CN110068544B - 物质识别网络模型训练方法及太赫兹光谱物质识别方法 - Google Patents
物质识别网络模型训练方法及太赫兹光谱物质识别方法 Download PDFInfo
- Publication number
- CN110068544B CN110068544B CN201910380222.3A CN201910380222A CN110068544B CN 110068544 B CN110068544 B CN 110068544B CN 201910380222 A CN201910380222 A CN 201910380222A CN 110068544 B CN110068544 B CN 110068544B
- Authority
- CN
- China
- Prior art keywords
- spectral
- module
- feature extraction
- training
- data
- 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.)
- Active
Links
- 239000000126 substance Substances 0.000 title claims abstract description 175
- 238000012549 training Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000001228 spectrum Methods 0.000 title claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 329
- 238000000605 extraction Methods 0.000 claims abstract description 154
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 229920002521 macromolecule Polymers 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 2
- OWEGMIWEEQEYGQ-UHFFFAOYSA-N 100676-05-9 Natural products OC1C(O)C(O)C(CO)OC1OCC1C(O)C(O)C(O)C(OC2C(OC(O)C(O)C2O)CO)O1 OWEGMIWEEQEYGQ-UHFFFAOYSA-N 0.000 description 1
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- GUBGYTABKSRVRQ-PICCSMPSSA-N Maltose Natural products O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@@H](CO)OC(O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-PICCSMPSSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- GUBGYTABKSRVRQ-QUYVBRFLSA-N beta-maltose Chemical compound OC[C@H]1O[C@H](O[C@H]2[C@H](O)[C@@H](O)[C@H](O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@@H]1O GUBGYTABKSRVRQ-QUYVBRFLSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种物质识别网络模型训练方法、装置及太赫兹光谱物质识别方法、装置。其中,将训练样本输入物质识别网络框架结构进行模型训练直至其对验证样本的预测概率超过阈值,则结束训练。物质识别网络模型包括特征提取模块和特征分类模块,光谱特征提取网络包括光谱特征提取模块和数据重构模块;特征提取模块和光谱特征提取模块的结构相同。特征分类模块将特征提取模块输出的多通道光谱特征压缩至单通道,并利用softmax回归得到隶属各类物质的概率;光谱特征提取网络训练结束条件为输入至其光谱特征提取模块的原始光谱数据和其数据重构模块输出的重建光谱数据的误差小于预设阈值。实现了利用少量样本数据训练得到性能好的物质识别网络模型。
Description
技术领域
本发明实施例涉及太赫兹光谱检测技术领域,特别是涉及一种物质识别网络模型训练方法、装置及太赫兹光谱物质识别方法、装置。
背景技术
太赫兹波是指频率在0.1THz到10THz范围的电磁波,波长大概在0.03到3mm范围,介于微波与红外之间。由于太赫兹波对人体和物体均没有伤害,基于太赫兹波的太赫兹时域光谱技术在物质检测领域越来越广泛。透过式太赫兹光谱仪通过接收透过物体的太赫兹波,得到物体的吸收光谱。由于许多物质分子的振动和转动能级在太赫兹波段,其太赫兹吸收光谱的位置、形状存在差异,太赫兹光谱在安全检查、食品安全、化学分析等领域有重要的应用前景。
