一种基于神经网络模型的林草种子发芽能力检测方法与流程

本发明涉及林草种子检测，具体为一种基于神经网络模型的林草种子发芽能力检测方法。

背景技术：

1、林草种子是指用作下次作物生长的物品，泛指用于农业生产的繁殖器官，它是裸子植物和被植物特有的繁殖体，由种皮，胚，胚乳组成；在对林草种子进行检测时可采用基于低场脉冲磁共振技术的植物含水含油率测量仪，用于测量植物样品的含水率、含油率、水分的分布状态以及迁移变化规律，也可采用基于光化学测氧技术的种子活力测量仪，通过测量种子呼吸作用来反映种子活力，可以实现单粒种子的活力测量。

2、在申请公布号为cn109916838b的中国发明申请中，公开了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，该方法包括：获取原始高光谱成像数据；数据预处理；发芽试验，获得分组数据；选取特征波长，提取特征波长下的高光谱数据；进行标准归一化处理；利用主成分分析法进行降维；构建人工神经网络模型，得到预测模型；采集待测水稻种子的高光谱图像，得出待测水稻种子发芽能力的预测结果。

3、在以上发明申请中，虽然结合高光谱成像和人工神经网络完成了对待测水稻种子发芽能力的预测，但是其无法根据用户的实际需求进行预测处理，对于预测结果的准确性也得不到进一步的提高。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于神经网络模型的林草种子发芽能力检测方法，通过确定林草种子深层表型特征和判定是否超过预警阈值的方式，对单个林草种子发芽能力的评估值gea进行有效的筛选，提高对平均评估值gep计算的精准度，采用搭建的趋势预测模型，通过获取多组对应的实际发芽率q和平均评估值gep，可在模型中得到预测的曲线图形，帮助工作人员从趋势预测模型中直接获取预测的实际发芽率q，在模型中切换不同的模式以应对用户的实际需求，解决了背景技术中提出的问题。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、一种基于神经网络模型的林草种子发芽能力检测方法，包括如下步骤：

6、从采种母树林上选取林草种子，依据林草种子深层表型特征确定对应的林草种子是否存活，提取存活的林草种子作为样本，获取样本中各个林草种子的特征并构建数据集；其中获取到林草种子的特征包括：林草种子湿度r、种子重量m以及林草种子表面纹理因子μ；

7、搭建人工神经网络模型，将数据集按照预定比例分为训练集和测试集，根据训练集对人工神经网络模型进行训练，并使用测试集对人工神经网络模型进行测试，采用梯度下降法调整人工神经网络模型的参数，直至达到性能预期目标，基于人工神经网络模型得到林草种子发芽能力的预测模型；

8、具体的，人工神经网络模型的设计包含网络结构和参数；其中的网络结构指输入层、隐藏层、输出层的连接方式和节点数量，本技术中采用的网络结构为循环神经网络，参数则包含激活函数和损失函数，激活函数是网络中对神经元输出值进行非线性转换的函数，可选用sigmoid，损失函数是网络中对网络性能进行评价和优化的指标，可选用交叉熵；要为人工神经网络模型提供合适的结构和参数，在优化模型性能的同时，保证模型的有效性和泛化性，这是神经网络模型设计中必不可少的环节；由于在模型训练过程中，优化指标往往会随着训练数据的不断迭代而逐渐收敛，因此在训练过程中需要设定一个合理的性能预期目标，这个预期目标取决于模型类型和应用场景；当模型的性能达到预期时，可以认为模型已经达到了预期的性能，此时即可使用该模型对新数据进行预测处理。

9、依据数据集获取单个林草种子发芽能力的评估值gea，判断单个林草种子发芽能力的评估值gea是否超过预警阈值，提取预警阈值内的评估值gea，并计算出同一样本中林草种子发芽能力的平均评估值gep；需要说明的是：预警阈值为判定种子是否具有发芽能够的判断值，可通过统计对应不具发芽能力的林草种子评估值gea的方式得到。

10、搭建趋势预测模型，选取至少三组样本，并同时获取各个样本的实际发芽率q和林草种子发芽能力的平均评估值gep，建立预测曲线图形，从而得到不同平均评估值gep下对应的实际发芽率q；具体的，在趋势预测模型中若是需要提高输出结果的精度，则可增加选取样本的数量。

11、进一步的，在规则引擎中确定采种母树林选取林草种子的数量n≤100，选定样本中林草种子数量n为100的情况下，若是提取到存活的林草种子数量n＜100，则继续从采种母树林选取林草种子，确定存活后提取作为样本，直至林草种子数量n达到100。

