基于高光谱图像和机器学习的桂圆干品种分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于高光谱图像和机器学习的桂圆干品种分类方法及装置，方法包括：将同一品种桂圆干的多个不同样本为一组进行高光谱成像得到高光谱图像集；将所有高光谱图像集进行图像预处理得到桂圆干高光谱样本集；标明高光谱样本集中不同品种桂圆干图像所属的种类；对高光谱样本集进行数据降维得到降维后的数据集；将降维后的数据集分别导入SVM和KNN学习模型中进行监督学习，使用交叉验证法计算准确率，构建桂圆干分类模型；将处理后待检测桂圆干高光谱图像导入桂圆干分类模型进行分类，得到分类结果。本发明专利技术采用高光谱成像技术结合图像处理技术，提取感兴趣区域，使用K邻近算法和支持向量机两类机器学习模型，实现多种类桂圆干的分类识别。多种类桂圆干的分类识别。多种类桂圆干的分类识别。

【技术实现步骤摘要】
基于高光谱图像和机器学习的桂圆干品种分类方法及装置


[0001]本专利技术属于高光谱图像处理方法与应用
，具体涉及一种基于高光谱图像和机器学习的桂圆干品种分类方法及装置。

技术介绍

[0002]桂圆是我国热带区域重要的经济果树之一，据国家荔枝桂圆产业技术体系统计，2018年，桂圆栽培面积约413.97万亩，产量约157.21万吨，约占世界总产量的50％左右。桂圆干是由鲜桂圆烘干后制成。然而，由于我国桂圆干品种市场的监管长期处于空缺状态，导致了修饰性、模仿性和低水平重复性的桂圆干品种多，“一品多名”、“多品一名”以及假冒侵权等现象时有发生。
[0003]传统的桂圆干品种识别方法是首先对桂圆进行品种分类，再将对应品种的桂圆制成桂圆干。桂圆品种分类主要通过人工检测，通过桂圆的形状，大小和口感等来进行区分；在制成桂圆干后主要通过味道、形状来区分；因此桂圆干分类易受主观判定的影响，比如桂圆干的“果肉香味”这个性状，有5种缩略表达状态“无或极弱、弱、中、强、极强”，该性状主要通过测试人员的嗅觉判断，主观性较大。如果因为这些主观问题导致桂圆干品种分类不准确，就会出现漏选或错选的情况。
[0004]现有技术主观性太强，很容易导致分类不准确，且需要先进行桂圆的品种分类，再根据桂圆的分类结果来得到对应的桂圆干分类结果，过程较为繁复；随着机器学习、图像处理与高光谱技术的发展，为多品种桂圆干的分类检测提供了一种全新的研究方向，对桂圆干品种的分类识别提供了直接客观的保障。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于高光谱图像和机器学习的桂圆干品种分类方法及装置，将高光谱成像技术与图像处理技术相结合，提取感兴趣区域，使用K邻近算法和支持向量机两类机器学习模型，实现多种类桂圆干的分类识别，节约了人力成本，且识别准确率高。
[0006]为了达到上述目的，本专利技术采用以下技术方案:
[0007]本专利技术一方面提供了一种基于高光谱图像和机器学习的桂圆干品种分类方法，包括以下步骤：
[0008]将同一品种桂圆干的多个不同样本为一组进行高光谱成像，获取高光谱图像后，将高光谱图像中的桂圆干部分进行裁剪，得到该品种的高光谱图像集，对所有品种桂圆干都进行相同操作得到所有桂圆干高光谱图像集；
[0009]将所有桂圆干高光谱图像集进行图像预处理，得到所有桂圆干高光谱样本集，所述高光谱样本集包含不同品种桂圆干的特征数据，所述图像预处理包括感兴趣区域截取、桂圆干图像块截取、图像像素灰度值提取以及数据的CSV格式存储；
[0010]标明高光谱样本集中不同品种桂圆干图像所属的桂圆种类；
[0011]对高光谱样本集运用PCA算法进行数据降维，得到降维后数据集；
