CN112147083A - 种子纯度检测方法、检测装置及计算机可读存储介质 - Google Patents
种子纯度检测方法、检测装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112147083A CN112147083A CN202011100168.1A CN202011100168A CN112147083A CN 112147083 A CN112147083 A CN 112147083A CN 202011100168 A CN202011100168 A CN 202011100168A CN 112147083 A CN112147083 A CN 112147083A
- Authority
- CN
- China
- Prior art keywords
- seed
- lasso
- logistic
- model
- spectral data
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013094 purity test Methods 0.000 claims 2
- 238000012360 testing method Methods 0.000 claims 1
- 238000010924 continuous production Methods 0.000 abstract description 3
- 230000008602 contraction Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 4
- 238000011480 coordinate descent method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出的一种种子纯度检测方法、检测装置及计算机可读存储介质,所述方法包括步骤:获取待测种子影像的光谱数据;将所述光谱数据输入至训练完成的lasso‑logistic模型中,并运行所述lasso‑logistic模型,以得到光谱数据分类结果;根据所述光谱数据分类结果得到种子纯度。通过采用lasso进行logistic模型的变量选择,使得能够对变量进行压缩,从而选取稳定的具有代表性的特征变量,以减少计算量,同时lasso的变量选择是一个连续的过程,它可以同时实现连续地变量收缩和自动选择变量,从而克服了对参数估计的正则化不连续导致模型选择不稳定的问题。
Description
技术领域
本发明涉及种子检测领域,尤其涉及一种种子纯度检测方法、检测装置及计算机可读存储介质。
背景技术
高光谱图像技术是近年来出现的一种新的种子纯度检测方法,高光谱图像中不仅含有图像特征,还含有光谱信息,能更准确地对种子的外部特征和化学成分进行识别。但高光谱图像数据含有大量冗余信息,如何从这些冗余信息中准确地提取出有效光谱信息,并对种子进行识别是一个非常重要的问题。
现有技术中的高光谱图像技术的变量选择多采用最优子集选择法和逐步回归法,最优子集法即考虑所有可能的回归模型,再根据指定的标准,最终选出一个“最优”子集,这种方法看起来似乎很理想,但也存在比较严重的缺陷,那就是计算量太大,不能有效地处理大规模数据。另一个逐步回归法,开始它将贡献最大的一个变量选入回归方程,并且预先确定两个阈值,用于决定变量选入或剔除,逐步回归对参数估计的正则化是不连续的,这种不连续性导致模型选择的不稳定。
发明内容
本发明的主要目的在于提出一种种子纯度检测方法、检测装置及计算机可读存储介质,旨在解决现有技术中纯度检测方法计算量大或导致模型选择不稳定的问题。
为实现上述目的,本发明提供一种种子纯度检测方法,所述方法包括步骤:
获取待测种子影像的光谱数据;
将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果;
根据所述光谱数据分类结果得到种子纯度。
可选地,所述lasso-logistic模型包括lasso模型和logistic模型;
所述将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果的步骤包括:
将所述光谱数据输入至lasso模型,以对所述光谱数据进行特征提取,得到特征波段的光谱数据;
将所述特征波段的光谱数据输入至logistic模型,并运行所述logistic模型,以得到光谱数据分类结果。
可选地,所述获取待测种子影像的光谱数据的步骤之前包括:
获取训练光谱数据以及所述训练光谱数据对应的预设标签数据;
将所述训练光谱数据作为lasso-logistic初始模型的输入,以在所述lasso-logistic初始模型运行后输出预测分类结果;
根据所述预测分类结果与所述预设标签数据训练所述lasso-logistic初始模型,以将训练完成的lasso-logistic初始模型作为所述lasso-logistic模型。
可选地,所述根据所述预测分类结果与所述预设标签数据训练所述lasso-logistic初始模型的步骤包括:
比较所述预设标签数据与所述预测分类结果,以获取损失函数;
根据所述损失函数对所述lasso-logistic初始模型的参数进行调整,以更新所述lasso-logistic初始模型;
判断更新后的lasso-logistic初始模型是否达到停止训练条件;
