基于深度学习的玉米包衣种子品种识别

doi:10.15933/j.cnki.1004-3268.2024.07.018

河南农业科学 ›› 2024, Vol. 53 ›› Issue (7): 160-167.DOI: 10.15933/j.cnki.1004-3268.2024.07.018

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于深度学习的玉米包衣种子品种识别

冯晓^1,2，张辉²，刘正²，张会芳¹，陈海燕¹，赵威³，郑国清^1,2，马中杰^1,2

（1.河南省农业科学院农业信息技术研究所，河南郑州 450002；2.农业农村部黄淮海智慧农业技术重点实验室，河南郑州 450002；3.河南省生态环境监测和安全中心，河南郑州 450000）

收稿日期:2024-01-20 出版日期:2024-07-15 发布日期:2024-08-01
通讯作者: 马中杰（1981-），男，河南新密人，助理研究员，本科，主要从事计算机视觉研究。E-mail：ma@hnagri.org.cn
作者简介:冯晓（1978-），女，河南郑州人，副研究员，硕士，主要从事计算机视觉及农业数据分析研究。E-mail：308564967@qq.com
基金资助:
国家重点研发计划项目（2022YFF0711805）；河南省科技攻关计划项目（232102110289）；河南省软科学研究计划项目（242400410329）；河南省农业科学院自主创新项目（2023ZC070）

Variety Identification of Coated Maize Seed Based on Deep Learning

FENG Xiao^1,2，ZHANG Hui²，LIU Zheng²，ZHANG Huifang¹，CHEN Haiyan¹，ZHAO Wei³，ZHENG Guoqing^1,2，MA Zhongjie^1,2

（1.Institute of Agricultural Information Technology，Henan Academy of Agricultural Sciences，Zhengzhou 450002，China；2.Key Laboratory of Huang‑Huai‑Hai Smart Agricultural Technology，Ministry of Agriculture and Rural Affairs，Zhengzhou 450002，China；3.Henan Ecological Environment Monitoring and Safety Center，Zhengzhou 450000，China）

Received:2024-01-20 Published:2024-07-15 Online:2024-08-01

摘要/Abstract

摘要： 为实现玉米包衣种子品种低成本、高效便捷识别，基于智能手机采集的18个品种4种颜色的23 100张玉米包衣种子双面图像构建数据集，采用轻量级卷积神经网络模型ShuffleNetV2、MobileNetV3、MobileViT、MobileOne、RepGhostNet和基于上述模型的集成模型分别进行玉米包衣种子品种识别。结果表明，5种单一模型均具有较高的识别准确率和综合性能，识别准确率分别为98.48%、98.23%、98.44%、98.23% 和98.01%，模型大小分别为1.55、4.96、4.42、6.97、4.19 MB，推理速度分别为106、94、84、212、94 f/s。集成模型相比单一模型具有更高的识别准确率，其中，ShuffleNetV2和MobileViT组成的集成模型识别准确率达到99.22%。分析发现，品种误识别仅发生在相同颜色包衣种子品种之间，并且随着相同颜色包衣种子品种数量增多，模型对该颜色包衣种子的识别准确率有下降的趋势。

关键词: 玉米, 包衣种子, 品种识别, 可见光, 深度学习

Abstract: In order to realize the low cost，efficient and convenient variety identification of coated maize seed，a dataset was constructed based on 23 100 double‑sided images of 18 varieties and 4 colors of coated maize seeds collected by smartphone，and the lightweight convolutional neural network models ShuffleNetV2，MobileNetV3，MobileViT，MobileOne，RepGhostNet and the integrated models based on the above models were used to identify coated maize seed variety.The results showed that the identification accuracy and the comprehensive performance of the five single models were high.The identification accuracies were 98.48%，98.23%，98.44%，98.23% and 98.01%，respectively.The model sizes were 1.55，4.96，4.42，6.97 and 4.19 MB，respectively. The inference speeds were 106，94，84，212 and 94 f/s，respectively.The identification accuracy of the integrated models was higher than that of the single models，and the identification accuracy of the integrated model composed of ShuffleNetV2 and MobileViT was 99.22%.The analysis found that the false identification only occurred in the varieties of the same color coated seeds，and as the number of varieties of the same color coated seeds increased，the model’s identification accuracy had a downward trend.

