详情

原文传递一种基于深度级联森林和高光谱图像的玉米品种鉴别方法

专利名称：	一种基于深度级联森林和高光谱图像的玉米品种鉴别方法
摘要：	本发明提供了一种基于深度级联森林和高光谱图像的玉米品种鉴别方法，包括：对所述玉米影像数据进行预处理，得到全波段影像数据；选取有效波段的玉米影像数据；以及将所述有效波段的玉米影像数据作为特征集，采用深度级联森林模型进行模型分类。本发明的玉米品种鉴别方法充分利用高光谱技术和深度级联森林模型进行玉米分类，相较于普通的机器学习算法，鉴别精度更高。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京师范大学
发明人：	陈云浩;邵琦;李京
专利状态：	有效
申请日期：	2019-05-15T00:00:00+0800
发布日期：	2019-08-09T00:00:00+0800
申请号：	CN201910400622.6
公开号：	CN110108644A
代理机构：	北京京万通知识产权代理有限公司
代理人：	许天易
分类号：	G01N21/17(2006.01);G;G01;G01N;G01N21
申请人地址：	100875 北京市海淀区新街口外大街19号
主权项：	1.一种基于深度级联森林和高光谱图像的玉米品种鉴别方法，其特征在于，包括以下步骤：步骤1：对玉米影像数据进行预处理，得到全波段影像数据；步骤2：选取有效波段的玉米影像数据；以及步骤3：将所述有效波段的玉米影像数据作为特征集，采用深度级联森林模型进行模型分类。 2.根据权利要求1所述的玉米品种鉴别方法，其特征在于，其中，所述步骤1包括：通过高光谱图像采集系统采集玉米影像数据；对所述玉米影像数据进行校正；提取玉米的感兴趣区域(ROI)影像数据；以及对提取的所述玉米的感兴趣区域影像数据进行光谱校正，得到所述全波段影像数据。 3.根据权利要求2所述的玉米品种鉴别方法，其特征在于，其中，通过高光谱图像采集系统来采集玉米影像数据，且只保留在波段范围533-893.4nm内等间距选择的146个波段的玉米影像数据；采用校正公式对所述玉米影像数据进行校正，所述校正公式为：采用基于距离变换的标记分水岭分割算法提取每个玉米的感兴趣区域(ROI)影像数据；采用Savitzky-Golay平滑(S-G平滑)算法对提取的所述玉米感兴趣区域(ROI)影像数据进行光谱校正。 4.根据权利要求1所述的玉米品种鉴别方法，其特征在于，采用Boruta算法对全波段影像数据进行筛选，选出其中的有效波段影像数据。 5.根据权利要求4所述的玉米品种鉴别方法，其特征在于，所述Boruta算法的过程如下：为每个特征构建影子特征混入训练集，并去除这些特征与类别的关联；在混入影子特征的训练集上训练随机森林分类器；利用特征的平均损失和标准偏差计算Z-score；删除Z-score比影子特征差的特征；以及当所有特征被确认或者算法达到设置的迭代次数时，算法停止。 6.根据权利要求1所述的玉米品种鉴别方法，其特征在于，所述深度级联森林模型包含两个阶段：多粒度扫描和级联森林阶段。 7.根据权利要求6所述的玉米品种鉴别方法，其特征在于，所述级联森林的每一层结构由均由500棵决策树组成的四个随机森林组成，其中所述四个随机森林包括两个完全随机森林和两个普通随机森林，其中，前两个代表所述完全随机森林，剩余两个代表所述普通随机森林，然后通过gini分裂筛选分裂节点；在所述级联森林阶段中，每层的四个随机森林都采用了k折交叉验证方法，当级联森林中的一层完成训练后，用此模型来对一个检验集进行预测，如果当前层的准确率比前一层的准确率高，则继续构造级联森林的下一层，直至当前层对检验集的准确率较前一层的准确率不再提升，训练就会终止，模型因此而确定。 8.根据权利要求6所述的玉米品种鉴别方法，其特征在于，所述多粒度扫描采用不同尺寸的滑动窗口在玉米影像上做滑动，得到原始特征信息。 9.根据权利要求8所述的玉米品种鉴别方法，其特征在于，采用7、9和11三种尺度的窗口在玉米影像上做滑动，分类是三类。 10.根据权利要求9所述的玉米品种鉴别方法，其特征在于，窗口7将会生成19个7×7的训练子影像，这些数据输入一个完全随机森林和一个普通随机森林训练，每个子影像生成一个3维的分类可能性向量，级联之后生成一个114维的特征向量，窗口9将会得到108维的特征向量，窗口11将会得到102维的特征向量；所述114维的特征向量训练第一级的级联森林，所述108维的特征向量训练第二级的级联森林，所述102维的特征向量训练第三级的级联森林，重复这一过程，直至检验集上精度收敛，取级联森林的最后一层的可能性向量的类别平均值，之后取最大值作为最终的预测结果。
所属类别：	发明专利