一种玉米种子品种分类方法、系统及电子设备

1.本发明涉及高光谱数据降维技术领域，特别是涉及一种玉米种子品种分类方法、系统及电子设备


背景技术：

2.种子是农业生产中最重要的生产材料。玉米与水稻、小麦一起被称为世界三大谷物，是一种主要的粮食作物。不同品种的玉米种子具有不同的营养价值和作用。品种鉴定对选择不用途的玉米种子非常重要，如食品、饲料、育种等。
3.传统种子品种鉴定方法破坏性强、费时费力、成本高难以大范围推广。近年来，以机器视觉技术、近红外光谱技术、高光谱成像技术为代表的种子品种无损鉴定方法受到了广泛的研究。无论机器视觉技术还是近红外光谱技术都只能单一地获取种子信息，这将无法满足复杂的应用场景。高光谱成像技术集成了机器视觉和光谱技术的优点，成为了一种更强大的无损检测技术，可以同时获得种子的图像信息和光谱信息，对品种的鉴定能力更强。
4.然而，高光谱数据不仅维度高，而且包含大量冗余信息，这对于实时在线应用非常不友好。从整个工作光谱区域中选择出少数代表性的波段，可大大降低高光谱成像的设备成本和计算负荷。在食品和农产品的高光谱数据分析中，基于化学计量学的波段选择方法，如连续投影算法(successive projectionsalgorithm，spa)、竞争自适应重加权算法(competitiveadaptive reweightingalgorithm，cars)、随机青蛙(random frog，rf)、蒙特卡洛无信息变量消除(monte carlo uninformative variable elimination，mcuve)、主成分载荷(principal componentanalysis-loading，pca-loading)等长期以来占据了主导地位。但是，这些方法大多不能充分考虑光谱波段之间的非线性和全局相互作用，可能导致选择了一些毗邻的波段，仍保留较多的冗余信息。因此，如何提升种子品种鉴定的实时性和准确性，成为本领域亟待解决的一个技术问题。


技术实现要素：

5.为解决现有技术存在的上述问题，本发明提供了一种玉米种子品种分类方法、系统及电子设备。
6.为实现上述目的，本发明提供了如下方案：
7.一种玉米种子品种分类方法，包括：
8.获取不同品种的玉米种子的光谱图像；
9.对所述光谱图像进行预处理得到单粒种子图像；
10.基于所述单粒种子图像提取单粒种子的全波段光谱数据；
11.将所述全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重；
12.对每一波段的权重进行稀疏约束得到稀疏波段权重；
13.对所述全波段光谱数据和所述稀疏波段权重进行加权处理得到加权后的光谱；
14.将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。
15.可选地，对所述光谱图像进行预处理得到单粒种子图像，具体包括：
16.对所述光谱图像进行黑白校正和阈值分割，以去除所述光谱图像中的背景，并分割所述光谱图像，得到所述单粒种子图像。
17.可选地，基于所述单粒种子图像提取单粒种子的全波段光谱数据，具体包括：
18.将在所述单粒种子图像中的单个玉米籽粒的整个区域作为感兴趣区域；
19.确定所述感兴趣区域内所用像素光谱的平均值，得到平均光谱数据；将所述平均光谱数据作为单粒种子的全波段光谱数据。
20.可选地，所述波段注意力模块包括两层全连接神经网络；第一层全连接神经网络后使用elu激活函数，第二层全连接神经网络后使用sigmoid激活函数。
21.可选地，对每一波段的权重进行稀疏约束得到稀疏波段权重，具体包括：
22.将所有波段的权重进行降序排列，得到权重序列；
23.将所述权重序列中第k个权重值设置为阈值，并将权重小于所述阈值的波段赋值为0，以得到所述稀疏波段权重。
24.可选地，加权处理的计算公式为：
[0025][0026]
式中，xi表示第i个种子样本的光谱数据加权后的光谱，xi表示第i个种子样本的光谱数据，表示稀疏波段权重，表示元素乘法。
[0027]
可选地，在将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果之前，所述方法还包括：
[0028]
