[發明專利]一種基于卷積神經網絡的玉米制種果穗圖像初級分類方法

在審

• 申請號: 201810344463.8
• 申請日: 2018-04-17
• 公開（公告）號: CN108549910A
• 公開（公告）日: 2018-09-18
• 發明（設計）人: 馬欽;崔雪蓮;朱德海;郭浩;劉哲;張秦川;楊玲
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

本發明提供一種基于卷積神經網絡的玉米制種果穗圖像初級分類方法，包括：獲取玉米果穗圖像原始訓練樣本集和測試樣本集；通過遷移學習方法，利用AlexNet卷積神經網絡，根據判別得到每一果穗測試樣本的所屬類型及每一測試樣本的實際所屬類型，確定判別結果的準確率；若準確率在預設范圍外，根據擴增果穗訓練樣本集，優化AlexNet卷積神經網絡，得到第二卷積神經網絡，并重新判別所述測試樣本集中每一測試樣本所屬類型。本發明通過從隱含層自主學習果穗圖像由顏色、邊等低層到角點、形狀等高層特征的方式，避免了人工提取果穗圖像特征的繁瑣與片面，使卷積神經網絡具有自主選取圖像特征并進行學習、識別能力，對于玉米制種果穗初級自動化穗選提供了方法。

技術領域

本發明涉及模式識別領域，更具體地，涉及一種基于卷積神經網絡的玉米制種果穗圖像初級分類方法。

背景技術

種子公司在玉米制種過程中，通常是先進行穗選工作，然后進行粒選精加工。在穗選時，將表型特征良好的正常玉米果穗挑選出來，回收帶苞葉玉米果穗進行再次去苞葉處理，丟棄掉蟲蛀、霉變、籽粒敗育和異種的玉米果穗，對于提高種子的質量和純度，增加玉米產量關系密切。其他玉米果穗中包含的蟲蛀果穗、霉變果穗、異種果穗、籽粒敗育等果穗，體現在表型特征上，玉米果穗的形狀、大小、粒型、粒色、穗軸顏色、紋理等與正常玉米果穗的特征差異較大。而玉米果穗的苞葉在顏色和形狀特征上較玉米果穗明顯很多。傳統方法主要依靠人力篩選出帶苞葉玉米果穗和其他玉米果穗，存在篩選速度慢，耗費大量人力和財力的問題。

目前利用計算機視覺技術，對圖像特征進行提取，識別并分類玉米果穗，代替了傳統的人工挑選，運用圖像處理技術對果穗圖像進行精細的數字化分析和處理，雖然避免了人力物力的耗費的缺點，但這種方法需要人工進行特征提取和設計，計算復雜，且國內實際制種加工工廠多在室外進行，制種現場環境復雜多變，所拍攝的圖像識別魯棒性差，難以推向實際制種流水線。

發明內容

本發明提供一種克服上述問題或者至少部分地解決上述問題的一種基于卷積神經網絡的玉米制種果穗圖像初級分類方法。

根據本發明的一個方面，提供一種基于卷積神經網絡的玉米制種果穗圖像初級分類方法，包括：

S1、獲取玉米果穗原始訓練樣本集和玉米果穗測試樣本集，所述玉米果穗原始訓練樣本集和所述玉米果穗測試樣本集均包括正常玉米果穗的二維彩色圖像、帶苞葉玉米果穗的二維彩色圖像和其他玉米果穗的二維彩色圖像；

S2、通過AlexNet第一卷積神經網絡，判別所述玉米果穗測試樣本集中每一測試樣本的所屬類型，每一測試樣本的所屬類型為正常玉米果穗、帶苞葉玉米果穗或其他玉米果穗；

S3、根據判別得到的每一玉米果穗測試樣本的所屬類型以及每一測試樣本的實際所屬類型，確定判別結果的準確率；

S4、若所述判別結果的準確率在預設范圍之外，根據擴增玉米果穗訓練樣本集，對所述AlexNet第一卷積神經網絡進行優化訓練，得到第二卷積神經網絡，利用所述第二卷積神經網絡重新判別所述玉米果穗測試樣本集中每一測試樣本的所屬類型，所述擴增玉米果穗訓練樣本集通過增大所述玉米果穗原始訓練樣本集中原始訓練樣本的數量獲得。

優選地，步驟S4之前還包括：對所述玉米果穗原始訓練樣本集中的原始訓練樣本分別進行平移、旋轉、鏡像、改變原始訓練樣本的亮度和模糊原始訓練樣本，獲得所述擴增玉米果穗訓練樣本集。

優選地，步驟S4之前還包括：通過Dropout方法按照設定的概率值屏蔽掉所述AlexNet第一卷積神經網絡的部分神經元。

優選地，步驟S4進一步包括：根據所述擴增玉米果穗訓練樣本集，通過隨機梯度下降算法對所述AlexNet第一卷積神經網絡進行優化訓練，得到所述第二卷積神經網絡。

優選地，步驟S2之前還包括：根據所述原始玉米果穗訓練樣本集，對初始卷積神經網絡進行預訓練，獲取所述AlexNet第一卷積神經網絡。