一种高光谱图像重构方法以及种子活力检测方法与流程

本发明涉及图像处理，尤其涉及一种高光谱图像重构方法以及种子活力检测方法。

背景技术：

1、种子活力反映种子萌发的潜在能力、幼苗的整齐程度以及植株的生长状况。高活力的种子表现出优异的抗逆性、高发芽率和较快的出苗速度等特征，从而对作物产量产生巨大的影响。常见的种子活力检测方法有基于光学特征、基于生理生化特征、基于外观特征等方法。

2、基于光学特征的方法，主要是利用光照射种子产生的表面反射和本体反射等能量形式转移这一特性。不同活力的种子受到不同强度和密度的照射光的影响，因此在经过辐射作用后展现出不同的特征。通过利用种子对光的吸收特性，可以建立种子的光学特性与内部活力指标之间的关联，进而判别种子的活力值。基于光学特性的种子活力无损检测主要有近红外光谱检测技术、高光谱成像技术等相关方法。对于光学特征的方法，需要考虑种子表面的复杂纹理和结构对光学特征分析的影响，导致分析过程相对复杂，同时，成本昂贵的设备和技术要求限制了这些方法在某些场景中的应用。

3、基于生理生化特性的种子质量检测方法，主要依赖于种子内部的生物化学组成和生理活性。其中，电子鼻检测技术利用种子存储过程中释放的微量羰基化合物和其他气体，通过电子鼻系统模拟人类嗅觉系统的工作原理，快速识别这些气味，从而评估种子的活力。电导法检测技术则基于种子在吸水膨胀初期细胞膜的重建速度和电解质渗出程度来判断种子的活力水平，电导率越低则种子的活力越高。而h2o2流速检测技术则通过测定种子表面的h2o2流速来评估种子的活力，利用h2o2作为植物内部信号分子的特性，以反映种子的生理活性水平。对于生理生化特性的方法，通常需要对种子内部的生物化学成分和生理活性进行复杂的分析和解释，因此实验条件和技术支持的要求较高。此外，部分检测方法可能需要较长的实验时间和复杂的数据处理过程，这限制了它们在快速检测和大规模应用方面的效用。

4、基于外观特征的种子质量检测方法，是通过对种子外表面的形态、颜色、大小等特征进行分析和比较，以评估种子的质量和活力。这种方法利用机器视觉技术对种子外观进行图像采集和处理，借助图像处理算法和模式识别技术来区分不同质量等级的种子。对于外观特征的方法，复杂的图像处理算法可能影响种子外观特征分析的准确性和速度，尤其是处理大量数据时可能会面临效率不高的挑战。

技术实现思路

1、鉴于以上现有技术的缺陷，本发明提供一种高光谱图像重构方法以及种子活力检测方法，以解决成本高、效率低、准确率低的技术问题。

2、为实现上述目的及其它相关目的，本发明提供了一种高光谱图像重构方法，包括如下步骤：获取待测物的rgb图像和红外图像；输入rgb图像和红外图像至高光谱图像重构网络的浅层特征提取模块中，将两个图像进行维度匹配和拼接，并提取拼接后图像的浅层特征xs；输入浅层特征xs至高光谱图像重构网络的深层特征提取模块中，以提取深层特征xd，深层特征提取模块由多个级联的轻量级膨胀模块组成；将浅层特征xs和深层特征xd相加后输入至高光谱图像重构网络的图像重构模块中，得到重构后的高光谱图像。

3、于本发明一实施例中，输入rgb图像和红外图像至高光谱图像重构网络的浅层特征提取模块中，将两个图像进行维度匹配和拼接，并提取拼接后图像的浅层特征xs的步骤包括：利用两个1*1的卷积层分别对rgb图像和红外图像进行维度匹配；将进行维度匹配后的两个特征在通道维度进行拼接；利用一个3*3的卷积层提取拼接后的特征，以得到浅层特征xs。

4、于本发明一实施例中，深层特征提取模块由8个级联的轻量级膨胀模块组成。

5、于本发明一实施例中，轻量级膨胀模块包括：局部特征提取模块，用于在特定的感知野范围内捕捉其输入特征的局部和全局信息得到第一特征，并将输入特征和第一特征相加后得到特征xtop；以及分组交叉自注意力模块，通过局部感知机制捕捉特征xtop不同尺度的信息得到特征xbottom，并将特征xtop和特征xbottom相加后得到轻量级膨胀模块的输出xeldb。

6、于本发明一实施例中，局部特征提取模块包括两个级联的dwb模块，两个dwb模块之间通过激活函数连接；dwb模块由三个卷积核为3×3的深度可分离卷积层级联而成，三个深度可分离卷积层的膨胀率分别为1、2、3。

