【技术实现步骤摘要】
本专利技术属于药材检测，涉及菊花分类技术，具体涉及一种基于颜色空间多路深度特征融合的菊花分类方法。
技术介绍
1、菊花(chrysanthemum)，作为中药材的重要代表，自古以来在中医临床中享有盛誉。其具备清热解毒、凉血止血、平肝明目等广泛功效，因而在中药方剂和治疗中发挥着重要作用。然而，由于不同品种的菊花在生长环境、药效成分及品质方面存在差异，对于菊花的准确鉴别成为中药研究的迫切需求。
2、传统的菊花鉴别方法主要依赖于经验丰富的中药师和医药专业人员，他们通过观察菊花的外形、颜色、气味等特征来进行品种鉴别。然而，这种方法存在主观性强、依赖个体经验的问题，且不适用于大规模的高效鉴别。
3、随着现代科技的快速发展，图像处理、机器学习和深度学习等技术逐渐成为解决中药材鉴别问题的关键工具。然而，菊花的复杂多样性以及传统鉴别经验的复杂性，给这一领域的技术应用带来了挑战。
4、菊花作为中药材的鉴别
仍在不断探索和完善。未来，随着技术的不断进步，结合传统知识和现代技术手段，将有望实现对不同菊花品种的更加准确、高效的鉴别，为中药材的质量控制和中药研究提供更为可靠的支持。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，提供一种基于颜色空间多路深度特征融合的菊花分类方法，能够对菊花的种类进行准确的预测，且具有快速无损、识别准确率高以及稳定性强的优势。
2、技术方案：为实现上述目的，本专利技术提供一种基于颜色空间多路深度特征融合的菊
3、s1：对菊花图像进行颜色空间的转换，将原图rgb转换为hsv与lab颜色空间，并选取hsv颜色空间中的h和s通道与lab颜色空间中的l通道；
4、s2：根据选取的通道，提取hsv颜色空间中的h和s分量特征以及lab颜色空间中的l分量特征，将提取的特征数据分别进行归一化处理后，并用直方图表示，得到分量直方图特征；
5、s3：将分量直方图特征和原始图像输入到构建好的多路深度网络中进行模型训练，得到训练好的菊花分类模型；
6、s4：将待预测的菊花通过提取对应颜色空间特征和原始图像，输入到菊花分类模型中，得到菊花分类结果。
7、进一步地，所述步骤s1中将原图rgb转换为hsv颜色空间的具体方法包括如下步骤为：
8、a1：将rgb值归一化为范围[0，1]，其中r、g、b表示红、绿、蓝通道的取值，它们的归一化值r′、g′、s′计算方式如公式(1)
9、
10、a2：计算r′、g′、b′的最小值min和最大值max；
11、a3：计算色相h，计算方式如公式(3)，其中c＝max-min
12、
13、a4：计算饱和度s，计算方式如公式(3)，其中c＝max-mmin；
14、
15、a5：计算亮度v，计算方式如公式(5)
16、v＝max (4)。
17、hsv是一种颜色空间，它用于描述颜色的属性，包括色相(hue)、饱和度(saturation)和明度(value)。其中，色相表示颜色的类型或类别，比如红色、绿色、蓝色等。在hsv模型中，色相的取值通常是0到360度，形成一个圆环。不同的色相对应于不同的颜色；饱和度表示颜色的强度或纯度。在hsv模型中，饱和度的取值范围是0到100％，其中0％表示灰度(无色彩饱和度)，而100％表示最大饱和度。明度表示颜色的亮度。在hsv模型中，明度的取值范围是0到100％。数值为0％时，颜色是黑的，而数值为100％时，颜色是最亮的。
18、进一步地，所述步骤s1中将原图rgb转换为lab颜色空间的具体方法包括如下步骤为：
19、b1：将rgb颜色空间转化到xyz颜色空间，计算方式如公式(5)；
20、
21、b2：将xyz颜色空间转换到cielab颜色空间的公式如下：
22、
23、
24、其中，xn，yn，zn为参考白点值的ciexyz三色刺激值[0.9504，1.0000，1.0888]模拟正午阳光，相关色温为6504k。
25、lab是另一种颜色空间，由国际照明委员会(cie)定义，旨在提供一种与人眼感知颜色的方式更为一致的颜色表示方式，其中，l(亮度)：表示颜色的亮度或明暗程度。取值范围从0到100，其中0表示黑色，100表示白色；a(绿色到红色)：表示颜色在绿色(负值)和红色(正值)之间的位置，取值范围是[127，-128]；b(蓝色到黄色)：表示颜色在蓝色(负值)和黄色(正值)之间的位置，取值范围是[127，-128]。
26、进一步地，所述步骤s3中多路深度网络包括特征提取部分和特征融合机制，所述特征提取部分包括1d网络提取部分和2d网络提取部分，所述1d网络提取部分用于分析提取分量直方图特征中与菊花类别相关的语义特性，所述2d网络提取部分用于提取原始图像的整体类别相关特征。
27、进一步地，所述1d网络提取部分包括三路相同结构的提取网络，提取网络结构分为三个模块，第一个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，一层batchnormalization层，其中采用了层间交互的方法，将第一个模块的输入与第一个模块的输出相加作为后续的输入；第二个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，其中也采用了层间交互的方法，将第二个模块的输入与第二个模块的输出相加作为后续的输入；第三个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，一层dropout层。
28、进一步地，所述步骤s2中分量直方图特征包括h分量直方图特征fh、s分量直方图特征fs、l分量直方图特征fl，直方图特征fh、fs和fl分别作为1d网络提取部分中三路提取网络的输入，所述特征融合机制的运行过程为：1d网络采用路间交互，将fh、fs、fl经过第二个模块得到的特征数据fh1、fs1和fl1相加，得到特征数据fhsl，然后经过一维卷积层和数据裁剪层，得到特征数据fh2、fs2和fl2，再将它们与fhsl相加，作为第三个模块的输入，以达到充分融合不同颜色通道的类别相关特性，同时单路网络应用层间融合扩大网络视野，第一个部分是第一个模块的输入与第一个模块的输出相加作为第二个模块的输入，第二个部分是第二个模块的输入与第二个模块的输出相加作为第三个模块的输入，第三个部分是第一个模块的输入与第二个模块的输出相加作为第三个模块的输入；另外将1d网络特征和2d网络特征进行拼接，以此达到从不同角度充分提取菊花不同类别之间的差异特性。
29、直方图特征fh、fs、fl为手工提取的特征数据，手工特征提取具有一定的局限性，为了进一步提取与菊花类别相关的语义信息，本专利技术采用1dcnn网络对更深层次的图片信息特征进行提取。
30、进一步地，所述2d网络提本文档来自技高网...
