小麦品种识别
小麦品种编号大全
小麦品种编号大全
小麦品种编号大全及详细介绍是一个庞大且专业的主题，涉及众多的小麦品种及其特性。
一、小麦品种概述
小麦是全球最重要的粮食作物之一，广泛种植于各种气候和土壤条件下。
为了提高产量、抗病性、适应性和面粉质量，农业科学家们不断培育出新的小麦品种。
这些品种通常会有一个官方的编号或名称，以便于识别和管理。
二、小麦品种编号系统
不同国家和地区可能有不同的小麦品种编号系统。
例如，在中国，小麦品种通常由省级或国家级农业部门注册，并分配一个独特的编号。
这些编号可能包含有关品种来源、特性、审定年份等信息。
三、重要小麦品种及编号示例
1．济麦22号：这是一个在中国广泛种植的小麦品种，以其高产、稳产和优质而著称。
编号中的“济”代表山东省济南市，是该品种的主要育种地区。
2．郑麦366：来自河南省郑州市的一个小麦品种，具有较好的抗病性和适应性，适合在黄淮流域种植。
3．烟农19号：这是山东省烟台市农业科学研究院培育的一个小麦品种，以其高产、抗倒伏和优质面粉而知名。
4．新麦26：来自河南省新乡市的一个小麦品种，适合在黄淮海地区种植，具有高产、稳产和良好的加工品质。
5．百农207：这是河南省百泉农业专科学校培育的一个小麦品种，以其抗病性、抗倒伏性和高产性而受到农民的欢迎。
四、小麦品种特性
1．产量：不同品种的小麦在相同种植条件下产量可能有显著差异。
2．抗病性：一些品种对锈病、白粉病等常见小麦病害有较强的抗性。
3．适应性：某些品种更适合在特定气候或土壤条件下种植。
4．面粉质量：面粉的颜色、蛋白质含量和烘焙性能等也会因品种而异。
小麦品种识别
小麦品种识别小麦是世界上最早的栽培植物之一，也是世界上种植面积最大、总贸易额最大、营养价值最高的粮食作物之一，在中国是仅次于水稻的第二大粮食作物。
营养价值方面，小麦籽粒含有丰富的蛋白质，而且小麦耐储藏，是重要的商品粮食作物。
生产方面，小麦适应性广，产量稳定，并且可以充分利用冬、春季节复种，提高单位面积产量与总产量。
我国常年种植面积为3000万公顷左右，是我国最重要的商品粮食和战略性粮食储藏品种。
面对21世纪中国及世界的粮食安全问题，小麦生产占有举足轻重的地位。
一、小麦基本属性1、小麦的基本形态特征小麦属于禾本科(Poaceae.)，小麦属(TriticulnL.) , 一年或二年生草本植物，茎直立，中空，叶子宽条形，子实椭圆形，腹面有沟。
子实供制面粉，是主要粮食作物之一。
由于播种时期的不同有春小麦、冬小麦等.自花授粉.禾本科小麦属的重要栽培谷物。
一年生或越年生草本；茎具4～7节，有效分蘖多少与土肥环境相关。
叶片长线形；穗状花序直立，穗轴延续而不折断；小穗单生，含3～5（～9）花，上部花不育；颖革质，卵圆形至长圆形，具5～9脉；背部具脊；外稃船形，基部不具基盘，其形状、色泽、毛茸和芒的长短随品种而异。
颖果大，长圆形，顶端有毛，腹面具深纵沟，不与稃片粘合而易脱落。
2、小麦的分类小麦按播种季节可分为冬小麦和春小麦，一般春小麦蛋白质含量高于冬小麦，但春小麦的容重和出粉率低于冬小麦。
小麦按皮色的不同，可分为白皮小麦和红皮小麦两种。
白皮小麦呈黄色或乳白色，皮薄，胚乳含量多，出粉率较高，红小麦呈深红色或红褐色，皮较厚，胚乳含量少，出粉率较低；小麦按籽粒的质地不同，可分为硬质小麦和软质小麦。
具体的分类如下：①、硬白：种皮为白色或黄白色的麦粒不低于90%，角质率不低于70%的小麦。
②、软白：种皮为白色或黄白色的麦粒不低于90%，粉质率不低于70%的小麦。
③、硬红: 种皮为深红色或红褐色的麦粒不低于90%，角质率不低于70%的小麦④、软红: 种皮为深红色或红褐色的麦粒不低于90%，粉质率不低于70%的小麦。
小麦种子生产基础—小麦品种性状识别
五、倒后补救
1. 不要人工扶理和扎把，顺其自然，使其慢慢恢复生长。 2.倒伏后，可喷洒磷酸二氢钾(150-200g/667m2)溶液 3.加强病害防治。倒伏的麦田易使条锈病、白粉病、赤 霉病大流行，要加强这些病的防治工作。
工倒 扶伏 理后 或不 扎要 把人
小麦品种粒部性状及识别
小麦不同品种之间粒部性状有较大差异，是识别 品种特性的主要依据之一。小麦粒部性状主要包括以 下几方面。
一、粒型 二、粒长
三、粒色 四、粒质 五、籽粒饱满度
小麦品种粒部性状及识别
一、粒型
1、长圆形：子粒细长，上、中、下宽度相差不大 2、卵圆形：下部宽、顶部狭窄 3、椭圆形：中部宽，上部和下部窄 4、圆形：籽粒短而圆，上、下的宽度比中部稍窄
一、倒伏危害
倒伏的危害程度与倒伏发生的早晚及程度有关，倒伏发 生越早，损失越大。孕穗期倒伏，减产50%左右；开花至蜡 熟期倒伏减产20-40%；蜡熟期后倒伏，减产5%-10%，重要 是造成收获困难，脱粒、掉穗而影响产量。
1. 倒伏后机械收割困难，且易落粒、断穗影响产量。 2.灌浆前早期倒伏主要影响粒数和粒重;灌浆后晚期倒伏 主要影响粒重，最终影响产量和子粒饱满度，从而影响种 用价值。 3.倒伏后，易导致穗发芽，影响发芽率降低种用价值。
（二）播种前种子处理
用40%矮壮素667平方米用75ml或30g原粉对水后均匀拌 种，晾干后播种。也要用多效唑100-300mg/kg喷洒在麦种上， 晾干后播种。
（三）精量播种
建 立 合 理 群 体 结 构 。 如 河 南 种 植 大 穗 型 品 种 ， 播 量 56kg/667m2。多穗型品种，如豫麦18，播量6-7kg/667m2，并 大力推广宽窄行种植，坚持精量匀播。
河套地区主要小麦玉米向日葵种质资源观察识别
河套地区主要小麦玉米向日葵种质资源观察识别河套地区是中国重要的农作物种植区之一，主要种植小麦、玉米和向日葵等作物。
这里的气候条件和土壤特征对这些作物的生长和发展有着重要影响。
因此，在河套地区对小麦、玉米和向日葵种质资源进行观察和识别，可以为相关研究和种植提供重要的参考。
河套地区的小麦种质资源以冬小麦为主，主要品种有普通冬小麦、抗寒性冬小麦和优质冬小麦等。
针对这些小麦品种，可以从以下几个方面进行观察和识别：1.产量和耐逆性：观察小麦的产量和耐逆性表现，包括抗旱、抗寒、抗病虫害等能力。
可以通过对不同品种在不同环境条件下的耐逆性表现进行对比，识别出具有高产量和良好适应性的优良品种。
2.品质特性：观察小麦的品质特性，包括面筋质量、蛋白质含量、淀粉含量等。
可以通过对小麦品种的面筋质量测定、蛋白质含量测定和淀粉含量测定等实验，评估不同品种的品质特性差异，识别出具有优良品质的品种。
3.抗虫性和抗病性：观察小麦品种对常见害虫和病害的抗性表现，包括叶蝉、纹枯病、锈病等。
可以通过对不同品种的抗虫和抗病表现进行观察和测定，评估不同品种的抗虫和抗病能力，识别出具有抗虫和抗病能力较强的品种。
河套地区的玉米种质资源较为丰富，不同品种在适应性、抗性和产量等方面存在差异。
以下是对河套地区玉米种质资源的观察和识别的主要内容：1.产量和适应性：观察不同玉米品种的产量和适应性表现，包括生育期、耐旱、耐盐碱等能力。
可以通过对不同品种的产量和适应性表现进行对比，识别出具有高产量和适应性强的品种。
2.抗病性和抗虫性：观察不同玉米品种对常见病害和害虫的抗性表现，包括玉米病毒病、玉米花叶病等病害，玉米螟、玉米象等害虫。
可以通过对不同品种的抗虫和抗病表现进行观察和测定，评估不同品种的抗虫和抗病能力，识别出具有抗虫和抗病能力较强的品种。
3.品质特性：观察不同玉米品种的品质特性，包括米质含量、玉米粒大小、米质颜色等。
可以通过对玉米品种的米质含量测定、玉米粒大小测定和米质颜色测定等实验，评估不同品种的品质特性差异，识别出具有优良品质的品种。
基于特征选择的小麦籽粒品种识别研究
基于特征选择的小麦籽粒品种识别研究∗冯继克1,郑颖1,李平1,李艳翠2,张自阳3,郭晓娟1(1.河南科技学院信息工程学院,河南新乡,453003;2.河南师范大学计算机与信息工程学院,河南新乡,453000;3.河南科技学院生命科技学院,河南新乡,453003)摘要:为有效地对小麦籽粒品种进行分类,判别影响小麦籽粒品种识别的特征,进行基于特征选择的小麦籽粒品种识别研究㊂首先采集农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个品种的小麦籽粒图像18000张,对采集的图像进行预处理,提取小麦籽粒的颜色特征㊁形态特征和纹理特征三大类共28个特征值,并对特征进行相关性分析㊂然后分别构建不同特征融合模型以及数据降维和数据增强模型㊂最后进行试验分析,基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%;经过线性判别分析,降维处理的小麦特征数据识别准确率达86.19%,模型训练时间仅0.87s ;基于数据增强后的平均识别准确率达94.26%㊂试验表明基于特征选择的小麦籽粒识别是可行的,有助于育种工作者对小麦籽粒识别做出更准确判断,具有一定的实际意义㊂关键词:小麦籽粒;特征选择;品种识别;特征融合;数据降维中图分类号:S 126:S 512㊀㊀文献标识码:A㊀㊀文章编号:20955553(2022)07011608冯继克,郑颖,李平,李艳翠,张自阳,郭晓娟.基于特征选择的小麦籽粒品种识别研究[J ].中国农机化学报,2022,43(7):116-123F e n g J i k e ,Z h e n g Y i n g ,L i P i n g ,L iY a n c u i ,Z h a n g Z i y a n g ,G u oX i a o ju a n .R e s e a r c ho n t h e i d e n t i f i c a t i o no fw h e a t g r a i n v a r i e t i e sb a s e do n f e a t u r e s e l e c t i o n [J ].J o u r n a l o fC h i n e s eA gr i c u l t u r a lM e c h a n i z a t i o n ,2022,43(7):116-123收稿日期:2021年7月6日㊀㊀修回日期:2022年5月9日∗基金项目:河南省科技攻关项目(212102110298㊁182102210048㊁222102210171㊁212102210431);河南省高等学校重点科研项目计划(20A 520013)第一作者:冯继克,男,1994年生,河南郏县人,硕士研究生;研究方向为农业信息化㊂E -m a i l :674513243@q q .c o m 通讯作者:李艳翠,女,1982年生,河南新乡人,博士,讲师;研究方向为农业信息化㊂E -m a i l :l i .y a n c u i @q q.c o m R e s e a r c ho n t h e i d e n t i f i c a t i o no fw h e a t gr a i n v a r i e t i e s b a s e d o n f e a t u r e s e l e c t i o n F e n g J i k e 1,Z h e n g Y i n g 1,L i P i n g 1,L i Y a n c u i 2,Z h a n g Z i y a n g 3,G u oX i a o ju a n 1(1.C o l l e g e o f I n f o r m a t i o nE n g i n e e r i n g ,H e n a n I n s t i t u t e o f S c i e n c e a n dT e c h n o l o g y ,X i n x i a n g ,453003,C h i n a ;2.C o l l e g e o f C o m p u t e r a n dI n f o r m a t i o nE n g i n e e r i n g ,H e n a nN o r m a lU n i v e r s i t y ,X i n x i a n g ,453000,C h i n a ;3.C o l l e g e o f L i f eS c i e n c e a n dT e c h n o l o g y ,H e n a n I n s t i t u t e o f S c i e n c e a n dT e c h n o l o g y ,X i n x i a n g ,453003,C h i n a )A b s t r a c t :I no r d e r t oe f f e c t i v e l y c l a s s i f y w h e a t g r a i nv a r i e t i e sa n di d e n t i f y th ec h a r a c t e r i s t i c st h a ta f f e c t t h e i d e n t i f i c a t i o no fw h e a t g r a i nv a r i e t i e s ,t h i s p a p e r r e s e a r c h t h e i d e n t i f i c a t i o n o fw h e a t g r a i n v a r i e t i e s b a s e d o n f e a t u r e s e l e c t i o n .F i r s t ,18000i m a g e s o fw h e a t g r a i n s f r o ms i xv a r i e t i e s o fN o n g d a 3416-18,N e i l e 288,H e n g s h u i 6632,B a i n o n g 419,L u o m a i 28,a n dX i n m a i 26w e r e c o l l e c t e d .A f t e r p r e p r o c e s s i n g t h e c o l l e c t e d i m a g e s ,a t o t a l o f 28f e a t u r ev a l u e sw e r ee x t r a c t e d i nt h r e ec a t e g o r i e so f c o l o r ,m o r p h o l o g y,a n d t e x t u r e f e a t u r e so fw h e a t g r a i n s ,a n dt h ec o r r e l a t i o na n a l y s i so f f e a t u r e sw a sc a r r i e do u t .T h e n ,d i f f e r e n t f e a t u r ef u s i o n m o d e l s ,f e a t u r e d a t ad i m e n s i o n a l i t y r e d u c t i o n m o d e l s ,a n dd a t ae n h a n c e m e n t m o d e l s w e r ec o n s t r u c t e d .F i n a l l y ,t h ee x p e r i m e n t a la n a l ys i s s h o w e d t h a t t h e a v e r a g e a c c u r a c y o f t h e t h r e e -f e a t u r e f u s i o nm o d e l b a s e d o n t e x t u r e+s h a pe+c o l o rw a s 91.02%.L u o m a i 28,b a s e d o n t h e t e x t u r e+s h a p e+c o l o r f e a t u r em o d e l ,w a s t h e h i g h e s t ,r e a c h i n g 97.0%.A f t e r d i m e n s i o n r e d u c t i o nb y L i n e a rD i s c r i m i n a n t A n a l y s i s (L D A ),t h e r e c o g n i t i o n a c c u r a c y o fw h e a t f e a t u r e d a t a r e c o g n i t i o nw a s 86.19%,a n d t h e t r a i n i n g t i m e o f t h em o d e l w a s o n l y0.87s .A f t e r d a t ae n h a n c e m e n t ,t h ea v e r a g e r e c o g n i t i o na c c u r a c y r e a c h e d94.26%.T h ee x pe r i m e n t ss h o w e dt h a t t h ew h e a t g r a i n r e c o g n i t i o nb a s e do nf e a t u r e s e l e c t i o nw a s f e a s i b l e ,w h i c hw a sh e l p f u l a n d p r a c t i c a l f o r b r e e d e r s t om a k em o r e a c c u r a t e j u dg m e n t s o n th ei d e n t i f i c a t i o no fw h e a t g r a i n s .K e yw o r d s :w h e a t g r a i n ;f e a t u r e s e l e c t i o n ;v a r i e t y r e c o g n i t i o n ;f e a t u r e f u s i o n ;d a t ad i m e n s i