太赫兹时域光谱技术的基本原理是利用飞秒脉冲产生并探测时间分辨的THz电场,通过傅立叶变换获得被测物品的光谱信息,由于大分子的振动和转动能级大多在THz波段,而大分子,特别是生物和化学大分子是具有本身物性的物质集团,进而可以通过特征频率对物质结构、物性进行分析和鉴定。
但是,许多物质的太赫兹光谱在特定频率上存在吸收峰,但由于目前太赫兹探测技术所限以及部分物质的特殊性质,有相当一部分物质不具有吸收峰或吸收峰太弱难以检测。基于吸收峰的光谱分析方法很难用于识别这些物质。
为了自动提取光谱的特征并识别,相关技术使用深度学习技术对太赫兹光谱进行处理,传统的基于深度学习技术训练图像识别网络模型需要大量样本数据,且训练样本数据的规模和种类决定着训练模型的识别准确度,但是目前还没有公开的大规模太赫兹光谱数据库,使用深度学习技术训练网络模型需要事先准备大量的数据,难以广泛应用。
发明内容
本公开实施例提供了一种物质识别网络模型训练方法、装置及太赫兹光谱物质识别方法、装置,实现了利用少量样本数据训练得到性能好的物质识别网络模型。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种物质识别网络模型训练方法,包括:
将训练样本集数据输入至预先构建的物质识别网络模型的框架结构进行模型训练;
当所述物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束所述物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别;
其中,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
所述光谱特征提取网络包括光谱特征提取模块和数据重构模块,当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练。
可选的,所述物质识别网络模型的损失函数为:
式中,为光谱特征隶属每i类物质的预测概率值,yi为光谱特征隶属每i类物质的真实标签值,reg为给定参数,Wais为将所述多通道光谱特征压缩至单通道光谱特征的卷积核矩阵,Wi为光谱特征隶属每i类物质的权重,K为物质类别总数,||·||2为L2范数。
可选的,所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据。
可选的,所述光谱特征提取网络的损失函数为:
L1=(x0-xre)2+reg*||W1||2+reg*||W2||2;
式中,xre为所述原始光谱数据,x0为重建光谱数据,reg为给定常数,W1为所述第一卷积层的权重矩阵,W2为所述第二卷积层的权重矩阵,||·||2为L2范数。
可选的,所述物质识别网络模型的损失函数通过梯度下降法或梯度下降优化算法求解最小值;
所述光谱特征提取网络的损失函数通过梯度下降法或梯度下降优化算法求解最小值。
本发明实施例还提供了一种物质识别网络模型训练装置,包括:
样本数据获取模块,用于获取用于训练物质识别网络模型的训练样本集和验证样本集;
光谱特征提取网络训练模块,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,所述光谱特征提取网络包括光谱特征提取模块和数据重构模块;
识别模型训练模块,用于将训练样本集数据输入至预先构建的物质识别网络模型的框架结构进行模型训练;所述物质识别网络包括特征提取模块和特征分类模块;所述特征提取模块与所述光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
识别模型训练结束判断模块,用于当所述物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束所述物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别。
本发明实施例另一方面提供了一种太赫兹光谱物质识别方法,包括:
获取太赫兹光谱仪采集待测物体的待识别光谱数据;
将所述待识别光谱数据输入至预先构建的物质识别网络模型中,得到所述待测物体所属类别;
其中,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
所述光谱特征提取网络包括光谱特征提取模块和数据重构模块,当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练;
所述待识别光谱数据与所述物质识别网络模型训练样本数据的维度相同。
可选的,所述获取太赫兹光谱仪采集待测物体的待识别光谱数据之后,还包括:
对所述待识别光谱曲线进行平滑处理,以去除图像噪声;
利用非对称最小二乘法拟合得到所述待识别光谱曲线的基线,并将所述待识别光谱曲线和所述基线做差得到最终光谱曲线,以去除所述待识别光谱曲线的基线漂移。
本发明实施例最后还提供了一种太赫兹光谱物质识别装置,包括:
光谱特征提取网络训练模块,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,所述光谱特征提取网络包括光谱特征提取模块和数据重构模块;
物质识别网络训练模块,用于基于所述光谱特征提取网络训练得到物质识别网络模型,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
