[发明专利]基于深度学习和高光谱成像技术的猕猴桃品质检测方法

权利要求书

1.一种基于深度学习和高光谱成像技术的猕猴桃品质检测方法，该方法的步骤是：

S1:准备N个形状良好、颜色正常并且无腐烂的猕猴桃，将猕猴桃分别放置在不同的存储条件下进行存储；不同的存储条件包括不同的环境温度和不同环境温度下的不同存储天数，每种存储条件下的猕猴桃数量为多个；

S2:使用NIR-HSI采集系统对S1中不同存储条件下的猕猴桃进行图像采集，最终获取不同存储条件下的猕猴桃的包含256个光谱波段的高光谱图像数据；

S3:对步骤S2获取的高光谱图像进行黑白校正，获得校正后的反射图像，再通过ENVI5.3软件从校正后的反射图像中手动选取不同存储条件下猕猴桃的ROI数据，由于不同存储条件下的猕猴桃有多个，在相同存储条件下的所有猕猴桃获得的ROI数据中随机选取E×E个像素点作为该存储条件下的全光谱数据，所有存储条件下的全光谱数据形成像素级数据集；其中，对像素级数据集划分训练集、验证集和测试集；

S4:构建EMP-NLCapsNet分类算法；

所述EMP-NLCapsNet算法包括EMP算法、PCA算法和非局部胶囊网络NLCapsNet，使用PCA算法对全光谱数据进行降维，获得PC图像，将累计方差超过99％的PC图像作为创建EMP的基础图像；使用一个结构元素SE获取PC图像的形状、边界和结构特征，继而对PC图像进行四次开关操作，形成具有空间结构特征的EMP数据块，将EMP数据块与PC图像进行堆叠，形成空间－光谱特征融合数据块，输入非局部胶囊网络NLCapsNet；

所述非局部胶囊网络NLCapsNet包括卷积层、主胶囊层Primarycaps、数字胶囊Digitcaps；所述卷积层由两个二维卷积操作和一个非局部模块构成，能提取输入图像中的全局深层空间-光谱特征，将具有空间结构的高光谱特征有机连接起来，非局部模块位于两个二维卷积操作之间，三者依次串联；所述非局部模块包括三个卷积核为的二维卷积层和一个卷积核为1×1×C的二维卷积层，计算由第一个二维卷积操作生成的特征图中所有像素之间的相关性，并调整特征图中所有位置的权重模拟远距离像素点之间的关系；

训练集用来建立EMP-NLCapsNet模型，验证集用于调整控制模型复杂度的参数，并监控模型是否出现过拟合现象，而测试集则检验模型的泛化能力，获得训练好的像素级分类模型；

S5:将在未知环境下存储的猕猴桃经过步骤S2-S3的处理后获得果实完整ROI数据，将ROI数据送入训练好的像素级分类模型中，实现对不同存储条件下的猕猴桃果实的快速分类。

2.根据权利要求1所述的基于深度学习和高光谱成像技术的猕猴桃品质检测方法，其特征在于，步骤S3中不同存储条件下猕猴桃的ROI数据获取方式为：从校正后的反射图像中选择果实中间区域的像素范围为30×30～60×60个像素点为ROI数据；优选地ROI数据的大小为50×50个像素点；步骤S4中所述结构元素SE为一个半径为2像素的圆形。

3.根据权利要求1所述的基于深度学习和高光谱成像技术的猕猴桃品质检测方法，其特征在于，所述NIR-HSI采集系统的近红外波长为900-1700nm，不同存储条件为包括低温(4℃，75％相对湿度)和室温(18±2℃)下存储不同时间(0、2、4、6天)。

4.根据权利要求1所述的基于深度学习和高光谱成像技术的猕猴桃品质检测方法，其特征在于，所述步骤S3中黑白校正的过程是：通过标准漫反射表面的99％反射率的白色校正板和无光源并完全覆盖镜头的黑暗环境分别获取白校正图像和黑校正图像；将高光谱图像中的每个像素点按照公式(1)与获取的黑、白校正图像进行对比校正，获得校正后的反射图像：

其中，I_R是校正后的反射图像，I_raw是高光谱图像，I_dark和I_white分别为黑、白校正图像的光强，a和b是图像的空间坐标。