当达到停止训练条件时,将最新更新的lasso-logistic初始模型作为所述lasso-logistic模型;
当未达到停止训练条件时,重新获取训练光谱数据以及对应的预设标签数据。
可选地,所述获取训练光谱数据以及各训练光谱数据对应的标签数据的步骤之后包括:
对所述训练光谱数据进行K折交叉验证,以将验证结果作为所述lasso-logistic模型的调和参数。
可选地,所述获取待测种子影像的光谱数据的步骤包括:
获取待测种子影像;
对所述待测种子影像进行识别,以得到所述待测种子影像中各种子对应的像素点;
获取每个种子对应的所有像素点的光谱信息,并对所有像素点的光谱信息进行平均值计算,以得到各种子对应的平均光谱;
将各种子对应的平均光谱作为待测种子影像对应的光谱数据。
可选地,所述将所述各种子对应的平均光谱作为待测种子影像对应的光谱数据的步骤包括:
对所述各种子对应的平均光谱进行标准正态变换和求导处理;
将处理后的各种子对应的平均光谱作为待测种子影像对应的光谱数据。
可选地,所述根据所述光谱数据分类结果得到种子纯度的步骤包括:
获取待测种子总数量,并从所述光谱数据分类结果中获取目标种子数量;
将所述目标种子数量除以待测种子总数量,以得到种子纯度。
为实现上述目的,本发明还提供一种检测装置,所述检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的种子纯度检测方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的种子纯度检测方法的步骤。
本发明提出的一种种子纯度检测方法、检测装置及计算机可读存储介质,获取待测种子影像的光谱数据;将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果;根据所述光谱数据分类结果得到种子纯度。通过采用lasso进行logistic模型的变量选择,使得能够对变量进行压缩,从而选取稳定的具有代表性的特征变量,以减少计算量,同时lasso的变量选择是一个连续的过程,它可以同时实现连续地变量收缩和自动选择变量,从而克服了对参数估计的正则化不连续导致模型选择不稳定的问题。
附图说明
图1为本发明种子纯度检测方法第一实施例的流程示意图;
图2为本发明种子纯度检测方法第二实施例中步骤S20的细化流程图;
图3为本发明检测装置的模块结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种种子纯度检测方法,参照图1,图1为本发明种子纯度检测方法第一实施例的流程示意图,所述方法包括步骤:
步骤S10,获取待测种子影像的光谱数据;
本实施例中,先通过高光谱相机对种子样品进行拍摄,需要说明的是,在拍摄时可将环境光源调整为室内卤素灯,并在摆设画面中设置白板,以供后期进行影像校准。高光谱相机在拍摄时会自动记录暗参考,并执行扫描图像、白板选择和反射光谱转换等预设操作,在上述操作执行完成之后,高光谱相机导出高光谱图像。再通过所述高光谱图像得到待测种子对应的光谱数据,所述光谱数据包括待测种子在高光谱图像对应的平均光谱。需要说明的是,所述待测种子影像中可以包括多个待测种子的影像,同时,所述光谱数据为各个待测种子对应的光谱数据的集合。
步骤S20,将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果;
lasso-logistic模型是指在求解logistic模型的参数估计值时加入对参数的惩罚项以实现对变量的选择和参数估计。即在本实施例中,将光谱数据进行变量选择和参数估计之后的结果输入至logistic模型中进行求解。所述lasso-logistic模型输出的分类结果只有两种,分别为“目标种子”和“非目标种子”。
步骤S30,根据所述光谱数据分类结果得到种子纯度。
所述步骤S30包括步骤:
步骤S31,获取待测种子总数量,并从所述光谱数据分类结果中获取目标种子数量;
步骤S32,将所述目标种子数量除以待测种子总数量,以得到种子纯度。
所述种子纯度是指种子品种在特征特性方面典型一致的程度,用目标种子数占供待测种子数的百分率表示。通过lasso-logistic模型得到光谱数据分类结果,即待测种子中目标种子的数量,进而根据光谱数据分类结果计算得到种子纯度。
本实施例通过采用lasso进行logistic模型的变量选择,使得能够对变量进行压缩,从而选取稳定的具有代表性的特征变量,以减少计算量,同时lasso的变量选择是一个连续的过程,它可以同时实现连续地变量收缩和自动选择变量,从而克服了对参数估计的正则化不连续导致模型选择不稳定的问题。
进一步地,参见图2,在基于本发明的第一实施例所提出的本发明种子纯度检测方法第二实施例中,所述lasso-logistic模型包括lasso模型和logistic模型,所述步骤S20包括步骤:
步骤S21,将所述光谱数据输入至lasso模型,以对所述光谱数据进行特征提取,得到特征波段的光谱数据;
步骤S22,将所述特征波段的光谱数据输入至logistic模型,并运行所述logistic模型,以得到光谱数据分类结果。
所述lasso模型是以缩小变量集为思想的压缩估计方法。它通过构造一个惩罚函数,可以将变量的系数进行压缩并使某些回归系数变为0,进而达到变量选择的目的。
当使用线性回归构建模型时,通常存在一些不可避免的问题。当样本特征超过样本数量时,建立的模型容易出现过度拟合现象。通常用来缓解过度拟合问题有两种方法,即减少特征数量和正则化。