待识别数据获取模块,用于获取太赫兹光谱仪采集待测物体的待识别光谱数据;
光谱识别模块,用于将所述待识别光谱数据输入至预先构建的物质识别网络模型,得到所述待测物体所属类别。
可选的,还包括预处理模块605,所述预处理模块605包括平滑处理子模块和基线漂移去除子模块;
平滑处理子模块用于对待识别光谱曲线进行平滑处理,以去除图像噪声;
基线漂移去除子模块用于利用非对称最小二乘法拟合得到待识别光谱曲线的基线,并将待识别光谱曲线和基线做差得到最终光谱曲线,以去除待识别光谱曲线的基线漂移。
本申请提供的技术方案的优点在于,首先训练用于提取样本数据的光谱数据的光谱特征提取网络,在该网络还设置将光谱特征进行重构得到光谱数据的模块,以重构光谱数据和原始光谱数据的差异作为模型训练性能优劣的评价指标,训练网络直至二者差值足够小,不需要大量训练样本数据便可得到性能好的网络结构;物质识别网络模型利用与光谱特征提取网络的光谱特征提取模块结构相同的模块光谱特征,并利用softmax回归得到光谱数据隶属每一类物质的概率,由于样本光谱数据均具有标签,以预测准确率作为网络训练性能的评判标准,对有限的样本数据进行训练便可得到识别准确度高的网络模型,从而解决了相关技术中识别网络模型需要大量训练样本的难题,适应性强,易于推广应用。
此外,本发明实施例还针对物质识别网络模型训练方法提供了相应的实现装置、相应的应用在太赫兹光谱物质识别方法及装置中,进一步使得所述方法更具有实用性和可行性,所述装置、太赫兹光谱物质识别方法及装置具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种物质识别网络模型训练方法的流程示意图;
图2为本发明实施例提供的光谱特征提取网络的一种具体实施方式结构图;
图3为本发明实施例提供的物质识别网络模型的一种具体实施方式结构图;
图4为本发明实施例提供的物质识别网络模型训练装置的一种具体实施方式结构图;
图5为本发明实施例提供的一种太赫兹光谱物质识别方法的流程示意图;
图6为本发明实施例提供的太赫兹光谱物质识别装置的一种具体实施方式结构图;
图7为本发明实施例提供的太赫兹光谱物质识别装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种太赫兹光谱物质识别方法的流程示意图,本发明实施例可包括以下内容:
S101:将训练样本集数据输入至预先构建的物质识别网络模型的框架结构进行模型训练。
S102:当物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别。
在本实施例中,可通过TAS7400太赫兹光谱仪测量乳糖、葡萄糖、麦芽糖、果糖等若干种不同种类的物质各数次,例如30次,可截取频率范围为[0.3,2.2]THz的一段光谱,频率分辨率为7.6GHz。然后随机划分80%的光谱数据作为训练样本集数据用于训练网络,其余20%的光谱数据作为验证样本集数据用于测试训练网络模型的性能。
在训练物质识别网络模型之前,可预先训练光谱特征提取网络,光谱特征提取网络训练的样本数据可为训练样本集中的数据,光谱特征提取网络包括光谱特征提取模块和数据重构模块,当输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,以保证光谱特征提取网络的性能。其中,误差阈值设定可根据用户精度需求、训练样本数据来确定,本申请对此不做任何限定。
物质识别网络模型可包括特征提取模块和特征分类模块;特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同,且特征提取模块可使用光谱特征提取网络训练好的权重作为初始值,在后续过程中仅对其进行微调。特征分类模块用于将特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到单通道光谱特征隶属每一类物质的概率。
在物质识别网络模型训练过程中,可利用验证样本集中的样本数据验证物质识别网络模型的预测准确性,当物质识别网络模型预测准确度达到预设阈值时,证明物质识别网络模型预测性能好。阈值设定可根据用户精度需求、训练样本数据来确定,本申请对此不做任何限定。举例来说,验证样本集中包含100个样本数据,对其中95个样本数据预设的类别标签和真实标签相同,可判定物质识别模型预测性能好,便可结束模型训练。
在本发明实施例提供的技术方案中,首先训练用于提取样本数据的光谱数据的光谱特征提取网络,在该网络还设置将光谱特征进行重构得到光谱数据的模块,以重构光谱数据和原始光谱数据的差异作为模型训练性能优劣的评价指标,训练网络直至二者差值足够小,不需要大量训练样本数据便可得到性能好的网络结构;物质识别网络模型利用与光谱特征提取网络的光谱特征提取模块结构相同的模块光谱特征,并利用softmax回归得到光谱数据隶属每一类物质的概率,由于样本光谱数据均具有标签,以预测准确率作为网络训练性能的评判标准,对有限的样本数据进行训练便可得到识别准确度高的网络模型,从而解决了相关技术中识别网络模型需要大量训练样本的难题,适应性强,易于推广应用。
