买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海师范大学

摘要：本发明提供了一种谷粒萌发率测定方法，方法包括：获取谷粒萌发图像；针对获取的每幅谷粒萌发图像，得到谷粒萌发图像数据集；针对所述谷粒萌发图像数据集，对每幅谷粒萌发图像进行预处理得到训练样本和测试样本；构造深度学习模型，并利用所构造的深度学习模型提取所述谷粒萌发图像的特征和大小信息，并利用反向传播和随机梯度下降算法有监督地最小化损失函数，完成神经网络模型的训练；针对预处理后的测试样本，将其输入到训练好的神经网络模型中，得到谷粒萌发测试结果和模型指标值，通过模型指标值来衡量模型好坏，从而得到一个可以使用的深度学习模型。

主权项：1.一种谷粒萌发率测定方法，其特征在于，包括以下步骤：步骤1、设计谷粒萌发的拍照设备，所述拍照设备包含摄像头和避光箱，用于获取谷粒萌发图像，具体包括：避光箱由图像采集口、光源和箱体三部分构成；图像采集口位于箱体的正上方，摄像头可通过图像采集口对箱内物体进行图像采集；光源采用环形LED灯，将其放置在盒子顶部图像采集口下方；LED灯朝盒顶照射，经盒顶、盒壁周围材料反射，在盒底形成均匀漫反射光照环境，使采集得到的谷粒图像不会出现明显的反光；另外，LED灯通过USB接口供电，设三档亮度调节模式；箱体的前面开口，用于采集谷粒萌发图像时培养皿的进出；步骤2、获取在所述拍照设备下的谷粒萌发图像；步骤3、针对获取的每幅所述谷粒萌发图像，使用labelImg标注工具标注图像，得到谷粒萌发图像数据集；步骤4、针对所述谷粒萌发图像数据集，对每幅所述谷粒萌发图像进行预处理，包括归一化处理和分块处理，得到大小一致的多幅子图像，将所有子图像按照7:3的比例分为训练样本和测试样本；步骤5、构造深度学习模型，依次构造输入层、骨干网络、头部网络和检测层，具体包括：首先，构造输入层，用于输入待处理的谷粒萌发图像，同时对图像进行随机拼接、随机裁剪、随机排布和Mosaic数据增强，得到图像大小为640*640*3；其次，构造骨干网络，将640*640*3大小的图像切片为320*320*12的特征图，并将特征图输入到包括32个卷积核的卷积层，通过卷积操作得到320*320*32的特征图；再构造三个卷积层和跨阶段局域网络；接着构造一个卷积层和一个空间金字塔池化；最后再构造一个跨阶段局域网络；然后，构造头部网络结构，通过卷积神经网络，上采样和拼接操作组成路径聚合网络，最终得到三层网络，并输出80*80*128，40*40*256，20*20*512大小的特征图；最后，构造检测层结构，用于得到最后的卷积结果，所述检测层结构包括三层并行的卷积层，得到三层输出特征图，此特征图具有宽度，高度和深度三个维度，分别为：80*80*21，40*40*21，20*20*21大小的输出，其中80*80，40*40，20*20表示特征图的宽度和高度值，21表示特征图深度大小，具体来讲，21表示每层锚框数量*7，其中每层锚框数量为3，7表示特征图中每个网格对应位置的7个预测框值，这7个预测框值分别为：预测框中心点的横坐标值，预测框中心点的纵坐标值，预测框的宽度，预测框的高度，以及三类别的类别概率；步骤6、根据所述深度学习模型，使用k-means聚类算法进行锚框计算，得到9个锚框；步骤7、针对所述训练样本，利用所述深度学习模型，通过模型中卷积核逐步提取所述谷粒萌发图像的特征和大小信息，并利用反向传播和随机梯度下降算法有监督地最小化损失函数，根据学习率和梯度值调整模型的连接权重，从而完成神经网络模型的训练；步骤8、针对所述测试样本，将所述测试样本输入到训练好的神经网络模型中，得到谷粒萌发测试结果和模型指标值，通过模型指标值来衡量模型好坏，从而得到一个可以使用的深度学习模型。

全文数据：

权利要求：

百度查询： 上海师范大学 一种谷粒萌发率测定方法