Key words: Maize, Coated seed, Variety identification, Visible light, Deep learning

中图分类号:

S126

冯晓, 张辉, 刘正, 张会芳, 陈海燕, 赵威, 郑国清, 马中杰. 基于深度学习的玉米包衣种子品种识别[J]. 河南农业科学, 2024, 53(7): 160-167.

FENG Xiao, ZHANG Hui, LIU Zheng, ZHANG Huifang, CHEN Haiyan, ZHAO Wei, ZHENG Guoqing, MA Zhongjie. Variety Identification of Coated Maize Seed Based on Deep Learning[J]. Journal of Henan Agricultural Sciences, 2024, 53(7): 160-167.

参考文献

［1］陈星，高子厚.DNA分子标记技术的研究与应用［J］.分子植物育种，2019，17（6）：1970‑1977.
CHEN X，GAO Z H.The study and application of DNA molecular marker technique［J］.Molecular Plant Breeding，2019，17（6）：1970‑1977.
［2］ROGL S，JAVORNIK B.Seed protein variation for identification of common buckwheat（Fagopyrum esculentum Moench）cultivars［J］.Euphytica，1996，87（2）：111‑117.
［3］HOFFMAN D，HANG A，LARSON S，et al.Conversion of an RAPD marker to an STS marker for barley variety identification［J］.Plant Molecular Biology Reporter，2003，21（1）：81‑91.
［4］宋丰顺，倪大虎，倪金龙，等.杂交水稻种子纯度检测方法综述［J］.江苏农业科学，2016，44（6）：6‑11.
SONG F S，NI D H，NI J L，et al.Study on detection methods of seed purity of hybrid rice：A review［J］.Jiangsu Agricultural Sciences，2016，44（6）：6‑11.
［5］李晶晶，张文洋，王利锋，等.我国主推玉米品种亲本的遗传结构解析［J］.河南农业科学，2021，50（1）：27‑34.
LI J J，ZHANG W Y，WANG L F，et al.Genetic structure analysis of parental inbred lines of main maize hybrid varieties in China［J］.Journal of Henan Agricultural Sciences，2021，50（1）：27‑34.
［6］YANG J，MA X D，GUAN H O，et al.A recognition method of corn varieties based on spectral technology and deep learning model［J］.Infrared Physics and Technology，2023，128：104533.
［7］张伏，王新月，崔夏华，等.高光谱结合极限学习机的玉米品种鉴别［J］.光谱学与光谱分析，2023，43（9）： 2928‑2934.
ZHANG F，WANG X Y，CUI X H，et al.Identification of maize varieties by hyperspectral combined with extreme learning machine［J］.Spectroscopy and Spectral Analysis，2023，43（9）：2928‑2934.
［8］王立国，王丽凤.结合高光谱像素级信息和CNN的玉米种子品种识别模型［J］.遥感学报，2021，25（11）：2234‑2244.
WANG L G，WANG L F.Variety identification model for maize seeds using hyperspectral pixel‑level information combined with convolutional neural network［J］.National Remote Sensing Bulletin，2021，25（11）：2234‑2244.
［9］TU K L，WEN S Z，CHENG Y，et al.A non‑destructive and highly efficient model for detecting the genuineness of maize variety 'JINGKE 968' using machine vision combined with deep learning［J］.Computers and Electronics in Agriculture，2021，182：106002.
［10］马睿，王佳，赵威，等.基于卷积神经网络与迁移学习的玉米籽粒图像分类识别［J］.中国粮油学报，2023，38（5）： 128‑134.
MA R，WANG J，ZHAO W，et al.Classification and recognition of corn kernel image based on convolution neural network and transfer learning［J］.Journal of the Chinese Cereals and Oils Association，2023，38（5）：128‑134.
［11］CHOLLET F. Xception：Deep learning with depthwise separable convolutions［C］//2017 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Honolulu，HI，USA：IEEE，2017：1800‑1807.