在一种实施方式中,光谱特征提取网络的网络结构可如图2所示,在该实施例中,光谱特征提取网络依次包括输入层、第一卷积层、第二卷积层、最大池化层、最大反池化层、第一反卷积层、第二反卷积层,最大池化层输出的为提取输入原始光谱数据的光谱特征,第二反卷积层输出的即为重建光谱数据。输入层、第一卷积层、第二卷积层、最大池化层的维数依次递减,最大反池化层、第一反卷积层、第二反卷积层的层数依次递增。原始光谱数据输入至输入层,经第一卷积层、第二卷积层、最大池化层得到光谱特征,然后光谱特征经最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据。训练光谱特征提取网络使得重建后与原光谱数据的误差尽可能小,为改善网络性能,同时融合L2-正则化、批量标准化技术。
在第一卷积层、第二卷积层中,对输入的一维光谱数据x,其中一个卷积核的输出为:
ycon=σ[BNγ,β(x*W)];
式中,*符号表示卷积运算,W为卷积核的权重矩阵,σ(·)为激活函数,例如可采用ReLU(The Rectified Linear Unit)激活函数作为上述公式中的激活函数。BNγ,β(·)为批量标准化函数,γ,β为批量标准化的参数,分别表示输出的标准差和均值。具体有:
其中,xi是一维光谱数据x的第i个数值,m为x的长度,μ、s2为x的均值、方差,ε为防止方差为0的一个很小的数,例如可取为0.001。
对第二卷积层输出的结果进行最大池化运算,例如可利用下述公式进行计算:
Nj,n={x|j≤x≤j+n};
其中,m为x的长度,n为池化范围,dj为池化层的输出,D={d1,...,dm-n}为提取到的光谱特征。D通过反最大池化、两层反卷积运算得到重构的光谱数据xre。
在一种实施方式中,光谱特征提取网络的损失函数可为如下形式:
L1=(x0-xre)2+reg*||W1||2+reg*||W2||2;
式中,xre为输入光谱特征提取网络的原始光谱数据,x0为重建光谱数据,reg为给定常数,W1为第一卷积层的权重矩阵,W2为第二卷积层的权重矩阵,||·||2为L2范数。可选的,可通过梯度下降法或梯度下降优化算法使L1最小,完成光谱特征提取网络的训练。
在另外一些实施方式中,物质识别网络模型的框架结构可如图3所示,光谱特征提取网络如图2所示。物质识别网络模型的特征提取部分与光谱特征提取网络的光谱特征提取部分相同,并采用光谱特征提取网络训练好的权值作为初始值,本实施例中仅对其进行微调。多通道的光谱特征数据展开为多个单通道数据,并对不同通道中的相同部分进行卷积操作得到单通道光谱特征。单通道特征通过softmax回归得到每一类的概率。训练网络使得网络预测出的分类概率尽可能接近光谱数据的标签。
光谱特征提取网络提取中得到光谱特征D∈R1×m×h,即h个通道的一维数组,通过1×1×h的卷积核卷积操作将h个通道压缩至单通道,可使用下述公式将多通道光谱特征压缩至单通道:
Ds=σ[BNγ,β(D*Wais)];Wais∈R1×1×h;
si=Wi·Ds+bi;
进一步的,可通过交叉熵和L2正则化构造物质识别网络模型的损失函数如下:
式中,为光谱特征隶属每i类物质的预测概率值,yi为光谱特征隶属每i类物质的真实标签值,reg为给定参数,Wais为将多通道光谱特征压缩至单通道光谱特征的卷积核矩阵,Wi为光谱特征隶属每i类物质的权重,K为物质类别总数,||·||2为L2范数。
可选的,可通过梯度下降法或梯度下降优化算法使L2最小,完成光谱特征提取网络的训练。
本发明实施例还针对物质识别网络模型训练方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的物质识别网络模型训练装置进行介绍,下文描述的物质识别网络模型训练装置与上文描述的物质识别网络模型训练方法可相互对应参照。
请参见图4,图4为本发明实施例提供的物质识别网络模型训练装置在一种具体实施方式下的结构图,该装置可包括:
样本数据获取模块401,用于获取用于训练物质识别网络模型的训练样本集和验证样本集。
光谱特征提取网络训练模块402,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,光谱特征提取网络包括光谱特征提取模块和数据重构模块。
识别模型训练模块403,用于将训练样本集数据输入至预先构建的物质识别网络模型的框架结构进行模型训练;物质识别网络模型包括特征提取模块和特征分类模块;特征提取模块与光谱特征提取网络的光谱特征提取模块结构相同;特征分类模块用于将特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到单通道光谱特征隶属每一类物质的概率。
识别模型训练结束判断模块404,用于当物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别。
可选的,在本实施例的一些实施方式中,所述识别模型训练模块403可以为损失函数为下述公式的模块:
式中,为光谱特征隶属每i类物质的预测概率值,yi为光谱特征隶属每i类物质的真实标签值,reg为给定参数,Wais为将所述多通道光谱特征压缩至单通道光谱特征的卷积核矩阵,Wi为光谱特征隶属每i类物质的权重,K为物质类别总数,||·||2为L2范数。
在另一些实施方式中,所述光谱特征提取网络训练模块402还可为将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据的模块。
此外,在本发明实施例的其他一些实施方式中,所述光谱特征提取网络训练模块402例如还可为损失函数为下式的模块:
L1=(x0-xre)2+reg*||W1||2+reg*||W2||2;
式中,xre为原始光谱数据,x0为重建光谱数据,reg为给定常数,W1为第一卷积层的权重矩阵,W2为第二卷积层的权重矩阵,||·||2为L2范数。
本发明实施例所述物质识别网络模型训练的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
本发明实施例还提供了一种物质识别网络模型训练设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述物质识别网络模型训练方法的步骤。
本发明实施例所述物质识别网络模型训练设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
本发明实施例还提供了一种计算机可读存储介质,存储有物质识别网络模型训练程序,所述物质识别网络模型模型训练程序被处理器执行时如上任意一实施例所述物质识别网络模型训练方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
上述介绍了物质识别网络模型训练方法,该方法可应用在太赫兹光谱物质识别技术中,下述阐述了将物质识别网络模型作为太赫兹物质识别方法中的识别模型的使用方法,具体可包括:
首先参见图5,图5为本发明实施例提供的一种太赫兹光谱物质识别方法的流程示意图,本发明实施例可包括以下内容:
S501:获取太赫兹光谱仪采集待测物体的待识别光谱数据。
S502:将待识别光谱数据输入至预先构建的物质识别网络模型,得到待测物体所属类别。
将采集到的待测物质太赫兹光谱数据输入到物质识别网络模型,得到该物质隶属于训练时的每一类物质的概率,待测物质即为概率最大的物质,即:
本实施例中的物质识别网络模型的功能模块以及训练构建过程,可参阅上述实施例描述的实现过程,此处,便不再赘述。
在本实施例中,为了提高待测物体类别识别效果,待识别光谱数据与物质识别网络模型训练样本数据的维度可相同,举例来说,在训练物质识别网络模型过程中,输入物质识别网络模型的光谱数据为一维光谱数据,那么待测物体的光谱数据也为一维光谱数据。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
在一种实施方式中,为了进一步提高后续数据处理的速度,提高识别准确度,还可对太赫兹光谱仪采集的数据进行预处理。太赫兹光谱仪采集到的数据为一系列离散点组成的光谱曲线,可首先对光谱曲线进行平滑处理,以去除图像噪声;例如可采用惩罚最小二乘法对光谱曲线进行平滑处理,当然,也可使用其他方式进行平滑处理,这均不影响本申请的实现。然后可继续利用非对称最小二乘法拟合得到光谱曲线的基线,并将原始光谱曲线和基线做差得到最终用于后续处理的光谱曲线,从而去除光谱曲线的基线漂移。
需要说明的是,对待识别光谱数据可按照上述过程进行预处理,这样可提高待识别光谱数据的识别准确度;在模型训练时,包括物质识别网络模型和光谱特征提取网络,在输入训练模型的训练样本数据或验证样本数据时,均可对每个样本数据的光谱曲线数据按照上述过程进行预处理,从而可提高物质识别网络模型和光谱特征提取网络训练性能。
本发明实施例还针对太赫兹光谱物质识别方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的太赫兹光谱物质识别装置进行介绍,下文描述的太赫兹光谱物质识别装置与上文描述的太赫兹光谱物质识别方法可相互对应参照。
参见图6,图6为本发明实施例提供的太赫兹光谱物质识别装置在一种具体实施方式下的结构图,该装置可包括:
光谱特征提取网络训练模块601,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,光谱特征提取网络包括光谱特征提取模块和数据重构模块。
物质识别网络训练模块602,用于基于光谱特征提取网络训练得到物质识别网络模型,物质识别网络模型包括特征提取模块和特征分类模块;特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;特征分类模块用于将特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到单通道光谱特征隶属每一类物质的概率。
待识别数据获取模块603,用于获取太赫兹光谱仪采集待测物体的待识别光谱数据。
光谱识别模块604,用于将待识别光谱数据输入至预先构建的物质识别网络模型,得到待测物体所属类别。
可选的,请参阅图7,在一种实施方式中,所述装置例如还可包括预处理模块605,所述预处理模块605可包括平滑处理子模块和基线漂移去除子模块;
平滑处理子模块用于对待识别光谱曲线进行平滑处理,以去除图像噪声;
基线漂移去除子模块用于利用非对称最小二乘法拟合得到待识别光谱曲线的基线,并将待识别光谱曲线和基线做差得到最终光谱曲线,以去除待识别光谱曲线的基线漂移。
本发明实施例所述太赫兹光谱物质识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
本发明实施例还提供了一种太赫兹光谱物质识别设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述太赫兹光谱物质识别方法的步骤。
本发明实施例所述太赫兹光谱物质识别设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
