买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于增量式学习的高光谱的杆状物识别方法，属于高光谱成像与深度学习领域。根据高光谱图像与类别标签，先通过神经网络对各个类别进行计算，得出不同类别物质的置信水平和特征信息，计算出物质的特征中心，向训练好的神经网络模型中输入新的光谱数据，根据特征信息与各类物质的特征中心的距离，确定未知物质的类别是已知还是未知类别，最后通过增量式学习的方式更新物体的特征中心以及创建新的类别，提高网络对于未知杆状物的识别精度和训练效率。本发明将卷积神经网络的卷积层输出作为特征信息，将全连接层的输出作为置信水平，确定了物体的特征中心，为后续的识别和学习提供了标准，提高了基于深度学习的光谱图像识别的精度。

主权项：1.一种基于增量式学习的高光谱的杆状物识别方法，其特征在于，根据高光谱图像与类别标签，先通过神经网络对各个类别进行计算，得出不同类别物质的置信水平和特征信息，通过其置信水平和特征信息计算出物质的特征中心；向训练好的神经网络模型中输入新的光谱数据，根据特征信息与各类物质的特征中心的距离，来确定未知物质的类别是已知还是未知类别；最后通过增量式学习的方式更新物体的特征中心以及创建新的类别，包括以下步骤：S1：采集不同物质混杂的高光谱图像，对数据进行校正与降噪，并进行光谱数据的标注；S2：将光谱数据和类别标签放入神经网络进行训练，得到不同类别物质的特征中心；具体实现方法如下：S21：首先构建一个卷积神经网络模型，卷积神经网络模型包含2个卷积层，1个池化层以及2个全连接层，并包含两个输出；S22：将光谱数据和类别标签输入到神经网络中进行训练，输出各个类别的特征信息和置信水平，特征信息表达式如下所示： ；式中，xj表示第j维的特征信息，表示类别为c的物质中第l个物质的特征信息；S23：将置信水平作为权重，对特征信息进行加权平均，得到每一种类别物质的特征中心；每一种类别物质的特征中心的计算方式如下： ；式中，TC表示类别c的物质的特征中心，n表示类别c的物质的个数；S3：将待识别物质的高光谱图像放入训练好的神经网络模型中，通过特征信息，确定待识别物质的类别已知还是未知；确定待识别物质的类别，使用以下方法实现：S31，采集待识别物质的高光谱图像，并对数据进行校正与降噪；S32，将校正后的数据放入步骤S2中训练好的神经网络模型，得到待识别物质的特征信息和置信水平，计算出其特征位置，计算公式如下： L=fX；式中，L为特征位置，f为置信水平，X为特征信息；S33，计算待识别物质的特征位置与各个已知类别的特征中心的多模态置信可变矩；多模态置信可变矩的计算公式如下： ；式中，D为多模态置信可变矩，为TC的协方差矩阵；S34，将计算所得的多模态置信可变矩与阈值比较，确定物质的类别；S35，满足比较条件的物质则归为已知类别并重复步骤S32更新物质的特征中心，当满足多个类别的比较条件时，交予人工判定；S4：对于确定类别未知的物质则创建新的类别。

全文数据：

权利要求：

百度查询： 南京林业大学 一种基于增量式学习的高光谱的杆状物识别方法