CN106841054B - 种子品种识别方法及装置 - Google Patents

种子品种识别方法及装置 Download PDF

Info

Publication number
CN106841054B
CN106841054B CN201710005012.7A CN201710005012A CN106841054B CN 106841054 B CN106841054 B CN 106841054B CN 201710005012 A CN201710005012 A CN 201710005012A CN 106841054 B CN106841054 B CN 106841054B
Authority
CN
China
Prior art keywords
sample
seed
seeds
variety
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710005012.7A
Other languages
English (en)
Other versions
CN106841054A (zh
Inventor
朱启兵
郭东生
黄敏
郭亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201710005012.7A priority Critical patent/CN106841054B/zh
Publication of CN106841054A publication Critical patent/CN106841054A/zh
Application granted granted Critical
Publication of CN106841054B publication Critical patent/CN106841054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种种子品种识别方法及装置，属于图像分类领域。该方法包括获取测试集中每个样本种子在P个波段下的P个高光谱图像；针对每个所述样本种子，根据所述P个高光谱图像获取特征参数；将所述特征参数输入分类模型，得到每个所述样本种子的预测品种；根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型；利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种；解决了当相同品种的种子由于年份不同导致识别品种时准确度不高的问题；达到了自动更新分类模型，降低年份对识别种子品种时的影响，提高识别品种的准确度的效果。

