一种检测种子发芽率的方法、模型和存储介质及建模方法

技术领域

本发明属于模型预测领域，具体涉及一种检测种子发芽率的方法、模型和存储介质及建模方法。

背景技术

红花，又名红蓝花、刺红花，菊科红花属植物（Carthamus tinctorius L），是一个多用途的经济作物。其干燥管状花作中药材用，味辛、微苦，性温，是活血化瘀、通经止痛的常用中药，使用量大。

红花目前既有种植的也有野生的，但由于野生红花数量稀少，现在主要通过人工种植来获取。

在红花人工种植中，种子的发芽率是决定生产水平的关键因素。然而，红花种子的发芽率受到多种因素的影响，包括遗传因素和环境因素。环境因素中的储存时间、环境条件等都会对种子发芽产生影响。如随着种子老化时间的延长，其发芽率显著下降。

目前红花种子主要是通过X光成像技术以及萌发实验来检测红花种子的发芽率，这样的方法不仅耗时还会对种子产生不可逆的损伤，并且不利于长期试验。所以，需要提供一种可以无损、快速、准确地预测大批量红花种子的发芽率的方法具有重要意义。

多光谱成像技术是一种快速、无损的检测手段，被广泛应用于种子的检测。王雪萌等利用多光谱无损成像技术成功地区分出了紫花苜蓿中的老化种子，并直接预测了种子的发芽情况；王超鹏等基于种子正、反面光谱分别建立了含水率预测模型，并结合种子正、反面图像检测结果，实现了模型的自主选择与含水率的准确预测。

多光谱成像技术虽然在许多种子的检测过程中被广泛应用，但对红花种子的检测还未见报道。

发明内容

本发明的目的在于提供一种检测种子发芽率的方法、模型和存储介质以建模方法。

本发明提供了一种基于多光谱成像技术的种子发芽率检测模型的构建方法，包括以下步骤：

（1）提取种子特征： 取种子，采用多光谱成像技术成像，提取种子的成像特征，成像特征包括以下5个特征：Refletance Ratio Bands Mean；CIE AllComponents-4；CIE LabMean Profile-8；CIE Lab Mean Profile-11；CIE-Colorspace-Components-4；

（2）构建模型：采用XG Boost预测模型进行训练，得到种子发芽率预测模型。

进一步地，步骤（1）中所述成像特征还包括：CIE All Components-6；ColorbandRatio Mean Profile-2； Successive Band Diff-2；Successive Band Diff-4；Measure Rachilla 2-6； Blob Shape Regularity Statistics-3；Region VerticalLength Profile-3； Successive Band Diff-27；SuccessiveBand Diff-0；SuccessiveBand Diff-1；Volume Cylinder；Colorband Ratio Mean Profile-3；Measure RachillaBoth Ends-3；Phi Rad Profile-21；Colorband Local Std Profile-4；

步骤（2）中，采用XG Boost预测模型训练时，eta参数设置为：(0.01，0.05，0.07，0.1，0.2)；max depth 参数设置为：(3，7)；alpha 参数设置为：(0.05，0.1，1，2，3)；并设置交叉验证的倍数为 5。

进一步地，所述种子为红花种子。

本发明还提供了一种上述的方法构建得到的种子发芽率检测模型。

本发明还提供了一种检测种子发芽率的方法，

1）将种子进行多光谱成像，并提取待检种子的以下特征：Refletance RatioBands Mean；CIE AllComponents-4；CIE Lab Mean Profile-8；CIE Lab Mean Profile-11；CIE-Colorspace-Components-4；

2）将步骤1得到的种子特征输入上述的检测模型；

3）得到种子发芽率预测结果。

进一步地，所述种子为红花种子。

进一步地，步骤（1）中，种子特征还包括CIE All Components-6； ColorbandRatioMean Profile-2； Successive Band Diff-2；Successive Band Diff-4；MeasureRachilla 2-6； Blob Shape Regularity Statistics-3；Region Vertical LengthProfile-3； Successive Band Diff-27；SuccessiveBand Diff-0；Successive BandDiff-1；Volume Cylinder；Colorband Ratio Mean Profile-3；Measure Rachilla BothEnds-3；Phi Rad Profile-21；Colorband Local Std Profile-4。

