[发明专利]一种粮食霉变粒识别神经网络和识别方法

权利要求书

1.一种粮食霉变粒识别神经网络，其特征在于，包括

第一卷积层，用于将光谱图像数据xi(Q×Q×256)进行第一卷积操作，得到第一层网络输出数据，其中所述光谱图像数据为对粮食样品的Q×Q大小感兴趣区域提取区域内像素点光谱图像得到的，其中，Q×Q是图像尺度，256是光谱波段数量；

第二卷积层，用于将所述第一层网络输出数据进行第二卷积操作，得到第二层网络输出数据；

最大池化层，用于将所述第二层网络输出数据进行池化操作，得到第三层网络输出数据xi(Q′×Q′×128)，其中Q′×Q′是池化处理后的图像尺度；

注意力机制模块，用于对所述第三层网络输出数据进行籽粒霉变图谱特征挖掘，得到第四层网络输出数据；

第三卷积层，用于将所述第四层网络输出数据进行第三卷积操作，得到第五层网络输出数据；

第四卷积层，用于将所述第五层网络输出数据进行第四卷积操作，得到第六层网络输出数据；

串联连接的第一全连接层、第二全连接层和第一分类器，其中第一全连接层接收第六层网络输出数据，第一分类器输出识别结果。

2.根据权利要求1所述的网络，其特征在于，所述注意力机制模块包括

光谱域注意力机制网络，包括

全局均匀池化层，用于对所述第三层网络输出数据进行池化操作，得到全局均匀池化输出数据；

第五卷积层，用于对全局均匀池化输出数据进行第五卷积操作，得到第五卷积输出数据，其中卷积核大小为1×1×128/r，其中r为缩减率；

第六卷积层，用于对第五卷积输出数据进行第六卷积操作，得到第六卷积输出数据，其中卷积核大小为1×1×128；

上采样层，对所述第六卷积输出数据进行上采样操作，得到权重向量Pb(Q′×Q′×128)；

第一乘法加权模块，用于通过缩放操作将向量Pb加权到输入所述第三层网络输出数据xi(Q′×Q′×128)的每个波段上，获取光谱域注意力机制作用下的输出结果

图像域注意力机制网络，包括

串联连接的第七卷积层和第一重置模块，其中第七卷积层用于接收所述第三层网络输出数据，并由第一重置模块输出第一重置输出数据，其中第七卷积层卷积核大小为3×3×128/r；

串联连接的第八卷积层和第二重置模块，其中第八卷积层用于接收所述第三输出数据，并由第二重置模块输出第二重置输出数据，其中第八卷积层卷积核大小为3×3×128/r；

第二乘法加权模块，用于将第一重置输出数据加权到第二重置输出数据，得到第二乘法加权输出数据；

第二分类器，用于将第二乘法加权输出数据进行分类计算，得到第二分类输出数据；

串联连接的第九卷积层和第三重置模块，其中第九卷积层用于接收所述第三输出数据，并由第三重置模块输出第三重置输出数据，其中第九卷积层卷积核大小为1×1×128/r；

第三乘法加权模块，用于将第二分类输出数据加权到第三重置输出数据，得到特征向量pi(Q′×Q′×128)；

串联连接的第四重置模块和第十卷积层，所述第四重置模块用于接收特征向量pi(Q′×Q′×128)，所述第十卷积层输出第十卷积输出数据；

第一加法加权模块，用于将第十卷积输出数据加权到所述第三输出数据xi(Q′×Q′×128)上，获取获得图像域注意力机制作用下的输出结果

第二加法加权模块，用于将所述光谱域注意力机制作用下的输出结果和图像域注意力机制作用下的输出结果进行加法加权，得到所述第四输出数据。

3.根据权利要求1所述的网络，其特征在于，所述光谱图像数据为利用400～1000nm波段内可见/近红外高光谱成像系统采集玉米籽粒的光谱图像得到的。

4.根据权利要求2所述的网络，其特征在于，r为2。

5.根据权利要求1-4中任一项所述的网络，其特征在于，所述Q×Q为21×21。