CN105117734A - 基于模型在线更新的玉米种子高光谱图像分类识别方法 - Google Patents

Abstract

本发明公开了基于模型在线更新的玉米种子高光谱图像分类识别方法，包括：基于采集待识别玉米种子样本在N个波段下的N个高光谱图像，计算感兴趣区域内的光谱均值特征，作为特征参数，输入预先建立的支持向量数据描述模型，判断待识别玉米种子与检测模型的匹配性；若匹配成功，将特征参数，输入预先建立的最小二乘支持向量机检测模型，获取待识别玉米样本的分类识别结果；若匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别，在线更新已建立的支持向量数据描述模型和最小二乘支持向量机检测模型。本发明提供了一种基于模型在线更新的玉米种子高光谱图像分类识别方法，能够实现高光谱图像分类模型的在线更新，实时性好，且可靠性高。

Description

基于模型在线更新的玉米种子高光谱图像分类识别方法

技术领域

本发明涉及一种玉米种子高光谱图像分类模型在线更新的方法，尤其是一种基于模型在线更新的玉米种子高光谱图像分类识别方法。

背景技术

农以种为先，种子是农业生产的基础。随着种子市场的繁荣发展，其竞争日益加剧，由于种子品种混杂带来的农作物产量降低的事件时有发生，种子的纯度问题也越来越受到人们的关注。传统的种子纯度检测方法基本上是通过人工进行破坏性观察检测，费时费力，难以在实际应用中得到推广。目前越来越多的无损检测技术得到学者们的喜爱，其中包含机器视觉技术、近红外光谱分析技术以及高光谱图像技术。机器视觉技术由于受光谱范围的限制只能获得种子的外部形状特征，难以获得种子内部的化学特征；近红外光谱分析技术通过单点测量的方式获得反映种子特征的光谱信息，但是易受种子样本分布均匀性的影响。高光谱图像集机器视觉和近红外光谱分析技术的优点于一身，可以同时获得种子的外部图像特征以及内部的光谱信息特征。此外，高光谱图像获得的光谱信息不是通过单点测量法而是对采集到的图像上每一点像素提取光谱信息，从而避免因为种子特征分布不均匀导致实验结果的不稳定性。因而高光谱图像技术在农产品无损检测中得到广泛的应用。

利用高光谱图像技术进行种子纯度检测的实质就是建立光谱信息与种子品质之间的数学模型关系。但是高光谱图像技术采集的光谱信息容易受产地、年份变化的影响，导致由光谱信息建立的分类模型的稳定性变差。因此模型更新对于提高模型的鲁棒性和泛化能力具有重要的意义。以往的学者提出的模型更新方法都是基于离线条件的基础上，获得大量待测样本的真实信息，从而选出具有代表性的样本更新模型。而在实际生产中，对大量待测样本的获取本身就是一件费时费力的过程，同时基于离线的情况，因此这些模型更新策略很难在实际应用中得到推广。因此，寻找一种在线模型更新策略实现种子分类模型的更新就显得尤为重要。

发明内容

本发明的目的是克服以上技术的缺点，提供一种基于模型在线更新的玉米种子高光谱图像分类识别方法，其能够实现高光谱图像分类模型的在线更新，实时性好，省时省力，快速有效，且可靠性高。

本发明提供的技术方案，所述的基于模型在线更新的玉米种子高光谱图像分类识别方法，具体的步骤包括：a、将待识别的玉米种子样本放置在高光谱图像采集系统中，采集并获取该玉米种子样本在N个波段下的N个高光谱图像；b、计算感兴趣区域内的光谱均值特征，将N个波段下获得的共N个光谱均值特征作为待识别玉米种子的特征参数Y；c、将步骤b所得到的玉米种子特征参数Y，输入预先建立的支持向量数据描述模型f_svdd，判断待识别玉米种子与检测模型的匹配性；d、若步骤c匹配成功，将步骤b所得到的玉米种子N个特征参数，输入预先建立的最小二乘支持向量机检测模型f_lssvm，获取待识别玉米样本的分类识别结果Z；e、若步骤c匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新已建立的支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；f、重复步骤(a-e),完成所有待识别玉米种子的分类识别。