正则化的目标是最小化结构风险,结构风险是对经验风险增加正则化项。正则化的作用是使模型的经验风险和模型复杂性同时变小。正则化一般是模型参数向量的范数,常用的有L1范数和L2范数,lasso回归采用的是L1范数正则化,L1范数表示如下:
lasso回归的代价函数为:
其中,λ称为调和参数,λ为0时,m为数据点个数,即本实施例中的光谱数据个数,xi是输入x的观测值,yi是输出y的观测值,模型系数没有被压缩,即为普通的最小二乘解,λ越小,模型的惩罚力度就越小,保留的变量就越多;当λ越大,模型的惩罚力度就越大,保留的变量就越少。
lasso模型求解最常见的方法有最小角回归法和坐标下降法,其中最小角回归法综合了经典的逐步回归向前选择法和逐段向前法的优点,快速有效的解决了lasso模型的计算问题,并广泛使用于各种模型中。而坐标下降法比最小角回归算法更有优势,适合广义线性模型中的应用,可以解决大规模数据集。
本实施例中采用坐标下降法求解lasso模型的步骤如下:
1,假设有l≠j的估计值β和β0,对βj部分优化,该算法针对每一个λ值,创造一个外层循环计算关于二阶近似lQ的当前参数(β0,β)。
2,用坐标下降来解决惩罚加权最小二乘问题。
3,相当于一个嵌套循环序列:外层循环用于缩减参数λ,中间循环用来更新二阶近似lQ使用的当前参数(β0,β),内层循环则是用坐标下降来解决惩罚加权最小二乘问题。
所述logistic模型是用来对某一类别或事件发生的概率进行建模的模型。本实施例中的logistic模型采用二元logistic模型。
lasso方法主要应用于线性模型,其本质是在残差平方和上添加惩罚函数,在估计参数时,系数被压缩,并且一些系数甚至被压缩为0以实现模型选择。考虑到二分类问题,假设存在独立并且相同分布的观测值(Xi,yi),i=1,2,...,n,其中Xi=(xi1,xi2,...xip)为输入变量,yi为响应变量,并且yi是二元离散数据变量,即输出是1还是0(是此类还是不是此类),则Logistic线性回归模型的条件概率为:
其中l(β)是对数似然函数,则上述公式中的l(β)可以写成:
其中n为样本数,lasso-logistic回归模型中的系数估计值可写成:
所述特征波段的光谱数据是通过lasso模型对光谱数据进行变量选择之后得到的,其代表这在这一波段内,不同种类的种子之间的差异性较大,从而能够只将这一波段内的光谱数据输入至logistic模型中进行分类即达到要求的分类准确率,从而减少计算量。
本实施例通过lasso模型选择特征波段的光谱数据,再将特征波段的光谱数据输入至logistic模型中进行分类,从而使得减少计算量的同时,保证了分类的准确率。
进一步地,在基于本发明的第一实施例所提出的本发明种子纯度检测方法第三实施例中,在所述步骤S10之前包括步骤:
步骤S40,获取训练光谱数据以及所述训练光谱数据对应的预设标签数据;
步骤S50,将所述训练光谱数据作为lasso-logistic初始模型的输入,以在所述lasso-logistic初始模型运行后输出预测分类结果;
步骤S60,根据所述预测分类结果与所述预设标签数据训练所述lasso-logistic初始模型,以将训练完成的lasso-logistic初始模型作为所述lasso-logistic模型。
所述训练光谱数据包括各训练样本种子的光谱数据,所述预设标签数据为训练样本种子对应的标签,例如本实施例lasso-logistic模型用于分类是否为一号种子,则训练样本种子中的一号种子的光谱数据对应的标签数据为“目标种子”,训练样本种子中的非一号种子的光谱数据对应的标签数据为“非目标种子”。将一训练样本种子对应的光谱数据输入至lasso-logistic模型中,得到预测分类结果,再将预测分类结果与该光谱数据对应的标签数据进行比较,以对lasso-logistic模型进行优化。
进一步地,所述步骤S60包括步骤:
步骤S61,比较所述预设标签数据与所述预测分类结果,以获取损失函数;
步骤S62,根据所述损失函数对所述lasso-logistic初始模型的参数进行调整,以更新所述lasso-logistic初始模型;
步骤S63,判断更新后的lasso-logistic初始模型是否达到停止训练条件;
步骤S64,当达到停止训练条件时,将最新更新的lasso-logistic初始模型作为所述lasso-logistic模型;
步骤S65,当未达到停止训练条件时,重新获取训练光谱数据以及对应的预设标签数据。
所述训练条件可以根据实际训练情况设定,例如,设定训练条件为预设训练次数,则每训练一次,计数器加一,当计数器达到预设训练次数时,达到停止训练条件;或者设定训练条件为预设准确率,则每训练一次或预设次数,计算当前分类的准确率,并判断是否达到预设准确率,当达到预设准确率时,则达到停止训练条件。
本实施例通过对lasso-logistic初始模型进行训练,使得能够得到训练完成的lasso-logistic模型。
进一步地,在基于本发明的第三实施例所提出的本发明种子纯度检测方法第四实施例中,在所述步骤S40之后包括步骤:
步骤S70,对所述训练光谱数据进行K折交叉验证,以将验证结果作为所述lasso-logistic模型的调和参数。
lasso-logistic模型的变量选择,关键在于调和参数λ的选择。常用方法包括Boot-strap,交叉验证法和广义交叉验证法。本实施例采用的方法为K折交叉验证,流程如下:
将样本T平均分成K个子集。X={T1,T2,…,Tk,}
K折交叉验证总误差为:
K折交叉验证法求得的调整参数为:
进一步地,在基于本发明的第一实施例所提出的本发明种子纯度检测方法第六实施例中,所述步骤S10包括步骤:
步骤S11,获取待测种子影像;
步骤S12,对所述待测种子影像进行识别,以得到所述待测种子影像中各种子对应的像素点;
步骤S13,获取每个种子对应的所有像素点的光谱信息,并对所有像素点的光谱信息进行平均值计算,以得到各种子对应的平均光谱;
步骤S14,将各种子对应的平均光谱作为待测种子影像对应的光谱数据。
在获取待测种子影像之后,检测人员可以在待测种子影像中选取ROI(region ofinterest,感兴趣区域),再对ROI采用图像分割技术以进行识别,得到待测种子影像中各种子对应的像素点。可以理解的是,一个种子对应的像素点为多个,将一个种子对应的所有像素点的光谱信息进行平均值计算,以得到该种子对应的平均光谱。
本实施例通过对所述待测种子影像进行识别得到各种子对应的像素点,并进一步得到各种子对应的平均光谱,使得能够准确地获得种子影像对应的光谱数据。
进一步地,在基于本发明的第四实施例所提出的本发明种子纯度检测方法第五实施例中,所述步骤S14包括步骤:
步骤S141,对所述各种子对应的平均光谱进行标准正态变换和求导处理;
步骤S142,将处理后的各种子对应的平均光谱作为待测种子影像对应的光谱数据。
受拍摄环境,光照等因素的影响,提取出来的平均光谱中往往含有大量噪声,不能直接用来进行分析,需要经过SNV(standard normal variate,标准正态变换)和求导处理。
所述SNV是将原正态数据或正态变量标准化的过程,根据正态分布的线性一致的特点,转化为标准正态分布。
所述求导处理包括一阶导和二阶导,可以消除其它背景干扰,提高光谱分辨率,本文采用Savitzky-Golay卷积平滑方法求取导数光谱。
本实施例通过标准正态变换和求导处理去除平均光谱中的噪声,使得最终的分类结果更为准确。
参照图3,在硬件结构上所述检测装置可以包括通信模块10、存储器20以及处理器30等部件。在所述检测装置中,所述处理器30分别与所述存储器20以及所述通信模块10连接,所述存储器20上存储有计算机程序,所述计算机程序同时被处理器30执行,所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10,可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求,还可以发送请求、指令及信息至所述外部通讯设备,所述外部通讯设备可以是其它检测装置、服务器或者物联网设备,例如电视等等。
存储器20,可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如对所述各种子对应的平均光谱进行标准正态变换和求导处理)等;存储数据区可包括数据库,存储数据区可存储根据***的使用所创建的数据或信息等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30,是检测装置的控制中心,利用各种接口和线路连接整个检测装置的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行检测装置的各种功能和处理数据,从而对检测装置进行整体监控。处理器30可包括一个或多个处理单元;可选地,处理器30可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出,但上述检测装置还可以包括电路控制模块,所述电路控制模块用于与电源连接,保证其他部件的正常工作。本领域技术人员可以理解,图3中示出的检测装置结构并不构成对检测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序。所述计算机可读存储介质可以是图3的检测装置中的存储器20,也可以是如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘中的至少一种,所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视,汽车,手机,计算机,服务器,终端,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种种子纯度检测方法,其特征在于,所述方法包括:
获取待测种子影像的光谱数据;
将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果;
根据所述光谱数据分类结果得到种子纯度。
2.如权利要求1所述的种子纯度检测方法,其特征在于,所述lasso-logistic模型包括lasso模型和logistic模型;
所述将所述光谱数据输入至训练完成的lasso-logistic模型中,并运行所述lasso-logistic模型,以得到光谱数据分类结果的步骤包括:
将所述光谱数据输入至lasso模型,以对所述光谱数据进行特征提取,得到特征波段的光谱数据;
将所述特征波段的光谱数据输入至logistic模型,并运行所述logistic模型,以得到光谱数据分类结果。
