申请/专利权人：华侨大学

申请日：2023-09-27

公开（公告）日：2023-12-12

公开（公告）号：CN117218446A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/58;G06V10/54;G06V10/80;G06V10/77;G06V10/762;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明公开了一种基于RGB‑MSI特征融合的固废分选方法及系统，涉及光谱特征分析和深度学习模型优化领域，方法包括以下步骤：S1，获取高光谱数据集；S2，获取多光谱特征波段；S3，获取多光谱数据集；S4，构建双主干网络YOLO模型；S5，获取RGB‑MSI预测模型；S6，固废检测分选。本发明采用RGB和MSI融合思想，充分利用RGB纹理颜色信息和光谱材质信息，实现更准确的固废识别；对采集的高光谱数据采用改良AP聚类算法自适应寻找最佳的光谱特征波段，去除冗杂信息；双主干网络模型采用中期特征融合的方式，把RGB图像特诊和多光谱特征有效结合在一起，增加模型的检测精度，该融合方法不仅适用于目标检测模型，在实例分割模型中也可以使用。

主权项：1.一种基于RGB-MSI特征融合的固废分选方法，其特征在于，包括以下步骤：S101，获取数据集步骤，利用高光谱相机和彩色相机分别对不同类别的固废样本采集高光谱图像和RGB图像，每个高光谱图像随机选取N个高光谱数据点，每个数据点具有M个波段，则数据点组成一个N*M的高光谱数据集；RGB图像作为固废RGB数据集；S102，获取多光谱特征波段步骤，对高光谱数据集进行转置得到M*N的转置高光谱数据集，将转置高光谱数据集放到改良AP聚类算法中，自适应寻找最优聚类中心；对最优聚类中心的波段集合K0采用PCA方法分析，获取PCA第一主成分载荷曲线前K个最大值所对应的光谱波段，作为多光谱特征波段；S103，获取多光谱数据集步骤，基于多光谱特征波段，对采集的固废高光谱图像进行截取，截取所述多光谱特征波段所在的图像通道，组成K个通道的伪彩色图，作为多光谱数据集；S104，构建双主干网络YOLO模型步骤，采用非对称的双主干网络结构建立包括两个主干网络的YOLO模型；一个主干网路用于对固废RGB数据集进行特征提取，获得RGB特征；另一个主干网络用于对多光谱数据集进行特征提取，获得MSI特征；最后对两个主干网络输出的特征进行融合，根据融合特征对固废进行类别预测，输出固废类别及固废坐标；S105，获取RGB-MSI预测模型步骤，将多光谱数据集和对应的固废RGB数据集输入到双主干网络YOLO模型中，固废RGB数据集用来训练其中一个主干网络以对固废RGB数据集进行特征提取，获得RGB特征；多光谱数据集用来训练另一个主干网络以对多光谱数据集进行特征提取，获得MSI特征；最后将获得的RGB特征和MSI特征进行融合，根据融合特征对固废进行类别预测，输出结果包括固废坐标与固废类别；获得训练好的双主干网络YOLO模型作为RGB-MSI预测模型；S106，固废检测分选步骤，通过现场RGB相机拍摄固废获得固废RGB图片，通过多光谱相机拍摄固废获得多光谱图片，将获得的固废RGB图片和多光谱图片同时输入RGB-MSI预测模型，固废坐标与固废类别，实现固废分选。

全文数据：

权利要求：

百度查询： 华侨大学 一种基于RGB-MSI特征融合的固废分选方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD