基于混合卷积网络的小麦种子高光谱图像分类方法及系统技术方案

本发明专利技术涉及一种基于混合卷积网络的小麦种子高光谱图像分类方法及系统，包括以下步骤：采集小麦种子的高光谱图像；提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像；构建混合卷积模型，所述混合卷积模型包括一维卷积模块和二维卷积模块，所述一维卷积模块用于提取光谱特征，所述二维卷积模块用于提取空间特征；通过所述混合卷积模型对所述单个小麦种子的高光谱图像进行识别，获得小麦种子品种的分类。其耗时短，不会对种子造成损伤，满足现代农业生产中快速无损的要求，高效便捷。高效便捷。高效便捷。

【技术实现步骤摘要】
基于混合卷积网络的小麦种子高光谱图像分类方法及系统


[0001]本专利技术涉及图像分类
，尤其是指一种基于混合卷积网络的小麦种子高光谱图像分类方法及系统。

技术介绍

[0002]小麦是世界上分布最广的粮食作物之一，其中麦种质量对农业生产安全至关重要。种子纯度是指种子的遗传特性一致的程度，其分类是种子质量检测的重要指标，有利于农产品质量的控制。随着育种研究的快速发展，各种优质种子大量涌入市场，丰富了农业生产，但也使种子品种检测问题复杂化。虽然传统的生化分析方法准确度高，但这些方法时间长，可能对种子造成损伤，不能满足现代农业生产中快速无损的要求。因此，开发一种快速、高效的种子品种检测方法对提高农业生产效率具有重要意义。