3.如权利要求2所述的种子纯度检测方法,其特征在于,所述获取待测种子影像的光谱数据的步骤之前包括:
获取训练光谱数据以及所述训练光谱数据对应的预设标签数据;
将所述训练光谱数据作为lasso-logistic初始模型的输入,以在所述lasso-logistic初始模型运行后输出预测分类结果;
根据所述预测分类结果与所述预设标签数据训练所述lasso-logistic初始模型,以将训练完成的lasso-logistic初始模型作为所述lasso-logistic模型。
4.如权利要求3所述的种子纯度检测方法,其特征在于,所述根据所述预测分类结果与所述预设标签数据训练所述lasso-logistic初始模型的步骤包括:
比较所述预设标签数据与所述预测分类结果,以获取损失函数;
根据所述损失函数对所述lasso-logistic初始模型的参数进行调整,以更新所述lasso-logistic初始模型;
判断更新后的lasso-logistic初始模型是否达到停止训练条件;
当达到停止训练条件时,将最新更新的lasso-logistic初始模型作为所述lasso-logistic模型;
当未达到停止训练条件时,重新获取训练光谱数据以及对应的预设标签数据。
5.如权利要求4所述的种子纯度检测方法,其特征在于,所述获取训练光谱数据以及各训练光谱数据对应的标签数据的步骤之后包括:
对所述训练光谱数据进行K折交叉验证,以将验证结果作为所述lasso-logistic模型的调和参数。
6.如权利要求1~5任一项所述的种子纯度检测方法,其特征在于,所述获取待测种子影像的光谱数据的步骤包括:
获取待测种子影像;
对所述待测种子影像进行识别,以得到所述待测种子影像中各种子对应的像素点;
获取每个种子对应的所有像素点的光谱信息,并对所有像素点的光谱信息进行平均值计算,以得到各种子对应的平均光谱;
将各种子对应的平均光谱作为待测种子影像对应的光谱数据。
7.如权利要求6所述的种子纯度检测方法,其特征在于,所述将所述各种子对应的平均光谱作为待测种子影像对应的光谱数据的步骤包括:
对所述各种子对应的平均光谱进行标准正态变换和求导处理;
将处理后的各种子对应的平均光谱作为待测种子影像对应的光谱数据。
8.如权利要求1~5任一项所述的种子纯度检测方法,其特征在于,所述根据所述光谱数据分类结果得到种子纯度的步骤包括:
获取待测种子总数量,并从所述光谱数据分类结果中获取目标种子数量;
将所述目标种子数量除以待测种子总数量,以得到种子纯度。
9.一种检测装置,其特征在于,所述检测装置包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的种子纯度检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的种子纯度检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100168.1A CN112147083B (zh) | 2020-10-14 | 2020-10-14 | 种子纯度检测方法、检测装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100168.1A CN112147083B (zh) | 2020-10-14 | 2020-10-14 | 种子纯度检测方法、检测装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147083A true CN112147083A (zh) | 2020-12-29 |
CN112147083B CN112147083B (zh) | 2023-07-11 |
Family
ID=73951911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011100168.1A Active CN112147083B (zh) | 2020-10-14 | 2020-10-14 | 种子纯度检测方法、检测装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147083B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130046721A1 (en) * | 2011-08-19 | 2013-02-21 | International Business Machines Corporation | Change point detection in causal modeling |
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 |
CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
CN110363662A (zh) * | 2019-08-19 | 2019-10-22 | 上海理工大学 | 一种个人信用评分*** |
-
2020
- 2020-10-14 CN CN202011100168.1A patent/CN112147083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130046721A1 (en) * | 2011-08-19 | 2013-02-21 | International Business Machines Corporation | Change point detection in causal modeling |
