一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法

1.本发明属于植物科学研究领域，尤其涉及一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法。


背景技术：

2.植物叶片的光合作用、蒸腾作用等生物过程与叶片的生化参量如叶片叶绿素含量、水分含量有着密切联系。以罗勒叶片和辣椒叶片为例，罗勒是我国南方地区温室栽培较多的草本香料经济作物，其叶片可鲜食或晒干入药，罗勒叶片中叶绿素的含量直接影响罗勒的生长发育、营养水平和经济产量。辣椒属于浅根性植物，木栓化程度较高，不耐旱，严重的水分胁迫易对辣椒的生理机制造成重大的损害。植物叶片受到上述生化参量的影响，其对应的可见-近红外光谱也会表现出不同的响应特征。高光谱成像作为一种图谱合一的技术，可以同时获得图像上每个像素点的连续光谱信息和每个光谱波段的连续图像信息，其光谱维度由可见光到红外波长范围内的上百个连续波段组成，具有分辨率高、波段信息丰富、快速无损等诸多优势，已被广泛应用于植物表型研究领域。由于高光谱图像三维数据块存在光谱维度高、相邻波段信息冗余和标签样本有限等问题，而传统的高光谱图像分析过程较为繁琐、分析结果依赖于专家经验，因此我们需要建立一种高效的叶片高光谱图像分类和回归的方法，这为后续植物生化参数含量预测和胁迫诊断模型的建立奠定基础。
3.目前在植物科学研究领域，以卷积神经网络(cnn)为代表的深度学习模型越来越多地应用于高光谱图像的分析。cnn通过多层卷积和池化操作自主学习和提取数据的局部和全局特征。根据cnn的卷积核结构，可分为一维cnn(1d-cnn)，二维cnn(2d-cnn)和三维cnn(3d-cnn)。1d-cnn是当前应用最多的高光谱图像分析模型，基于一维光谱数据进行深度光谱特征的提取和建模，通常需要事先手动提取样本感兴趣区域(roi)的平均光谱或像素点光谱，已应用于棉花种子的分类，玉米植株低温胁迫的识别，玉米植株水分含量的预测，黑枸杞总花青素的定量，韭菜叶片杀虫剂残留的检测等。2d-cnn主要提取深度空间特征，可对原始或降维后的高光谱图像进行分析建模，已应用于苹果叶片状态分类，抗病水稻种子的识别，土豆植株冠层染病区域的识别，玉米种子活力的评估等。相比于1d-cnn和2d-cnn分别在光谱和空间维度上的特征学习，3d-cnn能端到端地提取深度光谱-空间联合特征，同时保持相邻光谱波段特征的信息连续性，尤其适用于具有空谱连续性的高光谱图像三维数据块的分析。
4.目前3d-cnn在植物科学领域的应用还较少，仅有在大豆茎杆病害检测和棉花叶片蚜虫检测的报道，这是由于植物研究中标签样本的获取难度大且耗费时间多，并且3d-cnn网络参数量大、计算复杂度高，对于植物研究中有限的标签训练样本易发生过拟合现象，泛化性能降低。因此，在植物科学研究领域，亟需探究一种针对叶片高光谱图像分类和回归的改进3d-cnn模型，在训练样本有限情况下降低模型计算复杂度，同时提高模型泛化性能。


技术实现要素：

5.本发明目的在于提供一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法,以解决上述的技术问题。
6.为解决上述技术问题，本发明的一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法的具体技术方案如下：
7.一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法，包括以下步骤：
8.s1：搭建高光谱成像系统；
9.s2：采集罗勒叶片和辣椒叶片样本的高光谱图像，并对图像预处理；
10.s3：将扩张卷积引入3d-cnn，在不增加网络参数和计算复杂度的同时扩大卷积核的感受野，并构建不同尺度的谱空特征提取结构，实现多尺度特征的融合，探究出最佳
11.多尺度3d-cnn网络结构；
12.s4：在s3所述的最佳多尺度3d-cnn网络后级联1d-cnn网络，以三维数据作为输入，在谱空联合特征提取的基础上学习更加抽象的光谱特征，并对提出的多尺度3d-1d-cnn网络进行最优框架探索；
13.s5：将s4所述的多尺度3d-1d-cnn网络的最优框架与基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn网络模型进行比较，验证所述方法的有效性。
