[发明专利]一种基于高光谱图像和迁移学习的梨损伤识别方法

说明书

本发明提出一种基于高光谱图像和迁移学习的梨损伤识别方法。本发明引入了迁移学习思想，利用不同损伤类型之间的相似性，将在旧领域即挤压损伤学习过的模型和知识应用于新的领域即碰撞损伤。本发明由于使用两次迁移的网络结构，与ResNet50直接迁移到梨碰撞损伤数据的网络相比，一方面充分利用了挤压损伤数据预训练模型对高光谱图像的浅层特征和深层特征提取能力，另一方面能够缩短网络的训练时间，且有效地提高了梨碰撞损伤高光谱图像数据的识别精度。

技术领域

本发明属于高光谱图像分类技术领域，特别是涉及一种基于高光谱图像和迁移学习的梨损伤识别方法。

背景技术

梨从果树上成熟至最后到达消费者手中，中间需要经过采摘、贮藏、包装和运输等一系列过程，每个过程都可能产生不同类型的机械损伤。常见的机械损伤类型包括碰撞损伤、挤压损伤和振动损伤等，不同的采摘、贮藏、包装和运输方式造成不同损伤类型的概率也会不同。由于梨机械损伤初期表皮未破损，肉眼难以察觉，最终导致果品腐烂程度不断加重，不仅影响消费者的购买欲望，还会感染健康的果品，极大地影响了梨产业的经济效益。因此，建立一种梨果实早期机械损伤无损伤识别方法对该产业的健康发展具有重大意义。高光谱图像技术同时融合了图像与光谱信息，具有“图谱合一”的特点，高光谱图像分辨率高、可以采集果品内外部品质信息等特点使得高光谱图像技术已经广泛地应用于苹果、蓝莓和梨等水果的机械损伤检测中。

高光谱图像分类算法根据训练样本的有无分为有监督分类、无监督分类以及半监督分类，无监督分类中常用算法有K-means、ISODATA聚类等算法，缺点是分类效果较差。有监督分类利用训练样本提取特征向量或者特征波段对分类器进行训练，然后利用训练好的分类器对待测样本进行类别判定，常用算法有支持向量机、KNN、决策树与深度学习网络等算法等。这些监督学习算法的优良分类性能往往需要大量的标记样本作为支撑。但是，对高光谱数据进行标记需要耗费大量的人力和物力，获得大规模标记数据非常困难。当训练样本数目有限时，随着参与运算波段数目的增加，导致样本数目的相对减少，分类精度“先增后降”，这就是Hughes现象。因此，在有标签样本有限的情况下学习出泛化能力强的分类模型是现今高光谱图像分析领域的研究热点。

目前，大多数关于水果损伤识别的文献只对单一损伤类型(碰撞损伤或挤压损伤)的水果进行识别，不能满足实际生产过程的技术需求。虽然也有少数文献对多种损伤类型的水果损伤进行识别，但这类研究采用的方法是将所有损伤类型的样本混合后进行建模，此类方法需要大量的标记样本作为支撑，显著地增加了人力、物力的消耗。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种基于高光谱图像和迁移学习的梨损伤识别方法。为解决上述问题，本发明引入了迁移学习思想，利用不同损伤类型之间的相似性，将在旧领域(挤压损伤)学习过的模型和知识应用于新的领域(碰撞损伤)。优点是：(1)训练和测试数据服从不同的分布；(2)不需要足够的数据标注；(3)模型可以在不同任务之间迁移，利用迁移学习可以解决大数据与少标注之间矛盾问题。本发明提出了首先通过公共数据集ImageNet训练ResNet 50网络，用梨挤压损伤高光谱数据集进行微调，再将模型迁移到梨碰撞损伤高光谱数据集上，从而得到精度较高的梨损伤的识别模型。

本发明是通过以下技术方案实现的，本发明提出一种基于高光谱图像和迁移学习的梨损伤识别方法，所述方法具体包括：

步骤1、利用公共数据集ImageNet训练深度学习网络ResNet 50，得到预训练模型M；

步骤2、采集梨挤压损伤和碰撞损伤样品的原始高光谱数据，并对各个原始高光谱数据进行预处理，获得预处理后的高光谱数据；

步骤3、对预处理后的高光谱数据进行特征提取得到梨挤压损伤的特征图像；

步骤4、利用梨挤压损伤的特征图像对模型M进行微调，记微调收敛后的模型为M1，保存训练好的模型M1结构及其权重参数；