CN116071592A - 基于高光谱可增量更新的玉米种子品种鉴定方法及*** - Google Patents

基于高光谱可增量更新的玉米种子品种鉴定方法及*** Download PDF

Info

Publication number
CN116071592A
CN116071592A CN202310123276.8A CN202310123276A CN116071592A CN 116071592 A CN116071592 A CN 116071592A CN 202310123276 A CN202310123276 A CN 202310123276A CN 116071592 A CN116071592 A CN 116071592A
Authority
CN
China
Prior art keywords
hyperspectral
variety
image
module
corn
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.)
Pending
Application number
CN202310123276.8A
Other languages
English (en)
Inventor
安冬
张柳
黄金泽
位耀光
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.)
China Agricultural University
Original Assignee
China Agricultural 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 China Agricultural University filed Critical China Agricultural University
Priority to CN202310123276.8A priority Critical patent/CN116071592A/zh
Publication of CN116071592A publication Critical patent/CN116071592A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于高光谱可增量更新的玉米种子品种鉴定方法及***，该方法包括根据不同品种的高光谱图像，基于深度SVDD确定每一品种的单类分类器；单类分类器的训练过程为：利用图像特征提取模块对处理后的高光谱图像进行图像特征提取；利用光谱特征提取模块对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；将所有的单类分类器进行融合，确定品种鉴定模型以识别已知品种和拒识未知品种；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；本发明可实现品种的快速、无损、简单、低成本鉴定。

