一种早代品质筛选的加工型马铃薯育种评价系统

本发明涉及农业育种，具体为一种早代品质筛选的加工型马铃薯育种评价系统。

背景技术：

1、在加工型马铃薯育种领域，早代品质筛选是决定育种效率与成败的关键环节。现有的评价方法存在一个技术缺陷，即对决定马铃薯加工品质核心指标的油炸颜色预测能力不足。当前系统主要依赖于对单一生化指标如还原糖含量的破坏性检测，或者依赖人工经验对形态性状进行主观评判。这些传统手段无法精准捕捉影响美拉德反应的多种内在生化物质的协同变化，例如游离氨基酸谱与关键酶活性。由于缺乏一种能够整合多维度性状并进行快速无损分析的有效模型，导致在育种早期世代对品系加工潜力的误判率偏高。大量看似有希望的育种材料因此被过早淘汰，而一些实际不具备优良加工特性的品系却被保留至后期，造成了巨大的资源投入浪费和育种周期延长。对此，本发明需要解决油炸颜色预测不准的问题。

技术实现思路

1、本发明目的在于提供一种早代品质筛选的加工型马铃薯育种评价系统，以解决上述背景技术中提出的问题。为解决上述技术问题，本发明提供如下技术方案：一种早代品质筛选的加工型马铃薯育种评价系统，包括：

2、信息采集模块，通过高光谱成像单元在包含可见光与近红外的波段范围内，对马铃薯块茎表面扫描获取光谱图像数据，通过近红外检测单元对马铃薯块茎内部点测，获取体相成分光谱数据，所述高光谱成像单元与所述近红外检测单元协同采集反映表面化学分布和内部成分浓度的原始数据；

3、计算控制模块，根据所述原始数据采用迭代式预测方法执行特征提取与融合，构建包含空间光谱特征与体相成分特征的多维特征向量，将所述多维特征向量输入深度回归神经网络模型，输出油炸颜色的初步预测值，并同步输出评估初步预测值可靠程度的不确定性量化指标，再将所述初步预测值、所述不确定性量化指标以及与模型预测残差相关性满足条件的关键特征，共同输入梯度提升决策树模型，进行二次核验，生成校验后的预测结果，最后根据所述不确定性量化指标和所述校验后的预测结果，对所述初步预测值和所述校验后的预测结果进行整合，输出带有可信度评级的最终油炸颜色预测报告；

4、模型优化模块，定期接收育种后期测得的实际油炸颜色数据，将所述最终油炸颜色预测报告与所述实际油炸颜色数据进行比较，基于比较结果，通过强化学习框架调整所述深度回归神经网络模型和所述梯度提升决策树模型的内部参数；

5、用户交互模块，通过显示单元展示所述最终油炸颜色预测报告中的油炸颜色等级、可信度评级及关键特征的影响因子分析结果，通过输入单元供用户输入特定育种品系的背景信息。

6、优选的，所述迭代式预测方法包括如下步骤：

7、步骤a：对所述原始数据进行特征提取与融合，构建包含空间光谱特征与体相成分特征的多维特征向量，其中，从所述光谱图像数据中提取空间光谱特征，所述空间光谱特征用于表征与美拉德反应前体物质相关的表面化学物质二维分布异质性，从所述体相成分光谱数据中提取体相成分特征，所述体相成分特征用于表征内部核心成分的平均浓度信息；

8、步骤b：将所述多维特征向量输入至预先训练好的深度回归神经网络模型中进行初级预测，所述深度回归神经网络模型输出关于马铃薯块茎油炸颜色的初步预测值，同时输出与所述初步预测值相关联的不确定性量化指标，该不确定性量化指标用于评估所述初步预测值的可靠程度；

9、步骤c：将所述初步预测值、所述不确定性量化指标以及从所述多维特征向量中选出的与深度回归神经网络模型预测残差相关性满足预设条件的若干个关键特征，共同输入至预先训练好的梯度提升决策树模型中进行二次核验，所述梯度提升决策树模型根据其输入信息对所述初步预测值进行可靠性判断与修正，生成经过校验的预测结果；

10、步骤d：所述计算控制模块根据所述不确定性量化指标和所述梯度提升决策树模型的输出，对所述初步预测值和所述预测结果进行整合，输出带有可信度评级的最终油炸颜色预测报告。

