CN110567887A - 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 - Google Patents
一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 Download PDFInfo
- Publication number
- CN110567887A CN110567887A CN201910863139.1A CN201910863139A CN110567887A CN 110567887 A CN110567887 A CN 110567887A CN 201910863139 A CN201910863139 A CN 201910863139A CN 110567887 A CN110567887 A CN 110567887A
- Authority
- CN
- China
- Prior art keywords
- convolution
- cocoon
- network
- sericin
- layer
- 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
- 108010013296 Sericins Proteins 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004090 dissolution Methods 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000002329 infrared spectrum Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 241000255789 Bombyx mori Species 0.000 abstract description 10
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,包括以下步骤:训练ResNet‑1D网络模型和预测干茧茧层丝胶溶失率。本申请应用高光谱成像技术,结合数字图像处理和深度学习的方法,研究了干茧茧层丝胶溶失率的快速无损精确获取理论和方法,为实现蚕茧品质的计算机检测和蚕业信息化水平的提高提供一定的理论基础。
Description
技术领域
本发明属于干茧茧层丝胶溶失率检测技术领域,具体设计一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法。
背景技术
茧层的丝胶溶失是促进丝胶膨润和减少丝胶胶着力的一种手段,在制丝生产中,由于煮茧工艺不当,索绪掌握不适等原因,容易造成茧层丝胶溶失率不合理地增大。丝胶溶失率的增大不仅影响生丝成分,且影响缫折,从而直接影响企业的经济效益。所以在保证丝胶胶着力减小到符合要求的前提下,对丝胶的溶失应当尽量限制,这对于提高生丝含胶率、增加出丝率都有明显的效果。所以对于蚕茧茧层丝胶溶失率的实时、快速检测研究,是促进蚕丝业生产的关键和重点。现行的检测手段和工艺已经落后于行业现状,检测周期过长,且对破坏受检样品造成浪费,无法适应市场经济的需要。较为落后的蚕茧质量检测方法与我国茧丝大国称号相背离,制约了我国蚕丝行业的产品质量和效率的提高。随着养蚕技术的发展,在蚕茧质量有了大幅提高的情况下,如何在蚕茧收购过程中提高我国蚕茧品质的检测技术已经成为制约实现“优茧优价”这一目标的瓶颈问题。
高光谱成像技术是20世纪80年代发展起来的新兴技术,它涉及光学、电子学、化学计量学和计算机科学等多个学科领域,结合了传统的成像技术和光谱信息采集,实现了光谱信息和图像信息的融合。由于它同时具有光谱的分辨能力和图像分辨能力,不仅可以对样品进行定性和定量分析,而且还能进行定位分析,在农产品品质检测中的应用也成为了近年来的一个研究热点。
本发明应用光谱成像技术,结合数字图像处理和深度学习方法,提出了一种干茧茧层丝胶溶失率检测的方法,为实现蚕茧品质的计算机检测和蚕业信息化水平的提高提供一定的理论基础。
发明内容
本发明的目的在于提供一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,在不破坏受检样品的情况下,实时、快速检测茧层丝胶溶失率。
为达到上述目的,本发明的技术方案是:
一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,包括以下步骤:
S1.训练ResNet-1D网络模型
S11.采集干茧样品在400~1000nm波段的可见/近红外光谱数据;
S12.对采集到的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S13.建立干茧丝胶溶失率的数据集,使用随机方法对经过预处理的可见/近红外光谱数据按10∶1分成训练集和验证集;
S14.将建立好的数据集输入到ResNet-1D网络模型中进行训练;
S2.预测干茧茧层丝胶溶失率
S21.采集待检样品在400~1000nm波段的可见/近红外光谱数据;
S22.对待检样品的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S23.将经过预处理的待检样品的光谱数据输入到训练好的ResNet-1D网络中,得出待检样品的茧层丝胶溶失率。
进一步,所述步骤S12中,Savitzky-Golay卷积平滑又称多项式平滑,是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合,一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式:
其中xk,smooth为波长k处经平滑后的平均值,H为归一化因子,为窗口宽度,hi为平滑系数,每一测量值乘以平滑系数hi的目的是尽可能减小平滑对有用信息的影响。
