[發明專利]一種基于深度級聯森林和高光譜圖像的玉米品種鑒別方法

在審

• 申請號: 201910400622.6
• 申請日: 2019-05-15
• 公開（公告）號: CN110108644A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 陳云浩;邵琦;李京
• 申請（專利權）人: 北京師范大學
• 主分類號: G01N21/17
• 分類號: G01N21/17;G06K9/00;G06K9/32;G06K9/62;G06T5/00;G06T7/11;G06T7/155
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 許天易

1.一種基于深度級聯森林和高光譜圖像的玉米品種鑒別方法，其特征在于，包括以下步驟：

步驟1：對玉米影像數據進行預處理，得到全波段影像數據；

步驟2：選取有效波段的玉米影像數據；以及

步驟3：將所述有效波段的玉米影像數據作為特征集，采用深度級聯森林模型進行模型分類。

2.根據權利要求1所述的玉米品種鑒別方法，其特征在于，其中，所述步驟1包括：通過高光譜圖像采集系統采集玉米影像數據；對所述玉米影像數據進行校正；提取玉米的感興趣區域(ROI)影像數據；以及對提取的所述玉米的感興趣區域影像數據進行光譜校正，得到所述全波段影像數據。

3.根據權利要求2所述的玉米品種鑒別方法，其特征在于，其中，

通過高光譜圖像采集系統來采集玉米影像數據，且只保留在波段范圍533-893.4nm內等間距選擇的146個波段的玉米影像數據；

采用校正公式對所述玉米影像數據進行校正，所述校正公式為：

采用基于距離變換的標記分水嶺分割算法提取每個玉米的感興趣區域(ROI)影像數據；

采用Savitzky-Golay平滑(S-G平滑)算法對提取的所述玉米感興趣區域(ROI)影像數據進行光譜校正。

4.根據權利要求1所述的玉米品種鑒別方法，其特征在于，采用Boruta算法對全波段影像數據進行篩選，選出其中的有效波段影像數據。

5.根據權利要求4所述的玉米品種鑒別方法，其特征在于，所述Boruta算法的過程如下：

為每個特征構建影子特征混入訓練集，并去除這些特征與類別的關聯；

在混入影子特征的訓練集上訓練隨機森林分類器；

利用特征的平均損失和標準偏差計算Z-score；

刪除Z-score比影子特征差的特征；以及

當所有特征被確認或者算法達到設置的迭代次數時，算法停止。

6.根據權利要求1所述的玉米品種鑒別方法，其特征在于，所述深度級聯森林模型包含兩個階段：多粒度掃描和級聯森林階段。

7.根據權利要求6所述的玉米品種鑒別方法，其特征在于，所述級聯森林的每一層結構由均由500棵決策樹組成的四個隨機森林組成，其中所述四個隨機森林包括兩個完全隨機森林和兩個普通隨機森林，其中，前兩個代表所述完全隨機森林，剩余兩個代表所述普通隨機森林，然后通過gini分裂篩選分裂節點；在所述級聯森林階段中，每層的四個隨機森林都采用了k折交叉驗證方法，當級聯森林中的一層完成訓練后，用此模型來對一個檢驗集進行預測，如果當前層的準確率比前一層的準確率高，則繼續構造級聯森林的下一層，直至當前層對檢驗集的準確率較前一層的準確率不再提升，訓練就會終止，模型因此而確定。

8.根據權利要求6所述的玉米品種鑒別方法，其特征在于，所述多粒度掃描采用不同尺寸的滑動窗口在玉米影像上做滑動，得到原始特征信息。

9.根據權利要求8所述的玉米品種鑒別方法，其特征在于，采用7、9和11三種尺度的窗口在玉米影像上做滑動，分類是三類。

10.根據權利要求9所述的玉米品種鑒別方法，其特征在于，窗口7將會生成19個7×7的訓練子影像，這些數據輸入一個完全隨機森林和一個普通隨機森林訓練，每個子影像生成一個3維的分類可能性向量，級聯之后生成一個114維的特征向量，窗口9將會得到108維的特征向量，窗口11將會得到102維的特征向量；所述114維的特征向量訓練第一級的級聯森林，所述108維的特征向量訓練第二級的級聯森林，所述102維的特征向量訓練第三級的級聯森林，重復這一過程，直至檢驗集上精度收斂，取級聯森林的最后一層的可能性向量的類別平均值，之后取最大值作為最終的預測結果。