14.进一步地，所述s1：搭建高光谱成像系统包括获取样本的高光谱图像，设置光谱波段范围以及空间分辨率，并对原始高光谱图像进行校正。
15.进一步地，所述高光谱成像系统包括snapscan vnir光谱相机、35mm镜头、150w的环形卤钨灯光源、图像采集软件和图像采集平台；所述光谱波段范围是470-900nm，共140个波段；所述snapscan vnir光谱相机采用内置扫描成像方式快速获取样本的高光谱图像，不需要相机或样本的相对位移，所述snapscan vnir光谱相机的最大空间分辨率为3650
×
2048，数据采集中的实际空间分辨率根据叶片样本尺寸调整；所述35mm镜头与样本的垂直距离为34.5cm，曝光时间设置为30ms；所述高光谱成像系统采集到的原始高光谱图像进行如下黑白校正，以计算样本的反射率，同时减小光照度和相机暗电流对不同样本谱图获取的影响：
[0016][0017]
其中r0和r分别为校正前和校正后的高光谱图像，w和d分别为白板参照图像和暗电流参照图像。
[0018]
进一步地，s2所述罗勒叶片，在人工led光照栽培下的甜罗勒实施3种不同的光强处理，在罗勒生长40天时开展数据采集，测定叶绿素相对值，采集高光谱图像540张；s2所述辣椒叶片，对栽培50天长势一致的健康辣椒植株实施两种水分处理，对照组样本正常灌溉，实验组样本实施五天持续性干旱，采集600张高光谱图像；
[0019]
高光谱图像和相应标签数据对是通过自定义python函数来进行读取。
[0020]
进一步地，s2所述图像预处理包括背景分割、噪音点去除、尺寸调整；
[0021]
所述背景分割方式为：采用叶片和背景光谱反射率差异最大的800nm近红外波段作为背景分割的阈值波段，阈值设为0.15；
[0022]
所述噪音点去除的方法为：利用opencv-python中的形态学变换，实现噪点去除；
[0023]
所述尺寸调整为：将空间维统一缩减为120
×
120。
[0024]
进一步地，s2包括将预处理后的图像划分为训练集、验证集和测试集，所述划分训练集、验证集和测试集的方式为随机抽取方式；罗勒叶片中随机抽取380个样本作为训练集，80个作为验证集，80个作为测试集；辣椒叶片中随机抽取400个样本作为训练集，100个作为验证集，100个作为测试集，并将数据集分成多个批次，批处理样本数设置为8。
[0025]
进一步地，s3所述构建不同尺度的谱空特征提取结构，是在网络的同一层并行嵌入标准3d卷积和扩张3d卷积，两种卷积核各占据50％的通道数，再将不同卷积核输出的特征图经过批归一化后在通道维度上进行拼接，并进行relu非线性激活。
[0026]
进一步地，s3所述扩张3d卷积通过在标准3d卷积所有行和列的相邻权值间插入d-1个权重为0的值实现，d为扩张因子，在不增加网络参数和不损失信息的同时扩大了卷积核的感受野；所述标准3d卷积的卷积核为3
×3×
3，d＝1，感受野为3
×3×
3；
[0027]
所述扩张3d卷积的卷积核为3
×3×
3，并且测试d分别为2、3、4的扩张3d卷积核结构，分别对应5
×5×
5、7
×7×
7、9
×9×
9的感受野，不同感受野的卷积核能够提取特征图中不同尺度的谱空特征；
[0028]
所述最佳多尺度3d-cnn网络结构为拼接d＝2的3
×3×
3扩张3d卷积核的模型。进一步地，所述s4在最佳多尺度3d-cnn网络后级联1d-cnn网络，是在多尺度3dresnet-18网络的不同位点处进行3d-cnn转1d-cnn的模型性能测试，得到的最佳多尺度3d-1d-cnn模型；
[0029]
最佳多尺度3d-cnn网络级联1d-cnn网络的基本组成单元包括卷积层、批归一化层、relu非线性激活层、均值池化层和全连接层，从输入层到输出层，整个网络分为3d-cnn、3d-cnn转1d-cnn、1d-cnn阶段；
[0030]
所述3d-cnn阶段，将预处理后的维度为120
×
120
×
140的高光谱图像立方体数据块作为输入，首先采用步长为2,2,1的3
×3×
3卷积核提取局部光谱-空间特征，产生64通道三维光谱图像，再输入连续的最佳多尺度3d-cnn网络，实现不同尺度的谱空特征提取和融合；
[0031]
所述3d-cnn转1d-cnn阶段，经测试，在多尺度3d resnet-18网络中的位点
⑦
转换效果最佳，对3d-cnn输出的通道数