11、优选的，所述特征提取与融合的过程如下：

12、对所述光谱图像数据进行预处理后，通过主成分分析算法提取反映表面还原糖和游离氨基酸分布特征的主成分图像，再从所述主成分图像中计算纹理统计量，将所述纹理统计量作为部分所述空间光谱特征；

13、对所述体相成分光谱数据进行预处理和矢量归一化后，通过偏最小二乘回归算法提取与内部还原糖含量和游离氨基酸含量相关的潜变量，将所述潜变量作为所述体相成分特征；

14、将所述纹理统计量与所述潜变量拼接，形成所述多维特征向量。

15、优选的，所述深度回归神经网络模型为包含多个隐藏层的全连接网络结构，其输出层具有双路输出，一路输出所述初步预测值，另一路输出所述不确定性量化指标；

16、所述不确定性量化指标通过如下方式获得：在深度回归神经网络模型推理阶段，使随机丢弃层保持激活状态，对同一个输入样本执行多次前向传播，计算多次前向传播所得预测值的方差，将该方差作为所述不确定性量化指标。

17、优选的，所述梯度提升决策树模型的训练数据包括历史采集的所述多维特征向量、对应的所述初步预测值、所述不确定性量化指标以及通过所述深度回归神经网络模型计算得到的预测残差，分析所述预测残差与所述多维特征向量中各个特征分量之间的相关性强弱，得到分析结果，基于分析结果从中挑选出关联度较高的若干个特征，作为所述关键特征。

18、优选的，步骤d还包括：

19、当所述不确定性量化指标低于预设阈值时，所述计算控制模块以所述初步预测值作为所述最终油炸颜色预测报告的核心结果；

20、当所述不确定性量化指标等于或高于所述预设阈值时，所述计算控制模块以所述梯度提升决策树模型输出的所述经过校验的预测结果作为所述最终油炸颜色预测报告的核心结果；

21、所述可信度评级根据所述不确定性量化指标的数值大小和所述梯度提升决策树模型的校验结论综合确定。

22、优选的，所述强化学习框架为近端策略优化算法，该算法以所述深度回归神经网络模型和所述梯度提升决策树模型的预测准确率提升作为奖励信号，通过多次迭代更新来调整所述深度回归神经网络模型和所述梯度提升决策树模型中可训练的参数。

23、优选的，所述高光谱成像单元的工作波段范围为400nm～1000nm，所述近红外检测单元的工作波段范围为900nm～1700nm，所述高光谱成像单元与所述近红外检测单元在数据采集过程中由所述计算控制模块同步触发，使同一批次的马铃薯块茎样本的表面信息与内部信息在采集时刻上保持一致。

24、优选的，所述计算控制模块内还设置有数据管理子模块，该数据管理子模块用于存储历次采集的所述原始数据、提取的所述多维特征向量、中间预测结果、所述最终油炸颜色预测报告以及所述实际油炸颜色数据，并建立数据索引，用于支持历史数据的回溯查询与模型再训练。

25、优选的，所述深度回归神经网络模型和所述梯度提升决策树模型在初始部署前，使用代表性样本数据集进行预训练，所述代表性样本数据集包含多个加工型马铃薯品种、多个生长年份及不同种植环境的样本，所述代表性样本数据集中还包含通过标准化学方法测得的真实油炸颜色值，该真实油炸颜色值作为训练标签。

26、本发明提供了一种早代品质筛选的加工型马铃薯育种评价系统。具备以下有益效果：

27、该早代品质筛选的加工型马铃薯育种评价系统，通过融合高光谱成像与近红外检测的双模态数据采集，并结合迭代式双核人工智能预测与校验机制，实现对加工型马铃薯早代油炸颜色的精准预测。该系统能够非破坏性地获取并综合分析块茎表面化学分布与内部成分信息，通过深度回归神经网络输出预测值及不确定性量化，再经梯度提升决策树对不确定性较高的结果进行二次核验，最终输出带有可信度评级的预测报告，克服传统方法依赖单一生化指标或主观评价的局限，提升预测结果的准确性与可靠性。

28、该早代品质筛选的加工型马铃薯育种评价系统，系统集成的模型优化模块能够利用育种后期实测数据持续优化预测模型，使系统具备自适应进化能力，同时，数据管理为历史回溯与模型再训练提供有效支持，能够提高早代品质筛选效率，降低因误判导致的资源浪费。