CN107478598A - 一种基于一维卷积神经网络的近红外光谱分析方法 - Google Patents
一种基于一维卷积神经网络的近红外光谱分析方法 Download PDFInfo
- Publication number
- CN107478598A CN107478598A CN201710780270.2A CN201710780270A CN107478598A CN 107478598 A CN107478598 A CN 107478598A CN 201710780270 A CN201710780270 A CN 201710780270A CN 107478598 A CN107478598 A CN 107478598A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- layers
- dimensional convolutional
- near infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 title claims abstract description 25
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000985 reflectance spectrum Methods 0.000 claims 1
- 239000004753 textile Substances 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 11
- 235000013305 food Nutrition 0.000 abstract description 5
- 239000000126 substance Substances 0.000 abstract description 5
- 239000000470 constituent Substances 0.000 abstract description 3
- 239000000654 additive Substances 0.000 abstract description 2
- 230000000996 additive effect Effects 0.000 abstract description 2
- 239000003814 drug Substances 0.000 abstract description 2
- 229920000742 Cotton Polymers 0.000 description 16
- 241000219146 Gossypium Species 0.000 description 16
- 235000013336 milk Nutrition 0.000 description 12
- 239000008267 milk Substances 0.000 description 12
- 210000004080 milk Anatomy 0.000 description 12
- 239000000843 powder Substances 0.000 description 12
- 239000010985 leather Substances 0.000 description 8
- 108010009736 Protein Hydrolysates Proteins 0.000 description 6
- 239000003531 protein hydrolysate Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 235000008476 powdered milk Nutrition 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004087 circulation Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的近红外光谱分析方法，具体包括以下步骤：S1、采集训练集样本的近红外光谱数据，并进行预处理；S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；S3、采集测试集样本的近红外光谱数据，并进行预处理；S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。采用本发明的方法可有效提取近红外光谱中较为陡峭的和较为平缓的吸收峰信息，得到不同分辨率的特征信息，从而能够有效提升利用近红外光谱校正模型的预测精度。本发明在食品药品成分分析、非法化学添加物检测、纺织品成分分析等领域具有良好的应用前景。
Description
技术领域
本发明涉及数据处理领域，具体涉及一种基于一维卷积神经网络的近红外光谱分析方法。
背景技术
近红外光谱分析技术是一种发展迅速的成分分析技术，具备检测速度快、样品无损、操作简单等优点，被广泛应用于食品营养分析、非法化学添加检测、纺织品成分分析、石油化工产品在线分析等领域。以食品非法添加检测为例，实验室测试方法往往需要采用质谱、色谱等操作复杂、价格昂贵的设备。而食品非法添加的快检方法一般采用比色法，依然需要复杂、耗时长的预处理步骤。采用近红外光谱分析技术可将食品非法添加的检测时间显著缩短，且测试过程不需要任何试剂与预处理。再例如纺织品成分检测，常规的化学检测方法步骤复杂，需要反复溶解、烘干、称重步骤，至少费时十几个小时。而近红外光谱检测方法可将检测时间缩短至一分钟以内，显著提升检测效率。
由于近红外波段的光谱主要是分子基团振动的合频与倍频信息，因此利用近红外光谱进行成分分析，无法通过特征峰比对进行，而是需要采集样品集近红外光谱信息，建立校正模型。目前常用的近红外光谱校正模型建立方法有偏最小二乘算法、多元线性回归算法、支持向量机算法、神经网络算法等。目前由于基线漂移、各化学成分互相作用、样品颗粒散射等方面的原因，校正模型的预测精度还亟待进一步的提升。
发明内容
针对上述问题，本发明提供一种基于一维卷积神经网络的近红外光谱分析方法。
一种基于一维卷积神经网络的近红外光谱分析方法，其特征在于，包括以下步骤：
