[發明專利]基于近紅外光譜的單籽粒水稻品種真實性判別方法及裝置

有效

• 申請號: 202110087463.6
• 申請日: 2021-01-22
• 公開（公告）號: CN112924412B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 徐琢頻;應敏杰;王琦;王敏欣;張鵬飛;吳躍進;馬洪娟;劉斌美;常冬;范爽;程維民
• 申請（專利權）人: 中國科學院合肥物質科學研究院;中化現代農業有限公司
• 主分類號: G01N21/359
• 分類號: G01N21/359;G01N21/3563;G01N21/59;G06V10/77;G06V10/764;G06N3/04
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 丁瑞瑞

1.基于近紅外光譜的單籽粒水稻品種真實性判別方法，其特征在于，所述方法包括：

步驟一：收集若干和目標水稻品種遺傳背景一致的水稻籽粒并賦予第一分類標簽，收集若干和目標水稻品種遺傳背景不同的水稻籽粒并賦予第二分類標簽，將收集的所有的水稻籽粒作為校正集，并將每個水稻籽粒對應的分類標簽按順序組成類別信息矩陣；

步驟二：采集校正集的水稻籽粒的近紅外光譜；

步驟三：利用譜回歸算法對全部的近紅外光譜進行降維提取，將降維提取后的光譜輸入自注意力網絡的輸入層從而構建單籽粒水稻近紅外品種判別模型；其中，利用譜回歸算法對全部的近紅外光譜進行降維提取包括：

步驟301：對全部校正集的水稻籽粒的近紅外光譜構成的矩陣Z，Z＝{z₁，z₂，…，z_i，…，z_m}，z_i代表第i條光譜，具有n個波長點，m為光譜樣本個數，矩陣Z上每一條光譜對應鄰接圖G上的一個頂點，構建鄰接圖G使得G＝{Z，W}；鄰接圖G的構建方式如下：1)首先利用K最鄰近算法計算各個頂點之間的距離，再將每個頂點與其最靠近的5個頂點連接構成邊；2)對于任意兩個頂點，去除它們之間不重疊的邊；3)對于任意兩個頂點z_i和z_j，其中，i，j∈[1,m]，i≠j，當它們之間有邊時賦予權重當它們之間沒有邊時賦予權重w_ij＝0，全部的w_ij構成權重矩陣W；

步驟302：通過公式Wy＝λDy獲取廣義特征問題的前m個最大特征值對應的特征向量的集合y，其中，y＝{y₁，y₂，…，y_i，…，y_m}，y_i為集合y中第i個特征向量，λ為特征值且λ≠0，D是由特征值構成的對角矩陣，其對角線上的值為權重矩陣W對應行的和，即第i行i列的元素D_ii＝∑_jw_ij，且第一個特征值D₁₁為1，w_ij為權重矩陣W第i行第j列的元素；

步驟303：利用公式求解滿足Z^Ta_k＝y_k的第k個投影向量a_k，其中，γ為正則化參數且γ設為0.01，k∈N^*，且k≤100，N^*為正整數集；

步驟304：利用投影向量構建投影矩陣A且A＝{a₁，…，a_k，…，a_m}；

步驟305：通過公式h＝A^TZ獲取特征變量矩陣h，特征變量矩陣h為矩陣Z降維至m以后的特征變量數據集合；

所述將降維提取后的光譜輸入自注意力網絡的輸入層包括：

所述自注意力網絡包括自注意力模塊和全連接神經網絡，自注意力模塊包括輸入層、隱藏層和輸出層，輸入層接收特征變量矩陣h，輸出層利用Sigmoid函數將輸出結果限制在0到1之間，將小于閾值0.5的輸出置為0，大于0.5的置為1；

自注意力模塊的輸入層輸出結果與自注意力模塊的輸出層輸出結果相乘作為全連接神經網絡的輸入，全連接神經網絡包含兩個隱藏層，分別為第一層和第二層，第一層設置50個神經元，第二層設置30個神經元，使用elu函數作為激活函數；全連接神經網絡的輸出層有兩個神經元，激活函數為Softmax分類器；使用Adam優化器進行網絡訓練，判定輸出值為1的光譜對應的樣本為目標水稻品種，輸出值為2的光譜對應的樣本為其它水稻品種，全連接神經網絡的輸出層輸出結果與類別信息矩陣比較，誤差在預設范圍之內則停止訓練；

步驟四：通過單籽粒水稻近紅外品種判別模型預測未知單籽粒水稻的品種真實性。

2.根據權利要求1所述的基于近紅外光譜的單籽粒水稻品種真實性判別方法，其特征在于，所述步驟一包括：收集合計不少于1000顆成熟、完善的水稻籽粒，其中，和目標水稻品種遺傳背景一致的水稻籽粒不少于500粒且賦予第一分類標簽，第一分類標簽為1；和目標水稻品種遺傳背景不同的水稻籽粒不少于500粒并賦予第二分類標簽，第二分類標簽為2。