随着科学技术的发展,低场核磁共振(Low Field Nuclear Magnetic Resonance, LF-NMR)横向弛豫时间(Transverse Relaxation Time, T_2)反演谱检测技术越来越多的被应用于农业,但当前对T_2反演谱的解译尚停留在水分相态分布层面。为探索从...随着科学技术的发展,低场核磁共振(Low Field Nuclear Magnetic Resonance, LF-NMR)横向弛豫时间(Transverse Relaxation Time, T_2)反演谱检测技术越来越多的被应用于农业,但当前对T_2反演谱的解译尚停留在水分相态分布层面。为探索从物质成分角度对种子T_2反演谱进行解译的新方法,该研究以银杏种子为对象,利用低场核磁共振技术检测并对比银杏鲜种、种子粉末及其主要成分试样的T_2反演谱,分析各信号峰的形成机理,并以此为依据对其在种子萌发过程中的变化进行解译。研究结果表明:淀粉与蛋白质混合试样T_2反演谱的峰T_(21)、T_(22)、T_(23)以及淀粉与油脂混合试样的峰T_(24)在峰顶时间上和种子粉末试样相对应信号峰完全一致;在物质成分及配比完全相同的情况下,种子粉末试样T_2反演谱的峰T_(21)~T24的峰顶时间较鲜种分别相差12.98%、32.21%、13.02%、0%,T_(21)、T_(22)峰比例较鲜种分别偏少41.72%、29.33%,T_(23)峰比例偏多92.26%,T_(24)峰比例偏少91.71%,说明种子组织结构会对其内部水分的弛豫时间和相态分布比例造成一定影响。仅从物质成分角度考虑,种子内水分的弛豫时间主要在淀粉、蛋白质的影响下表现为T_(21)、T_(22)、T_(23),在淀粉和油脂的影响下表现为T_(24)。由此认为峰T_(21)、T_(22)主要为吸附在淀粉和蛋白质上相态不同的结合水的信号,峰T_(23)为主要被淀粉和蛋白质束缚后产生的半结合水的信号,峰T_(24)主要为种子中自由水的信号(少量源自油脂)。此外,种子即将裂壳时将形成T_(2a)(峰顶时间在10 ms左右)、T_(2b)(峰顶时间>1 000 ms)2个新信号峰,可作为预示种子萌发状态即将发生重要变化的"预兆峰"。提出的从化学组分及核磁检测原理角度对银杏种子萌发过程T_2反演谱进行解译的新途径,可为基于LF-NMR方法对种子萌发过程中化学组分变化进行活体分析提供参考。展开更多
银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像(Low-field Magnetic Resonance Imaging,LF-MRI)技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁...银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像(Low-field Magnetic Resonance Imaging,LF-MRI)技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型(Ginkgo seed low-field MR images recognition model based on VGG-Net,GV)大小降低89%,参数量降低89%,训练时间减少64%,训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。展开更多
文摘随着科学技术的发展,低场核磁共振(Low Field Nuclear Magnetic Resonance, LF-NMR)横向弛豫时间(Transverse Relaxation Time, T_2)反演谱检测技术越来越多的被应用于农业,但当前对T_2反演谱的解译尚停留在水分相态分布层面。为探索从物质成分角度对种子T_2反演谱进行解译的新方法,该研究以银杏种子为对象,利用低场核磁共振技术检测并对比银杏鲜种、种子粉末及其主要成分试样的T_2反演谱,分析各信号峰的形成机理,并以此为依据对其在种子萌发过程中的变化进行解译。研究结果表明:淀粉与蛋白质混合试样T_2反演谱的峰T_(21)、T_(22)、T_(23)以及淀粉与油脂混合试样的峰T_(24)在峰顶时间上和种子粉末试样相对应信号峰完全一致;在物质成分及配比完全相同的情况下,种子粉末试样T_2反演谱的峰T_(21)~T24的峰顶时间较鲜种分别相差12.98%、32.21%、13.02%、0%,T_(21)、T_(22)峰比例较鲜种分别偏少41.72%、29.33%,T_(23)峰比例偏多92.26%,T_(24)峰比例偏少91.71%,说明种子组织结构会对其内部水分的弛豫时间和相态分布比例造成一定影响。仅从物质成分角度考虑,种子内水分的弛豫时间主要在淀粉、蛋白质的影响下表现为T_(21)、T_(22)、T_(23),在淀粉和油脂的影响下表现为T_(24)。由此认为峰T_(21)、T_(22)主要为吸附在淀粉和蛋白质上相态不同的结合水的信号,峰T_(23)为主要被淀粉和蛋白质束缚后产生的半结合水的信号,峰T_(24)主要为种子中自由水的信号(少量源自油脂)。此外,种子即将裂壳时将形成T_(2a)(峰顶时间在10 ms左右)、T_(2b)(峰顶时间>1 000 ms)2个新信号峰,可作为预示种子萌发状态即将发生重要变化的"预兆峰"。提出的从化学组分及核磁检测原理角度对银杏种子萌发过程T_2反演谱进行解译的新途径,可为基于LF-NMR方法对种子萌发过程中化学组分变化进行活体分析提供参考。
文摘银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像(Low-field Magnetic Resonance Imaging,LF-MRI)技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型(Ginkgo seed low-field MR images recognition model based on VGG-Net,GV)大小降低89%,参数量降低89%,训练时间减少64%,训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。
