一种用于玉米单产提升的良种筛选方法及系统与流程

本技术涉及农业，具体而言，涉及一种用于玉米单产提升的良种筛选方法及系统。

背景技术：

1、玉米种子是具有长成玉米成株能力的繁殖体，它由胚珠经过传粉受精形成，玉米与传统的水稻、小麦等粮食作物相比，玉米具有很强的耐旱性、耐寒性、耐贫瘠性以及极好的环境适应性，玉米的营养价值较高，是优良的粮食作物。

2、玉米种子是具有长成玉米成株能力的繁殖体，它由胚珠经过传粉受精形成，但是种子在入库前，需要了解入库玉米种子的成熟度差、破损率高，在种子含水率较高时，很容易遭受微生物和仓贮害虫危害，同时玉米种子入库前不仅要根据玉米品种严格分开，还应根据种子产地、水分、纯度、净度等级情况划分种子批号。

3、也就是说，现有的玉米育种为了生产出单产较高的粮食作物，在育种后需要对玉米种子进行筛选。相关技术中，对玉米种子筛选时，大多将玉米种子置于筛网上抖动实现筛选，会造成其中的虫蛀玉米筛选不彻底，人工挑选时，劳动力投入大且筛选效率低。

4、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种用于玉米单产提升的良种筛选方法及系统，以解决上述技术问题。

2、本技术提供了一种用于玉米单产提升的良种筛选方法，包括：获取所述待筛选的玉米种子的第一多光谱图像、第二光谱图像与第三光谱图像；其中，所述第一多光谱图像包含5个通道的图像，所述第二多光谱图像包含16个通道的图像，所述第三多光谱图像包含19个通道的图像；获取所述待筛选的玉米种子的衰减全反射光谱；对所述衰减全反射光谱进行时域频域信号的转换及吸光度参数的提取得到吸光度谱；基于所述吸光度谱对所述待筛选的玉米种子对应的所述第一多光谱图像、所述第二多光谱图像以及所述第三多光谱图像进行图像增强和图像融合，获得多光谱图像融合数据；其中，所述图像增强包括对所述第一多光谱图像、所述第二多光谱图像以及所述第三多光谱图像进行图像旋转、图像平移和图像镜像；所述图像融合包括对所述第一多光谱图像包含的5个通道的图像、所述第二多光谱图像包含的16个通道的图像以及所述第三多光谱图像包含的19个通道的图像进行融合；将所述多光谱图像融合数据输入构建的包括多级卷积层的卷积神经网络模型进行模型训练，获得训练完成的玉米种子良种筛选模型；其中，所述卷积神经网络模型的参数包括多组卷积核生成参数；将所述多光谱图像融合数据输入所述训练完成的玉米种子良种筛选模型，以对所述待筛选的玉米种子中的良种进行预测筛选。

3、进一步地，所述卷积神经网络模型采用双层注意力机制，所述将所述多光谱图像融合数据输入构建的包括多级卷积层的卷积神经网络模型进行模型训练，获得训练完成的玉米种子良种筛选模型，包括：利用所述多光谱图像融合数据对所述多组卷积核生成参数进行训练，其中，在训练中，利用每一组卷积核生成参数基于原始卷积核中的一部分生成一个衍生卷积核，得到多个衍生卷积核；利用所述原始卷积核以及所述多个衍生卷积核对所述多光谱图像融合数据的图像特征进行卷积处理，得到多个特征映射；其中，所述原始卷积核的表达式具体为：

4、conv(i,j)＝(x*k)(i,j)

5、其中，conv(i,j)为所述原始卷积核；x表示输入；k表示卷积核；*为卷积运算符号；i与j表示输出位置；将所述双层注意力机制包括的硬注意力机制应用到所述多个特征映射；通过向所述多个特征映射提供权重以获得加权的特征映射，将所述注意力机制包括的软注意力应用到所述加权的特征映射；基于所述多个特征映射以及所述加权的特征映射计算输出特征向量；将所述输出特征向量送入前三元组损失函数以及后三元组损失函数进行阶段交替训练，计算损失值，再通过反向传播的方式更新所述卷积神经网络的权重，直至所述前三元组损失函数以及所述后三元组损失函数均收敛，获得训练完成的所述玉米种子良种筛选模型。

