐药特性；
植株品种预测模块，用于将当前时刻所述玉米植株的检测参数输入到并联模型中以预测所述玉米植株的品种；所述并联模型是基于卷积神经网络和长短时记忆网络构建的；
所述串联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建串联网络结构；所述串联网络结构由卷积神经网络和长短时记忆网络串联组成；
将所述训练样本的数据子集依次输入到所述串联网络结构以训练所述串联网络结构，进而得到训练好的串联网络结构；所述训练好的串联网络结构为串联模型；所述串联模型的输出为下一时刻的检测参数；
所述并联模型的构建过程为：
确定训练样本；所述训练样本为具有时间连续性的数据集合；所述数据集合包括多个在时间上具有连续性的数据子集；所述数据子集包括某一时刻的叶绿素相对含量、像素比值、株高、冠层直径、茎粗、茎高、第一叶长、第一叶宽、第二叶长、第二叶宽、第三叶长和第三叶宽；
构建并联网络结构；所述并联网络结构由卷积神经网络和长短时记忆网络并联组成；
将所述训练样本的数据子集依次输入到所述并联网络结构以训练所述并联网络结构，进而得到训练好的并联网络结构；所述训练好的并联网络结构为并联模型；所述并联模型的输出为玉米植株品种；所述玉米植株品种包括转基因玉米品种和非转基因玉米品种。
6.根据权利要求5所述的一种预测转基因玉米抗药性的数字检测***，其特征在于，所述检测信息获取模块，具体包括：
RGB图像获取单元，用于获取拍照设备采集的当前时刻经过药剂喷洒后的玉米植株的RGB图像；
叶绿素相对含量获取单元，用于获取手持式叶绿素测定仪采集的当前时刻经过药剂喷洒后的玉米植株的叶绿素相对含量；
三维点云数据获取单元，用于获取手持式三维激光扫描仪采集的当前时刻经过药剂喷洒后的玉米植株的三维点云数据。
7.根据权利要求5所述的一种预测转基因玉米抗药性的数字检测***，其特征在于，所述像素比值计算模块，具体包括：
图像预处理单元，用于对当前时刻所述RGB图像进行二值化、图像滤波、去除噪声以及制作腌膜处理，以提取当前时刻仅有玉米植株的彩色图像；
第二区域确定单元，用于根据当前时刻所述玉米植株的彩色图像确定当前时刻第二区域；
第一区域确定单元，用于采用最大类间方差法对当前时刻所述玉米植株的彩色图像进行分割以获取当前时刻第一区域；
像素比值计算单元，用于根据当前时刻所述第一区域内的像素点数和当前时刻所述第二区域内的像素点数，计算当前时刻所述玉米植株的像素比值。
8.根据权利要求5所述的一种预测转基因玉米抗药性的数字检测***，其特征在于，所述形态特征计算模块，具体包括：
三维模型重建单元，用于根据当前时刻所述三维点云数据，重建所述玉米植株的三维模型；
点云数据邻域信息确定单元，用于对所述三维模型进行预处理，并对预处理后的三维模型的点云数据按照八叉树结构形式存储，以确定各个所述点云数据的邻域信息；
初始形态特征确定单元，用于根据各个所述点云数据的邻域信息，确定当前时刻所述玉米植株的初始形态特征；
校正单元，用于对所述初始形态特征进行校正，以获取最终的当前时刻所述玉米植株的形态特征。
CN202110029557.8A 2021-01-11 2021-01-11 一种预测转基因玉米抗药性的数字检测方法及*** Active CN112837267B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110029557.8A CN112837267B (zh) 2021-01-11 2021-01-11 一种预测转基因玉米抗药性的数字检测方法及***
US17/399,826 US11864552B2 (en) 2021-01-11 2021-08-11 Digital detection method and system for predicting drug resistance of transgenic maize

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110029557.8A CN112837267B (zh) 2021-01-11 2021-01-11 一种预测转基因玉米抗药性的数字检测方法及***

Publications (2)

Publication Number Publication Date
CN112837267A CN112837267A (zh) 2021-05-25
CN112837267B true CN112837267B (zh) 2023-12-26

Family

ID=75929495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110029557.8A Active CN112837267B (zh) 2021-01-11 2021-01-11 一种预测转基因玉米抗药性的数字检测方法及***

Country Status (2)

