一种基于光谱和深度学习的物体识别仪制造技术

本发明专利技术公开了一种基于光谱和深度学习的物体识别仪，包括固定装置、光谱成像仪、模数转换器、数据处理器、存储单元及显示单元等。所述固定装置被配置为所述物体识别仪集成装置；所述光谱成像仪被配置为接受物体反射光谱；所述模数转换器被配置为将模拟电信号转换为数字电信号；所述数据处理器被配置为三部分：(1)将所接收到的光谱与存储单元的光谱数据库匹配，对目标材质初步估计；(2)将接收到的RGB波段输入卷积神经网络进行目标识别；(3)对(1)和(2)得到的判定结果整合，得出目标物所属。所述存储单元被配置为存储标准光谱库、卷积神经网络和物体图像；所述显示单元被配置为显示判别所属概率最大的三个物体。

【技术实现步骤摘要】
一种基于光谱和深度学习的物体识别仪
本专利技术涉及人工智能识别物体领域，涉及一种基于光谱和深度学习的物体识别仪
技术介绍
随着人工智能最近几年的迅速崛起，智能物体识别技术也被带动起来，现有的物体识别方式常用的有两种：(1)遥感图像中传统识别物质一般使用光谱手段，根据物质在不同波段的反射率不同判别物质类别，比方常用的高光谱图像进行矿藏的检测，但这种方式对光谱的波段数要求较高，一般在比较专业的领域内可以使用光谱识别，实际生活中应用并不广泛，主要由于其识别能力有限且高光谱仪器的造价较为昂贵；(2)人工智能领域的深度学习方式，这种方法更多的是提取物体的空间性质，无法确定实际物体的材质方面，比如深度学习无法分别一个玩具猫和一个真是的猫。为了对生活中的物体进行识别，本专利技术针对两种识别方法的缺陷，提出一种将两者结合的方案，减少光谱的使用波段数，只使用红、绿、蓝、近红外、红外五个波段，可以识别出死物与活物既可，使用卷机网络对具体物体进行识别，然后将两者结果进行结合，得出最终的识别结果。
技术实现思路
1、有鉴于现有传统技术的缺陷，本专利技术索要解决的技术问题是如何通过将光谱分析技术与深度学习中的卷积神经网络技术相结合，最终识别出物体所属。2、为实现上述目的，本专利技术提供了一种基于光谱与深度学习相结合的物体识别仪，如图1所示。包括固定装置、光谱成像仪(CCD电荷耦合器件)、模数转换器(ADC)、数据处理器、存储单元及显示单元等。所述固定装置被配置为所述物体识别仪集成装置，对光谱成像仪器和图像处理仪器的集成；所述光谱成像仪CCD被配置为接受多波段的物体反射光谱，所述波段配置为红、绿、蓝、近红外和红外波段；所述模数转换器ADC被配置为将CCD得到的模拟电信号转换为数字电信号；所述数据处理器被配置为三部分：(1)将所接收到的光谱数据与存储单元的光谱数据库像匹配，对所测目标的材质进行初步估计，具体匹配算法根据匹配信息损失为主要检测目标(2)将接收到的RGB三个波段合成彩色图像，输入卷积神经网络进行目标识别，对目标的所述物体类别进行判别；(3)对(1)和(2)得到的判定结果进行整合，得出目标物的具体所属。所述存储单元被配置为存储标准光谱库、训练完成的卷积神经网络和大部分的生活中遇到的物体图像；所述显示单元被配置为显示判别所属概率最大的三个物体，并进行图像的显示。3、进一步地，所述识别仪是基于光谱分析识别技术与卷积神经网络分类技术。4、进一步地，所述光谱成像仪CCD被配置为接受多波段的物体反射光谱，所述波段配置为红、绿、蓝、近红外和红外波段。大部分的有生命物体与无生命体在近红外和红外波段即可以进行识别出来。所述的光谱接受仪CCD形成五幅单波段影像。CCD分辨率为640×480、800×600、1024×768等，将识别目标物分别用5片CCD接收。5、进一步地，所述模数转换器ADC被配置为将CCD得到的模拟电信号转换为数字电信号。其色彩位数为有24位、30位和36位等，分别可以表示1600万种颜色、10亿种颜色和680亿种颜色。6、进一步地，所述的数据处理器进行三部分数据处理功能：(1)将得到的目标物反射波谱形成一维向量，向量元素为5个，按红、绿、蓝、近红外、红外排列，向量与标准库中所存储材质光谱向量进行匹配，得出匹配概率最大的三种材质；(2)将所得到的红、绿、蓝三波段数据输入卷积神经网络中(卷积神经网络可以使用ImageNet成熟的VGG网络结构，且参数已经确定)进行具体物体的识别，得出相似概率最大的三种具体物体；(3)对两种方法得出的结果进行数据整合，显示具体的目标物所属具体物体概率最大的类别。7、进一步地，所述的光谱匹配技术可以是二值码匹配、光谱角匹配和交叉相关光谱匹配等方法。8、进一步地，ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。其中比较常用的VGG网络可以通过较少的卷积层达到一定的识别率。9、进一步地，具体的VGG16的结构图如图2所示：共有13个卷积层，5个Pooling层，3个全连接层和1个判别层。10、进一步地，所述数据整合方式为：光谱分析判别被识别物体的材质，按概率得出前三名最接近的物质；卷积网络得出被识别物体具体的类别，得出概率最大的前三名最接近的物体；最后对两个结果相结合，得出最终概率最大的三个相似物体，并在显示单元进行显示。11、进一步地，所述显示单元对得出的最终识别结果按概率得出最相似的三个物体并将实物影像进行显示出来。12、以上详细描述了本专利技术的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本专利技术的构思做出诸多修改和变化。13、因此，凡本
中技术人员依本专利技术的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。附图说明图1是一种基于光谱和深度学习的物体识别仪组织结构示意图。图2是VGG16结构图。本文档来自技高网...

