用于植物种子的全时序检测方法及萌发活力评价系统

本技术涉及植物图像检测，具体而言涉及一种用于植物种子的全时序检测方法及萌发活力评价系统。

背景技术：

1、种子作为农业链条中至关重要的环节，其质量和活力对作物生长和产量起着关键影响。因此，确保种子品质和准确评估种子活力是实现可持续农业发展的关键要素。准确评估作物种子在不同环境下的萌发活力对改善种子品质、提高产量和实现可持续农业目标具有重要意义。

2、传统的种子活力测定方法多由人工完成，包括标准发芽试验电导率试验、加速老化试验、冷试验和四唑染色法等。然而，这些方法耗时多、破坏性大且对操作者要求高，不适用于大规模检测种子萌发活力。

3、传统基于图像处理技术的种子活力萌发检测方法需要手工设计各种特征，如形状特征、颜色特征、纹理特征等，其适应性有限、准确性差且耗时长。随着计算机技术的发展，机器学习在种子活力测定方面也有研究，通过利用如随机森林（rf）、bayesnet（bn）、logitboost（lb）和多层感知器（mlp）等的机器学习模型，对种子的质量与活力进行分类与测定。但传统机器学习模型对深层次语义信息提取困难，需要适应不同环境的特定算法，且效率和鲁棒性有待提高。因此，种子产业迫切需要高通量和高精度的种子萌发活力评估方法。

技术实现思路

1、针对现有技术的不足，本技术基于深度学习目标检测技术，提供一种用于植物种子的全时序检测方法及萌发活力评价系统，相比于传统的图像处理技术和机器学习技术，本技术能够快速准确地识别和定位图像中预定义类别的种子对象，通过改进的yolo（youonly look once）卷积神经检测器，构建番茄种子萌发活力监测的全时序数据集，开展番茄种子萌发特征的分类、识别和定位的性能对比和优化改进试验，提高对作物种子发芽率、发芽指数和发芽势等萌发检测的速度和准确率，能够分析不同条件下番茄种子萌发活力指标的演变规律，满足番茄种子萌发活力评价的需求。本技术具体采用如下技术方案。

2、首先，为实现上述目的，提出一种用于植物种子的全时序检测方法，其对采集获得的植物种子图像依次执行以下步骤：将植物种子图像输入至预先训练获得的yolov8模型中，依次由yolov8模型中的输入层（input）接收待检测的番茄种子萌发图像，由yolov8模型中的主干网络（backbone）对输入层处理所得图像进行特征提取，由yolov8模型中的特征增强模块（neck）对主干网络处理所得特征层进行池化和特征融合，由yolov8模型中的输出层（head）对特征增强模块处理所得数据进行预测和回归计算输出植物种子边界框及其所对应的检测结果；其中，所述主干网络由fasternet网络构建；所述特征增强模块（neck）中执行3次上采样处理，并在最后一次上采样处理之后添加有微小目标检测层，由所述微小目标检测层将上采样处理所获得的特征图与主干网络中第1层的输出进行拼接操作；所述特征增强模块（neck）中还在微小目标检测层之后增设有gam注意力机制网络，所述gam注意力机制网络通过通道注意力处理和空间注意力处理，增强模型对特征图的空间和通道关系。

3、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述植物种子图像由轨道式高通量萌发图像采集模块采集获得，所述轨道式高通量萌发图像采集模块具有平行于萌发基材设置的横纵两组轨道，萌发基材上设置有植物种子，横纵两组轨道之间连接有rgb成像传感器，所述rgb成像传感器由电机驱动而分别沿横纵轨道移动以拍摄萌发基材不同区域内的植物种子图像，并按照拍摄时序将植物种子萌发过程的全时序图像传输至图像处理模块中利用之前任一所述的yolov8模型获得检测结果。