技术实现思路

[0003]为此，本专利技术所要解决的技术问题在于克服现有技术中小麦种子品种检测所消耗的时间长，易对种子造成损伤的技术缺陷。
[0004]为解决上述技术问题，本专利技术提供了一种基于混合卷积网络的小麦种子高光谱图像分类方法，包括以下步骤：
[0005]S1、采集小麦种子的高光谱图像；
[0006]S2、提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像；
[0007]S3、构建混合卷积模型，所述混合卷积模型包括一维卷积模块和二维卷积模块，所述一维卷积模块用于提取光谱特征，所述二维卷积模块用于提取空间特征；
[0008]S4、通过所述混合卷积模型对所述单个小麦种子的高光谱图像进行识别，获得小麦种子品种的分类。
[0009]作为优选的，所述S1和S2之间还包括：对高光谱图像进行标准校正，使得光谱反射率值在0到1之间，获得校正后的高光谱图像。
[0010]作为优选的，所述S2包括：
[0011]根据高光谱图像构建伪RGB图像，将所述伪RGB图像转换成YCbCr图像；
[0012]提取YCbCr图像中的Cb通道，对其进行自动阈值分割，选取小麦种子作为感兴趣区域，生成二值掩膜图像；
[0013]将二值掩膜图像与高光谱图像相乘，并分割成单个小麦种子的高光谱图像，对空白部分补零。
[0014]作为优选的，所述S3中，所述一维卷积模块包括依次设置的一维卷积层、标准化层、激活函数层和最大池化层。
[0015]作为优选的，所述S3中，所述一维卷积层中卷积核大小为5
×
1，步长为1，填充方式[0，0]；标准化层采用批处理；激活函数采用ReLU函数；最大池化层中卷积核的为3
×
1，步长为2，填充方式[0，0]。
[0016]作为优选的，所述S3中，所述二维卷积模块包括依次设置的二维卷积层、标准化层、激活函数层、二维卷积层、激活函数层和最大池化层。
[0017]作为优选的，所述二维卷积层中卷积核大小为3
×
3，步长为1，填充方式[0，0，0，0]；标准化层采用批处理；激活函数采用ReLU函数；最大池化层中卷积核的为2
×
2，步长为2，填充方式[0，0，0，0]。
[0018]作为优选的，所述S3中，一维卷积模块和二维卷积模块皆具有两个。
[0019]作为优选的，所述混合卷积模型还包括全局平局池化层和全连接层，
[0020]其中，所述所述全局池化层对图像进行全局平均化，获得平均光谱值，所述一维卷积模块提取平均光谱值的光谱特征；所述二维卷积模块提取图像的空间特征；所述全连接层联合一维卷积模块输出的光谱特征和二维卷积模块输出的空间特征，并通过softmax层输出网络预测结果。
[0021]本专利技术公开了一种基于混合卷积网络的小麦种子高光谱图像分类系统，包括：
[0022]图像采集模块，所述图像采集模块用于采集小麦种子的高光谱图像；
[0023]感兴趣区域提取模块，所述感兴趣区域提取模块用于提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像；
[0024]混合模型构建模块，所述混合模型构建模块用于构建混合卷积模型，所述混合卷积模型包括一维卷积模块和二维卷积模块，所述一维卷积模块用于提取光谱特征，所述二维卷积模块用于提取空间特征；
[0025]识别模块，所述识别模块通过所述混合卷积模型对所述单个小麦种子的高光谱图像进行识别，获得小麦种子品种的分类。
[0026]本专利技术的上述技术方案相比现有技术具有以下优点：
[0027]1、本专利技术为了充分利用小麦种子的空间和光谱信息，对小麦种子的高光谱图像进行了一维和二维的混合卷积分析；相比于单一的卷积操作，混合卷积可以同时提取到空间和光谱维度上的特征，极大地提高了模型的分类精度，且拥有良好的泛化性能。
[0028]2、本专利技术中的小麦种子高光谱图像分类方法，耗时短，不会对种子造成损伤，满足现代农业生产中快速无损的要求，高效便捷。
附图说明
[0029]图1为本专利技术的实施总流程图
[0030]图2为小麦种子高光谱图像数据预处理示意图；
[0031]图3为混合卷积深度学习分类模型结构示意图。
具体实施方式
[0032]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0033]参照图1
‑
图3所示，本专利技术公开了一种基于混合卷积网络的小麦种子高光谱图像分类方法，包括以下步骤：
[0034]步骤一、采集小麦种子的高光谱图像；
[0035]步骤二、提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像，具体包
括：
[0036]根据高光谱图像构建伪RGB图像，将伪RGB图像转换成YCbCr图像；
[0037]提取YCbCr图像中的Cb通道，对其进行自动阈值分割，选取小麦种子作为感兴趣区域，生成二值掩膜图像；
[0038]将二值掩膜图像与高光谱图像相乘，并分割成单个小麦种子的高光谱图像，对空白部分补零。
[0039]其中，步骤一和步骤二之间还包括：对高光谱图像进行标准校正，使得光谱反射率值在0到1之间，获得校正后的高光谱图像。
[0040]步骤三、构建混合卷积模型，混合卷积模型包括一维卷积模块和二维卷积模块，一维卷积模块用于提取光谱特征，二维卷积模块用于提取空间特征。
[0041]其中，一维卷积模块包括依次设置的一维卷积层、标准化层、激活函数层和最大池化层，一维卷积层中卷积核大小为5
×
1，步长为1，填充方式[0，0]；标准化层采用批处理；激活函数采用ReLU函数；最大池化层中卷积核的为3
×
1，步长为2，填充方式[0，0]。
[0042]二维卷积模块包括依次设置的二维卷积层、标准化层、激活函数层、二维卷积层、激活函数层和最大池化层。二维卷积层中卷积核大小为3
×
3，步长为1，填充方式[0，0，0，0]；标准化层采用批处理；激活函数采用ReLU函数；最大池化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合卷积网络的小麦种子高光谱图像分类方法，其特征在于，包括以下步骤：S1、采集小麦种子的高光谱图像；S2、提取高光谱图像的感兴趣区域，获得单个小麦种子的高光谱图像；S3、构建混合卷积模型，所述混合卷积模型包括一维卷积模块和二维卷积模块，所述一维卷积模块用于提取光谱特征，所述二维卷积模块用于提取空间特征；S4、通过所述混合卷积模型对所述单个小麦种子的高光谱图像进行识别，获得小麦种子品种的分类。2.根据权利要求1所述的基于混合卷积网络的小麦种子高光谱图像分类方法，其特征在于，所述S1和S2之间还包括：对高光谱图像进行标准校正，使得光谱反射率值在0到1之间，获得校正后的高光谱图像。3.根据权利要求1所述的基于混合卷积网络的小麦种子高光谱图像分类方法，其特征在于，所述S2包括：根据高光谱图像构建伪RGB图像，将所述伪RGB图像转换成YCbCr图像；提取YCbCr图像中的Cb通道，对其进行自动阈值分割，选取小麦种子作为感兴趣区域，生成二值掩膜图像；将二值掩膜图像与高光谱图像相乘，并分割成单个小麦种子的高光谱图像，对空白部分补零。4.根据权利要求1所述的基于混合卷积网络的小麦种子高光谱图像分类方法，其特征在于，所述S3中，所述一维卷积模块包括依次设置的一维卷积层、标准化层、激活函数层和最大池化层。5.根据权利要求4所述的基于混合卷积网络的小麦种子高光谱图像分类方法，其特征在于，所述S3中，所述一维卷积层中卷积核大小为5
×
1，步长为1，填充方式[0，0]；标准化层采用批处理；激活函数采用ReLU函数；最大池化层中卷积核的为3
×
1，步长为2，填充方式[0，0]。6.根据权利要求1所述的基于混合卷积网络的小麦种子高光谱图像分类方法，其...

【专利技术属性】
技术研发人员：赵鑫，黄敏，朱启兵，阙昊天，
申请(专利权)人：江南大学，
类型：发明
国别省市：