本發(fā)明屬于高光譜應(yīng)用，具體涉及一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類技術(shù)。

背景技術(shù)：

1、黃豆（大豆）在全球范圍內(nèi)具有重要的地位，既是主要的農(nóng)業(yè)作物之一，也是一種富含營(yíng)養(yǎng)的食品原料。黃豆在國(guó)際市場(chǎng)中有著廣泛的貿(mào)易流通，尤其是用于飼料、植物蛋白、食用油以及食品加工等行業(yè)。美國(guó)、巴西等國(guó)是全球主要的黃豆生產(chǎn)和出口國(guó)。

2、市面上假種子確實(shí)很難區(qū)分，特別是隨著科技的進(jìn)步，假種子的外觀和品質(zhì)越來(lái)越接近真種子。假種子不僅可能帶來(lái)經(jīng)濟(jì)損失，還可能影響農(nóng)業(yè)生產(chǎn)的質(zhì)量和產(chǎn)量。

3、近年來(lái)，高光譜圖像技術(shù)是取得迅猛發(fā)展的一種先進(jìn)技術(shù)，它將光譜信息和圖像信息融合在一起，為無(wú)損檢測(cè)提供了全新的途徑。通過(guò)這項(xiàng)技術(shù)，不僅可以獲取樣品的光譜信息，還能夠?qū)崿F(xiàn)對(duì)樣品圖像的采集。這種融合使得在進(jìn)行種子分類時(shí)可以獲得更加全面豐富的數(shù)據(jù)和信息。通過(guò)高光譜圖像技術(shù)，能夠得到不同波長(zhǎng)下的光譜信息以及樣品的形態(tài)特征。這有助于提高品質(zhì)分析的準(zhǔn)確性和效率。

4、然而，高光譜圖像通常包含大量的波段，如果圖像噪聲較多或存在缺失值，可能會(huì)影響分類準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法及系統(tǒng)，其目的是解決高光譜數(shù)據(jù)篩選時(shí)，由于高光譜圖像包含大量的波段，一旦圖像噪聲較多或存在缺失值，則會(huì)導(dǎo)致分類準(zhǔn)確類偏低的問(wèn)題。

2、本發(fā)明提出的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法包括：

3、s1：采集黃豆籽粒高光譜圖像和光譜數(shù)據(jù)；

4、s2：對(duì)所述高光譜圖像進(jìn)行黑白矯正，得到處理后的黃豆籽粒圖像，選出最優(yōu)波段；

5、s3：將所述高光譜圖像劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

6、s4：選取resnet34深度學(xué)習(xí)模型；

7、s5：對(duì)所述resnet34深度學(xué)習(xí)模型進(jìn)行處理，獲得senet-resnet34-dcn模型；

8、s6：將訓(xùn)練集、測(cè)試集和驗(yàn)證集輸入到所述senet-resnet34-dcn模型中，輸出分類結(jié)果。

9、更進(jìn)一步地，提供優(yōu)選方案：所述s1中，采用高光譜圖像采集設(shè)備采集黃豆籽粒高光譜圖像和光譜數(shù)據(jù)，所述高光譜圖像采集設(shè)備包括：pika高光譜成像儀、線性移動(dòng)平臺(tái)、安裝塔、照明裝置以及計(jì)算機(jī)。

10、更進(jìn)一步地，提供優(yōu)選方案：所述s2中，采用spa算法和knn算法選出最優(yōu)波段。

11、更進(jìn)一步地，提供優(yōu)選方案：獲得462個(gè)光譜的光譜平均值，根據(jù)每次迭代的均方誤差來(lái)提取相應(yīng)的特征波段。

12、更進(jìn)一步地，提供優(yōu)選方案：所述s2包括：將spa算法提取出的波段作為數(shù)據(jù)集，每個(gè)波段作為一個(gè)特征，對(duì)每個(gè)波段采用knn算法進(jìn)行訓(xùn)練，并使用5折交叉驗(yàn)證對(duì)每個(gè)波段進(jìn)行評(píng)估，根據(jù)評(píng)分選取最優(yōu)波段。

13、更進(jìn)一步地，提供優(yōu)選方案：所述s5具體為：在resnet34深度學(xué)習(xí)模型的最大池化層和layer1之后加入senet注意力機(jī)制，獲得senet-resnet34-dcn模型，其中l(wèi)ayer1在resnet34中代表的是網(wǎng)絡(luò)的第一個(gè)殘差塊部分。

14、更進(jìn)一步地，提供優(yōu)選方案：所述s5還包括：在所述senet-resnet34-dcn模型中，采用可變形卷積代替普通卷積。

15、本發(fā)明還提出一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述處理器運(yùn)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序時(shí)，所述處理器執(zhí)行根據(jù)上述任一項(xiàng)或多項(xiàng)方案組合所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法。

16、本發(fā)明還提出一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于儲(chǔ)存計(jì)算機(jī)程序，所述計(jì)算機(jī)程序執(zhí)行上述任一項(xiàng)或多項(xiàng)方案組合所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法的步驟。

17、本發(fā)明還提出一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類系統(tǒng)，所述系統(tǒng)基于上述任意一項(xiàng)或多項(xiàng)方案組合所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像方法實(shí)現(xiàn)，所述系統(tǒng)包括：