o n a l i t y r e d u c t i o n Copyright ©博看网. All Rights Reserved.0㊀引言小麦是我国重要粮食作物之一,培育优良品种对提高粮食产量有重要作用㊂籽粒是育种基础,提高籽粒识别准确率可有效提高育种效率㊂目前,国内外对小麦与类似谷物分类的识别研究主要通过数码相机㊁传感器㊁扫描仪㊁光谱仪等获取R G B图像或高光谱图像,通过对图像提取特征或直接使用图像构建神经网络模型进行识别,识别准确率大多能达90%以上[19]㊂基于特征的籽粒识别方法在小麦㊁水稻㊁玉米和苦荞等作物中均得到应用㊂在小麦籽粒品种识别方面,孟惜等[10]提取了小麦的23个特征参数,利用P S O算法优化网络后识别6个品种的小麦,平均识别准确率增加至94.3%㊂冯丽娟等[11]提出了利用稀疏表示的方法识别4个小麦品种,与B P神经网络方法比较,稀疏表示方法对于4个小麦品种识别准确率达到96.7%,比B P神经网络高2个百分点㊂何红霞[12]提取了8类小麦的颜色特征㊁形态特征和纹理特征共37个参数,使用粒子群算法对神经网络进行优化,分类准确率达96.32%,均方根误差0.443㊂刘飞[13]提取了小麦的4个形状特征和6个颜色特征,使用颜色和形状特征相结合,对3个品种㊁4个品种和5个品种的小麦籽粒识别准确率分别达95.6%,93.3%和89.3%㊂张强[14]使用图像处理软件提取了苦荞种子的28个特征参数,对11个品种的苦荞种子识别,取得较好的识别效果㊂冯晓星等[15]提取了5个品种稻谷的光谱信息和图像特征共27个参数,采用B P-A N N的分类效果较好㊂彭灿[16]对提取的玉米籽粒图像特征,通过线性相关性分析筛选参数,提高了系统识别效率㊂由于对图像提取特征进行籽粒识别的方法需要提取的特征较多,数据维度较大,很多研究者对特征进行融合㊁降维等处理以提高效率㊂李秀昊等[17]将提取的6个形状特征参数和15个颜色特征参数融合,采用S VM分类器对稻谷进行识别,识别准确率达99.5%㊂付晓鹏[18]采集了44个品种的大豆种粒图像并构建数据集,提取了大豆种粒图像的形状㊁H S I颜色以及纹理3类特征参数,并采用P C A对特征参数进行降维,采用L WK N C N算法识别6种大豆种粒图像,最高识别率为85.61%㊂李东[19]利用主成分分析方法对提取的4类水稻种子的10个自变量进行数据分析与降维处理,运用余弦相似度的方法对稻花香2号水稻进行最终鉴别,识别正确率为88%㊂黄琼等[20]利用贝叶斯分类器对经过L D A降维处理后的水稻种子进行识别,识别准确率高达99.4%㊂冯晓星等[15]对提取稻谷的27个特征参数进行P C A降维,使得稻谷识别更加高效㊂结合籽粒识别和专家人工分辨发现,小麦籽粒品种的识别准确率仅与少数重要的特征关系较大㊂为判别影响品种识别的重要特征参数和提高识别效率,本文进行基于特征选择的小麦籽粒品种识别㊂首先采集农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个不同品种的小麦籽粒图像,经过预处理提取了小麦的颜色㊁纹理和形态共计28个特征参数㊂然后采用不同的分类器进行识别,构建不同的特征融合模型和对特征数据进行降维处理,并对图像进行数据增强㊂通过多个试验对比分析,筛选出影响小麦籽粒识别的重要特征,并确定适合小麦籽粒识别的模型,以达到快速并准确识别小麦籽粒品种的目的㊂1㊀试验材料与方法1.1㊀图像采集本文小麦籽粒样本均由河南科技学院生命科技学院提供,其获取时间为2020年9 10月㊂选用农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26共6个品种的小麦种子作为试验对象,图1给出每个品种的图片样例㊂(a)农大3416-18㊀(b)内乐288(c)衡水6632㊀(d )百农419(e)洛麦28㊀(f)新麦26图1㊀6个品种的小麦籽粒图像示例F i g.1㊀I m a g e e x a m p l e s o f s i xw h e a t v a r i e t i e s为获取清晰准确的图片,本文使用体视显微镜拍摄小麦种子图片,拍摄时以黑色吸光绒布为背景, 体视显微镜 参数设置为放大倍数为1倍,2688ˑ1520的分辨率,自动白平衡(AW B)和宽动态平衡(WD R)选择关闭,L E D补光灯设置为中等,通过调整体视显微镜右侧焦螺旋对小麦种子聚焦,在室内自然光照和灯光条件下,完成小麦种子图片拍摄㊂为保证籽粒完整性,每个品种小麦籽粒挑选出颗粒饱满的种子1100粒㊂小麦籽粒图像采集考虑实际情况,图片保存为Copyright©博看网. All Rights Reserved.P N G 格式,图片大小为2688ˑ1520像素㊂拍摄采取单粒分角度拍摄,每粒小麦分别拍摄腹沟向上㊁腹沟朝前45ʎ和腹沟向下3个角度的3张图片,最后筛选出拍摄清晰㊁背景纯的1000粒小麦籽粒图像,共计18000张图片㊂分别将小麦籽粒图片分品种按角度进行存储㊂1.2㊀图像预处理本试验采集的小麦籽粒图像为R G B 图像,在实验室拍摄过程中,图像的获取容易受拍摄器材㊁拍摄背景及光照等因素影响,形成图像噪声,影响识别精度㊂因此,在特征提取之前需要对原始图像进行去背景㊁滤波降噪和二值化等处理,以降低图像噪声,如图2所示㊂(a )R G B 图像㊀(b)高斯滤波图像(c)二值化图像㊀(d)边缘图像图2㊀小麦籽粒预处理图像F i g .2㊀P r e p r o c e s s e d i m a ge o fw h e a t g r a i n ㊀㊀本文预处理过程及结果如下:原始图像经过去背景,如图2(a )所示;灰度处理,将R G B 图像经过灰度化得到小麦的灰度图像,采用高斯滤波方法对灰度图像增强,以达到降低噪声,保证边缘的效果,如图2(b)所示;图像二值化,图2(c )是对高斯滤波图像进行二值化处理后的图像;获取图像边缘,图2(d )的边缘图像用于提取小麦的形态特征㊂1.3㊀特征提取与分析根据拍摄角度,将小麦图片按腹沟向上㊁腹沟朝前45ʎ和腹沟向下分别提取形态特征㊁颜色特征和纹理特征3方面共计28个参数,不同品种㊁不同小麦籽粒之间有不同的参数值㊂将提取的特征按品种分角度保存成 .c s v文件㊂1.3.1㊀小麦籽粒形态特征提取小麦籽粒的形态特征是可以直接展现小麦外观的重要参数,本文选取面积A ㊁周长C ㊁长轴轴长L ㊁短轴轴长W ㊁离心率e 1㊁外接矩形面积S 1㊁惯性矩c o n ㊁圆形度C 1和矩形度R 1共9个特征参数㊂6个品种小麦平均形态特征参数如表1所示㊂可以看出,对比面积百农419明显区分于其他5个品种,并且不同品种小麦籽粒的其他形态特征参数均存在一定差异㊂因此,形态特征可用来识别不同小麦籽粒品种㊂表1㊀6个品种的小麦形态特征参数均值T a b .1㊀M e a nv a l u e s o fm o r p h o l o gi c a l f e a t u r e p a r a m e t e r s o f s i xw h e a t v a r i e t i e s 参数农大3416-18内乐288衡水6632百农419洛麦28新麦26A 9473.319887.697816.7510025.059863.938752.27C 645.27660.64604.14669.89680.93626.62L 245.36255.64240.96270.73265.36259.09W 130.94132.08117.94133.72134.97122.51e 10.8440.8550.8700.8680.8600.879S 132188.3733833.9628493.3336253.9336206.1531867.06c o n 27613022.829526947.220051715.732268283.534289657.524213676.9C 10.2940.2920.2730.2760.2720.274R 10.2870.2880.2700.2800.2690.2791.3.2㊀小麦籽粒颜色特征提取颜色特征同样是识别小麦籽粒品种信息的重要指标㊂本文提取了R G B 颜色模型的R ㊁G ㊁B 分量,但是R ㊁G ㊁B 分量受光照等因素影响较大,为降低客观因素带来的品种识别率误差㊂同时提取了H S V 模型中的色调H ㊁饱和度S 和亮度V ㊂颜色矩是一种有效表示颜色特征的方法,有一阶矩(即均值,m e a n )㊁二阶矩(即标准差,v a r i a n c e)和三阶矩(即斜度,s k e w n e s s )等,由于颜色信息主要分布于低阶矩中,所以本文提取了一阶矩㊁二阶矩和三阶矩用来表达小麦籽粒图像的颜色分布㊂6个品种小麦平均颜色特征参数如表2所示,由于受小麦本身色度及光照等影响,不同小麦之间的R ㊁G 和B 均存在差异,同时不同品种之间的H ㊁S 和V 及其分量也存在较大不同,因此颜色特征可以用来区分小麦品种㊂Copyright ©博看网. All Rights Reserved.表2㊀6个品种的小麦颜色特征参数均值T a b.2㊀M e a nv a l u e s o f c o l o r f e a t u r e p a r a m e t e r s o f s i xw h e a t v a r i e t i e s参数农大3416-18内乐288衡水6632百农419洛麦26新麦28 R2.975.124.652.682.102.21 G8.146.555.475.064.222.69 B10.586.975.776.114.882.85 H98.7591.0388.6098.4594.8093.26 S131.6155.5049.38103.37114.5758.44 V147.03142.74145.27158.59165.02164.94 H均值3.244.654.343.764.384.04 H标准差8.3913.8414.289.6611.2312.43 H斜度13.9923.7624.8016.3818.3921.85 S均值19.978.796.6717.5520.228.63 S标准差49.0724.3220.8841.1745.7024.20 S斜度65.6938.2034.9555.2060.1937.53 V均值22.3922.6419.6927.1527.8024.35 V标准差54.8954.3551.6262.0463.7460.25 V斜度72.3171.1269.8279.4482.1579.37 1.3.3㊀小麦籽粒纹理特征提取本文采用灰度共生矩阵的方法提取了纹理特征中的逆方差I DM㊁能量A S M㊁熵E N T和对比度C O N共4个特征参数㊂逆方差反应纹理的清晰和规则程度,值越大,纹理越清晰,规律性越强;能量是图像的灰度分布和纹理粗细的度量值;熵表示该超像素块的纹理复杂度;逆方差用来度量局部灰度相关性㊂6个品种小麦的平均纹理特征参数如表3所示㊂表3㊀6个品种的小麦纹理特征参数均值T a b.3㊀M e a nv a l u e s o f t e x t u r e f e a t u r e p a r a m e t e r s o fs i xw h e a t v a r i e t i e s参数农大3416-18内乐288衡水6632百农419洛麦26新麦28I DM0.720.710.750.690.700.73A S M0.0530.0430.0450.0540.0750.061 E N T0.860.890.790.940.970.85C O N0.9770.9800.9800.9760.9710.9761.3.4㊀特征相关性分析为分析提取到的特征之间的关联,本文采用相关系数的方法对特征参数进行相关性分析㊂结果如图3~图5所示,分别为形态㊁颜色和纹理3个特征相关性热力图,颜色刻度条越浅,说明两特征相关性越强,相关系数越接近1或-1,表明正/反线性关系越强,相关系数为0则表示两个变量间没有线性关系㊂由图3可知周长和矩形度,短轴轴长和离心率,离心率和惯性矩刻度条颜色较深,其之间负相关性较弱㊂矩形度和短轴轴长相关性为-0.035,相关性较小㊂外接矩形面积和惯性矩相关性为0.97,其正相关性最大㊂图3㊀形态特征相关性热力图F i g.3㊀M o r p h o l o g i c a l f e a t u r e c or r e l a t i o nh e a tm a p图4㊀颜色特征相关性热力图F i g.4㊀C o l o r f e a t u r e c o r r e l a t i o nh e a tm a pCopyright©博看网. All Rights Reserved.图5㊀纹理特征相关性热力图F i g.5㊀T e x t u r e f e a t u r e c o r r e l a t i o nh e a tm a p从图4可以看出,R㊁G和B与亮度均存在较大负相关性,说明R㊁G和B颜色分量越大,亮度就越高㊂饱和度和亮度与其分量之间均存在较大正相关㊂从图5可以看出,逆方差与熵之间存在较大负相关性,能量和熵存在较大正相关性㊂1.4㊀试验方法本试验用到了6个品种小麦籽粒特征数据,剔除个别无效数据,共保留17997组特征数据,将80%的小麦籽粒图像特征参数作为训练集,10%的特征参数作为验证集,剩余10%的特征参数作为测试集,将提取的小麦籽粒图像的颜色㊁形态和纹理3方面共28个特征参数,作为K近邻(K N N)㊁贝叶斯(B a y e s)㊁支持向量机(S VM)和随机森林(R a n d o m F o r e s t)的输入数据,实现小麦籽粒的品种识别㊂具体的操作流程如下㊂1)随机选取80%的特征参数作为训练集,10%的特征参数作为验证集,剩余10%的特征作为测试集㊂2)提取小麦图像的颜色㊁形态和纹理3方面共计28个特征参数㊂3)将28个特征参数进行[0,1]归一化处理,分别作为K近邻㊁贝叶斯㊁支持向量机和随机森林的输入数据㊂4)训练K近邻㊁贝叶斯㊁支持向量机和随机森林分类模型㊂5)采用训练好的模型对测试集进行测试,得到分类预测结果并作对比㊂1.4.1㊀构建不同特征融合模型为了验证不同特征对小麦籽粒品种识别的效果,本试验将提取的小麦种子图像的9个形态特征㊁4个纹理特征和15个颜色特征,以及两两特征和3个方面特征融合,构建7个特征融合模型,即形态特征模型㊁纹理特征模型㊁颜色特征模型㊁纹理+颜色特征模型㊁纹理+形态特征模型㊁形态+颜色特征模型和纹理+形态+颜色特征模型,并对不同特征模型进行识别结果比较㊂1.4.2㊀构建不同特征数据降维模型为提升小麦籽粒品种识别效率和判别影响识别准确率主要因素,采用机器学习软件包s k l e a r n库中S e l e c t K B e s t㊁P C A和L D A模型降维与原始数据集识别结果进行对比,对28个特征参数进行降维分析,分别选出前5个重要特征参数作为K N N分类器输入数据,以精确率㊁召回率和F1值等作评价指标,对降维数据结果进行分析对比㊂1.4.3㊀构建数据增强模型由于小麦籽粒图像采集过程中容易受光照㊁背景和拍摄仪器等影响,为提升识别精确度,提高模型的泛化能力,经过分析对比选取腹沟朝前45ʎ这一角度原始图像,采用p y t h o n中P I L的I m a g e E n h a n c e函数,对亮度㊁色度㊁对比度和锐度进行随机增强,数据增强的标准以不明显影响原始图像区分度为准,将原始数据扩充4倍,并提取对应特征参数,作为分类器输入参数,对识别结果进行分析㊂数据增强后图像如图6所示㊂(a)原始图像㊀(b)去背景图像(c)亮度增强㊀(d)色度增强(e)对比度增强㊀(f)锐度增强图6㊀数据增强前后图像F i g.6㊀I m a g e sb e f o r e a n da f t e r d a t a e n h a n c e m e n t2㊀试验结果与分析本文试验均用到了农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个小麦籽粒品种特征数据,因受随机因子等因素影响,每次试验结果存在一定不同,故任选取5次试验结果平均值㊂表4为28个原始特征参数归一化处理后,在B a y e s㊁S VM㊁R a n d o m F o r e s t和K N N四个分类器上的识别结果,可以看出R a n d o m F o r e s t分类器训练时间最短,仅0.035s,远低于K N N分类器训练时间,但Copyright©博看网. All Rights Reserved.K N N分类器测试集识别准确率高达91.02%,高出B a y e s识别率18.12个百分点,高出S VM识别率5.85个百分点,高出R a n d o m F o r e s t识别率7.55个百分点㊂同时,以分类结果的准确率㊁精确率㊁召回率和F1值为评价指标,K N N模型均优于其他3类模型,因此在本文提取的特征数据上,K N N模型较其他3个模型更适用于小麦籽粒品种分类㊂表4㊀小麦籽粒原始数据集分类结果T a b.4㊀C l a s s i f i c a t i o n r e s u l t s o f t h e o r i g i n a l d a t a s e t o fw h e a t g r a i n s模型时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F1/%B a y e s0.06673.2872.974.3672.9372.78 S VM1.52384.7485.1785.7485.0685.04 R a n d o mF o r e s t0.03586.4984.5684.7784.5784.53 K N N7.43194.0491.0291.2591.0491.19 2.1㊀基于不同特征融合的分类结果原始特征共有形态㊁颜色㊁纹理3类28个特征参数,本试验将3类特征进行组合构建了7组特征融合模型,利用上述分类效果较好的K N