Description

基于高光谱可增量更新的玉米种子品种鉴定方法及***
技术领域
本发明涉及作物种子品种真实性检测领域，特别是涉及一种基于高光谱可增量更新的玉米种子品种鉴定方法及***。
背景技术
种子被形象的喻为农业的“芯片”，是农业高质量发展的源头，种子品种真实性鉴定是种业健康发展的重要保障。玉米作为世界三大谷物之一，是重要的食物、饲料、和工业原料来源之一。品种（基因型）是影响种子品质最重要的指标之一。不同品种的种子在内部化学成分、外部形态特征以及产量、品质、活力和抗逆性等方面存在差异。中国是全球第二大种子市场，种子生产经营已经商业化，蕴含着巨大的经济利益。然而，种子市场上经常出现以假冒伪劣品种充当畅销优质品种的现象，这不仅侵犯了育种者的品种权，给种子生产者、经营者、农民造成巨大的农业经济损失，而且给国家粮食安全带来了严重的隐患。因此，为了打击品种造假、规范玉米种业、保障国家粮食安全，对玉米种子品种进行真实性鉴定具有重要的意义。
传统上，人们使用田间种植、分子生物技术（如DNA指纹图谱）和化学方法来鉴定种子品种。虽然这些方法十分准确，但由于费时、费力、成本高、操作复杂等缺点，难以满足种子管理部门尤其是基层管理部门的需要。因此，亟需发展现场、实时、易操作、低成本的种子品种真实性初筛方法，和现有精细鉴定方法互为有益补充，共同形成种子品种真实性鉴定技术体系。无损检测是最有望实现这一目的方法。
当前机器视觉技术、近红外光谱技术、高光谱成像技术是种子品种鉴别中最常用的无损检测方法。而机器视觉技术和近红外光谱技术只能分别地和单方面地获取样本的空间和光谱信息。随着玉米种子品种的增加，其种子特性严重重叠，单一的技术无法为其分类提供充分的信息。高光谱成像集成了机器视觉和光谱技术的优点，可以获得同一样本区域在多个波长下对应的光谱图像，信息量十分丰富。目前，已经有了大量利用高光谱成像鉴定不同作物种子品种的研究报道。实际上，现实中种子分类是一项十分复杂的任务，许多研究都没有仔细考虑如下3个关键性问题：（1）种子品种众多（以玉米为例，目前市场上流通的品种就有500多种）；（2）品种更新快（以玉米为例，每年新增及淘汰品种数以百计）；（3）假种子情况复杂，无法穷举，很多假种子不属于任何一个已知品种。在以往的研究中，鉴定品种较少，最多35个；模型不具备模块化特点，部分品种增减就需要重建整个模型，费时费力，无法实现在线更新；且以往工作只对模型涵盖品种有正确鉴定能力，对未涵盖品种，不具备拒识能力。
发明内容
本发明的目的是提供一种基于高光谱可增量更新的玉米种子品种鉴定方法及***，既能完成在线更新，又能识别已知品种并拒识未知品种的鉴定模型，以实现品种的快速、无损、简单、低成本鉴定。
为实现上述目的，本发明提供了如下方案：
一种基于高光谱可增量更新的玉米种子品种鉴定方法，包括：
获取不同品种的玉米种子高光谱图像；
根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对处理后的图像进行图像特征提取；利用光谱特征提取模块对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；
将所有的单类分类器进行融合，确定品种鉴定模型以识别已知品种和拒识未知品种；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
可选地，所述获取不同品种的玉米种子高光谱图像，之后还包括：
对玉米种子高光谱图像进行预处理；所述预处理包括：黑白校正处理、去噪处理、阈值分割法去除背景以及图像分割。
可选地，所述利用波段注意力和稀疏约束模块对全波段进行冗余信息处理，具体包括：
采用波段注意力机制生成各波段的波段权重；
对波段权重进行稀疏约束，将波段权重小于权重阈值的权重赋值为0。
可选地，所述利用超球学习损失优化模块优化单类分类器的网络参数，具体以下公式：
；
其中，LOSS表示损失函数，Yi表示第i个种子的特征表示，C为所有特征的中心，L表示波段数，bij表示第i个种子第j个波段的非稀疏约束权重，W表示训练的神经网络的权重矩阵，α、λ为调节参数，表示范数，表示Frobenius范数，n表示种子的数量。
可选地，所述将所有的单类分类器进行融合，确定品种鉴定模型；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型，具体包括：
当玉米种子的品种增加时，根据增加品种的玉米种子高光谱图像，基于深度SVDD确定相应的单类分类器；
将增加的单类分类器融合到品种鉴定模型；
当玉米种子的品种被淘汰时，将被淘汰品种对应的单类分类器从品种鉴定模型中剔除。
可选地，所述利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定，具体包括：
利用公式确定距离得分函数；
其中，Yi为第i个种子的特征表示，为已训练好的超球的中心，用于评估种子xi的品种得分；
当大于距离阈值时，种子xi为未知品种。
一种基于高光谱可增量更新的玉米种子品种鉴定***，包括：
高光谱图像获取模块，用于获取不同品种的玉米种子高光谱图像；
单类分类器确定模块，用于根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对处理后的图像进行图像特征提取；利用光谱特征提取模块对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；
