基于深度学习的植物种子萌发差异检验

曾祥潘 广东省广州市白云区景泰小学

孙丽君 山东省淄博第二中学

吴俊杰 北京师范大学物理系

种植活动是劳动教育的重要组成部分，育种则是种植的开端。在育种过程中，土壤pH是影响种子萌发的重要因素之一，pH发生变化，引起农业减产。在不同pH条件下种子萌发的差异怎样判断呢？这就需要进行检验。通过种子萌发实验，取得实验数据；对实验数据进行分析检验就可以获知不同pH条件下种子萌发有没有存在差异。

本实验研究采用对照实验，选取两组不同pH条件下的种子进行萌发实验，实验过程定时拍照记录；再利用深度学习目标检测算法识别照片中的发芽种子，取得实验数据；最后使用R语言对两组数据进行检验，让学生体验用深度学习解决实际问题的过程。

●设计思路

本实验以不同pH条件下萌发绿豆种子为实验样本，通过深度学习的目标检测算法识别种子发芽，获取种子萌发数据。实验过程经历目标检测数据集制作、模型训练、使用模型预测等一系列步骤，最后使用R语言工具进行数据检验。

目标检测是深度学习重要的应用领域之一，其中出现了许多先进的算法，如R-CNN、SSD、YOLO等。本实验选用目前最新的YOLOv5（v6.1），其特点是识别准确率高、速度快。

此外，实验过程中拍摄的种子培养皿照片，通常可达数百万像素。种子在整张照片中所占比例很小，属于小目标，如果将这些照片直接识别，YOLOv5会按比例将照片长边缩小为640像素，照片中的小目标将丢失许多图像细节，导致识别效果很差，甚至出现无法识别的情况，因此，需要采取辅助手段提高识别效果。经过查询发现，已有多种解决方案可实现提高识别效果。本实验选用SAHI（Slicing Aided Hyper Inference）辅助识别发芽种子，SAHI支持使用YOLOv5模型识别，省去其他工具需要转换模型文件的操作，使用更简便，其工作原理是将原始图像切割成若干张，再进行识别，识别完成后，将识别结果融合输出。

●实验准备

在市场购买绿豆，选取籽粒饱满、大小匀称的种子作为实验材料。为了降低实验难度、提高实验的易操作性，只选取两组样本进行对照实验，每组配备100颗种子。其中实验组在碱性条件萌发，对照组在中性环境萌发。碱性条件使用碳酸氢钠兑纯净水，pH值调整为7.5；中性环境使用纯净水，pH值为7。准备拍照用手机、安装YOLOv5及R语言等软件的计算机。

●实验过程

1.准备模型训练样本

高质量的训练样本是人工智能模型训练的首要条件。在购买绿豆种子后先尝试萌发，这样既可以检验种子能否成活，还能采集到样本照片。种子用温水浸泡2小时，然后将其均匀放置在平铺了三层吸水纸的培养皿中，吸水纸保持湿润。24小时后有部分种子发芽，开始拍摄照片，旋转培养皿从不同角度拍摄。12小时后重复拍摄一遍。

原始照片要用图片处理软件裁切成若干张640×640像素图片，每张图片含有5～10颗种子。用Labelimg对裁切后的图片进行标注，设置yolo标签格式，用标记框把已发芽的种子框选，注意控制选择范围，要把种子和种芽框选在内。要取得较好的模型训练效果，样本数量应在300以上。

2.训练模型

使用YOLOv5训练模型的指令如下：

python train.py --data data/(训练样本yaml配置文件) --cfg models/yolov5s.yaml --workers 0 --batch-size 4 --epochs 50

训练时间因不同计算机配置和训练次数从几小时到十几小时不等。在训练完成后对模型进行测试，看能否识别出发芽的种子，指令如下：

python detect.py --source=“data/(发芽种子jpg文件路径)” --weights=“runs/train/exp/weights/best.pt”

模型训练和预测过程如图1所示。

图1 模型训练与测试

3.采集数据

将两组种子分别放入pH7.5碳酸氢钠和pH7纯净水中，浸泡2小时后沥干，均匀放置在铺有吸水纸的培养皿中。每隔2小时拍摄一次照片，连续拍摄48小时。超过48小时长出胚叶会增加实验的复杂性，暂不记录。

拍摄完成后取得两组实验照片，每组25张。用SAHI对两组照片进行预测，识别出发芽的种子，取得发芽数据。SAHI操作指令如下：

sahi predict --source data/(图片文件夹路径) --model_type yolov5 --model_path weights/(模型文件路径) --model_device cpu --export_pickle --project resources

将识别结果保存在resources文件夹中，效果如图2所示。

图2 SAHI识别结果

将识别数据进行整理，把置信度达到0.5或以上的识别结果视为种子发芽，将每张图片的发芽数量记录到电子表格中。

4.数据分析

比较两组实验数据是否存在差异，可以使用R语言进行检验。在进行差异检验之前要先对数据进行正态性检验，再根据检验结果选择适当的差异检验方法。

（1）正态性检验

由于每组实验数据为25个，属于小样本，因此正态性检验选择了适合小样本的SW检验。检验指令和结果如图3所示。

图3 SW正态性检验结果

从检验结果可知，两组数据的p-value均小于0.05，说明两组数据都不符合正态分布。

（2）差异性检验

由于两组实验数据都不符合正态分布，两者属于独立的小样本，因此检验这两组数据差异应采用两独立样本非参数检验。针对两独立样本非参数检验，R语言提供了wilcoxon秩和检验。检验指令和结果如图4所示。

图4 wilcoxon秩和检验

从计算结果得知，p-value=0.2715，显著性水平α=0.05，p-value大于显著性水平，说明拒绝原假设（原假设是两组样本数据有明显差异），因此两组实验数据并没有明显差异。

●总结

从实验结果发现，两组实验绿豆种子浸泡了不同pH值液体，对发芽率并没有影响，这跟其他专家实验结果不一致。究其原因可能是使用的液体pH相差太小，没有使用pH8或者以上的液体进行浸泡，或者浸泡时间太短等。这还有待于今后进一步实验验证。

本实验采用了YOLOv5及SAHI深度学习工具，完成了模型的训练和预测，对发芽种子进行识别，最后用R语言工具进行数据分析。这一方法还可以在各种实验项目中使用，如在细胞实验中对不同细胞种类识别和计数等。