基于高光谱成像与深度学习的粮种品种分类方法技术

本发明专利技术公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明专利技术属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明专利技术利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。自动化的粮种品种分类方法。自动化的粮种品种分类方法。

【技术实现步骤摘要】
基于高光谱成像与深度学习的粮种品种分类方法


[0001]本专利技术属于粮种品种分类领域，特别是涉及一种基于高光谱成像与深度学习的粮种品种分类方法。

技术介绍

[0002]种子品种分类或鉴定起源于19世纪中叶。随后，出现了一系列常规的水稻种子品种分类方法，主要包括形态鉴定方法、生理生化鉴定方法、分子生物学鉴定方法等，这些方法各有优势，在实际应用中有很大差异。随着杂交技术的发展，不同农作物品种间出现了越来越多的混合特性，这给传统种子品种鉴别方法带来了巨大挑战。
[0003]与上述传统方法相比，新兴的机器学习方法能够快速、可靠地从大量数据中学习，具有无损、低成本的优点。虽然大多数机器学习方法都具有良好的性能，但它们在很大程度上依赖于人工生成的为特定任务设计的特征，从而限制了这些方法在复杂/困难情况下的适用性。此外，这类特征的功能可能不足以区分不同品种之间的细微变化或同一品种之间的巨大变化。因此，自动提取更具鉴别能力的特征被视为高光谱图像分类的关键。与人工生成的方法相比，深度学习方法能够有效地从高光谱图像中自动提取判别特征。目前，基于深度网络的高光谱图像分类方法一般可分为三类，包括光谱特征网络、空间特征网络和光谱空间特征网络。总体而言，综合考虑空间和光谱信息的模型具有更好的分类性能。最近，很多人尝试将注意力应用到深层神经网络上，极大地提高了它们的性能。因此，在深度学习模型中引入注意力机制具有重要意义。
[0004]由于高光谱数据的采集既昂贵又耗时，最终获取的图像数量不足以支持网络训练。数据扩充被视为解决这一问题的可行方法，通常都采用从现有样本中生成新样本的方式来解决。
[0005]针对以上问题，本专利技术提出一种基于高光谱成像与深度学习技术进行粮种品种分类的方法以解决现有技术中存在的问题。