[0012]将降维后数据集分别导入预先设立的SVM学习模型和KNN学习模型中进行监督学习，使用交叉验证分别计算两种模型得到的桂圆干品种识别准确率，构建桂圆干分类模型；
[0013]将处理后的待检测桂圆干高光谱图像导入桂圆干分类模型进行分类，得到分类结果。
[0014]作为优选的技术方案，所述不同品种桂圆干包括储良、广眼、鸡眼、石峡、土桂圆。
[0015]作为优选的技术方案，所述将高光谱图像中的桂圆干部分进行裁剪具体为：
[0016]将高光谱图像中的m个桂圆干部分，分别裁剪为桂圆干图像，再取每个桂圆干图像的内接矩形，并按照其中最小的内接矩形统一所有内接矩形的尺寸， m＝同一品种桂圆干的样本数。
[0017]作为优选的技术方案，所述图像预处理具体为：
[0018]对某一品种高光谱图像集中波数段为B1的原始图像使用阈值分割法，通过多次分割找到合适的阈值，使图像中的背景区域置为白色，有效区域及桂圆干区域置为黑色，得到掩膜图像，所述原始图像为人眼能分辨出的背景像素灰度值与桂圆干像素灰度值存在显著差异的图像；
[0019]对掩膜图像进行腐蚀、膨胀处理，进一步消除图像内的噪声，得到降噪图像；
[0020]对降噪图像进行边界提取，获取桂圆干矩形图像；
[0021]对每张桂圆干矩形图像中的每一个像素的灰度值进行提取并拼接为向量V1，作为该品种桂圆干图像的特征信息，并将其作为CSV表格中的一行存储，在表格的最后一列进行种类标记，直到完成所有桂圆干矩形图像的处理以及CSV格式存储，得到桂圆干高光谱样本集。
[0022]作为优选的技术方案，所述边界提取具体为：
[0023]找到降噪图像中每个桂圆干的所有边界点，使所有边界点构成一个集合C
i
，以图像左上角为原点，以右边为x轴正方向，以下边为y轴正方向构建直角坐标系，C
i
则存储边界上的所有坐标，记为(x
i
,y
i
)；
[0024]每个边界点集构成一个矩形，获取矩形左上角的坐标(x
a
,y
a
)与矩形的宽和高，构成每个桂圆干图像的最小外接矩形R
i
，识别降噪图像中所有桂圆干的最小外接矩形；
[0025]比较降噪图像中所有桂圆干的最小外接矩形R
i
的面积大小，找到其中面积最大的最小外接矩形R
m
，记R
m
的中心点坐标为(x
c
,y
c
)，将高光谱图像集和掩膜图像中所有桂圆干按照R
m
大小和位置进行裁剪，获得每个桂圆干单独的原始高光谱图像和掩膜图像；
[0026]通过中心扩展算法，以坐标(x
c
,y
c
)作为算法的中心点依次向上下左右四个边界进行中心扩散，从中心点(x
c
,y
c
)开始，在获得的裁剪后的掩膜图像中向对应边界扩展，以1为间隔向对应边界移动，当移动i次后所在坐标对应的像素点灰度值为255，即当前点已经到达有效图像之外，则以上一坐标点为该掩模图像对应边界的边界点，记为POINT
i
，1≤i≤4，停止对应边界的边界扩展，进行下一对应边界的边界扩展，直到找到四个边界点，求得该掩模图像中桂圆干的最大内接矩形r
i
；
[0027]比较掩模图像中所有桂圆干的r
i
面积大小，找到其中面积最小的最大内接矩形r
m
，将掩模图像中所有桂圆干均裁剪为r
m
的大小，裁剪后所得图像转化为矩阵Ret
i
；
[0028]记录Ret
i
在掩膜图像中的位置以及大小，应用于该组样本所有波段的高光谱图像
中，得到高光谱图像R
i,j
，其中，i表示某品种桂圆干的样本数，j表示代表波段，1≤j≤224；
[0029]对高光谱图像R
i,j