18、數(shù)據(jù)采集模塊：用于采集黃豆籽粒高光譜圖像和光譜數(shù)據(jù)；

19、圖像矯正模塊：用于對(duì)所述高光譜圖像進(jìn)行黑白矯正，得到處理后的黃豆籽粒圖像，選出最優(yōu)波段；

20、圖像劃分模塊：用于將所述高光譜圖像劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

21、模型選取模塊：用于選取resnet34深度學(xué)習(xí)模型；

22、模型改進(jìn)模塊：用于對(duì)所述resnet34深度學(xué)習(xí)模型進(jìn)行處理，獲得senet-resnet34-dcn模型；

23、數(shù)據(jù)分類模塊：用于將訓(xùn)練集、測(cè)試集和驗(yàn)證集輸入到所述senet-resnet34-dcn模型中，輸出分類結(jié)果。

24、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢(shì)在于：

25、本發(fā)明提出的基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，利用spa和knn算法選取最優(yōu)波段，形成新數(shù)據(jù)集。spa?算法能從全波段中提取關(guān)鍵特征波長(zhǎng)，去除原始光譜矩陣中的冗余信息；knn?算法通過(guò)測(cè)量距離進(jìn)行分類，二者結(jié)合可提高黃豆種子的分類準(zhǔn)確率。例如，通過(guò)對(duì)不同波段使用?knn?進(jìn)行訓(xùn)練，并利用5折交叉驗(yàn)證評(píng)估選取重要性較高的波段，為分類提供更有效的特征，從而提升分類準(zhǔn)確率。

26、本發(fā)明提出的基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法采用?senet?-resnet34?-?dcn?模型，進(jìn)一步優(yōu)化模型性能、泛化能力和效率。在?resnet34?模型基礎(chǔ)上增加?senet?注意力機(jī)制，可讓卷積網(wǎng)絡(luò)更關(guān)注對(duì)任務(wù)有貢獻(xiàn)的特征，提高對(duì)重要信息的識(shí)別能力；利用可變形卷積代替部分普通卷積，能適應(yīng)輸入數(shù)據(jù)中的非均勻特征分布，靈活調(diào)整卷積核形狀，更好地捕捉局部特征，提升對(duì)黃豆種子的分類準(zhǔn)確性，使模型能更好地適應(yīng)具體的黃豆籽粒分類任務(wù)需求。

27、本發(fā)明適用于黃豆種子真?zhèn)舞b別和品質(zhì)分析場(chǎng)景。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述s1中，采用高光譜圖像采集設(shè)備采集黃豆籽粒高光譜圖像和光譜數(shù)據(jù)，所述高光譜圖像采集設(shè)備包括：pika高光譜成像儀、線性移動(dòng)平臺(tái)、安裝塔、照明裝置以及計(jì)算機(jī)。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述s2中，采用spa算法和knn算法選出最優(yōu)波段。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述spa算法的提取方式為：獲得462個(gè)光譜的光譜平均值，根據(jù)每次迭代的均方誤差來(lái)提取相應(yīng)的特征波段。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述s2包括：將spa算法提取出的波段作為數(shù)據(jù)集，每個(gè)波段作為一個(gè)特征，對(duì)每個(gè)波段采用knn算法進(jìn)行訓(xùn)練，并使用5折交叉驗(yàn)證對(duì)每個(gè)波段進(jìn)行評(píng)估，根據(jù)評(píng)分選取最優(yōu)波段。

6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述s5具體為：在resnet34深度學(xué)習(xí)模型的最大池化層和layer1之后加入senet注意力機(jī)制，獲得senet-resnet34-dcn模型，其中l(wèi)ayer1在?resnet34中代表的是網(wǎng)絡(luò)的第一個(gè)殘差塊部分。

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法，其特征在于，所述s5還包括：在所述senet-resnet34-dcn模型中，采用可變形卷積代替普通卷積。

8.計(jì)算機(jī)設(shè)備，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述處理器運(yùn)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序時(shí)，所述處理器執(zhí)行根據(jù)權(quán)利要求1-7中任一項(xiàng)所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法。

9.計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于儲(chǔ)存計(jì)算機(jī)程序，所述計(jì)算機(jī)程序執(zhí)行權(quán)利要求1-7中任一項(xiàng)所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法的步驟。

10.一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類系統(tǒng)，其特征在于，所述系統(tǒng)基于如權(quán)利要求1-7中任一項(xiàng)所述的一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法實(shí)現(xiàn)，所述系統(tǒng)包括：

技術(shù)總結(jié)
一種基于深度學(xué)習(xí)的黃豆籽粒單波段圖像分類方法及系統(tǒng)，屬于高光譜應(yīng)用技術(shù)領(lǐng)域。解決高光譜數(shù)據(jù)篩選時(shí)，由于高光譜圖像包含大量的波段，一旦圖像噪聲較多或存在缺失值，則會(huì)導(dǎo)致分類準(zhǔn)確類偏低的問(wèn)題。方法包括：獲取黃豆籽粒圖像和光譜數(shù)據(jù)；對(duì)采集到的高光譜圖像進(jìn)行黑白校正得到處理后的黃豆籽粒圖像；根據(jù)SPA和KNN算法選出最優(yōu)波段；將原數(shù)據(jù)集和新數(shù)據(jù)集進(jìn)行圖像增強(qiáng)和閾值分割，采用形態(tài)學(xué)方法將黃豆種子樣本與背景分離；通過(guò)SENet?ResNet34?DCN模型訓(xùn)練，提取測(cè)試樣本的多個(gè)特征；輸出分類結(jié)果。本發(fā)明適用于黃豆種子真?zhèn)舞b別和品質(zhì)分析場(chǎng)景。

技術(shù)研發(fā)人員：楊絮,馬可佳,宋紫奕,安曉峰
受保護(hù)的技術(shù)使用者：長(zhǎng)春理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28