CN114972889B 一种基于数据增强与注意力机制的小麦种子分类方法 （江南大学）

一种基于数据增强与注意力机制的小麦种本申请公开了一种基于数据增强与注意力该方法利用高光谱图像结合小麦种子分类模型能够对小麦种子进行快速准确且无损的分类鉴可以达到对样本小麦种子进行样本数量扩充与图像波段信息对分类的重要性给不同的波段分2对获取到的所有样本高光谱图像执行图像预处理操作得到若干个待训素点的平均值且具有对应波段的全局感受野；所述一维特征向量依次经过第一层全连接利用训练得到的所述小麦种子分类模型基于待分类的小麦种子的高光谱图像得到品两个结构相同且级联的卷积单元，每个卷积单元包括从输入到输出依次级联的二维卷积3分类器采用Softmax分类器；所述小麦种子分类模型采用交叉熵损失作为损失函数并采用对待分类的小麦种子的高光谱图像执行图像预处理操作得到实现波段降维的多个待将多个待分类图像输入所述麦种子分类模型分别得到每个待分类图像的各品种的预对所有待分类图像属于相同品种的预测概率进行求和，将最终4[0008]对获取到的所有样本高光谱图像执行图像预处理操作得到若干个待训练样本图[0010]利用训练得到的小麦种子分类模型基于待分类的小麦种子的高光谱图像得到品[0013]全局平均池化层对逐通道卷积层提取得到的所有波段的特征图进行全局平均池5[0016]其进一步的技术方案为，对获取到的所有样本高光谱图[0024]其进一步的技术方案为，小麦种子分类模型中的全连接且每两个全连接层之间采用ReLU激活函数；小麦种子分类模型中的分类器采用Softmax分[0026]对待分类的小麦种子的高光谱图像执行图像预处理操作得到实现波段降维的多[0027]将多个待分类图像输入麦种子分类模型分别得到每个待分类图像的各品种的预6[0031]此外该小麦种子分类模型以根据高光谱图像波段信息对分类的重要性给不同的[0033]图2是一个实例中对样本高光谱图像执行图像预处理操作得到若干个待训练样本[0037]步骤110，获取若干个不同品种的样本小麦种子的样本高光谱图像。包括如下步[0039](2)为了从原始高光谱图像中提取感兴趣区域，首先对获取到的原始高光谱图像[0041](4)利用二值掩膜切割原始高光谱图像得到样本小麦种子的样本高光谱图像，此7[0042]步骤120，对获取到的所有样本高光谱图像执行图像预处理操作得到若干个待训[0044](2)根据各个原始波段的波段均值对所有原始波段进行聚类得到若干个波段类[0045](3)分别从每个波段类别中随机提取若干个原始波段，利用各个波段类别中的原[0046](4)重复执行分别从每个波段类别中随机提取若干个原始波段的步骤，由一个样别1～5。然后从波段类别1中随机选取若干个原始波段，从波段类别2～5也分别选取若干谱图像包含的原始波段按照上述方法组成4个待训练样本图像，由此样本数量从样本高光[0051](1)逐通道卷积层分别提取得到输入的图像的各个波段的特征图并输出给注意力机制模块：逐通道卷积层包含的卷积核个数与各个待训练样本图像包含的波段的数量相8[0053](2)注意力机制模块获取逐通道卷积层提取的各个波段的特征图，并输出每个波[0054]全局平均池化层对逐通道卷积层提取得到的所有波段的特征图进行全局平均池[0056]第一层全连接层的输出进入第一层激活函数层，第一层激活函数层采用ReLU函[0058]第二层全连接层的输出进入第二层激活函数层，第二层激活函数层采用Sigmoid[0060](3)卷积模块包括两个结构相同且级联的卷积单元，每个卷积单元包括从输入到[0067]步骤140，利用训练得到的小麦种子分类模型基于待分类的小麦种子的高光谱图类的小麦种子的高光谱图像执行的图像预处理操作具体的方法与步骤120相同，则比如分类的小麦种子的高光谱图像包含94个波段，则通过图像预处理操作可以得到4个待分类图[0069]将多个待分类图像输入麦种子分类模型分别得到每个待分类图像的各品种的预9领域技术人员在不脱离本申请的精神和构思的