原文

重点

  1. 文章提供新的可公开获得的单倍体和DH玉米种子数据集，总共3000个玉米种子，1230个单倍体和1770个DH。

  2. 采用CNNs模型进行单倍体和DH玉米种子鉴定，相比高成本的设备（近红外，多光谱，高光谱等），针对低成本数码相机获得的数据VGG-19的准确性，敏感性，特异性，质量指标和F评分分别为94.22％，94.58％，93.97％，94.27％和93.07％，相比高成本的设备（近红外，多光谱，高光谱等），提供基于低成本数码相机获得的数据可行的鉴定方法。


单倍体和DH

采用卷积神经网络（CNNs）通过转移学习方法自动识别单倍体和二倍体玉米种子

  • （Song等，2010）建立了玉米单倍体种子分选系统，包括种子传递，图像采集与处理，分拣卸载和系统控制单元。考虑到玉米胚胎的颜色特征和玉米胚乳的顶部，实现了每分钟500粒种子的分选速度。
  • 从灰度共生矩阵获得的纹理特征鉴定单倍体和二倍体玉米种子。这些特征用作决策树（DT），k近邻（kNN）和人工神经网络（ANN）分类器的输入。在DT中测量了最佳性能，分类成功率为84.48％

数据集的描述

  • 本研究中使用的单倍体和DH玉米种子于2017年夏季收获，作为萨卡里亚（土耳其）玉米研究所开展的大型项目的一部分。垂直拍摄，所有种子在每个图像中以20个种子（4行，5列）拍摄。100 ISO，1/125 s快门速度，f / 9光圈，150 mm焦距和55 cm相机距离。图像格式为JPEG，分辨率为5456×3632像素。
  • 由于每个图像包含20个玉米种子，根据种子照片的RGB直方图，以B通道中150做对图像中种子进行获取。

种子标记由专家完成。

模型选择

  • 研究选择了7个典型的CNN来做试验，如下图，修改最后额分类层输出单倍体类和DH类，batch 64， 学习率0.1

  • 训练比7：3

  • 所有CNN模型在训练阶段都达到了高精度。此外，模型在大约20个时期内完成了收敛过程。

总结

  1. 数据还是关键，本研究中使用的数据总量是当前研究中使用的最高数据量的3倍。在这种情况下，可靠性水平极高。

  2. 优势就是低成本快速非破坏性。网络收敛的也很快。在充足的标记数据支持下，可以作为一个较为可行的低投入解决方案。