首页 / 专利库 / 园艺 / 地表覆盖物 / 地膜 / 一种用于深度学习的籽棉地膜高光谱可视化标签方法

一种用于深度学习的籽地膜光谱可视化标签方法

阅读:803发布:2020-05-08

专利汇可以提供一种用于深度学习的籽地膜光谱可视化标签方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种用于 深度学习 的籽 棉 地膜 高 光谱 可视化 标签方法,属于高光谱成像与深度学习技术领域。利用相邻替代性 算法 分析光谱的特征谱段,再结合二分法,将图像数据进行 降维 ,生成籽棉地膜的高光谱伪彩色图,并使用框选标记的形式对伪彩色图进行标记,通过二维图像标记对应产生高维光谱的图像标签。本发明将高光谱技术应用于籽棉地膜识别领域,对于彩色相机和黑白相机无法识别的残留的透明地膜,本发明通过高光谱成像仪采集籽棉地膜在1000~2500nm的高光谱图像,进而识别并分类与籽棉具有不同 光谱特性 的残膜。,下面是一种用于深度学习的籽地膜光谱可视化标签方法专利的具体信息内容。

1.一种用于深度学习的籽地膜光谱可视化标签方法,其特征在于,利用相邻替代性算法分析高光谱图像的特征谱段,再结合二分法,将图像数据进行降维,生成籽棉地膜的高光谱伪彩色图;并使用框选标记与边缘扩散的形式对伪彩色图进行标记;通过二维图像标记对应产生高维光谱的图像标签;具体包括以下步骤:
(1)获取籽棉地膜的高光谱图像,并对获得的光谱数据进行校正与降噪;
(2)将光谱图像划分为三个子数据集;对各个子数据集的图片Ii求取可替代性系数ri;
ri的计算公式为:
式中,Si表示图片Ii的标准差,Ii+1为相邻的下一张光谱图片;
(3)通过二分法将光谱图像中可替代性系数低于中间值的光谱图片去除;
(4)重复步骤(2)与步骤(3),直至每个子数据集的图片数减少为1,即为提取出的子数据集的代表性图片;
(5)将每个子数据集的代表性图片对应RGB图像的3个通道,生成籽棉地膜的高光谱伪彩色图;
(6)使用框标记的形式对伪彩色图进行标记,通过二维图像的标记对应产生高维光谱的图像标签;
(7)添加标签后,对框选区域进行边缘扩散;
(8)用户决定是否保留扩散区域;用户决定保留扩散区域时,将光谱数据随机打乱并将标签转化为独热编码,生成便于神经网络训练的标签化光谱数据。
2.根据权利要求1所述的用于深度学习的籽棉地膜高光谱可视化标签方法,其特征在于,利用芬兰SPECIM公司的SWIR系列高光谱成像仪来获取高光谱图像。
3.根据权利要求1所述的用于深度学习的籽棉地膜高光谱可视化标签方法,其特征在于,利用高光谱成像仪采集籽棉地膜在1000~2500nm的高光谱图像,并且以5.6nm为一谱段,共采集288个谱段的数据。
4.根据权利要求1所述的用于深度学习的籽棉地膜高光谱可视化标签方法,其特征在于,对获得的高光谱数据进行校正与降噪,过程如下:通过纯黑ID和纯白帧IW进行校正,对于相关数据进行均值化处理,即对于ID、IW在行方向上使用 得出 和 校正后的数据为 最后使用SG多项平滑法对于数据进行拟合平滑得出平滑的光谱数据。
5.根据权利要求1所述的用于深度学习的籽棉地膜高光谱可视化标签方法,其特征在于,对框选区域进行边缘扩散的过程如下:
首先计算框选区域内的平均梯度,计算公式如下:
G(x,y)=dxi+dyi
dx(i,j)=p(i+1,j)-p(i,j)
dy(i,j)=p(i,j+1)-p(i,j)
式中,p(i,j)为第i行第j列个像素点;
其次,通过平均梯度将光谱数据的边缘进行扩散,即测试边缘点p(m,n)的相邻点p(m+
1,n+1)的梯度,若梯度小于平均梯度 则将改点加入选择范围内;当区域边缘扩散至梯度大于区域内平均梯度时停止。
6.根据权利要求1所述的用于深度学习的籽棉地膜高光谱可视化标签方法,其特征在于,光谱图像按照波长依次划分为三个大小相等的子数据集D1,D2,D3,对各个子数据集内每个波段的图片Ii求取可替代性系数ri。

说明书全文

一种用于深度学习的籽地膜光谱可视化标签方法

技术领域

[0001] 本发明属于高光谱成像与深度学习技术领域,具体涉及一种用于深度学习的籽棉地膜高光谱可视化标签方法。

背景技术

[0002] 我国是棉花生产和消费大国,棉花加工与纺织在国民经济中发挥着重要作用。棉花种植广泛应用了地膜覆盖技术,且棉花的采摘生产机械化程度高,在机械采摘过程中籽棉混杂了大量的地膜,如果清理不彻底,就会随着加工环节进入皮棉,必定会影响纺织品质量和纺织品的染色质量。目前,深度学习是解决机采棉含有的地膜残片的一种有效途径,但深度学习需要大量的标签化的数据,传统的标记方式产生的数据量难以满足机器学习的需求,这成为了深度学习应用于光谱领域的阻碍,因此地膜的清理对新疆棉花产业来说是一个亟待解决的技术难题。

