CN110852322B - 感兴趣区域的确定方法及装置 - Google Patents
感兴趣区域的确定方法及装置 Download PDFInfo
- Publication number
- CN110852322B CN110852322B CN201911101575.1A CN201911101575A CN110852322B CN 110852322 B CN110852322 B CN 110852322B CN 201911101575 A CN201911101575 A CN 201911101575A CN 110852322 B CN110852322 B CN 110852322B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target
- spectral
- pixel
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本发明提供了一种感兴趣区域的确定方法及装置,该方法包括:获得目标叶片中每个像素点的氮含量分类结果,依据氮含量分类结果,将各个像素点划分为多个像素点集合,对每个像素点集合中对应的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线,将平均光谱曲线输入与其对应的预估模型中,得到氮含量预估值,获得每个氮含量预估值与目标叶片的氮含量实际值之间的计算值,将最小计算值所对应的像素点集合作为目标像素点集合,并将目标叶片中与目标像素集合中的各个像素点对应的区域确定为感兴趣区域。本申请提供的技术方案,基于目标叶片中每个像素点的光谱曲线,自动确定出该目标叶片的感兴趣区域,从而极大提升了效率。
Description
技术领域
本发明涉及神经网络领域,尤其涉及一种感兴趣区域的确定方法及装置。
背景技术
橡胶树作为一种经济作物,其营养状况直接关系到橡胶产量,而氮元素作为橡胶树最重要的营养元素之一,氮含量的准确测量对于提高橡胶产量具有重要意义。因为橡胶树叶片的氮元素水平分布不均匀,因此,需根据高光谱的像素点进行分类,即根据氮的水平分布状况将橡胶叶片的高光谱空间信息提取出来,而高光谱空间信息的提取,可认为是在橡胶叶片上确定感兴趣区域,感兴趣区域的氮含量即为橡胶叶片的氮含量。
现有技术中,感兴趣区域的确定由人工根据经验进行选择,一般选择叶片的上中下三个区域,即叶片的叶柄、中部位置和叶尖区域作为感兴趣区域,或者选择叶片的特殊位置作为感兴趣区域。在数据量较大,即待确定感兴趣区域的叶片较多的情况下,需要消耗大量的时间成本和人力成本,效率较低。
发明内容
本发明所要解决的技术问题是提供一种感兴趣区域的确定方法,目的在于解决需要消耗大量的时间成本和人力成本,以及效率较低的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种感兴趣区域的确定方法,包括:
获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的计算值;
将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
上述的方法,可选的,所述获取目标叶片中每个像素点的光谱曲线,包括:
获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点;
从所述高光谱图像中提取每个所述像素点的光谱曲线。
上述的方法,可选的,所述依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合,包括:
将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
上述的方法,可选的,所述对所述像素点集合中的各个像素的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线,包括:
确定多个目标光谱波长点;
针对每个所述目标光谱波长点,获取每个目标光谱曲线在所述目标光谱波长点上的反射率,并基于各个反射率,计算获得所述目标光谱波长点的平均反射率;所述目标光谱曲线为所述像素点集合对应的光谱曲线;
将各个所述目标光谱波长点的平均反射率进行拟合,得到所述像素点集合对应的平均光谱曲线。
上述的方法,可选的,所述分类模型的构建过程,包括:
采集光谱曲线样本集合;所述光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,所述光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类;
将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本;
构建多个神经网络模型;所述神经网络模型的个数至少包括三个;
从所述训练集中选取一份所述训练样本,分别对所述多个所述神经网络模型进行训练;
针对已训练的每个所述神经网络模型,获取所述神经网络模型的损失函数值,判断所述损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从所述训练集中选取一份训练样本继续对所述神经网络模型进行训练,直至该神经网络模型当前的损失函数值小于所述预设阈值;
