一种茶树品种高光谱跨季节自适应校准识别方法及系统

摘要: 本发明涉及茶树高光谱无损检测、农业表型识别和光谱模型跨域部署,具体涉及一种利用固定目标季节验证集、嵌套目标季节校准预算以及叶片身份安全的数据划分方式,实现茶树品...
一种茶树品种高光谱跨季节自适应校准识别方法及系统

本发明涉及茶树高光谱无损检测、农业表型识别和光谱模型跨域部署,具体涉及一种利用固定目标季节验证集、嵌套目标季节校准预算以及叶片身份安全的数据划分方式,实现茶树品种高光谱模型跨季节自适应校准和识别的方法及系统。

背景技术:

1、茶树品种识别是种质资源管理、育种材料核验、苗木追溯和生产过程质量控制的重要环节。高光谱成像能够同时获取茶树叶片在可见光和近红外波段的连续反射信息,为茶树品种的快速、无损识别提供了技术基础。现有方法通常采集不同茶树品种的光谱数据,通过随机划分训练集和测试集训练分类模型,并以随机划分条件下的识别性能评价模型。

2、茶树叶片光谱除包含品种相关信息外,还受采集季节、叶片成熟度、温度、光照历史、水分状态以及仪器工作状态影响。当训练数据和测试数据来自相同季节混合分布时,随机划分能够使相同季节状态同时进入训练集和测试集,所得识别性能主要反映已采样分布内的插值能力。当模型部署至训练阶段未包含的新季节时,光谱分布和品种类别边界可能发生变化,造成识别性能明显下降。

3、部分现有技术通过增加神经网络容量、使用无标签域适配或选择少量波段提高模型性能,但增加模型容量不能保证形成跨季节稳定的类别边界;无标签全局分布对齐难以保证不同茶树品种在目标季节中的条件分布同时对齐;固定比例的目标季节校准又无法反映不同季节样本规模、品种覆盖和叶片成熟度构成的差异。

4、此外,一片茶树叶片通常能够提取多个感兴趣区域光谱。如果将同一叶片的多个光谱记录分别划入训练、校准和验证数据,会造成同源记录泄漏,进而高估模型的跨季节部署能力。不同校准预算若使用不断变化的验证叶片,也无法判断性能变化是由新增校准叶片还是由验证集变化引起。

5、因此,需要一种面向高光谱识别设备实际部署的技术方案,在保持叶片身份独立和目标季节验证集固定的条件下,逐级增加目标季节已知品种参考叶片,量化每一级校准预算带来的性能增益,并自动确定满足目标识别要求的最小有效校准预算,以降低目标季节标注和采集成本。

技术实现思路

1、本发明的目的在于提供一种茶树品种高光谱跨季节自适应校准识别方法及系统,以解决现有高光谱茶树品种识别模型在新季节部署时性能下降、目标季节校准样本数量缺乏确定依据以及同一叶片多条光谱记录可能造成数据泄漏的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种茶树品种高光谱跨季节自适应校准识别方法,包括:

4、s1,采集源季节已知品种参考叶片、目标季节已知品种参考叶片以及待识别茶树叶片的高光谱图像,为每片叶片建立唯一标识,进行辐射校正并提取关联的感兴趣区域光谱;

5、s2,以叶片为独立数据单元,将源季节已知品种参考叶片构成源域训练数据,将目标季节已知品种参考叶片划分为目标域固定验证集和目标域校准候选集;

6、s3,利用源域训练数据拟合光谱预处理参数并训练源域茶树品种识别模型,在固定验证集上获得基线识别性能;

7、s4,按品种分层并按递增校准预算从校准候选集中依次选取叶片,形成逐级包含的嵌套校准子集;

8、s5,将各嵌套校准子集分别与源域训练数据组合更新源域茶树品种识别模型,得到目标季节品种识别模型,并在同一固定验证集上计算目标季节识别性能、校准增益和边际增益;

9、s6,根据目标季节识别性能、校准增益、边际增益及品种覆盖状态确定最小有效校准预算,并锁定对应的光谱预处理参数和目标季节品种识别模型;

10、s7,将待识别叶片的感兴趣区域光谱输入目标季节品种识别模型,聚合得到叶片级预测结果,输出茶树品种标签及预测置信度,并在满足预设复核条件时输出复核提示。

11、进一步地,所述s1中采集的高光谱图像覆盖400nm至1000nm波长范围;所述辐射校正采用暗参考图像和白参考图像对原始图像进行校正,将原始图像的像素值转换为校正反射率数据;每片叶片提取至少两个互不重叠的感兴趣区域光谱,并保留感兴趣区域光谱与唯一叶片标识之间的对应关系。