Description

种子品种识别方法及装置
技术领域
本发明实施例涉及图像分类领域，特别涉及一种种子品种识别方法及装置。
背景技术
玉米是农业生产的主要农作物之一，是粮食、饲料、燃料和工业原料的主要来源。随着杂交种子技术的广泛应用，玉米种子的品种越来越多，按玉米种子的品种进行分类也越来越复杂。
由于高光谱成像结合了机器视觉和近红外光谱的优点，能够同时反映种子的内部特征和外部特征，在种子分类时广泛使用高光谱成像技术。
然而，在不同年份种植的相同品种的种子，由于不同年份的耕作条件、土壤环境条件和气候条件不同，不同年份的相同品种的种子的高光谱信息会发生变化，导致利用高光谱图像和分类模型识别出的种子品种的准确度不高。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种种子品种方法及装置。该技术方案如下：
第一方面，提供了一种种子品种识别方法，该方法包括：
获取测试集中每个样本种子在P个波段下的P个高光谱图像；
针对每个所述样本种子，根据所述P个高光谱图像获取特征参数；
将所述特征参数输入分类模型，得到每个所述样本种子的预测品种；
根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型；
利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种。
可选的，所述根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型，包括：
根据所述预测品种将所述样本种子分成若干个类别；每个所述类别中的样本种子的所述预测品种相同；
计算出每个类别的类中心；
计算每个类别中的各个所述样本种子与所述类中心之间的距离；
针对每个所述类别，将所述样本种子按所述距离从小到大的顺序排列；
将每个所述类别中的前n个样本种子作为所述预定样本种子，并将所述预定样本种子对应的所述特征参数从全部的所述特征参数中删除；
将所述预定样本种子添加入训练集得到新的所述训练集；
利用所述新的所述训练集更新所述分类模型；
检测预定条件是否成立；
若所述预定条件不成立，则执行所述将所述特征参数输入分类模型，得到每个所述样本种子的预测品种的步骤；
其中，所述预定条件为大于等于预定阈值，或者，所述预定条件为所述次数达到预定次数；Numj(i)为第i次迭代时和第i-1次迭代时都被确定第j个类别的样本种子的数量，Numj(i-1)为所述第i次迭代时被确定为所述第j个类别的样本种子的数量。
可选的，该方法还包括：
若所述预定条件成立，则执行所述利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种的步骤。
可选的，所述计算每个类别中的所述样本种子与所述类中心之间的距离，包括：
利用公式计算所述样本种子与所述类中心之间的距离；
其中，d为向量的维数。
可选的，所述根据所述P个高光谱图像获取特征参数，包括：
获取所述样本种子在预定波段下的高光谱图像；
对所述在预定波段下的高光谱图像进行图像分割，得到所述样本种子的轮廓曲线；
将所述轮廓曲线投影到所述P个波段，从所述P个高光谱图像中得到P个种子轮廓图像；
根据所述种子轮廓图像，获取每个波段对应的所述样本种子的光谱均值特征，所述光谱均值特征是所述种子轮廓图像中所有像素点的反射光强的平均值；
将所述P个波段对应的P个所述光谱均值特征作为特征参数。
第二方面，提供了一种种子品种识别装置，该装置包括：
高光谱图像获取模块，用于获取测试集中每个样本种子在P个波段下的P个高光谱图像；
特征参数获取模块，用于针对每个所述样本种子，根据所述P个高光谱图像获取特征参数；
预测品种获取模块，用于将所述特征参数输入分类模型，得到每个所述样本种子的预测品种；
模型更新模块，用于根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型；
品种识别模块，用于利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种。
可选的，所述模型更新模块，具体用于：
根据所述预测品种将所述样本种子分成若干个类别；每个所述类别中的样本种子的所述预测品种相同；
计算出每个类别的类中心；
计算每个类别中的各个所述样本种子与所述类中心之间的距离；
针对每个所述类别，将所述样本种子按所述距离从小到大的顺序排列；
将每个所述类别中的前n个样本种子作为所述预定样本种子，并将所述预定样本种子对应的所述特征参数从全部的所述特征参数中删除；
将所述预定样本种子添加入训练集得到新的所述训练集；
利用所述新的所述训练集更新所述分类模型；
检测预定条件是否成立；
若所述预定条件不成立，则执行所述将所述特征参数输入分类模型，得到每个所述样本种子的预测品种的步骤；
