花粉活性识别模型训练方法、系统及识别方法、系统

1.本发明涉及花粉活性识别技术领域，特别是涉及一种花粉活性识别模型训练方法、系统及识别方法、系统。


背景技术：

2.花粉是种子植物的雄配子体，可在高等植物有性繁殖过程中传递雄性亲本的遗传信息，其活力因植物种类及所处的环境而存在很大的差别。花粉活性是花粉具有生长、萌发、发育能力的前提条件，在农业生产、作物杂交育种、作物结实机理、花粉生理等方面常常被涉及到，且花粉发育及花粉管萌发是研究植物细胞极性生长和信号转导的重要体系。因此，建立快速的花粉活性鉴定方法，是杂交育种中雄性不育株选育及杂交技术改良的基础。再者，环境因素中，温度和湿度对花粉的活性影响很大，在全球气候变暖的大背景下，通过快速的花粉活性鉴定方法，有助于在植物群体水平，深入挖掘参与环境胁迫响应的花粉发育基因，并探讨这些基因是否参与花粉发育生理状态改变，为进一步采取分子生物学手段全面分析目的基因功能打下基础，为通过基因工程手段进行快速的品种改良准备条件。由此可见，花粉的活性状态与遗传育种工作息息相关。
3.花粉活力染色液(ttc法)是目前常用的花粉活性判定方法。ttc染色法的基本原理是：具有活性的花粉其呼吸作用较强，花粉的呼吸作用产生的nadh或fadh2可以将无色的ttc(2，3，5
‑
氯化三苯基四氮唑)还原成红色的ttf(三苯基甲臜)，所以具有活性的花粉在ttc法处理后会呈现不同程度的红色，而不具有活性的花粉因无法进行呼吸作用，不能使ttc显色，通过观察染色后的花粉颜色变化，即可得知花粉的活性。
4.在实际科研过程中，为了了解群体的性状，通常会一次性染色较多数目的花粉，染色后由人工计数，得到这一批次花粉的活性情况。但是人工计数的方法费时费力。故亟需一种能够自动识别花粉活性的方法及系统。