6、进一步地，所述将所述输出特征向量送入前三元组损失函数以及后三元组损失函数进行阶段交替训练，包括：将所述前三元组损失函数训练阶段称为前阶段；将所述后三元组损失函数训练阶段称为后阶段；训练从所述前阶段开始，训练第一预设数量个纪元后变换为所述后阶段训练第二预设数量个纪元。

7、进一步地，所述卷积核生成参数的组数是所述原始卷积核的个数。

8、进一步地，在所述将所述多光谱图像融合数据输入所述训练完成的玉米种子良种筛选模型，以对所述待筛选的玉米种子中的良种进行预测筛选之后，所述方法还包括：指示安装于良种腔内的紫外线消毒灯对筛选后的玉米种子中的良种进行杀菌。

9、本技术还提供了一种用于玉米单产提升的良种筛选系统，包括：多光谱图像获取单元，用于获取所述待筛选的玉米种子的第一多光谱图像、第二光谱图像与第三光谱图像；其中，所述第一多光谱图像包含5个通道的图像，所述第二多光谱图像包含16个通道的图像，所述第三多光谱图像包含19个通道的图像；吸光度谱生成单元，用于获取所述待筛选的玉米种子的衰减全反射光谱；对所述衰减全反射光谱进行时域频域信号的转换及吸光度参数的提取得到吸光度谱；图像处理单元，用于基于所述吸光度谱对所述待筛选的玉米种子对应的所述第一多光谱图像、所述第二多光谱图像以及所述第三多光谱图像进行图像增强和图像融合，获得多光谱图像融合数据；其中，所述图像增强包括对所述第一多光谱图像、所述第二多光谱图像以及所述第三多光谱图像进行图像旋转、图像平移和图像镜像；所述图像融合包括对所述第一多光谱图像包含的5个通道的图像、所述第二多光谱图像包含的16个通道的图像以及所述第三多光谱图像包含的19个通道的图像进行融合；模型训练单元，用于将所述多光谱图像融合数据输入构建的包括多级卷积层的卷积神经网络模型进行模型训练，获得训练完成的玉米种子良种筛选模型；其中，所述卷积神经网络模型的参数包括多组卷积核生成参数；预测筛选单元，用于将所述多光谱图像融合数据输入所述训练完成的玉米种子良种筛选模型，以对所述待筛选的玉米种子中的良种进行预测筛选。

10、进一步地，所述将所述输出特征向量送入前三元组损失函数以及后三元组损失函数进行阶段交替训练，包括：将所述前三元组损失函数训练阶段称为前阶段；将所述后三元组损失函数训练阶段称为后阶段；训练从所述前阶段开始，训练第一预设数量个纪元后变换为所述后阶段训练第二预设数量个纪元。

11、基于本技术提供的实施例，获取待筛选的玉米种子的第一多光谱图像、第二光谱图像与第三光谱图像；获取待筛选的玉米种子的衰减全反射光谱；对衰减全反射光谱进行时域频域信号的转换及吸光度参数的提取得到吸光度谱；基于吸光度谱对待筛选的玉米种子对应的第一多光谱图像、第二多光谱图像以及第三多光谱图像进行图像增强和图像融合，获得多光谱图像融合数据；将多光谱图像融合数据输入构建的包括多级卷积层的卷积神经网络模型进行模型训练，获得训练完成的玉米种子良种筛选模型；将多光谱图像融合数据输入训练完成的玉米种子良种筛选模型，以对待筛选的玉米种子中的良种进行预测筛选。也就是说，本技术实现了自动化筛选玉米种子中的良种，提高了筛选玉米种子过程的效率，使得筛选玉米种子达到更加精准的效果；同时为后续提高良种单产奠定了基础。