其中，所述预定条件为大于等于预定阈值，或者，所述预定条件为所述次数达到预定次数；Numj(i)为第i次迭代时和第i-1次迭代时都被确定第j个类别的样本种子的数量，Numj(i-1)为所述第i次迭代时被确定为所述第j个类别的样本种子的数量。
可选的，所述模型更新模块，还用于：
若所述预定条件成立，则执行所述利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种的步骤。
可选的，所述模型更新模块，还用于：
利用公式计算所述样本种子与所述类中心之间的距离；
其中，d为向量的维数。
可选的，所述特征参数获取模块，具体用于：
获取所述样本种子在预定波段下的高光谱图像；
对所述在预定波段下的高光谱图像进行图像分割，得到所述样本种子的轮廓曲线；
将所述轮廓曲线投影到所述P个波段，从所述P个高光谱图像中得到P个种子轮廓图像；
根据所述种子轮廓图像，获取每个波段对应的所述样本种子的光谱均值特征，所述光谱均值特征是所述种子轮廓图像中所有像素点的反射光强的平均值；
将所述P个波段对应的P个所述光谱均值特征作为特征参数。
本发明实施例提供的技术方案带来的有益效果是：
通过获取测试集中若干个样本种子分别在P个波段下的P个高光谱图像，根据高光谱图像获取每个样本种子的特征参数，利用特征参数和分类模型得到样本种子的预测品种，在利用预测品种选取预定样本种子，根据预定样本种子更新分类模型，最后利用更新后的分类模型识别测试集中全部种子的品种；解决了当相同品种的种子由于年份不同导致识别品种时准确度不高的问题；达到了自动更新分类模型，降低年份对识别种子品种时的影响，提高识别品种的准确度的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种种子品种识别方法的流程图；
图2是根据另一示例性实施例示出的一种种子品种识别方法的流程图；
图3A是根据另一示例性实施例示出的一种高光谱图像的局部示意图；
图3B是根据另一示例性实施例示出的一种高光谱图像的局部示意图；
图3C是根据另一示例性实施例示出的一种样本种子的轮廓曲线的局部示意图；
图3D是根据另一示例性实施例示出的一种样本种子在P个波段下的种子轮廓图像；
图3E是根据另一示例性实施例示出的一种每个波段对应的样本种子的光谱均值特征的曲线示意图；
图4是根据另一示例性实施例示出的一种种子品种识别装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
请参考图1，其示出了本发明一个实施例提供的种子品种识别方法的流程图。如图1所示，该种子品种识别方法可以包括以下步骤：
步骤101，获取测试集中每个样本种子在P个波段下的P个高光谱图像。
比如：测试集中有N个样本种子，则获取到N*P个高光谱图像。
具体地，将测试集中的全部样本种子防置在高光谱图像采集***中，采集到每个样本种子在P个波段下的P个高光谱图像。
可选的，可以分次将测试集中国的样本种子放置在高光谱图像采集***中，采集每个样本种子在P个波段下的P个高光谱图像。
测试集中包括若干个品种的种子，每个品种的种子包括若干个年份。
步骤102，针对每个样本种子，根据P个高光谱图像获取特征参数。
针对测试集中的每个样本种子，根据该样本种子在P个波段下的P个高光谱图像获取该样本种子对于的特征参数。
一个样本种子有一个特征参数，一个样本种子对应的特征参数由P个光谱均值特征构成，一个样本种子在一个波段下有一个对应的光谱均值特征。
步骤103，将特征参数输入分类模型，得到每个样本种子的预测品种。
初始分类模型是根据训练集生成的，训练集中包括的种子的品种与测试集中包括的种子的品种相同，测试集中与训练集中相应品种的种子的年份不同。
训练集中的种子包括多个品种，每个品种的种子包括多个年份。测试集中的种子的品种时未知的。
比如：测试集中的种子为A品种、B品种、C品种，训练集中的种子也为A品种、B品种、C品种，但是测试集中A品种的种子与训练集中A品种的种子的年份不同，测试集中B品种的种子与训练集中B品种的种子的年份不同，测试集中C品种的种子与训练集中C品种的种子的年份不同。
可选的，分类模型为最小二乘支持向量机分类模型。
步骤104，根据预测品种从测试集中选取出预定样本种子，并根据预定样本种子更新分类模型。
根据预测品种从测试集中的全部样本种子中选取出预定样本种子，选取出的预定样本种子的数量小于测试集中全部样本种子的数量。
可选的，可以从测试集中多次获取预定样本种子，每次选取出的预定样本种子不同；每选取出一次预定样本种子，利用选取出的预定样本种子对分类模型进行一次更新。
步骤105，利用更新后的分类模型识别出测试集中样本种子的品种。
可选的，利用更新后的分类模型识别出测试集中全部样本种子的品种，或者，利用更新后的分类模型识别出测试集中部分样本种子的品种。