本发明还提供了一种用于实现上述的种子发芽率检测模型的方法的系统，包括

输入模块，用于输入待检种子特征；

计算模块，包括上述的检测模型；

输出模块，用于输出最终的种子发芽率的预测结果。

进一步地，所述特征包括，

Refletance Ratio Bands Mean；CIE All Components-4；CIE Lab MeanProfile-8；CIELab Mean Profile-11；CIE-Colorspace-Components-4，CIE AllComponents-6； Colorband Ratio Mean Profile-2； Successive Band Diff-2；Successive Band Diff-4；Measure Rachilla2-6； Blob Shape Regularity Statistics-3；Region Vertical Length Profile-3； Successive Band Diff-27；Successive BandDiff-0；Successive Band Diff-1；Volume Cylinder；Colorband Ratio Mean Profile-3；Measure Rachilla Both Ends-3；Phi Rad Profile-21；Colorband Local StdProfile-4。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现上述的种子发芽率预测方法。

本发明通过多光谱成像技术以及XG Boost所构建的模型，能够成功预测红花种子的发芽率，并发现Reflectance Ratio Bands Mean，CIE AllComponents_4，CIE Lab MeanProfile_8，CIE All Components_6等20个特征对红花种子发芽有着重要影响。其中有5个特征Refletance Ratio Bands Mean；CIE All Components-4；CIE Lab Mean Profile-8；CIELab Mean Profile-11；CIE-Colorspace-Components-4，对红花种子的发芽率影响最为显著。该模型能够准确预测预测红花种子发芽率，并且敏感性、特异性高，可以无损、快速、大量、准确地预测红花种子的发芽率，对于红花种植具有广泛的应用前景。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为自然老化不同时间后种子的发芽率，条形图上的工字型符号表示标准误差。

图2为20个与发芽率相关的特征数据平均反射率图。其中*代表与发芽率的相关性显著（P<0.05），**代表与发芽率的相关性极显著（P<0.01），条形图上的工字型符号表示标准误差。

图3为XG Boost 模型预测种子发芽的 ROC 曲线图。

具体实施方式

本发明所用原料与设备均为已知产品，通过购买市售产品所得。本发明使用的多光谱成像系统是丹麦Videometer A/S公司生产的Videometer lab4。

实施例1、本发明构建模型以及模型准确性验证

一、实验方法

(一）实验材料和特征筛选：

1、实验材料

本实验选取了7份不同自然老化时间（室温保存）的红花种子，具体情况如下：

1年保存的种子2份，编号为S1-1和S1-2；

2年保存的种子2份，编号为S2-1和S2-2；

3年保存的种子2份，编号为S3-1和S3-2；

4年保存的种子1份，编号为S4。

每份种子各约100颗种子，分别从中随机选取25颗种子置于培养皿上，首先直接观察种子外观，各组之间几乎没有区别，无法从外观来确定红花种子发芽率，再将种子放置在20℃培养箱中培养并观察种子的发芽率。

2、 模型建立方法

1）多光谱成像系统数据采集

取7份自然老化不同时间的种子，每颗种子使用多光谱成像系统Videometer lab4对种子的图像特征进行采集。本发明所有特征均采用仪器自带软件默认参数进行数据采集。

包括19种不同波长（365 nm，405 nm，430 nm，450 nm，470 nm，490 nm，515 nm，540nm，570 nm，590 nm，630 nm，645 nm，660 nm，690 nm，780 nm，850 nm，880 nm，940 nm和970nm）的LED频闪光下的成像，获取信息，包括种子尺寸、形状、颜色、形态纹理、光谱质构、与表面化学相关的光谱成分、计数等数据参数，还包括种子纯度、种子健康度、种子成熟度、种子寿命等参数，利用系统自带软件导出数据参数。

测量过程中，为了方便对种子进行分割、识别，增强种子和背景之间的颜色对比度，载物台使用蓝色背景。测量的操作步骤如下：将红花种子放置在培养皿中固定好，然后将培养基至于空心积分球下，4~5s后取出，随后将种子的光谱图像进行分割，去除背景，创建种子的Blob分割图像，之后再提取种子的特征数据。

