【摘要】：種子活力與其未來的生長狀態(tài)和發(fā)芽率有著直接關(guān)系,直接決定著農(nóng)作物的豐收與否。播種活性低的種子會造成巨大的經(jīng)濟損失,因此,提前判斷種子活力在實際生產(chǎn)中有著重要的意義。激光散斑現(xiàn)象是指激光照射在生物表面產(chǎn)生的散斑現(xiàn)象,它的變化與生物內(nèi)部的某些物質(zhì)活性有著關(guān)聯(lián),因此相對于傳統(tǒng)的利用試育種實驗確定種子活力,或者對種子進行理化分析確定活力等方法,散斑圖像方法對種子檢測的過程可以不必等待種子發(fā)芽,時間周期大大縮短;也不用對種子進行進一步損傷,除此之外,利用種子內(nèi)部的物質(zhì)對活力進行檢測也使結(jié)果更準確有說服力。這種種子活力檢測的新方法大大節(jié)約了人力物力,對生產(chǎn)生活有著重要的意義。本文結(jié)合激光散斑方法和深度學(xué)習(xí)等分類算法,對麻皮豌豆和栓皮櫟種子進行了活力檢測,其主要研究內(nèi)容和工作如下:(1)本文采用散斑設(shè)備對樣本進行圖像采集,自建數(shù)據(jù)庫。任務(wù)包括調(diào)查麻皮豌豆和栓皮櫟種子的發(fā)芽條件,老化分級,并嚴格進行育種,采集第一天的圖像信息,等待種子發(fā)芽,測量芽長,作為真正的種子活力標準;(2)對采集到的散斑圖像進行處理,得出代表種子活力的散斑值曲線,這主要分為兩個部分:除去圖像中的噪聲,割離培養(yǎng)皿邊緣,所用方法包括濾波,平滑,邊緣提取等;更加重要的部分是提取培養(yǎng)皿的每個單獨的散斑種子圖像,這包括矩陣運算,冒泡排序等方法;(3)利用caffe深度學(xué)習(xí)框架對代表種子散斑圖變化程度的GD圖像進行訓(xùn)練,得出種子活力模型,實現(xiàn)利用種子萌發(fā)前幾個小時的數(shù)據(jù)即可預(yù)測該種子活力等級的目的,最終最高準確率可達0.90。
【圖文】：

＇Ｏｒｉｅｎｔａｔｉｏｎ’：該值為標量，代表的是若有一個橢圓形，其二次矩與該區(qū)域相同，逡逑那它的ｘ軸與橢圓長軸之間的角度（以度為單位）。逡逑如圖３－６所示為橢圓的軸和方向。該圖的左側(cè)示出了圖像區(qū)域及其相應(yīng)的橢圓形。逡逑右側(cè)顯示相同的橢圓，其特征以圖形方式表示；實線藍線為軸，紅點為焦點，，取向為逡逑水平虛線與長軸之間的角度。逡逑圖３－６橢圓軸與方向關(guān)系圖逡逑Ｆｉｇ．３－６邋Ｏｖａｌ邋ａｘｉｓ邋ａｎｄ邋ｔｈｅ邋ｄｉｒｅｃｔｉｏｎ邋ｏｆ邋ｔｈｅ邋ｒｅｌａｔｉｏｎｓｈｉｐ邋ｄｉａｇｒａｍ逡逑＇Ｉｍａｇｅ’：與該區(qū)域的邊界框大小相同的二進制圖像（邏輯）。逡逑＇Ｆｉｌｌｅｄｌｍａｇｅ’：與區(qū)域的邊界框大小相同的二進制圖像（邏輯），其中所有被包圍逡逑的空隙都被填滿。逡逑＇ＦｉｌｌｅｄＡｒｅａ＇：邋Ｆｉｌｌｅｄｌｍａｇｅ邋中的像素數(shù)。逡逑如圖邋３－７邋所示，表示了邋“Ｉｍａｇｅ”邋和邋“Ｆｉｌｌｅｄｌｍａｇｅ”。逡逑１９逡逑

逡逑＿逡逑圖３－５重心和邊界框逡逑Ｆｉｇ．３－５邋Ｃｅｎｔｅｒ邋ｏｆ邋ｇｒａｖｉｔｙ邋ａｎｄ邋ｂｏｕｎｄｉｎｇ邋ｂｏｘ逡逑＇ＭａｊｏｒＡｘｉｓＬｅｎｇｔｈ＇：該值為標量，代表的是若有一個橢圓形，其二次矩與該區(qū)域逡逑相同，那它的長軸的長度是多少（像素意義上），此屬性僅適用于２－Ｄ輸入標簽。逡逑＇ＭｉｎｏｒＡｘｉｓＬｅｎｇｔｈ＇：該值為標量，代表的是若有一個橢圓形，其二次矩與該區(qū)域逡逑相同，那它的短軸的長度是多少（像素意義上），此屬性僅適用于２－Ｄ輸入標簽。逡逑＇Ｅｃｃｅｎｔｒｉｃｉｔｙ＇：該值為標量，代表的是若有一個堒圓形，其二次矩與該區(qū)域相同，逡逑那它的偏心率是多少。偏心率是橢圓焦點與其長軸長度之間的距離之比。取值范圍為逡逑０？１邋（０和１是極限情況；偏心度為０的橢圓實際上是一個圓，偏心為１的橢圓則是一逡逑個線段）該屬性僅支持２－Ｄ輸入標簽矩陣。逡逑＇Ｏｒｉｅｎｔａｔｉｏｎ’：該值為標量
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S330.31;TP391.41

【參考文獻】

相關(guān)期刊論文 前8條

1 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標和行為識別中的新進展[J];中國圖象圖形學(xué)報;2014年02期

2 鄭小東;張曉煜;薄樹奎;;植物葉裂特征自動提取研究[J];中國農(nóng)學(xué)通報;2012年27期

3 袁寶華;王歡;任明武;;基于完整LBP特征的人臉識別[J];計算機應(yīng)用研究;2012年04期

4 王怡萱;闞江明;張俊梅;楊鍇;珂秋紅;;基于VC++的植物種類模式識別系統(tǒng)研究[J];湖南農(nóng)業(yè)科學(xué);2011年23期

5 王佩斯;畢昆;;基于激光散斑檢測玉米種子活力方法的研究[J];應(yīng)用激光;2011年06期

6 張寧;劉文萍;;基于圖像分析的植物葉片識別技術(shù)綜述[J];計算機應(yīng)用研究;2011年11期

7 鄭小東;王曉潔;高潔;;面向植物分類的被子植物葉形特征自動提取[J];中國農(nóng)學(xué)通報;2011年15期

8 沈琳琳;紀震;;采用精選Gabor小波和SVM分類的物體識別(英文)[J];自動化學(xué)報;2009年04期

相關(guān)碩士學(xué)位論文 前3條

1 由清圳;基于深度學(xué)習(xí)的視頻人臉識別方法[D];哈爾濱工業(yè)大學(xué);2013年

2 趙琪;MCMC方法研究[D];山東大學(xué);2007年

3 吳昌友;神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2007年

本文編號：2644097