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 |
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 |
CN108734205A (zh) * | 2018-04-28 | 2018-11-02 | 东北电力大学 | 一种针对不同品种小麦种子的单粒定点识别技术 |
CN110363662A (zh) * | 2019-08-19 | 2019-10-22 | 上海理工大学 | 一种个人信用评分*** |
Non-Patent Citations (2)
Title |
---|
方匡南等: ""基于Lasso-logistic模型的个人信用风险预警方法"", 《数量经济技术经济研究》, pages 125 - 136 * |
朱新峰;田叶;徐琴;: "光谱学中的稀疏化方法", 计算机与应用化学, no. 08, pages 15 - 23 * |
Also Published As
Publication number | Publication date |
---|---|
CN112147083B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229667B (zh) | 基于人工神经网络类别的修剪 | |
CN108269254B (zh) | 图像质量评估方法和装置 | |
CN113780466B (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
CN111062876B (zh) | 用于校正模型训练和图像校正的方法和装置及电子设备 | |
CN113158909B (zh) | 基于多目标跟踪的行为识别轻量化方法、***、设备 | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
JP2019145174A (ja) | 画像処理システム、画像処理方法及びプログラム記憶媒体 | |
CN110428412B (zh) | 图像质量的评价及模型生成方法、装置、设备和存储介质 | |
CA3125794A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN111476814B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
WO2013006404A1 (en) | System and method for auto-commissioning an intelligent video system | |
CN112989910A (zh) | 电力目标检测方法、装置、计算机设备和存储介质 | |
US20240143651A1 (en) | Logging Image Definition Recognition Method and Device, Medium, and Electronic Equipment | |
CN113239975A (zh) | 一种基于神经网络的目标检测方法和装置 | |
US20180018525A1 (en) | System and method for auto-commissioning an intelligent video system with feedback | |
CN112147083A (zh) | 种子纯度检测方法、检测装置及计算机可读存储介质 | |
CN111160201A (zh) | 一种人脸图像上传方法、装置、电子设备及存储介质 | |
Sun et al. | Background modeling and its evaluation for complex scenes | |
CN114880363A (zh) | 一种数据中心流量预测***及训练方法、预测方法 | |
Gao et al. | Image quality assessment using image description in information theory | |
US20150208042A1 (en) | System and method for auto-commissioning an intelligent video system | |
Xu et al. | Recursive error-compensated dynamic eigenbackground learning and adaptive background subtraction in video | |
CN112634143A (zh) | 图像色彩校正模型训练方法、装置及电子设备 | |
Colonnese et al. | Graph adjacency matrix learning for irregularly sampled Markovian natural images |
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 |