［12］司海平，万里，王云鹏，等.基于特征融合的玉米品种识别［J］.中国粮油学报，2023，38（12）：191‑196.
SI H P，WAN L，WANG Y P，et al.Maize variety recognition based on feature fusion［J］.Journal of the Chinese Cereals and Oils Association，2023，38（12）：191‑196.
［13］赵曼，汤金荣，董少奇，等.种衣剂对玉米田主要害虫发生及产量的影响［J］.河南农业科学，2020，49（6）： 98‑107.
ZHAO M，TANG J R，DONG S Q，et al.Effects of seed coating agents on the occurrence of main pests and maize yield in corn field［J］.Journal of Henan Agricultural Sciences，2020，49（6）：98‑107.
［14］ZHANG C，ZHAO Y Y，YAN T Y，et al.Application of near‑infrared hyperspectral imaging for variety identification of coated maize kernels with deep learning［J］.Infrared Physics and Technology，2020，111：103550.
［15］李浩光，李卫军，覃鸿，等.基于栈式自编码神经网络的包衣单籽粒玉米品种识别［J］.农业机械学报，2017，48（S1）：422‑428.
LI H G，LI W J，QIN H，et al.Varietal identification for single maize seed based on stacked auto encoder neural network［J］.Transactions of the Chinese Society for Agricultural Machinery，2017，48（S1）：422‑428.
［16］MA N N，ZHANG X Y，ZHENG H T，et al.ShuffleNet V2：Practical guidelines for efficient CNN architecture design［C］//European Conference on Computer Vision（ECCV）.Munich，Germany：Springer，2018：116‑131.
［17］HOWARD A，SANDLER M，CHU G，et al.Searching for MobileNetV3［C］//2019 IEEE/CVF International Conference on Computer Vision（ICCV）.Seoul，Korea（South）：IEEE，2019：1314‑1324.
［18］MEHTA S，RASTEGARI M.MobileViT：Light‑weight，general‑purpose，and mobile‑friendly vision transformer0
［EB/OL］.(2022‑03‑04）［2023‑09‑11］. https：//arxiv.org/abs/2110. 02178.
［19］VASU P K A，GABRIEL J，ZHU J，et al.MobileOne：An improved one millisecond mobile backbone［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Vancouver，BC，Canada：IEEE，2023：7907‑7917.
［20］CHEN C P，GUO Z C，ZENG H E，et al.RepGhost：A hardware‑efficient ghost module via re‑parameterization［EB/OL］.（2022‑11‑11）［2023‑09‑11］.https：//arxiv.org/abs/2211. 06088.
［21］杨锦忠，郝建平，杜天庆，等.基于种子图像处理的大数目玉米品种形态识别［J］.作物学报，2008，34（6）：1069‑1073.
YANG J Z，HAO J P，DU T Q，et al.Discrimination of numerous maize cultivars based on seed image process［J］.Acta Agronomica Sinica，2008，34（6）：1069‑1073.
［22］赵怡锟，于燕波，申兵辉，等.近红外光谱分析在玉米单籽粒品种真实性鉴定中的影响因素［J］.光谱学与光谱分析，2020，40（7）：2229‑2234.
ZHAO Y K，YU Y B，SHEN B H，et al.Influence factors in near‑infrared spectrum analysis for the authenticity identification of maize single‑kernel varieties［J］.Spectroscopy and Spectral Analysis，2020，40（7）：2229‑2234.
［23］王庆国，黄敏，朱启兵，等. 基于高光谱图像的玉米种子产地与年份鉴别［J］.食品与生物技术学报，2014，33（2）：163‑170.
WANG Q G，HUANG M，ZHU Q B，et al.Geographical origin and years identification of maize seeds based on the hyperspectral image［J］.Journal of Food Science and Biotechnology，2014，33（2）：163‑170.