2）发芽率测定

取前述检测后的种子，进行发芽率测定：配制140ml浓度为1.66%的次氯酸钠（NaClO

3）数据分析

首先将所导出的数据分为训练集和测试集，其中随机选取70%的样本作为训练集（392个），剩下30%样本作为测试集（179个），观察其特征，确定特征类型，然后查看缺失值、类别变量特征、因变量特征、连续变量特征等，再分析连续变量的相关性。在完成上述步骤后进行建模，先将自变量与因变量分开，然后训练一个XG Boost（梯度提升树模型）模型，最后用验证集检验训练集的准确性。

二、实验结果

（一） 自然老化种子质量分析

将种子置于培养皿中培养，观察自然老化不同时间后的种子的发芽率，连续观察四天。实验结果如图1所示，测得平均发芽率分别为：S1-1：93%，S1-2：92%，S2-1：89%，S2-2：78%，S3-1:56%，S3-2：31%，S4：20%。不同年限红花种子发芽率不一，红花种子保存年限越久，其发芽率越低。

（二） 不同老化种子多光谱数据特征分析结果以及模型建立

对各个种子的多光谱数据进行分析，使用 R语言下的 mlr3 包进行模型训练及预测。在训练过程中，使用 R语言的Caret 包计算统计指标(如特异性、敏感性、准确性)。

本次对7个样本共计571重复数据进行格式整理，最终纳入建模分析的特征有 388个。设置不发芽种子的状态为0，发芽种子的的状态为1，定义二分类器。先固定随机种子，选取70%的样本作为训练集（392个），剩下30%样本作为测试集（179个）。XG Boost模型训练的3个关键指标采用梯度设置，其中学习率（eta）设置参数为：(0.01，0.05，0.07，0.1，0.2)，树的深度（max depth） 参数设置为：(3，7)，正则化参数（alpha 参数）设置为：(0.05，0.1，1，2，3)，并设置交叉验证的倍数为 5。

根据训练结果，软件自动选取最优参数组合并采用特征值大于 0的特征用于构建模型。最终构建得到以如下20个图像特征为特征的模型（图2）：Refletance Ratio BandsMean（反射率比率波段平均值）；CIE AllComponents-4（颜色所有成分-4）；CIE Lab MeanProfile-8（颜色参数平均剖面-8）；CIE All Components-6（颜色所有成分-6）； ColorbandRatio Mean Profile-2（色带比平均剖面-2）； Successive BandDiff-2（连续波段差异-2）；Successive Band Diff-4（连续波段差异-4）；MeasureRachilla 2-6（测量拉奇拉 2-6）；CIE Lab Mean Profile-11（颜色参数平均剖面-11）；Blob Shape RegularityStatistics-3（Blob形状规律性统计-3）；Region Vertical Length Profile-3（垂直长度剖面-3）；CIE-Colorspace-Components-4（颜色-色彩空间-组间-4）；Successive BandDiff-27（连续波段差异-27）；SuccessiveBand Diff-0（连续波段差异-0）；SuccessiveBand Diff-1（连续波段差异-1）；VolumeCylinder（容积气缸）；Colorband Ratio MeanProfile-3（色带比平均剖面-3）；Measure Rachilla Both Ends-3（测量拉奇拉两端-3）；Phi Rad Profile-21（质心距离特征/菲拉德剖面-21）；ColorbandLocal Std Profile-4（色带本地标准剖面-4）。其中，Refletance Ratio Bands Mean；CIE AllComponents-4；CIELab Mean Profile-8；CIE Lab Mean Profile-11；CIE-Colorspace-Components-4这5个特征对种子的发芽率影响极显著显著（P<0.01）。

使用30% 样本作为测试集对前述模型进行预测验证，结果如表2所示，实际为0，预测为 0 的有41个；实际为0预测为1的有12个；实际为1，预测为0的有27个；实际为1，预测为1的有99个（表2）。

表2 预测集预测情形统计表（1为发芽，0为不发芽）

如图3所示，本发明模型预测红花种子发芽结果相对实际结果的AUC为0.827，模型的敏感性为 0.77，特异性为0.78。实验结果说明，本发明建立的模型能够有效预测待检红花种子的发芽能力，敏感性和特异性高。

综上，种子的发芽率受到多种因素的影响，无法通知种子外观来确定红花种子发芽率。本发明通过多光谱成像技术以及XG Boost所构建的模型，能够成功预测红花种子的发芽率，敏感性、特异性高，可以无损、快速、大量、准确地预测红花种子的发芽率，对于红花种植具有广泛的应用前景。