【技術實現(xiàn)步驟摘要】
本專利技術涉及一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法、裝置和介質，屬于農業(yè)信息化。
技術介紹
1、白菜是我國重要的蔬菜作物之一，營養(yǎng)價值較高。葉球不僅是白菜的食用器官，也是進行其光合作用、維持機體生長發(fā)育的主要器官。不論是生產種植還是新品種培育上，白菜葉球剖面表型均包含著關鍵遺傳信息，其表型性狀的定量獲取具有重要意義。其中，大白菜葉球剖面顏色區(qū)域類型作為白菜非常重要的表型性狀之一，直接關系到白菜的營養(yǎng)品質、口感和商品性。黃心和橘紅心大白菜無論是在營養(yǎng)價值還是在市場認可度上都強于傳統(tǒng)白心大白菜。大白菜葉球的內葉顏色主要有黃色、橘紅色、白色、紫色,中間過渡類型有橘黃色、淡黃色、金黃色等。然而，白菜葉球剖面結構復雜使得白菜葉球顏色區(qū)域類型快速識別面臨諸多挑戰(zhàn)。因此，白菜葉球剖面不同顏色區(qū)域類型識別及定量是當前白菜品種改良研究的難點問題。
2、傳統(tǒng)的白菜葉球剖面區(qū)域類型劃分主要采用肉眼判別、直尺測量的方式，存在耗時、費力，且主觀性強等問題。隨著遙感技術的快速發(fā)展，高光譜遙感技術由于其具有波段多且窄的特點，能夠準確地反映地物光譜的細微特征差異。白菜葉球不同顏色類型區(qū)域因其細胞結構、色素含量等因素，會引起光譜吸收/反射的變化，這為實現(xiàn)白菜葉球剖面不同類型區(qū)域快速、精準化監(jiān)測提供了可能。
3、現(xiàn)有技術存在的缺陷：由于高光譜成像儀的成像過程易受設備自身以及外界環(huán)境的影響，所采集的光譜影像通常會遭受各種噪聲污染，給白菜葉球剖面不同區(qū)域類型的光譜可辨別性帶來巨大挑戰(zhàn)。因此，結合深度學習強大的特征表達學習能力，探索
技術實現(xiàn)思路
1、本專利技術目的是提供了一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法、裝置和介質，實現(xiàn)了對白菜葉球剖面尺度上不同類型區(qū)域的快速、精確劃分和識別。
2、本專利技術為實現(xiàn)上述目的，通過以下技術方案實現(xiàn)：
3、一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，包括：
4、采集白菜葉球剖面不同顏色類型區(qū)域的光譜信息，并對不同顏色類型區(qū)域光譜反射率特征分析；
5、基于原始波段反射率計算白菜葉球剖面不同類型區(qū)域的高光譜特征指數(shù)，描述白菜葉球剖面不同類型的區(qū)域；
6、使用高光譜成像儀采集白菜葉球剖面的高光譜圖像，利用高光譜特征指數(shù)計算方法得到白菜葉球剖面不同類型區(qū)域的初始光譜特征；
7、構建白菜葉球剖面類型區(qū)域劃分模型，所述白菜葉球剖面類型區(qū)域劃分模塊以unet網絡作為基礎網絡，包含編碼器和解碼器，所述編碼器的下采樣模塊與解碼器上采樣拼接模塊通過全局分布知識編碼模塊跳躍連接，所述解碼器末層添加類別對比約束的特征編碼模塊；
8、將初始光譜特征輸入到白菜葉球剖面類型區(qū)域劃分模型訓練該模型，通過梯度反向傳播最小化聯(lián)合損失函數(shù)，實現(xiàn)模型優(yōu)化；
9、采集待檢測白菜葉球剖面高光譜圖像，輸入優(yōu)化后的白菜葉球剖面類型區(qū)域劃分模型進行區(qū)域劃分。
10、優(yōu)選的，不同顏色類型區(qū)域光譜反射率特征分析，具體方式如下：
11、采集光線照射到白菜葉球剖面上特定光譜特征，獲取原始波段反射率；
12、將原始波段反射率進行一階微分變換得到一階微分光譜特征；
