申请/专利权人：江苏大学

申请日：2021-12-27

公开（公告）日：2024-04-12

公开（公告）号：CN114359544B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.05.03#实质审查的生效;2022.04.15#公开

摘要：本发明公开了基于T‑SAE农作物植株铅浓度Vis‑NIR光谱深度迁移学习方法，获取植株根和叶片样本的高光谱图像并进一步得到植株根和叶片ROI光谱，对植株根和叶片ROI光谱进行预处理获得集合S1和S2；分别从植株根和叶片的ROI中随机抽取n个平均光谱数据并进行预处理获得集合S3和S4；基于上述光谱数据集合以及铅胁迫类别标签集合L，分别完成根、叶片光谱数据与铅胁迫类别的深度学习模型SAEModel1和SAEModel2的构建；进而得到根、叶片光谱数据和铅胁迫类别之间的T‑SAE深度迁移学习模型，本方法具有检测速度快，精度高，可迁移能力强，对农作物植株不会造成破坏等优点，可实现农作物植株环境重金属铅浓度类别检测。

主权项：1.基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法，其特征在于，包括以下部分：数据准备：采集环境不同浓度铅胁迫农作物植株根和叶片样本的高光谱图像，分别对植株根和叶片ROI光谱进行预处理获得光谱数据集合S1和S2；分别从植株根和叶片的ROI中随机抽取n个平均光谱数据并进行预处理获得光谱数据集合S3和S4；同时标定样本中环境铅胁迫类别信息，形成铅胁迫类别标签集合L；构建模型：输入根和叶的光谱数据集合S1和S2，随机抽取的根和叶的光谱数据集合S3和S4，以及铅胁迫类别标签集合L；初始化堆叠自动编码器的权值矩阵W和偏移量b,设置堆叠自动编码器网络结构,数据集合S3和S4被用来以无监督的方式预训练SAE网络；将光谱数据集合S1和S2分别作为预训练SAE网络的输入并进行网络参数的微调，分别完成根、叶片光谱数据与铅胁迫类别的深度学习模型SAEModel1和SAEModel2的构建；对SAEModel1和SAEModel2模型网络层数是否相等进行判定，如果相同，直接进行T-SAE迁移学习；如果不相同，则需要对T-SAE迁移网络进行平移和扩展；完成网络层数扩展后，完成根、叶片光谱数据和铅胁迫类别之间的T-SAE深度迁移学习模型构建，分别表示为T-SAEModel1和T-SAEModel2；T-SAE模型冻结网络的权重使用SAE模型的权重进行初始化，并使用来自目标域数据进行重新训练并实现参数微调，而T-SAE模型再训练网络中包含了新网络的深层特征层需要重新开始训练，包括再训练网络的权重随机初始化；T-SAEModel1模型迁移的方式为源域中预训练网络层的保存冻结状态，保留主模型中预训练网络层的权重，但未迁移源域中深度特征层；T-SAEModel2模型迁移的方式为源域中输出层除外的网络层均保持冻结状态，保留主模型中预训练网络层和深度特征层的权重；此外，T-SAEModel1和T-SAEModel2均需要进行再训练以获得新网络的深度特征；通过结合支持向量机算法，实现T-SAEModel1和T-SAEModel2逐层新网络的权重和偏置的确立，并通过对比T-SAEModel1和T-SAEModel2网络性能确立最佳的T-SAE深度迁移方案。

全文数据：

权利要求：

百度查询： 江苏大学 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD