基于高光譜成像的大豆食心蟲小樣本檢測(cè)方法研究

本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS13進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長(zhǎng)分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

大豆為我國(guó)主要糧作物之一，同時(shí)也是我國(guó)進(jìn)口量**的農(nóng)產(chǎn)品之一，其在食品、飼用、醫(yī)藥和工業(yè)等方面都有著重要的地位。大豆的品質(zhì)檢測(cè)是在大豆交易和流通中的一個(gè)重要環(huán)節(jié)，同時(shí)大豆蟲害是嚴(yán)重影響大豆品質(zhì)的重要因素。其中大豆食心蟲是一種頻發(fā)的蟲害，嚴(yán)重影響大豆的品質(zhì)和質(zhì)量。目前，大豆品質(zhì)檢測(cè)大多還停留在人工肉眼觀測(cè)和化學(xué)分析檢測(cè)方法上面，少量研究將高光譜技術(shù)結(jié)合機(jī)器學(xué)習(xí)應(yīng)用于病蟲害的無損檢測(cè)。人工檢測(cè)比較主觀，準(zhǔn)確率和效率低下；化學(xué)檢測(cè)時(shí)間周期長(zhǎng)，破壞樣本；圖像處理檢測(cè)則需要大量樣本訓(xùn)練判別模型，且這些方法很難直接移植到大豆食心蟲蟲害檢測(cè)領(lǐng)域。本文旨在利用高光譜成像技術(shù)，結(jié)合深度學(xué)習(xí)小樣本元學(xué)習(xí)思想實(shí)現(xiàn)對(duì)大豆食心蟲蟲害程度的無損檢測(cè)，實(shí)現(xiàn)在少量樣本下的高精度檢測(cè)，在舍去昂貴的樣本標(biāo)注費(fèi)用和時(shí)間的同時(shí)達(dá)到優(yōu)異的檢測(cè)成果，具有一定的社會(huì)價(jià)值，同樣該方法的思想對(duì)于別的檢測(cè)領(lǐng)域也有借鑒價(jià)值。主要研究工作和貢獻(xiàn)如下∶

本研究針對(duì)大豆食心蟲蟲害進(jìn)行無損檢測(cè)，應(yīng)用高光譜圖像結(jié)合小樣本元學(xué)習(xí)分類算法，對(duì)貯存期的大豆受大豆食心蟲侵蝕程度的無損檢測(cè)進(jìn)行初步研究。本論文只要完成的工作如下∶

（1）提出了基于三維關(guān)系網(wǎng)絡(luò)小樣本元學(xué)習(xí)算法的大豆食心蟲蟲害高光譜檢測(cè)方法。本文提出了針對(duì)高光譜圖像分類的三維關(guān)系網(wǎng)絡(luò)元學(xué)習(xí)模型（3D-RN），能夠在實(shí)驗(yàn)對(duì)象樣本數(shù)量稀少的情況下對(duì)高光譜圖像進(jìn)行分類檢測(cè)。本文利用高光譜成像技術(shù)采集含有蟲卵的，含有食心蟲幼蟲的，被啃食的及正常的大豆的高光譜圖像，并對(duì)采集得到的高光譜圖像采用黑白校正和Savitzky-Golay（SG）濾波算法預(yù)處理高光譜圖像的光譜信息，在采用主成分分析法（PCA）選取貢獻(xiàn)**的前9個(gè)特征波長(zhǎng)從而降低高光譜圖像的維度。通過使用CutMix數(shù)據(jù)增廣方法增加元訓(xùn)練集的數(shù)據(jù)，從而增加模型的先驗(yàn)知識(shí)，使得模型性能更優(yōu)。并將Gradual WarmUp 方法實(shí)踐于高光譜圖像分類領(lǐng)域，優(yōu)化了模型的學(xué)習(xí)率，使得模型更加的穩(wěn)定。最后建立模型無關(guān)元學(xué)習(xí)（MAML），匹配網(wǎng)絡(luò)元學(xué)習(xí)（MN），原型網(wǎng)絡(luò)元學(xué)習(xí)（PN）和本文提出的三維關(guān)系網(wǎng)絡(luò)元學(xué)習(xí)（3D-RN）四個(gè)小樣本元學(xué)習(xí)算法的大豆食心蟲蟲害程度檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明，3D-RN模型表現(xiàn)**，在學(xué)習(xí)率為0.01，元訓(xùn)練集個(gè)任務(wù)數(shù)據(jù)中各類的支撐集數(shù)據(jù)為5的情況下，準(zhǔn)確率可達(dá)82±2.50%。

（2）提出了基于 A-ResNet 元學(xué)習(xí)模型的大豆食心蟲蟲害高光譜檢測(cè)方法。實(shí)驗(yàn)利用高光譜成像系統(tǒng)采集正常的以及受大豆食心蟲侵害的大豆高光譜圖像，并使用黑白校正，SG平滑方法以及PCA方法預(yù)處理高光譜圖像，并提取圖像的感興趣區(qū)。采用CutMix等方法增加數(shù)據(jù)集樣本量。本文為了進(jìn)一步提高大豆食心蟲蟲害檢測(cè)模型的準(zhǔn)確率，針對(duì)3D-RN模型的弊端，本文提出了A-ResNet元學(xué)習(xí)模型，該模型將ResNet 網(wǎng)絡(luò)與Attention思想相結(jié)合，獲取更加能夠表述樣本的特征向量以此來提升模型性能。并舍棄了特征拼接的步驟，減少了模型的運(yùn)行時(shí)間，并且簡(jiǎn)化了分類模型，將分類模型設(shè)計(jì)為多分類支持向量機(jī)，來減少模型中出現(xiàn)的過擬合現(xiàn)象。實(shí)驗(yàn)將A-ResNet元學(xué)習(xí)模型的結(jié)果與MAML、MN、PN 和 3D-RN 模型進(jìn)行比較。實(shí)驗(yàn)表明，A-ResNet 元學(xué)習(xí)模型在5-shot 情況下的表現(xiàn)**，準(zhǔn)確率達(dá)到94.57±0.19%。