[发明专利]一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法

权利要求书

1.一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法，其特征在于，所述方法包括：

采集若干种不同品种的小麦种子样本的高光谱图像，并对每个高光谱图像进行预处理校准为样本图像；

对每个样本图像进行降维处理得到降维后的样本图像，所述降维后的样本图像包括所述样本图像对应的若干个波段子区间的图像；

将降维后的样本图像作为输入、对应的小麦种子样本的品种作为输出，基于轻量型卷积神经网络训练得到小麦种子分类模型，所述轻量型卷积神经网络依次包括分组卷积层、标准卷积层、全连接层和分类器，所述分组卷积层包括多个平行的卷积单元，所述分组卷积层同时通过各个卷积单元分别提取输入的图像的不同波段子区间的特征，所述标准卷积层对各个卷积单元提取的特征进行特征融合；

获取待分类小麦种子的高光谱图像并进行预处理校准和降维处理后，输入至训练得到的所述小麦种子分类模型中，得到所述待分类小麦种子的品种。

2.根据权利要求1所述的方法，其特征在于，每个卷积单元分别包括从输入到输出依次相连的二维卷积核、批规范化层、激活函数层和二维池化层，激活函数层采用ReLU作为激活函数，二维池化层用于压缩网络参数。

3.根据权利要求2所述的方法，其特征在于，每个卷积单元的二维卷积核为32个大小为3×3、步长为1、padding方式为same的卷积核，每个标准卷积层的卷积核为32个大小为3×3、步长为1、padding方式为same的卷积核。

4.根据权利要求1所述的方法，其特征在于，所述轻量型卷积神经网络在所述分组卷积层后包括两个依次级联的所述标准卷积层，所述分类器采用Softmax分类器，所述轻量型卷积神经网络的采用交叉熵作为损失函数并使用Adam梯度下降优化算法。

5.根据权利要求1所述的方法，其特征在于，所述对每个高光谱图像进行预处理校准为样本图像，包括：

按照对所述高光谱图像进行黑白板校正，其中，I表示所述高光谱图像，I_calibration表示黑白板校正后的高光谱图像，I_Black为黑板图像，I_White为标准白板图像；

利用预定分割算法对经过黑白板校正的高光谱图像进行图像分割提取得到若干个感兴趣区域，对分割得到的每个感兴趣区域填补零值像素至预设图像尺寸得到样本图像，各个样本图像的图像尺寸均相同。

6.根据权利要求5所述的方法，其特征在于，所述利用预定分割算法对经过黑白板校正的高光谱图像进行图像分割提取得到若干个感兴趣区域，包括：

提取所述经过黑白板校正的高光谱图像上460nm、525nm以及621nm处的光谱反射率分别作为RGB图像的蓝色分量B、绿色分量G以及红色分量R组成伪RGB图像；

将所述伪RGB图像从RGB色彩空间转换到YCbCr色彩空间上，并提取Cb分量作为灰度图；

对提取得到的所述灰度图进行K均值聚类后分割得到包括小麦种子样本的前景区域和包括其他部分的背景区域；

将前景区域内的像素值置为1、背景区域内的像素值置为0得到二值图像，对所述二值图像进行形态学操作切割得到各个感兴趣区域。

7.根据权利要求6所述的方法，其特征在于，所述对所述二值图像进行形态学操作切割得到各个感兴趣区域，包括：

对所述二值图像使用长度为5的横向条状结构体变量以及长度为5的纵向条状结构体变量与直径为8的圆形结构体变量进行开操作处理，以及使用直径为5的圆形结构体变量进行闭操作处理，得到小麦种子样本的二值掩膜；

对所述二值掩膜进行8连通寻找所述二值掩膜的连通区域，并返回每个连通区域的二值掩膜以及标签，根据所述二值掩膜切割所述二值图像得到每个感兴趣区域。