一种基于高光谱的病害样本分析方法及分析设备技术

本发明专利技术涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析方法及分析设备，将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息，读取原始图像数据，将不同频段的数据装入不同的光谱波段通道，对数据进行处理，并抽取图像特征，在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量，对一维向量进行处理，并保持最大值仍然最大；本发明专利技术提供的技术方案能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低的缺陷。

A method and equipment of disease sample analysis based on Hyperspectral

【技术实现步骤摘要】
一种基于高光谱的病害样本分析方法及分析设备
本专利技术涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析方法及分析设备。
技术介绍
农业病害防治工作的首要步骤是对病害种类进行快速识别。现有技术通常由种植人员按指示采集样本，速递到分析机构进行分析。然而传统的人工分析方法速度慢、效率低，当病害面积较大时，无法进行快速有效的分析。ChannelNormalization(通道归一化)是一项用于人工智能神经网络训练及推理的技术，可以大幅减少计算量，加速实现过程。它的核心思想就是将用于训练或推理的数据按照每个通道进行归一化。举例来说：照片文件一般分为红黄蓝三色通道，通道归一化就是将一个批次里的所有红色、黄色、蓝色数据分别归一化，但是红色、黄色、蓝色数据之间不进行任何计算。Channelnormalization是在2019年由下面这篇文章提出来的：arXiv:1907.09539[cs.LG].ResNet残差网络是为了解决深度神经网络(DNN)隐藏层过多时出现网络退化问题而提出来的。它的主要思想是建立跳跃连接，在普通多层神经网络的首尾处再建立一条连接，这样信息流在神经网络的传递中就可以通过主通道传递重要信息，也可以从旁通道传递残差信息，从而保证信息传递的完整性。Resnet是在2015年由下面这篇文章提出来的：He,Kaiming；Zhang,Xiangyu；Ren,Shaoqing；Sun,Jian(2015-12-10)."DeepResidualLearningforImageRecognition".arXiv:1512.03385.为了快速对病害种类进行识别，在此设计了一种基于高光谱的病害样本分析方法及分析设备，将高光谱采集技术与人工智能深度学习相结合，有效提高病害检测的准确率，以提升农业生产效率。
技术实现思路
(一)解决的技术问题针对现有技术所存在的上述缺点，本专利技术提供了一种基于高光谱的病害样本分析方法及分析设备，能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低的缺陷。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于高光谱的病害样本分析方法，收集样本的高光谱信息，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：S1、将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息；S2、读取原始图像数据，将不同频段的数据装入不同的光谱波段通道；S3、对数据进行处理，并抽取图像特征；S4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；S5、对一维向量进行处理，并保持最大值仍然最大；S6、重复S4和S5，直到特征图像上的所有区域都被覆盖，获得多条一维向量，并将多条一维向量按最大概率从大到小排序；S7、将多条一维向量按最大概率从大到小排序中，排在首位一维向量的位置代表病症种类，排在首位一维向量的区域代表病症区域，排在首位一维向量的数值代表病症概率。优选地，所述光谱波段通道的数量在20-200范围内。优选地，所述对数据进行处理包括：先对数据进行归一化处理，再对数据进行卷积、残差操作。优选地，采用channel_normalization算法对所述数据进行归一化处理，应用resnet算法对所述数据进行卷积、残差操作。优选地，所述特征区域映射到长度为1000的一维向量。优选地，采用softmax算法对所述一维向量进行处理，并保持最大值仍然最大。一种基于高光谱的病害样本分析设备，包括工作台、嵌于工作台上用于放置待检样本的检测台以及固定于高光谱摄像头底部的摄像头支架，所述工作台上位于检测台外部设有环形滑槽，所述环形滑槽内部设有沿环形滑槽来回移动的电动小车；所述电动小车通过支撑杆与安装座固定，所述安装座内壁之间转动连接有转轴，所述安装座侧面固定有驱动电机，所述驱动电机与伸入安装座内部的蜗杆固定，所述转轴上固定有与蜗杆配合的涡轮，所述转轴上固定有转动座；所述转动座与连接座固定，所述连接座上开设有容纳槽，所述容纳槽内壁通过第二弹簧与限位块相连，所述限位块底部固定有伸出连接座底部的拉杆，所述摄像头支架上开设有与限位块卡接的安装槽；还包括用于对高光谱摄像头收集的高光谱信息进行分析处理的工业计算机。优选地，所述电动小车侧面相对固定有套管，所述套管内部滑动设有连杆，所述连杆一端通过第一弹簧与电动小车侧面相连，所述连杆另一端固定有与环形滑槽内壁相抵的辅助导轮。(三)有益效果与现有技术相比，本专利技术所提供的一种基于高光谱的病害样本分析方法及分析设备，将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息，并借助工业计算机中的病斑图像自动识别系统，通过读取接收到的农作物样本高光谱信息，对病斑区域进行识别，获得病斑区域数据，提取其表征特征参数，针对不同类型农作物病害的病理学特点，采用模式识别方法对上述特征参数进行识别，得出最终农作物病害识别结果，有效提高病害检测的效率和准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术设备简要结构示意图；图2为本专利技术图1中工作台俯视示意图；图3为本专利技术调节高光谱摄像头位置的结构示意图；图4为本专利技术图3中转动座与高光谱摄像头安装配合的结构示意图；图中：1、工作台；2、检测台；3、工业计算机；5、环形滑槽；6、电动小车；7、套管；8、连杆；9、第一弹簧；10、辅助导轮；11、支撑杆；12、安装座；13、驱动电机；14、蜗杆；15、转轴；16、涡轮；17、转动座；18、高光谱摄像头；19、连接座；20、容纳槽；21、第二弹簧；22、限位块；23、拉杆；24、摄像头支架。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种基于高光谱的病害样本分析方法，收集样本的高光谱信息，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：S1、将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息；S2、读取原始图像数据，将不同频段的数据装入不同的光谱波段通道；S3、对数据进本文档来自技高网...