12、进一步地,所述s2中,同一叶片对应的全部感兴趣区域光谱仅分配至同一数据角色;目标域固定验证集与目标域校准候选集之间不存在叶片标识交叉;所述目标域固定验证集在不同校准预算、不同模型类型和不同波段表示之间保持相同的叶片组成。

13、进一步地,所述s3中的光谱预处理包括标准正态变量归一化和一阶导数变换;对于需要通过样本数据确定的光谱缩放参数、降维参数、特征选择规则及模型超参数,仅基于源域训练数据,或者源域训练数据与当前目标域嵌套校准子集的组合数据进行拟合、筛选或调优;所得参数应用于目标域固定验证集和目标季节待识别茶树叶片。

14、进一步地,所述s4中的固定分层顺序按照茶树品种进行分层,并在样本条件允许时约束不同叶片成熟度的分布;多个目标域嵌套校准子集对应至少两个递增的校准预算,所述校准预算以目标季节参考叶片总数的比例和/或绝对叶片数量表示,并记录各校准预算对应的绝对叶片数量和品种覆盖数量。

15、进一步地,所述s5中,校准预算b对应的校准增益g(b)为该校准预算下的目标季节识别性能f(b)与基线识别性能f(0)之差:

16、

17、相邻校准预算之间的边际增益m(b)为当前校准预算下的目标季节识别性能f(b)与前一校准预算下的目标季节识别性能之差:

18、

19、所述目标季节识别性能包括叶片级宏平均f1值、准确率、cohen κ系数、品种级f1值中的一种或多种。

20、进一步地,所述s6中最小有效校准预算满足以下条件中的至少两项:

21、a,目标季节识别性能达到预设性能阈值;

22、b,目标域嵌套校准子集的品种覆盖数量达到预设覆盖阈值;

23、c,当前校准预算的边际增益小于预设增益阈值;

24、d,连续两个校准预算的目标季节识别性能未发生超过预设波动阈值的下降;

25、当不存在同时满足四项条件中至少两项的校准预算时,输出增加目标季节已知品种参考叶片数量或重新采集高光谱图像的提示。

26、进一步地,所述源域茶树品种识别模型和目标季节品种识别模型为线性支持向量机、随机森林、多层感知机、一维卷积神经网络、光谱transformer中的一种;所述s7中的叶片级预测结果通过对同一叶片的多个感兴趣区域级预测结果进行多数投票获得;当出现票数相同时,根据各感兴趣区域对相应茶树品种的平均类别概率确定叶片级预测结果。

27、本发明还提供一种茶树品种高光谱跨季节自适应校准识别系统,用于实现如上所述的方法,包括:

28、高光谱采集模块,用于采集源季节参考叶片、目标季节参考叶片以及待识别茶树叶片的高光谱图像;

29、叶片身份与数据角色管理模块,用于为每片叶片建立唯一叶片标识,并控制同一叶片的全部感兴趣区域光谱仅处于源域训练、目标域固定验证、目标域校准、目标季节待识别中的一个数据角色;

30、预处理与源模型训练模块,用于利用源域训练数据拟合光谱预处理参数,训练源域品种识别模型,并获得无目标季节校准条件下的基线识别性能;

31、固定验证与嵌套校准模块,用于建立目标域固定验证集、目标域校准候选集以及按照递增校准预算逐级包含的多个目标域嵌套校准子集;

32、模型更新与预算判定模块,用于在不同校准预算下更新源域茶树品种识别模型,计算目标季节识别性能、校准增益和边际增益,并根据所述目标季节识别性能、校准增益、边际增益和品种覆盖状态确定最小有效校准预算;

33、识别输出模块,用于利用所述最小有效校准预算对应的目标季节茶树品种识别模型,对目标季节待识别茶树叶片进行叶片级品种识别,并输出茶树品种标签及预测置信度,并在满足预设复核条件时输出复核提示。

34、与现有技术相比,本发明的有益效果为:

35、第1,本发明以叶片而不是单条感兴趣区域光谱作为独立数据单元,能够避免同一叶片的关联光谱跨越训练、校准和验证角色,降低由同源记录泄漏导致的性能高估;

36、第2,本发明在不同校准预算下保持目标季节固定验证集不变,并采用严格嵌套的目标季节校准子集,使相邻预算间的性能变化能够对应于新增目标季节参考叶片;

37、第3,本发明同时利用目标季节识别性能、校准增益、边际增益和品种覆盖状态确定最小有效校准预算,能够将跨季节识别精度与目标季节参考叶片采集成本联系起来;

38、第4,本发明将高光谱采集、光谱预处理、目标季节模型更新和叶片级识别输出形成连续设备处理流程,算法特征与茶树叶片高光谱数据采集和识别设备功能相互配合;

39、第5,本发明能够兼容线性分类模型、卷积神经网络和光谱transformer,并可根据目标季节校准后的性能选择全波段或减波段部署表示。