[发明专利]基于双路卷积神经网络的玉米制种果穗筛分方法及装置

说明书

本发明提供一种基于双路卷积神经网络的玉米制种果穗筛分方法及装置，预先将带有玉米制种果穗种类标签的玉米制种果穗图像输入到双路卷积神经网络的第一支路模型和第二支路模型，分别提取玉米制种果穗图像的特征量并输入到融合分类模型进行融合和分类，从而训练好双路卷积神经网络，然后利用训练好的双路卷积神经网络获取采集的玉米制种果穗图像所对应的玉米制种果穗种类。本发明能结合第一支路模型和第二支路模型的优点，提高了模型的分类准确率，有效解决了手工提取玉米果穗图像深层特征较为困难、难以获得较高的分类准确率的问题，大大简化了玉米制种的操作流程，提高玉米制种的效率，节约人力成本，对于提高果穗制种效率有着重要的参考意义。

技术领域

本发明涉及深度学习和图像处理技术领域，尤其涉及一种基于双路卷积神经网络的玉米制种果穗筛分方法及装置。

背景技术

玉米作为重要的粮食作物之一，其产量的多少对于农业经济的发展具有举足轻重的影响，而玉米种子质量的优良是玉米产量多少的关键因素。作为世界农业大国之一，提高玉米产量对我国的经济发展具有十分重要的意义，因此，选用优质玉米种子进行种植是一种大幅度提高我国玉米产量、促进农业经济发展的重要手段。

玉米制种环节主要包括去苞叶，穗选，干燥，脱粒等环节，而在玉米制种的穗选环节中，选择表型特征良好的玉米果穗进行脱粒再加工，剔除表型特征异常的果穗，有利于提高玉米种子的纯度和发芽率，能使玉米产量大幅提高。穗选环节时，需要对玉米果穗的表型特征进行自动识别和检测，剔除可能影响到玉米种子发芽率和纯度的异常玉米果穗，这对于后期制种的干燥、脱粒、再加工等环节具有重要意义。

传统的制种穗选工作主要依靠人工凭借经验知识挑选完成，这样不仅筛选速度慢，耗费大量的人力和物力，且人工筛选易受主观影响，误差大，影响筛选效率，并且随着我国玉米种植规模的不断扩大，仅靠人工挑选，已无法满足高通量玉米制种需求。因此，亟需一种快速，准确的高通量玉米制种果穗目标分类识别方法，来提高玉米制种的速率和效率，进一步提高玉米种子的质量，增大玉米产量。

发明内容

针对目前依靠人工进行制种穗选筛选速度慢、耗费大量的人力和物力且人工筛选易受主观影响，误差大的问题，本发明实施例提供一种基于双路卷积神经网络的玉米制种果穗筛分方法及装置。

第一方面，本发明实施例提供一种基于双路卷积神经网络的玉米制种果穗筛分方法，该方法包括：S1、采集玉米制种果穗图像；S2、将玉米制种果穗图像输入至双路卷积神经网络，输出玉米制种果穗图像对应的玉米制种果穗种类；其中，双路卷积神经网络是根据带有玉米制种果穗种类标签的玉米制种果穗图像进行训练后获得的；相应地，双路卷积神经网络包括并行的第一支路模型和第二支路模型，第一支路模型和第二支路模型用于同步对玉米制种果穗图像进行特征提取；第一支路模型和第二支路模型均为深度卷积神经网络。

优选地，双路卷积神经网络还包括融合分类模型，第一支路模型的输出端和第二支路模型的输出端分别与融合分类模型的输入端相连；融合分类模型对经过第一支路模型和第二支路模型处理后的玉米制种果穗图像进行融合和分类。

优选地，将玉米制种果穗图像输入至双路卷积神经网络，输出玉米制种果穗图像对应的玉米制种果穗种类，具体包括：S21、分别基于第一支路模型和第二支路模型对玉米制种果穗图像进行特征提取，并获取相应的特征向量；S22、基于融合分类模型对第一支路模型和第二支路模型分别提取的相应的特征向量进行融合，并根据融合后的特征向量分类后获取玉米制种果穗图像对应的玉米制种果穗种类。

优选地，第一支路模型为VGG-16模型，第二支路模型为ResNet-50模型，融合分类模型包括SoftMax分类层，SoftMax分类层的分类数为玉米制种果穗种类的类别数。

优选地，基于第一支路模型对玉米制种果穗图像进行特征提取之前，还包括：利用ImageNet图像分类数据库分别对第一支路模型和第二支路模型的网络参数进行初始化。