本发明属于深度学习,尤其涉及一种基于高光谱波段选择的烟叶分级方法、装置、设备及介质。
背景技术:
1、烟叶是一种农产品,其质量受多种因素的影响。烟农所生产的烟叶有优有劣,质量各异,只有经过分级加工,才能使质量相对一致的烟叶列入同一等级。
2、现有基于高光谱的烟叶分级方法主要针对全部光谱进行分类,很少有针对波段选择后的波段进行分类的方法,大部分方法不适应少波段的情况,且具有计算量大的缺点,在现有的无监督波段选择方法中,基于聚类进行分组的方法中依照波段相似性进行分组的策略虽然能选择出冗余度低的波段,但信息量难以保证,而对于按波段先后顺序进行有序分组的方法中,确定分组边界又是一个很大的难题,容易将相似的波段划分到不同的分组。
技术实现思路
1、本发明的目的在于提供一种基于高光谱波段选择的烟叶分级方法、装置、设备及介质,旨在解决由于现有技术无法提供一种有效的烟叶分级方法,导致烟叶分级效率低且分级不准确的问题。
2、一方面,本发明提供了一种基于高光谱波段选择的烟叶分级方法,所述方法包括下述步骤:
3、对待分级的烟叶进行拍照,得到所述烟叶的第一高光谱图片;
4、根据预设目标波段数和预先获取的代表波段集合,对所述第一高光谱图片进行波段选择,得到对应所述目标波段数的目标波段;
5、对由所有所述目标波段组成的第二高光谱图片进行分割处理,得到若干平均光谱曲线;
6、根据所述平均光谱曲线,利用预先训练好的预测分类网络对所述烟叶的级别进行分类,得到与每条所述平均光谱曲线对应的分类预测值;
7、统计所述分类预测值,并将统计次数最多的所述分类预测值设置为所述烟叶的级别。
8、优选地,所述对待分级的烟叶进行拍照,得到所述烟叶的第一高光谱图片的步骤之前,所述方法还包括:
9、采用无监督高光谱波段选择算法对预先创建的高光谱数据集进行波段选择,得到所述代表波段集合。
10、优选地,所述采用无监督高光谱波段选择算法对预先创建的高光谱数据集进行波段选择的步骤,包括:
11、根据锚点选择规则对所述高光谱数据集进行锚点选择,得到锚点集合;
12、当所述锚点集合的锚点数等于所述目标波段数时,根据波段分组规则和所述锚点集合对所述高光谱数据集中的波段进行分组,得到分组数量与所述目标波段数相同的波段分组集合;
13、根据波段选择规则从所述波段分组集合的每组波段中选出代表波段,并将选出的所有所述代表波段组成所述代表波段集合。
14、优选地,所述根据锚点选择规则对预先创建的高光谱数据集进行锚点选择,得到锚点集合的步骤之后,所述方法还包括:
15、当所述目标波段数大于等于预设波段阈值时,根据锚点多样化规则从所述高光谱数据集中选出对应的波段,得到第一锚点集合;
16、根据所述第一锚点集合对所述锚点集合进行更新,并将更新后的锚点集合设置为所述锚点集合。
17、优选地,所述根据波段分组规则和所述锚点集合对所述高光谱数据集中的波段进行分组的步骤之前,所述方法还包括:
18、当所述锚点集合的锚点数大于所述目标波段数时,根据锚点收缩规则对所述锚点集合中的锚点进行删除,直至所述锚点集合的锚点数等于所述目标波段数;
19、当所述锚点集合的锚点数小于所述目标波段数时,根据锚点膨胀规则从所述高光谱数据集中选择新的锚点插入到所述锚点集合中,直至所述锚点集合的锚点数等于所述目标波段数。
20、优选地,所述得到与每块所述超像素块对应的平均光谱曲线的步骤,包括:
21、对分割后的每块所述超像素块进行光谱平均值计算,得到对应的光谱平均值;
22、根据所述光谱平均值得到与每块所述超像素块对应的平均光谱曲线。
23、另一方面,本发明提供了一种基于高光谱波段选择的烟叶分级装置,所述装置包括:
24、烟叶拍照单元,用于对待分级的烟叶进行拍照,得到所述烟叶的第一高光谱图片;
25、波段选择单元,用于根据预设目标波段数和预先获取的代表波段集合,对所述第一高光谱图片进行波段选择,得到对应所述目标波段数的目标波段;
26、图片分割单元,用于对由所有所述目标波段组成的第二高光谱图片进行分割处理,得到若干平均光谱曲线;
27、级别分类单元,用于根据所述平均光谱曲线,利用预先训练好的预测分类网络对所述烟叶的级别进行分类,得到与每条所述平均光谱曲线对应的分类预测值;以及
28、级别设置单元,用于统计所述分类预测值,并将统计次数最多的所述分类预测值设置为所述烟叶的级别。
29、优选地,所述装置还包括:
30、代表波段获取单元,用于采用无监督高光谱波段选择算法对预先创建的高光谱数据集进行波段选择,得到所述代表波段集合。
31、另一方面,本发明还提供了一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于高光谱波段选择的烟叶分级方法所述的步骤。
32、另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于高光谱波段选择的烟叶分级方法所述的步骤。
33、本发明对待分级的烟叶进行拍照,得到烟叶的第一高光谱图片,根据预设目标波段数和预先获取的代表波段集合,对第一高光谱图片进行波段选择,得到对应目标波段数的目标波段,对由所有目标波段组成的第二高光谱图片进行分割处理,得到若干平均光谱曲线,根据平均光谱曲线,利用预先训练好的预测分类网络对烟叶的级别进行分类,得到与每条平均光谱曲线对应的分类预测值,统计分类预测值,并将统计次数最多的分类预测值设置为烟叶的级别,从而提高了烟叶分级的效率和准确度。
1.一种基于高光谱波段选择的烟叶分级方法,其特征在于,所述方法包括下述步骤:
2.如权利要求1所述的方法,其特征在于,所述对待分级的烟叶进行拍照,得到所述烟叶的第一高光谱图片的步骤之前,所述方法还包括:
3.如权利要求2所述的方法,其特征在于,所述采用无监督高光谱波段选择算法对预先创建的高光谱数据集进行波段选择的步骤,包括:
4.如权利要求3所述的方法,其特征在于,所述根据锚点选择规则对所述高光谱数据集进行锚点选择,得到锚点集合的步骤之后,所述方法还包括:
5.如权利要求4所述的方法,其特征在于,所述根据波段分组规则和所述锚点集合对所述高光谱数据集中的波段进行分组的步骤之前,所述方法还包括:
6.如权利要求1所述的方法,其特征在于,所述对由所有所述目标波段组成的第二高光谱图片进行分割处理,得到若干平均光谱曲线的步骤,包括:
7.一种基于高光谱波段选择的烟叶分级装置,其特征在于,所述装置包括:
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
9.一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。