基于深度學(xué)習(xí)的小麥抗寒性識(shí)別系統(tǒng)設(shè)計(jì)

來純曉,李艷翠,金松林,韓博,閆思堯,劉明久

（1.河南科技學(xué)院信息工程學(xué)院,河南新鄉(xiāng)453003；2.河南科技學(xué)院生命科技學(xué)院,河南新鄉(xiāng)453003）

小麥作為世界上種植面積最大的糧食作物,也是我國重要的糧食作物和儲(chǔ)備糧之一,占據(jù)國家儲(chǔ)備糧的半數(shù)以上.小麥產(chǎn)量的穩(wěn)定,對(duì)確保國家糧食安全,滿足市場(chǎng)需求有重要的意義.我國作為全球最大的小麥生產(chǎn)國和消費(fèi)國,約占全球年總產(chǎn)量的17%[1].其中,黃淮小麥產(chǎn)區(qū)作為中國小麥主產(chǎn)區(qū),種植面積和總產(chǎn)量約占全國小麥種植總面積和總產(chǎn)量的58%和67%[2-3].全球氣候變暖背景下,極端天氣頻發(fā),北方小麥種植區(qū)在冬春時(shí)節(jié)的倒春寒、寒潮等極端低溫天氣發(fā)生的頻率愈高,周期愈短.據(jù)統(tǒng)計(jì),2004—2005年度,黃淮麥區(qū)和長(zhǎng)江中下游麥區(qū)發(fā)生嚴(yán)重倒春寒,受災(zāi)面積達(dá)到4.07×106hm2,僅河南已經(jīng)超過1.33×106hm2,絕收面積約達(dá)2.67×105hm2左右[4-5]；2009 年黃淮麥區(qū)再次發(fā)生大規(guī)模倒春寒災(zāi)害,小麥嚴(yán)重減產(chǎn)；2013 年3—4 月,黃淮麥區(qū)氣溫的劇烈變化,導(dǎo)致正處于孕穗期的小麥又遭受了大范圍的低溫凍害.因此,黃淮麥區(qū)發(fā)生倒春寒的概率較大,在河北省南部、山東省中部和河南省西部等地區(qū)的發(fā)生頻率可達(dá)30%,山東省中部泰山地區(qū)的發(fā)生頻率甚至高達(dá)70%.

小麥的抗寒性能直接影響到小麥的產(chǎn)量,國內(nèi)外專家從不同角度對(duì)小麥的抗寒性進(jìn)行研究.趙瑞玲[6]研究了室內(nèi)小麥抗寒性鑒定的最適低溫脅迫溫度,比較和分析不同低溫脅迫條件下各指標(biāo)的變化規(guī)律,結(jié)合田間抗寒性指標(biāo)數(shù)據(jù),找出一套重復(fù)性好、可操作性強(qiáng)、準(zhǔn)確性高的室內(nèi)小麥抗寒性鑒定評(píng)價(jià)方法.Chen[7]通過田間自然試驗(yàn),探討生物刺激劑對(duì)低溫條件下抗凍性的影響,以及對(duì)冬油菜和冬小麥生長(zhǎng)發(fā)育、越冬及產(chǎn)量的影響.歐行奇等[8]分析了黃淮南片麥區(qū)與小麥品種耐倒春寒能力強(qiáng)弱密切關(guān)聯(lián)的冬春性、抽穗期等6 類性狀,擬定了小麥耐倒春寒育種的基本方法.來純曉等[9]利用獲取小麥特征信息數(shù)據(jù)集,構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了小麥抗寒性分類結(jié)果預(yù)測(cè).

現(xiàn)有的抗寒性識(shí)別通常在特定的低溫環(huán)境下測(cè)試,需要耗費(fèi)大量人力、物力和財(cái)力.本文從自然語言處理的角度,利用Python 爬蟲[10-11]爬取小麥文本數(shù)據(jù),再使用Jieba 進(jìn)行分詞[12-13],并使用Word2vec 工具訓(xùn)練詞向量.最后,利用深度學(xué)習(xí)的技術(shù)[14],構(gòu)建小麥抗寒性識(shí)別模型,利用訓(xùn)練的模型對(duì)小麥的抗寒性進(jìn)行識(shí)別,可以有效降低小麥抗寒性識(shí)別的時(shí)間消耗和工作復(fù)雜度.