进一步的，在步骤b中，获得玉米种子的特征参数包括：

首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在782.59nm处)，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到N个波段上，提取N个波段在该轮廓曲线内的光谱均值作为玉米种子的分类特征参数。

在步骤c中预先建立支持向量数据描述模型f_svdd的操作包括：

按照步骤a、b获取s类共l个玉米种子的特征参数，并利用化学分析测试，获得其类别标签Z_N∈{1,2,…,s},N＝1,2,…l,将类别标签相同的玉米种子构建为一个子训练集合，共得到s个子集合，分别构建这s个子集合的支持向量数据描述模型其子模型的表达形式为：

$f_{svdd}^k\left(Y\right)=\mathrm{sgn}\[K(Y,Y)-2\underset{i}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{ij}K(Y_i^k,Y_j^k)-R^2\]---\left(1\right)$

其中,sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，为第k个训练子集玉米种子样本的特征参数，当括号中取值大于零时，sgn(·)取值为1，表示待识别样本Y不属于第k类，否则属于。第num_k为第k个子训练集样本的数量，为最小二乘支持向量机的核函数,α_i≥0,i＝1,2,…num_k为拉格朗日乘子，R为超球面半径，其定义如下式:

$R={\[K(Y_m^k,Y_m^k)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y_m^k,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)\]}^{\frac{1}{2}}---\left(2\right)$

其中，为第k类训练子集玉米种子样本的中任意一个样本的特征参数。

公式(1)、(2)中的参数α可以由下列最优化问题求得

$\{\begin{array}{c}\underset{a}{\max }\{L\left(\mathrm{\α}\right)=\underset{i}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)-\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{ij}K(Y_i^k,Y_j^k)\}\\ s.t.\underset{i}{\Σ}{\mathrm{\α}}_i=1,0\≤{\mathrm{\α}}_i\≤C,\∀i=1,\mathrm{...},num\_k\end{array}---\left(3\right)$

其中，C为惩罚系数。对于多数样本α_i将为0,值不为0的α_i对应的样本构成了子模型的支持向量集合

核函数选取：

$K(Y_i^k,Y_j^k)=\exp (-\frac{\left|\right|Y_i^k-Y_j^k|{|}^2}{2{\mathrm{\σ}}^2})---\left(4\right)$

其中σ²为高斯核函数宽度，核宽度σ²与惩罚系数C由交叉验证的网格搜索法确定。

在步骤d中，预先建立玉米种子的最小二乘支持向量机检测模型f_lssvm，具体包括：

利用步骤c中获得的s类共l个玉米种子的特征参数和类别标签，通过一对多方法，构建s个子LSSVM分类模型。其第k(k＝1,…,s)个子模型的输出表达式z^k(Y)为：

$z^k\left(Y\right)=sgn\[\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{j}K(Y,Y_j)+b\]---\left(5\right)$

其中,sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，Y_j为训练集玉米种子样本的特征参数，β_j和b均为待定系数。当大于等于零时，sgn(·)取值为1，表示待识别样本Y属于第k类，否则不属于。

公式(5)中β_j和b的取值由下列形式给出，

$\left[\begin{array}{cc}0& -D\\ D^T& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}E\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\θ}\end{array}\right]=\left[\begin{array}{c}0\\ I\end{array}\right]---\left(6\right)$

其中，θ＝[β₁…β_j…β_l]和b为待求解参数；D＝[d₁…d_j…d_l]，当训练样本Y_j属于第k类时，d_j＝1，否则d_j＝-1。Ω是l×l的方阵，其第i行第j列的元素Ω_ij＝d_id_jK(Y_i,Y_j)，K(Y_i,Y_j)为高斯核函数，其表达式同公式(4)；γ为为惩罚系数，E为l×l的单位方阵，I为l×1的全1列向量。

高斯核函数K(Y,Y_i)的核宽度参数和惩罚系数γ通过网格搜索方法获得。

进一步地，基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于步骤c中判断待识别玉米种子与检测模型的匹配性，具体包括：

取一个待识别样本t，输入到预先建立好的s个支持向量数据模型中，当s个支持向量数据模型的输出都为1时，则该待识别样本与预先建立好的最小二乘支持向量机分类器f_lssvm不匹配，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新已建立的支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；反之，当s个支持向量数据模型任何一个输出为0或者-1时候，则该待识别样本与预先建立好的f_lssvm匹配，直接用f_lssvm对该样本进行分类。

