基于深度學習的植物種子萌發(fā)差異檢驗

曾祥潘 廣東省廣州市白云區(qū)景泰小學

孫麗君 山東省淄博第二中學

吳俊杰 北京師范大學物理系

種植活動是勞動教育的重要組成部分，育種則是種植的開端。在育種過程中，土壤pH是影響種子萌發(fā)的重要因素之一，pH發(fā)生變化，引起農業(yè)減產。在不同pH條件下種子萌發(fā)的差異怎樣判斷呢？這就需要進行檢驗。通過種子萌發(fā)實驗，取得實驗數(shù)據(jù)；對實驗數(shù)據(jù)進行分析檢驗就可以獲知不同pH條件下種子萌發(fā)有沒有存在差異。

本實驗研究采用對照實驗，選取兩組不同pH條件下的種子進行萌發(fā)實驗，實驗過程定時拍照記錄；再利用深度學習目標檢測算法識別照片中的發(fā)芽種子，取得實驗數(shù)據(jù)；最后使用R語言對兩組數(shù)據(jù)進行檢驗，讓學生體驗用深度學習解決實際問題的過程。

●設計思路

本實驗以不同pH條件下萌發(fā)綠豆種子為實驗樣本，通過深度學習的目標檢測算法識別種子發(fā)芽，獲取種子萌發(fā)數(shù)據(jù)。實驗過程經歷目標檢測數(shù)據(jù)集制作、模型訓練、使用模型預測等一系列步驟，最后使用R語言工具進行數(shù)據(jù)檢驗。

目標檢測是深度學習重要的應用領域之一，其中出現(xiàn)了許多先進的算法，如R-CNN、SSD、YOLO等。本實驗選用目前最新的YOLOv5（v6.1），其特點是識別準確率高、速度快。

此外，實驗過程中拍攝的種子培養(yǎng)皿照片，通常可達數(shù)百萬像素。種子在整張照片中所占比例很小，屬于小目標，如果將這些照片直接識別，YOLOv5會按比例將照片長邊縮小為640像素，照片中的小目標將丟失許多圖像細節(jié)，導致識別效果很差，甚至出現(xiàn)無法識別的情況，因此，需要采取輔助手段提高識別效果。經過查詢發(fā)現(xiàn)，已有多種解決方案可實現(xiàn)提高識別效果。本實驗選用SAHI（Slicing Aided Hyper Inference）輔助識別發(fā)芽種子，SAHI支持使用YOLOv5模型識別，省去其他工具需要轉換模型文件的操作，使用更簡便，其工作原理是將原始圖像切割成若干張，再進行識別，識別完成后，將識別結果融合輸出。

●實驗準備

在市場購買綠豆，選取籽粒飽滿、大小勻稱的種子作為實驗材料。為了降低實驗難度、提高實驗的易操作性，只選取兩組樣本進行對照實驗，每組配備100顆種子。其中實驗組在堿性條件萌發(fā)，對照組在中性環(huán)境萌發(fā)。堿性條件使用碳酸氫鈉兌純凈水，pH值調整為7.5；中性環(huán)境使用純凈水，pH值為7。準備拍照用手機、安裝YOLOv5及R語言等軟件的計算機。

●實驗過程

1.準備模型訓練樣本

高質量的訓練樣本是人工智能模型訓練的首要條件。在購買綠豆種子后先嘗試萌發(fā)，這樣既可以檢驗種子能否成活，還能采集到樣本照片。種子用溫水浸泡2小時，然后將其均勻放置在平鋪了三層吸水紙的培養(yǎng)皿中，吸水紙保持濕潤。24小時后有部分種子發(fā)芽，開始拍攝照片，旋轉培養(yǎng)皿從不同角度拍攝。12小時后重復拍攝一遍。

原始照片要用圖片處理軟件裁切成若干張640×640像素圖片，每張圖片含有5～10顆種子。用Labelimg對裁切后的圖片進行標注，設置yolo標簽格式，用標記框把已發(fā)芽的種子框選，注意控制選擇范圍，要把種子和種芽框選在內。要取得較好的模型訓練效果，樣本數(shù)量應在300以上。