1 系統(tǒng)需求分析

1.1 可行性分析

1.1.1 技術(shù)可行性 系統(tǒng)設(shè)計(jì)是基于Python 語言和Qt 開發(fā)框架結(jié)合深度學(xué)習(xí)相關(guān)知識(shí)實(shí)現(xiàn)的,相關(guān)技術(shù)已經(jīng)在圖像處理、自然語言處理以及數(shù)據(jù)分析等領(lǐng)域成功應(yīng)用.系統(tǒng)設(shè)計(jì)采用Python 爬蟲爬取中國種業(yè)大數(shù)據(jù)平臺(tái)上的國審小麥品種信息；使用自然語言處理研究中的Jieba 和Word2vec 工具,對(duì)預(yù)處理后的特征信息分詞和詞向量訓(xùn)練；使用CNN、Bi_LSTM 以及Attention 機(jī)制等深度學(xué)習(xí)方法,構(gòu)建小麥抗寒性識(shí)別模型；系統(tǒng)設(shè)計(jì)使用Qt 開發(fā)工具進(jìn)行系統(tǒng)界面設(shè)計(jì),實(shí)現(xiàn)人機(jī)交互操作.

1.1.2 操作可行性 系統(tǒng)設(shè)計(jì)的數(shù)據(jù)爬取、預(yù)處理以及模型訓(xùn)練等模塊均被封,用戶通過預(yù)測(cè)分析界面,按照特征名稱鍵入具體的特征信息,經(jīng)過系統(tǒng)分析會(huì)給為戶反饋小麥抗寒性預(yù)測(cè)的結(jié)果.系統(tǒng)設(shè)計(jì)操作簡(jiǎn)單、可視化程度高.

1.1.3 經(jīng)濟(jì)可行性 降低成本、提高質(zhì)量是所有項(xiàng)目設(shè)計(jì)永恒不變的主題之一.本研究系統(tǒng)設(shè)計(jì)主要通過Python 程序編寫方式實(shí)現(xiàn),研究所用數(shù)據(jù)為3 513 個(gè)小麥特征信息,不需要配置較高的軟硬件設(shè)備.相對(duì)以往小麥抗寒性識(shí)別方式,系統(tǒng)設(shè)計(jì)不僅降低了抗寒性識(shí)別的人力、財(cái)力和物力消耗,也可以有效地提升識(shí)別的工作效率.

1.2 功能分析

系統(tǒng)設(shè)計(jì)主要由數(shù)據(jù)爬取、數(shù)據(jù)預(yù)處理、詞向量訓(xùn)練、模型訓(xùn)練以及預(yù)測(cè)分析等5 部分組成.

（1）數(shù)據(jù)爬取模塊：通過使用Python 網(wǎng)絡(luò)爬蟲,爬取小麥的文本特征信息.

（2）數(shù)據(jù)預(yù)處理模塊：通過數(shù)據(jù)清洗將數(shù)據(jù)規(guī)整化并使用Jieba 分詞,得到每個(gè)文本特征的分詞信息.

（3）詞向量訓(xùn)練模塊：將預(yù)處理得到的分詞結(jié)果,采用Word2vec 訓(xùn)練詞向量,獲得特征詞的高維向量表示.

（4）模型訓(xùn)練模塊：通過深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)訓(xùn)練小麥抗寒性鑒定的模型.

（5）預(yù)測(cè)分析模塊：通過交互式的界面設(shè)計(jì),讓用戶通過輸入小麥文本特性信息,對(duì)輸入小麥的抗寒性做鑒定.

2 系統(tǒng)設(shè)計(jì)

系統(tǒng)設(shè)計(jì)的整體結(jié)構(gòu)由數(shù)據(jù)爬取、數(shù)據(jù)預(yù)處理、詞向量訓(xùn)練、模型訓(xùn)練以及預(yù)測(cè)等5 部分組成,如圖1 所示.