×
空间高度
×
空间宽度
×
波段数：256
×
15
×
15
×
35的三维特征图采用15
×
15
×
1的3d卷积核转换为尺寸为35的一维特征；
[0032]
所述1d-cnn阶段，采用连续的尺寸为3的一维卷积核提取深度光谱特征，得到512
×
17的一维特征，再基于均值池化对提取的高级抽象特征进行压缩和聚合，得到表示能力更强的特征，维度为512
×
1，最后通过全连接层输出模型预测值，与未级联1d-cnn的最佳多尺度3d-cnn网络相比，该模型的参数量下降约35.83％。
[0033]
进一步地，s5所述基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn包括卷积层、批归一化层、relu非线性激活层、均值池化层和全连接层；
[0034]
所述基准1d-cnn是基于残差网络框架resnet的一维卷积神经网络，在光谱维度上进行特征提取；
[0035]
所述基准2d-cnn是基于resnet的二维卷积神经网络，在空间维度上进行特征提取；所述基准3d-cnn是基于resnet的三维卷积神经网络，在光谱 空间上维度进行联合特征提取；
[0036]
所述多尺度3d-cnn是s3中的最佳多尺度3d-cnn网络，能够获取不同尺度的谱空特征；
[0037][0038]
模型训练均采用从头训练from scratch的方式，初始网络权重来源于随机初始化数值；
[0039]
回归模型的损失函数为均方误差，分类模型的损失函数为交叉熵；
[0040]
模型采用梯度下降法优化，动量设为0.9，初始学习率变动于{1
×
10-2
,1
×
10-3
,1
×
10-4
,1
×
10-5
}，每训练30个轮次学习率下降一个数量级，总的训练轮次为80；
[0041]
回归模型性能的评估指标为决定系数r2和均方根误差rmse；
[0042]
分类模型的评估指标为f1-score和准确率。
[0043]
本发明的一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法具有以下优点：
[0044]
(1)本发明针对1d-cnn和2d-cnn网络模型无法提取植物叶片高光谱图像上光谱-空间联合特征的问题，提出融合扩张卷积的多尺度3d-cnn网络框架，有利于提取植物叶片中的多尺度光谱-空间联合特征，在不增加网络参数和计算复杂度的情况下进一步提升了3d-cnn模型性能；
[0045]
(2)本发明针对3d-cnn网络计算复杂度高、有限样本情况下易发生过拟合以及模型泛化性能低的问题，探寻出在多尺度3d-cnn后级联1d-cnn的最优网络结构，进一步降低单纯三维卷积的网络参数量、模型计算复杂度和过拟合程度，提升模型泛化性能；
[0046]
(3)本发明提出的一种针对叶片高光谱图像分类和回归的多尺度级联卷积神经网络模型方法，有助于叶片高光谱图像的分类和回归，也可为农业信息化技术领域内的其他图像分类回归方法提供新思路和技术协助。
附图说明
[0047]
图1为基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法流程图；
[0048]
图2为融合标准和扩张3d卷积的多尺度谱空联合特征提取模块示意图；
[0049]
图3为高光谱图像端到端建模的最优多尺度3d-1d-cnn网络整体框架图；
[0050]
图4为罗勒叶片样本spad值定量的多尺度3d-1d-cnn模型性能比较示意图；
[0051]
图5为辣椒叶片样本干旱胁迫识别的多尺度3d-1d-cnn模型性能比较示意图；
[0052]
图6为未级联1d-cnn的多尺度3d-cnn网络整体框架图；
[0053]
图7为罗勒叶片样本spad值定量的基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn、多尺度3d-1d-cnn的模型预测效果对比图；
[0054]
图8为辣椒叶片样本干旱胁迫识别的基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn、多尺度3d-1d-cnn的模型预测效果对比图。
具体实施方式
[0055]
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法做进一步详细的描述。
[0056]
