[发明专利]基于深度学习的红肉分类方法、装置、设备及存储介质

权利要求书

1.一种基于深度学习的红肉分类方法，其特征在于，所述基于深度学习的红肉分类方法包括：

获取待分类的红肉高光谱图像信息；

将所述待分类的红肉高光谱图像信息输入预设度量函数，得到所述待分类的红肉高光谱图像信息中各个特征信息之间的相似度信息；

根据所述相似度信息提取所述待分类的红肉高光谱图像信息中的参考特征信息；

对所述参考特征信息进行降维，得到目标特征信息；

基于深度学习对所述目标特征信息进行空谱联合分类，得到目标种类信息。

2.如权利要求1所述的基于深度学习的红肉分类方法，其特征在于，所述获取待分类的红肉高光谱图像信息，包括；

获取红肉高光谱样本图像信息；

对所述红肉高光谱样本图像信息进行核主成分分析，得到分析后的红肉高光谱样本图像信息；

将分析后的红肉高光谱样本图像信息作为待分类的红肉高光谱图像信息。

3.如权利要求2所述的基于深度学习的红肉分类方法，其特征在于，所述对所述红肉高光谱样本图像信息进行核主成分分析，得到分析后的红肉高光谱样本图像信息，包括：

选取预设核函数，根据选取的预设核函数将所述红肉高光谱样本图像信息中的非线性特征映射到高维特征空间，得到相关矩阵信息；

获取主成分判定条件，将所述相关矩阵信息代入所述主成分判定条件中得到主成分判定函数；

对所述主成分判定函数进行求解，得到分析后的红肉高光谱样本图像信息。

4.如权利要求1至3中任一项所述的基于深度学习的红肉分类方法，其特征在于，所述将所述待分类的红肉高光谱图像信息输入预设度量函数，得到所述待分类的红肉高光谱图像信息中各个特征信息之间的相似度信息，包括：

提取所述待分类的红肉高光谱图像信息的酉矩阵以及对角矩阵；

根据所述酉矩阵得到酉矩阵的转置；

将所述酉矩阵、对角矩阵以及酉矩阵的转置输入预设度量函数，得到所述待分类的红肉高光谱图像信息中各个特征信息之间的距离信息；

将所述距离信息作为所述相似度信息；

相应的，所述将所述待分类的红肉高光谱图像信息输入预设度量函数，得到所述待分类的红肉高光谱图像信息中各个特征信息之间的相似度信息之前，所述方法还包括：

判断所述预设度量函数是否满足预设条件，在所述预设度量函数满足预设条件时，执行将所述待分类的红肉高光谱图像信息输入预设度量函数，得到所述待分类的红肉高光谱图像信息中各个特征信息之间的相似度信息的步骤。

5.如权利要求1至3中任一项所述的基于深度学习的红肉分类方法，其特征在于，所述对所述参考特征信息进行降维，得到目标特征信息之前，所述方法还包括：

提取所述参考特征信息的个数信息；

根据所述参考特征信息以及个数信息对预设三层前馈神经网络进行训练，得到第一损失函数信息，其中，所述预设三层前馈神经网络包括输入层、隐藏层以及重构层；

获取预设学习率信息，根据所述预设学习率信息对所述第一损失函数信息进行更新，得到更新后的输入层到隐藏层的权重、更新后的输入层到隐藏层的偏移系数、更新后的隐藏层到重构层的权重以及更新后的隐藏层到重构层的偏移系数；

相应的，所述对所述参考特征信息进行降维，得到目标特征信息，包括：

根据更新后的输入层到隐藏层的权重、更新后的输入层到隐藏层的偏移系数、更新后的隐藏层到重构层的权重以及更新后的隐藏层到重构层的偏移系数对所述参考特征信息进行降维，得到目标特征信息。

6.如权利要求1至3中任一项所述的基于深度学习的红肉分类方法，其特征在于，所述基于深度学习对所述目标特征信息进行空谱联合分类，得到目标种类信息，包括：

提取所述目标特征信息中的目标光谱维度；

将所述目标特征信息中预设矩形区域内的目标特征信息作为空谱联合的待分类特征信息；

将所述目标光谱维度以及所述待分类特征信息输入基于深度学习的预设卷积神经网络模型中进行分类，得到目标种类信息。