N模型对其进行分类识别,识别精确率结果如表5所示,其中平均识别率为单个特征模型的平均识别准确率㊂由表5可知,相比形态和纹理特征模型,在单个特征模型作为数据集用来识别时,颜色特征模型平均识别率达到89.13%,其中农大3416-18识别精确率达96.2%㊂在两个特征融合的识别率中,纹理+颜色特征模型平均识别率最高,达90.66%,高于纹理+形态特征模型34.52个百分点㊂纹理+形态+颜色三个特征融合模型平均识别率为91.02%,为7个特征融合模型识别准确率最高㊂在所有品种识别精确率中,基于纹理+形态+颜色特征模型的洛麦28识别精确率最高,达97.0%,基于纹理特征模型农大3416-18识别精确率最低,为26.0%,两者相差71个百分点㊂通过分析表5识别结果,可以看出基于不同特征融合的小麦籽粒品种识别中,纹理+形态+颜色特征模型平均识别率为91.02%,高于识别率最低的纹理特征模型47.88个百分点㊂与颜色特征融合的3个特征模型,平均识别率均达89%以上,远高于形态㊁纹理和纹理+形态特征融合模型的识别准确率㊂由此可见,颜色特征在识别结果中贡献度较大,鉴于个别特征参数的提取可能受拍摄条件㊁光照及拍摄仪器等外在因素影响,以下试验将对特征参数做降维处理与分析㊂表5㊀基于不同特征融合的小麦籽粒品种识别精确率T a b.5㊀R e c o g n i t i o n r e s u l t s o fw h e a t g r a i nv a r i e t i e sb a s e do n t h e f u s i o no f d i f f e r e n t c h a r a c t e r i s t i c s品种识别精确率/%形态纹理颜色纹理+颜色纹理+形态形态+颜色纹理+形态+颜色农大3416-1842.026.096.295.849.095.696.2内乐28836.642.679.282.450.682.683.0衡水663246.841.680.684.049.881.084.6百农41939.642.493.493.456.292.692.4洛麦2855.867.493.896.868.295.297.0新麦2654.250.692.292.668.692.894.4平均识别率44.9943.1489.1390.6656.1489.9891.022.2㊀基于特征降维的分类结果2.2.1㊀特征降维数据分析由于L D A降维最多降到类别数k-1,即5维,因此试验中降维模型均选取5维数据作对比㊂利用s k l e a r n.S e l e c t K B e s t函数选取了m o d e l. s c o r e s_得分最高的前5个重要特征,分别为饱和度(S)㊁饱和度的三阶矩(S斜度)㊁饱和度的二阶矩(S 标准差)㊁色调的三阶矩(H斜度)和饱和度一阶矩(S均值);经过P C A降维后,选取了贡献率最大前5个主成分,前5个主成分贡献率累计87.57%,占比分别为39.87%㊁19.57%㊁17.64%㊁5.7%和4.79%㊂如图7(a)所示,经P C A降维后的数据,受拍摄角度影响,洛麦28㊁衡水6632和新麦26等同样本内比较分散㊂衡水6632㊁百农419和农大3416-18样本之间分布距离较大,容易区分㊂其他品种之间既有分散又存在重合;经过L D A降维后,前5个判别因子累计贡献率将近100%,判别因子贡献率分别为55.14%㊁20.79%㊁12.74%㊁7.34%和3.99%㊂如图7(b)所示,不同样本之间重合度较大,农大3416-18㊁衡水6632和新麦26之间既有少部分重合,同时其他样本之间又较分散㊂Copyright©博看网. All Rights Reserved.(a )P C A 对特征降维(b )L D A 对特征降维图7㊀特征参数降维结果展示F i g .7㊀F e a t u r e p a r a m e t e r d i m e n s i o n a l i t y r e d u c t i o n r e s u l t d i s p l a y2.2.2㊀特征降维数据分类结果对比经过S e l e c t K B e s t ㊁P C A 和L D A 降维处理后,采用K N N 分类模型进行识别,如表6所示㊂表6㊀特征降维数据分类结果T a b .6㊀F e a t u r e r e d u c t i o nd a t a c l a s s i f i c a t i o n r e s u l t s模型时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%A l l 7.43194.0491.0291.2591.0491.19S e l e c t -K B e s t 0.92881.9975.3875.475.3374.9P C A 0.86285.679.5679.5379.679.43L D A0.8789.9486.1986.2386.3386.1㊀㊀根据S e l e c t K B e s t 的m o d e l .s c o r e s _得分模型将原始28个特征降到5维,测试集识别准确率下降到75.38%,但识别效率提升㊂经过L D A 降维处理后的识别结果,训练时间仅为0.87s ,较原始数据训练时间大大降低,同时也优于其他两个降维数据的训练时间㊂就识别准确率来讲,L D A 方法测试集识别准确率为86.19%,高于S e l e c t K B e s t 方法10.81个百分点,高于P C A 方法6.63个百分点,但是就全部特征识别准确率下降了4.83个百分点㊂依据训练时间㊁准确率㊁精确率㊁召回率和F 1评价结果,说明L D A 降维模型具有一定的高效性和实用性㊂2.3㊀基于数据增强的分类结果2.3.1㊀不同角度小麦籽粒识别结果本文试验数据在拍摄时采用3个角度分别拍摄一个籽粒,本部分采用分角度试验来考察不同角度对小麦籽粒识别结果的影响㊂表7为腹沟向上㊁腹沟朝前45ʎ和腹沟朝下3个不同角度的识别结果,可以看出,腹沟朝前45ʎ在测试集识别准确率为91.83%,高于腹沟向上1.16个百分点,高于腹沟朝下1.43个百分点㊂同时,在测试集的精确率㊁召回率和F 1值3个评价指标上,腹沟朝前45ʎ均高于其他两个角度的,因此在接下来试验中选取腹沟朝前45ʎ这一角度的小麦籽粒图像作数据增强㊂表7㊀不同角度小麦籽粒分类结果T a b .7㊀C l a s s i f i c a t i o n r e s u l t s o fw h e a t g r a i n s f r o md i f fe r e n t a n gl e s 数据集时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%腹沟向上1.23694.3490.6790.8090.6390.67腹沟朝前45ʎ1.15693.6791.8391.8091.6791.67腹沟朝下1.15593.5990.4090.5390.2089.932.3.2㊀原始数据与数据增强识别结果腹沟朝前45ʎ的小麦籽粒图像共抽取5999组特征数据,但原始数据有17997组㊂为避免数据过少,本部分采用图像增加方法进行试验,数据增强方法如1.4.3节所述㊂数据增强4倍后共抽取29995组特征数据,在K N N 模型分类结果如表8所示㊂表8㊀数据增强前后分类结果T a b .8㊀C l a s s i f i c a t i o n r e s u l t sb e f o r e a n da f t e r d a t a e n h a n c e m e n t数据集时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%原始数据集7.43194.0491.0291.2591.0491.19腹沟朝前45ʎ1.15693.6791.8391.891.6791.67增强后数据集17.22296.6794.2694.394.1794.13㊀㊀从表8可以看出,随着数据量的增多,增强后的数Copyright ©博看网. All Rights Reserved.据集运算时间增加㊂在训练集识别上,增强后数据集识别准确率达96.67%,高于其他两个数据集识别准确率㊂测试集中增强后数据集识别准确率达94.26%,高于原始数据集3.24个百分点,高于腹沟朝前45ʎ单角度识别率2.43个百分点㊂增强后的数据集精确率㊁召回率和F1值均明显优于其他两类数据集㊂因此通过数据增强的方法对小麦籽粒品种识别准确率有一定提高㊂3㊀结论1)采集了6个市场推广面积比较广的小麦籽粒品种图像,每个品种分别采集1000粒,每粒分别采集腹沟向上㊁腹沟朝前45ʎ和腹沟朝下3张图像,每个品种采集了3000张图像,共计18000张,构建小麦籽粒图像数据库㊂提取小麦籽粒的颜色特征㊁形态特征和纹理特征共28个特征参数后,保留可用的17997组特征数据,用于小麦品种的识别㊂2)提取小麦籽粒的9个形态特征㊁15个颜色特征和4个纹理特征,构建了形态特征模型㊁纹理特征模型㊁颜色特征模型㊁纹理+颜色特征模型㊁纹理+形态特征模型㊁形态+颜色特征模型和纹理+形态+颜色特征模型7个特征模型,采用K N N分类器对不同特征模型进行识别结果比较,结果表明:基于纹理+形态+颜色特征模型,平均识别准确率为91.02%,高于其他特征融合模型,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%㊂3)针对小麦籽粒品种识别容易受光照等外在因素的影响,对提取的28个特征参数进行降维处理与分析,利用S e l e c t K B e s t函数方法选取前5个重要特征,分别为饱和度(S)㊁饱和度的三阶矩(S斜度)㊁饱和度的二阶矩(S标准差)㊁色调的三阶矩(H斜度)和饱和度一阶矩(S 均值);采用L D A降维,前5个判别因子贡献率累计接近100%,测试集识别准确率达86.19%,模型训练时间0.87s,极大提升了小麦籽粒识别效率㊂4)选取腹沟朝前45ʎ小麦籽粒图像进行亮度㊁色度㊁对比度和锐度的随机增强,并对提取特征识别结果与原始3个角度和单角度识别结果分析对比,增强后数据集识别准确率达94.26%,高于原始数据集3.24个百分点,高于腹沟朝前45ʎ单角度识别率2.43个百分点㊂提升了小麦籽粒品种识别模型的泛化能力,同时一定程度提高了小麦籽粒品种识别效果㊂参㊀考㊀文㊀献[1]阳灵燕,张红燕,陈玉峰,等.机器学习在农作物品种识别中的应用研究进展[J].中国农学通报,2020,36(30): 158-164.[2]Z h o uQ,H u a n g W Q,T i a nX,e t a l.I d e n t i f i c a t i o no f t h e v a r i e t y o f m a i z e s e e d s b a s e d o n h y p e r s p e c t r a li m a g e s c o u p l e dw i t h c o n v o l u t i o n a l n e u r a l n e t w o r k s a n d s u b r e g i o n a l v o t i n g[J].J o u r n a l o f t h e S c i e n c e o f F o o d a n dA g r i c u l t u r e, 2021,101(11).[3]陈文根,李秀娟,吴兰.基于深度卷积网络的小麦品种识别研究[J].粮食储藏,2018,47(2):1-4,13. [4]赵献立,王志明.机器学习算法在农业机器视觉系统中的应用[J].江苏农业科学,2020,48(12):226-231. [5]张玉荣,陈赛赛,周显青,等.基于图像处理和神经网络的小麦不完善粒识别方法研究[J].粮油食品科技,2014,22 (3):59-63.[6]C h a t n u n t a w e c h I,T a n t i s a n t i s o m K,K h a n c h a i t i tP,e t a l.R i c eC l a s s i f i c a t i o n u s i n g h y p e r s p e c t r a l i m a g i n g a n dd e e p c o n v o l u t i o n a l n e u r a l n e t w o r k[J].a r X i v,2018(18):1-22.[7]F a b i y i S,H a i V,T a c h t a t z i sC,e t a l.V a r i e t a l c l a s s i f i c a t i o n o fr i c es e e d su s i n g R G B a n d h y p e r s p e c t r a li m a g e s[J].I E E E A c c e s s,2020,8:22493-22505.[8]Q i uZJ,C h e n J,Z h a oY Y,e t a l.V a r i e t y i d e n t i f i c a t i o no f s i n g l e r i c e s e e du s i n g h y p e r s p e c t r a l i m a g i n g c o m b i n e dw i t h c o n v o l u t i o n a l n e u r a l n e t w o r k[J].A p p l i e dS c i e n c e s,2018, 8(2):212-224.[9]J a v a n m a r d i S,A s h t i a n i S M,V e r b e e k F J,e t a l.C o m p u t e r-v i s i o nc l a s s i f i c a t i o no fc o r ns e e dv a r i e t i e su s i n g d e e p c o n v o l u t i o n a ln e u r a ln e t w o r k[J].J o u r n a lo fS t o r e d P r o d u c t sR e s e a r c h,2021,92.[10]孟惜,王克俭,韩宪忠.基于改进B P网络的小麦品种识别[J].贵州农业科学,2017,45(10):156-160. [11]冯丽娟,李秀娟,文成林.基于稀疏表示的小麦品种识别[J].江南大学学报(自然科学版),2015,14(6): 730-735.[12]何红霞.基于机器视觉的小麦种子品种分类模型研究[D].合肥:安徽农业大学,2018.[13]刘飞.基于形态和颜色特征的小麦籽粒分类识别[D].郑州:河南农业大学,2018.[14]张强.基于图像处理的苦荞品种判别[J].中国粮油学报, 2015,30(5):128-132.[15]冯晓星,许学.基于机器视觉的稻谷品种鉴别方法比较[J].电子技术与软件工程,2019(18):86-88. [16]彭灿.基于机器视觉的玉米水分和破损籽粒检测方法研究[D].长春:吉林大学,2019.[17]李秀昊,马旭,李泽华,等.基于特征融合和S V M的稻谷品种识别[J].中国农机化学报,2019,40(7):97-102.L iX i u h a o,M aX u,L i Z e h u a,e t a l.I d e n t i f i c a t i o no f r i c e v a r i e t y b a s e d o n m u l t i-f e a t u r e f u s i o n a n d S VM[J]. J o u r n a l o fC h i n e s eA g r i c u l t u r a lM e c h a n i z a t i o n,2019,40(7):97-102.[18]付晓鹏.基于计算机视觉的大豆品种识别技术的研究[D].哈尔滨:东北农业大学,2017.[19]李冬.基于图像的稻花香水稻种子鉴别方法的研究[D].大庆:黑龙江八一农垦大学,2018.[20]黄琼,杨红云,万颖.基于特征数据的水稻种子分类识别方法[J].江苏农业学报,2021,37(1):8-15.Copyright©博看网. All Rights Reserved.。
基于支持向量机的小麦品种识别
基于支持向量机的小麦品种识别作者：陈茂林龚正高荣荣来源：《智富时代》2018年第12期【摘要】本文应用基于支持向量机算法，根据小麦种子的7个基本特征进行小麦品种识别。
采用UCI标准数据集收集的210条小麦种子特征数据，对小麦品种进行分类验证。
经检验，基于支持向量机对小麦品种数据的预测正确率可达到96%。
本实验结果表明该方法可以用于识别小麦种子特征并能对小麦品种进行正确的识别。
【关键词】支持向量机；小麦品种识别；UCI数据集一、引言小麦是小麦系植物的统称，是单子叶植物，是一种在世界各地广泛种植的禾本科植物，小麦的颖果是人类的主食之一，磨成面粉后可制作面包、馒头、饼干、面条等食物；发酵后可制成啤酒、酒精、白酒（如伏特加），或生质燃料。
小麦富含淀粉、蛋白质、脂肪、矿物质、钙、铁、硫胺素、核黄素、烟酸、维生素A及维生素C等。
人工智能的快速发展带动了基于数据挖掘的人工神经网络和支持向量机智能分类方法。
人工神经网络具有非线性、自学习、自适应，能够大规模并行处理等特征，同时内部训练过程是在黑箱中进行的，只要直接输入数据即可得出结果。
但缺点也很明显，神经网络中参数无法解释，同时训练过程在黑箱中进行，具有一定的盲目性，由于它是基于经验风险最小化原则，容易出现“过拟合”现象，即有可能出现陷入局部最优解而无法得到全局最优解的现象。
而支持向量机借助最优化方法来解决机器学习问题，依赖结构风险最小化原则，针对小样本得到全局最优解，解决了在神经网络方法中无法避免的局部极值问题。
支持向量机（SVM）建立在计算学习理论的结构风险最小化原则之上，其主要优点之一是可以处理线性不可分的情况。
支持向量机用于模式识别的基本思想是将一个超平面作为决策平面，不但能将分类中的两类样本正确分开，而且使分类间隔最大，即将优化问题转化为一个凸型的二次规划问题，由标准的拉格朗日乘子法求出的结果即为全局最优解，且具有很高的精度。
二、材料与方法（一）材料从UCI数据集收集小麦种子数据集，其内容包括三种不同品种的小麦的籽粒：Kama、Rosa、Canada。
小麦形态特征的辨认.
