一种基于高光谱成像与深度学习的籽棉地膜在线识别算法制造技术

本发明专利技术公开一种基于高光谱成像与深度学习的籽棉地膜在线识别算法，利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，本发明专利技术利用深度学习中的堆叠加权自编码器与极限学习机构成的网络对籽棉地膜的高光谱图像进行分类，在每层自编码器中引入加权机制，在保证多通道输入优势的同时，降低噪声的影响；极限学习机的权值和偏置是随机确定的，容易产生过拟合，利用粒子群算法优化极限学习机的权值和偏置，在保证识别速度的同时，提高分类精度。堆叠加权自编码器与极限学习机构成的深度学习网络可以用于籽棉地膜的在线识别。

An on-line recognition algorithm of seed cotton film based on hyperspectral imaging and deep learning

【技术实现步骤摘要】
一种基于高光谱成像与深度学习的籽棉地膜在线识别算法
本专利技术属于籽棉异纤识别
，具体涉及一种基于高光谱成像与深度学习的籽棉地膜在线识别算法。
技术介绍
我国是棉花生产和消费大国，棉花加工与纺织在国民经济中发挥着重要作用。新疆作为我国主要的产棉省份，棉花种植广泛应用了地膜覆盖技术，且棉花的采摘生产机械化程度高，在机械采摘过程中籽棉混杂了大量的地膜，如果清理不彻底，就会随着加工环节进入皮棉，必定会影响纺织品质量和纺织品的染色质量。目前机采棉含有的地膜残片已成为国内机采棉同进口机采棉在质量上的根本差距，是国内机采棉在加工、收储、销售等环节都遭到抵触和不畅的重要因素之一，已形成纺织企业在选择棉花时首选进口棉、再选手摘棉、慎选国内机采棉的尴尬局面，因此地膜的清理对新疆棉花产业来说是一个亟待解决的技术难题。我国是棉花生产和消费大国，棉花加工与纺织在国民经济中发挥着重要作用。新疆作为我国主要的产棉省份，棉花种植广泛应用了地膜覆盖技术，且棉花的采摘生产机械化程度高，在机械采摘过程中籽棉混杂了大量的地膜，如果清理不彻底，就会随着加工环节进入皮棉，必定会影响纺织品质量和纺织品的染色质量。目前机采棉含有的地膜残片已成为国内机采棉同进口机采棉在质量上的根本差距，是国内机采棉在加工、收储、销售等环节都遭到抵触和不畅的重要因素之一，已形成纺织企业在选择棉花时首选进口棉、再选手摘棉、慎选国内机采棉的尴尬局面，因此地膜的清理对新疆棉花产业来说是一个亟待解决的技术难题。
技术实现思路
专利技术目的：针对现有技术存在的不足，本专利技术的目的是提供一种基于高光谱成像与深度学习的籽棉地膜在线识别算法。技术方案：为了实现上述专利技术目的，本专利技术采用的技术方案如下：一种基于高光谱成像与深度学习的籽棉地膜在线识别算法，利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，该方法的步骤如下：(1)利用高光谱成像仪获取籽棉地膜的反射光谱图像；(2)利用堆叠加权自编码器逐层提取与输出相关的高阶特征，高光谱图像中的每个像素点在1000nm～2500nm波段上的反射光谱构成的288维向量作为整个网络的输入，利用堆叠加权自编码器对288维向量进行降维；(3)采用两层人工神经网络结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整；(4)训练完成后，将降维的高阶特征作为极限学习机的输入，利用优化算法对极限学习机的权值和偏置进行优化；(5)利用优化后的极限学习机对降维后的36维的高阶特征进行处理，实现高光谱图像分类，从而识别棉籽地膜。作为优选，步骤(1)中，高光谱成像仪获取籽棉地膜在1000nm～2500nm的反射光谱图像，5.6nm为一谱段，共采集288个谱段的数据。作为优选，步骤(2)中，所述堆叠加权自编码器是由三层加权自编码器构成的深度神经网络，设置网络参数，逐层提取与输出相关的高阶特征；输入是高光谱图像中每个像素点在1000nm～2500nm波段的反射光谱构成的288维向量，经过三层加权自编码器降维，输出36维的高阶特征。作为优选，通过逐层预训练技术和梯度下降算法来更新每层加权自编码器的权重与偏置值，三层加权自编码器神经元个数分别为144、72和36，且都采用sigmoid传输函数。作为优选，步骤(3)中，两层人工神经网络的神经元个数分别为18、4，分别采用sigmoid、softmax传输函数，和三层加权自编码器构成深度神经网络，利用预先标记好的数据训练，结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整。作为优选，步骤(4)中，优化算法采用粒子群优化算法。作为优选，将极限学习机的权值和偏置作为粒子群优化算法的粒子，粒子长度D＝k(n+1)，式中：k是隐含层节点个数，k＝20；n是输入维数，n＝36；粒子群优化极限学习机的具体步骤为：(1)粒子群优化算法(PSO)初始化，随机产生m组粒子，θi是第i个粒子，θi＝[w11i，w12i，...，w1ki，w21i，w22i，...，w2ki，...，wn1i，wn2i，..，wnki，b1i，b2i，..，bki]，其中，w，b是[-1，1]之间的随机数；(2)粒子群优化算法(PSO)参数选择，其中种群数m＝20，迭代次数t＝100，加速系数c1＝c2＝2，惯性权重动态更新，ωt＝(ωini-ωend)(tmax-t)/tmax+ωend，式中：ωini是初始惯性权重，取ωini＝0.9；ωend是最大迭代次数时的惯性权重，ωend＝0.4；tmax是最大迭代次数，t是当前迭代数；(3)堆叠加权自编码器输出的高阶特征作为极限学习机的输入，极限学习机的分类精度作为适应度值函数，计算每个粒子的适应度值，求出每个粒子的个体最优值和全局最优值；(4)更新粒子的速度和位置；(5)达到最大迭代次数，退出寻优，保存最优的位置，作为极限学习机的参数。作为优选，步骤(4)中，所述极限学习机将堆叠加权自编码器降维后的36维高阶特征作为输入，所述极限学习机包含一层隐含层，20个神经元，采用sigmoid传输函数。作为优选，所述高光谱成像仪采用芬兰SPECIM公司的SWIR系列高光谱成像仪。作为优选，步骤(5)中，利用优化后的极限学习机作为最终的分类器对36维高阶特征进行处理，实现高光谱图像分类。有益效果：与现有技术相比，本专利技术具有以下优点：1)本专利技术将高光谱技术应用于籽棉地膜识别领域，采用堆叠加权自编码器与极限学习机构成的深度学习网络对籽棉地膜的高光谱图像进行分类，对籽棉地膜进行在线识别。对于彩色相机和黑白相机无法识别的残留的透明地膜，本专利技术通过高光谱成像仪采集籽棉流1000nm～2500nm的反射光谱图，进而识别并分类与籽棉具有不同光谱特性的残膜。2)利用堆叠加权自编码器对高光谱图像中每个像素的288维向量降维成36维的高阶特征；在每层自编码器中引入加权机制，在保证多通道输入优势的同时，降低噪声的影响；3)极限学习机作为分类器，提高算法的识别速度。4)极限学习机的权值和偏置是随机确定的，容易产生过拟合，利用粒子群算法对极限学习机的权值和偏置进行优化，在保证识别速度的同时，提高算法的识别精度。附图说明图1是本专利技术籽棉地膜在线识别算法流程图；图2是本专利技术粒子群优化极限学习机的流程图；图3是本专利技术采集软件生成的棉籽原始伪彩色图；图4是采用本专利技术的方法生成的棉籽分类效果图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，实施例在以本专利技术技术方案为前提下进行实施，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。本专利技术的基于高光谱成像与深度学习的籽棉地膜在线识别算法，利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，该方法的步骤如下：(1)利用芬兰SPECIM公司的SWIR系列高光谱成像仪获取籽棉地膜在1000nm～2500nm的反射光谱图像，5.6nm为一谱段，共采集288个谱段的数据；(2)利用堆叠加权自编码器逐层提取与输出相关的高阶特征，高光谱图像中的每个像素点在1000nm～2500nm波段上的反射光谱构成的288维向量作为整个网络的输入，利用堆叠加权自编码器本文档来自技高网...