发明内容

[0003] 针对现有技术中存在的以下问题:混杂籽棉中的地膜识别需要1000~2500nm波段的近红外光谱,这一波段的光人眼不可见,故难以从成像光谱中获得直观感受进行区分,使用深度学习对于光谱进行识别却需要大量人工标记的数据,这与近红外光谱人眼难以区分的问题形成矛盾,使得用户无法直观地对于不可见的高光谱数据进行标记。本发明的目的是提供一种用于深度学习的籽棉地膜高光谱可视化标签方法,将高光谱技术应用于籽棉地膜识别领域,对于彩色相机和黑白相机无法识别的残留的透明地膜,进行识别并分类与籽棉具有不同光谱特性的残膜。
[0004] 为了解决上述问题,本发明所采用的技术方案如下:
[0005] 一种用于深度学习的籽棉地膜高光谱可视化标签方法,利用相邻替代性算法分析光谱的特征谱段,再结合二分法,将图像数据进行降维,生成籽棉地膜的高光谱伪彩色图;并使用框选标记与边缘扩散的形式对伪彩色图进行标记;通过二维图像的标记对应产生高维光谱的图像标签。具体包括以下步骤:
[0006] (1)获取籽棉地膜的高光谱图像,并对获得的光谱数据进行校正与降噪;
[0007] (2)将光谱图像分为三个子数据集D1,D2,D3;对各个数据集内的图片Ii求取可替代性系数ri;ri的计算公式为:
[0008]
[0009] 式中,Si表示图片的标准差,Ii+1为相邻的下一张光谱图片;
[0010] (3)通过二分法将光谱图像中可替代性低于中间值的光谱图片去除;
[0011] (4)重复步骤(2)与步骤(3),直至每个子数据集的图片数减少至1,即为提取出的子数据集的代表性图片;
[0012] (5)将每个子数据集的代表性图片对应RGB图像的3个通道,生成籽棉地膜的高光谱伪彩色图;
[0013] (6)使用框标记的形式对伪彩色图进行标记,通过二维图像的标记对应产生高维光谱的图像标签;
[0014] (7)添加标签后,依据框选区域内的光谱对外进行边缘扩散;
[0015] (8)用户决定是否保留扩散区域;用户决定保留扩散区域时,将光谱数据随机打乱并将标签转化为独热编码,从而生成便于神经网络训练的标签化光谱数据。
[0016] 所述用于深度学习的籽棉地膜高光谱可视化标签方法,利用芬兰SPECIM公司的SWIR系列高光谱成像仪来获取高光谱图像。
[0017] 所述用于深度学习的籽棉地膜高光谱可视化标签方法,利用高光谱成像仪采集籽棉地膜在1000~2500nm的高光谱图像,并且以5.6nm为一谱段,共采集288个谱段的数据。
[0018] 所述用于深度学习的籽棉地膜高光谱可视化标签方法,对获得的高光谱数据的校正与降噪,过程如下:通过纯黑ID和纯白帧IW进行校正,对于相关数据进行均值化处理,即对于ID和IW在行方向上使用 得出 和 校正后的数据为 最后使用SG多项平滑法对于数据进行拟合平滑得出平滑的光谱数据。
[0019] 所述用于深度学习的籽棉地膜高光谱可视化标签方法,对框选区域进行边缘扩散的过程如下:
[0020] 首先计算框选区域内的平均梯度,计算公式如下:
[0021]
[0022] G(x,y)=dxi+dyi
[0023] dx(i,j)=p(i+Lj)-p(i,j)
[0024] dy(i,j)=p(i,j+1)-p(i,j)
[0025] 式中,p(i,j)为第i行第j列个像素点;
[0026] 其次,通过平均梯度将光谱数据的边缘进行扩散,即测试边缘点p(m,n)的相邻点p(m+1,n+1)的梯度,若梯度小于平均梯度 则将改点加入选择范围内;当区域边缘扩散至梯度大于区域内平均梯度时停止。
[0027] 所述的用于深度学习的籽棉地膜高光谱可视化标签方法,光谱图像按照波长依次划分为三个大小相等的子数据集D1,D2,D3,对各个子数据集内每个波段的图片Ii求取可替代性系数ri。
[0028] 有益效果:与现有的技术相比,本发明的优点包括:
[0029] (1)本发明将高光谱技术应用于籽棉地膜识别领域,对于彩色相机和黑白相机无法识别的残留的透明地膜,本发明通过高光谱成像仪采集籽棉地膜在1000~2500nm的反射光谱图,进而识别并分类与籽棉具有不同光谱特性的残膜。
[0030] (2)本发明采用替代性系数法结合二分法去除其中前1/2的可替代性较高的光谱图像,去除后,重复这一过程,直至3个子数据集剩余最后1张光谱图像,对应于RGB通道,将数据由原本的n维降低到3维,分别对应RGB图像的3个通道,产生便于用户观察的伪彩色图像。
[0031] (3)使用Qt编写的图形化界面框选出所需的数据集合,结合框选区域的边缘扩散,为用户添加数据的过程提供便利,本发明避免了不断标记单个数据的过程,节省了大量精附图说明
[0032] 图1是校正后的光谱曲线图;
[0033] 图2是用户添加标签的过程图;
[0034] 图3是读取图像数据的过程图;
[0035] 图4是本发明高光谱可视化标签方法的流程图

具体实施方式

[0036] 为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合具体实施例对本发明的具体实施方式做详细的说明。
[0037] 实施例1
[0038] 步骤1,采集籽棉地膜的高光谱图像,并数据进行校正与降噪;
[0039] 利用芬兰SPECIM公司的SWIR系列高光谱成像仪获取籽棉地膜在1000~2500nm的反射光谱图像,5.6nm为一谱段,共采集288个谱段的数据;
[0040] 通过纯黑帧ID和纯白帧IW进行校正,对于相关数据进行均值化处理,即对于ID,IW在行方向上使用 进行处理得出 和 校正后的数据,最后使用SG多项平滑法对于数据进行拟合平滑得出平滑的光谱数据,实现数据的校正和降噪,光谱校正后的结果如图1所示,从图1中可以看出,校正后的光谱曲线平滑,且幅值在0到1之间,便于神经网络的训练。
[0041] 步骤(2)~(5),使用替代性系数法对于数据进行降维;
[0042] (2)将光谱图像按照波长依次划分为三个大小相等的子数据集D1,D2,D3。对各个数据集内每个波段的图片Ii求取可替代性系数ri;ri的计算公式为:
[0043]
[0044] 式中,Si表示图片的标准差,Ii+1为相邻的下一张光谱图像;
[0045] (3)通过二分法将光谱图像中可替代性低于中间值的光谱波段去除;
[0046] (4)重复步骤(2)与步骤(3),直至每个子数据集的波段数减少至1,即为提取出的子数据集的代表性波段;
[0047] (5)将每个子数据集的代表性图片对应RGB图像的3个通道,生成籽棉地膜的高光谱伪彩色图;
[0048] 步骤(6),对于生成的光谱数据的伪彩色图,使用Qt编写的图形化界面框选出所需的数据集合,通过二维图像的标记对应产生高维光谱的图像标签;
[0049] 步骤(7),用户对框选区域扩散并添加标签,当区域边缘扩散至梯度大于区域内平均梯度时停止;所有标签保存为XML格式,框选的过程如图2所示;对框选区域进行边缘扩散的过程如下:
[0050] 首先计算框选区域内的平均梯度,计算公式如下:
[0051]
[0052] G(x,y)=dxi+dyi
[0053] dx(i,j)=p(i+1,j)-p(i,j)
[0054] dy(i,j)=p(i,j+1)-p(i,j)
[0055] 式中,p(i,j)为第i行第j列个像素点;
[0056] 其次,通过平均梯度将光谱数据的边缘进行扩散,即测试边缘点p(m,n)的相邻点p(m+1,n+1)的梯度,若梯度小于平均梯度 则将改点加入选择范围内;当区域边缘扩散至梯度大于区域内平均梯度时停止。
[0057] 步骤(8),将光谱数据随机打乱并将标签转化为独热编码,从而生成便于神经网络训练的标签化光谱数据,读取过程如图3所示。
[0058] 最后,总结上述步骤,结合图4对本发明的方法流程进行说明。本发明利用高光谱图像,计算各个谱段的可替代性系数,得到特征最为明显的波段产生伪彩色图,用户在伪彩色图上进行标记后进行标记区域扩散,其步骤如下:
[0059] (1)对获得的光谱数据进行校正与降噪;
[0060] (2)将光谱图像分为三个子数据集D1,D2,D3;对各个数据集内的每张图片Ii求取可替代性系数
[0061] (3)通过二分法将光谱图像中可替代性低于中间值的光谱图片去除;
[0062] (4)重复求取可替代性系数和剔除光谱波段的步骤,直至每个子数据集的图片数减少至1,即为提取出的子数据集的代表性图片;
[0063] (5)将每个子数据集的代表性图片对应RGB图像的3个通道,生成籽棉地膜的高光谱伪彩色图;
[0064] (6)用户使用框标记的形式对伪彩色图进行标记,通过二维图像的标记对应产生高维光谱的图像标签;
[0065] (7)添加标签后,依据框选区域内的光谱对外进行边缘扩散;
[0066] (8)用户决定是否保留扩散区域;用户决定保留扩散区域时,将光谱数据随机打乱并将标签转化为独热编码,从而生成便于神经网络训练的标签化光谱数据。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