[发明专利]一种基于高光谱成像与深度学习的籽棉地膜在线识别方法

权利要求书

1.一种基于高光谱成像与深度学习的籽棉地膜在线识别方法，其特征在于：利用高光谱成像仪获取籽棉地膜反射光谱图像，构建堆叠加权自编码器和粒子群优化的极限学习机组成的深度学习网络对高光谱图像在线识别，步骤如下：

(1)利用高光谱成像仪获取籽棉地膜的反射光谱图像；

(2)利用堆叠加权自编码器逐层提取与输出相关的高阶特征，高光谱图像中的每个像素点在1000nm～2500nm波段上的反射光谱构成的288维向量作为整个网络的输入，利用堆叠加权自编码器对288维向量进行降维；通过逐层预训练技术和梯度下降算法来更新每层加权自编码器的权重与偏置值，三层加权自编码器神经元个数分别为144、72和36，且都采用sigmoid传输函数；

(3)采用两层人工神经网络ANN结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整；两层人工神经网络的神经元个数分别为18、4，分别采用sigmoid、softmax传输函数，和三层加权自编码器构成深度神经网络，利用预先标记好的数据训练，结合BP算法对堆叠加权自编码器的网络权重进行有监督的调整；

(4)训练完成后，将降维的高阶特征作为极限学习机的输入，利用粒子群优化算法对极限学习机的权值和偏置进行优化；所述极限学习机将堆叠加权自编码器降维后的36维高阶特征作为输入，所述极限学习机包含一层隐含层，20个神经元，采用sigmoid传输函数；将极限学习机的权值和偏置作为粒子群优化算法的粒子，粒子长度D＝k(n+1)，式中：k是隐含层节点个数，k＝20；n是输入维数，n＝36；

粒子群优化极限学习机的具体步骤为：

1)粒子群优化算法(PSO)初始化，随机产生m组粒子，θⁱ是第i个粒子，θⁱ＝[w₁₁ⁱ，w₁₂ⁱ，...，w_1kⁱ，w₂₁ⁱ，w₂₂ⁱ，...，w_2kⁱ，...，w_n1ⁱ，w_n2ⁱ，..，w_nkⁱ，b₁ⁱ，b₂ⁱ，..，b_kⁱ]，其中，w，b是[-1，1]之间的随机数；

2)粒子群优化算法(PSO)参数选择，其中种群数m＝20，迭代次数t＝100，加速系数c1＝c2＝2，

惯性权重动态更新，ω^t＝(ω_ini-ω_end)(t_max-t)/t_max+ω_end，

式中：ω_ini是初始惯性权重，取ω_ini＝0.9；

ω_end是最大迭代次数时的惯性权重，ω_end＝0.4；

t_max是最大迭代次数，

t是当前迭代数；

3)堆叠加权自编码器输出的高阶特征作为极限学习机的输入，极限学习机的分类精度作为适应度值函数，计算每个粒子的适应度值，求出每个粒子的个体最优值和全局最优值；

4)更新粒子的速度和位置；

5)达到最大迭代次数，退出寻优，保存最优的位置，作为极限学习机的参数；

(5)利用优化后的极限学习机对降维后的36维的高阶特征进行处理，实现高光谱图像分类，从而识别棉籽地膜。

2.根据权利要求1所述的基于高光谱成像与深度学习的籽棉地膜在线识别方法，其特征在于：步骤(1)中，高光谱成像仪获取籽棉地膜在1000nm～2500nm的反射光谱图像，5.6nm为一谱段，共采集288个谱段的数据。