【技术保护点】
1.一种基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，步骤如下：(1)利用高光谱成像仪获取籽棉地膜的反射光谱图像；(2)利用堆叠加权自编码器逐层提取与输出相关的高阶特征，高光谱图像中的每个像素点在1000nm～2500nm波段上的反射光谱构成的288维向量作为整个网络的输入，利用堆叠加权自编码器对288维向量进行降维；(3)采用两层人工神经网络结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整；(4)训练完成后，将降维的高阶特征作为极限学习机的输入，利用优化算法对极限学习机的权值和偏置进行优化；(5)利用优化后的极限学习机对降维后的36维的高阶特征进行处理，实现高光谱图像分类，从而识别棉籽地膜。

【技术特征摘要】
1.一种基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，步骤如下：(1)利用高光谱成像仪获取籽棉地膜的反射光谱图像；(2)利用堆叠加权自编码器逐层提取与输出相关的高阶特征，高光谱图像中的每个像素点在1000nm～2500nm波段上的反射光谱构成的288维向量作为整个网络的输入，利用堆叠加权自编码器对288维向量进行降维；(3)采用两层人工神经网络结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整；(4)训练完成后，将降维的高阶特征作为极限学习机的输入，利用优化算法对极限学习机的权值和偏置进行优化；(5)利用优化后的极限学习机对降维后的36维的高阶特征进行处理，实现高光谱图像分类，从而识别棉籽地膜。2.根据权利要求1所述的基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：步骤(1)中，高光谱成像仪获取籽棉地膜在1000nm～2500nm的反射光谱图像，5.6nm为一谱段，共采集288个谱段的数据。3.根据权利要求1所述的基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：步骤(2)中，所述堆叠加权自编码器是由三层加权自编码器构成的深度神经网络，设置网络参数，逐层提取与输出相关的高阶特征；输入是高光谱图像中每个像素点在1000nm～2500nm波段的反射光谱构成的288维向量，经过三层加权自编码器降维，输出36维的高阶特征。4.根据权利要求3所述的基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：通过逐层预训练技术和梯度下降算法来更新每层加权自编码器的权重与偏置值，三层加权自编码器神经元个数分别为144、72和36，且都采用sigmoid传输函数。5.根据权利要求1所述的基于高光谱成像与深度学习的籽棉地膜在线识别算法，其特征在于：步骤(3)中，两层人工神经网络的神经元个数分别为18、4，分别采用sigmoid、softmax传输函数，和三层加权自编码器构成深度神经网络，利用预先标记好的数据训练，结合BP算法对堆叠加权自编码器的网络权重...

【专利技术属性】
技术研发人员：倪超，张雄，李振业，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏,32