[發(fā)明專利]感興趣區(qū)域的確定方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201911101575.1
• 申請(qǐng)日: 2019-11-12
• 公開（公告）號(hào): CN110852322B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設(shè)計(jì)）人: 唐榮年;李創(chuàng);葉林蔚;陳旭鵬;鐘穗希
• 申請(qǐng)（專利權(quán)）人: 海南大學(xué)
• 主分類號(hào): G06V10/25
• 分類號(hào): G06V10/25;G06K9/62;G06V10/774;G06V10/764
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 李偉

1.一種感興趣區(qū)域的確定方法，其特征在于，包括：

獲取目標(biāo)葉片中每個(gè)像素點(diǎn)的光譜曲線；其中，所述光譜曲線為光譜波長(zhǎng)和反射率的關(guān)系曲線，每個(gè)所述光譜曲線的光譜波長(zhǎng)間距相等；

將每個(gè)所述像素點(diǎn)的光譜曲線輸入預(yù)先構(gòu)建的分類模型中，獲得每個(gè)所述像素點(diǎn)的氮含量分類結(jié)果；

依據(jù)每個(gè)所述像素點(diǎn)的氮含量分類結(jié)果，將各個(gè)像素點(diǎn)劃分為多個(gè)像素點(diǎn)集合；

針對(duì)每個(gè)所述像素點(diǎn)集合，對(duì)所述像素點(diǎn)集合中的各個(gè)像素點(diǎn)的光譜曲線進(jìn)行擬合處理，得到所述像素點(diǎn)集合對(duì)應(yīng)的平均光譜曲線；所述平均光譜曲線上的每個(gè)光譜波長(zhǎng)點(diǎn)對(duì)應(yīng)的反射率為各個(gè)光譜曲線在該光譜波長(zhǎng)點(diǎn)的平均反射率；

將每個(gè)所述像素點(diǎn)集合的平均光譜曲線，輸入預(yù)先構(gòu)建的與所述像素點(diǎn)集合對(duì)應(yīng)的預(yù)估模型，得到每個(gè)所述像素點(diǎn)集合的氮含量預(yù)估值；其中，每個(gè)所述像素點(diǎn)集合的氮含量預(yù)估值用于表征所述目標(biāo)葉片的氮含量預(yù)估值；

計(jì)算獲得每個(gè)所述像素點(diǎn)集合的氮含量預(yù)估值與所述目標(biāo)葉片的氮含量實(shí)際值之間的差值；

將最小計(jì)算值所對(duì)應(yīng)的像素點(diǎn)集合作為目標(biāo)像素點(diǎn)集合，并將所述目標(biāo)葉片中與所述目標(biāo)像素集合中的各個(gè)像素點(diǎn)對(duì)應(yīng)的區(qū)域確定為感興趣區(qū)域。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取目標(biāo)葉片中每個(gè)像素點(diǎn)的光譜曲線，包括：

獲取目標(biāo)葉片的高光譜圖像；所述高光譜圖像包括多個(gè)像素點(diǎn)；

從所述高光譜圖像中提取每個(gè)所述像素點(diǎn)的光譜曲線。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述依據(jù)每個(gè)所述像素點(diǎn)的氮含量分類結(jié)果，將各個(gè)像素點(diǎn)劃分為多個(gè)像素點(diǎn)集合，包括：

將氮含量分類結(jié)果相同的像素點(diǎn)組成像素點(diǎn)集合，以實(shí)現(xiàn)將所述目標(biāo)葉片中的各個(gè)像素點(diǎn)劃分為多個(gè)像素點(diǎn)集合。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述像素點(diǎn)集合中的各個(gè)像素的光譜曲線進(jìn)行擬合處理，得到所述像素點(diǎn)集合對(duì)應(yīng)的平均光譜曲線，包括：

確定多個(gè)目標(biāo)光譜波長(zhǎng)點(diǎn)；

針對(duì)每個(gè)所述目標(biāo)光譜波長(zhǎng)點(diǎn)，獲取每個(gè)目標(biāo)光譜曲線在所述目標(biāo)光譜波長(zhǎng)點(diǎn)上的反射率，并基于各個(gè)反射率，計(jì)算獲得所述目標(biāo)光譜波長(zhǎng)點(diǎn)的平均反射率；所述目標(biāo)光譜曲線為所述像素點(diǎn)集合對(duì)應(yīng)的光譜曲線；

將各個(gè)所述目標(biāo)光譜波長(zhǎng)點(diǎn)的平均反射率進(jìn)行擬合，得到所述像素點(diǎn)集合對(duì)應(yīng)的平均光譜曲線。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分類模型的構(gòu)建過程，包括：

采集光譜曲線樣本集合；所述光譜曲線樣本集合中包含多個(gè)光譜曲線樣本及其標(biāo)識(shí)信息，所述光譜曲線樣本的標(biāo)識(shí)信息用于指示該光譜曲線樣本所屬的分類；

將所述光譜曲線樣本集合作為訓(xùn)練集，并將所述訓(xùn)練集劃分為多份訓(xùn)練樣本；

構(gòu)建多個(gè)神經(jīng)網(wǎng)絡(luò)模型；所述神經(jīng)網(wǎng)絡(luò)模型的個(gè)數(shù)至少包括三個(gè)；

從所述訓(xùn)練集中選取一份所述訓(xùn)練樣本，分別對(duì)所述多個(gè)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

針對(duì)已訓(xùn)練的每個(gè)所述神經(jīng)網(wǎng)絡(luò)模型，獲取所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)值，判斷所述損失函數(shù)值是否小于預(yù)設(shè)閾值，若小于，則完成對(duì)所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，若不小于，則從所述訓(xùn)練集中選取一份訓(xùn)練樣本繼續(xù)對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直至該神經(jīng)網(wǎng)絡(luò)模型當(dāng)前的損失函數(shù)值小于所述預(yù)設(shè)閾值；

依據(jù)已訓(xùn)練完成的各個(gè)神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建分類模型。