依据已训练完成的各个神经网络模型,构建分类模型。
一种感兴趣区域的确定装置,包括:
获取单元,用于获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
第一输入单元,用于将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
划分单元,用于依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
拟合单元,用于针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
第二输入单元,用于将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算单元,用于计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的计算值;
确定单元,用于将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
上述的装置,可选的,所述获取单元,包括:
获取子单元,用于获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点;
提取子单元,用于从所述高光谱图像中提取每个所述像素点的光谱曲线。
上述的装置,可选的,所述划分单元,包括:
组合子单元,用于将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
上述的装置,可选的,所述拟合单元,包括:
确定子单元,用于确定多个目标光谱波长点;
计算子单元,用于针对每个所述目标光谱波长点,获取每个目标光谱曲线在所述目标光谱波长点上的反射率,并基于各个反射率,计算获得所述目标光谱波长点的平均反射率;所述目标光谱曲线为所述像素点集合对应的光谱曲线;
拟合子单元,用于将各个所述目标光谱波长点的平均反射率进行拟合,得到所述像素点集合对应的平均光谱曲线。
上述的装置,可选的,所述第一输入单元,包括:
采集子单元,用于采集光谱曲线样本集合;所述光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,所述光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类;
划分子单元,用于将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本;
第一构建子单元,用于构建多个神经网络模型;所述神经网络模型的个数至少包括三个;
训练子单元,用于从所述训练集中选取一份所述训练样本,分别对所述多个所述神经网络模型进行训练;
判断子单元,用于针对已训练的每个所述神经网络模型,获取所述神经网络模型的损失函数值,判断所述损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从所述训练集中选取一份训练样本继续对所述神经网络模型进行训练,直至该神经网络模型当前的损失函数值小于所述预设阈值;
第二构建子单元,用于依据已训练完成的各个神经网络模型,构建分类模型。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的感兴趣区域的确定方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的感兴趣区域的确定方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种感兴趣区域的确定方法及装置,包括:获得目标叶片中每个像素点的氮含量分类结果,依据氮含量分类结果,将各个像素点划分为多个像素点集合,对每个像素点集合中对应的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线,将每个平均光谱曲线输入与其对应的预估模型中,得到每个像素点集合的氮含量预估值,其中,每个像素点集合的氮含量预估值用于表征目标叶片的氮含量预估值,获得每个像素点集合的氮含量预估值与目标叶片的氮含量实际值之间的计算值,将最小计算值所对应的像素点集合作为目标像素点集合,并将目标叶片中与目标像素集合中的各个像素点对应的区域确定为感兴趣区域。可见,本申请提供的技术方案,基于目标叶片中每个像素点的光谱曲线,自动确定出该目标叶片的感兴趣区域,整个过程无需任何人工干预,从而节省了大量的时间成本和人力成本,以及极大的提升了效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种感兴趣区域的确定方法的方法流程图;
图2为本发明提供的一种感兴趣区域的确定方法的又一方法流程图;
图3为本发明提供的一种感兴趣区域的确定方法的又一方法流程图;
图4为本发明提供的神经网络模型的结构示意图;
图5为本发明提供的分类模型的结构示意图;
图6为本发明提供的一种感兴趣区域的确定装置的结构示意图;
