[發明專利]一種基于深度學習卷積神經網絡的作物種子凈度判斷方法

有效

• 申請號: 201910208265.3
• 申請日: 2019-03-19
• 公開（公告）號: CN109949323B
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 劉軍;戴彰言;陳兵先;張文虎
• 申請（專利權）人: 廣東省農業科學院農業生物基因研究中心
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06N3/04
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 欒洋洋

本發明公開了一種基于深度學習卷積神經網絡的作物種子凈度判斷方法，包括步驟：取某種作物種子稱重量后置于種子凈度分析臺上，使作物種子照片同步傳入計算機處理系統；計算凈種子和雜質輪廓；對分離后的正常凈種子、雜質的輪廓照片進行分類，將籽粒分為正常作物凈種子和雜質；使用正常作物凈種子和雜質輪廓照片對深度卷積神經網絡進行訓練；使用驗證照片對深度卷積神經網絡進行驗證；使用深度卷積神經網絡對某種具體作物種子凈照片進行判定，分離出正常作物種子和雜質，計算作物種子凈度。本發明在種子凈度判斷過程中，可以對水稻種子進行詳細地分類統計，同時本發明還能對一批數量較大的樣品進行自動編號、記錄和統計，省工高效。

技術領域

本發明涉及種子凈度判斷領域，尤其涉及一種基于深度學習卷積神經網絡的作物種子凈度判斷方法。

背景技術

種子凈度是指在一定重量的種子中，正常種子的重量占總重量(包含正常種子之外的雜質)的百分比，雜質包括土石、雜草和其它種子等。

種子凈度＝(種子總重量—雜質重量/種子總重量)×100％。

種子凈度判斷是種子生產過程中必不可少的環節。隨著人們生活水平的提高，可用勞動力的減少，單純依靠人工操作考種的成本飛速增長。對種子凈度的判斷和測定的現有技術中一般采用密度測定、風選測定等方法進行種子凈度判斷。隨著技術的發展進步，現有技術如CN201510127908.3提出了一種基于超聲波技術的檢測種子凈度的方法，通過使用空氣耦合超聲波設備采集種子完好顆粒、蟲蛀孔洞顆粒、模擬蟲蛀孔洞(手工鉆孔)顆粒超聲回波信號數據，作為所述訓練和測試樣本；根據回波信號電壓強度對種子進行判別是否為有孔洞顆粒，包括用小波進行信號去噪處理，經主成分分析方法提取特征數據之后選用模式識別方法建立識別模型，并最終實現批量種子品質的在線檢測。該技術方案仍存在有以下不足：(1)無法對土石、雜草，其它種子等雜質進行詳細地分類統計；(2)不能對一批數量較大的樣品進行自動編號、記錄和統計。

深度學習是機器學習研究中的一個新的領域，通過建立模擬人腦進行分析學習的神經網絡，模仿人腦的機制來解釋數據，包括圖像，聲音和文本等。同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分，不同的學習框架下建立的學習模型很是不同。例如，卷積神經網絡(Convolutional neural networks，簡稱CNNs)就是一種深度的監督學習下的機器學習模型，而深度置信網(Deep BeliefNets，簡稱DBNs)就是一種無監督學習下的機器學習模型。目前尚無使用卷積神經網絡進行種子凈度判斷。

發明內容

為克服現有技術的不足，本發明提出一種基于深度學習卷積神經網絡的種子凈度判斷方法。

本發明的技術方案是這樣實現的：

一種基于深度學習卷積神經網絡的作物種子凈度判斷方法，包括步驟

S1：取一定數量的某種作物種子稱重量后置于種子凈度分析臺上；開啟工作臺上的拍照系統，使作物種子照片同步傳入計算機處理系統；

S2：從預先稱重好的該作物種子照片中分離出正常作物凈種子和雜質，所述雜質包括土石、雜草和其他植物種子，利用計算機視覺算法，計算凈種子和雜質輪廓；

S3：對分離后的凈種子、雜質的輪廓照片進行分類，將籽粒分為正常作物凈種子和雜質；

S4：使用正常作物凈種子和雜質輪廓照片對深度卷積神經網絡進行訓練；

S5：使用驗證照片對所述深度卷積神經網絡進行驗證；

S6：使用所述深度卷積神經網絡對某種具體作物種子照片進行判定，分離出正常作物凈種子和雜質，統計出正常凈種子的數量，根據正常凈種子的平均千粒重，計算出正常凈種子的重量和作物種子凈度，作物種子凈度＝(正常凈種子的重量/種子總重量)×100％。

進一步地，所述步驟S2包括步驟