CN114062305A - 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** - Google Patents
基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** Download PDFInfo
- Publication number
- CN114062305A CN114062305A CN202111204576.6A CN202111204576A CN114062305A CN 114062305 A CN114062305 A CN 114062305A CN 202111204576 A CN202111204576 A CN 202111204576A CN 114062305 A CN114062305 A CN 114062305A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- resnet network
- data
- network model
- 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.)
- Granted
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004497 NIR spectroscopy Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 description 26
- 241000209094 Oryza Species 0.000 description 16
- 235000007164 Oryza sativa Nutrition 0.000 description 16
- 235000009566 rice Nutrition 0.000 description 16
- 241000209140 Triticum Species 0.000 description 10
- 235000021307 Triticum Nutrition 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 1
- 102000053602 DNA Human genes 0.000 description 1
- 108010044467 Isoenzymes Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
基于近红外光谱和1D‑In‑Resnet网络的单籽粒品种鉴定方法及***,属于农作物真实性鉴定技术领域,解决现有技术的单籽粒品种鉴定方法复杂、耗时、精度低的问题;通过获取单粒待鉴定作物籽粒的近红外光谱;对所述近红外光谱数据进行归一化预处理;利用所述近红外光谱对所述构建的1D‑In‑Resnet网络模型进行训练;通过训练后的所述1D‑In‑Resnet网络模型对需要分类的作物单籽粒光谱进行品种真实性识别,获得品种真实性预测结果;可同时实现多个作物品种真实性的快速、准确判别,通过多分支的卷积层,提取不同尺度的特征,提升模型同时识别多个品种的作物籽粒真实性的准确性。
Description
技术领域
本发明属于农作物真实性鉴定技术领域,涉及一种基于近红外光谱和1D-In-Resnet 网络的单籽粒品种鉴定方法及***。
背景技术
水稻、小麦和玉米是中国主要的粮食作物。品种很大程度影响着这些作物的种子和其加工品的质量和产量。目前市场上的水稻品种成千上万、小麦和玉米品种也数目繁多,以次充好、掺杂使假的现象时有发生,给相关种子行业从业者生产加工的种子质量安全带来损害,同时也不利于下游粮食行业的粮食安全以及良好的按品质论价的市场秩序的形成。为保障种子和粮食质量安全,引导良好市场按质论价机制的形成,对作物籽粒的品种鉴定十分必要。然而,传统的作物品种真实性鉴定技术如DNA分子鉴定、同工酶鉴定、田间鉴定等方法存在操作复杂、检测结果耗时、损伤样品、污染环境、检测结果有滞后性的缺点,尤其在待测样本多且需要同时区分多个品种真实性的时候这些方法的工作量巨大。根据农业农村部2016年的农业主导品种和主推技术的通知,当年主推的水稻品种就有30个之多;而根据国家水稻数据中心的数据显示,仅2020年审定的水稻品种就有572个。市场上存在的大量的普通水稻品种,给有代表性的优质水稻品种的选育和种植时的质量控制带来困难。因此,亟需开发新的准确、不损伤样本且可同时高效识别大量水稻品种的分析技术十分必要。
目前,近红外光谱技术作为一种新兴的材料成分检测技术,具有快速、无损、高灵敏度等特点。由于以检测产品的有机组分为原理,而不同品种的常规稻水稻种子、小麦和玉米种子之间的有机组分均具有不同程度的差异,使得基于近红外的作物籽粒的品种真实性判定具备可行性。公开日期为2019年2月的文献《Innovative and rapid analysis forrice authenticity using hand-held NIRspectrometry and chemometrics》公开了利用手持式光谱仪对3个不同产地的水稻进行真实性鉴定。公开日期为2018年的文献《基于近红外光谱与SIMCA和PLS-DA的水稻品种鉴别》公开了采用近红外光谱技术分别结合SIMCA 和偏最小二乘法判别分析法(PLS-DA)对4个水稻品种进行鉴别。
