[發明專利]一種基于高光譜成像與深度學習的籽棉地膜在線識別方法

有效

• 申請號: 201910345604.2
• 申請日: 2019-04-26
• 公開（公告）號: CN110084194B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 倪超;張雄;李振業
• 申請（專利權）人: 南京林業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 南京申云知識產權代理事務所(普通合伙) 32274
• 代理人: 邱興天

1.一種基于高光譜成像與深度學習的籽棉地膜在線識別方法，其特征在于：利用高光譜成像儀獲取籽棉地膜反射光譜圖像，構建堆疊加權自編碼器和粒子群優化的極限學習機組成的深度學習網絡對高光譜圖像在線識別，步驟如下：

(1)利用高光譜成像儀獲取籽棉地膜的反射光譜圖像；

(2)利用堆疊加權自編碼器逐層提取與輸出相關的高階特征，高光譜圖像中的每個像素點在1000nm～2500nm波段上的反射光譜構成的288維向量作為整個網絡的輸入，利用堆疊加權自編碼器對288維向量進行降維；通過逐層預訓練技術和梯度下降算法來更新每層加權自編碼器的權重與偏置值，三層加權自編碼器神經元個數分別為144、72和36，且都采用sigmoid傳輸函數；

(3)采用兩層人工神經網絡ANN結合BP算法對堆疊加權自編碼器的網絡權重進行有監督的調整；兩層人工神經網絡的神經元個數分別為18、4，分別采用sigmoid、softmax傳輸函數，和三層加權自編碼器構成深度神經網絡，利用預先標記好的數據訓練，結合BP算法對堆疊加權自編碼器的網絡權重進行有監督的調整；

(4)訓練完成后，將降維的高階特征作為極限學習機的輸入，利用粒子群優化算法對極限學習機的權值和偏置進行優化；所述極限學習機將堆疊加權自編碼器降維后的36維高階特征作為輸入，所述極限學習機包含一層隱含層，20個神經元，采用sigmoid傳輸函數；將極限學習機的權值和偏置作為粒子群優化算法的粒子，粒子長度D＝k(n+1)，式中：k是隱含層節點個數，k＝20；n是輸入維數，n＝36；

粒子群優化極限學習機的具體步驟為：

1)粒子群優化算法(PSO)初始化，隨機產生m組粒子，θⁱ是第i個粒子，θⁱ＝[w₁₁ⁱ，w₁₂ⁱ，...，w_1kⁱ，w₂₁ⁱ，w₂₂ⁱ，...，w_2kⁱ，...，w_n1ⁱ，w_n2ⁱ，..，w_nkⁱ，b₁ⁱ，b₂ⁱ，..，b_kⁱ]，其中，w，b是[-1，1]之間的隨機數；

2)粒子群優化算法(PSO)參數選擇，其中種群數m＝20，迭代次數t＝100，加速系數c1＝c2＝2，

慣性權重動態更新，ω^t＝(ω_ini-ω_end)(t_max-t)/t_max+ω_end，

式中：ω_ini是初始慣性權重，取ω_ini＝0.9；

ω_end是最大迭代次數時的慣性權重，ω_end＝0.4；

t_max是最大迭代次數，

t是當前迭代數；

3)堆疊加權自編碼器輸出的高階特征作為極限學習機的輸入，極限學習機的分類精度作為適應度值函數，計算每個粒子的適應度值，求出每個粒子的個體最優值和全局最優值；

4)更新粒子的速度和位置；

5)達到最大迭代次數，退出尋優，保存最優的位置，作為極限學習機的參數；

(5)利用優化后的極限學習機對降維后的36維的高階特征進行處理，實現高光譜圖像分類，從而識別棉籽地膜。

2.根據權利要求1所述的基于高光譜成像與深度學習的籽棉地膜在線識別方法，其特征在于：步驟(1)中，高光譜成像儀獲取籽棉地膜在1000nm～2500nm的反射光譜圖像，5.6nm為一譜段，共采集288個譜段的數據。