图7为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种感兴趣区域的确定方法,该方法可以应用在多种系统平台,其执行主体可以为运行在计算机上的处理器,所述感兴趣区域的确定方法的流程图如图1所示,具体包括:
S101:获取目标叶片中每个像素点的光谱曲线。
本发明实施例提供的方法中,针对目标叶片,即待确定感兴趣区域的叶片,首先获取该目标叶片中每个像素点的光谱曲线,其中,光谱曲线为光谱波长和反射率的关系曲线,每个光谱曲线的光谱波长间距相等,也就是说,每个光谱曲线的初始波长点和终止波长点相同。可选的,获取目标叶片中的每个像素点的光谱曲线,可以包括:
获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点。
从所述高光谱图像中提取每个所述像素点的光谱曲线。
本发明实施例提供的方法中,获取目标叶片的高光谱图像,可选的,目标叶片的高光谱图像可以是通过仪器进行拍摄所获得的高光谱图像,该高光谱图像包括多个像素点,从高光谱图像中提取每个像素点的光谱曲线,也就是说,依据仪器所拍摄获得的高光谱图像,获得高光谱图像的数据,对该数据进行格式转换,即可得到每个像素点的光谱曲线,可选的,可以是通过matlab对高光谱图像的数据进行格式转换,得到每个像素点的光谱曲线。
S102:将每个像素点的光谱曲线输入预先构建的分类模型中,获得每个像素点的氮含量分类结果。
本发明实施例提供的方法中,预先构建分类模型,该分类模型可以实现对光谱曲线进行分类,可选的,可以对光谱曲线分成4大类,例如,可以将光谱曲线分成“ExtremelyRich”、“Rich”、“Normal”和“Lack”这四类。
将每个像素点的光谱曲线输入预先构建的分类模型中,经过该模型的处理,获取该模型输出的每个像素点的氮含量分类结果,例如,将像素点A、B、C和D的光谱曲线输入分类模型中,可获得该分类模型输出的像素点A的氮含量分类结果,像素点B的氮含量分类结果,像素点C的氮含量分类结果,以及像素点D的氮含量分类结果。
可选的,可以是直接将目标叶片的所有像素点的光谱曲线同时输入到分类模型,分类模型进行处理输出每个像素点的氮含量分类结果,也可是将目标叶片的各个像素点的光谱曲线依次输入到分类模型,分类模型输出每个像素点的光谱曲线的分类结果。
S103:依据每个像素点的氮含量分类结果,将各个像素点划分为多个像素点集合。
本发明实施例提供的方法中,基于每个像素点的氮含量分类结果,将各个像素点划分为多个像素点集合,其中,依据每个像素点的氮含量分类结果,将各个像素点划分为多个像素点集合,可以包括:
将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
基于每个像素点的氮含量分类结果,将氮含量分类结果相同的组成一个像素点集合,以实现将目标叶片中的各个像素点划分为多个像素点集合,可选的,若基于分类模型,可实现将各个像素点的氮含量分类结果划分为四类,那么,基于每个像素点的氮含量分类结果,可实现将目标叶片中的各个像素点划分为四个像素点集合。
S104:针对每个像素点集合,对像素点集合中的各个像素点的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线。
本发明实施例提供的方法中,每个像素点集合中可以包括多个像素点,针对每个像素点集合,将该像素点集合中的各个像素点的光谱曲线进行拟合处理,即实现将多条光谱曲线拟合成一条光谱曲线,进行拟合处理得到的光谱曲线为该像素点集合的平均光谱曲线,该平均光谱曲线中的每个光谱波长点对应的反射率为该像素点集合中各个光谱曲线在该光谱波长点的平均反射率。也就是说,拟合处理所得到的平均光谱曲线的光谱波长间距同像素点集合中各个光谱曲线的光谱波长间距相等,平均光谱曲线每个光谱波长点的反射率是各个光谱曲线在每个光谱波长点的反射率之和的平均值。
S105:将每个像素点集合的平均光谱曲线,输入预先构建的与像素点集合对应的预估模型,得到每个像素点集合的氮含量预估值。
本发明实施例提供的方法中,预先构建与分类模型输出的每个分类对应的预估模型,该预估模型可以对输入的光谱曲线进行氮含量预估。
将每个像素点集合的平均光谱曲线输入与该像素点集合对应的预估模型中,经该预估模型进行处理,输出每个像素点集合的氮含量预估值,其中,每个像素点集合的氮含量预估值用于表征目标叶片的氮含量预估值,也就是说,若像素点集合为四个,那么每个像素点集合的平均光谱曲线经过各自对应的预估模型处理后,输出四个预估值,那么这四个预估均用来代表目标叶片的预估值。
可选的,可以通过比较R2(the coefficient of determination,决定系数)和RMSE(the root mean square error,均方根误差)的差异,评价预估模型的一般性能力:R2越高,RMSE越低,预估模型预估叶片氮含量水平的可靠性和准确度越高。
其中:
S106:计算获得每个像素点集合的氮含量预估值与目标叶片的氮含量实际值之间的计算值。
本发明实施例提供的方法中,计算每个像素点集合的氮含量预估值与目标叶片的氮含量真实值之间的计算值,可选的,可以是计算每个像素点集合的氮含量预估值与目标叶片的氮含量真实值之间的差值。