然而,前人研究主要基于少数的几个品种进行判别,鲜有对更多品种同时准确光谱判别的研究报道。因此,为满足种子和粮食行业同时识别大量作物的品种真实性的需求,还需要开发新的更有效的适合解析光谱大数据的分析算法。由于计算机技术和机器学习技术的快速发展,卷积神经网络作为一种有效的深度学习算法已逐渐被应用于近红外光谱分析上,使得基于近红外光谱大数据的多个作物品种的真实性同时判别成为可能。在此基础上,通过进一步优化网络结构和参数,在提高鉴定准确率的同时,可同时判别的品种类别也比前人报道的更多,具有更广泛的应用前景。
发明内容
本发明的目的在于如何设计一种基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及***,以解决现有技术的单籽粒品种鉴定方法复杂、耗时、精度低的问题。
本发明是通过以下技术方案解决上述技术问题的:
基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法,包括以下步骤:
获取待鉴定作物单籽粒的近红外光谱,并对近红外光谱数据进行归一化预处理;
构建1D-In-Resnet网络模型,所述的1D-In-Resnet网络模型包括:输入层、卷积层、池化层、3个全连接层和输出层,其中卷积层为2个支路,第一支路1个卷积层,第二支路2个卷积层,每一卷积层后面加上BN正则化,经过Relu激活函数,将两个支路的输出进行合并,输出结果与原始数据进行相加,再经过最大池化后展平,输入全连接层,全连接层共有3层,每层节点数选在0~1000之间,最后输出分类结果;
利用近红外光谱对1D-In-Resnet网络模型进行训练;
利用训练后的1D-In-Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别,得到真实性预测结果。
本发明的技术方案通过获取单粒待鉴定作物籽粒的近红外光谱;对所述近红外光谱数据进行归一化预处理;利用所述近红外光谱对所述构建的1D-In-Resnet网络模型进行训练;通过训练后的所述1D-In-Resnet网络模型对需要分类的作物单籽粒光谱进行品种真实性识别,获得品种真实性预测结果;可同时实现多个作物品种真实性的快速、准确判别,通过多分支的卷积层,提取不同尺度的特征,提升模型同时识别多个品种的作物籽粒真实性的准确性。
作为本发明技术方案的进一步改进,所述的对近红外光谱数据进行归一化预处理的方法为:
对输入的近红外光谱数据进行预处理操作,采用Z-score标准化,对数据集每列数据求均值和标准差,基于原始数据的均值和标准差进行数据的标准化,新数据=(原数据-均值)/标准差,均值和标准差计算公式如下:
作为本发明技术方案的进一步改进,所述的利用近红外光谱对1D-In-Resnet网络模型进行训练的方法为:每次训练前对数据集进行初始归一化处理,1D-In-Resnet网络模型的训练中采用随机梯度下降算法,通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数,使得当迭代次数达到500epoch时训练结束。
作为本发明技术方案的进一步改进,所述的损失函数的公式如下:
其中,yi为第i个样品真实值,y_predictedi为第i个样品预测值。
作为本发明技术方案的进一步改进,所述的随机梯度下降法具体为:每一次迭代中使用样本进行学习参数和更新,每一代的学习参数和更新的公式如下:
Wt+1=Wt-ηtgt (4)
其中,t为迭代的次数,gt为t时刻更新的参数,Wt为t时刻的模型参数,ηt为学习率,J(W)为代价函数,is表示随机选择的一个梯度方向。
基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定***,包括:近红外光谱获取与归一化处理模块、网络模型构建模块以及网络模型训练与预测模块;
所述的近红外光谱获取与归一化处理模块用于获取待鉴定作物单籽粒的近红外光谱,并对近红外光谱数据进行归一化预处理;
所述的网络模型构建模块用于构建1D-In-Resnet网络模型,所述的1D-In-Resnet网络模型包括:输入层、卷积层、池化层、3个全连接层和输出层,其中卷积层为2个支路,第一支路1个卷积层,第二支路2个卷积层,每一卷积层后面加上BN正则化,经过Relu激活函数,将两个支路的输出进行合并,输出结果与原始数据进行相加,再经过最大池化后展平,输入全连接层,全连接层共有3层,每层节点数选在0~1000之间,最后输出分类结果;
所述的网络模型训练与预测模块用于利用近红外光谱对1D-In-Resnet网络模型进行训练,并利用训练后的1D-In-Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别,得到真实性预测结果。
作为本发明技术方案的进一步改进,所述的对近红外光谱数据进行归一化预处理的方法为:
对输入的近红外光谱数据进行预处理操作,采用Z-score标准化,对数据集每列数据求均值和标准差,基于原始数据的均值和标准差进行数据的标准化,新数据=(原数据-均值)/标准差,均值和标准差计算公式如下:
作为本发明技术方案的进一步改进,所述的利用近红外光谱对1D-In-Resnet网络模型进行训练的方法为:每次训练前对数据集进行初始归一化处理,1D-In-Resnet网络模型的训练中采用随机梯度下降算法,通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数,使得当迭代次数达到500epoch时训练结束。
作为本发明技术方案的进一步改进,所述的损失函数的公式如下:
其中,yi为第i个样品真实值,y_predictedi为第i个样品预测值。