⼩麦形态特征的辨认.实验⼆⼩麦种、变种和品种的鉴别⼀、⽬的根据⼩麦种、变种和品种麦穗的特征特性，练习识别⼩麦种、变种和品种的⽅法。
⼆、材料⼩麦各个种及本地区栽培品种的麦穗；⼩麦种及变种的标本。
三、⽤具和药品放⼤镜、实验针、烧杯、培养⽫、滤纸；氢氧化钠（或氢氧化钾）、苯酚（⽩碳酸）等。
⼩麦植物学的分类是按形态学的特征、结实器官的特点与⽣物学特性，将相似的⼩麦类型组成⼀个分类单位，由这些单位再组成⼀个分类系统。
根据⼩麦类型在分类系统中的地位，就能了解它们在形态学和⽣物学上的特征特性，以及它们的亲缘关系，以便有效地加以利⽤，创造新类型，培育成新品种。
但由于⼩麦植物学分类主要是根据形态上的差异，没有注意到⼩麦类型形成发展与环境条件的关系，以及它们在⽣产上的经济价值。
因此，为了更好地利⽤现有的品种资源，还必须认识⼩麦的品种。
⼩麦品种是⼈类创造的栽培植物群体，是农业⽣产上的重要⽣产资料。
因⽽⼩麦品种是经济上的类别，不是植物学上的分类单位，⽽且品种在经济上的价值还具有时间性和地区性。
这在认识、选育和利⽤⼩麦品种上均具有⼗分重要的意义。
（⼀）⼩麦种⼩麦属于⽲本科（Gramineae Juss.），⼩麦属（Triticum L.)的植物。
这⼀属包括许多种，过去按形态特征曾被定名为20多个种，以后，根据详细的形态⽐较和细胞学研究，⼜将这些种归并为三个系统：⼀粒⼩麦系、⼆粒⼩麦系和普通⼩麦系。
三系之间染⾊体数⽬不同，成倍数性关系，都是7的倍数。
⼀粒系体细胞的染⾊体是14条（2×7=14），⼆粒系是28条（4×7=28），普通系则为42条（6×7=42）。
故⼀粒系的各个种称为⼆倍体，⼆粒系的各个种称为四倍体，普通系的各个种称为六倍体⼩麦。
遗传学和细胞学的进⼀步研究表明，不少的种间存在着⼀系列形态上的过渡类型，⽽且有些种间染⾊体组相同，种间相互杂交能得到正常的后代。
所以有些遗传育种者根据染⾊体组的异同，提出新的分类体系，将⼩麦属过去的种归并为五个种，即⼀粒⼩麦（⼆倍体）、圆锥⼩麦（四倍体）、提莫菲维⼩麦（四倍体）、茹可夫斯基⼩麦（六倍体）和普通⼩麦（六倍体）五个种，但旧的分类体系⾄今仍为⼀般⼈所沿⽤。
小麦新品种赛德麦8号的特征特性及高产栽培技术探析
小麦新品种赛德麦8号的特征特性及高产栽培技术探析作者：方丹丹来源：《农民致富之友（上半月）》 2020年第1期方丹丹赛德麦8号小麦是河南赛德种业有限公司最新培育的小麦新品种，品种来源为矮抗58/周优102/郑麦366。
该品种经过国家区域试验和河南省区域试验以及生产试验，符合河南省小麦品种审定标准，适宜河南省（南部长江中下游麦区除外）早中茬地种植。
该品种于2019年通过河南省农作物品种审定委员会审定，其审定编号为豫审麦20190004，赛德麦8号小麦具有其独特的生长性状和种植要求。
一、特征特性1、农艺性状该品种为半冬性小麦品种，全生育期215.9～231.6天，平均熟期与周麦18相比早0.6 天。
其幼苗形状呈半直立，叶色浅绿，苗势壮，冬季抗寒性较好，分蘖力较强，成穗率较高。
株高69.5～77.3 cm，株型松散，抗倒性较好。
春季起身拔节早，两极分化快，抽穗早。
旗叶较小，穗下节长，穗层整齐，熟相好。
穗数579.0万～478.5万穗/hm2，穗纺锤形，白壳，白粒，籽粒半角质，饱满度较好。
穗粒数29.5～31.9粒，千粒重45.1～46.5g。
2、产量表现2016—2017年度参加河南省小麦冬水组区域试验，平均产量8556kg/hm2，达标点率100%，与品种周麦18相比增产10.5%。
2017—2018年度续试，平均产量6618kg/hm2，达标点率93.3%，与品种周麦18相比增产3.9%。
2017—2018年度生产试验，平均产量6832.5 kg/hm2，达标点率100%，与品种周麦18相比增产4.9%。
二、高产栽培技术1、精细整地清除上茬农作物残留物，应该在施肥耕种前浇好底墒水，要在上茬作物收获前10～15 天浇水代替底墒，为保证播种后苗齐、苗壮、一播全苗，不缺垄断垄，足墒下种，要深耕25cm，深耕耙透不漏耕，要做到上虚下实、地面平整，起垄做畦。
对于秸秆还田地块，要减少土壤过虚造成播种过深、出苗困难、吊苗、死苗现象，因此，秸秆一定要打碎深翻，耕实耙透，塌实土壤。
小麦优良品种选用及优质高产栽培技术
小麦优良品种选用及优质高产栽培技术小麦是我国的主要粮食作物之一，也是世界上最重要的农作物之一。
为了保证小麦的产量和质量，选用优良品种并实施优质高产的栽培技术非常重要。
以下是关于小麦优良品种选用及优质高产栽培技术的相关内容。
一、小麦优良品种选用1. 适应性强的品种：选择具有良好适应性的小麦品种来种植，能够适应当地的气候、土壤和病虫害等环境条件。
常规的小麦品种有中性、沃糵等，具有适应性较强的特点。
2. 抗病虫害的品种：选择具有一定抗性的小麦品种，能够减轻病虫害对小麦产量和质量的影响。
常见的抗病虫害的小麦品种有抗赤霉病品种和抗蚜虫品种等。
3. 高产优质的品种：选用产量高、品质优良的小麦品种，可以提高小麦的产量和市场价值。
常见的小麦品种有高产优质的面粉小麦品种和高产优质的淀粉小麦品种等。
二、优质高产栽培技术1. 合理施肥：根据土壤肥力状况和小麦生长需求，合理施肥是提高产量和质量的重要措施。
在整个生长期内，根据生长需要给予适量的有机肥和化肥，合理搭配氮、磷、钾等营养元素，保证小麦的正常生长和发育。
2. 水分管理：小麦对水分的需求较大，特别是在关键生长时期，及时进行浇水以保持土壤湿润，避免缺水或积水，有利于提高小麦的产量和品质。
3. 合理间隔和密度：根据品种特性和田间管理的实际情况，合理确定行距和株行数，控制小麦的种植密度。
适当的间隔和密度有利于小麦的通风透光和养分的均匀分布，减轻病虫害的发生，提高小麦的产量。
4. 病虫害防治：及时监测和识别小麦病虫害的发生，并采取相应的防治措施。
可以采用物理防治、生物防治和化学防治等方法，保持小麦的健康生长和优良品质。
5. 适时管理和善后措施：及时进行除草、修剪和叶片修剪等管理工作，保持小麦的通风透光和养分供应。
及时采取善后措施，合理收割、追肥和病虫害的消毒等，以保证小麦的优质高产。
选用优良品种并实施优质高产的栽培技术对于提高小麦的产量和质量至关重要。
只有充分利用科学方法和管理措施，结合当地的气候和土壤条件，才能实现小麦高产优质的目标。
浅谈小麦品种审定标准
浅谈小麦品种审定标准小麦是我国最主要的粮食作物之一，也是世界上最主要的粮食作物之一，对全球的粮食安全具有重要意义。
因此，小麦品种审定标准也是十分重要的。
小麦品种审定标准是对小麦进行评价和筛选的标准，是小麦育种和生产的重要依据。
我国制定的小麦品种审定标准主要包括品种名称、品种特性、农艺性状、品质特性、病虫害防治等方面。
它们是对小麦品种进行分类、鉴别和比较的重要指标。
品种名称是小麦品种审定标准的重要组成部分。
在品种名称中，应包括小麦的名称、品种编号、世代、配制和适用区域等信息。
这些信息能够帮助种植户更准确地选择适合自己地区种植的小麦品种。
品种特性包括小麦植株的大小、形态、外观和发育期等方面。
这些特性在小麦品种鉴别和筛选中起到了至关重要的作用。
农艺性状包括小麦生长的环境要求、栽培要求、生长发育周期、适用区域和耐受性等方面。
这些性状是种植者在种植小麦时需要了解的重要信息。
品质特性则是指小麦在食品加工过程中的特性。
如面粉的加工能力、水分吸收率等。
品质特性直接影响面包、面条等小麦制品的品质，受到消费者的高度关注。
病虫害防治则是指对小麦的病虫害识别、防治和治疗的方法和策略。
小麦生长过程中可能会遭受多种病虫害的侵害，如小麦黄矮病、赤霉病等。
病虫害防治对保障小麦产量和品质有着重要的作用。
总的来说，小麦品种审定标准是制定小麦育种和生产的重要依据。
它们能够帮助种植者正确选择适合自己地区的小麦品种，避免因不合适的品种选择导致的产量损失，保障了全球的粮食安全。
同时，它们也是推动小麦育种和生产技术不断进步的重要杠杆。
希望我国能够进一步完善小麦品种审定标准，激发小麦产业的发展活力。
实验8小麦的形态特征观察与麦类作物识别
实验8 小麦的形态特征观察与麦类作物识别一、目的要求通过本实验掌握小麦幼苗与植株的形态结构特点，并了解四种麦类作物的主要形态区别。
二、材料与用具小麦、大麦、黑麦、燕麦的幼苗、植株、穗子及子粒；放大镜、镊子、尺子。
三、内容与方法（一）小麦幼苗的观察与分析小麦幼苗是小麦生长发育的基础，在北方冬麦区和黄淮冬麦区，幼苗生长发育的优劣，如苗龄的大小、根系发育的状况、分蘖的多少与壮弱程度，对麦苗安全过冬、翌年植株的健壮程度、群体发展和产量形成等都有深远的影响。
所以认识幼苗的形态结构、各组成器官的功能以及环境因素（包括栽培条件、气候、土壤、病虫害等）对它们可能产生的影响，是十分重要的。
对照实物标本，进行如下观察：（1）由地下部向地上部顺序观察幼苗的各个器官：种子根、盾片、胚节鞘、地中茎（根茎）、次生根、主茎、分蘖。
（2）区别种子根和次生根着生的位置、条数、形态和生长特性。
（3）地中茎的长短及其影响因素。
（4）区分主茎、一级分蘖、二级分蘖……，鉴定主茎叶龄与单株分蘖理论数值的对应关系；观察分蘖鞘、分蘖节、潜伏节；观察胚芽鞘分蘖、蘖节分蘖、多层分蘖等不同分蘖类型。
（5）区分鞘叶、叶鞘、叶舌、叶耳和叶片。
（6）观察不同品种幼苗的形态长相，注意主茎及分蘖生长的姿态，冬性、半冬性和春性品种各属于何种类型：匍匐型、半直立型、直立型，它们的分蘖力有无差异。
（二）小麦、大麦、黑麦、燕麦的形态特征及其区别小麦（Triticum aestivum L.）、大麦（Hordeum L.）、黑麦（SecalecerealeL.）和燕麦（Avena sativaL.）是禾本科（Gramineae）中的几个不同的属，4种麦类不但生物学特性有较大差异，在植物学形态上也有明显的区别。
现将其主要植物学形态特征列表比较如下（表3 -1、表3 -2、表3 -3）：表 3 -1 幼苗的形态特征表 3 -2 穗的形态特征表 3 -3 种子的形态特征附录：小麦各生育时期的标准1.出苗期田间有50%的幼苗第一片真叶露出胚芽鞘2 cm以上的日期。
基于深度学习的农作物自动识别技术研究
基于深度学习的农作物自动识别技术研究一、引言随着经济全球化和人口增长，农业生产面临越来越多的挑战，其中之一就是如何提高农作物产量。
与此同时，随着深度学习在图像处理和计算机视觉领域的广泛应用，农作物自动识别技术也得到了快速发展。
本文将介绍基于深度学习的农作物自动识别技术的相关研究进展。
二、基本概念1.深度学习深度学习是一种基于神经网络的机器学习方法，其主要用于图像、语音、文本等数据的分类、识别和预测，它能够自动地学习和提取特征，从而得到更加准确的结果。
2.农作物自动识别技术农作物自动识别技术是一种利用图像处理和计算机视觉技术，对农田中的农作物进行自动识别和分类的技术。
该技术主要包括特征提取、分类识别、学习模型等部分。
三、技术实现1.数据采集农作物自动识别技术的实现需要大量的图片数据，这些数据需要包括不同种类的农作物和不同光照条件下的图片。
目前，有些研究者在采集数据时还会结合地理信息系统（GIS）等辅助技术，以获取更加详细和准确的信息。
2.特征提取特征提取是农作物自动识别技术的关键环节之一，其目的是从原始图片中提取出农作物的特征，以便后续的分类识别。
在深度学习中，一般采用卷积神经网络（CNN）等方法进行特征提取。
3.分类识别分类识别是农作物自动识别技术的核心部分，其目的是将原始图片进行分类和识别，以区分不同的农作物。
在深度学习中，一般采用支持向量机（SVM）、随机森林（Random Forest）等方法进行分类。
4.学习模型学习模型是实现农作物自动识别技术的基础，其目的是通过样本数据对模型进行训练，从而使其具有识别和分类能力。
在深度学习中，一般采用反向传播算法（Back Propagation）等方法对模型进行训练。
四、应用案例1.水稻病害识别水稻是我国主要粮食作物之一，但其生长过程中常常受到各种病害的侵袭。
因此，对水稻病害进行准确的识别和分类非常重要。
研究者利用深度学习技术对水稻病害图片进行处理和分析，成功实现了对多种水稻病害的识别和分类。
小麦种、变种与品种的识别与鉴定
小麦种、变种与品种的识别与鉴定
一、实践目的
了解小麦种和变种的分类方法， 掌握小麦品种的鉴定方法。
二、鉴定方法
(一) 小麦种的分类和鉴定
小麦属于禾本科（Graminea源自） 禾亚科（Agrostidoideae） 早熟禾系 小麦族（Triticeae） 小麦族中有包括小麦属等25个属。 小麦属中又分为26个种。 普通小麦是其中的一个种，占种植小麦的 98%以上。为六倍体（AABBDD），每组7 条染色体，2n = 42 。
5、粒色：
纯白色到淡黄色的为白色， 玫瑰色、淡褐色的为红粒
(三) 鉴定和描述小麦品种：
用来区别品种的主要性状有：穗形、 芒的特征、护颖的形状、护颖齿及 肩的形状和籽粒颜色等。
1、穗形
纺缍形：穗中下部宽、上部逐渐变窄，正面＞侧面。 圆柱形(长方形)：穗的上、中、下各部宽度皆相近， 侧面＞正面。 棍棒形：穗上部的小穗紧密加宽。 圆锥形(塔形)：穗下部宽上部逐渐变窄。 椭圆形：穗中部宽，两端对称地逐渐变窄。 分枝形：小穗呈分枝状。
8、粒色
一般分为红粒与白粒。
三、作业
1、观察小麦属的各种标本，简要描述其主 要形态特征，根据染色体组进行分类。 3、你认为识别小麦品种时，应着重掌握哪 些特征？为什么？ 4、当地推广的小麦主要品种有哪些？根据 哪些主要特征来区别它们？
2、调查小麦品种特征，将结果填写在下表 品 种 株高(cm) 茎秆颜色 穗 形 穗长(cm) 小穗密度 穗 色 芒的长短 芒 色 护颖形状 颖肩形状 颖嘴形状 有无稃毛 粒 形 粒 长 粒 色 粒 质 千粒重(g)
2、芒
根据芒的粗硬度可分为粗硬芒(有强的锯齿，下部较宽和 较粗)、柔软芒(锯齿较少，纤细易弯曲)和中等粗硬芒(介 于上述两者之间的一种中间型)3类。 根据芒的长短可分为： 1）无芒(完全无芒或芒极短)、 2）顶芒(穗顶有短芒)、 3）短芒(芒长在4㎝以下) 4）长芒(芒长在4㎝以上)4级。
河套小麦种质资源识别实验报告总结
河套小麦种质资源识别实验报告总结以河套小麦种质资源识别实验报告总结为标题一、引言河套地区是我国重要的小麦产区之一，其小麦种质资源的识别与利用对于提高小麦品质和产量具有重要意义。
本实验旨在通过对河套地区小麦种质资源的识别实验，探索其种质特性，为小麦育种和生产提供科学依据。
二、实验方法1. 实验材料本实验采用河套地区不同小麦品种的种子作为实验材料。
2. 实验步骤（1）样品的准备：从不同小麦品种中收集种子样品，进行处理和除杂。
（2）DNA提取：采用适量的样品进行DNA提取，获取小麦种质资源的遗传信息。
（3）PCR扩增：通过PCR扩增特定基因片段，获取小麦种质资源的遗传差异。
（4）电泳分析：将PCR扩增产物进行电泳分析，获取小麦种质资源的遗传图谱。
三、实验结果通过实验，我们成功识别了河套地区不同小麦品种的种质资源。
通过PCR扩增和电泳分析，我们得到了小麦种质资源的遗传图谱，发现不同品种之间存在遗传差异。
四、实验讨论通过对小麦种质资源的识别实验，我们可以更好地了解河套地区小麦品种的遗传背景和种质特性。
这对于小麦育种和生产具有重要意义。
通过识别种质资源的遗传差异，我们可以选择适合河套地区生长条件的优良品种进行推广种植，提高小麦的产量和抗逆能力。
五、实验结论通过本次实验，我们成功识别了河套地区小麦种质资源的遗传差异。
这为小麦育种和生产提供了重要的科学依据。
在今后的工作中，我们还可以进一步研究河套地区小麦种质资源的遗传规律，探索其与产量、品质等性状之间的关系，以进一步提高小麦的育种效率和品质水平。
六、参考文献[1] 张三, 李四. 河套地区小麦种质资源的遗传特性研究[J]. 农业科学技术, 20xx, xx(x): xx-xx.[2] 王五, 赵六. 河套地区小麦种质资源的识别与利用[J]. 小麦研究, 20xx, xx(x): xx-xx.七、致谢感谢实验中给予帮助和支持的相关人员，以及对本实验的提出宝贵意见的评审专家。
基于IRMAnet的全生育期小麦品种识别研究
麦类作物学报 2024,44(2):242-252J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2024.02.12网络出版时间:2023-12-20网络出版地址:h t t ps ://l i n k .c n k i .n e t /u r l i d /61.1359.S .20231220.0946.008基于I R M A n e t 的全生育期小麦品种识别研究收稿日期:2023-07-04 修回日期:2023-09-26基金项目:甘肃省高等学校创新基金项目(2021A -056);甘肃省高等学校产业支撑计划项目(2021C Y Z C -57);国家自然科学基金项目(32160421)第一作者E -m a i l :1252487447@q q .c o m (冯永强)通讯作者E -m a i l :l i u c z @g s a u .e d u .c n(刘成忠)冯永强1,刘成忠1,韩俊英1,鲁清林2,刘立群1,邢雪1(1.甘肃农业大学信息科学技术学院,甘肃兰州730070;2.甘肃省农业科学院小麦研究所,甘肃兰州730070)摘 要:为了解决小麦种植中品系混乱㊁劣种降效㊁假种坑农以及模型参数过多不利于部署到移动端等问题,提出了I R MA n e t 模型㊂通过拍摄29种不同小麦的种子期㊁幼苗期㊁开花期图片,构建了一个拥有87个类别46420张照片的小麦多生育时期数据集㊂基于该数据集,首先将原始R e s N e t 34模型的基本残差块中的第二个卷积块替换为i n v e r t e d r e s i d u a l b l o c k ,以降低网络的参数量;其次在网络的L a ye r 1层后加入一层R F B 层,增大感受野的同时提高特征提取能力;最后在网络的L a y e r 2㊁L a y e r 3层后分别加入一层MA P O O L 层,以增强泛化能力和准确性㊂在训练集上进行训练后,I R MA n e t 的准确率为95.0%,相较于R e s N e t 34提高了1.9个百分点㊂将在训练集上训练得到的权重加载到验证集上后,除个别品种外,绝大多数品种的精确率㊁召回率㊁特异度均达到了90%以上㊂实验结果表明,I R MA n e t 能够对多个生育时期的小麦品种进行准确识别,模型性能更加优越,所使用参数量更低㊂该研究为全生育期小麦品种识别提供了依据,为小麦产业提质增效提供了新的技术选项㊂关键词:小麦;品种识别;图像分类;R e s N e t 34;生育期中图分类号:S 323;T P 183 文献标识码:A 文章编号:1009-1041(2024)02-0242-11S t u d y o n I d e n t i f i c a t i o no fW h e a tV a r i e t i e s d u r i n gt h e W h o l eG r o w t hP e r i o dB a s e do n I R M A n e tF E N GY o n g q i a n g 1,L I UC h e n g z h o n g 1,H A NJ u n y i n g 1,L U Q i n g l i n 2,L I UL i qu n 1,X I N GX u e 1(1.C o l l e g e o f I n f o r m a t i o nS c i e n c e s a n dT e c h n o l o g y ,G a n s uA g r i c u l t u r a lU n i v e r s i t y,L a n z h o u ,G a n s u730070,C h i n a ;2.W h e a tR e s e a r c h I n s t i t u t e ,G a n s uA c a d e m y o fA gr i c u l t u r a l S c i e n c e s ,L a n z h o u ,G a n s u730070,C h i n a )A b s t r a c t :I no r d e r t o s o l v e s o m e i s s u e s i nw h e a t c u l t i v a t i o n ,i n c l u d i n g s t r a i n c o n f u s i o n ,po o r s e e d s d e -c r e a s i n g e f f i c i e n c y ,f a k es e e d sd e c e i v i n g f a r m e r s ,a n de x c e s s i v e m o d e l p a r a m e t e r sh i n d e r i n g m o b i l e d e v i c e d e p l o y m e n t ,t h e I R MA n e tm o d e lw a s p r o p o s e d .A w h e a t v a r i e t y int h ew h o l e g r o w t h p e r i o d d a t a s e tw i t h46420p h o t o so f 87c a t e g o r i e sw a s c o n s t r u c t e db y t a k i n gp i c t u r e so f 29d i f f e r e n tw h e a t v a r i e t i e s a t s e e d i n g ,s e e d l i n g ,a n d f l o w e r i n g s t a g e s .B a s e d o n t h e d a t a s e t ,t h e b a s i c r e s i d u a l b l o c k s i n t h e o r i g i n a lR e s N e t 34m o d e lw e r e m o d i f i e db y r e p l a c i n g th es e c o n dc o n v o l u t i o n a lb l o c k w i t ha nI n -v e r t e dR e s i d u a l B l o c k ,r e d u c i n g n e t w o r k p a r a m e t e r s .A d d i t i o n a l l y ,aR F B l a y e rw a s i n t r o d u c e d a f t e r L a y e r 1t oe n l a r g er e c e p t i v ef i e l d sa n de n h a n c ef e a t u r ee x t r a c t i o n ,f o l l o w e db y t h e i n c o r p o r a t i o no f MA P O O L l a y e r s a f t e rL a y e r 2a n dL a y e r 3t o i m p r o v e g e n e r a l i z a t i o na n da c c u r a c y .A f t e r t r a i n i n g on t h e t r a i n i n g s e t ,t h e a c c u r a c y o f I R MA n e t i s 95.0%,w i t ha n i n c r e a s e r a t eo f 1.9p e r c e n t a g e p o i n t s c o m p a r e d t oR e s N e t 34.U p o na p p l y i n g t h e t r a i n e dw e i gh t s t o t h e v a l i d a t i o n s e t ,m o s tw h e a t v a r i e t i e s e x h i b i t e d p r e c i s i o n ,r e c a l l ,a n ds p e c i f i c i t y e x c e e d i n g 90%.T h ee x pe r i m e n t a l r e s u l t ss h o wt h a t I R -MA n e t i s a b l e t oa c c u r a t e l y i d e n t if y w h e a tv a r i e t i e sa tm u l t i p l eg r o w t hs t a g e s ,w i th m o r es u pe r i o rm o d e l p e r f o r m a n c e a n d l o w e r n u m b e r o f p a r a m e t e r s u s e d.T h i s s t u d y p r o v i d e s a f o u n d a t i o n f o r i d e n t i-f y i n g w h e a t v a r i e t i e s t h r o u g h o u t t h e i r e n t i r e g r o w t hc y c l e,o f f e r i n g n e wt e c h n o l o g i c a l o p t i o n s t oe n-h a n c e t h e q u a l i t y a n d p r o d u c t i v i t y o f t h ew h e a t i n d u s t r y.K e y w o r d s:W h e a t;V a r i e t y i d e n t i f i c a t i o n;I m a g e c l a s s i f i c a t i o n;R e s N e t34;G r o w t h p e r i o d小麦是中国三大主粮作物之一,种植范围遍布全国[1]㊂作为人口大国,中国对优质小麦的需求量在逐年增长㊂小麦品种对产量有着显著的影响[2]㊂品系相近的小麦籽种㊁田间生产时的幼苗期至开花期所表现出来的形态特征高度相似,种植户及农业技术人员仅凭人眼及经验已难以完成小麦品种准确识别;小麦生产销售中以假乱真㊁以次充好甚至假种坑农事件时有发生㊂现有的小麦品种识别模型的参数较多,对移动端不友好㊂因此,急需一种可以对各个生育时期的小麦品种进行快速㊁精确和低成本识别的方法,为农户购种㊁田间栽培及销售麦粒提供技术保障,增产增效助力小麦产业健康发展㊂随着人工智能及算力㊁算法技术的持续进步,深度学习技术[3-8]越来越多地应用在农业当中㊂何东健等[9]提出了一种基于R e s N e t50模型的葡萄霜霉病分级模型,通过将最大池化层加入残差体中,有效避免了模型过拟合,提高了泛化能力㊂S h a r m a等[10]提出了一种可以针对水稻和马铃薯叶片病害的卷积神经网络分类模型,其中数据集共有5932张水稻叶图片和1500张马铃薯叶图片,最终水稻图像的分类准确率为99.58%,马铃薯叶的分类准确率为97.66%㊂孙俊等[11]结合空洞卷积和全局池化提出多尺度特征融合模型,通过设置不同的膨胀系数,增大卷积核的感受野,实现对多种杂草的识别,最终模型平均准确率达到了98.80%㊂L i u等[12]为14个苹果品种的叶片组成的12435张图像的数据集构建了一种线性深度卷积神经网络,经过试验分析表明,该模型的分类准确率最高可以达到97.11%㊂M o m e n y 等[13]提出了一种基于混合池化的樱桃品级分类方法,在卷积层之后添加最大池化和平均池化组成的混合池化层,有效提高了模型的泛化能力,准确率可达99.40%㊂上述研究中,研究对象各品种特征较明显,品种间差异性较大㊂而小麦不同品种间特征差异性小,肉眼分辩难度高,训练和验证模型主要集中在单一生育时期上开展分类实验,数据集样本特征变动幅度较小,模型泛化能力弱㊂在对小麦品种的识别研究中,L a a b a s s i等[14]使用5种C N N架构:I n c e p t i o nV3㊁M o b i l e N e t㊁X c e p t i o n㊁R e s N e t50和D e n s N e t201,使用迁移学习对小麦品种进行识别,最终D e n s N e t201架构(95.68%)㊁I n c e p t i o nV3(95.62%)和M o b i l e N e t (95.49%)的测试准确率最高㊂Z h a n g等[15]提出了一种结合注意力机制以及残差网络对小麦不完美籽粒智能识别的方法,平均识别准确率达到了96.50%㊂G a o等[16]基于R e s N e t34进行改进,提出了一种对小麦不健全内核进行检测的方法,识别精度达到了95%㊂上述研究中对小麦品种识别都有较好的效果,但是只是针对单一生育时期的小麦进行识别且存在参数量较多不适合在移动端部署等问题㊂为了实现在使用较少的参数量对多生育期小麦品种精确识别,本研究提出了I R MA n e t模型㊂该模型以R e s N e t34模型为骨干(何恺明等[17]提出了R e s N e t34网络模型,该模型采用增加残差网络的方法,解决网络深度增加到一定程度,更深的网络堆叠效果反而变差的问题),首先将R e s-N e t34残差结构中的第二个基本卷积块替换为倒残差模块(倒残差模块,i n v e r t e dr e s i d u a lb l o c k,由谷歌团队于2018年所提出来的M o b i l e N e t V2[18]中的核心模块);其次在模型中加入R F B模块(L i u等[19]提出了一种新的特征提取模块 R F B模块,该模块可以扩大模型的感受野,增加模型的特征提取能力㊂R F B模块是一种特征提取模块,该模块模拟人类视觉的感受野,从而加强网络的特征提取能力,在结构上R F B借鉴了I n-c e p t i o n[20]的思想,主要是在I n c e p t i o n的基础上加入了空洞卷积[21],从而有效增大了感受野㊂(1)不同尺寸卷积核的卷积层构成的多分枝结构;(2)引入了D i l a t e d卷积层㊂D i l a t e d卷积层之前应用在分割算法D e e p l a b[22]中,主要作用也是增加感受野,和D e f o r m a b l e卷积[23]有异曲同工之处);最后在模型中加入两层MA P O O L层(由MA X P O O L以及A V G P O O L组合而成)㊂在实验中发现该模型对种子期㊁幼苗期㊁开花期小麦品种识别都有良好的效果,为采用单一模型对多个生育时期小麦品种进行精准识别提供了新思路㊂㊃342㊃第2期冯永强等:基于I R MA n e t的全生育期小麦品种识别研究1 材料与方法1.1 材料1.1.1 数据集建立与划分本实验中的小麦全生育期图像数据集采集于位于天水市的国家小麦产业技术体系综合试验站(35ʎ44'N ㊁106ʎ08'E ,平均海拔1413m ,年均降雨量570mm ,年日照时数2012h )㊂在室外自然光条件下,把尼康C O O L P I XB 700数码相机调成自动模式,将该相机的最高I S O 限制为1600,最低快门速度设为1/30s 进行不同角度㊁不同尺度拍摄,拍摄好的图片格式为J P G ㊂小麦幼苗期图像数据采集时间为2021年4月5日至2021年4月14日,期间晴天3d ,阴天3d ,小雨2d ,多云2d ;小麦开花期图像数据采集时间为2021年5月15日至2021年5月20日,期间晴天1d ,阴天3d ,小雨1d ;小麦种子图像数据采集时间为2021年7月15日至2021年7月20日,期间晴天3d ,阴天1d ,小雨1d㊂所有种子在拍摄时的含水量均在7.5%~10.0%之间㊂部分幼苗期㊁开花期㊁种子期的原始图像见图1㊂为了提高图像的多样性,在不同的天气条件和自然光照情况进行拍摄㊂选择的29个小麦品种均为甘肃省境内主流的冬小麦品种[24],如济麦19㊁兰天15㊁周麦19等,分别选取各品种植株30株左右,在植株顶部㊁侧面㊁远近㊁高低㊁整株和局部等多角度拍摄图像㊂拍摄的图像分别组成了幼苗㊁成株㊁种子数据集㊂其中幼苗数据集有图像29020张㊁开花期数据集有图像14526张㊁种子数据集有图像4385张㊂其中因为单粒小麦种子很小,所以将同一品种的小麦30粒放在蓝色背景板上进行拍摄㊂原始图像中小麦幼苗期与开花期单个图片存储空间约为600k b ,种子图片约为4M b ,将小麦的种子期㊁幼苗期㊁开花期数据集组成一个87分类共46420张照片的多生育期小麦数据集,该数据集的具体信息见表1,选取90%的数据为训练集,10%的数据为验证集㊂1.1.2 图像预处理为了使模型识别速度加快以及提高准确率,针对训练集,首先将原始输入图片进行随机裁剪,然后将经过裁剪的图片缩放为224ˑ224像素;其次将缩放过的图片进行随机水平翻转;最后对随机水平翻转的图像进行归一化㊂针对验证集,首先将输入的图片随机裁剪为224ˑ224像素,最后将随机裁剪后的图像进行归一化处理㊂1.2 方法1.2.1 R e s N e t 34网络模型网络太浅不利于特征提取,网络太深又会导图1 小麦开花期(A )㊁种子期(B )和幼苗期(C )数据集图像F i g .1 I m a g e s o f f l o w e r i n g (A ),s e e d i n g (B )a n d s e e d l i n g (C )d a t a s e t o fw h e a t ㊃442㊃麦 类 作 物 学 报 第44卷表1小麦图像数据集T a b l e1W h e a t i m a g e d a t a s e t种子期S e e d s t a g e名称N a m e类别C l a s s图像数量N u m b e r幼苗期S e e d i n g s t a g e名称N a m e类别C l a s s图像数量N u m b e r开花期F l o w e r i n g s t a g e名称N a m e类别C l a s s图像数量N u m b e r济麦19J i m a i191155济麦19J i m a i1930969济麦19J i m a i1959538济麦20J i m a i202155济麦20J i m a i2031988济麦20J i m a i2060563济麦21J i m a i213150济麦21J i m a i2132999济麦21J i m a i2161534济麦22J i m a i224155济麦22J i m a i2233999济麦22J i m a i2262542济麦44J i m a i445155济麦44J i m a i4434989济麦44J i m a i4463523济麦47J i m a i476150济麦47J i m a i4735999济麦47J i m a i4764578兰天15L a n t i a n157150兰天15L a n t i a n1536999兰天15L a n t i a n1565504兰天19L a n t i a n198150兰天19L a n t i a n1937982兰天19L a n t i a n1966539兰天26L a n t i a n269150兰天26L a n t i a n2638979兰天26L a n t i a n2667532兰天33L a n t i a n3310150兰天33L a n t i a n3339808兰天33L a n t i a n3368539兰天34L a n t i a n3411150兰天34L a n t i a n3440999兰天34L a n t i a n3469567兰天35L a n t i a n3512150兰天35L a n t i a n3541917兰天35L a n t i a n3570517兰天36L a n t i a n3613150兰天36L a n t i a n3642999兰天36L a n t i a n3671494兰天37L a n t i a n3714150兰天37L a n t i a n3743979兰天37L a n t i a n3772512兰天39L a n t i a n3915150兰天39L a n t i a n3944999兰天39L a n t i a n3973509兰天40L a n t i a n4016150兰天40L a n t i a n4045999兰天40L a n t i a n4074518兰天42L a n t i a n4217150兰天42L a n t i a n4246968兰天42L a n t i a n4275497兰天43L a n t i a n4318155兰天43L a n t i a n4347989兰天43L a n t i a n4376516兰天45L a n t i a n4519150兰天45L a n t i a n4548999兰天45L a n t i a n4577514兰天48L a n t i a n4820150兰天48L a n t i a n4849977兰天48L a n t i a n4878520兰天53L a n t i a n5321145兰天53L a n t i a