本发明首先，在3d-cnn中，嵌入扩张卷积构建了不同尺度的谱空特征提取结构，实
现多尺度特征的融合，在不增加网络参数和计算复杂度的情况下进一步提升3d-cnn模型性能；
[0057]
其次，基于所述多尺度3d-cnn，设计一种高效的多尺度3d-1d-cnn网络结构，即在3d-cnn后级联1d-cnn以进一步提取高级抽象光谱特征，并对提出的多尺度3d-1d-cnn网络进行最优框架探索，以降低单纯三维卷积的计算复杂度和过拟合程度；
[0058]
最后，在两个样本有限的设施作物叶片数据集上，将所提出的多尺度3d-1d-cnn网络模型与基准1d-cnn、基准2d-cnn、基准3d-cnn及多尺度3d-cnn模型进行比较，以验证所提方法的有效性。
[0059]
如图1所示，本发明的一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法，具体包括以下步骤：
[0060]
s1：搭建可见-近红外高光谱成像系统，获取样本的高光谱图像，设置光谱波段范围以及空间分辨率，并对原始高光谱图像进行校正。
[0061]
可见-近红外高光谱成像系统由snapscan vnir光谱相机(imec,leuven,belgium)、35mm镜头、150w的环形卤钨灯光源、图像采集软件(hsimager)、图像采集平台等组成；s1所述的光谱波段范围是470-900nm，共140个波段；s1所述光谱相机，采用内置扫描成像方式快速获取样本的高光谱图像，不需要相机或样本的相对位移，避免了光谱图像空间形变问题；s1所述光谱相机的最大空间分辨率为3650
×
2048，数据采集中的实际空间分辨率根据叶片样本尺寸调整；s1所述35mm镜头与样本的垂直距离为34.5cm，曝光时间设置为30ms；s1所述的高光谱成像系统采集到的原始高光谱图像进行如下黑白校正，以计算样本的反射率，同时减小光照度和相机暗电流对不同样本谱图获取的影响：
[0062][0063]
其中r0和r分别为校正前和校正后的高光谱图像，w和d分别为白板参照图像(漫反射率接近100％)和暗电流参照图像。
[0064]
s2：采集罗勒叶片和辣椒叶片样本的高光谱图像，并对图像预处理，将所有图像划分为训练集、验证集和测试集；所述图像预处理包括图像背景分割、噪音点去除、尺寸调整。
[0065]
罗勒叶片，在人工led光照条件下的甜罗勒实施3种不同的光强处理，光强分别为200
±
5、135
±
4、70
±
5μmol m-2
s-1
，红蓝光质比均为3:1，光周期均为16小时/天，每个实验组栽培40盆，每盆栽种1株，共120株罗勒。不同实验组除光强不同外，均正常水、肥、气、热、病、虫、草管理。在罗勒生长40天时开展数据采集，对每个叶片用spad-502叶绿素仪(minolta camera co.,osaka,japan)测定spad值，沿中叶脉的左侧和右侧分别测定3次，取6次测定的均值作为该样本的叶绿素相对值，采集高光谱图像540张，每个叶片样本高光谱图像的维度为600
×
800
×
140；
[0066]
辣椒叶片，对栽培50天长势一致的健康辣椒植株实施两种水分处理，对照组样本正常灌溉，对照组样本正常灌溉(滴灌600ml/天)，实验组样本实施5天持续性干旱(滴灌50ml/天)，滴灌时间为每天17：00点。每组有10盆，每盆栽种2株，共40株辣椒。不同实验组除水分施加不同外，均正常肥、气、热、光、病、虫、草管理。从每组中收集300个叶片样本，总共600张采集高光谱图像，每个叶片样本高光谱图像的维度120
×
200
×
140；
[0067]
高光谱图像和相应标签数据对是通过自定义python来进行读取；
[0068]
图像背景分割方式为：采用叶片和背景光谱反射率差异最大的800nm近红外波段作为背景分割的阈值波段，阈值设为0.15；
[0069]
噪音点去除的方式为：利用opencv-python中的形态学变换，实现噪点去除；
[0070]
尺寸调整：将空间维统一缩减为120
×
120；
[0071]
图像划分训练集、验证集和测试集的方式为随机抽取方式；罗勒叶片中随机抽取380个样本作为训练集，80个作为验证集，80个作为测试集；辣椒叶片中随机抽取400个样本作为训练集，100个作为验证集，100个作为测试集，并将所述数据集分成多个批次，批处理样本数设置为8。
[0072]