技术实现思路

[0006]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粮种品种分类方法，以解决上述现有技术存在的问题。
[0007]为实现上述目的，本专利技术提供了一种基于高光谱成像与深度学习的粮种品种分类方法，包括以下步骤：
[0008]获取粮种的多通道高光谱图像，对所述多通道高光谱图像预处理得到预处理高光谱图像数据集，基于所述预处理高光谱图像数据集获得第一特征图；其中，所述预处理高光谱图像数据集包括若干拼接图像；
[0009]构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于所述粮种品种分类模块指导训练所述粮种品种分类网络模型，得到训练后的粮种品种分类模型；
[0010]将所述拼接图像输入所述训练后的粮种品种分类模型，得到粮种品种分类结果。
[0011]可选的，对所述多通道高光谱图像预处理前，
[0012]基于白色聚四氟乙烯材质板和多元散射校正算法对多通道高光谱进行光谱校准和光谱数据基线修正。
[0013]可选的，对所述多通道高光谱图像进行预处理的过程包括：
[0014]将所述多通道高光谱图像进行分解，得到若干单通道高光谱图像，基于若干所述单通道高光谱图像，舍弃不清晰光谱波段对应的图像，得到预处理高光谱图像；
[0015]将所述预处理高光谱图像按种类标签分为若干图像子集，其中，各图像子集中包括若干单通道高光谱图像；
[0016]将各图像子集中若干所述单通道高光谱图像切割、拼接，得到若干拼接图像，其中，所述拼接图像的子图像来自同一波段。
[0017]可选的，将所述第一特征图输入所述粮种品种分类模块得到加权特征图的过程包括：
[0018]基于多种边缘检测算子提取所述第一特征图的纹理信息，得到各边缘检测算子对应的梯度图；
[0019]基于若干所述梯度图得到第二特征图；
[0020]基于所述第二特征图得到权重图；
[0021]基于所述第一特征图和所述权重图得到加权特征图。
[0022]可选的，所述粮种品种分类模块采用金字塔结构的混合梯度域注意力模块；
[0023]其中，所述金字塔结构的混合梯度域注意力模块包括金字塔模块。
[0024]可选的，基于多种边缘检测算子提取所述第一特征图的纹理信息，得到各边缘检测算子对应的梯度图，将若干所述梯度图级联后输入到卷积层进行特征提取和通道恢复，得到所述第二特征图；
[0025]其中，多种所述边缘检测算子包括Sobel、Scharr、Laplace、Roberts和Prewitt。
[0026]可选的，基于所述金字塔模块对所述第二特征图编码，得到权重图；其中，所述金字塔模块包括：七个卷积层、三个最大池化层和三个反卷积层；所述卷积层的卷积核数等于所述第二特征图的通道数，核的大小为3
×
3；所述最大池化层的内核大小设置为2
×
2，填充设置为1；所述反卷积层中的核大小设置为2
×
2，步长设置为2。
[0027]所述金字塔模块的一个重要特征是，该模块通过对五种经典图像算子提取的梯度图进行编码，重新分配特征图的适当权重，以有效地提取细节特征，同时减少噪声和干扰信息。
[0028]本专利技术的技术效果为：
[0029]本专利技术采用将外部先验知识引入到注意力机制的设计，使其朝着有益的方向极大地影响了模型学习的过程。本专利技术能够为网络学习过程中的特征图重新分配学习权重，使网络在训练的过程中更关注粮种的边缘与纹理信息。
[0030]本专利技术基于高光谱成像和深度学习技术，实现了一种简单、高效、无损和自动化的粮种品种鉴别方法，以丰富当前粮种品种鉴别技术体系，有助于进一步加强种子市场的监管力度，保障育种企业和稻农的合法权益。
附图说明
[0031]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0032]图1为本专利技术实施例中的方法流程图；
[0033]图2为本专利技术实施例中的步骤二数据增强策略的示意图；
[0034]图3为本专利技术实施例中的步骤四混合梯度域注意力模块的网络结构图；
[0035]图4为本专利技术实施例中的验证实验流程图。
具体实施方式
[0036]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0037]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0038]实施例一
[0039]如图1
‑
3所示，本实施例中提供一种基于高光谱成像与深度学习的粮种品种分类方法，具体提供了一种包括基于高光谱成像与深度学习技术的水稻种子品种分类的方法，包括以下步骤：
[0040]步骤一、获取水稻种子的高光谱图像数据集，并进行数据预处理，将多通道的高光谱图像转换为一系列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高光谱成像与深度学习的粮种品种分类方法，其特征在于，包括以下步骤：获取粮种的多通道高光谱图像，对所述多通道高光谱图像预处理得到预处理高光谱图像数据集，基于所述预处理高光谱图像数据集获得第一特征图；其中，所述预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于所述粮种品种分类模块指导训练所述粮种品种分类网络模型，得到训练后的粮种品种分类模型；将所述拼接图像输入所述训练后的粮种品种分类模型，得到粮种品种分类结果。2.根据权利要求1所述的基于高光谱成像与深度学习的粮种品种分类方法，其特征在于，对所述多通道高光谱图像预处理前，基于白色聚四氟乙烯材质板和多元散射校正算法对多通道高光谱进行光谱校准和光谱数据基线修正。3.根据权利要求2所述的基于高光谱成像与深度学习的粮种品种分类方法，其特征在于，对所述多通道高光谱图像进行预处理的过程包括：将所述多通道高光谱图像进行分解，得到若干单通道高光谱图像，基于若干所述单通道高光谱图像，舍弃不清晰光谱波段对应的图像，得到预处理高光谱图像；将所述预处理高光谱图像按种类标签分为若干图像子集，其中，各图像子集中包括若干单通道高光谱图像；将各图像子集中若干所述单通道高光谱图像切割、拼接，得到若干拼接图像，其中，所述拼接图像的子图像来自同一波段。4.根据权利要求1所述的基于高光谱成像与深度学习的粮种品种分类方法，其特征在于，将所述第一特征图输入...

【专利技术属性】
技术研发人员：于爽，战永泽，王忠杰，王泽宇，刘明义，胡睿晗，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：