可选的,目标叶片的氮含量真实值可以是预先通过化学的检测方法进行检测所获得。
S107:将最小计算值所对应的像素点集合作为目标像素点集合,并将目标叶片中与目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
本发明实施例提供的方法中,比较各个像素点集合对应的计算值,可选的,可以先对各个计算值按照预设顺序进行排序,预设顺序可以是从大到小的顺序,也可以是从小到大的顺序,基于已排序的各个计算值,确定最小计算值,将最小计算值所对应的像素点集合确定为目标像素点集合,将目标叶片中与目标像素点集合的各个像素点对应的区域作为感兴趣区域。
本发明实施例提供的感兴趣区域的确定方法,将目标叶片中每个像素点的光谱曲线输入分类模型中,获得目标叶片中每个像素点的氮含量分类结果,依据氮含量分类结果,将各个像素点划分为多个像素点集合,对每个像素点集合中对应的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线,将每个平均光谱曲线输入与其对应的预估模型中,得到每个像素点集合的氮含量预估值,其中,每个像素点集合的氮含量预估值用于表征目标叶片的氮含量预估值,获得每个氮含量预估值与目标叶片的氮含量实际值之间的计算值,将最小计算值所对应的像素点集合作为目标像素点集合,并将目标叶片中与目标像素集合中的各个像素点对应的区域确定为感兴趣区域。应用本发明实施例提供的感兴趣区域的确定方法,基于目标叶片中每个像素点的光谱曲线,自动确定出该目标叶片的感兴趣区域,整个过程无需任何人工干预,从而节省了大量的时间成本和人力成本,以及极大的提升了效率。
上述本发明实施例图1公开的步骤S104涉及到的对像素点集合中的各个像素的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线,流程图如图2所示,可以包括以下步骤:
S201:确定多个目标光谱波长点。
本发明实施例提供的方法中,从像素点集合中的各个像素点的光谱曲线中确定出多个目标光谱波长点,需要说明的是,所确定出的目标光谱波长点具有一定的代表性,也就是说,通过所确定的各个目标光谱波长点对应的反射率,能够使拟合出的光谱曲线与真实的光谱曲线的之间的相似度达到一定阈值。
可选的,所确定的目标光谱波长点为光谱波长间隔相同的波长点,例如,若光谱波长为10米,起始波长点为0米,确定出6个目标波长点,那么,所确定的各个目标波长点为光谱波长等于0米对应的点、光谱波长等于2米对应的点、光谱波长等于4米对应的点、光谱波长等于6米对应的点、光谱波长等于8米对应的点和光谱波长等于10米对应的点。
S202:针对每个目标光谱波长点,获取每个目标光谱曲线在目标光谱波长点上的反射率,并基于各个反射率,计算获得目标光谱波长点的平均反射率。
本发明实施例提供的方法中,针对每个目标光谱波长,获取每个目标光谱曲线在该目标光谱波长点上的反射率,也就是获取像素点集合中每个像素点对应的光谱曲线在该目标光谱波长点上的反射率,可选的,若该像素点集合中包含10个光谱曲线,那么目标光谱曲线的数量为10,则所获取的目标光谱曲线在该目标光谱波长点上的反射率对应的数量为10个,基于各个反射率,计算目标光谱波长的平均反射率,也就是计算各个反射率之和,并将各个反射率之和除以目标光谱曲线的个数,从而获得该目标光谱波长点的平均反射率。
S203:将各个目标光谱波长点的平均反射率进行拟合,得到像素点集合对应的平均光谱曲线。
本发明实施例提供的方法中,将各个目标光谱波长点的平均反射率进行拟合,也就是按照各个目标光谱波长点之间的顺序,依次将各个目标光谱波长点的平均反射率进行连接,从而得到像素点集合的平均光谱波长。
本发明实施例提供的感兴趣区域的确定方法中,确定多个目标光谱波长点,针对每个目标光谱波长点,获取每个目标光谱曲线在目标光谱波长点上的反射率,并基于各个反射率,计算获得目标光谱波长点的平均反射率,将各个目标光谱波长点的平均反射率进行拟合,得到像素点集合对应的平均光谱曲线。应用本发明实施例提供的感兴趣区域的确定方法,通过对每个像素点集合对应的各个光谱曲线进行拟合,从而得到每个像素点集合的平均光谱曲线。
上述本发明实施例图1公开的步骤S102涉及到的分类模型,该分类模型的构建过程,流程图如图3所示,可以包括以下步骤:
S301:采集光谱曲线样本集合。
本发明实施例提供的方法中,采集光谱曲线样本集合,该光谱曲线样本集合中包含多个光谱曲线样本及每个光谱曲线样本的标识信息,其中,光谱曲线样本的标识信息用户只是光谱曲线样本所属的分类,可选的,光谱曲线样本的标识信息可以包括第一标识信息和第二标识信息,可选的,第一标识信息可以是-1或1,第二标识信息可以是ExtremelyRich、Rich、Normal或Lack,可选的,第二标识为Extremely Rich或Rich所对应的光谱曲线样本的第一标识信息为1,第二标识为Normal或Lack所对应的光谱曲线样本的第一标识信息为-1。
S302:将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本。