进一步地，基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于所述在线更新已建立的支持向量数据描述模型和最小二乘支持向量机检测模型f_lssvm，包括：

对于一个与预先建立好的最小二乘支持向量机分类器f_lssvm和不匹配的待识别样本t，将该样本通过化学分析测试，获得待识别玉米种子的类别Z∈{1,2,…,s}。同时获得该类别对应的支持向量数据模型的支持向量和可能转变成支持向量的非支持向量由样本t、和这三部分的集合代替Z类别原先的训练集样本，重新建立该类别支持向量数据模型同时用替代后的s个类别的训练集样本重新建立最小二乘支持向量机检测模型f_lssvm，最终实现模型的在线更新。

Z类训练集样本内可能变成支持向量的非支持向量定义如下：

$R-\mathrm{\θ}\≤\sqrt{K(Y,Y)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)}\≤R,\mathrm{\θ}\∈\[0,R\]---\left(7\right)$

其中，Y为待识别玉米种子样本的特征参数，为第k类训练子集中第j个玉米种子样本的特征参数，第num_k为第k类子训练集样本的数量，K(Y，Y_i ^k)为支持向量数据描述的核函数,α_i≥0,i＝1,2,…num_k为拉格朗日乘子，R为支持向量数据的超球面半径。θ的大小跟训练集样本的分布空间有关，θ值越大训练集样本的分布空间越稀疏或者说样本的统计特性越差，反之θ值越小则训练集样本的分布空间越紧密或者说样本的统计特性就越好。

附图说明

图1为本发明提供的基于模型在线更新的玉米种子高光谱图像分类识别方法的流程图；

下面结合具体附图和优选实施例对本发明做进一步说明。

图1为本发明提供的基于模型在线更新的玉米种子高光谱图像分类识别方法的流程图，如图1所示，其中，基于增量式支持向量数据描述的模型在线更新具体步骤包括：a、将待识别的玉米种子样本放置在高光谱图像采集系统中，采集并获取该玉米种子样本在N个波段下的N个高光谱图像；b、计算感兴趣区域内的光谱均值特征，将N个波段下获得的共N个光谱均值特征作为待识别玉米种子的特征参数Y；c、将步骤b所得到的玉米种子特征参数Y，输入预先建立的支持向量数据描述模型f_svdd，判断待识别玉米种子与检测模型的匹配性；d、若步骤c匹配成功，将步骤b所得到的玉米种子N个特征参数，输入预先建立的最小二乘支持向量机检测模型f_lssvm，获取待识别玉米样本的分类识别结果Z；e、若步骤c匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新已建立的支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；f、重复步骤(a-e),完成所有待识别玉米种子的分类识别。

进一步的，在步骤b中，获得玉米种子的特征参数包括：

首先选择待识别玉米种子轮廓最清晰的图像对应的波段(在782.59nm处)，利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到N个波段上，提取N个波段在该轮廓曲线内的光谱均值作为玉米种子的分类特征参数。

在步骤c中预先建立支持向量数据描述模型f_svdd的操作包括：

按照步骤a、b获取s类共l个玉米种子的特征参数，并利用化学分析测试，获得其类别标签Z_N∈{1,2,…,s},N＝1,2,…l,将类别标签相同的玉米种子构建为一个子训练集合，共得到s个子集合，分别构建这s个子集合的支持向量数据描述模型f_svdd ^k,k＝1,2,…s，其子模型f_svdd ^k的表达形式为：

$f_{svdd}^k\left(Y\right)=\mathrm{sgn}\[K(Y,Y)-2\underset{i}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{ij}K(Y_i^k,Y_j^k)-R^2\]---\left(1\right)$

其中,sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，为第k个训练子集玉米种子样本的特征参数，当括号中取值大于零时，sgn(·)取值为1，表示待识别样本Y不属于第k类，否则属于。第num_k为第k个子训练集样本的数量，K(Y,Y_i ^k)为最小二乘支持向量机的核函数,α_i≥0,i＝1,2,…num_k为拉格朗日乘子，R为超球面半径，其定义如下式:

$R={\[K(Y_m^k,Y_m^k)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y_m^k,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)\]}^{\frac{1}{2}}---\left(2\right)$

其中，为第k类训练子集玉米种子样本的中任意一个样本的特征参数。

公式(1)、(2)中的参数α可以由下列最优化问题求得

$\{\begin{array}{c}\underset{a}{\max }\{L\left(\mathrm{\α}\right)=\underset{i}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)-\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{ij}K(Y_i^k,Y_j^k)\}\\ s.t.\underset{i}{\Σ}{\mathrm{\α}}_i=1,0\≤{\mathrm{\α}}_i\≤C,\∀i=1,\mathrm{...},num\_k\end{array}---\left(3\right)$

其中，C为惩罚系数。对于多数样本α_i将为0,值不为0的α_i对应的样本构成了子模型f_svdd ^k的支持向量集合

核函数选取：

$K(Y_i^k,Y_j^k)=\exp (-\frac{\left|\right|Y_i^k-Y_j^k|{|}^2}{2{\mathrm{\σ}}^2})---\left(4\right)$

其中σ²为高斯核函数宽度，核宽度σ²与惩罚系数C由交叉验证的网格搜索法确定。

在步骤d中，预先建立玉米种子的最小二乘支持向量机检测模型f_lssvm，具体包括：

利用步骤c中获得的s类共l个玉米种子的特征参数和类别标签，通过一对多方法，构建s个子LSSVM分类模型。其第k(k＝1,…,s)个子模型的输出表达式z^k(Y)为：

$z^k\left(Y\right)=sgn\[\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{j}K(Y,Y_j)+b\]---\left(5\right)$

其中,sgn(·)为符号函数，Y为待识别玉米种子样本的特征参数，Y_j为训练集玉米种子样本的特征参数，β_j和b均为待定系数。当大于等于零时，sgn(·)取值为1，表示待识别样本Y属于第k类，否则不属于。

公式(5)中β_j和b的取值由下列形式给出，

$\left[\begin{array}{cc}0& -D\\ D^T& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}E\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\θ}\end{array}\right]=\left[\begin{array}{c}0\\ I\end{array}\right]---\left(6\right)$

其中，θ＝[β₁…β_j…β_l]和b为待求解参数；D＝[d₁…d_j…d_l]，当训练样本Y_j属于第k类时，d_j＝1，否则d_j＝-1。Ω是l×l的方阵，其第i行第j列的元素Ω_ij＝d_id_jK(Y_i,Y_j)，K(Y_i,Y_j)为高斯核函数，其表达式同公式(4)；γ为为惩罚系数，E为l×l的单位方阵，I为l×1的全1列向量。

高斯核函数K(Y,Y_i)的核宽度参数和惩罚系数γ通过网格搜索方法获得。

进一步地，基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于步骤c中判断待识别玉米种子与检测模型的匹配性，具体包括：

取一个待识别样本t，输入到预先建立好的s个支持向量数据模型f_svdd ^k,k＝1,2,…s中，当s个支持向量数据模型f_svdd ^k的输出都为1时，则该待识别样本与预先建立好的最小二乘支持向量机分类器f_lssvm不匹配，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新已建立的支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；反之，当s个支持向量数据模型f_svdd ^k任何一个输出为0或者-1时候，则该待识别样本与预先建立好的f_lssvm匹配，直接用f_lssvm对该样本进行分类。

进一步地，基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于所述在线更新已建立的支持向量数据描述模型和最小二乘支持向量机检测模型f_lssvm，包括：

对于一个与预先建立好的最小二乘支持向量机分类器f_lssvm和不匹配的待识别样本t，将该样本通过化学分析测试，获得待识别玉米种子的类别Z∈{1,2,…,s}。同时获得该类别对应的支持向量数据模型的支持向量和可能转变成支持向量的非支持向量由样本t、和这三部分的集合代替Z类别原先的训练集样本，重新建立该类别支持向量数据模型同时用替代后的s个类别的训练集样本重新建立最小二乘支持向量机检测模型f_lssvm，最终实现模型的在线更新。

Z类训练集样本内可能变成支持向量的非支持向量定义如下：

$R-\mathrm{\θ}\≤\sqrt{K(Y,Y)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)}\≤R,\mathrm{\θ}\∈\[0,R\]---\left(7\right)$