圖1 系統(tǒng)設(shè)計(jì)總圖Fig. 1 General drawing of system design

2.1 數(shù)據(jù)爬取模塊

Python 網(wǎng)絡(luò)爬蟲具有強(qiáng)大的Scrapy 框架,能夠在數(shù)據(jù)挖掘、存儲(chǔ)歷史數(shù)據(jù)以及信息處理方面體現(xiàn)出重要的作用.數(shù)據(jù)爬取模塊由數(shù)據(jù)采集、處理、儲(chǔ)存3 個(gè)部分組成.在采集過程中,網(wǎng)絡(luò)爬蟲向中國種業(yè)大數(shù)據(jù)平臺(tái)發(fā)出請(qǐng)求,生成待爬取網(wǎng)頁的種子URL,然后將生成的種子URL 放入待抓取URL 任務(wù)隊(duì)列.在處理過程中,通過首先讀取URL 和解析DNS,完成網(wǎng)頁下載；再通過網(wǎng)頁解析提取小麥特征特性中包含的信息.在儲(chǔ)存部分,將解析出來的小麥特征文本信息,采用UTF-8 格式編碼以文本形式儲(chǔ)存.Python 網(wǎng)絡(luò)爬蟲的工作過程如圖2 所示.

利用Python 網(wǎng)絡(luò)爬蟲,爬取1978—2018 年間農(nóng)業(yè)農(nóng)村部種業(yè)管理司的中國種業(yè)大數(shù)據(jù)平臺(tái)的國審小麥品種信息,共得到3 513 個(gè)小麥品種的熟性、生育期、苗性和容質(zhì)量等37 個(gè)特征.爬取后數(shù)據(jù)如圖3 所示.

圖3 爬取數(shù)據(jù)Fig. 3 Graph of crawling data

2.2 數(shù)據(jù)預(yù)處理模塊

該模塊實(shí)現(xiàn)對(duì)爬取數(shù)據(jù)的預(yù)處理,本研究系統(tǒng)設(shè)計(jì)的數(shù)據(jù)預(yù)處理主要分為數(shù)據(jù)清洗和分詞2 個(gè)部分.

2.2.1 數(shù)據(jù)清洗 通過相關(guān)小麥資料的查詢,結(jié)合小麥育種專家的建議[15-16],采用人工結(jié)合自動(dòng)的方式清洗數(shù)據(jù),剔除空值屬性較多的無效記錄,共保留3 049 條特征較為完整的小麥數(shù)據(jù).為了構(gòu)建抗寒性識(shí)別系統(tǒng),選擇出小麥的抗寒性作為數(shù)據(jù)標(biāo)簽,將數(shù)據(jù)標(biāo)簽標(biāo)記為抗寒和不抗寒2 種類型.

由于網(wǎng)絡(luò)文本數(shù)據(jù)的不規(guī)整,爬取到的小麥特征信息中會(huì)存在著指代信息不明、錯(cuò)別字、數(shù)據(jù)特征稀疏等不規(guī)整現(xiàn)象,需要對(duì)不規(guī)整數(shù)據(jù)進(jìn)行處理,不規(guī)整數(shù)據(jù)處理如表1 所示.

表1 不規(guī)整數(shù)據(jù)處理Tab. 1 Irregular data processing

2.2.2 特征文本分詞 分詞是自然語言處理（NLP）中最基本的問題,它將連續(xù)的字序列,按照一定的規(guī)范重新組合成新得詞序列.中文分詞是指將漢字序列切分為多個(gè)漢語詞語,Jieba 分詞是從事漢語計(jì)算語言學(xué)研究常用的中文分詞工具,可用于中文分詞、詞性標(biāo)注和關(guān)鍵詞抽取等任務(wù).Jieba 分詞的工作原理是將待分詞的內(nèi)容與已經(jīng)存在的中文分詞詞庫進(jìn)行比對(duì),通過圖結(jié)構(gòu)和動(dòng)態(tài)規(guī)劃方法,找到最大概率的詞組.Jieba 分詞工具采用“最大匹配”規(guī)則,返回挑選基于詞典的候選詞和最終結(jié)果.基于詞典的模型[17]可以用式（1）表示.式（1）中：GEN（X）表示利用詞典搜索到的被測(cè)試文本產(chǎn)生的候選詞的結(jié)果集合.

Jieba 分詞工具不僅可以通過添加自定義詞表,實(shí)現(xiàn)未登錄詞的識(shí)別,而且還提供了精確模式、全模式和搜索引擎模式等3 種模式的分詞.

