1.一種基于高光譜圖像和深度學(xué)習(xí)算法的煙葉分級(jí)方法,其特征在于:所述方法包括以下步驟:
步驟1、獲取待測煙葉樣本的高光譜圖像數(shù)據(jù);高光譜成像系統(tǒng)的硬件平臺(tái)包括光源、分光模組、面陣CCD偵測器和裝有圖像采集卡的計(jì)算機(jī);利用成像系統(tǒng)進(jìn)行圖像信息采集的時(shí)候獲得光譜信息;
步驟2、對(duì)圖像進(jìn)行高層特征提取,對(duì)數(shù)據(jù)進(jìn)行降維,本步驟中先利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)處理,然后利用深度信念網(wǎng)絡(luò)進(jìn)行特征提?。?/p>
步驟3、對(duì)獲取的圖像信息和光譜信息進(jìn)行分類:特征提取之后,分類時(shí)在其頂層添加一個(gè)Softmax層,將得到的特征輸入softmax回歸分類器實(shí)現(xiàn)分類。
2.根據(jù)權(quán)利要求1所述的基于高光譜圖像和深度學(xué)習(xí)算法的煙葉分級(jí)方法,其特征在于:所述步驟1中的高光譜圖像數(shù)據(jù)包括圖像與光譜。
3.根據(jù)權(quán)利要求1所述的基于高光譜和深度學(xué)習(xí)算法的煙葉分級(jí)方法,其特征在于:所述步驟2具體包括如下步驟:
201、先利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割;
202、分割之后,繼續(xù)利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像去噪;
203、去噪后的圖像作為輸入,賦給深度信念網(wǎng)的第一個(gè)RBM網(wǎng)絡(luò)的可見層;深度信念網(wǎng)由3個(gè)RBM組成,每層RBM有1個(gè)隱藏層,1個(gè)可見層,總共6層,可見層的維度為m維,隱藏層維度分別為n1,n2,n3,深度信念網(wǎng)絡(luò)的訓(xùn)練流程如下:
(a)初次提取特征:訓(xùn)練第一個(gè)RBM網(wǎng)絡(luò),即用輸入層m維和第一個(gè)隱藏層n1維構(gòu)成的RBM網(wǎng)絡(luò);輸入為原始的輸入數(shù)據(jù),訓(xùn)練第一個(gè)RBM,并得到訓(xùn)練樣本在隱藏層的輸出值以及相應(yīng)的權(quán)值和偏置,隱藏層的輸出值作為初次提取的特征;
(b)去相關(guān),進(jìn)行特征篩選:利用步驟(a)中隱藏層的輸出值作為第2個(gè)RBM網(wǎng)絡(luò)訓(xùn)練的輸入值,用第一個(gè)RBM的輸出與第二層隱藏層構(gòu)成輸入層為n1維和隱藏層為n2維的RBM網(wǎng)絡(luò),但是固定步驟(a)的權(quán)值和偏置不變,同步驟(a)中的方法,計(jì)算出隱藏層的輸出值、權(quán)值和偏置;依次類推,用同樣的方法訓(xùn)練接下來的第3個(gè)RBM網(wǎng)絡(luò),第3個(gè)RBM的輸出作為優(yōu)化以后的特征;
204、優(yōu)化:利用反向傳播算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào),從而使模型收斂到局部最優(yōu)點(diǎn);
205、優(yōu)化過后,將最終得到的網(wǎng)絡(luò)的權(quán)值和偏置,賦給從卷積神經(jīng)網(wǎng)絡(luò)開始的原始輸入數(shù)據(jù)到深度信念網(wǎng)的最后一個(gè)RBM網(wǎng)絡(luò)構(gòu)成的網(wǎng)絡(luò)中,這樣便完成了特征的提取過程,深度信念網(wǎng)中最后一個(gè)RBM的輸出便為最優(yōu)提取的特征。
4.根據(jù)權(quán)利要求3所述的基于高光譜圖像和深度學(xué)習(xí)算法的煙葉分級(jí)方法,其特征在于:所述步驟(a)中對(duì)于一個(gè)RBM網(wǎng)絡(luò),只有輸入輸出,在訓(xùn)練RBM時(shí),可見單元的個(gè)數(shù)為原始的輸入數(shù)據(jù)的個(gè)數(shù),RBM的訓(xùn)練過程以及權(quán)值的更新如下:
(1)隨機(jī)初始化權(quán)值矩陣w和可見層的偏置向量a,隱藏層的偏置向量b;
(2)將原始的輸入數(shù)據(jù)輸入到可見層單元,輸入矩陣x正向傳播,利用公式:
計(jì)算出隱藏層單元的二值狀態(tài);
(3)在所有隱層單元的狀態(tài)確定以后,按反方向傳播,利用公式:
其中,激活函數(shù)計(jì)算出可見層矩陣x'的激活概率,x'是可見層的一個(gè)重構(gòu);
(5)再對(duì)x'進(jìn)行正向傳播,根據(jù)公式(1)(2)計(jì)算出隱藏層的矩陣h'的二值狀態(tài)、h'的激活概率,h'為隱藏層的一個(gè)重構(gòu);
(6)用步驟(2)中得到的隱藏層h的激活概率p(h|x)減去步驟(5)中得到h'的激活概率,其結(jié)果作為隱藏層h對(duì)應(yīng)的偏置b的增量,用可見層x的激活概率減去x'的激活概率,其結(jié)果作為可見層x對(duì)應(yīng)的偏置a,用步驟(2)中得到的正向傳播的概率向量減去步驟(5)中得到的反向傳播的概率向量,其結(jié)果作為輸入層和輸出層之間的權(quán)值增量;每次迭代中,權(quán)值的更新和偏置的更新都是同時(shí)進(jìn)行的,所以應(yīng)該是同時(shí)收斂的;結(jié)合其對(duì)應(yīng)的學(xué)習(xí)率,根據(jù)公式更新權(quán)值和偏置:
Wt=Wt-1+ε(x·p(h|x)-x'·p(h'|x'))
bt=bt-1+ε(x·p(h|x)-x'·p(h'|x'))
at=at-1+ε(x·p(h|x)-x'·p(h'|x'))
其中,ε為學(xué)習(xí)率;
(7)重復(fù)計(jì)算步驟(2)到(6),直至收斂或者達(dá)到最大迭代次數(shù),如此,便完成了一個(gè)RBM的訓(xùn)練。