[1]	李志, 路浩冉, 杨官官, 李鸿萍, 王群, 李潮海, 周国涛, 卢春光, 张永恩. 河南省夏玉米花期高温热害时空分布特征[J]. 河南农业科学, 2024, 53(7): 10-20.
[2]	郭辉, 连延浩, 赵志博, 任永哲, 王志强, 林同保. 大豆和玉米茬口对冬小麦根际土壤细菌群落结构和功能的影响[J]. 河南农业科学, 2024, 53(7): 79-89.
[3]	黄艳丽, 苏辉, 黄鹏飞, 庄静静, 周会萍. 不同洪淹时长夏玉米田土壤养分的变化[J]. 河南农业科学, 2024, 53(7): 90-99.
[4]	李志敏, 李政, 丁俊强, 田志强. 玉米南方锈病主效抗病QTL的鉴定和效应分析[J]. 河南农业科学, 2024, 53(7): 109-116.
[5]	张盼盼, 乔江方, 李川, 张美微, 穆蔚林, 郭涵潇, 周艳丽, 程泽强. 氮锌配施对不同锌效率玉米品种植株矿质元素累积、分配的影响[J]. 河南农业科学, 2024, 53(6): 1-10.
[6]	徐秀月, 王宁宁, 董慧林, 王杰, 韦荣乖, 王可伟. 玉米秸秆对煤矸石中重金属释放及生物有效性的影响[J]. 河南农业科学, 2024, 53(6): 58-66.
[7]	董红芬, 霍成斌, 李爱军, 李洪, 阎晓光, 马志远. 玉米籽粒乳线比例与籽粒相关性状的关系[J]. 河南农业科学, 2024, 53(5): 22-29.
[8]	李新美, 齐红志, 何家帅, 杨康娜, 魏跃鹏, 郭航兆, 孙磊康, 李孝永, 贾绪存, 李玉霞, 李荣发, 王群. 不同比例有机肥替代化肥对夏玉米氮肥利用率及N₂O排放的影响[J]. 河南农业科学, 2024, 53(5): 92-100.
[9]	戴佳兵, 宋春芳, 凌彩金, 李臻锋, 孙崇高. 基于YOLOv5s-SE和通道剪枝的虫咬紫金蝉茶检测方法研究[J]. 河南农业科学, 2024, 53(5): 157-163.
[10]	刘新, 蒋雨洲, 张吉立, 岳志强, 黄锐, 王鹏. 秸秆还田条件下大豆-玉米轮作体系中磷肥用量对玉米产量和磷利用效率的影响[J]. 河南农业科学, 2024, 53(4): 65-75.
[11]	张盼盼, 乔江方, 李川, 张美微, 穆蔚林, 郭涵潇, 岑俊娟. 氮锌配施对夏玉米灌浆期籽粒氮、锌元素吸收和转运的影响[J]. 河南农业科学, 2024, 53(3): 17-32.
[12]	乔江方, 何佳雯, 侯传伟, 张美微, 杨铭波, 韩琳琳, 张盼盼, 李川, 牛军, 郭涵潇, 穆蔚林. 施氮量对不同夏玉米品种籽粒灌浆特性、产量和品质的影响[J]. 河南农业科学, 2024, 53(3): 33-42.
[13]	李川, 张盼盼, 张美微, 牛军, 穆蔚林, 郭涵潇, 乔江方. 玉米花粉高温胁迫相关miRNA 的筛选及其靶基因分析[J]. 河南农业科学, 2024, 53(2): 1-16.
[14]	王鹏, 李笃花, 张绍辉, 杨孟宁, 安红柳, 方守国, 邓清超, 郭灵芳, 章松柏. 玉米纹枯病菌中新减毒病毒RsHV4 的特征研究[J]. 河南农业科学, 2024, 53(2): 92-100.
[15]	曹丽茹, 梁小菡, 马晨晨, 叶飞宇, 庞芸芸, 李伟亚, 张新, 鲁晓民. 玉米逆境胁迫响应基因ZmTPR1 的表达和功能分析[J]. 河南农业科学, 2024, 53(1): 12-21.

基于深度学习的玉米包衣种子品种识别

Variety Identification of Coated Maize Seed Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics