基于高光谱图像像素块机器学习的籽棉地膜识别分类方法技术

本发明专利技术公开一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法，利用高光谱成像设备获取杂质混合后的物料高光谱图像，将高光谱图像切割为与剔除要求对应的像素块，并提取空间纹理特征结合光谱特征作为像素块的特征，构建机器学习模型，构建杂质对接矩阵，提升对于连续像素块的识别精度，最终实现对像素块中物料进行在线分类识别。本发明专利技术利用极限梯度提升算法对原始光谱特征重要性进行排序，引入加权光谱特征值概念，构建随机森林分类器对籽棉与地膜进行在线分类识别；有效解决了地膜由于透光性产生异物同谱问题导致识别像素点过少、分类精度不高的问题。分类精度不高的问题。分类精度不高的问题。

【技术实现步骤摘要】
基于高光谱图像像素块机器学习的籽棉地膜识别分类方法


[0001]本专利技术属于籽棉异物识别
，具体涉及一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法。

技术介绍

[0002]我国作为棉花生产大国，棉花加工与纺织在国民经济中有着重要的作用。目前我国的棉花种植普遍采用地膜覆盖技术以及机械化采摘技术，这些方法可以极大地提高棉花生产效率。农用地膜具有增温、保墒、灭草的功能，解决了我国干旱地区和冷凉地区农业生产能力弱的严重问题，是提高农田作物水分利用率、缓解水资源短缺、防止病虫害和促进植物生长的重要手段。然而在籽棉机械采摘过程中容易混杂大量地膜残片，这些地膜残片若没有处理干净则会随着加工环节进入皮棉，极大地影响纺织品质量。目前高光谱技术被应用于异物识别领域，但是由于地膜具有良好的透光率，其覆盖在籽棉表面，极易产生“异物同谱”现象，使得识别效果不理想，只有部分地膜像素点能够被识别，这些像素点分散零碎难以确定地膜坐标，使得在混杂地膜的籽棉中将其区分开来成为棉花行业的一个技术难题。

技术实现思路

[0003]本专利技术解决的技术问题：提供一种解决了地膜由于透光性产生异物同谱问题导致识别像素点过少、分类精度不高的问题的基于高光谱图像像素块机器学习的籽棉地膜识别分类方法。
[0004]技术方案：为了解决上述技术问题，本专利技术采用的技术方案如下：
[0005]一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法，利用高光谱成像设备获取混杂地膜的籽棉高光谱图像，将高光谱图像切割为像素块并提取空间纹理特征结合光谱特征作为像素块的特征，构建机器学习模型对像素块中籽棉与地膜进行在线分类识别，步骤如下：
[0006]步骤(1)：利用高光谱成像设备获取混杂地膜的籽棉高光谱图像共288维数据；
[0007]步骤(2)：利用极限梯度提升算法对采集光谱数据集中各像素点在1000nm～2500nm波段上的多个谱段进行分类计算并降维，获得原始光谱特征重要性并排序，选择重要性靠前的光谱特征作为像素块光谱维度特征；
[0008]对其288维数据进行Savitzky
‑
Golay平滑滤波、多元散射校正，并进行针对波长的信噪比筛选，选取多个谱段作为处理后数据，筛选值的计算公式如下：
[0009][0010]式中，w表示的是白板光谱，d表示的是黑场光谱图，n
s
表示的是使用单行光谱像素点个数，r
s
表示的是针对波长s的光谱信噪比，仅保留波长信噪比r
s
≥2的波长；
[0011]步骤(3)：将高光谱图像通过20*20像素尺寸分割的方法获得像素块；
[0012]步骤(4)将获得的20*20的像素尺寸分割块进行二次分块，分别分割为4*4个5*5的小型像素级光谱特征块；
[0013]利用步骤(2)中极限梯度提升算法提取的光谱特征重要性作为权重得到像素块中每个像素点的加权光谱特征值。
[0014]加权光谱特征值的公式如下：
[0015][0016]其中，ω
j
表示第j个光谱特征的权重，x
j
表示第j个光谱特征值，m
i
表示像素块中第i个像素点，n表示选取的光谱特征数量；
[0017]计算特征光谱共生矩阵得到像素块之间的空间维度：角二阶矩、惯性矩、熵和相关性；
[0018]步骤(5)：计算小型像素块中每个像素点的加权光谱特征值，计算特征光谱共生矩阵得到像素块之间的空间维度特征；
[0019]根据5*5像素块中225个像素点的平均光谱值可以的到该像素块中10维平均光谱值，并融合20*20大范围光谱特征，其公式为：
[0020][0021]其中，X
ni
表示像素块S
i
中光谱向量集合，m
i
是像素块S
i
的平均值光谱特征，n
i
是像素块中像素个数，x
m
是大像素块中的像素均值；
[0022]步骤(6)：利用小型像素块中每个像素点对应谱段光谱值的平均值得到像素块中10维光谱维度特征，并融合20*20大像素块的整体光谱特征值，减少光谱散射的同时增强光谱特性；
[0023]步骤(7)：利用像素块的空间维度和光谱维度特征构建随机森林分类器，实现高光谱图像像素块分类，识别籽棉与地膜杂质；
[0024]步骤(8)：使用识别结果构建4个方向上的杂质对接矩阵，获得相应区域的杂质出现概率；
[0025]步骤(9)：结合杂质对接矩阵结果，以及识别结果，进行小型像素块的结果修正，修正过程如下：
[0026]1)水平方向修正：相邻的小型像素块的左矩阵和右矩阵进行对接，对接修正的过程如下：
[0027][0028][0029]式中，C
l，i
和C
r，i
分别表示左矩阵和右矩阵当中的第i个元素，对于缺少相邻左矩阵或右矩阵的情况下则使用全0矩阵代替缺失的矩阵；
[0030]2)竖直方向修正，竖直方向的修正由于牵涉到多行的不同结果，因此每次只对上
矩阵进行修正，而下矩阵则进行存储，实现对于下一行小型矩阵的结果的修正，从而实现在采集过程中的实时在线识别，上矩阵的对接过程如下：
[0031][0032]式中，C
u，i
和C
d，i
分别表示上矩阵和下矩阵当中的第i个元素；
[0033]步骤(10)：利用小型像素块结果，构建提出对应区域的地膜识别结果，指导后续的地膜剔除过程。
[0034]进一步地，步骤(2)中，使用基于决策树的梯度提升算法降低树的复杂度，通过每个属性分割点改进性能度量的量来计算单个决策树的重要性，并由节点负责的观察数量加权。
[0035]其预测函数为：
[0036][0037]其中，表示回归树的空间，T表示树的叶子数，表示第m个属性的数值空间，表示什么表示叶子数为T时的权重数值空间，K表示属性决策树的总数量，m表示第m个属性，每个f
k
(x)对应于树结构q和叶权重w，x
i
代表第i个样本，y
i
代表第i个类别标签。
[0038]其目标函数为：