S1、采集训练集样本的近红外光谱数据，并进行预处理；
S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；
S3、采集测试集样本的近红外光谱数据，并进行预处理；
S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。
优选的，所述一维卷积神经网络采用并联式结构，利用三种不同尺寸的卷积核提取特征信息，再采用级联方式进行信息融合。
优选的，所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：
步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；
步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；
步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；
步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；
步骤C：Dropout层，随机丢弃部分特征信息，防止过拟合；
步骤D：全连接层，信息融合层的输出进入全连接层；
步骤E：输出层,全连接层的输出进入输出层进行结果预测。
优选的，Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；Branch2层的结构为：输入层数据经过16个尺寸大小为m1*1的一维卷积核运算，非线性激励函数为relu；Branch3层的结构为：输入层数据经过16个尺寸为m2*1大小的一维卷积核运算，非线性激励函数为relu；卷积核尺寸参数m1和m2为自然数，采用以下经验公式计算：
其中n为一条光谱曲线的总采样点数。
优选的，dropout层中，根据训练集样本和光谱曲线总采样点数n的大小，参数保留率设置为0.8～0.99之间。
优选的，全连接层中节点数为10～20之间，非线性激励函数为tanh。
优选的，输出层节点数为1，当模型为回归问题时，非线性激励函数为sigmoid，当模型为二分类问题时，非线性激励函数为softmax。
优选的，所述训练集样本的光谱数据采集方法是：采集样品近红外反射光谱，光谱波长范围为900～1700nm，每条光谱曲线取16次测试平均值；多次测量样品不同位置的反射光谱，并取平均值后，作为一个训练样本。
优选的，所述预处理的方法为Savitzky-Golay一阶导数。
与现有技术相比，本发明的有益效果在于：本发明采用不同尺寸的一维卷积核，以并联方式对光谱数据进行信息提取，最后采用级联方式，进行信息融合，该神经网络结构可以有效提取不同分辨率的光谱信息，例如非常窄的吸收峰和较为平缓的高次倍频、合频吸收峰；利用该神经网络结构可显著提升近红外光谱校正模型的预测精度。
附图说明
图1是一种基于一维卷积神经网络的近红外光谱分析方法的流程图。
图2是基于一维卷积神经网络的近红外光谱分析方法的具体实现方案的示意图。
图3是采用本发明方法分析得到纯棉纺织品与纯涤纶纺织品的平均光谱曲线的示意图。
图4(a)是采用偏最小二乘算法的校正与预测结果的示意图。
图4(b)是采用本发明方法的校正与预测结果的示意图。
具体实施方式
下面结合附图和实施例对本发明所述的基于一维卷积神经网络的近红外光谱分析方法作进一步说明。
图1是一种基于一维卷积神经网络的近红外光谱分析方法的流程图，该方法包括以下步骤：
S1、采集训练集样本的近红外光谱数据，并进行预处理；
S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；
S3、采集测试集样本的近红外光谱数据，并进行预处理；
S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。
图2是基于一维卷积神经网络的近红外光谱分析方法的具体实现方案的示意图。所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：
步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；
步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；
步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；
步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；
步骤C：Dropout层，随机丢弃部分特征信息，防止过拟合；
步骤D：全连接层，信息融合层的输出进入全连接层；
步骤E：输出层,全连接层的输出进入输出层进行结果预测。
具体的，所述训练集样本的光谱数据采集方法是：采集样品近红外反射光谱，光谱波长范围为900～1700nm，每条光谱曲线取16次测试平均值；多次测量样品不同位置的反射光谱，并取平均值后，作为一个训练样本。
所述预处理的方法为Savitzky-Golay一阶导数。
Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；Branch2层的结构为：输入层数据经过16个尺寸大小为m1*1的一维卷积核运算，非线性激励函数为relu；Branch3层的结构为：输入层数据经过16个尺寸为m2*1大小的一维卷积核运算，非线性激励函数为relu；卷积核尺寸参数m1和m2为自然数，采用以下经验公式计算：
其中n为一条光谱曲线的总采样点数。
Dropout层中，根据训练集样本和光谱曲线总采样点数n的大小，参数保留率设置为0.8～0.99之间。
全连接层中节点数为10～20之间，非线性激励函数为tanh。
输出层节点数为1，当模型为回归问题时，非线性激励函数为sigmoid，当模型为二分类问题时，非线性激励函数为softmax。
现结合具体的实施例对本发明的方法进行进一步的说明。
实施例1：
利用近红外光谱进行棉涤纺织品检测，并利用本发明所述方法进行棉含量成分分析，得到纯棉纺织品与纯涤纶纺织品的平均光谱曲线如图3所示。在本实施例中，共采集214个棉涤纺织品的近红外光谱数据。其中，包含66个纯棉纺织品、60个纯涤纶纺织品和88个棉涤混纺纺织品。本实施例中，2/3的样品被随机划分为训练集，而1/3的样品被随机划分为测试集。利用基于一维卷积神经网络进行棉含量分析的具体步骤如下：
