[發(fā)明專利]一種預測轉基因玉米抗藥性的數(shù)字檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110029557.8
• 申請日: 2021-01-11
• 公開（公告）號: CN112837267A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設計）人: 馮旭萍;陶明珠;何勇;楊睿;張金諾;史永強
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06T7/90;G06Q50/02;G06N3/04;G06N3/08
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 程華

1.一種預測轉基因玉米抗藥性的數(shù)字檢測方法，其特征在于，包括：

獲取當前時刻經過藥劑噴灑后的玉米植株的檢測信息；所述檢測信息包括RGB圖像、三維點云數(shù)據(jù)以及葉綠素相對含量；

根據(jù)當前時刻所述RGB圖像，計算當前時刻所述玉米植株的像素比值；所述像素比值為所述玉米植株第一區(qū)域內的像素點數(shù)與所述玉米植株第二區(qū)域內的像素點數(shù)的比值；所述玉米植株第一區(qū)域為所述玉米植株受藥劑作用后而發(fā)生變化的葉片區(qū)域，所述第二區(qū)域為所述玉米植株所有葉片的區(qū)域；

根據(jù)當前時刻所述三維點云數(shù)據(jù)，計算當前時刻所述玉米植株的形態(tài)特征；所述形態(tài)特征包括株高、冠層直徑、莖粗、莖高、第一葉長、第一葉寬、第二葉長、第二葉寬、第三葉長和第三葉寬；其中，所述第一葉長、所述第二葉長和所述第三葉長是按照玉米植株的根部向上、枝葉由外向內的順序限定；所述第一葉寬、所述第二葉寬和所述第三葉寬是按照玉米植株的根部向上、枝葉由外向內的順序限定；

將當前時刻所述玉米植株的檢測參數(shù)輸入到串聯(lián)模型中以預測下一時刻所述玉米植株的檢測參數(shù)，進而得到下一時段所述玉米植株的檢測參數(shù)變化曲線圖；所述串聯(lián)模型是基于卷積神經網絡和長短時記憶網絡構建的；所述檢測參數(shù)包括葉綠素相對含量、像素比值、株高、冠層直徑、莖粗、莖高、第一葉長、第一葉寬、第二葉長、第二葉寬、第三葉長和第三葉寬；所述時段是由多個連續(xù)的時刻組成；

根據(jù)所述玉米植株的檢測參數(shù)變化曲線圖預估所述玉米植株的耐藥特性；

將當前時刻所述玉米植株的檢測參數(shù)輸入到并聯(lián)模型中以預測所述玉米植株的品種；所述并聯(lián)模型是基于卷積神經網絡和長短時記憶網絡構建的。

2.根據(jù)權利要求1所述的一種預測轉基因玉米抗藥性的數(shù)字檢測方法，其特征在于，所述獲取當前時刻經過藥劑噴灑后的玉米植株的檢測信息，具體包括：

獲取拍照設備采集的當前時刻經過藥劑噴灑后的玉米植株的RGB圖像；

獲取手持式葉綠素測定儀采集的當前時刻經過藥劑噴灑后的玉米植株的葉綠素相對含量；

獲取手持式三維激光掃描儀采集的當前時刻經過藥劑噴灑后的玉米植株的三維點云數(shù)據(jù)。

3.根據(jù)權利要求1所述的一種預測轉基因玉米抗藥性的數(shù)字檢測方法，其特征在于，所述根據(jù)當前時刻所述RGB圖像，計算當前時刻所述玉米植株的像素比值，具體包括：

對當前時刻所述RGB圖像進行二值化、圖像濾波、去除噪聲以及制作腌膜處理，以提取當前時刻僅有玉米植株的彩色圖像；

根據(jù)當前時刻所述玉米植株的彩色圖像確定當前時刻第二區(qū)域；

采用最大類間方差法對當前時刻所述玉米植株的彩色圖像進行分割以獲取當前時刻第一區(qū)域；

根據(jù)當前時刻所述第一區(qū)域內的像素點數(shù)和當前時刻所述第二區(qū)域內的像素點數(shù)，計算當前時刻所述玉米植株的像素比值。

4.根據(jù)權利要求1所述的一種預測轉基因玉米抗藥性的數(shù)字檢測方法，其特征在于，所述根據(jù)當前時刻所述三維點云數(shù)據(jù)，計算當前時刻所述玉米植株的形態(tài)特征，具體包括：

根據(jù)當前時刻所述三維點云數(shù)據(jù)，重建所述玉米植株的三維模型；

對所述三維模型進行預處理，并對預處理后的三維模型的點云數(shù)據(jù)按照八叉樹結構形式存儲，以確定各個所述點云數(shù)據(jù)的鄰域信息；

根據(jù)各個所述點云數(shù)據(jù)的鄰域信息，確定當前時刻所述玉米植株的初始形態(tài)特征；

對所述初始形態(tài)特征進行校正，以獲取最終的當前時刻所述玉米植株的形態(tài)特征。

5.根據(jù)權利要求1所述的一種預測轉基因玉米抗藥性的數(shù)字檢測方法，其特征在于，所述串聯(lián)模型的構建過程為：

確定訓練樣本；所述訓練樣本為具有時間連續(xù)性的數(shù)據(jù)集合；所述數(shù)據(jù)集合包括多個在時間上具有連續(xù)性的數(shù)據(jù)子集；所述數(shù)據(jù)子集包括某一時刻的葉綠素相對含量、像素比值、株高、冠層直徑、莖粗、莖高、第一葉長、第一葉寬、第二葉長、第二葉寬、第三葉長和第三葉寬；

構建串聯(lián)網絡結構；所述串聯(lián)網絡結構由卷積神經網絡和長短時記憶網絡串聯(lián)組成；

將所述訓練樣本的數(shù)據(jù)子集依次輸入到所述串聯(lián)網絡結構以訓練所述串聯(lián)網絡結構，進而得到訓練好的串聯(lián)網絡結構；所述訓練好的串聯(lián)網絡結構為串聯(lián)模型；所述串聯(lián)模型的輸出為下一時刻的檢測參數(shù)。