（1）精確模式.把輸入的漢語句子做最精確切分,適用于文本分析任務(wù).

＞＞＞jieba.lcut（" 小麥的抗寒性能直接影響到小麥的產(chǎn)量"）

[' 小麥',的',抗寒性',能',直接',影響',到',小麥',的',產(chǎn)量']

（2）全模式.把輸入的漢語句子中所有可切分成詞的詞語都切分出來,但會(huì)存在冗余詞,不能解決歧義.

＞＞＞jieba.lcut（" 小麥的抗寒性能直接影響到小麥的產(chǎn)量", cut_all=True）

[' 小麥',' 的',' 抗寒',' 抗寒性',' 性能',' 直接',' 影響',' 到',' 小麥',' 的',' 產(chǎn)量']

（3）搜索引擎模式.在精確模式的基礎(chǔ)上,對(duì)較長(zhǎng)詞再次切分,提高召回率,用于搜索引擎分詞.

＞＞＞jieba.cut_for_search（" 小麥的抗寒性能直接影響到小麥的產(chǎn)量"）

[' 小麥',' 的',' 抗寒',' 抗寒性',' 能',' 直接',' 影響',' 到',' 小麥',' 的',' 產(chǎn)量']

本文采用Jieba 分詞中的精準(zhǔn)模式進(jìn)行分詞,把輸入的漢語句子做最精確切分,詞與詞之間用“/”分割.分詞示例如表2 所示.

表2 分詞示例Tab. 2 Examples of participle

2.3 詞向量訓(xùn)練模塊

詞向量是一組語言建模和特征學(xué)習(xí)技術(shù)的統(tǒng)稱,他可以將生成詞匯表的單詞或短語映射為實(shí)數(shù)值的向量.Mikolov 等[18]在2013 年公布了詞向量的計(jì)算工具Word2vec,經(jīng)過Word2vec 工具訓(xùn)練得到的詞向量能夠表示詞匯在空間上的意義,空間中的每個(gè)點(diǎn)代表一個(gè)單詞,在空間中的詞向量之間的距離能夠表示兩個(gè)詞在語義和語法上的相似性.Word2vec 輸出的詞向量常用于近義詞識(shí)別、詞性分析等研究領(lǐng)域.

Word2vec 由連續(xù)詞袋模型（Continuous Bag-of-Words Model,CBOW）和Skip-gram 模型兩個(gè)部分組成.CBOW 模型通過上下文來預(yù)測(cè)當(dāng)前詞語的概率,Skip-Gram 模型通過當(dāng)前詞語來預(yù)測(cè)上下文的概率.兩者共同依據(jù)上下文語境來預(yù)測(cè)當(dāng)前詞語發(fā)生的概率.Word2vec 模型結(jié)構(gòu)如圖4 所示.

圖4 Word2vec 模型結(jié)構(gòu)Fig. 4 Word2vec model structure

對(duì)分詞后的詞表采用Word2vec 訓(xùn)練詞向量,分詞后的數(shù)據(jù)集中,單個(gè)樣本的特征詞個(gè)數(shù)分布主要集中在（135～155）之間,本研究設(shè)定樣本特征長(zhǎng)度為150,用0 補(bǔ)齊特征詞個(gè)數(shù)不足的樣本,截?cái)嗵卣髟~個(gè)數(shù)超出的樣本,確保樣本輸入長(zhǎng)度的一致.設(shè)定詞向量的維度為100.例如“半冬性”經(jīng)過訓(xùn)練后,詞向量表示如圖5 所示.

圖5 詞向量表示Fig. 5 Word vector diagram

2.4 模型訓(xùn)練模塊

模型訓(xùn)練采用深度學(xué)習(xí)的方式,是本研究系統(tǒng)設(shè)計(jì)的核心模塊.深度學(xué)習(xí)可以自動(dòng)地對(duì)數(shù)據(jù)進(jìn)行篩選,自動(dòng)地提取數(shù)據(jù)高維特征,通過組合低層特征,抽象出更加高層表示屬性類別的信息,從而提升分類或預(yù)測(cè)的準(zhǔn)確性.深度學(xué)習(xí)的發(fā)展,特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）[19]、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）、以及改進(jìn)的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory,Bi_LSTM）的發(fā)展,深度學(xué)習(xí)在農(nóng)業(yè)圖像處理和農(nóng)業(yè)文本分類等領(lǐng)域得到了廣泛的應(yīng)用[20-25].