综上所述，本发明实施例提供的种子品种识别方法，通过获取测试集中每个样本种子分别在P个波段下的P个高光谱图像，根据高光谱图像获取每个样本种子的特征参数，利用特征参数和分类模型得到样本种子的预测品种，在利用预测品种选取预定样本种子，根据预定样本种子更新分类模型，最后利用更新后的分类模型识别测试集中样本种子的品种；解决了当相同品种的种子由于年份不同导致识别品种时准确度不高的问题；达到了自动更新分类模型，降低年份对识别种子品种时的影响，提高识别品种的准确度的效果。
请参考图2，其示出了本发明另一个实施例提供的种子品种识别方法的流程图。如图2所示，该种子品种识别方法可以包括以下步骤：
步骤201，获取测试集中每个样本种子在P个波段下的P个高光谱图像。
该步骤已在步骤101中进行了阐述，这里不再赘述。
步骤202，针对每个样本种子，根据P个高光谱图像获取特征参数。
若有N个样本种子，则获取到N个特征参数。
具体地，对每个样本种子，根据如下步骤2021至步骤2025获取特征参数。
步骤2021，获取样本种子在预定波段下的高光谱图像。
可选的，预定波段是高光谱图像最清晰的波段。可选的，预定波段为782.59nm。
步骤2022，对在预定波段下的高光谱图像进行图像分割，得到样本种子的轮廓曲线。
可选的，在对高光谱图像进行图像分割前，对高光谱图像进行图形增强。
可选的，利用阈值分割方法对在预定波段下的高光谱图像进行图像分割，得到样本种子的轮廓曲线。
步骤2023，将轮廓曲线投影到P个波段，从P个高光谱图像中得到P个种子轮廓图像。
利用轮廓投影的方法，将轮廓曲线投影到P个波段下，从每个波段对应的高光谱图像中分离出一个种子轮廓图像。
一个波段对应一个种子轮廓图像。一个样本种子有P个种子轮廓图像。
步骤2024，根据种子轮廓图像，获取每个波段对应的样本种子的光谱均值特征。
光谱均值特征是种子轮廓图像中所有像素点的反射光强的平均值。
根据每个波段对应的种子轮廓图像，获取种子轮廓图像中所有像素点的反射光强的平均值。
一个样本种子在一个波段对应有一个光谱均值特征，一个样本种子在P个波段有P个光谱均值特征。
步骤2025，将P个波段对应的P个光谱均值特征作为特征参数。
比如：一个样本种子的P个光谱均值特征分别为p1、p2、p3、……、pp，则该样本种子的特征参数F＝[p1,p2,p3,……,pp]。
步骤203，将特征参数输入分类模型，得到每个样本种子的预测品种。
可选的，将样本种子中特征参数输入分类模型，得到每个样本种子的预测品种。
步骤204，根据预测品种将样本种子分成若干个类别。
每个类别中的样本种子的预测品种相同。
需要说明的是，如果步骤203中有未识别出预测品种的样本种子，在本步骤划分类别时，不考虑未识别出预测品种的样本种子。
在每次迭代时，划分出的类别的数量可以不相同。
步骤205，计算出每个类别的类中心。
假设样本种子被为T个类别，计算得到T个类别的类中心为[c1,...,ci,...,cT]。
步骤206，计算每个类别中的各个样本种子与类中心之间的距离。
利用皮尔逊相关系数计算每个类别中各个样本种子与类中心之间的距离。
具体地，利用公式计算样本种子与类中心之间的距离；
其中，表示每个类别中的一个样本种子，表示每个类别的类中心，d为向量的维数。
需要说明的是，的值越大，说明表示样本种子的向量和表示类中心的向量越相似，也即样本种子与类中心之间的距离越小。
步骤207，针对每个类别，将样本种子按距离从小到大的顺序排列。
步骤208，将每个类别中的前n个样本种子作为预定样本种子，并将预定样本种子对应的特征参数从全部的特征参数中删除。
若预定样本种子对应的特征参数从全部的特征参数中删除，则在下次迭代时，忽略测试集中被删除特征参数的预定样本种子，也即被删除特征参数的预定样本种子不再参与分类模型的更新。
步骤209，将预定样本种子添加入训练集得到新的训练集。
步骤210，利用新的训练集更新分类模型。
步骤211，检测预定条件是否成立。
其中，预定条件为大于等于预定阈值，或者，预定条件为次数达到预定次数；Numj(i)为第i次迭代时和第i-1次迭代时都被确定第j个类别的样本种子的数量，Numj(i-1)为第i次迭代时被确定为第j个类别的样本种子的数量。
可选的，预定阈值为预先设置的值。当大于或等于预定阈值时，说明上一次迭代后分类模型的预测结果与本次迭代分类模型的预测结果相似性很高，也即分类模型几乎未被更新，需要停止迭代。
可选的，预定次数为最大迭代次数。最大迭代次数与从测试集中获取的样本种子的数量、测试集中包含的种子品种的数量有关。可选的，若在获取P个波段下的P个高光谱图像时分次获取的，则最大迭代次数还与在获取图像时每次获取的样本种子的数量有关。
若预定条件不成立，则执步骤203。
当预定条件不成立时，步骤203中的分类模型是根据新的训练集更新的分类模型，将删除预定样本种子对应的特征参数后的特征参数输入分类模型。
若预定条件成立，则执行步骤212。
步骤212，利用更新后的分类模型识别出测试集中全部种子的品种。