7、于本发明一实施例中，分组交叉自注意力模块由bn层和gcsa模块级联而成，gcsa模块对bn层输出的特征作如下处理：将bn层输出的特征分为三个独立的组；针对每个组的特征，采用不同大小的滑动窗口选择区域去进行self-attention计算得到相应的sa输出；将每个组的sa输出在通道维度进行拼接；采用卷积核为1×1的卷积层对拼接后的特征进行降维得到第二特征；将第二特征与bn层输出的特征相加后得到特征xbottom。

8、于本发明一实施例中，滑动窗口的步长为滑动窗口大小的一半。

9、于本发明一实施例中，图像重构模块为一个卷积核为3×3的卷积层。

10、为实现上述目的及其它相关目的，本发明还提供了一种种子活力检测方法，包括如下步骤：利用如上的高光谱图像重构方法获得待测种子重构后的高光谱图像；输入重构后的高光谱图像至densenet分类网络，得到种子的分类结果，分类结果包括有活力和无活力。

11、于本发明一实施例中，densenet分类网络包括依次连接的：第一卷积层；第一密集块；第一过渡层；第二密集块；第二过渡层；第三密集块；全局平均池化层，用于将第三密集块的输出转化为一个固定大小的特征向量；以及全连接层，全连接层的输入为特征向量，全连接层的输出为分类结果；其中，第一密集块、第二密集块、第三密集块均由多个密集连接的卷积层组成，且每个卷积层的输出都包括前面所有卷积层的输出；第一过渡层、第二过渡层均由一个卷积层和一个平均池化层组成。

12、本发明的有益效果：本发明提出的一种高光谱图像重构方法以及种子活力检测方法，该高光谱图像重构方法通过对rgb图像和红外图像进行重构，得到高质量的高光谱图像，ccd相机和红外相机的成本远小于高光谱成像仪，并且体积更小、便于携带，重构得到的高质量高光谱图像可以很好的用于种子活力的检测。

技术特征：

1.一种高光谱图像重构方法，其特征在于，包括如下步骤：

2.根据权利要求1的高光谱图像重构方法，其特征在于，输入rgb图像和红外图像至高光谱图像重构网络的浅层特征提取模块中，将两个图像进行维度匹配和拼接，并提取拼接后图像的浅层特征xs的步骤包括：

3.根据权利要求1的高光谱图像重构方法，其特征在于，深层特征提取模块由8个级联的轻量级膨胀模块组成。

4.根据权利要求3的高光谱图像重构方法，其特征在于，轻量级膨胀模块包括：

5.根据权利要求4的高光谱图像重构方法，其特征在于，局部特征提取模块包括两个级联的dwb模块，两个dwb模块之间通过激活函数连接；dwb模块由三个卷积核为3×3的深度可分离卷积层级联而成，三个深度可分离卷积层的膨胀率分别为1、2、3。

6.根据权利要求4的高光谱图像重构方法，其特征在于，分组交叉自注意力模块由bn层和gcsa模块级联而成，gcsa模块对bn层输出的特征作如下处理：

7.根据权利要求6的高光谱图像重构方法，其特征在于，滑动窗口的步长为滑动窗口大小的一半。

8.根据权利要求1的高光谱图像重构方法，其特征在于，图像重构模块为一个卷积核为3×3的卷积层。

9.一种种子活力检测方法，其特征在于，包括如下步骤：

10.根据权利要求9的种子活力检测方法，其特征在于，densenet分类网络包括依次连接的：

技术总结
本发明提供一种高光谱图像重构方法以及种子活力检测方法，其中一种高光谱图像重构方法，包括如下步骤：获取待测物的RGB图像和红外图像；利用高光谱图像重构网络的浅层特征提取模块中，将两个图像进行维度匹配和拼接，并提取拼接后图像的浅层特征；输入浅层特征至高光谱图像重构网络的深层特征提取模块中，以提取深层特征；将浅层特征和深层特征相加后输入至高光谱图像重构网络的图像重构模块中，得到重构后的高光谱图像。该高光谱图像重构方法通过对RGB图像和红外图像进行重构，得到高质量的高光谱图像，CCD相机和红外相机的成本远小于高光谱成像仪，并且体积更小、便于携带，重构得到的高质量高光谱图像可以很好的用于种子活力的检测。

技术研发人员：郑守国,郭超辉,王海燕,朱恭钦,邱梦情
受保护的技术使用者：安徽工业技术创新研究院
技术研发日：
技术公布日：2024/3/17