技術(shù)特征：

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：

$p(h_j=1|x)=\mathrm{\σ}(b_j+\underset{i=1}{\overset{n}{\Σ}}{x}_i{w}_{ij})---\left(1\right)$

$p\left(h\right|x)=\underset{j}{\overset{m}{\Π}}p\left(h_j\right|x)---\left(2\right)$

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：

$p(x_i=1|h)=\mathrm{\σ}(a_i+\underset{j=1}{\overset{m}{\Σ}}{w}_{ij}{h}_j)---\left(3\right)$

$p\left(x\right|h)=\underset{i}{\overset{n}{\Π}}p\left(x_i\right|h)---\left(4\right)$

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：

W_t＝W_t-1+ε(x·p(h|x)-x'·p(h'|x'))

b_t＝b_t-1+ε(x·p(h|x)-x'·p(h'|x'))

a_t＝a_t-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。