作为本发明技术方案的进一步改进,所述的随机梯度下降法具体为:每一次迭代中使用样本进行学习参数和更新,每一代的学习参数和更新的公式如下:
Wt+1=Wt-ηtgt (4)
其中,t为迭代的次数,gt为t时刻更新的参数,Wt为t时刻的模型参数,ηt为学习率,J(W)为代价函数,is表示随机选择的一个梯度方向。
本发明的优点在于:
(1)本发明的技术方案通过获取单粒待鉴定作物籽粒的近红外光谱;对所述近红外光谱数据进行归一化预处理;利用所述近红外光谱对所述构建的1D-In-Resnet网络模型进行训练;通过训练后的所述1D-In-Resnet网络模型对需要分类的作物单籽粒光谱进行品种真实性识别,获得品种真实性预测结果;可同时实现多个作物品种真实性的快速、准确判别,通过多分支的卷积层,提取不同尺度的特征,提升模型同时识别多个品种的作物籽粒真实性的准确性。
(2)本发明提出1D-In-Resnet网络模型以inception网络为基础架构,与inception网络不同的是,该模型去掉了inception网络中1×1卷积和 maxpooling两个分支,因为这两个分支的作用是融合多通道信息,而光谱数据通道数为1,为了降低模型复杂度,所以去掉。同时为了提高模型的训练速度,加入了Resnet网络中的残差元素,将合并结果与原始输入相加,减少了信息的缺失,提高了模型的预测准确率,有助于实现更精准的品种真实性判别。
附图说明
图1为本发明实施例一的基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法的流程图;
图2为本发明实施例一的水稻籽粒的近红外光谱图;
图3为本发明实施例一的1D-In-resnet网络架构图;
图4为本发明实施例一的24个小麦品种光谱判别结果的混淆矩阵热力图。
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,下面将结合本发明实施例,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作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。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例一
如图1所示,基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法,包括以下步骤:
1、获取待鉴定作物单籽粒的近红外光谱;
所述的待鉴定作物单籽粒为水稻、小麦、玉米的单籽粒种子或其子代,其中水稻品种为常规稻品种。
下面以小麦为例进行详细说明,收集24个品种类别已知的、成熟饱满完善的小麦单籽粒样本,每一个品种采用100粒种子作为检测对象,在近红外高通量光谱采集***中进行光谱采集。光谱仪的采集范围为1100-2500nm,采集门宽1ms。每一粒种子采集一次光谱。获得小麦近红外光谱数据共2400条。随机取每个品种的80%作为训练集,20%作为测试集。训练集用于构建模型,测试集用于验证模型的预测效果。24个品种的小麦样品在近红外高通量光谱采集***中采集的近红外光谱如图2所示。
2、对近红外光谱数据进行归一化预处理,具体包括如下步骤:
对输入的光谱数据进行预处理操作,采用Z-score标准化,对数据集每列数据求均值和标准差,基于原始数据的均值和标准差进行数据的标准化,新数据=(原数据-均值) /标准差,均值和标准差计算公式如下:
3、构建1D-In-Resnet网络模型
所述的构建1D-In-Resnet网络模型包括:输入层、卷积层、池化层、3个全连接层和输出层,其中卷积层为2个支路,第一支路1个1×5×8卷积层,第二支路2个1 ×5×8卷积层,每一卷积层后面加上BN正则化,经过Relu激活函数,将两个支路的输出进行合并(Concatenation),输出结果与原始数据进行相加(Add),再经过1×2 (s=1)最大池化后展平,输入全连接层。所述全连接层共有3层,参数分别为500、250、 250,最后输出分类结果。
如图3所示,本发明中提出1D-In-Resnet网络模型以inception网络为基础架构,与inception网络不同的是,该模型去掉了inception网络中1×1卷积和maxpooling两个分支,因为这两个分支的作用是融合多通道信息,而光谱数据通道数为1,为了降低模型复杂度,所以去掉。同时为了提高模型的准确率,加入了Resnet网络中的残差元素,将合并结果与原始输入相加。
4、利用所述近红外光谱对所述构建的1D-In-Resnet网络模型进行训练,具体包括如下步骤:
每次训练前对数据集进行初始归一化处理,1D-In-Resnet网络模型的训练中采用随机梯度下降算法,通过不断降低损失函数的函数值来学习建立后的所述卷积神经网络的参数,使得当迭代次数达到500epoch时训练结束;
其中损失函数loss表示公式如下:
其中,yi为第i个样品真实值,y_predictedi为第i个样品预测值。
卷积神经网络模型训练时采用的随机梯度下降法是指每一次迭代中使用所述样本进行学习参数和更新,每一代的学习参数和更新可表示为公式(4)和(5):
Wt+1=Wt-ηtgt (4)
式中,t为迭代的次数,gt为t时刻更新的参数,Wt为t时刻的模型参数,ηt为学习率,J(W)为代价函数,is表示随机选择的一个梯度方向。