技术实现要素：

5.本发明的目的是提供一种花粉活性识别模型训练方法、系统及识别方法、系统，以实现花粉活性的自动识别，提高识别效率。
6.为实现上述目的，本发明提供了如下方案：
7.第一方面，本发明用于提供一种花粉活性识别模型训练方法，所述训练方法包括：
8.获取训练数据集；所述训练数据集包括多张训练用花粉染色图片；
9.建立待训练识别模型；所述待训练识别模型为目标检测模型；
10.利用所述训练数据集对所述待训练识别模型进行训练，得到识别模型。
11.本发明还用于提供一种花粉活性识别模型训练系统，所述训练系统包括：
12.第一获取模块，用于获取训练数据集；所述训练数据集包括多张训练用花粉染色图片；
13.构建模块，用于建立待训练识别模型；所述待训练识别模型为目标检测模型；
14.训练模块，用于利用所述训练数据集对所述待训练识别模型进行训练，得到识别模型。
15.第二方面，本发明用于提供一种花粉活性识别方法，所述识别方法包括：
16.获取待识别花粉染色图片；所述待识别花粉染色图片包括多个染色后花粉；
17.以所述待识别花粉染色图片作为输入，利用识别模型对所述待识别花粉染色图片进行识别，得到花粉活性数据；所述花粉活性数据包括具备活性的花粉数量、不具备活性的花粉数量及花粉总数量。
18.本发明还用于提供一种花粉活性识别系统，所述识别系统包括：
19.第二获取模块，用于获取待识别花粉染色图片；所述待识别花粉染色图片包括多个染色后花粉；
20.识别模块，用于以所述待识别花粉染色图片作为输入，利用识别模型对所述待识别花粉染色图片进行识别，得到花粉活性数据；所述花粉活性数据包括具备活性的花粉数量、不具备活性的花粉数量及花粉总数量。
21.根据本发明提供的具体实施例，本发明公开了以下技术效果：
22.本发明用于提供一种花粉活性识别模型训练方法及系统，先获取训练数据集，训练数据集包括多张训练用花粉染色图片。再建立待训练识别模型，待训练识别模型为目标检测模型。最后利用训练数据集对待训练识别模型进行训练，得到识别模型。本发明还提供一种花粉活性识别方法及系统，获取待识别花粉染色图片，再以待识别花粉染色图片作为输入，利用上述训练方法得到的识别模型对待识别花粉染色图片进行识别，得到花粉活性数据，进而能够利用训练好的识别模型对待识别花粉染色图片进行自动识别，提高识别速度和识别效率，避免人工数数带来的费时费力的问题。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1为本发明实施例1所提供的训练方法的方法流程图；
25.图2为本发明实施例1所提供的获取训练数据集的方法流程图；
26.图3为本发明实施例1所提供的花粉染色图片的示意图；
27.图4为本发明实施例1所提供的标注后花粉染色图片的示意图；
28.图5为本发明实施例2所提供的训练系统的系统框图；
29.图6为本发明实施例3所提供的识别方法的方法流程图；
30.图7为本发明实施例3所提供的识别模型识别得到的花粉染色图片的示意图；
31.图8为本发明实施例4所提供的识别系统的系统框图；
32.图9为本发明实施例4所提供的人机交互界面的示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.本发明的目的是提供一种花粉活性识别模型训练方法、系统及识别方法、系统，以实现花粉活性的自动识别，提高识别效率。
35.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
36.实施例1：
37.如图1所示，本实施例用于提供一种花粉活性识别模型训练方法，所述训练方法包括：
38.s1：获取训练数据集；所述训练数据集包括多张训练用花粉染色图片；
39.如图2所示，s1可以包括：
40.s11：采用ttc染色法对多个花粉进行染色，得到染色后花粉；
41.使用ttc染色法对植物花粉进行染色，进行花粉预处理，以得到染色后花粉。
42.s12：对所述染色后花粉进行拍摄，得到多张训练用花粉染色图片；每一所述训练用花粉染色图片包括多个所述染色后花粉；
43.具体的，将经过ttc染色法染色的染色后花粉在显微镜下拍摄照片，得到拍摄图像。此时，可直接将一张拍摄图像作为一张训练用花粉染色图片，进而进行多次拍摄得到多张训练用花粉染色图片，如图3所示，其给出了花粉染色图片的示意图。还可对每一拍摄图像进行拆分，得到多张训练用花粉染色图片，进而通过对拍摄图像进行剪裁拆分，能够减少训练用花粉染色图片的大小，提高模型的训练速度。
44.一般情况下，在显微镜下拍摄得到的拍摄图像为高清tif格式，本实施例可通过代码将其转换为占用内存较小的jpg格式图片文件，以减少占用内存。
45.s13：对所述训练用花粉染色图片进行标注，得到每一所述训练用花粉染色图片对应的花粉标注文件；
46.本实施例的目的在于通过模型自动区分植物花粉是否具有活性。通过初步观察，对于在圆形度、面积、周长等维度上的指标，有活性的花粉和无活性的花粉并没有差异，故上述指标不能作为区分花粉是否具有活性的指标。但是通过对花粉染色图片进行观察后得知，有活性的花粉和无活性的花粉在rgb通道下的颜色差异十分明显，有活性的花粉呈现深红色、红褐色等颜色，无活性的花粉呈现浅黄色，灰色等颜色。故本实施例可以通过颜色来区分花粉染色图片中的花粉的活性状态。
47.对训练用花粉染色图片进行标注可以包括：利用标注框分别对训练用花粉染色图片中的每一染色后花粉进行框选，并标注标签，得到训练用花粉染色图片对应的花粉标注文件，标注框为染色后花粉的最小外接框，标签包括具备活性和不具备活性。
48.更为具体的，可以使用lambelimg图像标注软件对每一训练用花粉染色图片进行标注，使每个肉眼可见的染色后花粉的像素边缘都在其所对应的标注框内，本实施例是将每个染色后花粉的最小外接框作为该染色后花粉对应的正确的标注框，并分别标注标签为“live”(具备活性)和“die”(不具备活性)，以区分有活性和无活性的花粉，此时所得到的标注后花粉染色图片如图4所示，进而获得花粉标注文件。
49.需要说明的是，通过lambelimg图像标注软件标注得到的花粉标注文件为yaml格式，此时需要将yaml格式的花粉标注文件转化为待训练识别模型可以识别的格式。
50.s14：所有所述训练用花粉染色图片和每一所述训练用花粉染色图片对应的花粉标注文件组成训练数据集。
