[发明专利]一种基于多尺度特征提取的小麦种子分类方法

权利要求书

1.一种基于多尺度特征提取的小麦种子分类方法，其特征在于，所述方法包括：

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，所述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，所述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，且所述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；所述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所述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，对所述待分类高光谱图像进行降维处理后输入所述小麦种子分类模型，得到对所述待分类高光谱图像中各个小麦种子的品种分类结果。

2.根据权利要求1所述的方法，其特征在于，所述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。

3.根据权利要求1所述的方法，其特征在于，当所述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，所述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是所述多尺度卷积层中包括的卷积单元的数量。

4.根据权利要求1所述的方法，其特征在于，所述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。

5.根据权利要求1所述的方法，其特征在于，所述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，所述激活函数层采用LeaKy_ReLU作为激活函数。

6.根据权利要求1所述的方法，其特征在于，所述全连接层加入droupout，所述分类器采用Softmax分类器，所述多尺度深度学习网络结构采用交叉熵作为损失函数并使用Adam梯度下降优化算法。

7.根据权利要求1-6任一所述的方法，其特征在于，所述对于每一个样本图像分别进行降维处理，包括：

求取所述样本图像的每个波段的均值光谱特征作为所述波段的波段特征向量；

利用连续投影算法基于所有波段的波段特征向量选取特征波段；

提取所述样本图像的特征波段下的图像数据构成降维后的样本图像。

8.根据权利要求1-6任一所述的方法，其特征在于，所述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，包括：

采集每个品种的小麦种子样本的原始种子图像，所述原始种子图像包括小麦种子样本所在区域的高光谱图像以及背景区域的高光谱图像；

从所述原始种子图像中提取小麦种子样本所在区域的高光谱图像并对空白部分补零得到预定图像大小的所述样本图像，所有小麦种子样本的样本图像的图像大小均相等。

9.根据权利要求8所述的方法，其特征在于，所述从所述原始种子图像中提取小麦种子样本所在区域的高光谱图像，包括：

在采集到所述原始种子图像后，利用对所述原始种子图像中的每一个像素点的光谱反射率进行数据处理，得到校正后的原始种子图像且所述校正后的原始种子图像中的每一个像素点的光谱反射率都在[0,1]范围内；其中，I₀是所述原始种子图像中的一个像素点的光谱反射率，I是对应像素点经数据处理后的光谱反射率，D是标准黑板图像中对应像素点的光谱反射率，W是标准白板图像中对应像素点的光谱反射率；

从所述校正后的原始种子图像中提取小麦种子样本所在区域的高光谱图像。

10.根据权利要求8所述的方法，其特征在于，所述从所述原始种子图像中提取小麦种子样本所在区域的高光谱图像，包括：

利用阈值分割法从所述原始种子图像在预定波段下的图像中提取得到所述原始种子图像中的小麦种子样本所在区域生成二元掩膜；

将所述二元掩膜与所述原始种子图像相乘得到所述小麦种子样本所在区域的高光谱图像。