5、利用训练后的所述1D-In-Resnet网络模型对需要鉴别的作物单籽粒光谱进行真实性预测识别,得到作物真实性预测结果。在预测时,利用和步骤1相同的条件采集待测作物籽粒的光谱,利用步骤2中的方法对光谱进行预处理,利用步骤3-4中构建的模型预测这些预处理后的光谱,获得样品的类别归属。
利用所构建的1D-In-resnet模型预测测试集样本,以验证模型的识别效果。测试集样本的采集条件、预处理方法和训练集相同。
作为对照,本发明中以常用的机器学习算法:1D-CNN网络,1D-Inception网络和传统的PLS-DA算法作为对比构建模型,对测试集样本进行预测。表1为三种神经网络模型的参数分布。
表1三种神经网络模型参数分布
将三种模型预测测试集品种的预测值和真实值进行比较,评价模型的识别性能。
模型的识别性能通过准确率(ACC)、精确率(PRE)、召回率(REC)和F1分数进行评价,其计算公式如下:
准确率(ACC)计算公式为:
精确率(PRE)计算公式为:
召回率(REC)计算公式为:
F1计算公式为:
其中,TP为目标品种籽粒被模型正确判定的数目;FN为目标品种籽粒被模型误判为非目标品种籽粒的数目;FP为非目标品种籽粒被模型误判为目标品种籽粒的数目;TN为非目标品种籽粒被模型正确判定的数目;F1分数是精确度和召回率之间的调和平均值。
每种网络训练10次,取平均结果,预测结果如表2所示。由表2可知,1D-In-resnet网络相对于其他网络架构的作物真实性鉴定拥有更高的准确率,其准确率为95.35%,比1D-inception提升0.33%,比1D-CNN提升0.89%,比PLS-DA提升24.83%。其F1参数为95.42%,在3种网络中是最大的,说明模型准确率是最高的,证明了本实施例的有效性。
表2预测结果
网络 | ACC | PRE | REC | F1 |
1D-In-resnet | 95.35% | 95.42% | 95.42% | 95.42% |
1D-Inception | 95.02% | 94.79% | 94.79% | 94.79% |
1D-CNN | 94.46% | 94.58% | 94.58% | 94.58% |
PLS-DA | 70.52% | 70% | 70% | 70% |
如图4所示,1D-In-resnet模型输出24个小麦品种的混淆矩阵热力图,图中对角线上小正方形表示每个样品分类正确的数目,对角线以外的小正方形表示分类错误的数目,对角线上小正方形的颜色越深表示分类正确的数量越多,每个小正方形颜色的最大值为20,最小值为0。在图4中,有11个类别(第1,3,7,12,13,14,15,16,19,20,21 类)分类准确率为100%,8个类别(第0,4,5,6,9,10,17,22类)分类准确率为95%,3 个类别(第2,11,23类)分类准确率为90%,2个类别(第8,18类)分类准确率为80%。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法,其特征在于,包括以下步骤:
获取待鉴定作物单籽粒的近红外光谱,并对近红外光谱数据进行归一化预处理;
构建1D-In-Resnet网络模型,所述的1D-In-Resnet网络模型包括:输入层、卷积层、池化层、3个全连接层和输出层,其中卷积层为2个支路,第一支路1个卷积层,第二支路2个卷积层,每一卷积层后面加上BN正则化,经过Relu激活函数,将两个支路的输出进行合并,输出结果与原始数据进行相加,再经过最大池化后展平,输入全连接层,全连接层共有3层,每层参数选在0~1000之间,最后输出分类结果;
利用近红外光谱对1D-In-Resnet网络模型进行训练;
利用训练后的1D-In-Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别,得到真实性预测结果。
3.根据权利要求2所述的基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法,其特征在于,所述的利用近红外光谱对1D-In-Resnet网络模型进行训练的方法为:每次训练前对数据集进行初始归一化处理,1D-In-Resnet网络模型的训练中采用随机梯度下降算法,通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数,使得当迭代次数达到500epoch时训练结束。
6.基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定***,其特征在于,包括:近红外光谱获取与归一化处理模块、网络模型构建模块以及网络模型训练与预测模块;
所述的近红外光谱获取与归一化处理模块用于获取待鉴定作物单籽粒的近红外光谱,并对近红外光谱数据进行归一化预处理;
所述的网络模型构建模块用于构建1D-In-Resnet网络模型,所述的1D-In-Resnet网络模型包括:输入层、卷积层、池化层、3个全连接层和输出层,其中卷积层为2个支路,第一支路1个1×5×8卷积层,第二支路2个1×5×8卷积层,每一卷积层后面加上BN正则化,经过Relu激活函数,将两个支路的输出进行合并,输出结果与原始数据进行相加,再经过1×2(s=1)最大池化后展平,输入全连接层,全连接层共有3层,参数分别为500、250、250,最后输出分类结果;
所述的网络模型训练与预测模块用于利用近红外光谱对1D-In-Resnet网络模型进行训练,并利用训练后的1D-In-Resnet网络模型对需要鉴别的单籽粒光谱进行真实性预测识别,得到真实性预测结果。