品种鉴定模型确定模块，用于将所有的单类分类器进行融合，确定品种鉴定模型；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
品种鉴定模块，用于利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
一种基于高光谱可增量更新的玉米种子品种鉴定***，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于高光谱可增量更新的玉米种子品种鉴定方法及***，根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；单类分类器通过引入图谱融合、波段注意力、稀疏约束、损失优化多个策略，以最大化提升单类分类器的性能；将所有的单类分类器进行融合，确定品种鉴定模型；集成多个单类分类器实现多类分类，以识别已知品种并拒识未知品种。并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型。本发明提供了一种既能完成在线更新，又能识别已知品种并拒识未知品种的鉴定模型。本发明解决了以往研究中，部分品种增减就需要重建整个模型无法实现在线更新，以及不具备拒识能力的困扰。进而，可以实现品种的快速、无损、简单、低成本鉴定，在现代种业中具有广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明所提供的一种基于高光谱可增量更新的玉米种子品种鉴定方法流程示意图；
图2为提出的单类分类器网络架构；
图3为集成多个单类分类器的可增量更新的品种真实性鉴定模型框架（OCC表示单类分类器（One-class classfier））；
图4为5个增量批次下模型正确识别已知类的测试结果（“上限”是指在最后一步训练一个包含所有类的非增量模型得到的结果）；
图5为5个增量批次下模型正确拒识未知类的测试结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于高光谱可增量更新的玉米种子品种鉴定方法及***，可通过既能完成在线更新，又能识别已知品种并拒识未知品种的鉴定模型，以实现品种的快速、无损、简单、低成本鉴定。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于高光谱可增量更新的玉米种子品种鉴定方法流程示意图，如图1所示，本发明所提供的一种基于高光谱可增量更新的玉米种子品种鉴定方法，包括：
S101，获取不同品种的玉米种子高光谱图像；
S101具体包括：
在数据采集前，对推扫式的高光谱成像***进行一系列参数调节，如镜头高度、曝光时间、调焦、电机转动速度等，以采集到最佳的图像；
为了模拟实际在线检测情况，将玉米种子随机放置在黑色的种子计数板上，以保证胚面或非胚面朝上；
将黑色数粒板转移到高光谱成像***的传送带上，随着传送带的移动采集到包含玉米种子的高光谱图像数据。
作为一个具体的实施例，本实施例使用了一种“推扫式”反射型的高光谱成像***，其核心部件主要包括高光谱成像仪（高光谱相机）、计算机、传送带、溴钨灯光源等；其中，作为***重要部分的高光谱成像仪产于芬兰Spectra imaging公司，型号为ImSpectorV10E，光谱范围为382.2-1026.7nm，共728个波段，光谱分辨率为3.2nm，空间分辨率为1024×1024像素。
收集了25个优质品种的玉米种子，它们均产自于中国山东省并于2021年收获，收获后经过自然风干，并保存于无菌的牛皮纸袋中；为方便标记品种分别将这25个品种依次编号A-Y；为了模拟实际情况的玉米种子品种识别，将前20个品种（A-T：每个品种500粒，共10000粒）作为已知品种用于训练与测试模型识别已知类的能力，而将后5个品种（U-Y：每个品种100粒，共500粒）作为未知品种用于测试模型拒识未知类的能力。最终的样本集划分如表1所示。
表1
在数据采集前，对高光谱成像***进行一系列的参数调节，如镜头高度、曝光时间、调焦、电机转动速度等，以采集到最佳的图像；最终确定相机曝光时间为9.6ms，传送带移动速度为6.0mm/s，镜头距样品高度为35cm；图像采集在光学暗室中进行，以避免外界光线的干扰；考虑到实际在线检测环境中，单个玉米种子的胚面或者非胚面会朝向光谱相机，故设计了如下的数据采集步骤：（1）将玉米种子随机放置在一个黑色的种子计数板上，每板100粒，以保证玉米种子的胚面或者非胚面会朝向光谱相机；（2）把包含种子的种子计数板转移到传送带上，随着传送带的移动以采集高光谱图像；（3）重复上述采集步骤，直至采集完所有样本的高光谱图像。
S101之后还包括：
对玉米种子高光谱图像进行预处理；所述预处理包括：黑白校正处理、去噪处理、阈值分割法去除背景以及图像分割。
预处理的过程为：
采用黑白校正进一步去除仪器中暗电流对图像的干扰，并将光谱反射率映射到0-1之间；黑白校正公式如下：
                     （1）
式（1）中，I为校正后的高光谱图像，IO为原始高光谱图像，B为黑色标定图像，E为白色标定图像。
