玉米果穗DUS性状判别方法、装置、设备及存储介质

本发明涉及农作物性状判别，尤其涉及到一种玉米果穗dus性状判别方法、装置、设备及存储介质。

背景技术：

1、dus测试，即特异性、一致性和稳定性测试，是评估玉米品种特异性的重要手段，通过dus测试，可以有效地鉴别和区分不同玉米品种，确保每个品种都具有独特的特性，从而避免品种混淆和市场混乱‌。dus性状判别的具体意义在于：‌保护品种权‌：通过dus测试，可以确保品种的特异性，从而有效保护品种权，防止侵权行为；‌促进农业发展‌：准确的品种鉴定有助于农业科研和育种工作，推动农业技术的进步和发展；‌保障粮食安全‌：通过稳定的品种鉴定，可以确保农业生产中的粮食安全和品质控制。

2、现有针对玉米果穗的dus性状判别方法皆采用人工判别的方式，具有判别效率不高、准确率低、受主观因素影响等缺陷。虽然，相关领域内的一些人工智能技术的使用可以实现基于图像特征的农作物性状判别，但玉米品种多（上千个小品种）、性状特征种类多（《植物品种特异性、一致性和稳定性测试指南 玉米》（gb/t 19557.24-2018）中提出了7个性状特征种类）的特点，导致在对不同玉米品种以及不同性状特征种类进行玉米果穗的dus性状判别时，存在着样本处理工作量大、训练时间长以及判别模型针对不同性状特征的识别效果有差异等问题。‌因此，如何提高玉米果穗dus性状判别的效率、准确率，降低处理工作量，是一个亟需解决的技术问题。

技术实现思路

1、本发明的主要目的在于提供一种玉米果穗dus性状判别方法、装置、设备及存储介质，旨在解决目前玉米果穗dus性状判别的效率与准确率不高且处理工作量大的技术问题。

2、为实现上述目的，本发明提供一种玉米果穗dus性状判别方法，包括以下步骤：

3、采集不同玉米品种的若干张果穗图像，构建玉米果穗图像集；

4、对所述玉米果穗图像集中的若干张果穗图像进行数据标注和数据集扩充，获得玉米果穗图像样本集；

5、将所述玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练，并利用所述玉米果穗图像样本集中的玉米果穗图像测试集进行测试，获得训练测试结果；

6、根据所述训练测试结果，调整玉米果穗图像样本集并重复执行训练与测试过程，直至获得训练完成的玉米果穗dus性状判别模型；

7、采集待判别玉米果穗的图像，将所述待判别玉米果穗的图像输入所述训练完成的玉米果穗dus性状判别模型，将所述训练完成的玉米果穗dus性状判别模型的输出作为所述待判别玉米果穗的dus性状判别结果。

8、可选的，采集不同玉米品种的若干张果穗图像，构建玉米果穗图像集步骤，具体包括：

9、准备若干个第一批玉米品种和若干个第二批玉米品种的玉米果穗；

10、对每个玉米品种的玉米果穗进行群体目测，基于玉米果穗dus性状判别的7种性状类别，选取出2个目标玉米果穗；其中，所述目标玉米果穗被配置为7种性状类别中任意一种性状类别的性状特征类型占比最高的2个玉米果穗；

11、搭建图像拍摄环境，将选取出的2个目标玉米果穗放入图像拍摄环境内进行图像拍摄，构建玉米果穗图像集。

12、可选的，将选取出的2个目标玉米果穗放入图像拍摄环境内进行图像拍摄，构建玉米果穗图像集步骤，具体包括：

13、搭建图像拍摄环境；其中，所述图像拍摄环境包括图像拍摄箱、设置于图像拍摄箱内相机、光源和背景纸；

14、将每个玉米品种的2个目标玉米果穗的其中一个不做任何处理直接放入搭建的图像拍摄环境内的背景纸上，将每个玉米品种的2个目标玉米果穗的其中另一个脱粒4-6行，并将玉米果穗中部1/3处脱粒的9粒玉米与脱粒后的玉米果穗一同放入图像拍摄环境内的背景纸上；

15、将标准比色卡放在背景纸上，利用相机拍摄图像拍摄箱内的背景纸上包含2个目标玉米果穗的图像，构建玉米果穗图像集。

16、可选的，对所述玉米果穗图像集中的若干张果穗图像进行数据标注和数据集扩充，获得玉米果穗图像样本集步骤，具体包括：

17、基于玉米果穗dus性状判别的7种性状类别，采用目测的方法对玉米果穗图像集中的若干张果穗图像进行性状特征类型的判定分级，根据判定分级结果对所述玉米果穗图像集进行数据标注；