进行超分辨率处理将图像放大，得到桂圆干最大内接矩形的超分辨率图像，即桂圆干矩形图像。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱图像和机器学习的桂圆干品种分类方法，其特征在于，包括下述步骤：将同一品种桂圆干的多个不同样本为一组进行高光谱成像，获取高光谱图像后，将高光谱图像中的桂圆干部分进行裁剪，得到该品种的高光谱图像集，对所有品种桂圆干都进行相同操作得到所有桂圆干高光谱图像集；将所有桂圆干高光谱图像集进行图像预处理，得到所有桂圆干高光谱样本集，所述高光谱样本集包含不同品种桂圆干的特征数据，所述图像预处理包括感兴趣区域截取、桂圆干图像块截取、图像像素灰度值提取以及数据的CSV格式存储；标明高光谱样本集中不同品种桂圆干图像所属的桂圆种类；对高光谱样本集运用PCA算法进行数据降维，得到降维后数据集；将降维后数据集分别导入预先设立的SVM学习模型和KNN学习模型中进行监督学习，使用交叉验证分别计算两种模型得到的桂圆干品种识别准确率，构建桂圆干分类模型；将处理后的待检测桂圆干高光谱图像导入桂圆干分类模型进行分类，得到分类结果。2.根据权利要求1所述基于高光谱图像和机器学习的桂圆干品种分类方法，其特征在于，所述不同品种桂圆干包括储良、广眼、鸡眼、石峡、土桂圆。3.根据权利要求1所述基于高光谱图像和机器学习的桂圆干品种分类方法，其特征在于，所述将高光谱图像中的桂圆干部分进行裁剪具体为：将高光谱图像中的m个桂圆干部分，分别裁剪为桂圆干图像，再取每个桂圆干图像的内接矩形，并按照其中最小的内接矩形统一所有内接矩形的尺寸，m＝同一品种桂圆干的样本数。4.根据权利要求1所述基于高光谱图像和机器学习的桂圆干品种分类方法，其特征在于，所述图像预处理具体为：对某一品种高光谱图像集中波数段为B1的原始图像使用阈值分割法，通过多次分割找到合适的阈值，使图像中的背景区域置为白色，有效区域及桂圆干区域置为黑色，得到掩膜图像，所述原始图像为人眼能分辨出的背景像素灰度值与桂圆干像素灰度值存在显著差异的图像；对掩膜图像进行腐蚀、膨胀处理，进一步消除图像内的噪声，得到降噪图像；对降噪图像进行边界提取，获取桂圆干矩形图像；对每张桂圆干矩形图像中的每一个像素的灰度值进行提取并拼接为向量V1，作为该品种桂圆干图像的特征信息，并将其作为CSV表格中的一行存储，在表格的最后一列进行种类标记，直到完成所有桂圆干矩形图像的处理以及CSV格式存储，得到桂圆干高光谱样本集。5.根据权利要求4所述基于高光谱图像和机器学习的桂圆干品种分类方法，其特征在于，所述边界提取具体为：找到降噪图像中每个桂圆干的所有边界点，使所有边界点构成一个集合C
i
，以图像左上角为原点，以右边为x轴正方向，以下边为y轴正方向构建直角坐标系，C
i
则存储边界上的所有坐标，记为(x
i
,y
i
)；每个边界点集构成一个矩形，获取矩形左上角的坐标(x
a
,y
a
)与矩形的宽和高，构成每个桂圆干图像的最小外接矩形R
i
，识别降噪图像中所有桂圆干的最小外接矩形；比较降噪图像中所有桂圆干的最小外接矩形R
i
的面积大小，找到其中面积最大的最小外接矩形R
m
，记R
m
的中心点坐标为(x
c
,y
c
)，将高光谱图像集和掩膜图像中所有桂圆干按照R
m
大小和位置进行裁剪，获得每个桂圆干单独的原始高光谱图像和掩膜图像；通过中心扩展算法，以坐标(x
c
,y
c
)作为算法的中心点依次向上下左右四个边界进行中心扩散，从中心点(x
c
,y
c
)开始，在获得的裁剪后的掩膜图像中向对应边界扩展，以1为间隔向对应边界移动，当移动i次后所在坐标对应的像素点灰度值为255，即当前点已经到达有效图像之外，则以上一坐标点为该掩模图像对应边界的边界点，记为POINT
i
，1≤i...

【专利技术属性】
技术研发人员：邱少健，梁云，吴博维，张若琳，王栋，田兴国，刘财兴，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：