4、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述fasternet网络一共包括从第0层到第7层，合计8个层，其中：第0层为pathembed fasternet层，用于提取path特征；第1、3、5和7层为fasternet block层，分别具有fasternet block模块；第2、4和6层为patch merging层，分别具有patchmerging模块；fasternet block层和patchmerging层交替衔接形成4个层次级；4个层次级中，第一层次级包含1个fasternet block模块，以及设置在其后的1个patch merging模块；第二层次级包含2个fasternet block模块，以及设置在其后的2个patchmerging模块；第三层次级包含8个fasternet block模块，以及设置在其后的3个patchmerging模块；第四层次级包含2个fasternet block模块，并与sppf连接后输出上采样。

5、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，每一个所述fasternet block模块均分别由一个pconv层和两个pwconv层组成，或者，或每一个所述fasternet block模块均分别由一个pconv层和两个conv 1×1层组成；其中，所述pconv层利用常规卷积从输入通道的特定部分提取空间特征，而保持其他通道不变；

6、所述pwconv层其运算原理在于:使用1x1的卷积核尺寸，使得卷积操作分别在每个单独的像素点上执行，而不是在一个像素的邻域上。尽管卷积核尺寸为1x1，但它可以有多个通道这样，pwconv层可以将输入特征图的通道数转换成另一个维度。例如，从32个通道转换成64个通道实现深度变换。其具体计算过程为:在pwconv层中，每个1x1卷积核与输入特征图的每个位置上的所有通道进行点乘(点对点乘积)，然后加和，产生输出特征图的一个像素点。这个过程在特征图的每个位置重复进行。pwconv层可以有效调整特征图的通道数，同时保持其空间分辨率不变，从而在提高网络深度和复杂度的同时，保持计算效率。；

7、所述conv 1×1层为1x1的卷积层，其运算原理是对输入特征图进行逐点的卷积操作，主要用于特征通道的变换和降维，同时保持特征图的空间维度不变。这种卷积层尽管简单，却非常有效，常被用于深度神经网络中以增加网络深度而不显著增加计算负担。在`conv1x1`层中，卷积核的尺寸为1x1。这意味着卷积操作是在输入特征图的每个像素点上独立执行的。尽管卷积核很小，但它可以有多个通道，这样每个1x1卷积核就可以将。输入特征图的多个通道信息整合到一个输出通道中。通过这种方式，`conv1x1`层能够改变特征图的通道数量，实现特征通道变换。其计算过程为：在`conv1x1`层中，每个1x1卷积核与输入特征图的每个位置上的所有通道进行点乘，然后对结果进行加和，生成输出特征图的一个像素点。这个过程在特征图的每个位置重复进行。由此，`conv1x1`层能够通过这种方式实现了特征通道的有效变换，同时减少了模型的参数量和计算复杂度，是提高神经网络效率的关键组件之一。

8、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述fasternet网络中：选择gelu用于较小的fasternet block层，选择relu用于较大的fasternet block层；最后的sppf包括全局平均池、conv 1×1和全连接层，合计三层，三层一起用于特征转换和分类任务。

9、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述特征增强模块（neck）包括顺序连接的第9层至第27层，其中第9、12和15层为上采样模块，第10、13、16、20、23和26层为concat模块，第11、14、17、21、24、27层为c2f模块，第19、22和25层为cbs模块；其中，第9层所执行的上采样处理将特征图的尺寸由20×20增大到40×40；第12层所执行的上采样处理将特征图的尺寸由40×40增大到80×80；第15层所执行的上采样处理将特征图的尺寸由80×80增大到160×160，用于检测4×4以上的微小目标；第16层的contact模块将第15层输出的特征图与主干网络中第1层的输出进行拼接操作，融合不同尺度的特征信息；各c2f模块分别用于对其所接收的特征图进行卷积操作，提取其中的特征；各cbs模块分别用于对特征图进行卷积操作，将特征图的长和宽缩小到原来的二分之一。

10、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述特征增强模块（neck）中：第10层的contact模块，具体将第9层输出的特征图与主干网络中第5层的输出进行拼接操作；第13层的contact模块，具体将第12层输出的特征图与主干网络中第3层的输出进行拼接操作；第20层的contact模块，具体将第19层输出的特征图与第13层的输出进行拼接操作；第23层的contact模块，具体将第22层输出的特征图与第11层的输出进行拼接操作；第26层的contact模块，具体将第25层输出的特征图与第8层的sppf输出进行拼接操作。