2.4.1 卷積神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò)可以從原始數(shù)據(jù)中自動(dòng)提取特征,通過多層網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)學(xué)習(xí)到輸入數(shù)據(jù)的局部特征信息.卷積神經(jīng)網(wǎng)絡(luò)由卷積和池化兩種特殊的神經(jīng)元層組成,卷積層輸入的每個(gè)神經(jīng)元與前一層經(jīng)過局部相連,實(shí)現(xiàn)對(duì)局部特征進(jìn)行提取,獲取更能代表輸入的深層信息；池化層通過下采樣操作進(jìn)行二次特征提取,獲取最能表達(dá)輸入數(shù)據(jù)的特征信息.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不僅減少網(wǎng)絡(luò)參數(shù)數(shù)量,而且降低了訓(xùn)練的時(shí)間復(fù)雜度.卷積神經(jīng)網(wǎng)絡(luò)工作如圖6 所示.

圖6 卷積神經(jīng)網(wǎng)絡(luò)工作圖Fig. 6 Working graph of convolutional neural network

從 圖6 可 知, 卷 積 層 輸 入 文 本 序 列“ 春 性、生 育 期、82.8、…、容 質(zhì) 量、814、g/L”表 示 為：,向量的每行代表一個(gè)特征維度d=100 為的特征詞向量；卷積操作所采用的卷積核向量為,卷積核的窗口大小為3,卷積步長(zhǎng)為1,卷積后f1表示特征詞序列“春性、生育期、82.5”中捕獲的局部特征信息,表示進(jìn)行卷積計(jì)算；池化層采用最大池化操作進(jìn)行二次特征提取,此時(shí)表示最大池化.

2.4.2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò) 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）模型最早由Hochreiter 等[26]提出,是對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的改進(jìn).LSTM 不僅能捕獲到輸入信息中的長(zhǎng)時(shí)序依賴關(guān)系,而且可以從整體上把握輸入信息的關(guān)系.Bi_LSTM 包含兩個(gè)方向相反的LSTM,可以同時(shí)得到前向和后向的語義特征信息,從而充分的捕獲特征詞文本的上下文信息.Bi_LSTM 工作如圖7 所示.

圖7 Bi_LSTM 工作圖Fig. 7 Work graph of Bi_LSTM

在圖7 中,在任意一個(gè)時(shí)刻t 會(huì)同時(shí)有兩個(gè)方向相反的LSTM 控制機(jī)制.xt為模型在t 時(shí)刻的輸入,表示t 時(shí)刻LSTM 在正方向上的輸出,計(jì)算見式（2）,表示t 時(shí)刻LSTM 在反方向上的輸出,見式（3）,整個(gè)網(wǎng)絡(luò)的輸出計(jì)算見式（4）

式（4）中：Wt和Vt分別表示前向方向和后向方向上輸出的權(quán)重矩陣；bt表示的是偏置值.經(jīng)過Bi_LSTM 編碼提取的特征信息,同時(shí)考慮當(dāng)前輸入小麥特征詞前后兩個(gè)方向上的序列語義信息.

2.4.3 Attention 機(jī)制Attention 機(jī)制用于對(duì)CNN 和Bi_LSTM 捕獲的信息進(jìn)行特征重要性計(jì)算,利用計(jì)算得到的權(quán)重矩陣,依據(jù)特征重要性程度為網(wǎng)絡(luò)模型的特征進(jìn)行權(quán)重再分配,提高模型對(duì)重要特性信息的關(guān)注程度.引入注意力機(jī)制后,模型會(huì)為重要的特征分配較高的權(quán)重值,不重要的特征會(huì)分配較小的權(quán)重甚至被忽略.