可选的，利用高光谱图像获取测试集中需要识别品种的样本种子的特征参数，将测试集中需要识别品种的样本种子的特征参数输入更新后的分类模型，识别出样本种子的品种。
可选的，需要识别品种的样本种子是测试集中的全部样本种子，或者，需要识别品种的样本种子是测试集中部分样本种子。
需要识别的样本种子可以是在更新分类模型的过程中被删除特征参数的样本种子。
综上所述，本发明实施例提供的种子品种识别方法，通过获取测试集中每个样本种子分别在P个波段下的P个高光谱图像，根据高光谱图像获取每个样本种子的特征参数，利用特征参数和分类模型得到样本种子的预测品种，在利用预测品种选取预定样本种子，根据预定样本种子更新分类模型，最后利用更新后的分类模型识别测试集中样本种子的品种；解决了当相同品种的种子由于年份不同导致识别品种时准确度不高的问题；达到了自动更新分类模型，降低年份对识别种子品种时的影响，提高识别品种的准确度的效果。
在一个示例性的例子中，假设测试集中待识别品种的样本种子的数量为50，获取测试集中每个样本种子在P个波段下的P个高光谱图像。获取50个种子样本在782.59nm波段下的高光谱图像，图3A示出了该高光谱图像的局部示意图；对高光谱图像进行图像增强，图3B示出了增强后的高光谱图像的局部示意图；利用阈值分割法，获取50个样本种子的轮廓曲线，图3C示出了50个样本种子的轮廓曲线的局部示意图；将获取到的轮廓曲线投影至P个波段，得到每个样本种子在P个波段下的种子轮廓图像，如图3D所示；再根据种子轮廓图像，获取每个波段对应的样本种子的光谱均值特征，根据P个光谱均值特征得到每个样本种子的特征参数，如图3E所示。
假设分类模型为最小二乘支持向量机分类模型Mlssvm，初始Mlssvm根据训练集S生成。将50个样本种子的特征参数分别输入Mlssvm，得到每个样本种子的预测标签；假设有47个样本种子识别出了预测标签，则根据预测标签对47个样本种子进行分类，预测标签的样本种子分到同一个类别中，预测标签有4类，分别为A类、B类、C类、D类；分别计算出A类、B类、C类、D类的类中心，再针对每个类计算出每个样本到各自所属类别的类中心的距离；将每个类别中距离类中心最近的n样本种子作为预定样本种子，预定样本种子的集合可以表示为L，将预定样本种子L添加入训练集S，训练集S＝S+L；将测试集中的预定样本种子忽略，相应地删除预定样本种子的特征参数，测试集可以表示为集合U，U＝U-L；利用训练集S更新Mlssvm；检测预定条件是否成立，若预定条件不成立，则再执行将U中的样本种子的特征参数输入Mlssvm，获取U中每个样本种子的预测品种的步骤，直到预定条件成立，则利用更新后的Mlssvm识别测试集中的样本种子的品种。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参照图4，其示出了本发明一个实施例提供的种子品种识别装置的结构方框图。该种子品种识别装置可以通过软件、硬件或者两者的结合实现成为上述可提供种子品种识别方法的终端的全部或者一部分。该装置包括：
高光谱图像获取模块410，用于获取测试集中每个样本种子在P个波段下的P个高光谱图像；
特征参数获取模块420，用于针对每个样本种子，根据P个高光谱图像获取特征参数；
预测品种获取模块430，用于将特征参数输入分类模型，得到每个样本种子的预测品种；
模型更新模块440，用于根据预测品种从测试集中选取出预定样本种子，并根据预定样本种子更新分类模型；
品种识别模块450，用于利用更新后的分类模型识别出测试集中样本种子的品种。
综上所述，本发明实施例提供的种子品种识别装置，通过获取测试集中每个样本种子分别在P个波段下的P个高光谱图像，根据高光谱图像获取每个样本种子的特征参数，利用特征参数和分类模型得到样本种子的预测品种，在利用预测品种选取预定样本种子，根据预定样本种子更新分类模型，最后利用更新后的分类模型识别测试集中样本种子的品种；解决了当相同品种的种子由于年份不同导致识别品种时准确度不高的问题；达到了自动更新分类模型，降低年份对识别种子品种时的影响，提高识别品种的准确度的效果。
可选的，模型更新模块，具体用于：
根据预测品种将样本种子分成若干个类别；每个类别中的样本种子的预测品种相同；
计算出每个类别的类中心；
计算每个类别中的各个样本种子与类中心之间的距离；
针对每个类别，将样本种子按距离从小到大的顺序排列；
将每个类别中的前n个样本种子作为预定样本种子，并将预定样本种子对应的特征参数从全部的特征参数中删除；
将预定样本种子添加入训练集得到新的训练集；
利用新的训练集更新分类模型；
检测预定条件是否成立；
若预定条件不成立，则执行将特征参数输入分类模型，得到每个样本种子的预测品种的步骤；
其中，预定条件为大于等于预定阈值，或者，预定条件为次数达到预定次数；Numj(i)为第i次迭代时和第i-1次迭代时都被确定第j个类别的样本种子的数量，Numj(i-1)为第i次迭代时被确定为第j个类别的样本种子的数量。