通过端到端的训练方式，选择每一玉米种子品种对应的具有代表性的波段，得到波段子集。
[0029]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0030]
本发明提供的玉米种子品种分类方法，引入稀疏波段注意力策略，与传统方法相比，本发明使用的方法选择的波段包含的冗余信息更少，可以获得更好的分类性能，能够显著提升种子品种鉴定的实时性和准确性。
[0031]
本发明还提供了以下实施结构：
[0032]
一种玉米种子品种分类系统，应用于上述提供的玉米种子品种分类方法；所述系统包括：
[0033]
光谱图像获取模块，用于获取不同品种的玉米种子的光谱图像；
[0034]
预处理模块，用于对所述光谱图像进行预处理得到单粒种子图像；
[0035]
光谱数据提取模块，用于基于所述单粒种子图像提取单粒种子的全波段光谱数据；
[0036]
波段权重确定模块，用于将所述全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重；
[0037]
权重稀疏约束模块，用于对每一波段的权重进行稀疏约束得到稀疏波段权重；
[0038]
光谱加权处理模块，用于对所述全波段光谱数据和所述稀疏波段权重进行加权处
理得到加权后的光谱；
[0039]
种子品种分类模块，用于将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。
[0040]
一种电子设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序；
[0041]
当所述计算机程序被所述处理器执行时实现上述提供的玉米种子品种分类方法。
[0042]
可选地，所述存储器为计算机可读存储介质。
[0043]
因本发明提供的上述两种实施结构实现的技术效果与本发明提供的玉米种子品种分类方法实现的技术效果相同，故在此不再进行赘述。
附图说明
[0044]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明提供的玉米种子品种分类方法的流程图；
[0046]
图2为本发明提供的高光谱成像系统结构示意图；
[0047]
图3为本发明提供的波段注意模块架构图；
[0048]
图4为本发明提供的在波段子集大小下各种方法的kappa系数的结果比较图；
[0049]
图5为本发明提供的在波段子集大小下各种方法的总体准确率的结果比较图；
[0050]
图6为本发明提供的不同波段选择方法所选波段的位置分布和熵值大小示意图；其中，图6的(a)部分为不同波段选择方法所选波段的位置分布示意图，图6的(b)部分为不同波段选择方法所选波段的熵值大小示意图；
[0051]
图7为本发明提供的不同波段选择方法所选波段的熵值之和示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
本发明的目的是提供一种玉米种子品种分类方法、系统及电子设备，能够提升种子品种鉴定的实时性和准确性。
[0054]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0055]
如图1所示，本发明提供的玉米种子品种分类方法，包括：
[0056]
步骤100：获取不同品种的玉米种子的光谱图像。在本发明中，该步骤采集的是玉米种子高光谱图像。
[0057]
步骤101：对光谱图像进行预处理得到单粒种子图像。具体的该步骤采用的预处理方式可以是黑白校正、阈值分割法等，以去除背景以及分割出单粒种子图像。
[0058]
步骤102：基于单粒种子图像提取单粒种子的全波段光谱数据，具体的：
[0059]
将在单粒种子图像中的单个玉米籽粒的整个区域作为感兴趣区域(region ofinterest，roi)。
[0060]
确定roi内所用像素光谱的平均值，得到平均光谱数据。将平均光谱数据作为单粒种子的全波段光谱数据，以更好的代表单粒玉米种子。
[0061]
步骤103：将全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重。其中，波段注意力模块由两层全连接神经网络组成，第一层后使用elu激活函数，第二层后使用sigmoid激活函数。