其中，Y为待识别玉米种子样本的特征参数，为第k类训练子集中第j个玉米种子样本的特征参数，第num_k为第k类子训练集样本的数量，K(Y,Y_i ^k)为支持向量数据描述的核函数,α_i≥0,i＝1,2,…num_k为拉格朗日乘子，R为支持向量数据的超球面半径。θ的大小跟训练集样本的分布空间有关，θ值越大训练集样本的分布空间越稀疏或者说样本的统计特性越差，反之θ值越小则训练集样本的分布空间越紧密或者说样本的统计特性就越好。

本发明的目的是克服以上技术的缺点，提供一种基于模型在线更新的玉米种子高光谱图像分类识别方法，其能够实现高光谱图像分类模型的在线更新，实时性好，省时省力，快速有效，且可靠性高。

Claims (3)

1.基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于，包括：

a、将待识别的玉米种子样本放置在高光谱图像采集系统中，采集并获取该玉米种子样本在N个波段下的N个高光谱图像；

b、计算感兴趣区域内的光谱均值特征，将N个波段下获得的共N个光谱均值特征作为待识别玉米种子的特征参数Y；

c、将步骤b所得到的玉米种子特征参数Y，输入预先建立或更新后的支持向量数据描述模型f_svdd，判断待识别玉米种子与检测模型的匹配性；

d、若步骤c匹配成功，将步骤b所得到的玉米种子N个特征参数，输入预先建立或更新后的最小二乘支持向量机检测模型f_lssvm，获取待识别玉米样本的分类识别结果Z；

e、若步骤c匹配不成功，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；

f、重复步骤(a-e),完成所有待识别玉米种子的分类识别。

在步骤b中，获得玉米种子的特征参数包括：

首先选择待识别玉米种子轮廓最清晰的图像对应的波段（在782.59nm处），利用自适应阈值分割法，获得该波段下的待识别玉米种子的轮廓曲线。将该轮廓曲线投射到N个波段上，提取N个波段在该轮廓曲线内的光谱均值作为玉米种子的分类特征参数。

在步骤c中预先建立支持向量数据描述模型f_svdd的操作包括：

按照步骤a、b获取s类共l个玉米种子的特征参数，并利用化学分析测试，获得其类别标签Z∈{1,2,…,s},将类别标签相同的玉米种子构建为一个子训练集合，共得到s个子集合，分别构建这s个子集合的支持向量数据描述模型其子模型的表达形式为：

$f_{svdd}^k\left(Y\right)=\mathrm{sgn}\[K(Y,Y)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)-R^2\]---\left(1\right)$

其中：sgn（·）为符号函数，Y为待识别玉米种子样本的特征参数，为第k类训练子集中第j个玉米种子样本的特征参数，当括号中取值大于零时，sgn（·）取值为1，表示待识别样本Y不属于第k类，否则属于。第num_k为第k类子训练集样本的数量，为支持向量数据描述的核函数,α_i≥0,i=1,2,…num_k为拉格朗日乘子。R为超球面半径，其定义如下式:

$R={\[K(Y_m^k,Y_m^k)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y_m^k,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)\]}^{\frac{1}{2}}---\left(2\right)$

其中，为第k类训练子集玉米种子样本的中任意一个样本的特征参数。

公式（1）、（2）中的拉格朗日乘子α可以由下列最优化问题求得:

$\{\begin{array}{c}\underset{a}{\max }\{L\left(\mathrm{\α}\right)=\underset{i}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)-\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)\}\\ s.t.\underset{i}{\Σ}{\mathrm{\α}}_i=1,0\≤{\mathrm{\α}}_i\≤C,\∀i=1,\mathrm{...},num\_k\end{array}---\left(3\right)$

其中，C为惩罚系数。对于多数样本α_i将为0,值不为0的α_i对应的样本构成了子模型的支持向量集合

核函数选取：

$K(Y_i^k,Y_j^k)=\exp (-\frac{\left|\right|Y_i^k-Y_j^k|{|}^2}{2{\mathrm{\σ}}^2})---\left(4\right)$