51.s2：建立待训练识别模型；所述待训练识别模型为目标检测模型；
52.本实施例所用的待训练识别模型可为任意一个具备目标检测功能的目标检测模型。具体的，待训练识别模型可为yolo系列深度学习模型、基于pytorch或tensorflow框架的faster
‑
rcnn模型或者基于caffe框架的ssd深度学习模型。
53.s3：利用所述训练数据集对所述待训练识别模型进行训练，得到识别模型。
54.本实施例使用预训练和再训练相结合的混合训练方法对待训练识别模型进行训练，具体的，利用coco数据集对待训练识别模型进行预训练，得到预训练后模型，利用训练数据集对预训练后模型进行再训练，得到识别模型。
55.作为一种可选的实施方式，本实施例中可对训练数据集进行划分，按照8：1：1的比例将带标签的训练用花粉染色图片随机分为训练集，测试集和验证集，并将训练用花粉染色图片和其对应的标签(即花粉标注文件)按照上述划分方式分别存入相应的文件夹，等待待训练识别模型调用。训练集用于对待训练识别模型进行训练，验证集用于对训练后得到的识别模型进行验证，测试集用于对训练后得到的识别模型进行测试，测试其识别效果。
56.以下，以待训练识别模型为yolov5模型为例，对上述训练方法进行进一步的说明：
57.yolov5深度学习网络包括四个部分，分别是输入端，backbone端，head端和输出端。训练用花粉染色图片通过输入端输入网络进入backbone端，backbone端共由focus、csp、ssp九层结构组成，主要是对训练用花粉染色图片进行特征提取；第10层网络到第18层网络构成head端，主要对特征图进行上采样和下采样，同时进行特征融合；输出端由第19层和20层构成，通过非极大值抑制算法确定最终的标准框。
58.在对yolov5模型进行训练时，所用方法为：利用s1获得训练数据集，并将训练数据集中的每一训练用花粉染色图片对应的yaml格式的花粉标注文件内的坐标信息，通过代码批量转化为yolov5模型可以识别的txt格式文件。按照8：1：1的比例将带标签的训练用花粉染色图片随机分为训练集，测试集和验证集。yolov5模型先在coco数据集上进行预训练后得到yolov5m模型，再使用yolov5m模型在训练集上进行训练，得到识别模型。
59.在训练结束后，对获得的识别模型在测试集上进行测试，模型识别准确率达到90.4％，平均准确率(mean average precision，map)为0.988，recall为1，这证明利用本实施例的训练方法所训练得到的识别模型能够准确的对花粉活性进行识别。
60.通过人工计数的方法获取花粉活性费时费力，且由于花粉分布并不规律，计数时的准确率也难以保证，本实施例所提供的训练方法能够训练得到一个识别模型，利用该识别模型能够代替人工来对染色后的花粉进行计数，在保证一定的准确率的同时，可以大大节约识别时间，提高识别效率。
61.实施例2：
62.本实施例用于提供一种花粉活性识别模型训练系统，如图5所示，所述训练系统包括：
63.第一获取模块m1，用于获取训练数据集；所述训练数据集包括多张训练用花粉染
色图片；
64.构建模块m2，用于建立待训练识别模型；所述待训练识别模型为目标检测模型；
65.训练模块m3，用于利用所述训练数据集对所述待训练识别模型进行训练，得到识别模型。
66.实施例3：
67.本实施例用于提供一种花粉活性识别方法，如图6所示，所述识别方法包括：
68.t1：获取待识别花粉染色图片；所述待识别花粉染色图片包括多个染色后花粉；
69.具体的，先采用ttc染色法对多个花粉进行染色，进行花粉预处理，得到染色后花粉，再在显微镜下对所有染色后花粉进行拍摄，得到待识别花粉染色图片。待识别花粉染色图片的示意图参照图3。
70.t2：以所述待识别花粉染色图片作为输入，利用识别模型对所述待识别花粉染色图片进行识别，得到花粉活性数据；所述花粉活性数据包括具备活性的花粉数量、不具备活性的花粉数量及花粉总数量。
71.如图7所示，其给出了识别模型对待识别花粉染色图片进行识别后所得到的花粉染色图片的示意图，同时，识别模型会依据图7所述的花粉染色图片自动给出花粉活性数据。
72.本实施例提出了一种基于pytorch框架的花粉活性识别方法，采用实施例1训练得到的识别模型对花粉活性进行自动识别，识别精度高，为判断花粉活力和遗传育种提供了良好的技术支持。该识别方法在兼顾检测准确率的同时保证了极快的识别速度，检测速度可以达到270fps。
73.实施例4：
74.本实施例用于提供一种花粉活性识别系统，如图8所示，所述识别系统包括：
75.第二获取模块m4，用于获取待识别花粉染色图片；所述待识别花粉染色图片包括多个染色后花粉；
76.识别模块m5，用于以所述待识别花粉染色图片作为输入，利用识别模型对所述待识别花粉染色图片进行识别，得到花粉活性数据；所述花粉活性数据包括具备活性的花粉数量、不具备活性的花粉数量及花粉总数量。
77.如图9所示，本实施例的识别系统还包括人机交互界面，具体的，利用pyqt5插件制作人机交互界面(gui界面)，该人机交互界面能够实现选择检测文件夹、输出信息文本框、开始检测和退出程序等功能。
78.更为具体的，将训练得到的识别模型与gui界面的接口连接，使人机交互界面上的多个按键具有相应的功能。用户通过点击选择待检测文件夹按钮，选取检测文件夹，检测文件夹内包括待识别花粉染色图片，选择结束后，用户点击开始检测按钮开始识别。此时，人机交互界面根据用户选择向第二获取模块提供待识别花粉染色图片，第二获取模块和识别模块相配合得到花粉活性数据。人机交互界面还与识别模块交互获取并显示花粉活性数据，具体在人机交互界面上的检测结果处进行显示。用户通过点击退出程序按钮可以退出该人机交互界面。
79.本实施例所提供的检测系统为深度学习模型制作了gui界面，用户通过点击该人机交互界面开始检测，将用户选择的检测文件夹送入识别模型，得到花粉活性数据这一输
出结果并显示在检测结果处的文本框中，方便不具有代码基础的使用者使用该系统进行花粉活性检测。
80.本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
81.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。