[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

说明书

本发明公开了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，涉及高光谱技术领域，该方法改进了建模所使用的轻量型卷积神经网络结构的结构，利用分组卷积层中的多个卷积单元来对不同的波段子区间进行特征提取，可以从光谱维度提取不同区域的信息，并且能够有效的缩减模型的参数量提高模型推理速度，再通过两个标准卷积层融合特征并进一步提取整体信息，充分挖掘样本高光谱图像的有效光谱信息，从而极大的提高分类模型的精度以及推理速度，能够充分利用高光谱图像中的有效光谱信息，并且能够准确且快速的鉴别小麦种子品种。

技术领域

本发明涉及高光谱技术领域，尤其是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。

背景技术

小麦是我国主要的粮食作物之一，种植遍及全国，其种子对产量有着较大的影响，对于巩固和提升农业经济也有着重要作用。随着育种研究的迅速发展，各种优质种子涌入市场，在丰富农业生产生态的同时也使种子品种检测问题复杂化。

传统的种子品种检测方法有形态学、酚染色、DNA分子技术等。形态学检查要求观察者根据种子的外观来识别种子。这一过程极其依赖观察者的经验，容易出错且需要大量人力。而诸如酚染色和DNA分子技术之类的生化分析方法具有较高的准确度，但这些方法耗时长并且可能造成种子损伤，无法满足现代农业生产对快速、无损的要求。

随着高光谱成像技术与计算机技术的发展，利用可见光近红外、近红外、短波红外光谱图像分析技术的方法已经在农产品无损检测领域得到了广泛的应用。高光谱图像同时包含待检测样本的图像信息(外部形态学特征)与光谱信息(内部特征)，因此高光谱成像技术可以用于小麦的品种鉴别。近年来，深度学习以其强大的特征表达在高光谱成像检测技术领域取得了显著的效果。深度学习能够学习数据的内在规律，采用端到端的学习方式自动提取不同层次的特征。不同于传统的机器学习方法，深度学习无需人工提取特征且精度较高，但会带来远大于传统机器学习方法的数据量。且由于高光谱图像拥有远超一般RGB图像的波段数，这会为计算机带来巨大的存储空间、通信带宽以及计算复杂度的压力。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法，本发明的技术方案如下：

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，该方法包括：

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，降维后的样本图像包括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，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，分组卷积层包括多个平行的卷积单元，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，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，输入至训练得到的小麦种子分类模型中，得到待分类小麦种子的品种。

本发明的有益技术效果是：

本申请公开了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，该方法改进了建模所使用的轻量型卷积神经网络结构的结构，利用分组卷积层中的多个卷积单元来对不同的波段子区间进行特征提取，可以从光谱维度提取不同区域的信息，并且能够有效的缩减模型的参数量提高模型推理速度，再通过两个标准卷积层融合特征并进一步提取整体信息，充分挖掘样本高光谱图像的有效光谱信息，从而极大的提高分类模型的精度以及推理速度，能够充分利用高光谱图像中的有效光谱信息，并且能够准确且快速的鉴别小麦种子品种。