[發明專利]一種基于高光譜圖像和遷移學習的梨損傷識別方法

在審

• 申請號: 202211225720.9
• 申請日: 2022-10-09
• 公開（公告）號: CN115511855A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 劉大洋;王恩鳳;朱良寬;呂鳳;章慧婷;郭敬濤
• 申請（專利權）人: 東北林業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/20;G06V10/26;G06V10/58;G06V10/764;G06V10/77;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 哈爾濱奧博專利代理事務所(普通合伙) 23220
• 代理人: 葉以方

本發明提出一種基于高光譜圖像和遷移學習的梨損傷識別方法。本發明引入了遷移學習思想，利用不同損傷類型之間的相似性，將在舊領域即擠壓損傷學習過的模型和知識應用于新的領域即碰撞損傷。本發明由于使用兩次遷移的網絡結構，與ResNet50直接遷移到梨碰撞損傷數據的網絡相比，一方面充分利用了擠壓損傷數據預訓練模型對高光譜圖像的淺層特征和深層特征提取能力，另一方面能夠縮短網絡的訓練時間，且有效地提高了梨碰撞損傷高光譜圖像數據的識別精度。

技術領域

本發明屬于高光譜圖像分類技術領域，特別是涉及一種基于高光譜圖像和遷移學習的梨損傷識別方法。

背景技術

梨從果樹上成熟至最后到達消費者手中，中間需要經過采摘、貯藏、包裝和運輸等一系列過程，每個過程都可能產生不同類型的機械損傷。常見的機械損傷類型包括碰撞損傷、擠壓損傷和振動損傷等，不同的采摘、貯藏、包裝和運輸方式造成不同損傷類型的概率也會不同。由于梨機械損傷初期表皮未破損，肉眼難以察覺，最終導致果品腐爛程度不斷加重，不僅影響消費者的購買欲望，還會感染健康的果品，極大地影響了梨產業的經濟效益。因此，建立一種梨果實早期機械損傷無損傷識別方法對該產業的健康發展具有重大意義。高光譜圖像技術同時融合了圖像與光譜信息，具有“圖譜合一”的特點，高光譜圖像分辨率高、可以采集果品內外部品質信息等特點使得高光譜圖像技術已經廣泛地應用于蘋果、藍莓和梨等水果的機械損傷檢測中。

高光譜圖像分類算法根據訓練樣本的有無分為有監督分類、無監督分類以及半監督分類，無監督分類中常用算法有K-means、ISODATA聚類等算法，缺點是分類效果較差。有監督分類利用訓練樣本提取特征向量或者特征波段對分類器進行訓練，然后利用訓練好的分類器對待測樣本進行類別判定，常用算法有支持向量機、KNN、決策樹與深度學習網絡等算法等。這些監督學習算法的優良分類性能往往需要大量的標記樣本作為支撐。但是，對高光譜數據進行標記需要耗費大量的人力和物力，獲得大規模標記數據非常困難。當訓練樣本數目有限時，隨著參與運算波段數目的增加，導致樣本數目的相對減少，分類精度“先增后降”，這就是Hughes現象。因此，在有標簽樣本有限的情況下學習出泛化能力強的分類模型是現今高光譜圖像分析領域的研究熱點。

目前，大多數關于水果損傷識別的文獻只對單一損傷類型(碰撞損傷或擠壓損傷)的水果進行識別，不能滿足實際生產過程的技術需求。雖然也有少數文獻對多種損傷類型的水果損傷進行識別，但這類研究采用的方法是將所有損傷類型的樣本混合后進行建模，此類方法需要大量的標記樣本作為支撐，顯著地增加了人力、物力的消耗。

發明內容

本發明目的是為了解決現有技術中的問題，提出了一種基于高光譜圖像和遷移學習的梨損傷識別方法。為解決上述問題，本發明引入了遷移學習思想，利用不同損傷類型之間的相似性，將在舊領域(擠壓損傷)學習過的模型和知識應用于新的領域(碰撞損傷)。優點是：(1)訓練和測試數據服從不同的分布；(2)不需要足夠的數據標注；(3)模型可以在不同任務之間遷移，利用遷移學習可以解決大數據與少標注之間矛盾問題。本發明提出了首先通過公共數據集ImageNet訓練ResNet 50網絡，用梨擠壓損傷高光譜數據集進行微調，再將模型遷移到梨碰撞損傷高光譜數據集上，從而得到精度較高的梨損傷的識別模型。

本發明是通過以下技術方案實現的，本發明提出一種基于高光譜圖像和遷移學習的梨損傷識別方法，所述方法具體包括：

步驟1、利用公共數據集ImageNet訓練深度學習網絡ResNet 50，得到預訓練模型M；

步驟2、采集梨擠壓損傷和碰撞損傷樣品的原始高光譜數據，并對各個原始高光譜數據進行預處理，獲得預處理后的高光譜數據；

步驟3、對預處理后的高光譜數據進行特征提取得到梨擠壓損傷的特征圖像；

步驟4、利用梨擠壓損傷的特征圖像對模型M進行微調，記微調收斂后的模型為M1，保存訓練好的模型M1結構及其權重參數；