13、根據原始光譜反射率特征、一階微分光譜特征對白菜葉球不同顏色類型區(qū)域進行分析，提取基于高光譜位置的特征參數(shù)，包括光譜吸收特征參數(shù)和光譜三邊特征參數(shù)；所述光譜吸收特征參數(shù)藍谷位置、藍谷反射率、綠峰位置、綠峰反射率、紅谷位置、紅谷反射率，所述光譜三邊特征參數(shù)包括紅邊位置、紅邊幅值、紅邊面積、藍邊位置、藍邊幅值、藍邊面積。
14、優(yōu)選的，所述高光譜特征指數(shù)包括：色素比值指數(shù)、卡特指數(shù)、歸一化色素差異指數(shù)、植被衰老反射率指數(shù)、結構不敏感色素指數(shù)、過綠植被指數(shù)；
15、計算方式如下：色素比值指數(shù)：；
16、卡特指數(shù)：；
17、歸一化色素差異指數(shù)：；
18、植被衰老反射率指數(shù)：；
19、結構不敏感色素指數(shù)：；
20、過綠植被指數(shù)：；
21、其中，表示波長所對應的光譜反射率。
22、優(yōu)選的，所述白菜葉球剖面類型區(qū)域劃分模塊依次包括第一下采樣模塊、第二下采樣模塊、第三下采樣模塊、第四下采樣模塊、第五下采樣模塊、第一上采樣拼接模塊、第二上采樣拼接模塊、第三上采樣拼接模塊、第四上采樣拼接模塊，類別對比約束的特征編碼模塊；
23、所述第一下采樣模塊通過全局分布知識編碼模塊與第四上采樣拼接模塊跳躍連接，所述第二下采樣模塊通過全局分布知識編碼模塊與第三上采樣拼接模塊跳躍連接，所述第三下采樣模塊通過全局分布知識編碼模塊與第二上采樣拼接模塊跳躍連接，所述第四下采樣模塊通過全局分布知識編碼模塊與第一上采樣拼接模塊跳躍連接。
24、優(yōu)選的，所述白菜葉球剖面類型區(qū)域劃分模塊的第一下采樣模塊輸出特征經過最大池化輸入第二下采樣模塊，第二下采樣模塊輸出特征經過最大池化輸入第三下采樣模塊，第三下采樣模塊輸出特征經過最大池化輸入第四下采樣模塊，第四下采樣模塊輸出特征經過最大池化輸入第五下采樣模塊；
25、第四下采樣模塊輸出特征經過全局分布知識編碼模塊與第五下采樣模塊輸出特征拼接后作為第一上采樣拼接模塊輸入，
26、第三下采樣模塊輸出特征經過全局分布知識編碼模塊與第一上采樣拼接模塊輸出特征拼接后作為第二上采樣拼接模塊輸入，
27、第二下采樣模塊輸出特征經過全局分布知識編碼模塊與第二上采樣拼接模塊輸出特征拼接后作為第三上采樣拼接模塊輸入，
28、第一下采樣模塊輸出特征經過全局分布知識編碼模塊與第三上采樣拼接模塊輸出特征拼接后作為第四上采樣拼接模塊輸入，
29、第四上采樣拼接模塊輸出特征作為類別對比約束的特征編碼模塊的輸入。
30、優(yōu)選的，所述全局分布知識編碼模塊對特征圖處理方式如下：
31、輸入特征圖經過第一1×1卷積，第一1×1卷積輸出特征圖再經過softmax函數(shù)處理與第一1×1卷積輸出特征圖連接，連接后的特征圖經過第二1×1卷積與輸入特征圖相乘后作為該模塊最終輸出。
32、優(yōu)選的，所述類別對比約束的特征編碼模塊以編碼器末層語義信息特征向量為基礎，通過空間約束聚類方法計算每個類別的聚類中心，在訓練過程中每隔10個epoch執(zhí)行一次空間約束聚類以更新每個類別的聚類中心。
33、優(yōu)選的，所述聯(lián)合損失函數(shù)包括交叉熵損失和類別對比損失的損失函數(shù)，具體如下：
34、，
35、，
36、，
37、其中，表示交叉熵損失，表示類別對比損失，表示網絡模型預測值，表示對應點的真值，表示網絡末層提取的語義信息特征，表示不斷更新的在類別上的平均特征向量，表示類別數(shù)量，為函數(shù)代表，表示距離，選用歐式距離，表示特征向量之間相似程度。本文檔來自技高網...
