[发明专利]一种基于高光谱图像深度特征融合的甜瓜品质检测方法

说明书

本发明公开了一种基于高光谱图像深度特征融合的甜瓜品质检测方法，所述方法包括：构建端到端的甜瓜甜度和硬度预测框架，将该预测框架作为无监督网络模型，该框架将甜瓜的光谱特征和空间特征集成到一个统一的神经网络中；对边缘像素点分别进行3×3和5×5的填充，来保证图像的边缘信息丰富；构建特征像素间相关性的小样本，计算特征像素间的距离，将此距离作为权重值，然后计算被测区域各像素点的甜度值和硬度值来估计整个甜瓜的甜度和硬度。本发明克服了由于标注数据过少带来的模型过拟合问题，且通过填充边缘邻域的像素，使得图像的边缘信息得到了有效的提取。

技术领域

本发明涉及甜瓜品质检测领域，尤其涉及一种基于高光谱图像深度特征融合的甜瓜品质检测方法，通过对图像的空间信息以及光谱信息的特征学习，对甜瓜高光谱图像进行甜度和硬度的检测。

背景技术

高光谱图像具有分辨率高的光谱，其光谱分辨率可达到纳米级，这使得相比于可见光图像，它具有更多的光谱信息，但是高光谱图像存在着两个根本问题，第一：由于光谱分辨率高，所以高光谱图像具有数据量巨大、数据冗余严重、波段众多等缺点；第二：高光谱图像的空间分辨率有限，存在着大量混合像元，会出现检测精度随着特征维数上升而下降的Hughes现象。传统的方法是选择波段和特征提取，将原始数据压缩到低维空间，然后在检测阶段，使用传统的检测器，如：LR(线性回归)属于单层回归器，它无法很好地获得高级语义特征，所以利用这些方法得到的检测精度达不到现实的要求。

随着深度学习的发展，深度卷积神经网络(CNN)在图像分类以及回归等任务中表现出了极佳的性能，CNN以端到端的方式逐层地提取图像特征，然后利用训练好的模型对图像进行检测。靠近网络底部的卷积操作可以获得低级特征信息，随着网络的加深，高级语义信息会越来越强，因此，利用深度神经网络可以提高最终地检测性能。

利用深度神经网络对高光谱图像进行处理的方法极大的解决了传统方法所带来的不足，但是已有的大多数深度学习方法都具有一定的局限性：第一，多数深度学习方法需要确定大量参数，因此现有的深度网络模型复杂度高，从而需要大量的训练样本。目前存在的方法大多数都是在有监督的条件下进行的，例如：甜瓜的硬度数据集仅有240个数据，甜度数据集仅有480个数据，这对普通的网络模型来讲是远远不够的，所以设计一个无监督的网络模型是极其重要的。第二，现有的高光谱图像分类或预测，仅利用到了最深层的特征来进行预测或分类，并没有融合低层信息。在分类或预测任务上，语义信息固然很重要，但是低级信息也同样是不可忽略的。第三，图像的边缘信息对于最终的预测也是有很大影响的，现有的高光谱图像预测或分类上，都忽略了边缘信息的提取，所以在最终的预测时，图像的边缘是极其不乐观的，无法满足实际应用中的需要。

发明内容

本发明提供了一种基于高光谱图像深度特征融合的甜瓜品质检测方法，本发明针对上述所提出的三点局限性，提出了一种无监督的网络模型，克服了由于标注数据过少带来的模型过拟合问题，且通过填充边缘邻域的像素，使得图像的边缘信息得到了有效的提取，详见下文描述：

一种基于高光谱图像深度特征融合的甜瓜品质检测方法，所述方法包括：

构建端到端的甜瓜甜度和硬度预测框架，将该预测框架作为无监督网络模型，该框架将甜瓜的光谱特征和空间特征集成到一个统一的神经网络中；

对边缘像素点分别进行3×3和5×5的填充，来保证图像的边缘信息丰富；

构建特征像素间相关性的小样本，计算特征像素间的距离，将此距离作为权重值，然后计算被测区域各像素点的甜度值和硬度值来估计整个甜瓜的甜度和硬度。

所述神经网络分为2个分支：

第一分支是将光谱数据送入自动编码器中以无监督的方式来提取光谱特征；