n5350972兰天53L a n t i a n5379530兰天54L a n t i a n5422155兰天54L a n t i a n5451973兰天54L a n t i a n5480545兰天55L a n t i a n5523150兰天55L a n t i a n5552597兰天55L a n t i a n5581530兰天56L a n t i a n5624150兰天56L a n t i a n5653997兰天56L a n t i a n5682510周麦19Z h o u m a i1925155周麦19Z h o u m a i1954981周麦19Z h o u m a i1983592周麦20Z h o u m a i2026150周麦20Z h o u m a i2055990周麦20Z h o u m a i2084558周麦21Z h o u m a i2127160周麦21Z h o u m a i2156999周麦21Z h o u m a i2185592周麦22Z h o u m a i2228145周麦22Z h o u m a i2257999周麦22Z h o u m a i2286568周麦23Z h o u m a i2329150周麦23Z h o u m a i2358977周麦23Z h o u m a i2387558致参数量增加,不利于对数据集进行快速训练,因此选用层数中等的R e s N e t34网络为主干网络进行品种识别㊂R e s N e t34网络由多个残差模块堆叠组成,残差模块如图2(A)所示㊂1.2.2I n v e r t e d r e s i d u a l b l o c kI n v e r t e d r e s i d u a l b l o c k有e x p a n d_r a t i o=1和e x p a n d_r a t i o=2两个版本,当e x p a n d_r a t i o= 1时,才会使用e l e m e n tw i s e的s u m将输入和输出特征连接㊂如图2(B)所示;e x p a n d_r a t i o=2时,无s h o r t c u t连接,如图2(C)所示㊂考虑到要降低模型的参数量且提高模型的识别准确率,将R e s N e t34中的基本残差块中的第二个卷积替换为i n v e r t e d r e s i d u a l b l o c k(e x p a n d_r a t i o=1)进行改进㊂改进后的基本残差块如图2(D)所示㊂1.2.3 R F B模块在R e s N e t34基本模型中,小麦图片经过L a y e r1㊁L a y e r2㊁L a y e r3㊁L a y e r4层后通道数逐渐增加,参数量也逐渐增多,为了避免对分类有帮助的信息丢失,提高对小麦识别的准确率,将R F B 模块加入L a y e r1后对小麦进行分类识别㊂R F B 结构示意图如图3所示㊂1.2.4 MA P O O L模块MA P O O L模块由平均池化会和最大池化组成㊂该模块结构如图4所示㊂在R e s N e t34模型中,L a y e r2㊁L a y e r3㊁L a y-㊃542㊃第2期冯永强等:基于I R MA n e t的全生育期小麦品种识别研究e r 4所产生的参数量较多,而池化层的作用是压缩数据和参数的数量㊁保留对分类有用的信息㊁丢弃无用的信息,所以考虑将M A P O O L 模块加入到L a y e r 2㊁L a y e r 3㊁L a y e r 4后㊂但在L a y e r 4后已经连接了一层平均池化层,为了避免重复池化以及提高模型的准确率,故将MA P O O L 模块分别加入到L a y e r 2㊁L a y e r 3后㊂1.2.5 I R MA n e t 结构以及参数为了实现快速㊁高效㊁准确的对全生育期内小麦图片的品种识别,本文提出了I R MA n e t 模型㊂图2 R e s N e t 34(A )㊁通道放大倍数为1(B )和2(C )以及改进后R e s N e t 34(D )的残差模块F i g .2 R e s i d u a l sm o d u l e o fR e s N e t 34(A ),e x pa n d _r a t i o o f 1(B )a n d 2(C ),a n d i m pr o v e dR e s N e t 34(D )相较于原始R e s N e t 34模型,I R MA n e t 模型将基本残差结构中的第二个卷积替换为i n v e r t e dr e -s i d u a l b l o c k ;L a y e r 1层后加入了R F B 模块;L a y-e r 2㊁L a y e r 3层后分别加入了一层MA P O O L 层㊂L a y e r 1㊁L a y e r 2㊁L a y e r 3㊁L a y e r 4的内部组成结构和原始模型一样,没有做改动㊂该模型架构如图5所示,具体的模块配置如表2所示㊂1.2.6 实验环境以及参数本次实验使用中科曙光超算平台,模型使用深度学习中主流的P yt o r c h 框架进行搭建㊂在L i n u x 64位操作系统中进行训练,所使用的处理器为海光7185,内存为128G ,计算网络默认配置为200G B ㊂使用S G D 优化器,动量参数设置为0.9,优化器中的其他参数使用默认值㊂学习率设为0.001,批次大小设为8㊂图3 R F B 结构示意F i g .3 D i a gr a m m a t i c f o r mo fR F Bs t r u c t u re 图4 M A P O O L 模块F i g.4 M A P O O Lm o d u le 图5 模型架构F i g.5 M o d e l a r c h i t e c t u r e ㊃642㊃麦 类 作 物 学 报 第44卷表2 模型具体参数配置T a b l e 2 M o d e l s p e c i f i c p a r a m e t e r s c o n f i gu r a t i o n 模块名称M o d u l e n a m e 输出特征图大小O u t p u t f e a t u r em a p si z e 配置C o n f i g u r a t i o n C o n v 2d112ˑ1127ˑ7,64,s t r 2M a x P o o l 56ˑ563ˑ3,s t r lL a y e r 156ˑ56C o n v 2d ,3ˑ3,s t r 1,p a d 1b n ,r e l u I n v e r t e dR e s i d u a l B l o c kb nˑ3R F B 模块R F B m o d u l e 56ˑ56s t r 1,s c a 1,m a p 1L a y e r 228ˑ28C o n v 2d ,3ˑ3,s t r 1,p a d 1b n ,r e l u I n v e r t e dR e s i d u a l B l o c kb nˑ4MA P O O L 模块MA P O O L m o d u l e28ˑ28M a x P o o l 2d ,2ˑ2,s t r 1,pa d1A v g P o o l 2d ,2ˑ2,s t r 1,pa d1L a y e r 314ˑ14C o n v 2d ,3ˑ3,s t r 1,p a d 1b n ,r e l u I n v e r t e dR e s i d u a l B l oc kb nˑ6MA P O O L 模块MA P O O L m o d u l e28ˑ28M a x P o o l 2d ,2ˑ2,s t r 1,pa d1A v g P o o l 2d ,2ˑ2,s t r 1,pa d1L a ye r 47ˑ7C o n v 2d ,3ˑ3,s t r 1,pa d 1b n ,r e l u I n v e r t e dR e s i d u a l B l oc kb nˑ3全连接层F u l l c o n n e c t i v i t y l a ye r 1ˑ1A v gP o o l ,5-d f c ,s o f t t m a x 表中s t r 为步长;p a d 为填充;s c a 为权重比例;m a p 为通道缩减倍数㊂s t r :S t r i d e ;p a d :P a d d i n g ;s c a :S c a l e ;m a p :M a p re d u c e .2 结果与分析2.1 R e s N e t 34模型的选择将主流的R e s N e t 18㊁R e s N e t 34㊁R e s N e t 50㊁R e s N e t 101㊁R e s N e t 152模型在使用相同超参数的情况下,分别在小数据集上训练相同的轮次后,所得到的结果如表3所示㊂表3显示,R e s N e t 34模型准确率较高,为93.1%,其他较R e s N e t 34更深层或者更浅层的网络准确率相对较低㊂R e s N e t 34模型的浮点运算数和参数量也相对较低,因此选择R e s N e t 34模型作为小麦品种识别的骨干网络进行改进㊂2.2 消融实验2.2.1 I n v e r t e dR e s i d u a l B l o c 对模型的影响将加入I n v e r t e dr e s i d u a lb l o ce x pa n d _r a t i o =1模块后的模型命名为I R e s N e t -1,加入e x pa n d _r a t i o =2模块后的模型命名为I R e s N e t -2,在超参数相同的情况下,在小麦数据集上训练110轮后与原始的R e s N e t 34模型相比较,各模型准确率以及参数量如表4所示㊂表4显示,相较于I R e s N e t -2和R e s N e t 34模型,I R e s N e t -1模型的参数量和浮点运算数最少,在使用较少参数量的情况下,I R e s N e t -1模型的准确率相较于R e s N e t 34模型低了0.3%㊂因此在本文中使用I n v e r t e dR e s i d u a l B l o c e x pa n d _r a -t i o =1模块替换R e s N e t 34残差块中的第二个传统卷积块对小麦品种进行分类,且在后续的实验中将在I R e s N e t -1模型的基础上继续加入其他模块进行实验㊂2.2.2 R F B 模块对模型的影响对比R F B 模块加在I R e s N e t -1模型的不同位置所带来的效果是否相同,本文将R F B 模块分别加在L a y e r 1㊁L a y e r 2㊁L a ye r 3后以及同时加在L a y e r 1㊁L a y e r 2㊁L a y e r 3后进行测试,在训练110轮后,实验结果如表5所示㊂表5显示,将R F B 模块插入L a y e r 1㊁L a ye r 2㊁L a ye r 3后,所需参数量和浮点运算数基本一样;在插入L a y e r 3后,所需参数量以及浮点运算数较多;同时插入L a y e r 1㊁L a y e r 2㊁L a y e r 3后,所需参数量以及浮点运算数都较多,且在需要较多参数量的情况下,准确率反而低于较少参数量的情况㊂准确率方面,相较于插入L a y e r 2㊁L a ye r 3以及㊃742㊃第2期冯永强等:基于I R MA n e t 的全生育期小麦品种识别研究L a y e r 1+L a y e r 2+L a y e r 3后,插入L a y e r 1后准确率较高㊂所以在本文中将R F B 模块插入到L a ye r 1后对小麦进行识别㊂2.2.3 MA P O O L 模块对模型的影响分别使用R e s N e t 34模型和在I R e s N e t -1+R F B 基础上加入了MA P O O L 层的I R MA n e t 模型进行训练,两种模型在小麦数据集上训练了110轮后准确率以及参数量如表6所示㊂在使用较少的参数和浮点运算数的情况下,改进后模型的准确率提高了1.9个百分点(表6)㊂2.3 I R M A n e t 模型可视化基于p y t o r c h _g r a d _c a m 可视化方法将I R -MA n e t 模型中的R F B ㊁MA P O O L 模块在训练集上的特征学习过程进行可视化,所得到的热力图如图6所示㊂图6显示,模型对小麦的关注点较多的集中在小麦本身上,对背景板关注较少,热力图结果表明该改进方法对不同生育期的小麦品种识别有效㊂2.4 模型对比以小麦开花期数据集为例,为了验证I R MA -n e t 模型在训练较少的轮次(60轮)下是否更适用于对小麦品种进行识别,将改进后的模型分别与E f f i c i e n t N e tV 2[25]㊁M o b i l e N e tV 2㊁V g g16[26]和G o o gl e N e t [27]进行比较,模型需要的训练参数设表3 5种配置的结果对比T a b l e 3 C o m p a r i s o no f r e s u l t s f o r t h e f i v e c o n f i gu r a t i o n s 模型名称M o d e l n a m e 准确率A c c u r a c y/%浮点运算数F l o ps 参数量P a r a m e t e r q u a n t i t yR e s N e t 1892.61.82ˑ1091.11ˑ107R e s N e t 3493.13.67ˑ1092.13ˑ107R e s N e t 5092.84.13ˑ1092.35ˑ107R e s N e t 10192.97.86ˑ1094.25ˑ107R e s N e t 15292.41.16ˑ10105.82ˑ107图6 模型可视化结果F i g.6 V i s u a l i s a t i o n r e s u l t s o f t h em o d e l ㊃842㊃麦 类 作 物 学 报 第44卷为相同,训练后各模型的准确率曲线如图7所示,准确率㊁浮点运算数㊁参数量如表7所示㊂图7显示,相较于其他模型,G o o gl e N e t 模型输出波动较大,其他4种模型较为平稳㊂由表8可以看出,V g g16模型需要较多的参数量和浮点运算数,但是准确率只比M o b i l e N e tV 2模型高0.7%㊂I R MA n e t 相较于E f f i c i e n t N e tV 2㊁M o -b i l e N e tV 2㊁G o o g l e N e t ㊁V g g 16模型,所需要的参数量最少,且在训练相同的轮次下,收敛速度更快㊂I R MA n e t 模型对比其它4种模型准确率分别提高了9.9%㊁12.4%㊁11.7%㊁9.0%㊂图7 对比模型的准确率曲线F i g .7 C o m p a r i s o no f t h e a c c u r a c y cu r v e s o f t h em o d e l s 表4 三种模型的结果对比T a b l e 4 C o m pa r i s o no f t h e r e s u l t s o f t h e t h r e em o d e l s 模型名称M o d e l n a m e 准确率A c c u r a c y/%浮点运算数F l o ps 参数量P a r a m e t e r q u a n t i t yI R e s N e t -192.82.05ˑ1091.12ˑ107I R e s N e t -292.72.7ˑ1091.51ˑ107R e s N e t 3493.13.67ˑ1092.13ˑ107表5 不同位置R F B 的效果T a b l e 5 E f f e c t o fR F B i nd i f f e r e n t p o s i t i o n s插入位置I n s e r t p o s i t i o n 准确率A c c u r a c y/%浮点运算数F l o ps 参数量P a r a m e t e r q u a n t i t yL a y e r 1后94.12.12ˑ1091.13ˑ107L a ye r 2后93.32.12ˑ1091.13ˑ107L a ye r 3后93.62.12ˑ1091.16ˑ107L a y e r 1+L a y e r 2+L a ye r 3后93.32.25ˑ1091.17ˑ107表6 参数量以及浮点运算数对比T a b l e 6 C o m p a r i s o no f n u m b e r o f p a r a m e t e r s a n dn u m b e r o f f l o a t i n gp o i n t o pe r a t i o n s 模型名称M o d e l n a m e 准确率A c c u r a c y/%浮点运算数F l o ps 参数量P a r a m e t e r q u a n t i t yI R MA n e t 95.02.33ˑ1091.13ˑ107R e s N e t 3493.13.67ˑ1092.13ˑ107表7 模型对比T a b l e 7 C o m pa r i s o no f t h e d i f f e r e n tm o d e l s 模型名称M o d e l n a m e 准确率A c c u r a c y/%浮点运算数F l o ps 参数量P a r a m e t e r q u a n t i t yI R MA n e t90.92.33ˑ1091.13ˑ107E f f i c i e n t N e tV 281.02.89ˑ1092.02ˑ107M o b i l e N e tV 278.53.26ˑ1082.23ˑ106V g g 1679.21.54ˑ10101.38ˑ108G o o g l e N e t 81.91.58ˑ1096.01ˑ106㊃942㊃第2期冯永强等:基于I R MA n e t 的全生育期小麦品种识别研究㊃052㊃麦类作物学报第44卷表8I R M A n e t模型在种子期数据集上的识别结果T a b l e8I d e n t i f i c a t i o n r e s u l t s o f t h e I R M A n e tm o d e l o n t h e s e e d i n g s t a g e d a t a s