牧草可见-近红外高光谱分类方法、系统、介质及终端.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114813589A(43)申请公布日2022.07.29(21)申请号202210367352.5G06V10/764(2022.01)(22)申请日2022.04.08G06V10/58(2022.01)G06K9/62(2022.01)(71)申请人内蒙古农业大学地址010018内蒙古自治区呼和浩特市赛罕区昭乌达路306号(72)发明人潘新赵烜赫刘江平罗小玲郜晓晶(74)专利代理机构北京金智普华知识产权代理有限公司11401专利代理师张晓博(51)Int.Cl.G01N21/27(2006.01)G01N21/31(2006.01)G01N21/3563(2014.01)G01N21/359(2014.01)权利要求书2页说明书13页附图4页(54)发明名称牧草可见-近红外高光谱分类方法、系统、介质及终端(57)摘要本发明属于牧草分类技术领域，公开了一种牧草可见‑近红外高光谱分类方法、系统、介质及终端，所述牧草可见‑近红外高光谱分类方法包括：构建宏观尺度的多类别牧草种群近地高光谱图像数据集，并构建基于多元平滑映射和极限主动学习的牧草可见‑近红外高光谱分类模型；利用所述基于多元平滑映射和极限主动学习的高光谱分类模型进行牧草物种的分类。本发明通过Isomap提取低维底层流形结构特征进行光谱重建以简化模型，首次将流形学习Isomap有效推广应用到牧草高光谱领域。本发明还提出一种主动的极限梯度分类策略XAL，解决牧草高光谱标记样本成本高、数量少的问题，同时，更直观地增强光谱分类背后的物理本质。CN114813589ACN114813589A权利要求书1/2页1.一种牧草可见‑近红外高光谱分类方法，其特征在于，所述牧草可见‑近红外高光谱分类方法包括：构建宏观尺度的多类别牧草种群近地高光谱图像数据集，基于多类别牧草种群近地高光谱图像数据集构建基于多元平滑映射和极限主动学习的牧草可见‑近红外高光谱分类模型；利用所述基于多元平滑映射和极限主动学习的高光谱分类模型进行牧草物种的分类。2.如权利要求1所述牧草可见‑近红外高光谱分类方法，其特征在于，所述牧草可见‑近红外高光谱分类方法还包括：利用高光谱野外采集子系统采集近距离宏观尺度的nm级分辨率高光谱图像，构建具有代表性的牧草地物数据集；采用光谱重建MNI算法依据多元平滑流形投影对构建的宏观尺度的多类别牧草种群近地高光谱图像数据进行预处理重构；依据平滑流形投影技术Isomap重建牧草可见‑近红外光谱数据集；采用基于极限主动学习的牧草分类模型进行牧草可见‑近红外高光谱分类。3.如权利要求1所述牧草可见‑近红外高光谱分类方法，其特征在于，所述牧草可见‑近红外高光谱分类方法包括以下步骤：步骤一，利用高光谱成像仪从草地的不同角度采集各类牧草的图像；从采集的图像中选择图像清晰、光谱分布均匀、具有代表性和均衡性的区域进行分割，将牧草像素点光谱反射率的均值作为单类牧草的反射光谱；步骤二，利用MNI光谱重建算法通过Isomap提取牧草高光谱数据低维底层流形结构特征进行牧草高光谱重建；步骤三，利用XAL建立光谱分类模型，使用XGBClassifier分类，进行光谱分类模型的优化；利用优化后的光谱分类模型基于重建的牧草高光谱进行牧草分类。4.如权利要求3所述牧草可见‑近红外高光谱分类方法，其特征在于，所述MNI光谱重建算法如下：其中，Pj表示光谱j的原始反射率值；bj表示基线平移量；Cj表示权重系数；k表示多项式次数；nj表示偏移量；2n+1表示移动窗口宽度；V表示特征向量矩阵；F表示特征值矩阵；MNIz表示光谱重建至Z维。5.如权利要求4所述牧草可见‑近红外高光谱分类方法，其特征在于，所述MNI光谱重建算法还包括：边PiPj的最短路径进行计算，最短路径距离矩阵如下：其中，G表示邻域图；Pi,Pj表示图G的边；d(Pi,Pj)表示边PiPj的权。6.一种实施如权利要求1‑5任意一项所述牧草可见‑近红外高光谱分类方法的牧草可见‑近红外高光谱分类系统，其特征在于，所述牧草可见‑近红外高光谱分类系统包括：高光谱野外采集子系统，用于采集近距离宏观尺度的牧草地物nm级分辨率高光谱图2CN114813589A权利要求书2/2页像；数据集构建子系统，用于基于采集的牧草地物的光谱构建具有代表性的宏观尺度的多类别牧草种群近地高光谱图像数据集；模型构建子系统，用于构建基于多元平滑映射和极限主动学习的牧草可见‑近红外高光谱分类模型；分类模子系统，用于利用构建的基于多元平滑映射和极限主动学习的牧草可见‑近红外高光谱分类模型进行牧草分类。7.如权利要求6所述牧草可见‑近红外高光谱分类系统，其特征在于，所述高光谱野外采集子系统包括：高光谱成像仪，用于在自然光源下利用线扫描的方