【技术实现步骤摘要】
本申请涉及图像识别，特别是涉及一种基于空-谱联合模型的图像识别方法、系统及介质。
技术介绍
1、随着图像识别技术的不断进步，其在畜牧业、农业、医药以及工业等领域的应用越加广泛。在畜牧业方面，牧场草类的识别可以有效防止外来草种的入侵，实现对草场的退化检测，保护本地草种并为畜牧业提供良好充足的饲料来源；在农业方面，图像识别技术为病霉菌的分类检测以及农作物种子的分类提供了一种高效无损的检测方法，对病霉菌的控制和农作物种子的正确划分提供一定的帮助；在医药方面，图像识别技术能够为医药棉真伪优劣的鉴定提供有效地技术支持。
2、然而，在现有棉花加工厂中籽棉杂质的识别筛选，以及垃圾场中透明、白色材料的分类回收方面，图像识别技术的应用并不是很广泛。这是因为，当面对颜色相近或无色透明的多类目标体时，由于其颜色差异极小，普通的视觉相机根本无法对多类目标体进行有效区分。而传统算法，如高斯分类器、支持向量机等鲁棒性较差、不适合多类目标体的识别分类，再如深度学习算法中的卷积神经网络获取的尺度信息较为单一，较难得到多类目标体的全局信息，从而导致其识别多类目标体的准确率也较低。
3、随着时代的发展，不少学者通过增加卷积神经网络的层数来获取更大的感受野，进而得到目标体的全局信息。但随着网络层数的激增，无疑会给卷积神经网络带来梯度消失或梯度爆炸等问题，最终也将导致图像中多类目标体识别的准确率大大降低。
技术实现思路
1、本申请的目的是提供一种基于空-谱联合模型的图像识别方法、系统及介质，提高了
2、为实现上述目的，本申请提供了如下方案。
3、第一方面，本申请提供一种基于空-谱联合模型的图像识别方法，所述基于空-谱联合模型的图像识别方法包括：获取多个不同的样本图像；每个样本图像中包含多种类别的目标体；各类别的目标体颜色相近或无色透明；对所有样本图像进行预处理，得到多个样本切片图像；所述预处理至少包括：黑白校正、三维裁剪、标准化、多元散射校正和切片；将所有样本切片图像按比例划分为训练集、验证集和测试集；构建图像识别基础模型；所述图像识别基础模型至少包括：光谱特征提取网络和空间特征提取网络；所述光谱特征提取网络包括：第一分层残差结构和第二分层残差结构；所述空间特征提取网络包括：第三分层残差结构和第四分层残差结构；所述第一分层残差结构与所述第二分层残差结构采用级联方式连接；所述第三分层残差结构和所述第四分层残差结构采用级联方式连接；所述第一分层残差结构和所述第三分层残差结构中均含有 n个层结构， n个层结构采用级联方式连接；所述第一分层残差结构和所述第三分层残差结构中均有 n-1个层结构含有卷积块；所述第二分层残差结构和所述第四分层残差结构中均含有 m个层结构， m个层结构采用级联方式连接；所述第二分层残差结构和所述第四分层残差结构中均有 m-1个层结构含有卷积块； n、 m为大于2的整数且满足 n> m；基于所述训练集和标签集，对所述图像识别基础模型进行训练，直至样本切片图像中多类目标体识别的平均准确率和总体准确率均大于设定阈值；所述标签集中含有多个标注各类目标体的样本切片图像；利用所述测试集和所述验证集对训练后的图像识别基础模型进行测试和验证，并将训练、测试和验证后的图像识别基础模型确定为空-谱联合模型；获取待识别图像，并将所述待识别图像输入所述空-谱联合模型，识别得到所述待识别图像中的多类目标体。
4、可选地，所述图像识别基础模型还包括：高维映射模块、通道注意力机制模块、空间注意力机制模块和信息融合模块；所述高维映射模块分别与所述光谱特征提取网络和所述空间特征提取网络连接；所述光谱特征提取网络与所述通道注意力机制模块连接；所述空间特征提取网络与所述空间注意力机制模块连接；所述通道注意力机制模块和所述空间注意力机制模块分别与所述信息融合模块连接；所述高维映射模块用于对样本切片图像进行升维，得到高光谱样本切片图像；所述光谱特征提取网络用于提取所述高光谱样本切片图像的光谱特征，得到初始光谱特征图；所述空间特征提取网络用于提取所述高光谱样本切片图像的空间特征，得到初始空间特征图；所述通道注意力机制模块用于改变所述初始光谱特征图的通道注意力权重，得到优化光谱特征图；所述空间注意力机制模块用于改变所述初始空间特征图的空间注意力权重，得到优化空间特征图；所述信息融合模块用于对所述优化光谱特征图和所述优化空间特征图进行信息融合，得到特征融合信息；所述特征融合信息用于识别样本切片图像中的多类目标体。
5、可选地，所述第一分层残差结构内部的运算关系如下。
6、。
7、式中，为第一分层残差结构中第 i个层结构的输出，为第一分层残差结构中第 n个层结构的输入，为第一分层残差结构中第 n-1个层结构的输出，为第一卷积算子。
8、可选地，所述第二分层残差结构内部的运算关系如下。
9、。
10、式中，为第二分层残差结构中第 i个层结构的输出，为第二分层残差结构中第 m个层结构的输入，为第二分层残差结构中第 m-1个层结构的输出，为第一卷积算子。
11、可选地，所述第三分层残差结构内部的运算关系如下。
12、。
13、式中，为第三分层残差结构中第 i个层结构的输出，为第三分层残差结构中第 n个层结构的输入，为第三分层残差结构中第 n-1个层结构的输出，为第二卷积算子。
14、可选地，所述第四分层残差结构内部的运算关系如下。
15、。
16、式中，为第四分层残差结构中第 i个层结构的输出，为第四分层残差结构中第 m个层结构的输入，为第四分层残差结构中第 m-1个层结构的输出，为第二卷积算子。
17、可选地，所述平均准确率的计算公式如下。
18、。
19、式中，为平均准确率，为正确识别的第 j类目标体的样本数，为第 j类目标体的总样本数，为目标体的总类别数；
20、所述总体准确率的计算公式如下。
21本文档来自技高网...
【技术保护点】
1.一种基于空-谱联合模型的图像识别方法，其特征在于，所述基于空-谱联合模型的图像识别方法包括：
2.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述图像识别基础模型还包括：高维映射模块、通道注意力机制模块、空间注意力机制模块和信息融合模块；
3.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第一分层残差结构内部的运算关系满足：
4.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第二分层残差结构内部的运算关系满足：
5.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第三分层残差结构内部的运算关系满足：
6.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第四分层残差结构内部的运算关系满足：
7.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述平均准确率的计算公式为：
8.一种计算机系统，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于空-谱联合模型的图像识别方法。
...【技术特征摘要】
1.一种基于空-谱联合模型的图像识别方法，其特征在于，所述基于空-谱联合模型的图像识别方法包括：
2.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述图像识别基础模型还包括：高维映射模块、通道注意力机制模块、空间注意力机制模块和信息融合模块；
3.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第一分层残差结构内部的运算关系满足：
4.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第二分层残差结构内部的运算关系满足：
5.根据权利要求1所述的基于空-谱联合模型的图像识别方法，其特征在于，所述第三分层残差结构内部...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。