本发明涉及一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，属于作物种子的检测领域。
背景技术：
1、绿豆作为重要的食用豆类和传统功能性食品,由于其高蛋白和富含直链淀粉，绿豆所制作的食物营养价值高、品质好，深受人们的喜爱。目前随着科技的进步我国绿豆品种繁多且部分品种间绿豆外观及其相似，一些不法商贩通过贩卖假品种绿豆种子扰乱了市场的秩序，给人们的采购和市场的监管都带来了一定的困难。因此，需要对绿豆种子的品种进行鉴别。近年来由于高光谱具有的操作简便、准确率高、识别速度快、成本低廉的优势，高光谱技术在农业、食品、医疗、工业等行业得到了广泛的应用。
2、高光谱技术在种子检测领域已有部分研究。比如中国专利公开号“cn114882249a”提出了一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法，通过数据预处理、特征提取构建人工神经网络模型,得到预测模型。该方法利用手动及主成分分析法进行降维后建立模型，特征提取手段较为复杂。
技术实现思路
1、为了解决目前绿豆种子品种鉴别的操作复杂、操作难度高、通用性低、分类模型建立过程中特征提取复杂的问题，本发明提供了一种基于高光谱技术和卷积神经网络的绿豆种子品种鉴别方法。本发明通过对采集到的高光谱图像进行光谱信息提取，将数据预处理后输入到卷积神经网络中进行分类检测，能够有效实现种子的品种鉴别。
2、本发明通过如下技术方案实现：
3、一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，具体包括如下步骤：
4、步骤1，采集数据：在暗室中，利用高光谱仪对绿豆样品进行数据采集；
5、步骤2，提取信息：在高光谱图像中提取光谱信息，获得原始光谱数据；
6、步骤3，处理数据：对未定性的原始光谱数据进行预处理，得到规范化光谱数据；
7、步骤4，品种分类：将处理数据输入至卷积神经网络模型中，得到最终的品种分类结果。
8、进一步的，所述步骤1中采集数据的具体操作：每个品种的绿豆作为独立的研究对象，根据均匀间隔的摆放原则放置在电控移台上，随着平台移动，摄像头扫描整个平台。
9、进一步的，所述步骤2中提取信息的具体操作：选取清晰波段的高光谱图像进行二值化操作；标记重心，填充图像区域和空域，去除白点；连通标记区域，取图像边界对应最小外接矩形；进行旋转操作，计算旋转角度及方向；取出矩形内点，计算均值；获得原始光谱数据。
10、进一步的，所述步骤3中预处理操作主要包括最大最小归一化、标准差标准化、小数定标标准化和稳健标准化，获得规范化光谱数据。
11、进一步的，所述步骤4中的卷积神经网络模型主要包括三个卷积块和一个分类层。其中，卷积块包含三个卷积层、两个激活函数层、拼接操作和一个最大池化层，内部采用残差连接结构；激活函数层采用线性整流函数。
12、与现有技术相比，本发明的优点如下：
13、1.采用分析高光谱数据的方法鉴别绿豆样品种类，可以有效提高绿豆种子品种鉴别的准确率，缩短鉴别时间，具有操作灵活简便的优势。
14、2.利用清晰波段的高光谱图像信息提取光谱信息，将图像数据转化为一维数据，降低了数据复杂度，提高原始光谱数据的差异性，以便后续数据特征提取及分类。
15、3.本发明通过数据采集、光谱信息提取、数据预处理、模型建立四个步骤，基于卷积神经网络模型的特征提取和分类性能实现了绿豆种子品种的有效分类，提高了模型的准确性、自适应性。
1.一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，具体包括如下步骤：
2.如权利要求1所述的一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，所述步骤1中采集数据的具体操作：每个品种的绿豆作为独立的研究对象，根据均匀间隔的摆放原则放置在电控移台上，随着平台移动，摄像头扫描整个平台。
3.如权利要求1所述的一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，所述步骤2中提取信息的具体操作：选取清晰波段的高光谱图像进行二值化操作；标记重心，填充图像区域和空域，去除白点；连通标记区域，取图像边界对应最小外接矩形；进行旋转操作，计算旋转角度及方向；取出矩形内点，计算均值；获得原始光谱数据。
4.如权利要求1所述的一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，所述步骤3中预处理操作主要包括最大最小归一化、标准差标准化、小数定标标准化和稳健标准化，获得规范化光谱数据。
5.如权利要求1所述的一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，所述步骤4中的卷积神经网络模型主要包括三个卷积块和一个分类层。其中，卷积块包含三个卷积层、两个激活函数层、拼接操作和一个最大池化层，内部采用残差连接结构；激活函数层采用线性整流函数。
6.如权利要求5所述的一种基于高光谱和卷积神经网络的绿豆种子品种鉴别方法，其特征在于，所述卷积神经网络模型，具体构造如下：