18、利用自定义的随机数据增强方法对玉米果穗图像集进行数据集扩充，获得玉米果穗图像样本集；其中，所述随机数据增强方法包括平移旋转处理、椒盐噪声添加、高斯噪声添加和图像亮度与对比度调整中的至少一种；

19、其中，所述玉米果穗图像样本集包括由第一批玉米品种的玉米果穗经过图像采集、数据标注和数据集扩充之后生成的玉米果穗图像训练集和由第二批玉米品种的玉米果穗经过图像采集、数据标注和数据集扩充之后生成的玉米果穗图像测试集。

20、可选的，将所述玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练，并利用所述玉米果穗图像样本集中的玉米果穗图像测试集进行测试，获得训练测试结果步骤，具体包括：

21、将所述玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练；

22、其中，所述基于deepvit与aspp的神经网络模型包括：

23、vit模块，包括多头注意力机制和多层感知机，被配置为提取玉米果穗图像训练集中的图像特征并进行全局上下文的建模；

24、aspp模块，包括4个平行的空洞卷积层，所述空洞卷积层的第一层空洞率为6，使用一个3*3大小的卷积核，输出通道为256，激活函数为relu，第二层在其他参数不变的情况下将空洞率增加到12，第三层空洞率增加到18，最后一层进行一次全局平均池化，空洞率为1，被配置为捕获并整合不同尺度的信息；

25、head模块，包括卷积层、上采样层、特征融合和分类层，被配置为提取aspp模块产生的输出特征图中多尺度的语义信息，并利用双线性插值法上采样将输出特征图还原到原始输入图像的分辨率；

26、采用正则归一化对基于deepvit与aspp的神经网络模型的玉米果穗dus性状判别分级结果进行归一化处理；

27、利用所述玉米果穗图像样本集中的玉米果穗图像测试集对当前训练的基于deepvit与aspp的神经网络模型进行测试，获得训练测试结果。

28、可选的，根据所述训练测试结果，调整玉米果穗图像样本集并重复执行训练与测试过程，直至获得训练完成的玉米果穗dus性状判别模型步骤，具体包括：

29、提取训练测试结果中针对玉米果穗dus性状判别的7种性状类别中每种性状类别的判别准确率，判断每种性状类别的判别准确率是否皆高于目标准确率；

30、若是，完成玉米果穗dus性状判别模型的训练，若否，将目标玉米果穗对应性状类别之外的剩余6中性状类别中判别准确率最低的性状类别的性状特征类型占比最高的2个玉米果穗确定为新增加的目标玉米果穗；

31、将选取出的新增加的2个目标玉米果穗放入图像拍摄环境内进行图像拍摄，与之前拍摄采集的玉米果穗图像共同构建玉米果穗图像集，获得调整后的玉米果穗图像样本集并重复执行训练与测试过程，直至训练测试结果中每种性状类别的判别准确率皆高于目标准确率。

32、可选的，采集待判别玉米果穗的图像，将所述待判别玉米果穗的图像输入所述训练完成的玉米果穗dus性状判别模型，将所述训练完成的玉米果穗dus性状判别模型的输出作为所述待判别玉米果穗的dus性状判别结果步骤，具体包括：

33、将待判别玉米果穗放入图像拍摄环境内进行图像拍摄，采集获得待判别玉米果穗的图像，输入所述训练完成的玉米果穗dus性状判别模型；

34、将所述训练完成的玉米果穗dus性状判别模型的输出作为所述待判别玉米果穗的dus性状判别结果；其中，所述待判别玉米果穗的dus性状判别结果包括7种性状类别的性状特征类型对应的判别等级。

35、此外，为了实现上述目的，一种玉米果穗dus性状判别装置，包括：

36、构建模块，用于采集不同玉米品种的若干张果穗图像，构建玉米果穗图像集；

37、处理模块，用于对所述玉米果穗图像集中的若干张果穗图像进行数据标注和数据集扩充，获得玉米果穗图像样本集；

38、训练模块，用于将所述玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练，并利用所述玉米果穗图像样本集中的玉米果穗图像测试集进行测试，获得训练测试结果；

39、调整模块，用于根据所述训练测试结果，调整玉米果穗图像样本集并重复执行训练与测试过程，直至获得训练完成的玉米果穗dus性状判别模型；

40、判别模块，用于采集待判别玉米果穗的图像，将所述待判别玉米果穗的图像输入所述训练完成的玉米果穗dus性状判别模型，将所述训练完成的玉米果穗dus性状判别模型的输出作为所述待判别玉米果穗的dus性状判别结果。