[0062]
步骤104：对每一波段的权重进行稀疏约束得到稀疏波段权重。该步骤的目的是为了能够最大化的去除冗余信息。在实际应用过程中，该步骤的实施过程可以是：
[0063]
将所有波段权重进行降序排列。
[0064]
将第k个权重值设置为阈值，一旦某个波段权重小于该阈值就会被赋值为0。
[0065]
步骤105：对全波段光谱数据和稀疏波段权重进行加权处理得到加权后的光谱。其中，将全波段光谱数据与稀疏波段权重进行元素乘法运算，具体以下公式：
[0066][0067]
式中，xi表示第i个波段的光谱数据加权后的光谱，xi表示第i个波段的光谱数据，表示稀疏波段权重，表示元素乘法。
[0068]
步骤106：将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。即加权后的光谱被输入至卷积神经网络进行种子分类任务。
[0069]
进一步，在进行步骤106之前，本发明还通过端到端的训练方式，选择每一玉米种子品种对应的具有代表性的波段，得到波段子集。
[0070]
基于此，本发明提供的玉米种子品种分类方法引入稀疏波段注意力策略，通过端到端训练以选择有效波段子集，与传统方法相比，本发明选择的波段子集包含的冗余信息更少，并可以获得更好的分类性能，为进一步开发在线检测系统提供了坚实的理论基础。
[0071]
下面提供一个实例对本发明上述提供的玉米种子品种分类方法的具体实现过程进行说明。
[0072]
本实施例收集了20个在中国广泛种植的优质玉米品种，每个品种包含500粒玉米种子，共10000粒。所有种子均产于中国山东省，于2021年收获后经过自然晾晒，经过人工严格挑选去除破损的种子，保证每粒种子都为完好的籽粒，最终保存于无菌的牛皮纸袋中。使用一个推扫式的高光谱成像系统采集所有种子的高光谱图像。如图2所示，该系统核心部件主要包括高光谱成像仪1(高光谱相机)、计算机2、传送带3、溴钨灯光源4、usb数据传输线5、电机6等。其中，各部件间的连接关系和位置关系可参见图2。光谱相机的型号为imspectorv10e，光谱范围是382.2-1026.7nm，光谱分辨率为3.2nm，空间分辨率为1024*1024像素，共728个波段。
[0073]
本实施例按照8：2的比例划分训练集和测试集，即训练集中每个品种包含400粒种子，共8000粒，测试集中每个品种包含100粒种子，共2000粒。
[0074]
为了去除系统中暗电流对图像的影响，并将传感器收集的数字强度值的光谱图像转换为反射率值(即0～1)，需要对图像进行黑白校正，校正公式如下所示：
[0075][0076]
式中，ic表示校正后的图像，io表示原始高光谱图像，ib表示全黑标定图像，iw表示全白标定图像。
[0077]
为了将剔除背景的干扰，并将每个玉米种子从整张图像中分割出来。从全波段中选取一个波段，在这个波段下灰度图像中种子与背景的光谱反射率差异最大，最终被用于构建掩膜。在本实例中该波段为729.1nm，经过一系列测试，将阈值设定为0.3，即反射率小于0.3的像素被认为是背景用0表示，反之这些像素用1表示。最终利用掩膜去除背景，并将单粒种子分割出来。
[0078]
进一步地，将单个种子的整个区域定义为roi，计算roi内所用像素光谱的平均值作为单粒玉米种子的平均光谱，以更好的代表单粒玉米种子。
[0079]
受到光学仪器自身因素的限制，原始光谱曲线首尾波段处的噪声较大，最终只保留了仅400.8-1000.7nm范围内高信噪比的678个波段。
[0080]
进一步地，hsi通过从可见光区域到红外区域的密集采样，获得了大量的光谱波段。正是因为这种成像机制导致了许多波段是冗余的，具体地说相邻波段之间是高相关性的，而且遥远波段之间的相关性也是有可能的。由于冗余波段的存在会削弱种子品种鉴定的准确率，因此需要从全波段中选择出一些最具有鉴别性或者信息丰富的波段来解决上述问题。注意力机制可以巧妙地将可用处理资源分配偏向于输入信号中信息量最大的部分。本实施例利用波段注意力模块生成所有波段的权重，自动地将较大的权重值赋予给有用的波段，从而抑制冗余波段的负面影响。如图3所示，波段注意模块由两个全连接层组成(第一层神经元：678-512。第二层神经元：512-678)。令xi∈r
