[发明专利]一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法

说明书

本发明公开了一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法，采用可用于鲜枣虫眼检测的卷积神经网络模型进行检测，卷积神经网络模型的构建方法包括如下步骤：S1，采集样本高光谱图像数据；S2，提取最优特征波长；S3，数据预处理；S4，利用训练样本集训练卷积神经网络模型；S5，利用模型对数据集进行分类验证。本发明基于高光谱图像卷积神经网络的鲜枣虫眼检测方法，在选定特征波长下，通过对高光谱图像数据的处理，无需人工干预即可实现对鲜枣虫眼的检测，提高了网络模型对鲜枣虫眼的检测精度，解决了现有鲜枣计算机视觉检测过程中因鲜枣表面色块、斑点、果梗等干扰造成误判的问题，具有简单易行、识别高效的特点。

技术领域

本发明涉及机器视觉技术领域，尤其是涉及一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法。

背景技术

在鲜枣的生长过程中，会受到各种虫害的侵蚀，导致鲜枣表面虫眼及内部损伤的出现，严重影响了存储和销售。传统的分选方法大多靠人工操作，效率低且准确率较差，无法满足大规模储存和销售需求。因此，急需开发一种快速、高效、无损的检测方法。现有利用计算机视觉进行鲜枣虫眼检测，易受到整个鲜枣表面的色块、斑点、果梗等干扰，存在准确率低的问题。

现有技术中鲜枣表面虫眼检测主要方法有：吴龙国等利用NIR(近红外光谱技术)高光谱成像系统结合特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先，利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像，提取并分析不同类型长枣特征区域的平均光谱曲线，对970～1670nm范围内的光谱数据进行主成分分析，确定7个特征波长(990，1028，1109，1160，1231，1285，1464nm)。然后，对长枣图像做主成分分析，采用主成分分析法(PCA)，选择PC2图像进行虫眼识别，虫眼与正常枣的识别率分别为67.5％、100％。为了进一步提高虫眼枣的识别率，采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别，识别率提高到90％。徐爽等采用近红外高光谱成像技术对长枣表面虫伤进行无损检测。采用近红外高光谱成像技术对长枣表面虫伤进行无损检测。在970～1630nm波长范围内对高光谱图像数据进行主成分分析，优选出1029nm、1109nm、1229nm、1288nm、1387nm和1467nm六个特征波长，再对特征波长下的图像做主成分分析，得到的第三主成分图像最适合长枣表面虫伤提取，检测虫伤正确率达到84％。从上述研究来看，存在的主要问题是：上述方法通过对高光谱图像进行主成分分析，选出多个特征波长后，需要人工挑选特征最明显的特征波长进行后续分析。且对虫眼的识别也依靠人工识别，尚未达到自动检测。

发明内容

有鉴于此，本发明的目的是针对现有技术的不足，提供一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法，解决了现有鲜枣计算机视觉检测过程中因鲜枣表面色块、斑点、果梗等干扰造成误判的问题，具有简单易行、识别高效的特点。

为达到上述目的，本发明采用以下技术方案：一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法，采用可用于鲜枣虫眼检测的卷积神经网络模型进行检测，该可用于鲜枣虫眼检测的卷积神经网络模型的构建方法包括如下步骤：S1，采集样本高光谱图像数据；S2，提取最优特征波长；S3，数据预处理；S4，利用训练样本集训练卷积神经网络模型；S5，利用模型对数据集进行分类验证；

S2提取最优特征波长是基于鲜枣虫眼光谱特性，提出一种基于粒子群算法的最优特征波长快速提取算法，具体包括如下步骤：S2.1，从样本集中抽取全光谱鲜枣虫眼区域3*3像素高光谱数据均值构成矩阵A

及鲜枣正常区域3*3像素高光谱数据均值构成矩阵C

其中a_nm为第n个样本的第m波段虫眼区域高光谱数据均值，c_nm为第n个样本的第m波段正常区域高光谱数据均值；