其中σ²为高斯核函数宽度，核宽度σ²与惩罚系数C由交叉验证的网格搜索法确定。

在步骤d中，预先建立玉米种子的最小二乘支持向量机检测模型f_lssvm，具体包括：

利用步骤c中获得的s类共l个玉米种子的特征参数和类别标签，通过一对多方法，构建s个子LSSVM分类模型。其第k(k=1,…,s)个子模型的输出表达式z^k(Y)为：

$z^k\left(Y\right)=sgn\[\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\β}}_{j}K(Y,Y_j)+b\]---\left(5\right)$

其中,sgn（·）为符号函数，Y为待识别玉米种子样本的特征参数，Y_j为训练集玉米种子样本的特征参数，β_j和b均为待定系数。当大于等于零时，sgn（·）取值为1，表示待识别样本Y属于第k类，否则不属于。

公式（5）中β_j和b的取值由下列形式给出，

$\left[\begin{array}{cc}0& -D\\ D^T& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}E\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\θ}\end{array}\right]=\left[\begin{array}{c}0\\ I\end{array}\right]---\left(6\right)$

其中，θ=[β₁…β_j…β_l]和b为待求解参数；D=[d₁…d_j…d_l]，当训练样本Y_j属于第k类时，d_j=1，否则d_j=-1。Ω是l×l的方阵，其第i行第j列的元素Ω_ij=d_id_jK(Y_i,Y_j)，K(Y_i,Y_j)为高斯核函数，其表达式同公式（4）；γ为为惩罚系数，E为l×l的单位方阵，I为l×1的全1列向量。

高斯核函数K(Y,Y_i)的核宽度参数和惩罚系数γ通过网格搜索方法获得。

2.权利要求1所述的基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于步骤c中判断待识别玉米种子与检测模型的匹配性检验，具体包括：

取一个待识别样本t，输入到预先建立好的s个支持向量数据模型k=1,2,…s中，当s个支持向量数据模型的输出都为1时，则该待识别样本与预先建立好的最小二乘支持向量机分类器f_lssvm不匹配，则通过化学分析测试，获得待识别玉米种子的类别Z，利用获得的待识别种子特征参数及其真实类别Z，在线更新已建立的支持向量数据描述模型f_svdd和最小二乘支持向量机检测模型f_lssvm；反之，当s个支持向量数据模型任何一个输出为0或者-1时候，则该待识别样本与预先建立好的f_lssvm匹配，直接用f_lssvm对该样本进行分类。

3.权利要求1所述的基于模型在线更新的玉米种子高光谱图像分类识别方法，其特征在于步骤（e）所描述的在线更新已建立的支持向量数据描述模型k=1,2,…s和最小二乘支持向量机检测模型f_lssvm，包括：

对于一个与预先建立好的最小二乘支持向量机分类器f_lssvm和不匹配的待识别样本t，将该样本通过化学分析测试，获得待识别玉米种子的类别Z∈{1,2,…,s}。同时获得该类别对应的支持向量数据模型的支持向量和可能转变成支持向量的非支持向量由样本t、和这三部分的集合代替Z类别原先的训练集样本，重新建立该类别支持向量数据模型同时用替代后的s个类别的训练集样本重新建立最小二乘支持向量机检测模型f_lssvm，最终实现模型的在线更新。

Z类训练集样本内可能变成支持向量的非支持向量定义如下：

$R-\mathrm{\θ}\≤\sqrt{K(Y,Y)-2\underset{i=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_{i}K(Y,Y_i^k)+\underset{i=1}{\overset{num\_k}{\Σ}}\underset{j=1}{\overset{num\_k}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(Y_i^k,Y_j^k)}\≤R,\mathrm{\θ}\∈\[0,R\]---\left(7\right)$

其中，Y为待识别玉米种子样本的特征参数，为第k类训练子集中第j个玉米种子样本的特征参数，第num_k为第k类子训练集样本的数量，为支持向量数据描述的核函数,α_i≥0,i=1,2,…num_k为拉格朗日乘子，R为支持向量数据的超球面半径。θ的大小跟训练集样本的分布空间有关，θ值越大训练集样本的分布空间越稀疏或者说样本的统计特性越差，反之θ值越小则训练集样本的分布空间越紧密或者说样本的统计特性就越好。