1*1*l
表示拥有l个波段的第i个种子的平均光谱，则生成的波段权重wi∈r
1*1*l
的公式为：
[0081]
wi＝σ(f(xi)) (2)
[0082]
式中，f(
·
)表示波段注意力模块，δ表示sigmoid函数是为了将生成的波段权重值映射到0～1。
[0083]
进一步地，经过波段注意模块生成的波段权重可以看作是对每个对应光谱波段的评价，即权重越小则表明相应的波段越可能是冗余波段。从理论上来说经过sigmoid函数映射后，有用的波段权重值则接近1，冗余波段权重值接近0。但是，本实施例想进一步使权重值接近0的波段归零，以最大化去除冗余信息的干扰。因此，提出了一种稀疏约束规则来实现上述目的，即根据以下则对波段权重wi进行稀疏约束形成新的稀疏波段权重为：
[0084][0085]
式中，g(
·
)表示稀疏约束函数，j表示波段数，w
ij
表示第i个种子第j个波段对应的权重，k表示阈值即将所有波段权重值按照降序排列，将第m个权重值设为k。一旦w
ij
大于该阈值即保持不改变，否则赋值为0。最后，按照公式对输入的光谱进行重新加权：
[0086]
进一步地，如图3所示，将原始光谱与稀疏波段权重加权后再输入到波段注意模块当中，该波段注意模块由3层一维卷积神经网络(3
×
1的卷积核，步长为1，填充为1)组成，每个卷积层后都紧接着1个批量归一化层、elu激活函数和一个最大池化层(核大小为2，步长
为2)。通过端到端的训练实现波段选择、特征提取和种子品种分类。然而，稀疏约束带来了一个优化难题，即，部分0权重值的波段在反向传播过程中它们的梯度为0，将变得无法更新，这使得网络难以学习到鉴别种子品种的最具有代表性的波段。可以用以下公式详细说明：
[0087][0088]
式中，对于0权重的波段，稀疏约束函数g(
·
)的导数始终为零，这限制了模型在所有光谱带中逐渐搜索到有用的波段。这个优化问题的局限是缺乏全波段的更新，因此需要全波段的参与来协助进行更新。故本实施例提出了一种损失优化方法，来解决整个网络参数更新的问题。
[0089][0090]
式中，loss表示总损失函数，第一项表示交叉熵损失函数，n为批训练样本数，m为类别数，是一个符号函数，如果样本i的真实类别等于c就为1，反之为0，为观测样本i属于类别c的预测概率。第二项为全波段权重辅助损失函数，l表示波段数，w
ij
表示第i个样本第j个波段的非稀疏约束权重。λ为调节参数。
[0091]
在训练前期，稀疏权重逐渐更新需要更多全波段的辅助，当后期训练稳定下来后这时候则需要更少的全波段辅助，因此，调节参数λ应该是随着训练过程的进行逐渐减小的。本实施例将λ＝β*exp(-t1/t2)为调节参数，t1和t2分别表示当前训练的轮数(epochs)和总共的轮数，β也是一个平衡参数，被设置为10-4
。
[0092]
本实施例选择了6种波段选择方法与我们的方法进行比较，其中包括6种在食品和农产品质量监测领域中知名的化学计量学方法，分别是cars、spa、rf、mcuve、pca-loading和一种基于波段注意力的波段选择方法(bs-net)。
[0093]
为了更好地评价不同算法选择的特征波长的性能，选用了核函数为核函数&径向基核函数(radialbasis function，rbf)的支持向量机作为分类器。采用网格搜索化优化程序选择rbf-svm的参数，在{1，10，100，1000，10000}范围内搜索c，在{0.01，0.1，1，10，100}范围内搜索gamma。选取了总体准确率(overallaccuracy，oa)和kappa系数作为评价指标。为了公平起见，对每种波段选择方法的程序进行了10次独立运行。
[0094]
cars、rf、mcuve这三种算法都分别将采样次数和交叉验证的潜在变量的最大数量分别设置为1000和10。spa和pca-loading无具体参数设置。对于本实施例的方法和bs-net，它们的参数都设置的一致，批量大小(batch size)、学习率、迭代次数均保持一致，分别为128、0.001、500。二者都使用adam优化器初始学习率为0.001，beta_1＝0.9，beta_2＝0.999使损失最小化。
[0095]
