1.基于高光谱成像的龟甲年限鉴别方法,其特征在于,包括步骤:S1、采集不同年限的龟甲样品的高光谱数据;
S2、处理得到的高光谱数据;
S3、将处理后的高光谱数据按照设定尺寸划分为多个图像块,形成龟甲样本数据集;
S4、建立三维卷积神经网络模型;所述三维卷积神经网络模型包括输入层、光谱-空间注意力模块、三维卷积层、全连接层和Softmax层;
所述三维卷积层包括三维卷积运算、批量归一化层以及激活函数层;
所述三维卷积运算的公式为:
其中,m代表与当前第j个特征图相连的第i-1层的特征图,Hi和Wi分别是卷积核在空间的高度和宽度,Ri是卷积核在光谱维度上的深度,是与第m个特征图相连的(h,w,r)处的权重,Φ()是激活函数,bij是第i层的第j个特征图的偏置,表示第i层的第j个特征图在位置(x,y,z)处的图像块;表示第i-1层的第j个特征图在位置(x+h,y+w,z+r)处的图像块;
所述光谱-空间注意力模块包括光谱注意力机制和空间注意力机制,所述光谱注意力机制将输入特征图经过全局最大池化和全局平均池化映射到一个谱权重向量;所述空间注意力机制在通道维度上进行最大值和平均值的汇聚,通过带有空间注意力权重的卷积生成空间特征图;对于输入特征图l∈RH×W×C,整体计算公式为:其中,Mse(l)为经过光谱注意力机制生成的光谱注意力图,l′为光谱注意力机制输出特征图;Msa(l′)为经过空间注意力机制生成的空间注意力图;l″为空间注意力机制输出特征图;
S5、利用龟甲样本数据集训练三维卷积神经网络模型,得到龟甲年限鉴别模型。
2.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法,其特征在于,步骤S2处理得到的高光谱数据包括:S2-1、采用黑白校正减少光源强度分布不均对图像数据的影响;
S2-2、对校正后的高光谱图像数据进行主成分分析降维。
3.根据权利要求2所述的基于高光谱成像的龟甲年限鉴别方法,其特征在于,步骤S2-1中黑白校正的计算公式为:其中,Rraw代表原始高光谱图像,Rcal代表最终校正后的高光谱图像,Rdark代表黑色参考图像,Rwhite代表白色参考图像。
4.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法,其特征在于,步骤S3中,将所述龟甲样本数据集按照8:2比例分为训练集和测试集。
5.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法,其特征在于,所述谱权重向量计算公式为:进一步,利用谱权重向量得到光谱注意力图,光谱注意力图的计算公式为:Mse(l)=σ(Ms′e(l))
其中,Ms′e(l)为谱权重向量;为光谱上的平均池化特征,由全局平均池化生成;为光谱上的最大池化特征,由全局最大池化生成;W0为第一个全连接层的降维参数;W1为第二个全连接层的增维参数;frelu为ReLU激活函数;σ为sigmoid函数;Mse(l)为经过光谱注意力机制生成的光谱注意力图。
6.根据权利要求1所述的基于高光谱成像的龟甲年限鉴别方法,其特征在于,所述空间特征图的计算公式为:Msa(l)=σ(Ms′a(l))
其中,为通道上的平均池化特征,为通道上的最大池化特征,*是滤波器大小为7×7的卷积运算,σ为sigmoid函数,Ms′a(l)为空间注意力权重,W2为空间注意力机制卷积参数,Msa(l)为空间特征图。
7.基于高光谱成像的龟甲年限鉴别模型,其特征在于,由权利要求1~6任一项所述的基于高光谱成像的龟甲年限鉴别方法得到。