【技术实现步骤摘要】
一种基于增量式学习的高光谱的杆状物识别方法
[0001]技术邻域
[0002]本专利技术属于高光谱成像与深度学习技术邻域，具体涉及一种基于增量式学习的高光谱的杆状物识别方法。
技术介绍
[0003]在杆状物的除杂识别领域中，往往会出现众多在训练识别模型时未知的物质，包括部分由于产地品种等差异，导致光谱特征差异巨大的不同杆状物，而根据新的杆状物数据训练一个新的适用于新旧等不同杆状物的识别模型，所需要花费的时间较长，代价也比较高。实际生产中，往往会训练多个不同的模型，以适用与多种不同类型的杆状物进行使用，这固然能够解决部分杆状物无法识别的问题，但是训练一个神经网络模型的花费时间较长，且多个不同模型的切换过于繁琐，在工业生产中有诸多不便，且提高了生产的成本，也会降低生产的效率。
[0004]现有技术识别未知物质类型通常使用异常检测，但是一般异常检测使用场景大多为缺陷检测，如识别工件上的缺陷等，无法对单一的离散物体准确识别，也无法区分2个乃至多个类别不同的未知类别物体，异常检测仅能识别已知类别和未知类别，无法对未知类别进行进一步区分。...
【技术保护点】
【技术特征摘要】
1.一种基于增量式学习的高光谱的杆状物识别方法，其特征在于，根据高光谱图像与类别标签，先通过神经网络对各个类别进行计算，得出不同类别物质的置信水平和特征信息，通过其置信水平和特征信息计算出物质的特征中心；向训练好的神经网络模型中输入新的光谱数据，根据特征信息与各类物质的特征中心的距离，来确定未知物质的类别是已知还是未知类别；最后通过增量式学习的方式更新物体的特征中心以及创建新的类别。2.根据权利要求1所述的基于增量式学习的高光谱的杆状物识别方法，其特征在于，包括以下步骤：S1：采集不同物质混杂的高光谱图像，对数据进行校正与降噪，并进行光谱数据的标注；S2：将光谱数据和类别标签放入神经网络进行训练，得到不同类别物质的特征中心；S3：将待识别物质的高光谱图像放入训练好的神经网络模型中，通过特征信息，确定待识别物质的类别已知还是未知；S4：对于确定类别未知的物质则创建新的类别。3.根据权利要求2所述的基于增量式学习的高光谱的杆状物识别方法，其特征在于，所述步骤S2的具体实现方法如下：S21：首先构建一个卷积神经网络模型，卷积神经网络模型包含2个卷积层，1个池化层以及2个全连接层，并包含两个输出；S22：将光谱数据和类别标签输入到神经网络中进行训练，输出各个类别的特征信息和置信水平f
lc
，特征信息表达式如下所示：式中，x
k
表示第k维的特征信息，表示类别为c的物质中第l个物质的特征信息；S23：将置信水平作为权重，对特征信息进行加权平均，得到每一种类别物质的特征中心。4.根据权利要求3所述的基于增量式学习的高光谱的杆状物识别方法，其特征在于，步骤S23中，每一种类别物质的特征中心的计算方式如下：式中，T
c
表示类别c的物质的特征中心，n表示类别c的物质的个数。5.根据权利要求2所述的基于增量式学习的高光谱的杆状物识别方法，其特征在于，步骤S3中，...
【专利技术属性】
技术研发人员：倪超，周超，朱婷婷，李振业，吴旻，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。