可选的，模型更新模块，还用于：
若预定条件成立，则执行利用更新后的分类模型识别出测试集中样本种子的品种的步骤。
可选的，模型更新模块，还用于：
利用公式计算样本种子与类中心之间的距离；
其中，d为向量的维数。
可选的，特征参数获取模块，具体用于：
获取样本种子在预定波段下的高光谱图像；
对在预定波段下的高光谱图像进行图像分割，得到样本种子的轮廓曲线；
将轮廓曲线投影到P个波段，从P个高光谱图像中得到P个种子轮廓图像；
根据种子轮廓图像，获取每个波段对应的样本种子的光谱均值特征，光谱均值特征是种子轮廓图像中所有像素点的反射光强的平均值；
将P个波段对应的P个光谱均值特征作为特征参数。
需要说明的是：上述实施例提供的种子品种识别计算装置在执行种子品种识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的种子品种识别装置与种子品种识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种种子品种识别方法，其特征在于，所述方法包括：
获取测试集中每个样本种子在P个波段下的P个高光谱图像；
针对每个所述样本种子，根据所述P个高光谱图像获取特征参数；
将所述特征参数输入分类模型，得到每个所述样本种子的预测品种；
根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型；
利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种；
其中，所述根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型，包括：
根据所述预测品种将所述样本种子分成若干个类别；每个所述类别中的样本种子的所述预测品种相同；
计算出每个类别的类中心；
计算每个类别中的各个所述样本种子与所述类中心之间的距离；
针对每个所述类别，将所述样本种子按所述距离从小到大的顺序排列；
将每个所述类别中的前n个样本种子作为所述预定样本种子，并将所述预定样本种子对应的所述特征参数从全部的所述特征参数中删除；
将所述预定样本种子添加入训练集得到新的所述训练集；
利用所述新的所述训练集更新所述分类模型；
检测预定条件是否成立；
若所述预定条件不成立，则重新执行所述将所述特征参数输入分类模型，得到每个所述样本种子的预测品种的步骤和所述根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型的步骤；
所述预定条件为大于等于预定阈值，或者，所述预定条件为执行所述将所述特征参数输入分类模型，得到每个所述样本种子的预测品种的步骤和所述根据所述预测品种从所述测试集中选取出预定样本种子，并根据所述预定样本种子更新所述分类模型的步骤的次数达到预定次数；Numj(i)为第i次重复时和第i-1次重复时都被确定第j个类别的样本种子的数量，Numj(i-1)为所述第i次重复时被确定为所述第j个类别的样本种子的数量。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述预定条件成立，则执行所述利用更新后的所述分类模型识别出所述测试集中所述样本种子的品种的步骤。
3.根据权利要求1所述的方法，其特征在于，所述计算每个类别中的所述样本种子与所述类中心之间的距离，包括：
利用公式计算所述样本种子与所述类中心之间的距离；
其中，d为向量的维数。
4.根据权利要求1至3任一所述的方法，其特征在于，所述根据所述P个高光谱图像获取特征参数，包括：
获取所述样本种子在预定波段下的高光谱图像；
对所述在预定波段下的高光谱图像进行图像分割，得到所述样本种子的轮廓曲线；
将所述轮廓曲线投影到所述P个波段，从所述P个高光谱图像中得到P个种子轮廓图像；
根据所述种子轮廓图像，获取每个波段对应的所述样本种子的光谱均值特征，所述光谱均值特征是所述种子轮廓图像中所有像素点的反射光强的平均值；
将所述P个波段对应的P个所述光谱均值特征作为特征参数。
5.一种种子品种识别装置，其特征在于，所述装置用于执行权利要求1至4任一所述的方法。
CN201710005012.7A 2017-01-04 2017-01-04 种子品种识别方法及装置 Active CN106841054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710005012.7A CN106841054B (zh) 2017-01-04 2017-01-04 种子品种识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710005012.7A CN106841054B (zh) 2017-01-04 2017-01-04 种子品种识别方法及装置

