[发明专利]一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法

权利要求书

1.一种图谱特征融合深度网络的大米种类快速鉴别检测装置，其特征在于：包括检测单元和与检测单元连接的计算单元(05)，所述的计算单元(05)上设置图谱处理与分析模块；

所述的检测单元包括光谱成像仪(01)，所述的光谱成像仪(01)由成像仪、相机、镜头组成；光谱成像仪(01)的镜头正下方设置置物台，置物台上设置有黑板(04)，所述的置物台上矩阵形式排列有样本(03)，置物台与光谱成像仪(01)之间设置光源(02)。

2.根据权利要求1所述的一种图谱特征融合深度网络的大米种类快速鉴别检测装置，其特征在于：置物台与光谱成像仪(01)之间的两侧对称设置有支撑架，所述的光源(02)设置于所述的支撑架上。

3.根据权利要求2所述的一种图谱特征融合深度网络的大米种类快速鉴别检测装置，其特征在于：光谱成像仪(01)的镜头正对置物台的中间位置，所述的光源(02)对称设置于置物台上方的两侧。

4.一种图谱特征融合深度网络的大米种类快速鉴别检测方法，包括以下步骤：

(1)图谱信息采集：黑板校正，设置样本数量，将大米按照m*n矩阵型排列摆好，采集大米的高光谱图像，利用图像提取反射率，再采用二值化方法提取感兴趣区域；

(2)图谱特征提取：

(2-1)光谱特征：对于步骤(1)的感兴趣区域提取得到光谱原始数据，采用多元散射校正(MSC)对原始数据的平均光谱数据进行预处理，使各种电子源产生的噪声和样本条件变化最小化，采用连续投影算法(SPA)来提取特征波长；

(2-2)形态特征：利用步骤(2-1)选取的特征波长中的最优特征波长对应图像的二值化图提取形态特征参数，包括：面积，长轴长，短轴长，长短轴比，长度，宽度，最小外接面积，紧密度，周长，离心率共十个形态特征参数；

(2-3)纹理特征：利用步骤(2-1)选取的特征波长对应图像的灰度图提取纹理特征；

(2-4)融合：将得到的光谱、形态、纹理三种特征进行组合融合，得到光谱、形态与纹理数据的组合数据；

(2-5)种类识别：结合融合所得特征与SAE-FNN深度神经网络来建立分类模型实现种类识别；通过输入融合特征变量并输出相似的融合特征变量得到深度特征变量，将SAE所得的深度特征变量输入到全连通的反向传播网络(FNN)中进行大米种类的识别。

5.根据权利要求4所述的一种图谱特征融合深度网络的大米种类快速鉴别检测方法，具体的，包括以下步骤：

(1)图谱信息采集：黑板校正，样本选取十种名优大米，每种大米选取432粒米，每种选取九张高光谱图像，每张图像将大米按照6*8矩阵型排列摆好，采集大米的高光谱图像，利用图像提取反射率，再使用二值化方法提取感兴趣区域；

(2)图谱特征提取：

(2-1)光谱特征：对于步骤(1)的感兴趣区域提取得到光谱原始数据；采用多元散射校正(MSC)对原始数据的平均光谱数据进行预处理，使各种电子源产生的噪声和样本条件变化最小化，明采用连续投影算法(SPA)来提取五个特征波长，SPA是一种前向循环的，能够消除光谱中大量冗余信息同时降低共线性的经典特征波长选择方法；

(2-2)形态特征：利用步骤(2-1)选取的五个特征波长中的最优特征波长对应图像的二值化图，对二值化图像进行腐蚀膨胀去除噪声，对分割后的二值化图像中每粒米的连通区域进行标记，再使用图像处理函数(regionprops函数)提取形态特征参数，包括：面积，长轴长，短轴长，长短轴比，长度，宽度，最小外接面积，紧密度，周长和离心率共十个形态特征参数；

(2-3)纹理特征：利用步骤(2-1)选取的五个特征波长对应图像的灰度图提取纹理特征，采用三种方法：1.直方图统计法的6个主要特征值；2.灰度游程长度统计法的11个主要特征值；3.灰度差分统计法的4个主要特征值；具体的：

1.利用直方图统计法的6个主要特征值包括：

(1)平均值：

(2)标准偏差：

(3)平滑度：

(4)三阶炬：

(5)一致性：

(6)熵:

2.利用灰度游程长度统计法的11个主要特征值包括：

(1)长游程优势:

(2)短游程优势:

(3)游程长非均匀性:

(4)游程百分数:

(5)灰度级非均匀性:

(6)高灰度运行重点:

(7)低灰度运行重点:

(8)长游程高灰度重点:

(9)长游程低灰度重点:

(10)短游程高灰度重点:

(11)短游程低灰度重点:

3.利用灰度差分统计法的4个主要特征值包括:

(1)对比度:

(2)角度方向二阶矩:

(3)熵:

(4)平均值：

将上述三种方法所得到的所有参数数值利用归一化算法换算到同一个数量级中；

(2-4)融合：将得到的光谱、形态、纹理三种特征进行组合融合，得到光谱、形态和纹理数据的组合数据；

(2-5)种类识别：结合融合所得特征与SAE-FNN深度神经网络来建立分类模型实现种类识别，通过输入融合特征变量并输出相似的融合特征变量得到深度特征变量，将SAE所得的深度特征变量输入到全连通的反向传播网络(FNN)中进行大米种类的智能识别。