[发明专利]一种基于高光谱的病害样本分析方法及分析设备

说明书

本发明涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析方法及分析设备，将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息，读取原始图像数据，将不同频段的数据装入不同的光谱波段通道，对数据进行处理，并抽取图像特征，在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量，对一维向量进行处理，并保持最大值仍然最大；本发明提供的技术方案能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低的缺陷。

技术领域

本发明涉及病害样本分析，具体涉及一种基于高光谱的病害样本分析方法及分析设备。

背景技术

农业病害防治工作的首要步骤是对病害种类进行快速识别。现有技术通常由种植人员按指示采集样本，速递到分析机构进行分析。然而传统的人工分析方法速度慢、效率低，当病害面积较大时，无法进行快速有效的分析。

Channel Normalization(通道归一化)是一项用于人工智能神经网络训练及推理的技术，可以大幅减少计算量，加速实现过程。它的核心思想就是将用于训练或推理的数据按照每个通道进行归一化。举例来说：照片文件一般分为红黄蓝三色通道，通道归一化就是将一个批次里的所有红色、黄色、蓝色数据分别归一化，但是红色、黄色、蓝色数据之间不进行任何计算。Channel normalization是在2019年由下面这篇文章提出来的：arXiv:1907.09539[cs.LG].

ResNet残差网络是为了解决深度神经网络(DNN)隐藏层过多时出现网络退化问题而提出来的。它的主要思想是建立跳跃连接，在普通多层神经网络的首尾处再建立一条连接，这样信息流在神经网络的传递中就可以通过主通道传递重要信息，也可以从旁通道传递残差信息，从而保证信息传递的完整性。Resnet是在2015年由下面这篇文章提出来的：

He,Kaiming；Zhang,Xiangyu；Ren,Shaoqing；Sun,Jian(2015-12-10).DeepResidual Learning for Image Recognition.arXiv:1512.03385.

为了快速对病害种类进行识别，在此设计了一种基于高光谱的病害样本分析方法及分析设备，将高光谱采集技术与人工智能深度学习相结合，有效提高病害检测的准确率，以提升农业生产效率。

发明内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于高光谱的病害样本分析方法及分析设备，能够有效克服现有技术所存在的病害识别效率较低、病害识别准确率较低的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于高光谱的病害样本分析方法，收集样本的高光谱信息，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：

S1、将含有病变区的农作物样本放置于检测台上，调节高光谱摄像头的位置收集农作物样本的高光谱信息；

S2、读取原始图像数据，将不同频段的数据装入不同的光谱波段通道；

S3、对数据进行处理，并抽取图像特征；

S4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；

S5、对一维向量进行处理，并保持最大值仍然最大；

S6、重复S4和S5，直到特征图像上的所有区域都被覆盖，获得多条一维向量，并将多条一维向量按最大概率从大到小排序；