【技术保护点】
1.一种基于光谱和深度学习的物体识别仪，包括固定装置、光谱成像仪(CCD电荷耦合器件)、模数转换器(ADC)、数据处理器、存储单元及显示单元等。所述固定装置被配置为所述物体识别仪集成装置，对光谱成像仪器和图像处理仪器的集成；所述光谱成像仪CCD被配置为接受多波段的物体反射光谱，所述波段配置为红、绿、蓝、近红外和红外波段；所述模数转换器ADC被配置为将CCD得到的模拟电信号转换为数字电信号；所述数据处理器被配置为三部分：(1)将所接收到的光谱数据与存储单元的光谱数据库像匹配，对所测目标的材质进行初步估计，具体匹配算法根据匹配信息损失为主要检测目标(2)将接收到的RGB三个波段合成彩色图像，输入卷积神经网络进行目标识别，对目标的所述物体类别进行判别；(3)对(1)和(2)得到的判定结果进行整合，得出目标物的具体所属。所述存储单元被配置为存储标准光谱库、训练完成的卷积神经网络和大部分的生活中遇到的物体图像；所述显示单元被配置为显示判别所属概率最大的三个物体，并进行图像的显示。

【技术特征摘要】
1.一种基于光谱和深度学习的物体识别仪，包括固定装置、光谱成像仪(CCD电荷耦合器件)、模数转换器(ADC)、数据处理器、存储单元及显示单元等。所述固定装置被配置为所述物体识别仪集成装置，对光谱成像仪器和图像处理仪器的集成；所述光谱成像仪CCD被配置为接受多波段的物体反射光谱，所述波段配置为红、绿、蓝、近红外和红外波段；所述模数转换器ADC被配置为将CCD得到的模拟电信号转换为数字电信号；所述数据处理器被配置为三部分：(1)将所接收到的光谱数据与存储单元的光谱数据库像匹配，对所测目标的材质进行初步估计，具体匹配算法根据匹配信息损失为主要检测目标(2)将接收到的RGB三个波段合成彩色图像，输入卷积神经网络进行目标识别，对目标的所述物体类别进行判别；(3)对(1)和(2)得到的判定结果进行整合，得出目标物的具体所属。所述存储单元被配置为存储标准光谱库、训练完成的卷积神经网络和大部分的生活中遇到的物体图像；所述显示单元被配置为显示判别所属概率最大的三个物体，并进行图像的显示。2.如权利要求1所述的物体识别仪，其特征在于，所述的光谱接受仪接受到的是多波段反射光谱，包括红、绿、蓝、近红外和红外波段。3.如权利要求1所述的物体识别仪，其特征在于，所述的光谱接受仪CCD形成五幅单波段影像。CCD分辨率为...

【专利技术属性】
技术研发人员：倪希亮，曹春香，崔相辉，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京,11