本发明实施例提供的方法中,将光谱曲线样本集合作为训练集,并将训练集划分为多份训练样本,其中,每份训练样本中包含多个光谱曲线样本以及每个光谱曲线样本对应的标识信息。
S303:构建多个神经网络模型。
本发明实施例提供的方法中,可以构建多个BP神经网络模型,其中,神经网络模型的网络结构如图4所示,可选的,本发明所构建的神经网络模型至少包括三个。
S304:从训练集中选取一份训练样本,分别对多个神经网络模型进行训练。
本发明实施例提供的方法中,从训练集中选取一份训练样本,分别对多个神经网络模型进行训练。可选的,参考图5,首先从训练集中选取一份训练样本,分别训练构成分类模型的NET1、NET2、NET3三个神经网络模型,神经网络模型NET1能够将光谱曲线样本区分为第一大类和第二大类,神经网络模型NET2能够将第一大类的样本划分为类别1和类别2,神经网络模型NET3能够将第二大类的样本划分为类别3和类别4,可选的,将每个高光谱曲线样本作为NET1的输入,NET2和NET3的输入由NET1的输出结果决定。训练NET1的输出为-1,对应于第一大类,然后训练网络NET2进行进一步分类,类似地,训练NET1的输出为1,对应于第二大类,然后训练网络NET3进行进一步分类。
S305:针对已训练的每个神经网络模型,获取神经网络模型的损失函数值,判断损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从训练集中选取一份训练样本继续对神经网络模型进行训练,直至该神经网络模型的损失函数值小于预设阈值。
本发明实施例提供的方法中,针对已训练的每个神经网络模型,获取神经网络模型的损失函数值,判断损失函数值是否小于预设阈值,若小于,则说明该神经网络模型的训练结果已经达到预期的结果,则停止对该神经网络模型的训练,若不小于,则说明该模型的训练结果未达到预期,并继续从训练集中选取一份训练样本继续对神经网络模型进行训练,需要说明的是,所选择的训练样本为未使用过的训练样本,直至神经网络模型当前的损失函数值小于预设阈值,完成对该神经网络模型的训练。
S306:依据已训练完成的各个神经网络模型,构建分类模型。
本发明实施例提供的方法中,若全部完成对神经网络模型的训练,则以训练完成的神经网络模型构建分类模型,例如,若神经网络模型NET1、NET2和NET3训练完成,则基于NET1、NET2和NET3,构建神经网络模型。
本发明实施例提供的感兴趣区域的确定方法,采集光谱曲线样本集合,光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类,基于各个光谱曲线样本及其标识信息对各个神经网络模型进行训练,若完成对神经网络模型的训练,则基于已训练完成的神经网络模型构建分类模型。
与图1所述的方法相对应,本发明实施例还提供了一种感兴趣区域的确定装置,用于对图1中方法的具体实现,其结构示意图如图6所示,具体包括:
获取单元601,用于获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
第一输入单元602,用于将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
划分单元603,用于依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
拟合单元604,用于针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
第二输入单元605,用于将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算单元606,用于计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的计算值;
确定单元607,用于将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
本发明实施例提供的感兴趣区域的确定装置,将目标叶片中每个像素点的光谱曲线输入分类模型中,获得目标叶片中每个像素点的氮含量分类结果,依据氮含量分类结果,将各个像素点划分为多个像素点集合,对每个像素点集合中对应的光谱曲线进行拟合处理,得到像素点集合对应的平均光谱曲线,将每个平均光谱曲线输入与其对应的预估模型中,得到每个像素集合氮含量预估值,其中,每个像素点集合的氮含量预估值用于表征目标叶片的氮含量预估值,获得每个氮含量预估值与目标叶片的氮含量实际值之间的计算值,将最小计算值所对应的像素点集合作为目标像素点集合,并将目标叶片中与目标像素集合中的各个像素点对应的区域确定为感兴趣区域。应用本发明实施例提供的感兴趣区域的确定装置,基于目标叶片中每个像素点的光谱曲线,自动确定出该目标叶片的感兴趣区域,整个过程无需任何人工干预,从而节省了大量的时间成本和人力成本,以及极大的提升了效率。
在本发明的一个实施例中,基于前述方案,获取单元601配置为:
获取子单元,用于获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点;
提取子单元,用于从所述高光谱图像中提取每个所述像素点的光谱曲线。在本发明的一个实施例中,基于前述方案,划分单元603配置为:
组合子单元,用于将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
在本发明的一个实施例中,基于前述方案,拟合单元604配置为:
确定子单元,用于确定多个目标光谱波长点;
计算子单元,用于针对每个所述目标光谱波长点,获取每个目标光谱曲线在所述目标光谱波长点上的反射率,并基于各个反射率,计算获得所述目标光谱波长点的平均反射率;所述目标光谱曲线为所述像素点集合对应的光谱曲线;
拟合子单元,用于将各个所述目标光谱波长点的平均反射率进行拟合,得到所述像素点集合对应的平均光谱曲线。
在本发明的一个实施例中,基于前述方案,第一输入单元602配置为:
采集子单元,用于采集光谱曲线样本集合;所述光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,所述光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类;
划分子单元,用于将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本;
第一构建子单元,用于构建多个神经网络模型;所述神经网络模型的个数至少包括三个;
训练子单元,用于从所述训练集中选取一份所述训练样本,分别对所述多个所述神经网络模型进行训练;
判断子单元,用于针对已训练的每个所述神经网络模型,获取所述神经网络模型的损失函数值,判断所述损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从所述训练集中选取一份训练样本继续对所述神经网络模型进行训练,直至该神经网络模型当前的损失函数值小于所述预设阈值;
第二构建子单元,用于依据已训练完成的各个神经网络模型,构建分类模型。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述感兴趣区域的确定方法。
本发明实施例还提供了一种电子设备,其结构示意图如图7所示,具体包括存储器701,以及一个或者一个以上的指令702,其中一个或者一个以上指令702存储于存储器701中,且经配置以由一个或者一个以上处理器703执行所述一个或者一个以上指令702进行以下操作:
获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的计算值;
将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种感兴趣区域的确定方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种感兴趣区域的确定方法,其特征在于,包括:
获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的差值;
将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
2.根据权利要求1所述的方法,其特征在于,所述获取目标叶片中每个像素点的光谱曲线,包括:
获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点;
从所述高光谱图像中提取每个所述像素点的光谱曲线。
3.根据权利要求1所述的方法,其特征在于,所述依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合,包括:
将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
4.根据权利要求1所述的方法,其特征在于,所述对所述像素点集合中的各个像素的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线,包括:
确定多个目标光谱波长点;
针对每个所述目标光谱波长点,获取每个目标光谱曲线在所述目标光谱波长点上的反射率,并基于各个反射率,计算获得所述目标光谱波长点的平均反射率;所述目标光谱曲线为所述像素点集合对应的光谱曲线;
将各个所述目标光谱波长点的平均反射率进行拟合,得到所述像素点集合对应的平均光谱曲线。
5.根据权利要求1所述的方法,其特征在于,所述分类模型的构建过程,包括:
采集光谱曲线样本集合;所述光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,所述光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类;
将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本;
构建多个神经网络模型;所述神经网络模型的个数至少包括三个;
从所述训练集中选取一份所述训练样本,分别对所述多个所述神经网络模型进行训练;
针对已训练的每个所述神经网络模型,获取所述神经网络模型的损失函数值,判断所述损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从所述训练集中选取一份训练样本继续对所述神经网络模型进行训练,直至该神经网络模型当前的损失函数值小于所述预设阈值;