Country Link
US (1) US11864552B2 (zh)
CN (1) CN112837267B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023089775A1 (ja) * 2021-11-19 2023-05-25 日本電信電話株式会社 予測モデル作成システム、予測モデルの作成方法、及び予測方法
CN116171840B (zh) * 2023-01-18 2023-09-08 广州市林业和园林科学研究院 一种簕杜鹃花期调控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104748677A (zh) * 2015-02-11 2015-07-01 中国矿业大学(北京) 采用三维激光扫描方式测量植株形态的方法
KR20170056728A (ko) * 2015-11-13 2017-05-24 사단법인 한국온실작물연구소 L(Lindenmayer) 시스템과 이미지 및 빔 척도를 이용한 작물체 초장 및 생육량 측정 시스템
CN106950573A (zh) * 2017-02-23 2017-07-14 北京农业信息技术研究中心 一种基于无人机激光雷达的玉米涝渍灾害评估方法及***
CN109859099A (zh) * 2019-01-22 2019-06-07 华中农业大学 基于sfm点云深度的盆栽玉米杂草快速去除方法
CN110969654A (zh) * 2018-09-29 2020-04-07 北京瑞智稷数科技有限公司 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN111931700A (zh) * 2020-09-10 2020-11-13 华中农业大学 一种基于多分类器的玉米品种真伪鉴别方法和鉴别***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10221124A1 (de) * 2002-05-13 2003-11-27 Bayer Cropscience Ag Verfahren und Vorrichtung zur automatischen Auszählung und Klassifizierung von tierischen Schädlingen
US10713484B2 (en) * 2018-05-24 2020-07-14 Blue River Technology Inc. Semantic segmentation to identify and treat plants in a field and verify the plant treatments
US11676244B2 (en) * 2018-10-19 2023-06-13 Mineral Earth Sciences Llc Crop yield prediction at field-level and pixel-level
CN113939730A (zh) * 2019-05-13 2022-01-14 荷语布鲁塞尔自由大学 用于颗粒表征的方法和***
BR112022002875A2 (pt) * 2019-08-19 2022-05-17 Blue River Tech Inc Identificação de grupo de plantas

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104748677A (zh) * 2015-02-11 2015-07-01 中国矿业大学(北京) 采用三维激光扫描方式测量植株形态的方法
KR20170056728A (ko) * 2015-11-13 2017-05-24 사단법인 한국온실작물연구소 L(Lindenmayer) 시스템과 이미지 및 빔 척도를 이용한 작물체 초장 및 생육량 측정 시스템
CN106950573A (zh) * 2017-02-23 2017-07-14 北京农业信息技术研究中心 一种基于无人机激光雷达的玉米涝渍灾害评估方法及***
CN110969654A (zh) * 2018-09-29 2020-04-07 北京瑞智稷数科技有限公司 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN109859099A (zh) * 2019-01-22 2019-06-07 华中农业大学 基于sfm点云深度的盆栽玉米杂草快速去除方法
CN111931700A (zh) * 2020-09-10 2020-11-13 华中农业大学 一种基于多分类器的玉米品种真伪鉴别方法和鉴别***

Also Published As

Publication number Publication date
US11864552B2 (en) 2024-01-09
US20220217966A1 (en) 2022-07-14
CN112837267A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Constable et al. The yield potential of cotton (Gossypium hirsutum L.)
US9933405B2 (en) Immature ear photometry in maize
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
EP2936435B1 (en) Non-destructive imaging of crop plants
CN112837267B (zh) 一种预测转基因玉米抗药性的数字检测方法及***
CN106718363B (zh) 一种面向精细农业的灌溉试验方法及其试验平台
Nyombi et al. Allometric growth relationships of East Africa highland bananas (Musa AAA‐EAHB) cv. Kisansa and Mbwazirume
Concepcion II et al. Lettuce Canopy Area Measurement Using Static Supervised Neural Networks Based on Numerical Image Textural Feature Analysis of Haralick and Gray Level Co-Occurrence Matrix
CN114140692A (zh) 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法
CN114128608A (zh) 一种果园灌溉管理方法及***
Dias et al. Traits for canopy development and light interception by twenty-seven Brazilian sugarcane varieties
Quan et al. Multimodal remote sensing application for weed competition time series analysis in maize farmland ecosystems
CN116704356B (zh) 基于卷积神经网络的玉米耐盐碱鉴定方法及***
CN115909063A (zh) 一种中分辨率水稻提取方法及***
Bagheri et al. Artificial neural network potential in yield prediction of lentil (Lens culinaris L.) influenced by weed interference
Yamanura et al. NDVI derived LAI model: a novel tool for crop monitoring.
Tanno Analysis of changes in topdressing application effect on rice by NDVI using hierarchical Bayesian model
CN117235322B (zh) 作物耐盐高产品种筛选方法、装置、电子设备及存储介质
RU2595850C1 (ru) Способ диагностики срезанных зелёных черенков для прогнозирования их укореняемости
Yogeswari et al. Precision Data Acquisition and Analysis for Nutrient Management of Tomatoes
Guerra et al. Determination of cultivar coefficients for the CSM-CROPGRO-Peanut model using variety trial data
Perla et al. A Critical Implementation Strategy Proposed for Continuous Monitoring of Minerals in the Soil and to Identify the Diseases of Banana Plant Using Support Vector Machine.
CN104025843B (zh) 基于土壤动物区系去除的转基因植物种植风险评价方法
Padilla et al. Rice Spikelet Yield Determination Using Image Processing
Zeynalova Study of sowing quality, oiliness and resistance to wilt disease of seeds of geographically distant cotton varieties

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
GR01 Patent grant
GR01 Patent grant