41、此外，为了实现上述目的，本发明还提供了一种玉米果穗dus性状判别设备，所述玉米果穗dus性状判别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的玉米果穗dus性状判别程序，所述玉米果穗dus性状判别程序被所述处理器执行时实现如上所述的玉米果穗dus性状判别方法的步骤。

42、此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有玉米果穗dus性状判别程序，所述玉米果穗dus性状判别程序被处理器执行时实现上述的玉米果穗dus性状判别方法的步骤。

43、本发明的有益效果在于：提出了一种玉米果穗dus性状判别方法、装置、设备及存储介质，通过采集不同玉米品种的若干张果穗图像，在进行数据标注和数据集扩充后构建玉米果穗图像集，将玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练，将玉米果穗图像样本集中的玉米果穗图像测试集进行测试，然后基于训练测试结果，新增不同玉米品种在其余性状类别的果穗图像以更新玉米果穗图像样本集并重复执行训练与测试过程，直至训练测试结果达到要求，利用最终训练完成的玉米果穗dus性状判别模型对待判别玉米果穗的图像进行判别分析，获得待判别玉米果穗的dus性状判别结果，由此，通过考虑每种性状类别的玉米果穗图像样本引入给全部性状类别的判别准确率提升带来的影响，采用逐步增加训练样本的方式，在保证每种性状类别的判别准确率达到要求的前提下，尽可能使用更少的样本进行处理与训练，在提高玉米果穗dus性状判别的效率、准确率的同时，降低样本处理工作量。

技术特征：

1.一种玉米果穗dus性状判别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的玉米果穗dus性状判别方法，其特征在于，采集不同玉米品种的若干张果穗图像，构建玉米果穗图像集步骤，具体包括：

3.如权利要求2所述的玉米果穗dus性状判别方法，其特征在于，将选取出的2个目标玉米果穗放入图像拍摄环境内进行图像拍摄，构建玉米果穗图像集步骤，具体包括：

4.如权利要求3所述的玉米果穗dus性状判别方法，其特征在于，对所述玉米果穗图像集中的若干张果穗图像进行数据标注和数据集扩充，获得玉米果穗图像样本集步骤，具体包括：

5.如权利要求4所述的玉米果穗dus性状判别方法，其特征在于，将所述玉米果穗图像样本集中的玉米果穗图像训练集输入预先构建的基于deepvit与aspp的神经网络模型进行训练，并利用所述玉米果穗图像样本集中的玉米果穗图像测试集进行测试，获得训练测试结果步骤，具体包括：

6.如权利要求5所述的玉米果穗dus性状判别方法，其特征在于，根据所述训练测试结果，调整玉米果穗图像样本集并重复执行训练与测试过程，直至获得训练完成的玉米果穗dus性状判别模型步骤，具体包括：

7.如权利要求6所述的玉米果穗dus性状判别方法，其特征在于，采集待判别玉米果穗的图像，将所述待判别玉米果穗的图像输入所述训练完成的玉米果穗dus性状判别模型，将所述训练完成的玉米果穗dus性状判别模型的输出作为所述待判别玉米果穗的dus性状判别结果步骤，具体包括：

8.一种玉米果穗dus性状判别装置，其特征在于，包括：

9.一种玉米果穗dus性状判别设备，其特征在于，所述玉米果穗dus性状判别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的玉米果穗dus性状判别程序，所述玉米果穗dus性状判别程序被所述处理器执行时实现如权利要求1至7中任一项所述的玉米果穗dus性状判别方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有玉米果穗dus性状判别程序，所述玉米果穗dus性状判别程序被处理器执行时实现如权利要求1至7中任一项所述的玉米果穗dus性状判别方法的步骤。

技术总结
本发明涉及农作物性状判别技术领域，公开了一种玉米果穗DUS性状判别方法、装置、设备及存储介质，通过将玉米果穗图像训练集输入基于DeepViT与ASPP的神经网络模型进行训练，利用玉米果穗图像测试集进行测试，基于训练测试结果，新增其余性状类别的果穗图像以更新玉米果穗图像样本集并重复执行训练与测试过程，直至训练测试结果达到要求，利用最终训练完成的玉米果穗DUS性状判别模型，生成待判别玉米果穗的DUS性状判别结果，由此，通过考虑每种性状类别的玉米果穗图像样本引入给全部性状类别的判别准确率提升带来的影响，逐步增加训练样本，在提高玉米果穗DUS性状判别的效率、准确率的同时，降低样本处理工作量。

技术研发人员：姚宗泽,刘艳芳,杨晓洪,滕彩玲,乔菊香,赵秦,李佳颖,毛进
受保护的技术使用者：云南省农业科学院质量标准与检测技术研究所
技术研发日：
技术公布日：2024/12/5