依据已训练完成的各个神经网络模型,构建分类模型。
6.一种感兴趣区域的确定装置,其特征在于,包括:
获取单元,用于获取目标叶片中每个像素点的光谱曲线;其中,所述光谱曲线为光谱波长和反射率的关系曲线,每个所述光谱曲线的光谱波长间距相等;
第一输入单元,用于将每个所述像素点的光谱曲线输入预先构建的分类模型中,获得每个所述像素点的氮含量分类结果;
划分单元,用于依据每个所述像素点的氮含量分类结果,将各个像素点划分为多个像素点集合;
拟合单元,用于针对每个所述像素点集合,对所述像素点集合中的各个像素点的光谱曲线进行拟合处理,得到所述像素点集合对应的平均光谱曲线;所述平均光谱曲线上的每个光谱波长点对应的反射率为各个光谱曲线在该光谱波长点的平均反射率;
第二输入单元,用于将每个所述像素点集合的平均光谱曲线,输入预先构建的与所述像素点集合对应的预估模型,得到每个所述像素点集合的氮含量预估值;其中,每个所述像素点集合的氮含量预估值用于表征所述目标叶片的氮含量预估值;
计算单元,用于计算获得每个所述像素点集合的氮含量预估值与所述目标叶片的氮含量实际值之间的差值;
确定单元,用于将最小计算值所对应的像素点集合作为目标像素点集合,并将所述目标叶片中与所述目标像素集合中的各个像素点对应的区域确定为感兴趣区域。
7.根据权利要求6所述的装置,其特征在于,所述获取单元,包括:
获取子单元,用于获取目标叶片的高光谱图像;所述高光谱图像包括多个像素点;
提取子单元,用于从所述高光谱图像中提取每个所述像素点的光谱曲线。
8.根据权利要求6所述的装置,其特征在于,所述划分单元,包括:
组合子单元,用于将氮含量分类结果相同的像素点组成像素点集合,以实现将所述目标叶片中的各个像素点划分为多个像素点集合。
9.根据权利要求6所述的装置,其特征在于,所述拟合单元,包括:
确定子单元,用于确定多个目标光谱波长点;
计算子单元,用于针对每个所述目标光谱波长点,获取每个目标光谱曲线在所述目标光谱波长点上的反射率,并基于各个反射率,计算获得所述目标光谱波长点的平均反射率;所述目标光谱曲线为所述像素点集合对应的光谱曲线;
拟合子单元,用于将各个所述目标光谱波长点的平均反射率进行拟合,得到所述像素点集合对应的平均光谱曲线。
10.根据权利要求6所述的装置,其特征在于,所述第一输入单元,包括:
采集子单元,用于采集光谱曲线样本集合;所述光谱曲线样本集合中包含多个光谱曲线样本及其标识信息,所述光谱曲线样本的标识信息用于指示该光谱曲线样本所属的分类;
划分子单元,用于将所述光谱曲线样本集合作为训练集,并将所述训练集划分为多份训练样本;
第一构建子单元,用于构建多个神经网络模型;所述神经网络模型的个数至少包括三个;
训练子单元,用于从所述训练集中选取一份所述训练样本,分别对所述多个所述神经网络模型进行训练;
判断子单元,用于针对已训练的每个所述神经网络模型,获取所述神经网络模型的损失函数值,判断所述损失函数值是否小于预设阈值,若小于,则完成对所述神经网络模型的训练,若不小于,则从所述训练集中选取一份训练样本继续对所述神经网络模型进行训练,直至该神经网络模型当前的损失函数值小于所述预设阈值;
第二构建子单元,用于依据已训练完成的各个神经网络模型,构建分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101575.1A CN110852322B (zh) | 2019-11-12 | 2019-11-12 | 感兴趣区域的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101575.1A CN110852322B (zh) | 2019-11-12 | 2019-11-12 | 感兴趣区域的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852322A CN110852322A (zh) | 2020-02-28 |
CN110852322B true CN110852322B (zh) | 2022-06-24 |
Family
ID=69601616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911101575.1A Active CN110852322B (zh) | 2019-11-12 | 2019-11-12 | 感兴趣区域的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852322B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112129720B (zh) * | 2020-09-17 | 2021-10-29 | 山东大学 | 一种基于高光谱信息的衬砌检测方法及系统 |
CN113537252B (zh) * | 2021-08-23 | 2022-05-10 | 海南大学 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596957A (zh) * | 2015-01-12 | 2015-05-06 | 西安科技大学 | 基于可见光近红外光谱技术的土壤铜含量估算方法 |
