玉米作为重要粮食作物,种子质量是影响玉米产量的关键因素;选用优质玉米种子即:玉米制种穗选是重要环节,筛分出异常果穗(机械损伤、虫蛀、败育、病害等),有利于提高玉米种子的纯度和发芽率。传统的玉米制种穗选工作主要依靠人工,费时费力、存在主观误差。因此,研究基于人工智能技术的高通量玉米果穗智能筛分方法,提高玉米制种筛分的速率和效率,具有重要意义。玉米新品种选育工作多在田间进行,果穗图像易受周围环境(光照、粉尘、花丝附着、散落的碎粒等)影响,图像存在光照不均、霉变果穗颜色变化丰富、背景复杂、噪声大、果穗异常区域形状复杂等,采用传统的图像处理方法对玉米果穗进行筛分鲁棒性,难以满足育种的实际行业需要。异常果穗包括以下几种,如下图所示:
本项目基于飞桨PaddlePaddle框架,快速构建多种经典的卷积神经网络模型,解决玉米异常果穗筛分中的技术难点,实现对玉米果穗的高通量智能筛分。
项目结合农业玉米异常果穗筛分这一实际问题,基于百度PaddlePaddle,我们研发了高通量玉米果穗智能筛分系统。系统的整体方案如下:
通过飞桨PaddlePaddle框架,构建、训练多种卷积神经网络,并测试它们对玉米果穗图像进行分类效果,调整各网络模型参数,最终选择最有网络模型实现对玉米果穗的精准、高效率筛分。采用的比对网络包括:AlexNet、VGG、ResNet、MobileNet v1和MobileNet v2等。
本项目图像数据集使用团队研发的玉米异常果穗筛分便携设备和高通量筛分装置(如下图左、右)分别采集果穗图像。
采集图像包含正常、霉变、虫蛀、机械损伤和带苞叶等几个类别果穗,共81张图像。实验以7:2:1比例将数据集随机划分为训练集、测试集和验证集,部分图像如下:
说明:针对制种果穗类别样本数据不均衡的问题,也可采用镜像、旋转任意角度、改变亮度等技术实现样本数据的扩增,如下图所示。
项目对比了各模型在相同数据集下的不同性能,如下图所示。经过50轮迭代训练后,ResNet与MobileNet等模型在玉米果穗分类任务中取得的效果优于AlexNet和VGG等模型的效果。
本项目针对玉米异常果穗智能筛分这一农业领域实际生产问题,分别构造了AlexNet、VGG、ResNet、MobileNet等多种卷积神经网络进行图像分类识别。针对数据集相对较小的情况,选择较小的Batchsize,并调用PaddlePaddle的图像增强API进行数据增强处理,可以有效提升玉米异常果穗识别的准确率。