2.訓練模型

使用YOLOv5訓練模型的指令如下：

python train.py --data data/(訓練樣本yaml配置文件) --cfg models/yolov5s.yaml --workers 0 --batch-size 4 --epochs 50

訓練時間因不同計算機配置和訓練次數(shù)從幾小時到十幾小時不等。在訓練完成后對模型進行測試，看能否識別出發(fā)芽的種子，指令如下：

python detect.py --source=“data/(發(fā)芽種子jpg文件路徑)” --weights=“runs/train/exp/weights/best.pt”

模型訓練和預測過程如圖1所示。

圖1 模型訓練與測試

3.采集數(shù)據(jù)

將兩組種子分別放入pH7.5碳酸氫鈉和pH7純凈水中，浸泡2小時后瀝干，均勻放置在鋪有吸水紙的培養(yǎng)皿中。每隔2小時拍攝一次照片，連續(xù)拍攝48小時。超過48小時長出胚葉會增加實驗的復雜性，暫不記錄。

拍攝完成后取得兩組實驗照片，每組25張。用SAHI對兩組照片進行預測，識別出發(fā)芽的種子，取得發(fā)芽數(shù)據(jù)。SAHI操作指令如下：

sahi predict --source data/(圖片文件夾路徑) --model_type yolov5 --model_path weights/(模型文件路徑) --model_device cpu --export_pickle --project resources

將識別結果保存在resources文件夾中，效果如圖2所示。

圖2 SAHI識別結果

將識別數(shù)據(jù)進行整理，把置信度達到0.5或以上的識別結果視為種子發(fā)芽，將每張圖片的發(fā)芽數(shù)量記錄到電子表格中。

4.數(shù)據(jù)分析

比較兩組實驗數(shù)據(jù)是否存在差異，可以使用R語言進行檢驗。在進行差異檢驗之前要先對數(shù)據(jù)進行正態(tài)性檢驗，再根據(jù)檢驗結果選擇適當?shù)牟町悪z驗方法。

（1）正態(tài)性檢驗

由于每組實驗數(shù)據(jù)為25個，屬于小樣本，因此正態(tài)性檢驗選擇了適合小樣本的SW檢驗。檢驗指令和結果如圖3所示。

圖3 SW正態(tài)性檢驗結果

從檢驗結果可知，兩組數(shù)據(jù)的p-value均小于0.05，說明兩組數(shù)據(jù)都不符合正態(tài)分布。

（2）差異性檢驗

由于兩組實驗數(shù)據(jù)都不符合正態(tài)分布，兩者屬于獨立的小樣本，因此檢驗這兩組數(shù)據(jù)差異應采用兩獨立樣本非參數(shù)檢驗。針對兩獨立樣本非參數(shù)檢驗，R語言提供了wilcoxon秩和檢驗。檢驗指令和結果如圖4所示。

圖4 wilcoxon秩和檢驗

從計算結果得知，p-value=0.2715，顯著性水平α=0.05，p-value大于顯著性水平，說明拒絕原假設（原假設是兩組樣本數(shù)據(jù)有明顯差異），因此兩組實驗數(shù)據(jù)并沒有明顯差異。

●總結

從實驗結果發(fā)現(xiàn)，兩組實驗綠豆種子浸泡了不同pH值液體，對發(fā)芽率并沒有影響，這跟其他專家實驗結果不一致。究其原因可能是使用的液體pH相差太小，沒有使用pH8或者以上的液體進行浸泡，或者浸泡時間太短等。這還有待于今后進一步實驗驗證。

本實驗采用了YOLOv5及SAHI深度學習工具，完成了模型的訓練和預測，對發(fā)芽種子進行識別，最后用R語言工具進行數(shù)據(jù)分析。這一方法還可以在各種實驗項目中使用，如在細胞實驗中對不同細胞種類識別和計數(shù)等。