受到光学仪器自身因素的限制，首尾波段光谱图像噪声较大，故，剔除包含大量噪声的首尾波段图像，仅400.8-1000.7nm范围内高信噪比的678个波段图像；在剩余波段中找到一个波段（在该波段下种子与背景反射率差异最大）的灰度图像来构建掩膜，利用阈值分割法去除背景，并将每个玉米籽粒分割成大小一致的图像（）；将每个玉米种子的整个区域定义为感兴趣区域，然后计算感兴趣区域内所有像素的平均反射率作为每个玉米种子的光谱值。
S102，根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；为每一个品种各自训练一个单类分类器，且每个学习器之间的训练过程是互不干扰的，通过集成它们来使得品种真实性鉴定模型同时具有在线更新和拒识的能力。
深度SVDD是受传统SVDD启发而开发的一种可以处理大型高维数据的成熟的单类分类器，旨在利用神经网络将样本映射到潜在特征空间中，并构建出一个最合适的超球来区分正类样本和负类样本。假设训练集中所有的样本均为正类，那么原始问题的超球损失可以简化为：
；
式中，Yi表示第i个种子的特征表示，C为所有特征的中心，W表示训练的神经网络的权重矩阵，λ为调节参数；第一项的目的是让所有特征向量与中心之间的平均距离最小，从而收缩超球；第二项表示网络参数上的权重衰减正则化器，调节参数，表示范数，其中表示Frobenius范数。
所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对其进行图像特征提取；利用光谱特征提取模块对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；为了最大化提升单类分类器的性能，在网络中引入了图谱融合、波段注意力、稀疏约束、损失优化多个策略，图2为提出的单类分类器网络架构。
图像特征提取模块由3层二维卷积神经网络（前两层：的卷积核，步长为4，填充为2；第三层：的卷积核，步长为2，填充为1）组成，以提取图像特征（每一层输出的图像特征尺寸分别为、、），每个卷积层后都紧接着一个批量归一化层和ELU激活函数。
光谱特征提取模块由3层一维卷积神经网络（的卷积核，步长为2，填充为1）组成，以提取光谱特征（每一层输出的光谱特征尺寸分别为、、）；每个卷积层后都紧接着1个批量归一化层和ELU激活函数。
波段注意力和稀疏约束模块为抑制全波段中冗余信息的干扰，使用波段注意力机制来将较大的权重赋予一些重要的波段，从而抑制冗余波段的影响；
波段注意力和稀疏约束模块中的波段注意力部分由两层全连接神经网络（第一层神经元：678-512；第二层神经元：512-678）组成，第一层后使用ELU激活函数，第二层后使用sigmoid激活函数；
令表示拥有L个波段的第i个种子的平均光谱，则波段注意力部分的作用可以根据以下公式表示：
；
式中，表示波段注意力部分，sigmoid函数是为了将生成的波段权重们值映射到0~1，为生成的全波段权重；
为了进一步去除冗余波段的干扰，对生成的波段权重进行稀疏约束，将冗余波段的权重赋值为0，使其稀疏化，可以根据以下准则对全波段权重进行稀疏约束形成新的稀疏波段权重：
；
式中，表示稀疏约束函数，表示第i个种子第j个波段对应的权重，p表示权重阈值，即将所有波段权重值按照降序排列，将第k个权重值（本实施例中k=300）设为p，一旦大于权重阈值即保持不改变，否则赋值为0；
随后用生成的稀疏波段权重与全波段光谱相乘的结果作为光谱特征提取模块的输入，可以根据以下公式：
；
式中，表示重新加权后的全波段光谱。
特征融合模块分别将提取的图像特征和光谱特征进行平铺，并串联到一起，作为特征融合模块的输入；
特征融合模块由一层全连接神经网络（输出神经元为128）组成，用于整合前面卷积层提取的抽象图像特征和光谱特征。
损失优化为防止稀疏约束后部分波段不能实现梯度更新，具体包括以下公式：
；
其中，LOSS表示损失函数，Yi表示第i个种子的特征表示，C为所有特征的中心，L表示波段数，表示第i个种子第j个波段的非稀疏约束权重，W表示训练的神经网络的权重矩阵，α、λ为调节参数，表示Frobenius范数，n表示种子的数量。第一项表示超球学***均距离最小，从而收缩超球；第二项表示表示使用非稀疏注意权重的全波段损失，t1和t2分别表示当前训练的轮数和总共的训练轮数，β也为调节参数（本实施例中设置为10-4），在训练前期，稀疏权重逐渐更新需要更多的全波段辅助，当后期训练稳定下来后，则需要更少的全波段辅助，故α是随着训练过程的进行逐渐减小的；第三项表示网络参数W上的权重衰减正则化器，调节参数。
S103，将所有的单类分类器进行融合，确定品种鉴定模型，并如图3所示；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
S103具体包括：
当玉米种子的品种增加时，根据增加品种的玉米种子高光谱图像，基于深度SVDD确定相应的单类分类器；
将增加的单类分类器融合到品种鉴定模型；
当玉米种子的品种被淘汰时，将被淘汰品种对应的单类分类器从品种鉴定模型中剔除。
S104，利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
S104具体包括：
利用公式确定距离得分函数；
其中，Yi为第i个种子的特征表示，为已训练好的超球的中心，用于评估种子xi的品种得分，值越高越有可能是负类；
当大于距离阈值R时，种子xi为未知品种；
距离阈值R为最小的超球体积的半径，如果大于R，那么该样本的品种为未知类；R应该被设置为训练样本的特征向量与超球心之间的最大距离；考虑到采集的数据中同类种子中也有个别种子因外形、大小、圆度等因素与大多数同类种子形成较大差异，若将最大距离选择为R，很有可能会导致分类性能的下降；因此，对精度与半径之间进行了取舍，最终将R设置成所有训练样本得分（即，特征向量与球心之间的距离）的第95百分位数；
