[發明專利]一種基于顯微高光譜技術的病原菌種類鑒別方法及系統

在審

• 申請號: 202110018253.1
• 申請日: 2021-01-07
• 公開（公告）號: CN112861627A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 杜劍;張周鋒;劉嘉誠;于濤;胡炳樑
• 申請（專利權）人: 中國科學院西安光學精密機械研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 胡樂

1.一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，包括：

步驟1)獲取待測病原菌樣本的原始高光譜數據；

步驟2)對所述原始高光譜數據進行白化處理，得到簡化的高光譜數據；

步驟3)對所述簡化的高光譜數據進行主成分分析(PCA)，得到主成分圖像；

步驟4)將所述主成分圖像輸入預先建立并訓練得到的卷積神經網絡模型；

所述卷積神經網絡模型是取已知種類的多種病原菌樣本，分別依次參考步驟1)、步驟2)及步驟3)，然后基于主成分圖像建立模型并訓練；

步驟5)通過所述卷積神經網絡模型輸出病原菌種類鑒別結果。

2.根據權利要求1所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，步驟4)中所述卷積神經網絡模型，包括輸入層、第一卷積層、第二卷積層、池化層、全連接層和輸出層；其中兩個卷積層和池化層作為可訓練的特征提取器，全連接層作為可訓練的分類器。

3.根據權利要求2所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，步驟4)中，具體是在主成分圖像中提取病原菌目標點作為模型處理樣本，將模型處理樣本的中心樣本點的小鄰域數據作為模型輸入，每個小鄰域都包含了光譜和空間信息。

4.根據權利要求3所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，所述小鄰域的數據結構為7×7×10，并將7×7×10的數據展開為49×10作為模型輸入。

5.根據權利要求4所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，所述卷積神經網絡模型中，第一卷積層的卷積核數量為8個，尺寸為3×3，第二卷積層的卷積核數量為16個，尺寸為4×4，池化核尺寸為2×2，全連接層神經元個數為100，dropout設置為0.5，采用adam的優化方法進行訓練。

6.根據權利要求1所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，步驟2)中所述白化處理將原始高光譜數據的協方差矩陣轉變為單位矩陣，具體包括以下步驟：

首先，將原始高光譜數據進行零均值化處理，對零均值化后的數據x構造自相關矩陣R_x；

R_x＝E(xx^T)≠I (1)

式(1)中，E(·)為期望，I為單位矩陣；

然后，采用空間白化矩陣B對x進行線性變換，即y＝Bx，使得

R_y＝BE(xx^T)B^T＝Ι (2)

式(2)中，y為白化變換后的數據；令B＝Λ^-1/2Φ^T，式(2)變換為

R_y＝(Λ^-1/2Φ^T)ΦΛΦ^T(Λ^-1/2Φ^T)^T＝I (3)

式(3)中，Φ是正交矩陣，Λ是對角化矩陣，其對角元素是R_x的特征值；

通過空間白化矩陣B的線性變換后，y的各分量不再相關，特征方差單位化使得各特征之間相互獨立。

7.根據權利要求6所述的一種基于顯微高光譜技術的病原菌種類鑒別方法，其特征在于，步驟3)中所述主成分分析，具體計算過程如下：

3.1)去平均值，即每一位特征減去各自的平均值；

3.2)計算x和y的協方差矩陣：

3.3)計算協方差矩陣的特征值與特征向量，協方差為正時說明x和y是正相關關系，協方差為負時x和y是負相關關系，協方差為0時x和y相互獨立；若Ax＝λx，則λ為A的特征值，x是對應的特征向量；

3.4)特征值從大到小排序；

3.5)保留最大的m個特征向量；

3.6)將白化處理后的高光譜數據轉換到m個特征向量構建的新空間中。