本发明实施例还提供了一种计算机可读存储介质,存储有太赫兹光谱物质识别程序,所述太赫兹光谱物质识别程序被处理器执行时如上任意一实施例所述太赫兹光谱物质识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例实现了利用少量样本数据训练得到性能好的物质识别网络模型,适应性强,易于推广应用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种物质识别网络模型训练方法、装置及太赫兹光谱物质识别方法、装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种物质识别网络模型训练方法,其特征在于,包括:
将训练样本集数据输入至预先构建的物质识别网络模型的框架结构中进行模型训练;
当所述物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束所述物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别;
其中,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
所述光谱特征提取网络包括光谱特征提取模块和数据重构模块,当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练;所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据。
3.根据权利要求1所述的物质识别网络模型训练方法,其特征在于,所述光谱特征提取网络的损失函数为:
L1=(x0-xre)2+reg*||W1||2+reg*||W2||2;
式中,xre为所述原始光谱数据,x0为重建光谱数据,reg为给定常数,W1为所述第一卷积层的权重矩阵,W2为所述第二卷积层的权重矩阵,||·||2为L2范数。
4.根据权利要求2或3所述的物质识别网络模型训练方法,其特征在于,所述物质识别网络模型的损失函数通过梯度下降法或梯度下降优化算法求解最小值;
所述光谱特征提取网络的损失函数通过梯度下降法或梯度下降优化算法求解最小值。
5.一种物质识别网络模型训练装置,其特征在于,包括:
样本数据获取模块,用于获取用于训练物质识别网络模型的训练样本集和验证样本集;
光谱特征提取网络训练模块,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,所述光谱特征提取网络包括光谱特征提取模块和数据重构模块;所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据;
识别模型训练模块,用于将训练样本集数据输入至预先构建的物质识别网络模型的框架结构中进行模型训练;所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与所述光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
识别模型训练结束判断模块,用于当所述物质识别网络模型对验证样本集的预测概率超过预设阈值,则结束所述物质识别网络模型的训练,以用于对太赫兹光谱物质种类的识别。
6.一种太赫兹光谱物质识别方法,其特征在于,包括:
获取太赫兹光谱仪采集待测物体的待识别光谱数据;
将所述待识别光谱数据输入至预先构建的物质识别网络模型中,得到所述待测物体所属类别;
其中,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
所述光谱特征提取网络包括光谱特征提取模块和数据重构模块,当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练;所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据;所述待识别光谱数据与所述物质识别网络模型训练样本数据的维度相同。
7.根据权利要求6所述的太赫兹光谱物质识别方法,其特征在于,所述获取太赫兹光谱仪采集待测物体的待识别光谱数据之后,还包括:
对所述待识别光谱曲线进行平滑处理,以去除图像噪声;
利用非对称最小二乘法拟合得到所述待识别光谱曲线的基线,并将所述待识别光谱曲线和所述基线做差得到最终光谱曲线,以去除所述待识别光谱曲线的基线漂移。
8.一种太赫兹光谱物质识别装置,其特征在于,包括:
光谱特征提取网络训练模块,用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练,所述光谱特征提取网络包括光谱特征提取模块和数据重构模块;所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征,然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建,得到重建光谱数据;
物质识别网络训练模块,用于基于所述光谱特征提取网络训练得到物质识别网络模型,所述物质识别网络模型包括特征提取模块和特征分类模块;所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同;所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征,并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率;
