[發(fā)明專利]一種基于高光譜圖像技術的藏紅花分類方法

在審

• 申請?zhí)枺?/td>: 201911283344.7
• 申請日: 2019-12-13
• 公開（公告）號: CN110849828A
• 公開（公告）日: 2020-02-28
• 發(fā)明（設計）人: 盧曉慧
• 申請（專利權）人: 嘉興職業(yè)技術學院;嘉興市秀洲區(qū)天禾藏紅花專業(yè)合作社
• 主分類號: G01N21/27
• 分類號: G01N21/27;G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 北京和信華成知識產(chǎn)權代理事務所(普通合伙) 11390
• 代理人: 胡劍輝

1.一種基于高光譜圖像技術的藏紅花分類方法，其特征在于，所述方法包括：

（1）對于每種藏紅花品級，分別采集所述藏紅花品級所對應的預設數(shù)量個藏紅花樣本的高光譜圖像；

（2）對于每個高光譜圖像，將所述高光譜圖像劃分為50*50像素點的感興趣區(qū)域，所述高光譜圖像內(nèi)每個像素點對應一條光譜數(shù)據(jù)，再對所述感興趣區(qū)域作去背景處理后，將所述感興趣區(qū)域內(nèi)各像素點所對應光譜數(shù)據(jù)的平均值，確定為所述高光譜圖像所對應藏紅花樣本的光譜數(shù)據(jù)；

（3）對于每種藏紅花品級，將所述藏紅花品級所對應的預設數(shù)量個藏紅花樣本的光譜數(shù)據(jù)劃分為校正集和驗證集，將所述校正集包括的各條光譜數(shù)據(jù)及對應的藏紅花品級作為一組輸入關系，采用特征變量提取算法與反饋神經(jīng)網(wǎng)絡算法的融合算法建立特征變量提取-反饋神經(jīng)網(wǎng)絡模型并進行訓練，所述特征變量提取算法用于提取光譜數(shù)據(jù)對應的特征光譜，所述反饋神經(jīng)網(wǎng)絡算法的輸入數(shù)據(jù)為特征光譜，輸出數(shù)據(jù)為藏紅花品級；

（4）對于待分類的目標藏紅花樣本，采集所述目標藏紅花樣本的高光譜圖像所對應的目標光譜數(shù)據(jù)，將所述目標光譜數(shù)據(jù)輸入至所述特征變量提取-反饋神經(jīng)網(wǎng)絡模型，計算得到所述目標藏紅花樣本所對應的藏紅花品級。

2.根據(jù)權利要求1所述的方法，其特征在于，步驟（3）中所述特征變量提取算法為連續(xù)投影算法、遺傳算法、無信息變量消除算法和競爭自適應重加權算法中的一種。

3.根據(jù)權利要求2所述的方法，其特征在于，步驟（3）中所述特征變量提取算法為競爭自適應重加權算法。

4.根據(jù)權利要求1所述的方法，其特征在于，步驟（2）之后，所述方法還包括：

采用Savitzky-Golay平滑算法，以二次多項式15點平滑對采集的各個藏紅花樣本對應的光譜數(shù)據(jù)進行去噪處理。

5.根據(jù)權利要求1所述的方法，其特征在于，步驟（3）中輸入所述特征變量提取-反饋神經(jīng)網(wǎng)絡模型的光譜為430~1023nm波段的光譜數(shù)據(jù)。

6.根據(jù)權利要求1所述的方法，其特征在于，步驟（3）中所述特征變量提取-反饋神經(jīng)網(wǎng)絡模型為三層結構，各層傳遞函數(shù)采用Sigmoid函數(shù)，所述特征變量提取-反饋神經(jīng)網(wǎng)絡模型的工作參數(shù)包括：網(wǎng)絡輸入層節(jié)點數(shù)為459，第一隱含層節(jié)點數(shù)為20，第二隱含層節(jié)點數(shù)為10，輸出層節(jié)點數(shù)為1，目標誤差值為0.00001，網(wǎng)絡學習速率為0.1，訓練迭代次數(shù)為10000，判別閾值為0.5。

7.根據(jù)權利要求1所述的方法，其特征在于，步驟（1）中高光譜圖像的采集通過高光譜成像裝置實現(xiàn)，所述高光譜成像裝置包括高光譜成像儀、高光譜攝像頭、線光源、移動平臺、計算機及暗箱；所述線光源分布于所述暗箱內(nèi)部空間的兩側；所述移動平臺設于所述暗箱的底部并與移動電機電連接；所述高光譜攝像頭設于所述暗箱內(nèi)部空間的頂部；所述高光譜成像儀設于所述暗箱外部；所述計算機設于所述暗箱的外部，并通過連接線分別與所述高光譜攝像頭、所述高光譜成像儀、所述線光源、所述移動平臺電信號連接。

8.根據(jù)權利要求7所述的方法，其特征在于，步驟（1）之后，所述方法還包括：

對采集的各個藏紅花樣本的高光譜圖像進行黑白板校正，校正工序采用的校正公式為

其中， 為采集的高光譜圖像，為采集標準白色校正板得到的全白標定圖像， 為采集旋上高光譜攝像頭鏡頭蓋得到的全黑標定圖像，為黑白板校正后的高光譜圖像。