图4和图5分别显示了这些算法独立运行10次的kappa和oa的平均结果，这些指标在波段子集大小从10到100，间隔为10的情况下统计的。总体来看，本发明提供的方法要明显优于其它对比的6种方法。其中，cars和mcuve这两种方法表现最差，其它4种方法的性能比较接近。此外，还观察到一个有趣的现象，即除了cars算法外，起初所有算法都随着波段数的增加性能开始提升，当性能提升到一定的限度后，随着波段数的进一步增加，性能出现
了下降的趋势。这种现象也就是所谓的高光谱波段选择中存在的休斯现象，即随着所选波段的增加，分类性能先提高后降低。例如，本发明提供的方法在波段数为50时达到最好的分类性能。而cars则没体现出这种现象，可能是因为前100个波段并不能完全体现出该方法的最优性能，所以需要更多的波段。与全波段相比，本发明提供的方法的性能要明显优于全波段，而其它几种对比方法的性能则表现出要么略高于全波段，要么低于全波段。此外，在选择波段数为20时，本发明提供的方法的性能就好于全波段，并且之后随着波段数的增加仍要明显高于全波段。
[0096]
为了更清晰的显示实验结果，分别将每个波段选择方法选取的最佳20个波段进行统计分析，主要根据每个波段的位置和香农熵值来评价所选的波段。所选波段的分布如图6的(a)部分所示，其中每一行表示一个波段方法及其所选波段的对应位置。可以看出，mcuve和cars选择的波段非常密集，相邻波段之间的相关性高，导致了巨大的信息冗余度。与mcuve和cars相比，rf、spa、pca-loading、bs-net和本发明提供的方法选择的波段范围更广、更分散。总体来看，rf、spa、pca-loading和bs-net这四种方法比本发明提供的方法选择了更多的相邻波段。而本发明提供的方法选择了较少的相邻波段，并且分布相对均匀。
[0097]
进一步从香农熵值的角度分析，如图6的(b)部分所示。熵值可以反映信息量的大小，那么熵值越大的光谱波段则表示包含的信息越多。可以看出，cars选择的波段都落在了低熵值区域，因此它的分类性能表现的最差。spa、bs-net所选择的波段中也有较多的波段落在了低熵值波段区域。相比之下，rf、mcuve、pca-loading、本发明提供的方法所选择的低熵值的波段较少。为了更详地比较不同波段选择方法选择波段的熵值差异，图7给出了不同数目波段的熵值总和。很明显，除了cars最低外，各种方法的总熵值十分接近。但是从图7中的局部放大子图可以发现，本发明提供的方法选择波段的总熵值要高于其它方法。
[0098]
进一步，本发明还提供了以下实施结构：
[0099]
一种玉米种子品种分类系统，应用于上述提供的玉米种子品种分类方法。系统包括：
[0100]
光谱图像获取模块，用于获取不同品种的玉米种子的光谱图像。
[0101]
预处理模块，用于对光谱图像进行预处理得到单粒种子图像。
[0102]
光谱数据提取模块，用于基于单粒种子图像提取单粒种子的全波段光谱数据。
[0103]
波段权重确定模块，用于将全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重。
[0104]
权重稀疏约束模块，用于对每一波段的权重进行稀疏约束得到稀疏波段权重。
[0105]
光谱加权处理模块，用于对全波段光谱数据和稀疏波段权重进行加权处理得到加权后的光谱。
[0106]
种子品种分类模块，用于将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。
[0107]
一种电子设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序。
[0108]
当计算机程序被处理器执行时实现上述提供的玉米种子品种分类方法。
[0109]
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的