s3：将扩张卷积引入3d-cnn，在不增加网络参数和计算复杂度的同时扩大卷积核的感受野，并构建不同尺度的谱空特征提取结构，实现多尺度特征的融合，探究出最佳多尺度3d-cnn网络结构，以提升3d-cnn模型性能；
[0073]
3d-cnn能端到端地提取连续的局部光谱-空间联合特征，第i层的第j个特征在坐标x,y,z处的特征值可表示为：
[0074][0075]
式中：pi、qi和ri为第i层三维卷积核的大小，为第(i-1)层的第k个特征在(x p)(y q)(z r)位置的特征值，为对(i-1)层的第k个特征进行卷积操作的卷积核；m为(i-1)层特征的个数，b
ij
为偏置，δ表示激活函数。
[0076]
构建不同尺度的谱空特征提取结构，是在网络的同一层并行嵌入标准3d卷积和扩张3d卷积，两种卷积核各占据50％的通道数，再将不同卷积核输出的特征图经过批归一化后在通道维度上进行拼接，并进行relu非线性激活，实现不同尺度的谱空特征提取和融合，其框架如图2所示；
[0077]
扩张3d卷积通过在标准3d卷积所有行和列的相邻权值间插入d-1个权重为0的值实现，d为扩张因子，在不增加网络参数和不损失信息的同时扩大了卷积核的感受野；
[0078]
标准3d卷积的卷积核为3
×3×
3，d＝1，感受野为3
×3×
3；
[0079]
扩张3d卷积的卷积核为3
×3×
3，并且测试d分别为2、3、4的扩张3d卷积核结构，分别对应5
×5×
5、7
×7×
7、9
×9×
9的感受野，不同感受野的卷积核能够提取特征图中不同尺度的谱空特征；
[0080]
最佳多尺度3d-cnn网络结构，是将预处理后的维度为120
×
120
×
140的高光谱图像立方体数据块作为输入，首先采用步长为2,2,1的3
×3×
3卷积核提取局部光谱-空间特征，产生64通道三维光谱图像，再输入连续的多尺度谱空联合特征提取模块；
[0081]
经表1和表2的结果表示，拼接d＝2的3
×3×
3扩张3d卷积核时，所述多尺度3d-cnn的模型性能相较于其他类型效果更佳。
[0082]
表1罗勒叶片样本spad值定量的多尺度3d-cnn模型性能比较
[0083][0084]
表2辣椒叶片样本干旱胁迫识别的多尺度3d-cnn模型性能比较
[0085][0086][0087]
s4：在最佳多尺度3d-cnn后级联1d-cnn，以三维数据作为输入，在谱空联合特征提取的基础上学习更加抽象的光谱特征，并对提出的多尺度3d-1d-cnn网络进行最优框架探索，以降低网络参数量、模型计算复杂度及过拟合程度，提升模型泛化性能。
[0088]
多尺度3d-1d-cnn网络，是在多尺度3d resnet-18网络的不同位点(
①‑⑩
)处进行3d-cnn转1d-cnn的模型性能测试，得到的最佳多尺度3d-1d-cnn模型，如图3所示；
[0089]
多尺度3d-cnn级联1d-cnn网络的基本组成单元包括卷积层、批归一化层、relu非线性激活层、均值池化层和全连接层。从输入层到输出层，整个网络分为3d-cnn、3d-cnn转1d-cnn、1d-cnn阶段；
[0090]
3d-cnn阶段，将预处理后的维度为120
×
120
×
140的高光谱图像立方体数据块作为输入，首先采用步长为2,2,1的3
×3×
3卷积核提取局部光谱-空间特征，产生64通道三维光谱图像，再输入连续的多尺度3d-cnn模块，实现不同尺度的谱空特征提取和融合；如图3所示，连续的多尺度3d-cnn模块有10层，输出通道数分别为64、64、64、64、128、128、128、128、256、256，每一层的输出通道数为下一层的输入通道数；
[0091]
3d-cnn转1d-cnn阶段，图4和图5表示在多尺度3d resnet-18网络中的位点
⑦
转换，测试集效果最佳。可以看出，刚开始随着多尺度3d卷积层的增多，两个数据集的模型训练复杂度虽然均上升，但模型预测性能均显著升高，说明在输入三维数据块上进行多尺度谱空特征提取有助于模型学习到越来越丰富的信息，但是多尺度3d卷积层增多到位点
⑦
时，模型复杂度继续上升，预测泛化性能反而开始下降，且出现了过拟合现象，主要是由于模型参数过多而样本数据集有限导致。因此在位点
⑦
，对3d-cnn输出的256
×
15
×
15
×
35(通道数
×
空间高度
×
空间宽度
×
波段数)的三维特征图采用15
×
15
×
1的3d卷积核转换为尺寸为35的一维特征。
