[发明专利]一种基于多尺度特征提取的小麦种子分类方法

说明书

本发明公开了一种基于多尺度特征提取的小麦种子分类方法，涉及高光谱技术领域，该方法通过结构改进的多尺度深度学习网络结构来进行模型训练，多尺度深度学习网络结构中的三维卷积核至少在光谱维度上具有至少两种不同的尺度类型，从而可以利用每个卷积单元从两维的空间维度和一维的光谱维度对所述样本图像进行多尺度的特征提取，充分挖掘高光谱数据中的特征，从而极大地提高训练得到的模型的分类精度、提高小麦种子分类准确性，且拥有良好的泛化性能和较好的鲁棒性。

技术领域

本发明涉及高光谱技术领域，尤其是一种基于多尺度特征提取的小麦种子分类方法。

背景技术

小麦是世界上分布最广的粮食作物之一，小麦种子在其农业生产中占据重要地位，生物育种技术的发展培育了众多优良品种，不同品种在食用、酿酒和制作燃料方面有不同的作用，在生物育种技术应用过程中需要收集优势品种种子，但是种子收集过程中无法避免有其他品种的掺杂，这会降低优势品种种子的纯度，进而会导致小麦产量降低，因此进行种子纯度检测以减少其他品种混杂具有重要的意义。

传统的种子纯度检测方法有形态学法和苯酚染色法，这些传统方法费时费力，且会对种子造成破坏，与现代农业中快速、无损的要求相悖。近年来随着光谱图像技术的发展，基于高光谱图像技术的无损检测越来越多地被运用在农业中。在使用高光谱图像技术进行种子纯度检测时，提取高光谱图像数据的特征进行分类实现对不同品种种子的区分，然而现有使用的这些高光谱图像分类方法需要手动提取光谱特征、纹理特征或形态特征，导致原始特征的提取依赖于人工经验、难以实现高光谱图像数据的充分挖掘，而且特征选择和抽取的学习准则与分类器的学习准则难以统一，导致分类的准确度难以保证、种子纯度检测的结果精度较低。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于多尺度特征提取的小麦种子分类方法，本发明的技术方案如下：

一种基于多尺度特征提取的小麦种子分类方法，该方法包括：

获取若干个不同品种的小麦种子样本的高光谱图像作为样本图像；

对于每一个样本图像分别进行降维处理；

基于多尺度深度学习网络结构利用各个降维后的样本图像进行模型训练得到小麦种子分类模型；其中，多尺度深度学习网络结构包括依次连接的多尺度卷积层、全连接层和分类器，多尺度卷积层包括若干个卷积单元，每个卷积单元中分别包括一个三维卷积核，且多尺度卷积层中的三维卷积核至少在光谱维度上具有至少两种不同的尺度类型；多尺度卷积层利用每个卷积单元从两维的空间维度和一维的光谱维度对样本图像进行特征提取，并对所有卷积单元提取到的特征在通道维度上进行融合后输出；

获取包含待分类小麦种子的待分类高光谱图像，对待分类高光谱图像进行降维处理后输入小麦种子分类模型，得到对待分类高光谱图像中各个小麦种子的品种分类结果。

其进一步的技术方案为，多尺度卷积层中的三维卷积核在空间维度和光谱维度上分别具有至少两种不同的尺度类型。

其进一步的技术方案为，当多尺度卷积层中的三维卷积核在空间维度上具有p种不同的尺度类型、在光谱维度上具有q种不同的尺度类型时，多尺度卷积层中包括共p*q种不同尺度类型的三维卷积核，p≥2，q≥2，且各种尺度类型的三维卷积核的数量相等为M是多尺度卷积层中包括的卷积单元的数量。

其进一步的技术方案为，多尺度深度学习网络结构包括至少两个依次级联的多尺度卷积层，每个多尺度卷积层分别包括若干个卷积单元，各个多尺度卷积层中包括相同尺度类型的三维卷积核，且各个多尺度卷积层中包括的卷积单元的数量沿着级联方向依次翻倍。

其进一步的技术方案为，多尺度卷积层的每个卷积单元包括从输入到输出依次相连的三维卷积核、批规范化层、激活函数层和三维池化层，激活函数层采用LeaKy_ReLU作为激活函数。