[发明专利]一种水稻种子发芽能力的检测方法

权利要求书

1.一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，包括：

(1)在检测波段下采集水稻种子训练样本的高光谱图像，获得水稻种子的原始高光谱成像数据；

(2)针对步骤(1)的原始高光谱成像数据，将所述检测波段划分成若干区段，求取区段内所有波长的平均值以及所有波长所对应的光谱反射率的平均值，得到数据预处理后的高光谱数据I；

(3)对训练样本中水稻种子进行编号，再进行发芽试验，根据试验结果，将训练样本中所有水稻种子分为两组，分别是发芽组和未发芽组，获得分组数据；

(4)将步骤(2)的高光谱数据I以及步骤(3)的分组数据导入高光谱可视化软件中，得到发芽组种子和未发芽组种子分别在不同波长下所对应的平均光谱反射率；再选取发芽组种子和未发芽组种子之间平均光谱反射值存在差异的波长作为特征波长，提取特征波长下的高光谱数据，得到第一次降维后的高光谱数据II；

(5)对高光谱数据II进行标准归一化处理，得到高光谱数据III；

(6)利用主成分分析法对高光谱数据III的波段进行二次降维，得到高光谱数据IV；

(7)将步骤(6)的高光谱数据IV、步骤(3)的分组数据以及训练样本中所有水稻种子的编号信息作为训练集，构建人工神经网络模型，得到水稻种子发芽能力的预测模型；

(8)采集待测水稻种子的高光谱图像，利用步骤(7)的预测模型进行水稻种子发芽能力的检测，得出待测水稻种子发芽能力的预测结果。

2.如权利要求1所述的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，其特征在于，步骤(1)中，所述检测波段为400～1000nm。

3.如权利要求1所述的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，其特征在于，步骤(2)中，所述区段内包含3～5个波长。

4.如权利要求1所述的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，其特征在于，步骤(3)中，所述发芽试验的步骤如下：

取训练样本中的水稻种子，置于温水中浸种，取出后，放置于吸水纸上，20～30℃下观察15～25天，统计水稻种子的发芽情况；

若观察期间，水稻种子长出2mm及以上的小芽，则判定该种子为能够发芽的种子，归为发芽组；反之，则判定该种子为不能够发芽的种子，归为未发芽组。

5.如权利要求1所述的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，其特征在于，步骤(4)中，所述高光谱可视化软件为Resonon软件。

6.如权利要求5所述的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，其特征在于，步骤(4)中，选取特征波长的步骤如下：

(A)利用高光谱可视化软件Resonon，绘制训练样本中每个发芽组种子和未发芽组种子分别在不同波长下所对应的光谱反射值组成的曲线分布图；

(B)对发芽组种子或未发芽组种子所对应的同一波长下的光谱反射值进行平均，得到发芽组种子或未发芽组种子在该波长下的平均光谱反射值，并绘制成平均光谱反射率值组成的曲线图；

(C)将发芽组种子所对应的曲线和未发芽组种子所对应的曲线进行比对；在同一波长下，若发芽组种子所对应的平均光谱反射值减去未发芽组种子所对应的平均光谱反射值的差值绝对值大于预期阈值时，认定发芽组种子和未发芽组种子在该波长下的光谱反射特征存在明显差异，选取该波长作为特征波长。

7.如权利要求6所述的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，其特征在于，所述预期阈值为2.0～5.0。

8.如权利要求1所述的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，其特征在于，步骤(5)中，所述标准归一化处理的步骤如下：

将高光谱数据II归一化成均值为0、方差1的数据集，计算公式如下：

其中，z为经计算得到的标准化后的数据结果，x为高光谱数据II，μ为高光谱数据II的平均值，σ为高光谱数据II的标准差。