8.根据权利要求7所述的基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定***,其特征在于,所述的利用近红外光谱对1D-In-Resnet网络模型进行训练的方法为:每次训练前对数据集进行初始归一化处理,1D-In-Resnet网络模型的训练中采用随机梯度下降算法,通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数,使得当迭代次数达到500epoch时训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204576.6A CN114062305B (zh) | 2021-10-15 | 2021-10-15 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204576.6A CN114062305B (zh) | 2021-10-15 | 2021-10-15 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114062305A true CN114062305A (zh) | 2022-02-18 |
CN114062305B CN114062305B (zh) | 2024-01-26 |
Family
ID=80234741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111204576.6A Active CN114062305B (zh) | 2021-10-15 | 2021-10-15 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114062305B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778485A (zh) * | 2022-06-16 | 2022-07-22 | 中化现代农业有限公司 | 基于近红外光谱和注意力机制网络的品种鉴定方法及*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
KR20170055753A (ko) * | 2015-11-12 | 2017-05-22 | 대한민국(농촌진흥청장) | 근적외선 분광기를 이용한 목초종자의 품종판별 방법 |
CN107037001A (zh) * | 2017-06-15 | 2017-08-11 | 中国科学院半导体研究所 | 一种基于近红外光谱技术的玉米单倍体籽粒鉴别方法 |
CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN109253983A (zh) * | 2018-11-30 | 2019-01-22 | 上海海洋大学 | 基于中红外光谱和神经网络技术的快速鉴定和检测小清蛋白的方法 |
CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
CN110567889A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111507319A (zh) * | 2020-07-01 | 2020-08-07 | 南京信息工程大学 | 一种基于深度融合卷积网络模型的农作物病害识别方法 |
CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
CN112924412A (zh) * | 2021-01-22 | 2021-06-08 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 |
CN113378971A (zh) * | 2021-06-28 | 2021-09-10 | 燕山大学 | 近红外光谱的分类模型训练方法、***及分类方法、*** |
CN113406030A (zh) * | 2021-08-04 | 2021-09-17 | 石河子大学 | 一种基于卷积神经网络的哈密瓜农药残留鉴别方法 |
-
2021
- 2021-10-15 CN CN202111204576.6A patent/CN114062305B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
KR20170055753A (ko) * | 2015-11-12 | 2017-05-22 | 대한민국(농촌진흥청장) | 근적외선 분광기를 이용한 목초종자의 품종판별 방법 |
CN107037001A (zh) * | 2017-06-15 | 2017-08-11 | 中国科学院半导体研究所 | 一种基于近红外光谱技术的玉米单倍体籽粒鉴别方法 |
CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
CN109253983A (zh) * | 2018-11-30 | 2019-01-22 | 上海海洋大学 | 基于中红外光谱和神经网络技术的快速鉴定和检测小清蛋白的方法 |
CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110567889A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111507319A (zh) * | 2020-07-01 | 2020-08-07 | 南京信息工程大学 | 一种基于深度融合卷积网络模型的农作物病害识别方法 |
CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
CN112098361A (zh) * | 2020-08-20 | 2020-12-18 | 苏州浩旸华智能科技有限公司 | 一种基于近红外光谱的玉米种子鉴别方法 |
CN112924412A (zh) * | 2021-01-22 | 2021-06-08 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 |
CN113378971A (zh) * | 2021-06-28 | 2021-09-10 | 燕山大学 | 近红外光谱的分类模型训练方法、***及分类方法、*** |
CN113406030A (zh) * | 2021-08-04 | 2021-09-17 | 石河子大学 | 一种基于卷积神经网络的哈密瓜农药残留鉴别方法 |
Non-Patent Citations (2)
Title |
---|
XIAOHONG LI 等: ""Research on high-throughput crop authenticity identification method based on near-infrared spectroscopy and InResSpectra model "", 《INFRARED PHYSICS AND TECHNOLOGY 》, no. 125 * |
李景军;张宸;曹强;: "面向训练阶段的神经网络性能分析", 计算机科学与探索, no. 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778485A (zh) * | 2022-06-16 | 2022-07-22 | 中化现代农业有限公司 | 基于近红外光谱和注意力机制网络的品种鉴定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114062305B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TU et al. | Selection for high quality pepper seeds by machine vision and classifiers | |
CN110830303B (zh) | 一种基于双向长短期记忆循环神经网络的网络流量预测方法 | |
CN102819745B (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
CN107292350A (zh) | 大规模数据的异常检测方法 | |
CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN112924412B (zh) | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 | |
CN111126471A (zh) | 微地震事件检测方法及*** | |
CN101819141B (zh) | 基于近红外光谱与信息处理的玉米品种鉴别方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN105117734B (zh) | 基于模型在线更新的玉米种子高光谱图像分类识别方法 | |
CN111062425B (zh) | 基于c-k-smote算法的不平衡数据集处理方法 | |
CN103048273A (zh) | 基于模糊聚类的水果近红外光谱分类方法 | |
CN105631474B (zh) | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 | |
CN113420795B (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及*** | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN114062305A (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及*** | |
CN111309577A (zh) | 一种面向Spark的批处理应用执行时间预测模型构建方法 | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
McDonald et al. | Images, features, or feature distributions? A comparison of inputs for training convolutional neural networks to classify lentil and field pea milling fractions | |
CN114778485B (zh) | 基于近红外光谱和注意力机制网络的品种鉴定方法及*** | |
CN113608223A (zh) | 基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 |
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 |