【技术保护点】
1.一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤S1中将原图RGB转换为HSV颜色空间的具体方法包括如下步骤为：
3.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤S1中将原图RGB转换为LAB颜色空间的具体方法包括如下步骤为：
4.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤S3中多路深度网络包括特征提取部分和特征融合机制，所述特征提取部分包括1D网络提取部分和2D网络提取部分，所述1D网络提取部分用于分析提取分量直方图特征中与菊花类别相关的语义特性，所述2D网络提取部分用于提取原始图像的整体类别相关特征。
5.根据权利要求4所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述1D网络提取部分包括三路相同结构的提取网络，提取网络结构分为三个模块，第一个模块中有一层一维卷积层，一层Sigmoid激活层，一层最
6.根据权利要求5所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤S2中分量直方图特征包括H分量直方图特征fH、S分量直方图特征fS、L分量直方图特征fL，直方图特征fH、fS和fL分别作为1D网络提取部分中三路提取网络的输入，所述特征融合机制的运行过程为：1D网络采用路间交互，将fH、fS、fL经过第二个模块得到的特征数据fH1、fS1和fL1相加，得到特征数据fHSL，然后经过一维卷积层和数据裁剪层，得到特征数据fH2、fS2和fL2，再将它们与fHSL相加，作为第三个模块的输入，以达到充分融合不同颜色通道的类别相关特性，同时单路网络应用层间融合扩大网络视野，第一个部分是第一个模块的输入与第一个模块的输出相加作为第二个模块的输入，第二个部分是第二个模块的输入与第二个模块的输出相加作为第三个模块的输入，第三个部分是第一个模块的输入与第二个模块的输出相加作为第三个模块的输入；另外将1D网络特征和2D网络特征进行拼接，以此达到从不同角度充分提取菊花不同类别之间的差异特性。
7.根据权利要求4所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述2D网络提取部分为引入残差块的ResNet-18网络，ResNet-18网络包含卷积层、池化层和全连接层，每个残差块包含两个分支：一个是恒等映射，另一个是学习到的残差。
8.根据权利要求7所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述恒等映射是指输入数据直接传递到下一层，没有经过任何变换；在残差块中，通过添加跳跃连接或者称为快捷连接，将输入直接加到输出上；残差是指网络通过学习来捕捉输入和输出之间的差异，在残差块中，学习到的残差通过对输入进行变换来获得，然后将这个残差添加到原始输入上，具体计算过程如下：
9.根据权利要求6所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤S3中菊花分类模型的训练方法为：将直方图特征fH、fS、fL和原始图像作为模型输入，经过网络模型得到的特征数据分别使用最大最小归一化处理，将最后的特征数据相拼接得到特征数据f合，然后通过一层线性层和Softmax算法，得到菊花分类模型。
...【技术特征摘要】
1.一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤s1中将原图rgb转换为hsv颜色空间的具体方法包括如下步骤为：
3.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤s1中将原图rgb转换为lab颜色空间的具体方法包括如下步骤为：
4.根据权利要求1所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤s3中多路深度网络包括特征提取部分和特征融合机制，所述特征提取部分包括1d网络提取部分和2d网络提取部分，所述1d网络提取部分用于分析提取分量直方图特征中与菊花类别相关的语义特性，所述2d网络提取部分用于提取原始图像的整体类别相关特征。
5.根据权利要求4所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述1d网络提取部分包括三路相同结构的提取网络，提取网络结构分为三个模块，第一个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，一层batchnormalization层，其中采用了层间交互的方法，将第一个模块的输入与第一个模块的输出相加作为后续的输入；第二个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，其中也采用了层间交互的方法，将第二个模块的输入与第二个模块的输出相加作为后续的输入；第三个模块中有一层一维卷积层，一层sigmoid激活层，一层最大池化层，一层dropout层。
6.根据权利要求5所述的一种基于颜色空间多路深度特征融合的菊花分类方法，其特征在于，所述步骤s2中分量直方图特征包括h分量直方图特征fh、s分量直方图特征fs、l分量直方图特征fl，直方图特征fh、fs和fl分别作为1d网络提取部分中三路提取网络的输...
【专利技术属性】
技术研发人员：杨曦晨，蒋健，严辉，毛忠原，陈奕帆，朱顺，
申请(专利权)人：南京师范大学，
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。