待识别数据获取模块,用于获取太赫兹光谱仪采集待测物体的待识别光谱数据;
光谱识别模块,用于将所述待识别光谱数据输入至预先构建的物质识别网络模型,得到所述待测物体所属类别。
9.根据权利要求8所述的太赫兹光谱物质识别装置,其特征在于,还包括预处理模块,所述预处理模块包括平滑处理子模块和基线漂移去除子模块;
平滑处理子模块用于对待识别光谱曲线进行平滑处理,以去除图像噪声;
基线漂移去除子模块用于利用非对称最小二乘法拟合得到待识别光谱曲线的基线,并将待识别光谱曲线和基线做差得到最终光谱曲线,以去除待识别光谱曲线的基线漂移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380222.3A CN110068544B (zh) | 2019-05-08 | 2019-05-08 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380222.3A CN110068544B (zh) | 2019-05-08 | 2019-05-08 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068544A CN110068544A (zh) | 2019-07-30 |
CN110068544B true CN110068544B (zh) | 2021-09-17 |
Family
ID=67370317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380222.3A Active CN110068544B (zh) | 2019-05-08 | 2019-05-08 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110068544B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458229A (zh) * | 2019-08-09 | 2019-11-15 | 电子科技大学中山学院 | 一种荧光粉的识别方法及装置 |
CN111222543B (zh) * | 2019-12-19 | 2024-03-22 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
CN111351766A (zh) * | 2020-02-27 | 2020-06-30 | 浙江大学 | 一种快速识别南瓜种子身份的方法 |
CN111982855A (zh) * | 2020-08-12 | 2020-11-24 | 广东工业大学 | 一种通过光谱信号进行物质识别的方法及其应用 |
CN112350791B (zh) * | 2020-10-28 | 2022-02-08 | 电子科技大学 | 一种基于深度学习的太赫兹信号检测方法 |
CN113049500B (zh) * | 2021-03-19 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
CN116502117B (zh) * | 2023-04-13 | 2023-12-15 | 厦门市帕兰提尔科技有限公司 | 一种基于ResNet的危险化学品识别方法、装置以及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364362A (zh) * | 2013-04-25 | 2013-10-23 | 首都师范大学 | 一种利用THz-TDS结合化学计量学鉴定中草药的方法 |
CN103822884A (zh) * | 2013-12-19 | 2014-05-28 | 中国矿业大学 | 一种基于太赫兹时域光谱的茶叶分类鉴别方法 |
CN104851099A (zh) * | 2015-05-21 | 2015-08-19 | 周口师范学院 | 一种基于表示学习的图像融合方法 |
CN105675534A (zh) * | 2016-03-25 | 2016-06-15 | 北京市农林科学院 | 一种抛光粮食的快速无损鉴别方法 |
CN106959284A (zh) * | 2017-03-27 | 2017-07-18 | 江苏大学 | 一种区分转基因玉米和非转基因玉米的检测方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
CN108830225A (zh) * | 2018-06-13 | 2018-11-16 | 广东工业大学 | 太赫兹图像中目标物体的检测方法、装置、设备及介质 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10234383B2 (en) * | 2017-06-20 | 2019-03-19 | Konica Minolta Laboratory U.S.A., Inc. | Terahertz spectral imaging system and security surveillance system employing the same |
