[发明专利]一种基于深度卷积神经网络识别种子品种的方法

权利要求书

1.一种基于深度卷积神经网络识别种子品种的方法，其特征在于，包括：

采集同一作物不同品种种子的胚面光谱图像，并进行预处理；

对预处理后的光谱数据进行归一化处理，并采用X-Y共生矩阵法将种子光谱划分为训练集和预测集；

基于训练集光谱数据构建深度卷积神经网络模型，并利用预测集光谱数据进行测试，实现种子品种的识别。

2.如权利要求1所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述种子的胚乳面光谱图像采集包括：

将谷物种子胚面朝上并面向光源，通过高光谱相机采集谷物种子胚面高光谱图像。

3.如权利要求2所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述预处理包括：

提取高光谱图像中谷物种子的胚部区域，将其作为感兴趣区域，选取500nm处的灰度图像，并对其进行图像阈值分割、杂点消除和闭运算，得到去除背景的仅包含谷物种子胚部区域的二值图像，利用二值图像对所述种子胚面的高光谱图像进行掩模运算获得种子胚部区域的高光谱图像。

4.如权利要求3所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述预处理还包括：

获取胚乳部区域高光谱图像的平均光谱，并剔除光谱中噪声波段，并将不同品种种子光谱分为1，2……N类别；

剔除光谱中噪声波段后的波段光谱范围为450.26nm～978.94nm。

5.如权利要求4所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述归一化处理的公式表示为：

其中，X_i为样本，X_min为样本最小值，X_max为样本最大值。

6.如权利要求5所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：采用X-Y共生矩阵法按照2:1的比例对种子光谱进行划分，包括：

X-Y共生矩阵法在样本划分时，先把所有的样本都看作建模集候选样本，然后采用迭代的方法选择欧氏距离最远的两个向量对进入建模集,直到选出所要求的样本数目，所述距离公式表示为：

其中，d_xy(m,n)为欧式距离，dx(m,n)为光谱距离，dy(m,n)为各类别特征距离。

7.如权利要求6所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述深度卷积神经网络模型，包括输入层、卷积层、池化层、全连接层以及softmax层；

利用所述训练集光谱数据为数据输入层，卷积层通过部分区域选取同样的权值参数进行计算，获取数据的重要特征，池化层在保持特征不变的基础上，对数据进行降维，并通过全连接层连接至网络，最后输出至softmax层得到输出结果。

8.如权利要求7所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：所述深度卷积神经网络的结构，包括：

两个卷积模块，每个卷积模块中有两个卷积层和一个最大池化层，每层的卷积核个数为16，大小为3，步幅为1，卷积层选用ReLU激活函数，在使用两个卷积层之后，对模型进行批量标准化，之后再连接最大池化层，其大小为2，步幅为2，之后连接池化层，采样步幅为2；两个卷积块的大小一样，之后接入全连接模块；

一个全连接模块，全连接模块中包括一个全连接层和dropout层，全连接层有100个连接块，选用ReLU激活函数，dropout层的丢包率为0.5；

所述ReLU激活函数，表示为：

f(x)＝max(0，x)。

9.如权利要求8所述的基于深度卷积神经网络识别种子品种的方法，其特征在于，还包括：

全连接模块之后，连接为4个连接块，使用softmax作为分类函数，其输出的结果连接到全连接网络上。

10.如权利要求7所述的基于深度卷积神经网络识别种子品种的方法，其特征在于：对所述深度卷积神经网络模型利用预测集数据进行测试，当识别准确率大于90％时，可以实现种子品种的识别。