CN105352895A (zh) * | 2015-11-02 | 2016-02-24 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150254800A1 (en) * | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
-
2019
- 2019-11-12 CN CN201911101575.1A patent/CN110852322B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596957A (zh) * | 2015-01-12 | 2015-05-06 | 西安科技大学 | 基于可见光近红外光谱技术的土壤铜含量估算方法 |
CN105352895A (zh) * | 2015-11-02 | 2016-02-24 | 北京理工大学 | 高光谱遥感数据植被信息提取方法 |
CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 |
Non-Patent Citations (4)
Title |
---|
Development of deep Learning method for lead content prediction of lettuce leaf using hyperspectral images;Xin Zhou 等;《International Journal of Remote Sensing》;20191030;第1-14页 * |
Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging;Jun Sun 等;《Computers and Electronics in Agriculture》;20190328;第153-159页 * |
基于高光谱成像技术的苹果内外品质同时检测;单佳佳 等;《农业机械学报》;20110331;第42卷(第3期);第140-144页 * |
基于高光谱技术的水稻稻曲病监测研究;谢亚平;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190115;第I140-2656页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110852322A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
EP3029582A1 (en) | Document classification system, document classification method, and document classification program | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
CN109995611B (zh) | 流量分类模型建立及流量分类方法、装置、设备和服务器 | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN110909005B (zh) | 一种模型特征分析方法、装置、设备及介质 | |
CN112016618A (zh) | 一种用于对图像语义分割模型泛化能力的度量方法 | |
CN113543117A (zh) | 携号转网用户的预测方法、装置及计算设备 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN111027771A (zh) | 景区客流量预估方法、系统、装置及可存储介质 | |
CN112015779A (zh) | 学生偏好预测的方法、系统和装置 | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
CN113962216A (zh) | 文本处理方法、装置、电子设备及可读存储介质 | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
CN115169705A (zh) | 配送时长预测方法、装置、存储介质及计算机设备 | |
CN110046770B (zh) | 粮食霉变预测方法及装置 | |
CN111835541B (zh) | 一种流量识别模型老化检测方法、装置、设备及系统 | |
CN113781469A (zh) | 基于yolo改进模型的安全头盔佩戴检测的方法及系统 | |
CN112598185A (zh) | 农业舆情分析方法、装置、设备及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN112561575A (zh) | 一种ctr预估模型选择方法及装置 | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |