一种基于多尺度特征提取的小麦种子分类方法

技术领域

本发明涉及高光谱技术领域，尤其是一种基于多尺度特征提取的小麦种子分类方法。

背景技术

小麦是世界上分布最广的粮食作物之一，小麦种子在其农业生产中占据重要地位，生物育种技术的发展培育了众多优良品种，不同品种在食用、酿酒和制作燃料方面有不同的作用，在生物育种技术应用过程中需要收集优势品种种子，但是种子收集过程中无法避免有其他品种的掺杂，这会降低优势品种种子的纯度，进而会导致小麦产量降低，因此进行种子纯度检测以减少其他品种混杂具有重要的意义。

传统的种子纯度检测方法有形态学法和苯酚染色法，这些传统方法费时费力，且会对种子造成破坏，与现代农业中快速、无损的要求相悖。近年来随着光谱图像技术的发展，基于高光谱图像技术的无损检测越来越多地被运用在农业中。在使用高光谱图像技术进行种子纯度检测时，提取高光谱图像数据的特征进行分类实现对不同品种种子的区分，然而现有使用的这些高光谱图像分类方法需要手动提取光谱特征、纹理特征或形态特征，导致原始特征的提取依赖于人工经验、难以实现高光谱图像数据的充分挖掘，而且特征选择和抽取的学习准则与分类器的学习准则难以统一，导致分类的准确度难以保证、种子纯度检测的结果精度较低。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于多尺度特征提取的小麦种子分类方法，本发明的技术方案如下：

一种基于多尺度特征提取的小麦种子分类方法，该方法包括：

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

其进一步的技术方案为，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。

其进一步的技术方案为，当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，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

其进一步的技术方案为，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。

其进一步的技术方案为，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，激活函数层采用LeaKy_ReLU作为激活函数。

其进一步的技术方案为，全连接层加入droupout，分类器采用Softmax分类器，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。

其进一步的技术方案为，对于每一个样本图像分别进行降维处理，包括：

求取样本图像的每个波段的均值光谱特征作为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。

其进一步的技术方案为，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，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。

其进一步的技术方案为，从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：

在采集到原始种子图像后，利用

从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。

其进一步的技术方案为，从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：

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

将二元掩膜与原始种子图像相乘得到小麦种子样本所在区域的高光谱图像。

本发明的有益技术效果是：

本申请公开了一种基于多尺度特征提取的小麦种子分类方法，该方法改进了建模所使用的多尺度深度学习网络结构的结构，利用多尺度的三维卷积核来进行特征提取，可以从空间和光谱维度提取不同尺度的信息，充分挖掘高光谱数据中的特征，从而极大地提高训练得到的模型的分类精度、提高小麦种子分类准确性，且拥有良好的泛化性能和较好的鲁棒性。

另外本申请通过SPA算法结合高光谱均值光谱特征可以有效的在降低高光谱图像数据维度的同时，最大程度的保留高光谱图像数据中的有效信息，大大地缩短了深度学习模型的训练时间。

附图说明

图1是本申请的小麦种子分类方法的流程示意图。

图2是本申请由原始种子图像提取得到样本图像的流程示意图。

图3是本申请所使用的多尺度深度学习网络结构的结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

本申请公开了一种基于多尺度特征提取的小麦种子分类方法，请参考图1所示的流程图，该方法包括如下步骤：

步骤S1，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。具体的包括如下步骤：

(1)将每个品种的小麦种子样本放置在带凹槽的黑色塑料数粒板上，利用高光谱相机拍摄小麦种子样本的原始种子图像，此时获取到的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。在本申请中，使用的高光谱相机涵盖了光谱范围400-1000nm的300个波段(光谱分辨率2nm)。

(2)从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。可选的，在从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之前，本申请首先对原始种子图像进行校正，本申请利用

然后再从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。请参考图2所示的提取示意图，利用阈值分割法从原始种子图像在预定波段下的图像中提取得到原始种子图像中的小麦种子样本所在区域生成二元掩膜，在本申请中，预定波段选定为701.9nm波段。然后将二元掩膜与原始种子图像相乘即可提取得到小麦种子样本所在区域的高光谱图像。

提取得到小麦种子样本所在区域的高光谱图像后，对空白部分补零得到预定图像大小的样本图像，使得所有小麦种子样本的样本图像的图像大小均相等。

步骤S2，对于每一个样本图像分别进行降维处理。本申请使用连续投影算法(SPA算法)来对样本图像进行压缩，具体操作如下：求取样本图像的每个波段的均值光谱特征作为波段的波段特征向量，然后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，然后提取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，以达到压缩数据的目的。连续投影算法的具体操作过程本申请不再赘述。

步骤S3，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。

本申请中的多尺度深度学习网络结构基于深度卷积神经网络结构，但不同于传统的深度卷积神经网络结构，主要在于使用多尺度三维卷积核来替代普通额深度卷积神经网络结构中的卷积操作。具体的，如图3所示，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，一个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，一个三维卷积核的尺度可以表示为a*b*c，其中a*b是该三维卷积核在两维的空间维度上的尺度，c是该三维卷积核在一维的光谱维度上的尺度，比如一个三维卷积核的尺度为5*5*5，则其在空间维度上的尺度为5*5、在光谱维度上的尺度为5。且一个多尺度卷积层中的所有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。进一步的在本申请中，一个多尺度卷积层中的所有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。

可选的，当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，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

每个卷积单元中除了包括一个三维卷积核之外还包括其他结构，如图3所示，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(BatchNormalization层)、激活函数层和三维池化层，激活函数层采用LeaKy_ReLU作为激活函数以防止负值输入导致神经元静默，三维池化层用来压缩数据和参数的量，减少模型的复杂度。

进一步的在本申请中，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，实际通常包括三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，具体的结构都类似也即如上所述。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。比如以第一个多尺度卷积层中包括M/4个3*3*3三维卷积核、M/4个3*3*5三维卷积核、M/4个5*5*3三维卷积核、M/4个5*5*5三维卷积核为例，则第二个多尺度卷积层中包括2M/4个3*3*3三维卷积核、2M/4个3*3*5三维卷积核、2M/4个5*5*3三维卷积核、2M/4个5*5*5三维卷积核，第三个多尺度卷积层中包括4M/4个3*3*3三维卷积核、4M/4个3*3*5三维卷积核、4M/4个5*5*3三维卷积核、4M/4个5*5*5三维卷积核。

本申请中的多尺度深度学习网络结构在全连接层加入droupout防止模型过拟合，分类器采用Softmax分类器，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，确保损失迅速收敛至全局最小。

基于本申请这种结构的多尺度深度学习网络结构，将各个品种的小麦种子样本的降维后的样本图像输入多尺度深度学习网络结构进行模型训练，降维后的样本图像在输入多尺度深度学习网络结构时，每个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，输出的特征数据即为多通道的特征数据，每个通道的特征数据是每个卷积单元提取到的特征。本申请这种结构的多尺度深度学习网络结构可以同时提取到空间和光谱维度上的特征且可以提取得到不同尺度的信息，可以充分挖掘高光谱数据中的特征，极大地提高了模型的分类精度，且拥有良好的泛化性能。

步骤S4，在训练得到小麦种子分类模型后，即可利用小麦种子分类模型进行分类，也即获取包含待分类小麦种子的待分类高光谱图像，对待分类高光谱图像进行如上述步骤的预处理和降维处理后输入到训练好的小麦种子分类模型中，即可得到对待分类高光谱图像中各个小麦种子的品种分类结果。

以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。