【技术保护点】
1.一种基于高光谱的病害样本分析方法，其特征在于：收集样本的高光谱信息，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：/nS1、将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息；/nS2、读取原始图像数据，将不同频段的数据装入不同的光谱波段通道；/nS3、对数据进行处理，并抽取图像特征；/nS4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；/nS5、对一维向量进行处理，并保持最大值仍然最大；/nS6、重复S4和S5，直到特征图像上的所有区域都被覆盖，获得多条一维向量，并将多条一维向量按最大概率从大到小排序；/nS7、将多条一维向量按最大概率从大到小排序中，排在首位一维向量的位置代表病症种类，排在首位一维向量的区域代表病症区域，排在首位一维向量的数值代表病症概率。/n

【技术特征摘要】
1.一种基于高光谱的病害样本分析方法，其特征在于：收集样本的高光谱信息，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：
S1、将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息；
S2、读取原始图像数据，将不同频段的数据装入不同的光谱波段通道；
S3、对数据进行处理，并抽取图像特征；
S4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；
S5、对一维向量进行处理，并保持最大值仍然最大；
S6、重复S4和S5，直到特征图像上的所有区域都被覆盖，获得多条一维向量，并将多条一维向量按最大概率从大到小排序；
S7、将多条一维向量按最大概率从大到小排序中，排在首位一维向量的位置代表病症种类，排在首位一维向量的区域代表病症区域，排在首位一维向量的数值代表病症概率。


2.根据权利要求1所述的基于高光谱的病害样本分析方法，其特征在于：所述光谱波段通道的数量在20-200范围内。


3.根据权利要求1所述的基于高光谱的病害样本分析方法，其特征在于：所述对数据进行处理包括：先对数据进行归一化处理，再对数据进行卷积、残差操作。


4.根据权利要求3所述的基于高光谱的病害样本分析方法，其特征在于：采用channel_normalization算法对所述数据进行归一化处理，应用resnet算法对所述数据进行卷积、残差操作。


5.根据权利要求1所述的基于高光谱的病害样本分析方法，其特征在于：所述特征区域映射到长度为1000的一维向量。

...

【专利技术属性】
技术研发人员：陶进，郭景锋，周向明，周启辰，
申请(专利权)人：安徽安视智能科技有限公司，
类型：发明
国别省市：安徽;34