CN108827904B (zh) * | 2018-06-19 | 2021-01-26 | 广东工业大学 | 基于太赫兹光谱的物质识别方法、装置、设备及存储介质 |
-
2019
- 2019-05-08 CN CN201910380222.3A patent/CN110068544B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103364362A (zh) * | 2013-04-25 | 2013-10-23 | 首都师范大学 | 一种利用THz-TDS结合化学计量学鉴定中草药的方法 |
CN103822884A (zh) * | 2013-12-19 | 2014-05-28 | 中国矿业大学 | 一种基于太赫兹时域光谱的茶叶分类鉴别方法 |
CN104851099A (zh) * | 2015-05-21 | 2015-08-19 | 周口师范学院 | 一种基于表示学习的图像融合方法 |
CN105675534A (zh) * | 2016-03-25 | 2016-06-15 | 北京市农林科学院 | 一种抛光粮食的快速无损鉴别方法 |
CN106959284A (zh) * | 2017-03-27 | 2017-07-18 | 江苏大学 | 一种区分转基因玉米和非转基因玉米的检测方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108458989A (zh) * | 2018-04-28 | 2018-08-28 | 江苏建筑职业技术学院 | 一种基于太赫兹多参数谱的煤岩识别方法 |
CN108830225A (zh) * | 2018-06-13 | 2018-11-16 | 广东工业大学 | 太赫兹图像中目标物体的检测方法、装置、设备及介质 |
CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
Non-Patent Citations (2)
Title |
---|
"Exploring the complementarity of THz pulse imaging";X.-X. Yin.et al;《computer methods and programs in biomedicine》;20161231;全文 * |
"基于卷积神经网络的图像验证码识别";秦波;《计算机系统应用》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110068544A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110068544B (zh) | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 | |
CN103364362B (zh) | 一种利用THz-TDS结合化学计量学鉴定中草药的方法 | |
CN107219188B (zh) | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 | |
CN107818298B (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
CN103353936B (zh) | 人脸识别方法及系统 | |
CN104020128A (zh) | 一种快速鉴别蜂胶胶源的方法 | |
CN106408012A (zh) | 一种模糊鉴别聚类的茶叶红外光谱分类方法 | |
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 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
CN104376325A (zh) | 一种近红外定性分析模型的建立方法 | |
CN105158200A (zh) | 一种提高近红外光谱定性分析准确度的建模方法 | |
CN116754511B (zh) | 基于光谱技术的吲哚菁绿检测方法及系统 | |
CN110749575A (zh) | 一种中药多糖二维红外光谱鉴别预测模型及其构建方法和应用 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN111027488A (zh) | 一种信号分类的方法和设备 | |
CN117949429A (zh) | 基于拉曼光谱和多模态混合式模型的杏仁产地鉴别方法 | |
CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
CN106570520A (zh) | 一种混合gk聚类的红外光谱茶叶优劣鉴别方法 | |
CN108491894A (zh) | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN116071565A (zh) | 一种基于高光谱成像的苹果霉心病识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |