利用卷积神经网络进行多光谱图像识别。

3.1建立培训集和验证集。

将所收集的多光谱图像分为0.1和2，每一级别的多光谱图像总数为800幅，以0级为例，随机选出0级图像530张(即2650张单通道图像)，再次从这些图像中随机选取50个五通道图像(即250张单通道图像)作为验证集，剩下的480个五通道图像(2400个单通道图像)作为训练集。1.2训练集和验证集制作方法同上。最后制作出图6所示的玉米营养状况信息图象库，其中有1440幅图象(即7200幅单通道图像)，该验证集共有150张五通道图像(即750张单通道图像)，其中1590个五通道图像(即7950个单通道图像)。

与此同时，利用多光谱图像中蓝光、蓝光、蓝光等波段的图像合成为RGB图像，生成仅包含普通彩色图像的玉米营养状态图像库。

3.2响应网络模型的建立。

因为采集到的玉米株是自然俯拍状态，所以相邻图像的差别很小，因此在每一层传递之间，容易使图像之间的差别消失。为此，本研究选择ResNet18作为识别玉米植株图像的基础网络结构，该模型深度适宜，使原始输入信息直接传递到下一层，具有较强的图像识别能力。构建的ResNet18卷积神经网络结构图如图7所示，ResNet18有4组不同的ResNetmodule，输出通道数量依次是64.128.256和512。

对于Input_layer，使用公式(1)，按比例将图像每个像素点的数值从[0,255]缩小为[-1,1]。

Input_layer输出的图像像素大小为224×224，彩色图像的输出通道数是3，五通道输出通道数是5。针对Input_layer输出的图像数据进行了以下处理：对于彩色图像，224×224×3的数据分别与64个7×7×3的卷积核作了步长为2的卷积运算。在五通道图像中，224×224×5的数据分别与64个7×7×5的卷积核执行了具有2步长的卷积运算。结果显示是112×112×64。到目前为止，五通道图象与彩色图象的数据形状基本一致，都是112×112×64。下一步，用2阶和3×3步的最大池化运算，将特征图象素尺寸由112×112减至56×56，通道数为64。

池层输出的数据将经过4组ResNetmodule处理。第一组ResNetmodule输出的特征图像像素尺寸为56×56，信道数是64;ResNetmodule输出的特征图像像素尺寸是28×28，通道数量是128。这时，组2中的第一个ResNetmodule将面对输入数据x的通道数为64位的输入输出维度，回卷后数据F(x)的通道数量是128，但它们不能直接叠加，此时使用128个1×1的卷积核对输入数据x进行提升，因此，x和F(x)的通道数量都变为128，接着又继续进行叠加；第三组ResNetmodule输出的特征图象素尺寸是14×14×输出量是256；第四组ResNetmodule输出的特征图象素是7×7，输出通道数是512。此时，数据通过了所有残差模块。

接着，spatial_avg处理剩余模块输出的数据(即使是使用tf.reduce_mean)，也可以使用spatial_avg操作，即使使用tf.reduce_mean()来计算像素大小为7×7的特征图像，特征图象素输出是1×1，信道数目是512。

最终，利用全连接层将输出的形状和标签的类型相乘，因为图像中共有三个标签，利用512×3的矩阵和前一层输出的1×512的矩阵相乘，可以获得1×3形状的矩阵。

这些数据中，n=512,y1,y2,y3是图片识别结果，即0.1.2级概率。