2.4.4 訓(xùn)練模型性能 構(gòu)建的基于深度學(xué)習(xí)的小麥抗寒性識(shí)別模型,首先通過卷積池化捕獲最能代表小麥文本向量的局部特征信息,然后將捕獲的局部信息由Bi_LSTM 處理,進(jìn)一步挖掘特征在前后兩個(gè)方向語義的序列信息,最后通過引入Attention 機(jī)制,提高模型對(duì)重要特性信息的關(guān)注程度,提升模型的抗寒性識(shí)別能力.實(shí)驗(yàn)結(jié)果表明：在預(yù)測(cè)性能上要高于樸素貝葉斯（Bays）、支持向量機(jī)（SVM）、BP 神經(jīng)網(wǎng)絡(luò)（BP）[7]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi_LSTM）的方法,與其他模型對(duì)比的結(jié)果如表3 所示.

表3 模型性能對(duì)比Tab. 3 Comparison of model performance

從表3 可知,本文構(gòu)建的模型利用小麥的輸入特征信息,對(duì)小麥的抗寒性識(shí)別準(zhǔn)確率為0.904 8,對(duì)小麥育種工作者判斷小麥的抗寒性具有一定的指導(dǎo)作用.

2.5 預(yù)測(cè)分析模塊

預(yù)測(cè)分析模塊主要通過人機(jī)交互界面實(shí)現(xiàn),采用Qt開發(fā)工具設(shè)計(jì)系統(tǒng)界面.小麥抗寒性識(shí)別系統(tǒng)預(yù)測(cè)工作界面如圖8 所示.

圖8 小麥抗寒性識(shí)別系統(tǒng)Fig. 8 Wheat cold resistance recognition system

由圖8 可知,系統(tǒng)設(shè)計(jì)可以實(shí)現(xiàn)對(duì)小麥抗寒性的識(shí)別,用戶輸入的特征信息為“半冬性品種/ 平均226.2 d/ 幼苗半匍匐/ 葉色淺綠/ 分蘗力強(qiáng)/ 株型適中/ 株高70～75 cm 左右/ 紡錘型穗/ 長(zhǎng)芒/ 白殼/白粒/ 籽粒飽滿/ 畝穗數(shù)40～45 萬/ 穗粒數(shù)35 粒上下/ 千粒質(zhì)量48～52 g/ 抗旱性一般/ 濕面筋含量31.4%/’吸水量61.7 mL/100 g’/ 穩(wěn)定時(shí)間2.5 min/ 延伸性136 mm/ 拉伸面積34.8 m2/ 最大拉伸阻力180 U.E/’容質(zhì)量842 g/L’”時(shí),然后點(diǎn)擊“點(diǎn)此預(yù)測(cè)”按鈕,系統(tǒng)會(huì)將輸入信息自動(dòng)提交到后臺(tái),在經(jīng)過預(yù)處理、訓(xùn)練詞向量后,特征信息由卷積神經(jīng)網(wǎng)絡(luò)與雙向長(zhǎng)短記憶網(wǎng)絡(luò)混合的網(wǎng)絡(luò)模型預(yù)測(cè),結(jié)果顯示輸入品種抗寒性為中等.使用該系統(tǒng),用戶只需按照特征名輸入特征信息,系統(tǒng)會(huì)自動(dòng)進(jìn)行抗寒性識(shí)別.

3 小結(jié)

從自然語言處理的角度出發(fā),結(jié)合深度學(xué)習(xí)中的方法,挖掘小麥文本數(shù)據(jù)的深層特征信息,構(gòu)建小麥抗寒性識(shí)別系統(tǒng),可以實(shí)現(xiàn)對(duì)小麥抗寒性的識(shí)別.該系統(tǒng)可以減少育種工作者的田間和營造室內(nèi)低溫環(huán)境的試驗(yàn),從而節(jié)省大量人力、物力和財(cái)力.小麥抗寒性識(shí)別是實(shí)踐性較強(qiáng)的學(xué)科,抗寒性識(shí)別系統(tǒng)必須與育種實(shí)踐結(jié)果結(jié)合,在實(shí)踐結(jié)果中逐步完善,才能更好地滿足育種工作者的實(shí)際需要.此外,深度學(xué)習(xí)在處理海量數(shù)據(jù)上優(yōu)勢(shì)更明顯,后續(xù)的工作需要不斷的擴(kuò)充小麥數(shù)據(jù),進(jìn)一步提高系統(tǒng)的識(shí)別能力.