[0039][0040]其中，l代表和y
i
之间的误差，Ω是模型复杂性的惩罚函数，φ表示当前的模型参数。
[0041]进一步地，特征光谱共生矩阵计算0
°
、45
°
、90
°
、135
°
四个方向数值，通过角二阶矩、惯性矩、熵、相关性共4个统计属性定量描述空间纹理特征，共得到16维纹理特征；
[0042]角二阶矩为：
[0043]ASM＝∑
i
∑
j glcm(i，j)2[0044]惯性矩为：
[0045]CON＝∑
i
∑...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱图像像素块机器学习的籽棉地膜识别分类方法，其特征在于：利用高光谱成像设备获取混杂地膜的籽棉高光谱图像，将高光谱图像切割为像素块并提取空间纹理特征结合光谱特征作为像素块的特征，构建机器学习模型对像素块中籽棉与地膜进行在线分类识别，步骤如下：步骤(1)：利用高光谱成像设备获取混杂地膜的籽棉高光谱图像共288维数据；步骤(2)：利用极限梯度提升算法对采集光谱数据集中各像素点在1000nm～2500nm波段上的多个谱段进行分类计算并降维，获得原始光谱特征重要性并排序，选择重要性靠前的光谱特征作为像素块光谱维度特征；对其288维数据进行Savitzky
‑
Golay平滑滤波、多元散射校正，并进行针对波长的信噪比筛选，选取多个谱段作为处理后数据，筛选值的计算公式如下：式中，w表示的是白板光谱，d表示的是黑场光谱图，n
s
表示的是使用单行光谱像素点个数，r
s
表示的是针对波长s的光谱信噪比，仅保留波长信噪比r
s
≥2的波长；步骤(3)：将高光谱图像通过20*20像素尺寸分割的方法获得像素块；步骤(4)将获得的20*20的像素尺寸分割块进行二次分块，分别分割为4*4个5*5的小型像素级光谱特征块；利用步骤(2)中极限梯度提升算法提取的光谱特征重要性作为权重得到像素块中每个像素点的加权光谱特征值。加权光谱特征值的公式如下：其中，ω
j
表示第j个光谱特征的权重，x
j
表示第j个光谱特征值，m
i
表示像素块中第i个像素点，n表示选取的光谱特征数量；计算特征光谱共生矩阵得到像素块之间的空间维度：角二阶矩、惯性矩、熵和相关性；步骤(5)：计算小型像素块中每个像素点的加权光谱特征值，计算特征光谱共生矩阵得到像素块之间的空间维度特征；根据5*5像素块中225个像素点的平均光谱值可以的到该像素块中10维平均光谱值，并融合20*20大范围光谱特征，其公式为：其中，X
ni
表示像素块S
i
中光谱向量集合，m
i
是像素块S
i
的平均值光谱特征，n
i
是像素块中像素个数，x
m
是大像素块中的像素均值；步骤(6)：利用小型像素块中每个像素点对应谱段光谱值的平均值得到像素块中10维光谱维度特征，并融合20*20大像素块的整体光谱特征值，减少光谱散射的同时增强光谱特性；步骤(7)：利用像素块的空间维度和光谱维度特征构建随机森林分类器，实现高光谱图像像素块分类，识别籽棉与地膜杂质；
步骤(8)：使用识别结果构建4个方向上的杂质对接矩阵，获得相应区域的杂质出现概率；步骤(9)：结合杂质对接矩阵结果，以及识别结果，进行小型像素块的结果修正，修正过程如下：1)水平方向修正：相邻的小型像素块的左矩阵和右矩阵进行对接，对接修正的过程如下：下：式中，C
l，i
和C
r，i
分别表示左矩阵和右矩阵当中的第i个元素，对于缺少相邻左矩阵或右矩阵的情况下则使用全0矩阵代替缺失的矩阵；2)竖直方向修正，竖直方向的修正由于牵涉到多行的不同结果，因此每次只对上矩阵进行修正，而下矩阵则进行存储，实现对于下一行小型矩阵的结果的修正，从而实现在采集过程中的实时在线识别，上矩阵的对接过程如下：式中，C
u，i
和C
d，i
分别表示上矩阵和下矩阵当中的第i个元素；步骤(10)：利用小型像素块结果，构建提出对应区域的地膜识别结果，指导后续的地膜剔除过程。2.根据权利要求1所述的基于高光谱图像像素块机器学习的籽棉地膜识别分类方法，其特征在于：步骤(2)中，使用基于决策树的梯度提升算法降低树的复杂度，通过每个属性分割点改进性能度量的量来计算单个决策树的重要性，并由节点负责的观察数量加权，其预测函数为：其中，表示回归树的空间，T表示树的叶子数，表示第m个属性的数值空间，表示什么表示叶子数为T时的权重数值空间，K表示属性决策树的总数量，m表示第m个属性每个f
k
(x)对应于树结构q和叶权重w，x
i
...

【专利技术属性】
技术研发人员：李振业，程磊，过奕任，朱婷婷，倪超，殷子璇，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：