首先采集训练集样本的近红外光谱数据。利用型号为DLP NIRscan Nano的便携式近红外光谱仪，分别在棉涤纺织品正面及反面的三个不同区域采集漫反射光谱，波长范围为900～1700nm，光谱分辨率为3.5nm，共采集228个数据点，每条光谱曲线取16次测试平均值；然后将正反面不同位置的反射光谱曲线取平均值，作为一个训练样本。数据采集完成后，对训练集样品光谱采用Savitzky-Golay一阶导数方法进行预处理，预处理后的数据作为输入层。
利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外校正模型。具体步骤如下：
Branch1层，输入层数据进行16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B1out；
Branch2层，利用经验公式计算可得该层卷积核大小为5*1。输入层数据进行16个尺寸大小为5*1的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B2out；
Branch3层,利用经验公式计算可得该层卷积核大小为9*1。输入层数据进行16个尺寸为9*1大小的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B3out；
信息融合层，采用级联方式将输出特征B1out、B2out和B3out进行信息融合。
Dropout层，随机丢弃部分特征信息，防止过拟合；根据训练集样本和总采样点数的大小，本实施例中的参数保留率设置为0.95。
全连接层，信息融合层的输出进入全连接层，节点数为10，非线性激励函数为tanh。
输出层，全连接层的输出进入输出层进行结果预测，输出层节点数为1，非线性激励函数为sigmoid。
经过10000个循环的参数优化，训练结束，得到棉涤纺织品近红外光谱校正模型。
然后对测试集样本进行预测。
利用同样的方法采集预测集样本的近红外光谱数据，并进行与训练集相同的预处理。
将预处理后的测试集数据代入训练好的近红外光谱校正模型，得到纺织品成分预测结果。
利用上述方法得到的训练集棉含量预测均方根误差(RMSEC)为0.36％，测试集棉含量预测均方根误差(RMSEP)为0.54％，棉成分回归曲线如图4(b)所示。利用传统的偏最小二乘回归(PLSR)算法，采取同样的数据集，得到的训练集棉含量预测均方根误差(RMSEC)为3.68％，测试集棉含量预测均方根误差(RMSEP)为3.82％。偏最小二乘回归算法得到的棉涤纺织品成分回归曲线如图4(a)所示。相比于传统算法，利用本发明所述方法对训练集和测试集的预测精度都有显著提升。
实施例2：
利用近红外光谱进行奶粉的皮革水解蛋白掺假检测，并利用本发明所述方法进行掺假奶粉样品与真实奶粉样品分类。在本实施例中，共采集60个纯奶粉近红外光谱数据，90个皮革水解蛋白掺假奶粉近红外光谱数据。其中皮革水解蛋白的掺假量在0.1％-1％之间。本实施例中，2/3的样品被随机划分为训练集，而1/3的样品被随机划分为测试集。利用基于一维卷积神经网络进行奶粉皮革水解蛋白掺假鉴定的具体步骤如下：
首先采集训练集样本的近红外光谱数据。利用型号为DLP NIRscan Nano的便携式近红外光谱仪采集奶粉样品三个不同位置的近红外漫反射光谱，波长范围为900～1700nm，光谱分辨率为3.5nm，共采集228个数据点，每条光谱曲线取16次测试平均值；然后将正反面不同位置的反射光谱曲线取平均值，作为一个训练样本。数据采集完成后，对训练集样品光谱采用Savitzky-Golay一阶导数方法进行预处理，预处理后的数据作为输入层。
利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外校正模型。具体步骤如下：
Branch1层，输入层数据进行16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B1out；
Branch2层，利用经验公式计算可得该层卷积核大小为5*1。输入层数据进行16个尺寸大小为5*1的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B2out；
Branch3层,利用经验公式计算可得该层卷积核大小为9*1。输入层数据进行16个尺寸为9*1大小的一维卷积核运算，非线性激励函数为relu，得到的特征输出记为B3out；
信息融合层，采用级联方式将输出特征B1out、B2out和B3out进行信息融合。
Dropout层，随机丢弃部分特征信息，防止过拟合；根据训练集样本和总采样点数的大小，本实施例中的参数保留率设置为0.93。
全连接层，信息融合层的输出进入全连接层，节点数为10，非线性激励函数为tanh。
输出层，全连接层的输出进入输出层进行结果预测，输出层节点数为1，非线性激励函数为softmax。
经过10000个循环的参数优化，训练结束，得到奶粉皮革蛋白掺假近红外光谱校正模型。
然后对测试集样本进行预测。
利用同样的方法采集预测集样本的近红外光谱数据，并进行与训练集相同的预处理。
将预处理后的测试集数据代入训练好的近红外光谱校正模型，得到奶粉皮革水解蛋白掺假分类结果。
利用上述方法得到的测试集纯奶粉预测正确率为100％，皮革水解蛋白掺假奶粉预测正确率为96.7％。利用传统的簇类的独立软模式(SIMCA)分类算法，采取同样的数据集，测试集纯奶粉预测正确率为85％，皮革水解蛋白奶粉预测正确率为86.7％。相比于传统算法，利用本发明所述方法对纯奶粉与掺假奶粉的预测正确率都有显著提升。
本发明通过对近红外光谱数据进行并列结构的、不同尺寸的卷积核运算，再进行级联数据融合，可有效提取近红外光谱中较为陡峭的和较为平缓的吸收峰信息，得到不同分辨率的特征信息，从而能够有效提升利用近红外光谱校正模型的预测精度。本发明在食品药品成分分析、非法化学添加物检测、纺织品成分分析等领域具有良好的应用前景。
以上所述实施例仅表达了本发明的一种具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于一维卷积神经网络的近红外光谱分析方法，其特征在于，包括以下步骤：
S1、采集训练集样本的近红外光谱数据，并进行预处理；
S2、利用预处理后的训练集数据，基于一维卷积神经网络，建立近红外光谱校正模型；
S3、采集测试集样本的近红外光谱数据，并进行预处理；
S4、将预处理后的测试集数据代入近红外光谱校正模型，获得预测结果。
2.根据权利要求1所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述一维卷积神经网络采用并联式结构，利用三种不同尺寸的卷积核提取特征信息，再采用级联方式进行信息融合。
3.根据权利要求2所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述的一维卷积神经网络采用GoogLeNet中Inception结构的改进，其具体步骤为：
步骤A1：小尺度特征提取，进行小尺寸卷积核运算，记为Branch1层；
步骤A2：中尺度特征提取，进行中尺寸卷积核运算，记为Branch2层；
步骤A3：大尺度特征提取，进行大尺寸卷积核运算，记为Branch3层；
步骤B：信息融合层，采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合；
步骤C：dropout层，随机丢弃部分特征信息，防止过拟合；
步骤D：全连接层，信息融合层的输出进入全连接层；
步骤E：输出层,全连接层的输出进入输出层进行结果预测。
4.根据权利要求3所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于：
Branch1层的结构为：输入层数据经过16个尺寸为1*1的一维卷积核运算，非线性激励函数为relu；
Branch2层的结构为：输入层数据经过16个尺寸大小为m1*1的一维卷积核运算，非线性激励函数为relu；
Branch3层的结构为：输入层数据经过16个尺寸为m2*1大小的一维卷积核运算，非线性激励函数为relu；
卷积核尺寸参数m1和m2为自然数，采用以下经验公式计算：
<mrow>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mfrac>
<mi>n</mi>
<mn>45</mn>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mfrac>
<mi>n</mi>
<mn>25</mn>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中n为一条光谱曲线的总采样点数。
5.根据权利要求3所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于：Dropout层中，根据训练集样本和光谱曲线总采样点数n的大小，参数保留率设置为0.8～0.99之间。
6.根据权利要求3所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于：全连接层中节点数为10～20之间，非线性激励函数为tanh。
7.根据权利要求3所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于：输出层节点数为1，当模型为回归问题时，非线性激励函数为sigmoid，当模型为二分类问题时，非线性激励函数为softmax。
8.根据权利要求1所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述训练集样本的光谱数据采集方法是：采集样品近红外反射光谱，光谱波长范围为900～1700nm，每条光谱曲线取16次测试平均值；多次测量样品不同位置的反射光谱，并取平均值后，作为一个训练样本。
9.根据权利要求1所述的基于一维卷积神经网络的近红外光谱分析方法，其特征在于，所述预处理的方法为Savitzky-Golay一阶导数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780270.2A CN107478598A (zh) | 2017-09-01 | 2017-09-01 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780270.2A CN107478598A (zh) | 2017-09-01 | 2017-09-01 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107478598A true CN107478598A (zh) | 2017-12-15 |
Family
ID=60604422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710780270.2A Pending CN107478598A (zh) | 2017-09-01 | 2017-09-01 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107478598A (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090498A (zh) * | 2017-12-28 | 2018-05-29 | 广东工业大学 | 一种基于深度学习的纤维识别方法及装置 |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN110134772A (zh) * | 2019-04-18 | 2019-08-16 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
| CN110567888A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 |
| CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
| CN110987858A (zh) * | 2019-11-30 | 2020-04-10 | 江苏万标检测有限公司 | 一种利用神经网络数据模型进行油品快速检测的方法 |
| CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
| EP3887591A1 (de) * | 2018-11-27 | 2021-10-06 | Robert Bosch GmbH | Textilerkennungsvorrichtung und verfahren zum erkennen einer textilart |
| CN113607661A (zh) * | 2021-07-19 | 2021-11-05 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
| CN113945537A (zh) * | 2021-09-27 | 2022-01-18 | 桂林电子科技大学 | 一种高准确度近红外光谱定量模型建立方法 |
| CN113959974A (zh) * | 2021-09-27 | 2022-01-21 | 桂林电子科技大学 | 一种普适性近红外光谱模型的传递方法 |
| CN114008443A (zh) * | 2019-05-23 | 2022-02-01 | 瓦尔万包装系统股份有限公司 | 改进的纺织品纤维成分确定 |
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN114112982A (zh) * | 2021-10-09 | 2022-03-01 | 池明旻 | 基于k-Shape的织物纤维成分定性方法 |
| CN114202645A (zh) * | 2021-06-29 | 2022-03-18 | 南开大学 | 一种塑料的近红外光谱分类识别精度验证方法 |
| CN115049917A (zh) * | 2022-08-17 | 2022-09-13 | 上海与光彩芯科技有限公司 | 神经网络的训练方法、物体检测方法和智能终端设备 |
| CN115280143A (zh) * | 2020-03-27 | 2022-11-01 | 文塔纳医疗系统公司 | 用于识别质谱响应曲线中的至少一个峰的计算机实现的方法 |
| CN115797560A (zh) * | 2022-11-28 | 2023-03-14 | 广州市碳码科技有限责任公司 | 一种基于近红外光谱成像的头部模型构建方法及系统 |
| CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117848978A (zh) * | 2023-12-26 | 2024-04-09 | 中国林业科学研究院木材工业研究所 | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
-
2017
- 2017-09-01 CN CN201710780270.2A patent/CN107478598A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
| CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡慧苹: "基于卷积神经网络的短文本分类方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090498A (zh) * | 2017-12-28 | 2018-05-29 | 广东工业大学 | 一种基于深度学习的纤维识别方法及装置 |
| CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
| EP3887591A1 (de) * | 2018-11-27 | 2021-10-06 | Robert Bosch GmbH | Textilerkennungsvorrichtung und verfahren zum erkennen einer textilart |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109543763B (zh) * | 2018-11-28 | 2022-10-21 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN110134772A (zh) * | 2019-04-18 | 2019-08-16 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
| CN114008443A (zh) * | 2019-05-23 | 2022-02-01 | 瓦尔万包装系统股份有限公司 | 改进的纺织品纤维成分确定 |
| CN110567888A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 |
| CN110987858A (zh) * | 2019-11-30 | 2020-04-10 | 江苏万标检测有限公司 | 一种利用神经网络数据模型进行油品快速检测的方法 |
| CN115280143A (zh) * | 2020-03-27 | 2022-11-01 | 文塔纳医疗系统公司 | 用于识别质谱响应曲线中的至少一个峰的计算机实现的方法 |
| CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
| CN111797930B (zh) * | 2020-07-07 | 2021-12-17 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113418889A (zh) * | 2021-05-17 | 2021-09-21 | 中国海洋大学 | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 |
| CN114202645A (zh) * | 2021-06-29 | 2022-03-18 | 南开大学 | 一种塑料的近红外光谱分类识别精度验证方法 |
| CN113607661A (zh) * | 2021-07-19 | 2021-11-05 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