测试时，计算测试样本xtest与各类超球球心的距离得分集合，即，其中m表示现有品种数；然后选择出最近的距离得分St与之对应的超球类别t，并与该类超球的半径Rt比较来确定其类别：如果St > Rt，则待测样本为未知品种；反之，待测样本为品种t。
目前在增量学***起见，将LWF和BIC算法的网络框架与本方法保持一致，只是将全连接层最后的输出神经元数目做出了修改（即，本方法：128，LWF和BIC：均为20）。
为了模仿增添新品种的模型更新过程，训练集和测试集-1中20类种子样本均被分成5个增量批次；相比之下，测试集-2种始终保持5类样本。对于BIC算法训练集中200个样本被存储为范例。
上述所有算法均在Pytorch框架上实现。对于本方法每个单类分类器的训练轮数（epoch）设置为800，Batchsize设置为50，权重衰减设置为10-6采用Adam优化器，初始学习率为0.001，beta_1=0.9，beta_2=0.999，学习率从0.001开始，每隔50个epochs后降低到之前学习率的1/10；对于LWF和BIC算法，每个增量步骤拥有256个epoch，Batch size设置为50，权重衰减设置为10-6，采用SGD优化器（与文献中LWF和BIC保持一致），初始学习率为0.01，momentum=0.9，学习率从0.001开始，每隔50个epoch后降低到之前学习率的1/10。
分别在本实施例数据集上（见表1）进行了5个增量批次的比较。其中测试集-1为已知品种，被用来测试增量模型的正确接受已知类的能力，而测试集-2为未知品种，即被用来测试增量模型正确拒绝未知类的能力。图4表示在5个增量批次下模型正确识别已知类的结果。很明显，随着增量次数的增多LWF和BIC算法的精度下降的的十分明显，尤其是没有使用范例的LWF算法，分别在5个和10个增量批次后精度为21.31%和13.42%。由于BIC算法使用了部分旧范例以及偏置校正，使得它的性能要明显优于LWF算法。但是这两种增量学习算法无法克服灾难性遗忘的干扰。有趣的是，本方法在图4中表现要远远好于LWF和BIC算法，它不受灾难性遗忘的干扰。即使随着增量次数的增多本方法也出现了轻微的精度下降，这是正常现象，因为随着类别的增多，类间的相似性会逐渐增加导致模型的分类性能出现下降。相比本方法仅仅下降了6.80%，这是由于本方法是用单类分类器集成的增量学习算法，不仅不需要访问旧数据而且还可以不受灾难性遗忘的干扰。
此外，本方法还有另一个显著的优点，即它具有优秀的拒识能力。而LWF和BIC使用的是softmax分类器（多类分类器），当未知类来临时，总是将它们错误地识别为已知类，因此不具有拒识能力。图5表示在5个增量批次下本方法正确拒绝未知类的结果。很显然本方法的拒识率也是十分优秀的，在每个增量批次下都高于90%，这充分体现出了单类分类器的独特优势。
为了分析本方法的各个组分对最终分类性能的影响，消融实验在5个增量批次下进行，计算所有增量步骤下的平均结果作为最终评判标准。在本环节单独地分析了各个组分，即，图像（Image，Ima）、光谱（Spectrum，Spe）、波段注意力（Band attention，BA）、稀疏约束（Sparse constraint，SC）、损失优化（Loss optimization，LO）对本方法的影响，具体分类结果如表2所示。
从表2可以看出，单独使用图像信息只得到了50%左右的正确识别率和拒识率，是不理想的。而单独使用光谱信息要明显好于图像信息，但只有70%左右的正确识别率，和80%左右的正确拒识率。当图像与光谱信息融合后进一步提升了分类的精度，这表明特征融合后可以提供更全面的鉴别玉米品种的信息。另外，当添加注意力模块后，Spe+BA比Spe相比有了质的提升。具体地说，平均正确识别率和平均正确拒识率分别提升了17%和10%以上。一般情况下，高光谱毗邻波段之间具有较高的相关性，而BA可以将有用的波段权重加以放大，而将冗余波段的权重值降到最低，达到有效地抑制频带冗余的干扰的目的。理论上，稀疏约束可以进一步提升分类性能，这是因为冗余波段的的权重被进一步赋值为0从而最大化地抑制冗余频带的干扰；但表2中显示如果不对稀疏约束后的波段权重进行损失优化，则性能反而出现了下降，因此说明了损失优化的必要性。
最终Ima+Spe+BA+SC+LO分类结果获得了最好的分类精度，验证了各个组分的有效性。总体而言，上述各个模块相辅相成，使得本方法获得了出色的分类性能。
表2
当某品种被政府淘汰后，剔除整个***中该品种对应的单类分类器，以减少类间干扰和计算开销。
作为另一个具体的实施例，本发明还提供一种基于高光谱可增量更新的玉米种子品种鉴定***，包括：
高光谱图像获取模块，用于获取不同品种的玉米种子高光谱图像；
单类分类器确定模块，用于根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对处理后的图像进行图像特征提取；利用光谱特征提取器对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对光谱数据进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；
品种鉴定模型确定模块，用于将所有的单类分类器进行融合，确定品种鉴定模型；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
品种鉴定模块，用于利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本发明还提供一种基于高光谱可增量更新的玉米种子品种鉴定***，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，包括：
获取不同品种的玉米种子高光谱图像；
根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对处理后的图像进行图像特征提取；利用光谱特征提取模块对玉米种子高光谱图像进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；
将所有的单类分类器进行融合，确定品种鉴定模型以识别已知品种和拒识未知品种；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
2.根据权利要求1所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，所述获取不同品种的玉米种子高光谱图像，之后还包括：
对玉米种子高光谱图像进行预处理；所述预处理包括：黑白校正处理、去噪处理、阈值分割法去除背景以及图像分割。
3.根据权利要求1所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，所述利用波段注意力和稀疏约束模块对全波段进行冗余信息处理，具体包括：
采用波段注意力机制生成各波段的波段权重；
对波段权重进行稀疏约束，将波段权重小于权重阈值的权重赋值为0。
4.根据权利要求1所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，所述利用超球学习损失优化模块优化单类分类器的网络参数，具体以下公式：
；
其中，LOSS表示损失函数，Yi表示第i个种子的特征表示，C为所有特征的中心，L表示波段数，bij表示第i个种子第j个波段的非稀疏约束权重，W表示训练的神经网络的权重矩阵，α、λ为调节参数，表示范数，表示Frobenius范数，n表示种子的数量。
5.根据权利要求1所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，所述将所有的单类分类器进行融合，确定品种鉴定模型；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型，具体包括：
当玉米种子的品种增加时，根据增加品种的玉米种子高光谱图像，基于深度SVDD确定相应的单类分类器；
将增加的单类分类器融合到品种鉴定模型；
当玉米种子的品种被淘汰时，将被淘汰品种对应的单类分类器从品种鉴定模型中剔除。
6.根据权利要求1所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法，其特征在于，所述利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定，具体包括：
利用公式确定距离得分函数；
其中，Yi为第i个种子的特征表示，为已训练好的超球的中心，用于评估种子xi的品种得分；
当大于距离阈值时，种子xi为未知品种。
7.一种基于高光谱可增量更新的玉米种子品种鉴定***，其特征在于，包括：
高光谱图像获取模块，用于获取不同品种的玉米种子高光谱图像；
单类分类器确定模块，用于根据不同品种的玉米种子高光谱图像，基于深度SVDD确定每一品种的单类分类器；所述单类分类器的训练过程为：利用主成分分析对玉米种子高光谱图像进行处理后，输入到图像特征提取模块对处理后的图像进行图像特征提取；利用光谱特征提取模块对光谱数据进行光谱特征提取；利用波段注意力和稀疏约束模块对全波段进行冗余信息处理；利用特征融合模块对图像特征和光谱特征进行整合；利用超球学习损失优化模块优化单类分类器的网络参数；
品种鉴定模型确定模块，用于将所有的单类分类器进行融合，确定品种鉴定模型；并当玉米种子的品种增加或被淘汰时，实时更新品种鉴定模型；
品种鉴定模块，用于利用更新后的品种鉴定模型对待鉴定的玉米种子进行鉴定。
8.一种基于高光谱可增量更新的玉米种子品种鉴定***，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的一种基于高光谱可增量更新的玉米种子品种鉴定方法。
CN202310123276.8A 2023-02-16 2023-02-16 基于高光谱可增量更新的玉米种子品种鉴定方法及*** Pending CN116071592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310123276.8A CN116071592A (zh) 2023-02-16 2023-02-16 基于高光谱可增量更新的玉米种子品种鉴定方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310123276.8A CN116071592A (zh) 2023-02-16 2023-02-16 基于高光谱可增量更新的玉米种子品种鉴定方法及***