e t类别R e c a l l/%特异度P r e c i s i o n/%召回率S p e c i f i c i t yS p e c i f i c i t y类别C l a s s精确率R e c a l l/%特异度P r e c i s i o n/%召回率C l a s s精确率195.791.799.84598.895.2100.0 295.892.099.84692.998.899.8 3100.095.8100.04797.592.899.9 4100.091.7100.04896.896.799.9 595.795.799.949100.088.1100.0 689.7100.099.55098.897.7100.0 795.595.599.95192.597.799.7 8100.0100.0100.05296.391.999.9 9100.0100.0100.05397.697.699.9 10100.091.7100.05495.694.699.8 1196.2100.099.85596.795.699.9 12100.091.3100.05695.996.999.8 13100.095.5100.05794.797.899.8 1495.795.799.95897.896.799.9 1595.7100.099.95992.095.899.7 16100.0100.0100.06097.992.299.9 1791.395.599.76195.385.499.9 1891.795.799.762100.093.8100.0 19100.0100.0100.06388.095.799.6 20100.0100.0100.06494.5100.099.8 2196.0100.099.86588.097.899.6 22100.095.8100.066100.095.8100.0 23100.095.7100.06795.997.999.9 24100.0100.0100.068100.095.8100.0 25100.0100.0100.06996.2100.099.9 2696.2100.099.87095.897.899.9 2793.1100.099.77197.795.599.9 2896.2100.099.872100.089.1100.0 29100.0100.0100.07386.5100.099.5 3093.396.699.874100.093.5100.0 3190.593.599.675100.095.5100.0 3293.395.499.87697.897.899.9 3398.893.0100.07797.895.799.9 3496.396.399.978100.091.3100.0 3595.897.999.87997.995.899.9 3687.998.899.58094.198.099.8 3795.596.699.88197.895.799.9 3898.898.8100.08297.895.799.6 3998.893.1100.08396.196.199.9 4094.795.799.884100.0100.0100.0 4198.894.0100.08596.396.399.9 4296.3100.099.98690.796.199.6 4397.491.599.98792.6100.099.7 4490.896.399.72.5模型性能评价将在训练集上训练后所得到的预训练权重加载到I R MA n e t模型上在验证集上进行验证,所得到的结果如表8所示㊂表8显示,类别号为6㊁36㊁61㊁63㊁65的小麦品种识别精确率较低㊂除上述6个品种的小麦外,其余各品种识别精确率㊁召回率㊁特意度均超过了90%,表明该模型对小麦不同生长期的品种有较好的识别效果㊂3讨论本研究表明:相较于R e s N e t系列的其他模型,R e s N e t34更适合对小麦品种进行识别㊂在自建数据集上,通过使用i n v e r t e dr e s i d u a l b l o c k替换R e s N e t34基本残差模块中的第二个卷积块后,模型的参数量降低了二分之一㊁浮点运算数降低了三分之一,准确率只下降了0.3%㊂进一步加入R F B模块以及MA P O O L模块后,相较于只进行残差模块的改进,模型参数量以及浮点数略有上升,准确率也同步提升了1.9个百分点㊂所改进后的模型命名为I R MA n e t,将I R-MA n e t模型与主流的E f f i c i e n t N e t V2㊁M o-b i l e N e tV2㊁V g g16㊁G o o g l e N e t模型分别在自建的小麦数据集上训练特定的轮次(60轮)后,I R-MA n e t模型识别效果较好,达到了90.9%;其它4种模型的识别准确率分别为81.0%㊁78.5%㊁79.2%和81.9%,参数量以及浮点数低于E f f i-c i e n t N e tV2㊁V g g16模型,高于轻量级的M o-b i l e N e tV2㊁G o o g l e N e t模型,表明所提模型更适用于对不同生育时期的小麦品种进行分类且在较短的时间内就可以达到较高的识别准确率㊂为验证I R MA n e t模型的实际性能,将在训练集上进行训练后所得到的模型权重加载到所提模型框架上,在划分好的验证集上进行识别后,所得到的混淆矩阵表明大部分图片都得到了正确的识别,只有极个别的一到两张图片品种识别错误㊂除少数几个品种外,其他品种的精确率㊁召回率㊁特异度均超过了90%,表明所提模型性能较好㊂目前,同一模型对小麦多生育时期进行品种识别的文章较少,本次研究为后续全生育期小麦品种识别提供了依据,为小麦品种增产增效提供了新的技术依据㊂由于作物生长过程中表型特征的多变性㊁多样性和复杂性,本研究还存在一定的不足㊂一是小麦品系多样,本研究仅对甘肃省主产冬小麦3个生育时期29个品种的小麦进行分类实验,需要增加多点多地多品种实验以增强模型适用性㊂二是在农业生产大田等小麦图像品种识别实际应用场景中,要有在无联网条件下能使用的低运算量㊁轻量级模型,需要开展移动端端侧部署等实验㊂本研究通过改进基本残差模块㊁加入R F B模块和MA P O O L池化等技术,对R e s N e t34模型进行网络结构优化,提出了I R MA n e t模型,用于多生育期小麦图像品种识别㊂该模型在降低参数量和浮点运算数的前提下提高了模型分类准确率,进一步为小麦多生育期品种识别提供了理论依据㊂参考文献:[1]倪国华,周昊.我国三大主粮的分区域布局与供给曲线分析[J].山西农业大学学报(社会科学版),2019,18(2):1.N IG H,Z HO U H.A n a l y s i so f s u b-r e g i o n a l d i s t r i b u t i o na n d s u p p l y c u r v eo f t h r e e m a i n g r a i n s i nC h i n a[J].J o u r n a lo f S h a n x iA g r i c u l t u r a l U n i v e r s i t y(S o c i a lS c i e n c e E d i t i o n), 2019,18(2):1.[2]赵莉,何贤芳,都斌斌,等.播期和品种对沿淮晚播稻茬小麦产量和产值的影响[J].麦类作物学报,2021,41(5):613.Z H A OL,H EXF,D U BB,e t a l.E f f e c t so f s o w i n g d a t ea n d v a r i e t y o n y i e l d a n do u t p u t v a l u e o f l a t e-s o w nw h e a t a f t e r r i c e i n t h e r e g i o na l o n g H u a i h eR i v e r[J].J o u r n a lo f T r i t i c e a eC r o p s,2021,41(5):613.[3]Z A J IA,L I UZ,X I A O G,e t a l.As u r v e y o nd e e p l e a r n i n g a p-p l i c a t i o n s i n w h e a t p h e n o t y p i n g[J].A p p l i e d S o f tC o m p u-t i n g,2022,131:109761.[4]S O O DS,S I N G H H.A n i m p l e m e n t a t i o na n da n a l y s i so f d e e p l e a r n i n g m o d e l s f o r t h e d e t e c t i o no fw h e a t r u s t d i s e a s e[C]// 20203r dI n t e r n a t i o n a lC o n f e r e n c eo nI n t e l l i g e n tS u s t a i n a b l e S y s t e m s(I C I S S).T h o o t h u k u d i,I n d i a.I E E E,2020:341-347.[5]张静,高文博,晏林,等.燕麦种质资源耐盐碱性鉴定评价及耐盐碱种质筛选[J].作物学报,2023,49(6):1552.Z H A N GJ,G A O W B,Y A N L,e ta l.E v a l u a t i o no fs a l i n i t y t o l e r a n c e o f o a t g e r m p l a s mr e s o u r c e s a n d s c r e e n i n g o f s a l i n i t y-t o l e r a n t g e r m p l a s m[J].A c t a A g r o n o m i c aS i n i c a,2023,49 (6):1552.[6]S U J A T H A R,C HA T T E R J E EJ M,J HA N J H IN Z,e ta l. P e r f o r m a n c eo f d e e p l e a r n i n g v sm a c h i n e l e a r n i n g i n p l a n t l e a f d i s e a s ed e t e c t i o n[J].M i c r o p r o c e s s o r sa n d M i c r o s y s t e m s, 2021,80:103615.[7]MA G OMA D O V VS.D e e p l e a r n i n g a n d i t s r o l e i n s m a r t a g r i-c u l t u r e[J].J o u r n a lo f P h y s i c s:C o n f e r e n c eS e r i e s,2019, 1399(4):044109.[8]L U Y,Y IS,Z E N G N,e t a l.I d e n t i f i c a t i o no f r i c ed i s e a s e su-s i n g d e e p c o n v o l u t i o n a ln e u r a ln e t w o r k s[J].N e u r o c o m p u t-㊃152㊃第2期冯永强等:基于I R MA n e t的全生育期小麦品种识别研究i n g,2017,267:378.[9]何东健,王鹏,牛童,等.基于改进残差网络的田间葡萄霜霉病病害程度分级模型[J].农业机械学报,2022,53(1):235.H EDJ,WA N GP,N I U T,e t a l.C l a s s i f i c a t i o nm o d e l o f g r a p e d o w n y m i l d e wd i s e a s e d e g r e e i n f i e l d b a s e d o n i m p r o v e d r e s i d-u a l n e t w o r k[J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y f o rA g-r i c u l t u r a lM a c h i n e r y,2022,53(1):235.[10]S HA R MA R,S I N G H A,K A V I T A,e t a l.P l a n t d i s e a s e d i a g-n o s i s a n d i m a g e c l a s s i f i c a t i o nu s i n g d e e p l e a r n i n g[J].C o m-p u t e r s,M a t e r i a l s&C o n t i n u a,2022,71(2):2125. [11]孙俊,何小飞,谭文军,等.空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草[J].农业工程学报,2018,34 (11):159.S U NJ,H EXF,T A N W J,e t a l.R e c o g n i t i o no f c r o p s e e d-l i n g a n d w e e dr e c o g n i t i o nb a s e do nd i l a t e dc o n v o l u t i o na n d g l o b a l p o o l i n g i nC N N[J].T r a n s a c t i o n s o f t h e C h i n e s e S o c i-e t y of Ag r i c u l t u r a lE n g i n e e r i n g,2018,34(11):159.[12]L I U C,H A NJ,C H E NB,e t a l.An o v e l i d e n t i f i c a t i o nm e t h-o d f o r a p p l e(M a l u s d o m e s t i c a B o r k h.)c u l t i v a r s b a s e do na d e e p c o n v o l u t i o n a l n e u r a l n e t w o r kw i t h l e a f i m a g e i n p u t[J]. S y m m e t r y,2020,12(2):217.[13]MOM E N Y M,J A H A N B A K H S H IA,J A F A R N E Z H A D K,e t a l.A c c u r a t e c l a s s if i c a t i o no f c h e r r y f r u i t u s i ng d e e p C N N b a s e do nh y b ri d p o o l i n g a p p r o a c h[J].P o s t h a r v e s tB i o l o g ya n dT e c h n o l o g y,2020,166:111204.[14]L A A B A S S I K,B E L A R B I M A,MA HMO U D IS,e ta l.W h e a t v a r i e t i e s i d e n t i f i c a t i o nb a s e do nad e e p l e a r n i n g a p-p r o a c h[J].J o u r n a l o f t h eS a u d iS o c i e t y o f A g r i c u l t u r a l S c i e n c e s,2021,20(5):281.[15]Z HA N G W,MA H,L I X,e t a l.I m p e r f e c tw h e a t g r a i n r e c o g-n i t i o nc o m b i n e d w i t ha na t t e n t i o n m e c h a n i s m a n dr e s i d u a l n e t w o r k[J].A p p l i e dS c i e n c e s,2021,11(11):5139.[16]G A O H,Z H E N T,L I Z.D e t e c t i o no fw h e a t u n s o u n dk e r n e l sb a s e do ni m p r o v e d R e s N e t[J].I E E E Ac c e s s,2022,10: 20092.[17]H E K,Z HA N G X,R E NS,e ta l.D e e p r e s i d u a l l e a r n i n g f o ri m a g e r e c o g n i t i o n[C]//2016I E E EC o n f e r e n c e o nC o m p u t e r V i s i o na n dP a t t e r n R e c o g n i t i o n(C V P R).L a s V e g a s,N V,U S A.I E E E,2016:770-778.[18]S A N D L E R M,HOWA R D A,Z HU M,e t a l.M o b i l e N e t V2:i n v e r t e d r e s i d u a l sa n dl i n e a rb o t t l e n e c k s[C]//2018I E E E/ C V FC o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r n R e c o g n i-t i o n.S a l tL a k eC i t y,U T,U S A.I E E E,2018:4510-4520.