11、可选的，如上任一所述的用于植物种子的全时序检测方法，其中，所述特征增强模块（neck）中第18层为gam注意力机制网络，其通道注意力处理包括以下步骤：先对输入其的特征图进行维度变换，然后由两层多层感知器（mlp）协同relu 激活函数处理特征之间关系，最后恢复特征图原始维度；其空间注意力处理包括以下步骤：先使用卷积操作对恢复原始维度的特征图进行空间维度语义信息的提取和融合，最后使用sigmoid 激活函数处理卷积后的特征图，并将处理后的特征图与通道注意力输出特征图相乘。

12、同时，为实现上述目的，本技术还提供一种用于植物种子的萌发活力评价系统，其包括：轨道式高通量萌发图像采集模块，其具有平行于萌发基材设置的横纵两组轨道，所述萌发基材上设置有植物种子，横纵两组轨道之间连接有rgb成像传感器，所述rgb成像传感器由电机驱动而分别沿横纵轨道移动以拍摄萌发基材不同区域内的植物种子图像，并按照拍摄时序将植物种子萌发过程的全时序图像传输至图像处理模块中；所述图像处理模块，用于执行如上任一所述的用于植物种子的全时序检测方法，获得检测结果。

13、可选的，如上任一所述的用于植物种子的萌发活力评价系统，其中，还包括种子萌发活力评价单元，其根据图像处理模块检测所得的种子萌发检测结果，分别计算：种子发芽率（%）= nt/n×100%，种子发芽势（%）=n48/n×100%，种子发芽指数=∑（gt/dt）；其中，n表示萌发基材上所设置的植物种子总数，nt表示图像处理模块在第t小时检测所得的种子萌发总数，n48表示图像处理模块在第48小时检测所得的种子萌发总数，gt 为培养t小时后萌发基材上萌发的种子数，dt为培养时间。

14、有益效果

15、本技术所提供的用于植物种子的全时序检测方法及萌发活力评价系统，其利用yolov8模型处理植物种子图像，将yolov8模型中的主干网络由yolov8-f调整为更轻量级的fasternet网络，以在对输入层处理所得图像进行特征提取时，构成倒置残差块结构，从而通过残差连接和非线性变换来提升特征的表示能力；本技术在yolov8模型的特征增强模块对主干网络处理所得特征层进行池化和特征融合的过程中增加微小目标检测层，在微小目标检测层之后增设gam注意力机制网络。本技术通过微小目标检测层所使用的160×160的特征图检测4×4以上的微小目标，通过扩大特征图尺寸提供更精细的空间信息，使算法能够更准确地定位和检测微小植物种子；通过gam注意力机制网络进一步提高模型对微小植物种子萌发特征的表达能力。gam注意力机制网络中通过通道注意力处理方式利用三维排列保留特征的三维信息，通过多层感知器放大跨维的通道-空间依赖关系。同时，gam注意力机制网络中还利用空间注意力处理方式使用卷积层来融合空间信息，通过对特征图进行排列、感知器处理和逆排列，生成新的特征图。本技术所引入的gam能够更有效地利用输入数据的关键信息，提高模型性能和准确性，适用于番茄萌发状态识别这样的连续变化过程。

16、本技术为了加速选育高产优质、绿色抗逆的新品种，满足番茄等小粒种子高通量、全时序萌发活力无损监测的需求，我们拟研发具备培养舱环境控制、种子萌发培养、轨道式高通量萌发图像采集、成像传感器驱动等功能的高通量、全时序小粒种子萌发表型采集系统，实现番茄种子萌发过程的全时序动态监测和连续图像获取；基于yolo系列的深度学习模型构建番茄种子萌发活力监测的全时序数据集，开展番茄种子萌发特征的分类、识别和定位的性能对比和优化改进试验，实现发芽率、发芽指数和发芽势等番茄种子萌发活力指标的全时序追踪；开展干旱、盐和链霉菌条件下番茄种子的萌发试验，基于获取的全时序种子萌发过程图像和改进的yolo系列检测模型，分析不同条件下番茄种子萌发活力指标的演变规律，满足番茄种子萌发活力评价的需求。

17、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。