[0092]
1d-cnn阶段，采用连续的尺寸为3的一维卷积核提取深度光谱特征，得到512
×
17的一维特征，再基于均值池化对提取的高级抽象特征进行压缩和聚合，得到表示能力更强的特征，维度为512
×
1，最后通过全连接层输出模型预测值；
[0093]
多尺度3d-cnn级联1d-cnn的网络结构(图3)与未级联1d-cnn的多尺度3d-cnn网络(图6)相比，该模型的参数量下降约35.83％。
[0094]
s5：将s4所述多尺度3d-1d-cnn的最优网络框架与基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn网络模型进行比较，以验证所提方法的有效性。
[0095]
作为优选，s5所述基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn主要包括卷积层、批归一化层、relu非线性激活层、均值池化层和全连接层；
[0096]
基准1d-cnn是基于残差网络框架(resnet)的一维卷积神经网络，在光谱维度上进行特征提取；
[0097]
基准2d-cnn是基于resnet的二维卷积神经网络，在空间维度上进行特征提取；
[0098]
基准3d-cnn是基于resnet的三维卷积神经网络，在光谱 空间上维度进行联合特征提取；
[0099]
多尺度3d-cnn是s3中的最佳多尺度3d-cnn网络，能够获取不同尺度的谱空特征，避免单一尺度下特征信息的不完整表达；
[0100]
模型训练均采用从头训练(from scratch)的方式，初始网络权重来源于随机初始化数值；
[0101]
回归模型的损失函数为均方误差，分类模型的损失函数为交叉熵；
[0102]
模型采用梯度下降法优化，动量设为0.9，初始学习率变动于{1
×
10-2
,1
×
10-3
,1
×
10-4
,1
×
10-5
}，每训练30个轮次学习率下降一个数量级，总的训练轮次为80；
[0103]
回归模型性能的评估指标为决定系数(r2)和均方根误差(rmse)；
[0104]
分类模型的评估指标为f1-score和准确率。
[0105]
相比于多尺度3d-cnn，本文提出的多尺度3d-1d-cnn最佳框架在小样本条件下不仅提升了模型性能，还明显降低了计算复杂度，如表3和表4所示：
[0106]
表3罗勒叶片样本spad值定量的多尺度3d-1d-cnn模型性能比较
[0107][0108]
表4辣椒叶片样本干旱胁迫识别的多尺度3d-1d-cnn模型性能比较
[0109]
[0110][0111]
图7、图8直观地展示了两个叶片数据集上基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn、多尺度3d-1d-cnn模型预测效果对比：
[0112]
基准1d-cnn模型在数据输入层就损失了大量的谱空信息，导致模型学习不充分，即欠拟合；
[0113]
基准2d-cnn模型简化了数据预处理过程，提升了高光谱图像分析流程的自动化程度，但2d-cnn仅聚焦于空间特征的提取；
[0114]
基准3d-cnn模型在光谱 空间维度的联合特征提取能获取更加有效和细致的局部抽象特征，同时保留光谱特征的信息连续性，充分适用于三维高光谱图像块本身的数据特点，但是3d-cnn模型参数量大、计算复杂度高；
[0115]
多尺度3d-cnn模型在整体上能提升模型预测效果，且不增加模型的参数量和计算复杂度，但数据集上出现了测试集结果明显低于验证集结果的现象，即过拟合程度高；
[0116]
可以看出，相比于基准1d-cnn、基准2d-cnn、基准3d-cnn、多尺度3d-cnn，本文所提出的多尺度3d-1d-cnn模型在回归测试集的r2有22.46％、8.15％、4.30％和2％的提升，在分类测试集的准确率有28.56％、16.59％、8.49％和4.13％的提升，证明了所设计网络模型在小样本条件下的有效性，能够降低单纯三维卷积的网络参数量、模型计算复杂度和过拟合程度，提升模型泛化性能。
[0117]
综上所述，本发明技术效果显著，对叶片高光谱图像分类和回归方法的发展有较好的技术贡献，在植物科学研究领域应用前景广阔，经济效益可观。
[0118]
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。