Publications (2)

Publication Number Publication Date
CN106841054A CN106841054A (zh) 2017-06-13
CN106841054B true CN106841054B (zh) 2019-06-07

Family

ID=59118401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710005012.7A Active CN106841054B (zh) 2017-01-04 2017-01-04 种子品种识别方法及装置

Country Status (1)

Country Link
CN (1) CN106841054B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111351766A (zh) 2020-02-27 2020-06-30 浙江大学 一种快速识别南瓜种子身份的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102072883A (zh) * 2010-07-07 2011-05-25 北京农业智能装备技术研究中心 农作物种子综合品质检测装置及方法
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集***及基于该***的玉米种子纯度无损检测方法
CN105117734A (zh) * 2015-07-28 2015-12-02 江南大学 基于模型在线更新的玉米种子高光谱图像分类识别方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN106203522A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于三维非局部均值滤波的高光谱图像分类方法
CN106203452A (zh) * 2016-07-18 2016-12-07 江南大学 基于多线性判别分析的玉米种子高光谱图像多特征转换方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102072883A (zh) * 2010-07-07 2011-05-25 北京农业智能装备技术研究中心 农作物种子综合品质检测装置及方法
CN102621077A (zh) * 2012-03-30 2012-08-01 江南大学 高光谱反射图像采集***及基于该***的玉米种子纯度无损检测方法
CN105117734A (zh) * 2015-07-28 2015-12-02 江南大学 基于模型在线更新的玉米种子高光谱图像分类识别方法
CN105224960A (zh) * 2015-11-04 2016-01-06 江南大学 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN106203522A (zh) * 2016-07-15 2016-12-07 西安电子科技大学 基于三维非局部均值滤波的高光谱图像分类方法
CN106203452A (zh) * 2016-07-18 2016-12-07 江南大学 基于多线性判别分析的玉米种子高光谱图像多特征转换方法

Also Published As

Publication number Publication date
CN106841054A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN105144239B (zh) 图像处理装置、图像处理方法
CN108009559B (zh) 一种基于空谱联合信息的高光谱数据分类方法
CN110197205B (zh) 一种多特征来源残差网络的图像识别方法
CN106203523A (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类
CN112308152B (zh) 基于光谱分割与同质区域检测的高光谱图像地物分类方法
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
CN105631474B (zh) 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN111126361B (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN111222545A (zh) 基于线性规划增量学习的图像分类方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN117115640A (zh) 一种基于改进YOLOv8的病虫害目标检测方法、装置及设备
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN117576195A (zh) 一种植物叶片形态识别方法
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
CN106841054B (zh) 种子品种识别方法及装置
CN105205496B (zh) 增强型稀疏表示高光谱图像分类装置及方法
US20220366242A1 (en) Information processing apparatus, information processing method, and storage medium
CN116704378A (zh) 一种基于自生长卷积神经网络的国土测绘数据分类方法
CN116563683A (zh) 一种基于卷积神经网络和多层感知机的遥感影像场景分类方法
CN113780335B (zh) 一种小样本商品图像分类方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant