曾祥潘 廣東省廣州市白云區(qū)景泰小學(xué)

孫麗君 山東省淄博第二中學(xué)

吳俊杰 北京師范大學(xué)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(nóng)業(yè)減產(chǎn)。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(jìn)行檢驗(yàn)。通過種子萌發(fā)實(shí)驗(yàn)，取得實(shí)驗(yàn)數(shù)據(jù)；對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析檢驗(yàn)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(shí)驗(yàn)研究采用對照實(shí)驗(yàn)，選取兩組不同pH條件下的種子進(jìn)行萌發(fā)實(shí)驗(yàn)，實(shí)驗(yàn)過程定時(shí)拍照記錄；再利用深度學(xué)習(xí)目標(biāo)檢測算法識別照片中的發(fā)芽種子，取得實(shí)驗(yàn)數(shù)據(jù)；最后使用R語言對兩組數(shù)據(jù)進(jìn)行檢驗(yàn)，讓學(xué)生體驗(yàn)用深度學(xué)習(xí)解決實(shí)際問題的過程。

●設(shè)計(jì)思路

本實(shí)驗(yàn)以不同pH條件下萌發(fā)綠豆種子為實(shí)驗(yàn)樣本，通過深度學(xué)習(xí)的目標(biāo)檢測算法識別種子發(fā)芽，獲取種子萌發(fā)數(shù)據(jù)。實(shí)驗(yàn)過程經(jīng)歷目標(biāo)檢測數(shù)據(jù)集制作、模型訓(xùn)練、使用模型預(yù)測等一系列步驟，最后使用R語言工具進(jìn)行數(shù)據(jù)檢驗(yàn)。

目標(biāo)檢測是深度學(xué)習(xí)重要的應(yīng)用領(lǐng)域之一，其中出現(xiàn)了許多先進(jìn)的算法，如R-CNN、SSD、YOLO等。本實(shí)驗(yàn)選用目前最新的YOLOv5（v6.1），其特點(diǎn)是識別準(zhǔn)確率高、速度快。

此外，實(shí)驗(yàn)過程中拍攝的種子培養(yǎng)皿照片，通?？蛇_(dá)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(biāo)，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(biāo)將丟失許多圖像細(xì)節(jié)，導(dǎo)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(jīng)過查詢發(fā)現(xiàn)，已有多種解決方案可實(shí)現(xiàn)提高識別效果。本實(shí)驗(yàn)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(zhuǎn)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(jìn)行識別，識別完成后，將識別結(jié)果融合輸出。

●實(shí)驗(yàn)準(zhǔn)備

在市場購買綠豆，選取籽粒飽滿、大小勻稱的種子作為實(shí)驗(yàn)材料。為了降低實(shí)驗(yàn)難度、提高實(shí)驗(yàn)的易操作性，只選取兩組樣本進(jìn)行對照實(shí)驗(yàn)，每組配備100顆種子。其中實(shí)驗(yàn)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(diào)整為7.5；中性環(huán)境使用純凈水，pH值為7。準(zhǔn)備拍照用手機(jī)、安裝YOLOv5及R語言等軟件的計(jì)算機(jī)。

●實(shí)驗(yàn)過程

1.準(zhǔn)備模型訓(xùn)練樣本

高質(zhì)量的訓(xùn)練樣本是人工智能模型訓(xùn)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(yàn)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(shí)，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(shí)后有部分種子發(fā)芽，開始拍攝照片，旋轉(zhuǎn)培養(yǎng)皿從不同角度拍攝。12小時(shí)后重復(fù)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(jìn)行標(biāo)注，設(shè)置yolo標(biāo)簽格式，用標(biāo)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(nèi)。要取得較好的模型訓(xùn)練效果，樣本數(shù)量應(yīng)在300以上。

2.訓(xùn)練模型

使用YOLOv5訓(xùn)練模型的指令如下：

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

訓(xùn)練時(shí)間因不同計(jì)算機(jī)配置和訓(xùn)練次數(shù)從幾小時(shí)到十幾小時(shí)不等。在訓(xùn)練完成后對模型進(jìn)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(xùn)練和預(yù)測過程如圖1所示。

圖1 模型訓(xùn)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(shí)后瀝干，均勻放置在鋪有吸水紙的培養(yǎng)皿中。每隔2小時(shí)拍攝一次照片，連續(xù)拍攝48小時(shí)。超過48小時(shí)長出胚葉會增加實(shí)驗(yàn)的復(fù)雜性，暫不記錄。

拍攝完成后取得兩組實(shí)驗(yàn)照片，每組25張。用SAHI對兩組照片進(jìn)行預(yù)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(jié)果保存在resources文件夾中，效果如圖2所示。

圖2 SAHI識別結(jié)果

將識別數(shù)據(jù)進(jìn)行整理，把置信度達(dá)到0.5或以上的識別結(jié)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(shí)驗(yàn)數(shù)據(jù)是否存在差異，可以使用R語言進(jìn)行檢驗(yàn)。在進(jìn)行差異檢驗(yàn)之前要先對數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，再根據(jù)檢驗(yàn)結(jié)果選擇適當(dāng)?shù)牟町悪z驗(yàn)方法。

（1）正態(tài)性檢驗(yàn)

由于每組實(shí)驗(yàn)數(shù)據(jù)為25個(gè)，屬于小樣本，因此正態(tài)性檢驗(yàn)選擇了適合小樣本的SW檢驗(yàn)。檢驗(yàn)指令和結(jié)果如圖3所示。

圖3 SW正態(tài)性檢驗(yàn)結(jié)果

從檢驗(yàn)結(jié)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(yàn)

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

圖4 wilcoxon秩和檢驗(yàn)

從計(jì)算結(jié)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(shè)（原假設(shè)是兩組樣本數(shù)據(jù)有明顯差異），因此兩組實(shí)驗(yàn)數(shù)據(jù)并沒有明顯差異。

●總結(jié)

從實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，兩組實(shí)驗(yàn)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(shí)驗(yàn)結(jié)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(jìn)行浸泡，或者浸泡時(shí)間太短等。這還有待于今后進(jìn)一步實(shí)驗(yàn)驗(yàn)證。

本實(shí)驗(yàn)采用了YOLOv5及SAHI深度學(xué)習(xí)工具，完成了模型的訓(xùn)練和預(yù)測，對發(fā)芽種子進(jìn)行識別，最后用R語言工具進(jìn)行數(shù)據(jù)分析。這一方法還可以在各種實(shí)驗(yàn)項(xiàng)目中使用，如在細(xì)胞實(shí)驗(yàn)中對不同細(xì)胞種類識別和計(jì)數(shù)等。