| CN113607661B (zh) * | 2021-07-19 | 2024-01-16 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
| CN113945537A (zh) * | 2021-09-27 | 2022-01-18 | 桂林电子科技大学 | 一种高准确度近红外光谱定量模型建立方法 |
| CN113959974A (zh) * | 2021-09-27 | 2022-01-21 | 桂林电子科技大学 | 一种普适性近红外光谱模型的传递方法 |
| CN113959974B (zh) * | 2021-09-27 | 2024-06-07 | 桂林电子科技大学 | 一种普适性近红外光谱模型的传递方法 |
| CN114112982A (zh) * | 2021-10-09 | 2022-03-01 | 池明旻 | 基于k-Shape的织物纤维成分定性方法 |
| CN114062305B (zh) * | 2021-10-15 | 2024-01-26 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN115049917A (zh) * | 2022-08-17 | 2022-09-13 | 上海与光彩芯科技有限公司 | 神经网络的训练方法、物体检测方法和智能终端设备 |
| CN115797560A (zh) * | 2022-11-28 | 2023-03-14 | 广州市碳码科技有限责任公司 | 一种基于近红外光谱成像的头部模型构建方法及系统 |
| CN115797560B (zh) * | 2022-11-28 | 2023-07-25 | 广州市碳码科技有限责任公司 | 一种基于近红外光谱成像的头部模型构建方法及系统 |
| CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117470142B (zh) * | 2023-12-26 | 2024-03-15 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
| CN117848978A (zh) * | 2023-12-26 | 2024-04-09 | 中国林业科学研究院木材工业研究所 | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 |
| CN117848978B (zh) * | 2023-12-26 | 2024-07-05 | 中国林业科学研究院木材工业研究所 | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107478598A (zh) | 一种基于一维卷积神经网络的近红外光谱分析方法 | |
| CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
| Chen et al. | Discrimination of Ganoderma lucidum according to geographical origin with near infrared diffuse reflectance spectroscopy and pattern recognition techniques | |
| Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| CN101995392A (zh) | 快速检测橄榄油掺伪的方法 | |
| CN105067531A (zh) | 一种芒果品质无损检测方法及装置 | |
| CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
| CN108267414A (zh) | 纺织品纤维含量的近红外光谱分析方法 | |
| CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
| CN103033486A (zh) | 陈皮及广陈皮药材质量的近红外光谱监控方法 | |
| CN109799207A (zh) | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 | |
| CN105092579A (zh) | 一种芒果品质无损检测设备 | |
| CN106680241A (zh) | 一种新型光谱多元分析分类与识别方法及其用途 | |
| CN109799195A (zh) | 一种激光诱导击穿光谱的高精度定量分析方法 | |
| CN110702656A (zh) | 一种基于三维荧光光谱技术的植物油农药残留检测方法 | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
| Li et al. | Rapid detection of thiabendazole in food using SERS coupled with flower-like AgNPs and PSL-based variable selection algorithms | |
| Ren et al. | Near-infrared data classification at phone terminal based on the combination of pca and cs-rbfsvc algorithms | |
| Du et al. | Quantitative detection of azodicarbonamide in wheat flour by near-infrared spectroscopy based on two-step feature selection | |
| CN106706554A (zh) | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |
|
| RJ01 | Rejection of invention patent application after publication |