【技術保護點】
1.一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，包括：
2.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，不同顏色類型區(qū)域光譜反射率特征分析，具體方式如下：
3.根據權利要求2所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述高光譜特征指數(shù)包括：色素比值指數(shù)、卡特指數(shù)、歸一化色素差異指數(shù)、植被衰老反射率指數(shù)、結構不敏感色素指數(shù)、過綠植被指數(shù)；
4.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述白菜葉球剖面類型區(qū)域劃分模塊依次包括第一下采樣模塊、第二下采樣模塊、第三下采樣模塊、第四下采樣模塊、第五下采樣模塊、第一上采樣拼接模塊、第二上采樣拼接模塊、第三上采樣拼接模塊、第四上采樣拼接模塊，類別對比約束的特征編碼模塊；
5.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述白菜葉球剖面類型區(qū)域劃分模塊的第一下采樣模塊輸出特征經過最大池化輸入第二下采樣模塊，第二下采樣模塊輸出特征經過最大池化輸入第
6.根據權利要求1-5任一所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述全局分布知識編碼模塊對特征圖處理方式如下：
7.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述類別對比約束的特征編碼模塊以編碼器末層語義信息特征向量為基礎，通過空間約束聚類方法計算每個類別的聚類中心，在訓練過程中每隔10個epoch執(zhí)行一次空間約束聚類以更新每個類別的聚類中心。
8.根據權利要求7所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述聯(lián)合損失函數(shù)包括交叉熵損失和類別對比損失的損失函數(shù)，具體如下：
9.一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分裝置，包括處理器和存儲有程序指令的存儲器，其特征在于，所述處理器被配置為在運行所述程序指令時，執(zhí)行如權利要求1-8任一所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法。
10.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上述權利要求1-8任一所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法。
...【技術特征摘要】
1.一種全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，包括：
2.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，不同顏色類型區(qū)域光譜反射率特征分析，具體方式如下：
3.根據權利要求2所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述高光譜特征指數(shù)包括：色素比值指數(shù)、卡特指數(shù)、歸一化色素差異指數(shù)、植被衰老反射率指數(shù)、結構不敏感色素指數(shù)、過綠植被指數(shù)；
4.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述白菜葉球剖面類型區(qū)域劃分模塊依次包括第一下采樣模塊、第二下采樣模塊、第三下采樣模塊、第四下采樣模塊、第五下采樣模塊、第一上采樣拼接模塊、第二上采樣拼接模塊、第三上采樣拼接模塊、第四上采樣拼接模塊，類別對比約束的特征編碼模塊；
5.根據權利要求1所述的全局分布知識引導的白菜葉球剖面類型區(qū)域劃分方法，其特征在于，所述白菜葉球剖面類型區(qū)域劃分模塊的第一下采樣模塊輸出特征經過最大池化輸入第二下采樣模塊，第二下采樣模塊輸出特征經過最大池化輸入第三下采樣模塊，第三下采樣模塊輸出特征經過最大池化輸入第四下采樣模塊，第四下...
【專利技術屬性】
技術研發(fā)人員：白波，唐桂英，李國衛(wèi)，魏佳煒，楊俊濤，
申請(專利權)人：山東省農業(yè)科學院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。