Publications (1)

Publication Number Publication Date
CN116071592A true CN116071592A (zh) 2023-05-05

Family

ID=86169690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310123276.8A Pending CN116071592A (zh) 2023-02-16 2023-02-16 基于高光谱可增量更新的玉米种子品种鉴定方法及***

Country Status (1)

Country Link
CN (1) CN116071592A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306875A (zh) * 2023-05-18 2023-06-23 成都理工大学 基于空间预学习与拟合的排水管网样本增量学习方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306875A (zh) * 2023-05-18 2023-06-23 成都理工大学 基于空间预学习与拟合的排水管网样本增量学习方法

Similar Documents

Publication Publication Date Title
Wu et al. DCGAN-based data augmentation for tomato leaf disease identification
CN112016392B (zh) 一种基于高光谱图像的大豆虫害程度的小样本检测方法
AU746616B2 (en) Methods for classification of somatic embryos
AU2005242157A1 (en) Methods for processing image and/or spectral data for enhanced embryo classification
Upadhyay et al. Early-Stage Brown Spot Disease Recognition in Paddy Using Image Processing and Deep Learning Techniques.
CN116071592A (zh) 基于高光谱可增量更新的玉米种子品种鉴定方法及***
CN111291686B (zh) 农作物根果表型参数的提取与根果表型判别方法及***
CN116297236A (zh) 一种基于高光谱的单粒玉米种子活力鉴别方法及装置
Borman et al. Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square
Kunduracioglu et al. Advancements in deep learning for accurate classification of grape leaves and diagnosis of grape diseases
Narla et al. Multiple feature-based tomato plant leaf disease classification using SVM classifier
Liao et al. Hyperspectral imaging technology and transfer learning utilized in haploid maize seeds identification
CN104732246B (zh) 一种半监督协同训练高光谱图像分类方法
Brindha et al. Automatic detection of citrus fruit diseases using MIB classifier
Zahra et al. An integrated framework of two-stream deep learning models optimal information fusion for fruits disease recognition
McDonald et al. Images, features, or feature distributions? A comparison of inputs for training convolutional neural networks to classify lentil and field pea milling fractions
Hridya Krishna et al. Deep learning approach for brown spot detection and nitrogen deficiency estimation in rice crops
Kalpana et al. Diagnosis of major foliar diseases in black gram (vigna mungo l.) using convolution neural network (cnn)
CN113723281B (zh) 基于局部自适应尺度集成学习的高分辨率影像分类方法
Patel et al. A review on rice plant phenotyping traits estimation for disease and growth management using modern ML techniques
Cao et al. Plant leaf segmentation and phenotypic analysis based on fully convolutional neural network
Jahan et al. Using images from a handheld camera to detect wheat bacterial leaf streak disease severities
Moharekar et al. Detection and classification of plant leaf diseases using convolution neural networks and streamlit
Babu et al. Prediction and Analysis of Plant-Leaf Disease in Agricultural by using Image Processing and Machine Learning Techniques
Yadav et al. Tomato leaf disease detection using enhanced weight assignment based loss calculation method

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