技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0111]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种玉米种子品种分类方法，其特征在于，包括：获取不同品种的玉米种子的光谱图像；对所述光谱图像进行预处理得到单粒种子图像；基于所述单粒种子图像提取单粒种子的全波段光谱数据；将所述全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重；对每一波段的权重进行稀疏约束得到稀疏波段权重；对所述全波段光谱数据和所述稀疏波段权重进行加权处理得到加权后的光谱；将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。2.根据权利要求1所述的玉米种子品种分类方法，其特征在于，对所述光谱图像进行预处理得到单粒种子图像，具体包括：对所述光谱图像进行黑白校正和阈值分割，以去除所述光谱图像中的背景，并分割所述光谱图像，得到所述单粒种子图像。3.根据权利要求1所述的玉米种子品种分类方法，其特征在于，基于所述单粒种子图像提取单粒种子的全波段光谱数据，具体包括：将在所述单粒种子图像中的单个玉米籽粒的整个区域作为感兴趣区域；确定所述感兴趣区域内所用像素光谱的平均值，得到平均光谱数据；将所述平均光谱数据作为单粒种子的全波段光谱数据。4.根据权利要求1所述的玉米种子品种分类方法，其特征在于，所述波段注意力模块包括两层全连接神经网络；第一层全连接神经网络后使用elu激活函数，第二层全连接神经网络后使用sigmoid激活函数。5.根据权利要求1所述的玉米种子品种分类方法，其特征在于，对每一波段的权重进行稀疏约束得到稀疏波段权重，具体包括：将所有波段的权重进行降序排列，得到权重序列；将所述权重序列中第k个权重值设置为阈值，并将权重小于所述阈值的波段赋值为0，以得到所述稀疏波段权重。6.根据权利要求1所述的玉米种子品种分类方法，其特征在于，加权处理的计算公式为：式中，x
i
表示第i个种子样本的光谱数据加权后的光谱，x
i
表示第i个种子样本的光谱数据，表示稀疏波段权重，表示元素乘法。7.根据权利要求1所述的玉米种子品种分类方法，其特征在于，在将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果之前，所述方法还包括：通过端到端的训练方式，选择每一玉米种子品种对应的具有代表性的波段，得到波段子集。8.一种玉米种子品种分类系统，其特征在于，应用于如权利要求1-7中任意一项所述的玉米种子品种分类方法；所述系统包括：光谱图像获取模块，用于获取不同品种的玉米种子的光谱图像；
预处理模块，用于对所述光谱图像进行预处理得到单粒种子图像；光谱数据提取模块，用于基于所述单粒种子图像提取单粒种子的全波段光谱数据；波段权重确定模块，用于将所述全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重；权重稀疏约束模块，用于对每一波段的权重进行稀疏约束得到稀疏波段权重；光谱加权处理模块，用于对所述全波段光谱数据和所述稀疏波段权重进行加权处理得到加权后的光谱；种子品种分类模块，用于将加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果。9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序；当所述计算机程序被所述处理器执行时实现如权利要求1-7中任意一项所述的玉米种子品种分类方法。10.根据权利要求9所述的电子设备，其特征在于，所述存储器为计算机可读存储介质。

技术总结
本发明公开一种玉米种子品种分类方法、系统及电子设备，涉及高光谱数据降维技术领域。本发明在对获取的光谱图像进行预处理得到单粒种子图像后，提取单粒种子的全波段光谱数据；接着，将全波段光谱数据输入至波段注意力模块生成全波段光谱数据中每一波段的权重，然后，引入稀疏波段注意力策略对每一波段的权重进行稀疏约束得到稀疏波段权重，最后将对全波段光谱数据和稀疏波段权重进行加权处理得到加权后的光谱输入至卷积神经网络得到玉米种子品种分类结果，以获得更好的分类性能，进而显著提升种子品种鉴定的实时性和准确性。显著提升种子品种鉴定的实时性和准确性。显著提升种子品种鉴定的实时性和准确性。


技术研发人员：安冬 张柳 黄金泽 位耀光 刘金存
受保护的技术使用者：中国农业大学
技术研发日：2023.07.19
技术公布日：2023/10/7