[发明专利]基于高光谱图像空间特征和光谱特征融合的固废识别方法

说明书

本发明涉及一种基于高光谱图像空间特征和光谱特征融合的固废识别方法，通过数据预处理、特征提取、特征识别、融合识别，获得最终识别结果。本发明可以在线自动识别固废中存在的大部分材料，包括有机物和无机物，以及各种颜色的材料。本发明所述的识别方法结合了多种特征并经过试验选择了对应特征较优的识别模型，获得的结果可以相互弥补，利用融合识别模块可以平衡利用各个识别结果。最终获得的种类综合考虑了多种特征和算法，结果稳定，正确率高。

技术领域

本发明涉及固废分类技术领域，更具体地说，涉及一种基于高光谱图像空间特征和光谱特征融合的固废识别方法。

背景技术

为满足人类的生活和工作需求，无论是城市还是农村，都需要建立起大量的建筑物。房屋，办公室，娱乐产生，基础设施等。任何建筑都存在使用寿命，为保证使用安全同时节约土地资源，必须对旧的、没有充分利用的建筑进行翻新、拆除重建等。其过程将产生大量的固废垃圾，这些垃圾往往质量较大，处理困难。然而，其中包含了许多可再生利用的资源，没有较好的处理之前只是占地严重的垃圾，但是进行分类回收后，完全可以进行再次利用，减少资源的开发。

目前，许多地区都已经开始关注固废的回收处理，但是现有的处理方案主要依靠人工。固废中存在严重的粉尘污染，工作环境十分恶劣，不适合人工处理。随着自动化技术和人工智能的发展，部分地区提出了机器人自动分拣技术，但是实现自动分拣的前提需要对固废进行高效正确的在线分类。然而，固废中材料种类繁多，包括各种有机物、无机物，颜色、形状、大小等都是完全不规则的，导致其识别难度较大。而且，在实际工作条件中，各类垃圾的污染比较严重，工况十分复杂，导致识别稳定性难以保证。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于高光谱图像空间特征和光谱特征融合的固废识别方法。

本发明的技术方案如下：

一种基于高光谱图像空间特征和光谱特征融合的固废识别方法，步骤如下：

1)数据预处理：将原始的亮度表示的高光谱图像转换为反射率表示的低维特征光谱图像；

2)特征提取：从低维特征光谱图像中分别提取两组空间特征和两组光谱特征；

3)特征识别：利用不同的识别方法对四组特征分别进行识别，获得四组识别结果；

4)融合识别：根据四组识别结果的混淆矩阵求得表示识别结果可信度的隶属度矩阵，再根据识别结果的总正确率求得对应识别方法的权重，根据权重融合隶属度矩阵获得最终识别结果。

作为优选，步骤1)具体如下：

1.1)黑白矫正：利用标准白帧数据和黑帧数据将亮度表示的高光谱图像转换为相对反射率表示的光谱图像，消除采集环境光源波动对数据稳定性的影响；

1.2)数据压缩：利用增强式Haar小波变换将高维的相对反射率表示的光谱图像压缩成特征反射率表示的低维特征光谱图像。

作为优选，步骤2)中，特征提取包括：

光谱特征提取：分别提取特征反射率光谱特征和一阶光谱导数光谱特征；

空间特征提取：分别提取纹理空间特征和深度空间特征。

作为优选，光谱特征提取包括：将利用增强式Haar小波变换后获得的特征反射率作为一组表示幅值的特征反射率光谱特征；从特征反射率基础上进行一阶求导，获得一组表示变化趋势的一阶光谱导数光谱特征。

作为优选，空间特征提取包括：利用灰度共生矩阵算法提取低维特征光谱图像的纹理空间特征；利用深度卷积神经网络算法提取深度空间特征。