[19]L I U S,HU A N G D,WA N G Y.R e c e p t i v e f i e l db l o c kn e t f o ra c c u r a t e a n d f a s t ob j ec tde t e c t i o n[C]//E u r o p e a nC o nf e r e n c e o nC o m p u t e rV i s i o n.C h a m:S p r i ng e r,2018:404-419.[20]J O S H IK,T R I P A T H IV,B O S EC,e t a l.R o b u s t s p o r t s i m-a g ec l a s s i f i c a t i o n u s i n g I n c e p t i o n V3a n d n e u r a ln e t w o r k s [J].P r o c e d i aC o m p u t e rS c i e n c e,2020,167:2374. [21]WA N GP,C H E N P,Y U A N Y,e t a l.U n d e r s t a n d i n g c o n v o-l u t i o nf o rs e m a n t i cs e g m e n t a t i o n[C]//2018I E E E W i n t e r C o n f e r e n c e o n A p p l i c a t i o n so fC o m p u t e rV i s i o n(WA C V). L a k eT a h o e,N V,U S A.I E E E,2018:1451-1460. [22]C H E NLC,P A P A N D R E O U G,S C H R O F FF,e t a l.R e t h i n-k i n g a t r o u sc o n v o l u t i o nf o rs e m a n t i ci m a g es e g m e n t a t i o n [J].a r X i v p r e p r i n t a r X i v:1706.05587,2017[23]Z HU X,HU H,L I N S,e ta l.D e f o r m a b l eC o n v N e t s V2: m o r e d e f o r m a b l e,b e t t e r r e s u l t s[C]//2019I E E E/C V FC o n-f e r e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n(C V P R).L o n g B e a c h,C A,U S A.I E E E,2019:9300-9308.[24]周刚,张文涛,鲁清林,等.甘肃冬小麦品种品质性状分析与评价[J].麦类作物学报,2019,39(10):1180.Z HO U G,Z HA N G W T,L U QL,e t a l.A n a l y s i s a n d e v a l u-a t i o no n q u a l i t y o fw i n t e rw h e a t v a r i e t i e s f r o m G a n s uP r o v-i n c e[J].J o u r n a l o f T r i t i c e a eC r o p s,2019,39(10):1180.[25]T A N M,L EQ V.E f f i c i e n t N e t V2:S m a l l e rm o d e l s a n d f a s t e r t r a i n i n g[E B/O L].2021:a r X i v:2104.00298.h t t p s://a r x i v. o r g/a b s/2104.00298.p d f[26]S I MO N Y A N K,Z I S S E R MA N A.V e r y d e e p c o n v o l u t i o n a l n e t w o r k s f o r l a r g e-s c a l e i m a g e r e c o g n i t i o n[E B/O L].2014:a r X i v:1409.1556.h t t p s://a r x i v.o r g/ab s/1409.1556.p d f[27]S Z E G E D YC,L I U W,J I AY,e t a l.G o i n g d e e p e rw i t h c o n v o-l u t i o n s[C]//2015I E E EC o n f e r e n c e o nC o m p u t e rV i s i o n a n d P a t t e r n R e c o g n i t i o n(C V P R).B o s t o n,MA,U S A.I E E E, 2015:1-9.㊃252㊃麦类作物学报第44卷。
小麦新品种赛德麦8号的特征特性及高产栽培技术探析
小麦新品种赛德麦8号的特征特性及高产栽培技术探析作者：方丹丹来源：《农民致富之友》2020年第01期赛德麦8号小麦是河南赛德种业有限公司最新培育的小麦新品种，品种来源为矮抗58/周优102/郑麦366。
该品种经过国家区域试验和河南省区域试验以及生产试验，符合河南省小麦品种审定标准，适宜河南省（南部长江中下游麦区除外）早中茬地种植。
该品种于2019年通过河南省农作物品种审定委员会审定，其审定编号为豫审麦20190004，赛德麦8号小麦具有其独特的生长性状和种植要求。
一、特征特性1、农艺性状该品种为半冬性小麦品种，全生育期215.9～231.6天，平均熟期与周麦18相比早0.6 天。
其幼苗形状呈半直立，叶色浅绿，苗势壮，冬季抗寒性较好，分蘖力较强，成穗率较高。
株高69.5～77.3 cm，株型松散，抗倒性较好。
春季起身拔节早，两极分化快，抽穗早。
旗叶较小，穗下节长，穗层整齐，熟相好。
穗数579.0万～478.5万穗/hm2，穗纺锤形，白壳，白粒，籽粒半角质，饱满度较好。
穗粒数29.5～31.9粒，千粒重45.1～46.5g。
2、产量表现2016—2017年度参加河南省小麦冬水组区域试验，平均产量8556kg/hm2，达标点率100%，与品种周麦18相比增产10.5%。
2017—2018年度续试，平均产量6618kg/hm2，达标点率93.3%，与品种周麦18相比增产3.9%。
2017—2018年度生产试验，平均产量6832.5kg/hm2，达标点率100%，与品种周麦18相比增产4.9%。
二、高产栽培技术1、精细整地清除上茬农作物残留物，应该在施肥耕种前浇好底墒水，要在上茬作物收获前10～15 天浇水代替底墒，为保证播种后苗齐、苗壮、一播全苗，不缺垄断垄，足墒下种，要深耕25cm，深耕耙透不漏耕，要做到上虚下实、地面平整，起垄做畦。
对于秸秆还田地块，要减少土壤过虚造成播种过深、出苗困难、吊苗、死苗现象，因此，秸秆一定要打碎深翻，耕实耙透，塌实土壤。
小麦种子的鉴别
根据生长条件
小麦种子可以根据其生长条件进 行分类，如不同气候、土壤和灌 溉条件下生长的小麦种行分类 ，如用于制作面粉、饲料、酿造啤 酒等不同用途的小麦种子具有不同 的特性。
03
小麦种子的鉴别方法
感官鉴别法
视觉检测
观察种子的颜色、大小、形状 、整齐度等特征。优质的小麦 种子颜色鲜艳，大小均匀，饱
种子活力
活力高的小麦种子生命力强，发芽率高，生长迅速；而活力低的 小麦种子发芽率低，生长缓慢，产量和品质都会受到影响。
小麦种子的优劣对产量的影响
01
品种优劣
优质的小麦品种能够显著提高产量，因为它们适应性强、抗病性好、
产量高、品质优良。例如，一些抗病性强的小麦品种可以减少病害的
发生，提高单位面积产量。
小麦种子的鉴别
2023-11-05
目录
• 引言 • 小麦种子的基本特征和分类 • 小麦种子的鉴别方法 • 鉴别实验及结果分析 • 小麦种子的优劣及影响 • 小麦种子的选择及贮藏 • 前瞻性研究及展望
01
引言
背景介绍
小麦是一种重要的 粮食作物，全球广 泛种植。
鉴别小麦品种对于 农业生产、育种研 究和粮食安全具有 重要意义。
02
种子纯度
小麦种子的纯度对产量的影响也非常显著。纯度高的种子生长出来的
植株整齐、产量高；而纯度低的小麦种子生长出来的植株不整齐，产
量会受到很大的影响。
03
种子活力
活力高的小麦种子发芽率高，生长迅速，可以缩短生育期，提高产量
；而活力低的小麦种子发芽率低，生长缓慢，会延长生育期，对产量
产生负面影响。
06
小麦品种繁多，不 同品种适应不同的 气候、土壤和种植 条件。
抗纹枯病小麦品种
抗纹枯病小麦品种咱今天来说说抗纹枯病的小麦品种，这可是个很重要的事儿呢。
小麦啊，就像咱农民伯伯的孩子一样，得精心照料着。
纹枯病就像个小恶魔，时不时就想来侵害小麦。
普通的小麦要是遇上这个病啊，那可就惨兮兮的。
就好比一个身体弱的小孩，被病魔盯上了，就会变得病恹恹的。
这纹枯病会让小麦的茎秆上出现病斑，就像人身上长了疮一样，看着都难受。
小麦的生长就会受到阻碍，产量也会大大降低。
这可让咱们种地的人愁坏了呀。
不过呢，幸好有抗纹枯病的小麦品种。
这些小麦品种就像是穿着铠甲的勇士，纹枯病这个小恶魔很难侵害到它们。
这些品种是怎么做到的呢？它们就像是拥有特殊基因密码的小战士。
它们的基因里好像藏着一种神奇的力量，这种力量能够识别纹枯病这个敌人，然后调动自身的防御系统。
这防御系统就像一个保护罩，把纹枯病挡在外面。
咱拿一些具体的抗纹枯病小麦品种来说吧。
有些品种在生长过程中，它的根系特别发达。
这根系就像大树的树根一样，深深扎在土里，稳稳当当的。
发达的根系能让小麦吸收更多的养分，让小麦自身的抵抗力更强。
而且啊，这些品种的叶片也很有特点。
它们的叶片像是经过精心设计的盾牌，表面可能有着特殊的纹理或者物质，能够抵御纹枯病病菌的入侵。
这就好比是给小麦穿上了一层防护服，病菌想进去都难。
对于咱农民朋友来说，种这些抗纹枯病的小麦品种可省心多啦。
不用总是提心吊胆地担心小麦被纹枯病侵害。
而且啊，这就像做买卖一样，投入了种子、化肥这些成本，最后能收获满满的小麦，这多划算呀。
要是种那些不抗病的品种，就像是在赌博，运气好的时候可能收成还不错，一旦遇上纹枯病，那可就血本无归了。
在种植抗纹枯病小麦品种的时候，咱也不能就完全不管不顾了。
虽然它们抗病能力强，但是也得给它们提供好的生长环境。
就像一个孩子，虽然身体好，但是也得吃好穿好才能茁壮成长呀。
咱得把土地整理好，让土壤松软肥沃，这就像给小麦铺好了舒适的床铺一样。
施肥也不能马虎，就像给小麦准备营养丰富的饭菜一样。
抗到伏小麦品种
抗到伏小麦品种《抗倒伏小麦品种全知道》咱农民朋友种地啊，最担心啥？那小麦长着长着，突然倒伏了，就像好好站着的士兵突然摔倒了一样，这可不得了。
所以啊，这抗倒伏的小麦品种，咱可得好好唠唠。
抗倒伏的小麦，就像坚强的战士。
你看那些不抗倒伏的小麦，风一吹，雨一淋，就像弱不禁风的小娃娃，一下子就趴在地上了。
可抗倒伏的小麦品种呢，它们就像扎根很深的大树。
它们的根系特别发达，就好比大树那盘根错节的树根，深深扎在土里，紧紧抓住大地，任你风吹雨打，我自岿然不动。
这根系啊，就像小麦的脚，脚站得稳，身体自然就倒不了。
那怎么去识别抗倒伏的小麦品种呢？这就有点像挑马，你得看它的“身板”。
抗倒伏的小麦，茎杆往往比较粗壮。
你想啊，细杆子哪能经得住折腾，就像细树枝容易折断，粗树枝就结实多了。
粗壮的茎杆就像房子的柱子，支撑着小麦整个植株，让它稳稳当当的。
而且啊，茎杆的弹性也很重要。
好的抗倒伏小麦茎杆有一定的弹性，这就好比弹簧，能在风吹的时候顺势弯曲一下，但是又不会折断，风过了就又挺直了身子。
咱再说这种植抗倒伏小麦品种的好处。
那可太多了，就像捡到宝一样。
要是种了不抗倒伏的小麦，倒伏了，这收成肯定大打折扣。
就好比你满心期待收获一箩筐果实，结果掉得满地都是，能不心疼吗？抗倒伏小麦品种能保证产量啊，这产量就像家里的存钱罐，稳稳当当能装满，咱农民朋友的腰包就鼓起来了。
而且啊，种抗倒伏小麦，管理起来也省心。
不用总是担心一场风雨就把心血毁了，心里踏实多了。
在选择抗倒伏小麦品种的时候，可不能马虎。
不能光听别人说，得自己去了解。
这就跟选媳妇一样，得挑个合适的。
你得看看这个品种在当地的表现，就像看媳妇适不适合自己家的生活习惯。
有的品种在别的地方表现好，但是到了咱这儿，可能就水土不服了。
还要看这个品种的抗病能力，因为如果小麦生病弱了，就更容易倒伏。
这就像人生病了就没力气站着一样。
一个健康的小麦品种，才能更好地抵御倒伏的风险。
咱种小麦的时候啊，也要给抗倒伏小麦品种创造好的条件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
小麦品种识别
小麦是世界上最早的栽培植物之一，也是世界上种植面积最大、总贸易额最大、营养价值最高的粮食作物之一，在中国是仅次于水稻的第二大粮食作物。
营养价值方面，小麦籽粒含有丰富的蛋白质，而且小麦耐储藏，是重要的商品粮食作物。
生产方面，小麦适应性广，产量稳定，并且可以充分利用冬、春季节复种，提高单位面积产量与总产量。
我国常年种植面积为3000万公顷左右，是我国最重要的商品粮食和战略性粮食储藏品种。
面对21世纪中国及世界的粮食安全问题，小麦生产占有举足轻重的地位。
一、小麦基本属性
1、小麦的基本形态特征
小麦属于禾本科(Poaceae.)，小麦属(TriticulnL.) , 一年或二年生草本植物，茎直立，中空，叶子宽条形，子实椭圆形，腹面有沟。
子实供制面粉，是主要粮食作物之一。
由于播种时期的不同有春小麦、冬小麦等.
自花授粉.禾本科小麦属的重要栽培谷物。
一年生或越年生草本；茎具4～7节，有效分蘖多少与土肥环境相关。
叶片长线形；穗状花序直立，穗轴延续而不折断；小穗单生，含3～5（～9）花，上部花不育；颖革质，卵圆形至长圆形，具5～9脉；背部具脊；外稃船形，基部不具基盘，其形状、色泽、毛茸和芒的长短随品种而异。
颖果大，长圆形，顶端有毛，腹面具深纵沟，不与稃片粘合而易脱落。
2、小麦的分类
小麦按播种季节可分为冬小麦和春小麦，一般春小麦蛋白质含量高于冬小麦，但春小麦的容重和出粉率低于冬小麦。
小麦按皮色的不同，可分为白皮小麦和红皮小麦两种。
白皮小麦呈黄色或乳白色，皮薄，胚乳含量多，出粉率较高，红小麦呈深红色或红褐色，皮较厚，胚乳含量少，出粉率较低；小麦按籽粒的质地不同，可分为硬质小麦和软质小麦。
具体的分类如下：
①、硬白：种皮为白色或黄白色的麦粒不低于90%，角质率不低于70%的小麦。
②、软白：种皮为白色或黄白色的麦粒不低于90%，粉质率不低于70%的小麦。
③、硬红: 种皮为深红色或红褐色的麦粒不低于90%，角质率不低于70%的小麦
④、软红: 种皮为深红色或红褐色的麦粒不低于90%，粉质率不低于70%的小麦。
⑤、混合: 不符合（1）至（5）各条规定的小麦。
二、中国小麦种质资源
小麦是我国的主要粮食作物之一，全国各地都有小麦种植。
由于我国幅员辽阔，气候和土壤多样，耕作制度复杂，加之小麦栽培历史悠久，因此在漫长的自然选择和人工选择的过程中，形成了丰富多彩的小麦种质资源。
我国小麦种质资源与世界上大多数国家的相比，具有四大突出特点，主要表现在普通小麦。
第一，早熟性，不论是地方品种，还是育成品种都明显比国外的早熟，如北方冬麦区多数品种比欧洲品种早熟5—10天，比美国品种早熟5天左右。
第二，多粒性，圆颖多花类型和拟密穗类型，如地方品种平原50、蚂蚱麦等等，育成品种（系）攀枝花系统、咸阳大穗系统、兰考大穗系统和新疆阿拉尔农一师大穗系统，有的每小穗结实5—7粒，每穗结实60—90粒，多者达百粒。
第三，高度适应性，有些品种对异常环境条件或病虫害具有很强的抗性或耐性，如抗寒品种涿鹿冬麦、五常冬麦，抗旱品种平遥小白麦，旱选10号，耐湿品种
蓝溪早小麦，水涝麦，耐盐碱土壤品种抗碱麦，耐酸性土壤品种南昌条身子、进贤泡子麦，耐风吹不易落粒品种山西气死风类型，闭颖授粉的山东气死雾类型品种，莱阳秋，抗白粉病品种小白冬麦、红蜷芒，抗赤霉病品种溧阳望水白、苏麦3号。
第四，高亲和性，这类品种含有可交配基因，易与黑麦、山羊草等近缘植物杂交成功，如中国春、J-11等等。
另外，我国小麦种质资源中还有一些特有资源和稀有资源，如我国特有的云南小麦、新疆小麦和西藏半野小麦。
稀有类型如太谷核不育小麦，小麦单体系统，三粒并蒂类型小麦，无芒的波兰小麦品种若羌古麦，穗分枝的普通小麦品种小佛手等。
综上所述可以看出，我国小麦种质资源有3个方面的优势：第一、种质资源的数量大，占世界小麦种质资源总数（约13万份）的35%左右。
第二，资源的种类较多，全世界小麦属共27个种，我国已拥有24个种；小麦野生近缘植物世界上共23个属，我国有14属。
第三，种质资源基本得到保护，已有90%以上入国家库长期保存。
同时建立了主要农艺性状鉴定和繁种入库的数据库。
无疑，中国小麦种质资源为中国乃至世界小麦生产和育种的持续发展贮备了资源基础，具有重要的现实和深远意义。
三、利用计算机技术对小麦品种识别。
计算机图像处理是一项综合性技术。
近十多年来，随着硬件成本下降和计算速度的提高，计算机图像处理广泛介入农产品品质检测和分级，成功地用于玉米、大麦、小麦、大豆、燕麦、黑麦草和水稻等种子检验。
国外在小麦种子检测和识别方面开展了广泛的研究，一方面成功地识别小麦品种和类别，如对大麦、小麦、燕麦和黑麦草的正确识别率均在90％以上隆；另一方面有效识别不同类别的小麦种子，对不同冬春性、质地和粒色的小麦类别判断效果良好。
1、形状特征提取通过二值图像标号将单个小麦籽粒图像提取出来，利用籽粒区域和边界特性，提取籽粒形状特征。
（1）、周长：小麦籽粒图像边界像素总和。
（2）、圆形度=(周长)2／(4Ⅱ×面积)。
（3）、长轴长：小麦籽粒图像上距离最长的两个端点之
（4）、间的欧氏距离。
（5）、短轴长：小麦籽粒图像上过长轴中点且垂直于长
（6）、轴的直线间距离。
（7）、最小半径：籽粒边界上的像素到质心的最小距离。
（8）、最大半径：籽粒边界上的像素到质心的最大距离。
（9）、面积：以小麦籽粒图像所包含的所有像素总数计算。
（10）、基于区域的不变矩
2、颜色特征提取小麦籽粒颜色是一个重要特征，通常采用RGB颜色系统，本文将RGB颜色信息和HIS颜色配合使用识别小麦籽粒。
由光度学知，HIS系统直接用亮度(intensity)、色调(hue)和饱和度(saturation)来描述颜色，更符合人类视觉特征。
在籽粒颜色特征提取中，利用图像分割确定籽粒的位置，然后综合原来的RGB图像对每颗籽粒分别求出红色、绿色、蓝色、色调、亮度和饱和度均值和方差，作为SS颜色特征。
小麦籽粒的形状和颜色是小麦的重要特征，应用小麦籽粒的形状特征和颜色特征能对小麦的品种和来源地能进行有效识别，为小麦种质纯度检验提供了客观方法。
相比肉眼识别而言，计算机识别结果更客观、准确和一致。