[發明專利]一種基于輕量型卷積神經網絡的小麥種子品種鑒別的方法

在審

• 申請號: 202111287410.5
• 申請日: 2021-11-02
• 公開（公告）號: CN113920376A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 趙鑫;闕昊天;黃敏;朱啟兵
• 申請（專利權）人: 江南大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06V10/25;G06V10/10;G06N3/04;G06N3/08
• 代理公司: 無錫華源專利商標事務所(普通合伙) 32228
• 代理人: 過顧佳

1.一種基于輕量型卷積神經網絡的小麥種子品種鑒別的方法，其特征在于，所述方法包括：

采集若干種不同品種的小麥種子樣本的高光譜圖像，并對每個高光譜圖像進行預處理校準為樣本圖像；

對每個樣本圖像進行降維處理得到降維后的樣本圖像，所述降維后的樣本圖像包括所述樣本圖像對應的若干個波段子區間的圖像；

將降維后的樣本圖像作為輸入、對應的小麥種子樣本的品種作為輸出，基于輕量型卷積神經網絡訓練得到小麥種子分類模型，所述輕量型卷積神經網絡依次包括分組卷積層、標準卷積層、全連接層和分類器，所述分組卷積層包括多個平行的卷積單元，所述分組卷積層同時通過各個卷積單元分別提取輸入的圖像的不同波段子區間的特征，所述標準卷積層對各個卷積單元提取的特征進行特征融合；

獲取待分類小麥種子的高光譜圖像并進行預處理校準和降維處理后，輸入至訓練得到的所述小麥種子分類模型中，得到所述待分類小麥種子的品種。

2.根據權利要求1所述的方法，其特征在于，每個卷積單元分別包括從輸入到輸出依次相連的二維卷積核、批規范化層、激活函數層和二維池化層，激活函數層采用ReLU作為激活函數，二維池化層用于壓縮網絡參數。

3.根據權利要求2所述的方法，其特征在于，每個卷積單元的二維卷積核為32個大小為3×3、步長為1、padding方式為same的卷積核，每個標準卷積層的卷積核為32個大小為3×3、步長為1、padding方式為same的卷積核。

4.根據權利要求1所述的方法，其特征在于，所述輕量型卷積神經網絡在所述分組卷積層后包括兩個依次級聯的所述標準卷積層，所述分類器采用Softmax分類器，所述輕量型卷積神經網絡的采用交叉熵作為損失函數并使用Adam梯度下降優化算法。

5.根據權利要求1所述的方法，其特征在于，所述對每個高光譜圖像進行預處理校準為樣本圖像，包括：

按照對所述高光譜圖像進行黑白板校正，其中，I表示所述高光譜圖像，I_calibration表示黑白板校正后的高光譜圖像，I_Black為黑板圖像，I_White為標準白板圖像；

利用預定分割算法對經過黑白板校正的高光譜圖像進行圖像分割提取得到若干個感興趣區域，對分割得到的每個感興趣區域填補零值像素至預設圖像尺寸得到樣本圖像，各個樣本圖像的圖像尺寸均相同。

6.根據權利要求5所述的方法，其特征在于，所述利用預定分割算法對經過黑白板校正的高光譜圖像進行圖像分割提取得到若干個感興趣區域，包括：

提取所述經過黑白板校正的高光譜圖像上460nm、525nm以及621nm處的光譜反射率分別作為RGB圖像的藍色分量B、綠色分量G以及紅色分量R組成偽RGB圖像；

將所述偽RGB圖像從RGB色彩空間轉換到YCbCr色彩空間上，并提取Cb分量作為灰度圖；

對提取得到的所述灰度圖進行K均值聚類后分割得到包括小麥種子樣本的前景區域和包括其他部分的背景區域；

將前景區域內的像素值置為1、背景區域內的像素值置為0得到二值圖像，對所述二值圖像進行形態學操作切割得到各個感興趣區域。

7.根據權利要求6所述的方法，其特征在于，所述對所述二值圖像進行形態學操作切割得到各個感興趣區域，包括：

對所述二值圖像使用長度為5的橫向條狀結構體變量以及長度為5的縱向條狀結構體變量與直徑為8的圓形結構體變量進行開操作處理，以及使用直徑為5的圓形結構體變量進行閉操作處理，得到小麥種子樣本的二值掩膜；

對所述二值掩膜進行8連通尋找所述二值掩膜的連通區域，并返回每個連通區域的二值掩膜以及標簽，根據所述二值掩膜切割所述二值圖像得到每個感興趣區域。