12、进一步的，所述林草种子深层表型特征为种子的三维结构，且林草种子深层表型特征的获取方式为借助显微ct表型测量仪，确定对应的林草种子是否存活的依据为林草种子的胚是否存在；若存在，则判定对应的林草种子存活，若不存在，则判定对应的林草种子无法存活，并不具有发芽能力。

13、进一步的，获取林草种子湿度r的方式为采用非破坏性测量技术，非破坏性测量技术至少包括：电容法、红外线辐射测湿法以及磁共振法，具体可选用电容法获取林草种子湿度r，获取种子重量m的方式为通过称重器直接称取。

14、进一步的，获取林草种子表面纹理因子μ的步骤为：

15、对样本中的各个林草种子表面进行水洗，直至杂质去除；

16、采用扫描电子显微镜获取林草种子表面的纹理图像；

17、通过图像分割技术对纹理图像中的纹理区域进行提取，经过滤波处理后获取纹理特征；

18、使用灰度共生矩阵算法计算出纹理特征的对比度，即林草种子表面纹理因子μ。

19、进一步的，获取林草种子湿度r、种子重量m以及林草种子表面纹理因子μ，无量纲化处理后，获取单个林草种子发芽能力的评估值gea；

20、其中，单个林草种子发芽能力的评估值gea的获取方式如下：

21、

22、其中，α和β均为可变更常数参数，0.38≤α≤0.72，0.42≤β≤0.58，且α+β＝1，其具体值由用户调整设置，c2为常数修正系数；

23、获取同一样本中林草种子发芽能力的平均评估值gep的方式为：

24、

25、其中，gea1表示样品中第一颗林草种子发芽能力的评估值，gea2表示样品中第二颗林草种子发芽能力的评估值，gean表示样品中第n颗林草种子发芽能力的评估值。

26、进一步的，获取样本实际发芽率q的具体步骤为：

27、将样本中的各个林草种子浸泡在含有荧光素、糖和营养物质的溶液中；

28、待到林草种子发芽后，荧光素会结合到发芽部位，形成荧光斑点；

29、得到荧光斑点数目l后，通过如下方式即可获取样本的实际发芽率q：

30、

31、其中，n为选定样本中林草种子的数量。

32、进一步的，在搭建趋势预测模型中，选取三组样本后可获取三组对应的实际发芽率q和平均评估值gep，将三组对应的实际发芽率q和平均评估值gep代入到预测曲线图形中，可得到整个曲线的变化趋势，其中的平均评估值gep作为自变量，实际发芽率q作为因变量。

33、进一步的，搭建的趋势预测模型采用二次曲线模型，将获取到的三组对应的实际发芽率q和平均评估值gep定义为三个坐标点，以直角坐标系中的三个点为基础，按照二次曲线模型建立数据方程，并根据数据方程绘制用于预测的曲线图形，在二次曲线模型中输入平均评估值gep后自动输出相应的实际发芽率q，输出的实际发芽率q为二次曲线模型中预测的发芽率q。

34、(三)有益效果

35、本发明提供了一种基于神经网络模型的林草种子发芽能力检测方法，具备以下有益效果：

36、1、采用人工神经网络模型得到的林草种子发芽能力预测模型，获取样本中林草种子发芽能力的平均评估值gep，通过确定林草种子深层表型特征和判定是否超过预警阈值的方式，对单个林草种子发芽能力的评估值gea进行有效的筛选，从而提高对平均评估值gep计算的精准度，可帮助工作人员完成对样本发芽能力的初步判断；

37、2、采用搭建的趋势预测模型，通过获取多组对应的实际发芽率q和平均评估值gep，可在模型中得到预测的曲线图形，帮助工作人员从趋势预测模型中直接获取预测的实际发芽率q，完成对林草种子发芽能力的预估，在后续的检测过程中不需要进行发芽试验，大大节省了检测过程的总耗时，从而在一定程度上提高了检测工作的效率；

38、3、为了应对用户的实际需求，可在模型中切换不同的模式，若是用户需要快速、粗略的预估林草种子的发芽能力，在规则引擎中减少确定采种母树林选取林草种子的数量n，及在趋势预测模型中样本量的选取，由于模型中计算处理量减少，从而提高结果输出的速度；若是用户需要精确地预估林草种子的发芽能力，则可在规则引擎中确定采种母树林选取林草种子的数量n为最大值，并在趋势预测模型中增加样本数量的选取，可在误差范围内提高结果输出的准确性，帮助用户完成对林草种子发芽能力的预测。