进一步,所述步骤S14中,ResNet-1D网络模型是由传统的残差网络ResNet101修改而来,ResNet-1D网络模型相较于传统的ResNet101网络不同的是,ResNet101网络是对二维图像进行分类处理,而ResNet-1D网络是对一维数据进行分类。ResNet-1D网络包括五个卷积模块,一个全局平均池化层,一个全连接层和一个softmax层。
进一步,所述的五个卷积模块分别是conv1、conv2、conv3、conv4和conv5,其中conv1由一个卷积核为1×7,步长为2的卷积组成,conv2、conv3和conv4分别由3、4和23个卷积块组成,卷积块之间采用残差连接方式,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,每个卷积层后均有批正则化层和ReLU激活函数,conv2、conv3和conv4的第一个卷积块的第一个1×1卷积的步长为2,其余卷积步长均为1,conv5由3个卷积块组成,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,conv5采用混合级联空洞卷积,其中第1个卷积块的1×3卷积扩张率为1,第2个卷积块的1×3卷积扩张率为2,第3个卷积块的1×3卷积扩张率为4。输入的1×600的一维数据在conv1阶段后分辨率降低为原来的1/2,在conv2阶段使用了步长为2的最大池化作下采样,在接下来的conv3和conv4使用步长为2的1×1卷积使分辨率依次减小为1/2倍,由于conv5使用级联空洞卷积,conv5输出的一维数据相较于输入的数据分辨率降低为原来的1/16。
进一步,所述的softmax层将茧层丝胶溶失率预测分值转换为茧层丝胶溶失率概率分布,输出的大小为1×1000,输出数据为茧层丝胶溶失率对应的概率,取概率最大值所在的位置,即对应的茧层丝胶溶失率,softmax函数定义为:
其中,N是类别数量,是k类别分数的向量,pk是属于k类别的概率。
进一步,所述步骤S14中,将建立好的数据集以批处理的方式输入到ResNet-1D网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y′是标签概率向量,Y是标签预测概率向量,N是类别数量,S是一维数据个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt-1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt-1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
附图说明
图1为本发明提供的实施例中一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法流程图;
图2为ResNet-1D模型中conv2的结构图;
图3为ResNet-1D模型中conv5的结构图;
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的的技术方案进行清楚、完整地描述,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,都属于本发明的保护范围。
如图1所示,一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,包括以下步骤:
S1.训练ResNet-1D网络模型
S11.采集干茧样品在400~1000nm波段的可见/近红外光谱数据;
S12.对采集到的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S13.建立干茧丝胶溶失率的数据集,使用随机方法对经过预处理的可见/近红外光谱数据按10∶1分成训练集和验证集;
S14.将建立好的数据集输入到ResNet-1D网络模型中进行训练;
S2.预测干茧茧层丝胶溶失率
S21.采集待检样品在400~1000nm波段的可见/近红外光谱数据;
S22.对待检样品的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S23.将经过预处理的待检样品的光谱数据输入到训练好的ResNet-1D网络中,得出待检样品的茧层丝胶溶失率。
进一步,所述步骤S12中,光谱预处理方法采用Savitzky-Golay卷积平滑法,Savitzky-Golay卷积平滑又称多项式平滑,是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合,一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式:
其中xk,smooth为波长k处经平滑后的平均值,H为归一化因子,为窗口宽度,hi为平滑系数,每一测量值乘以平滑系数hi的目的是尽可能减小平滑对有用信息的影响。
进一步,所述步骤S14中,ResNet-1D网络模型是由传统的残差网络ResNet101修改而来,ResNet-1D网络模型相较于传统的ResNet101网络不同的是,ResNet101网络是对二维图像进行分类处理,而ResNet-1D网络是对一维数据进行分类。ResNet-1D网络如表1所示,包括五个卷积模块,一个全局平均池化层,一个全连接层和一个softmax层。
表1 ResNet-1D网络配置
进一步,所述的五个卷积模块分别是conv1、conv2、conv3、conv4和conv5,其中conv1由一个卷积核为1×7,步长为2的卷积组成,conv2、conv3和conv4分别由3、4和23个卷积块组成,卷积块之间采用残差连接方式,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,每个卷积层后均有批正则化层和ReLU激活函数;conv2、conv3和conv4的第一个卷积块的第一个1×1卷积的步长为2,其余卷积步长均为1,如图2所示为conv2的结构图,其中批正则化层和ReLU激活函数层未画出;conv5的结构如图3所示,由3个卷积块组成,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,conv5采用混合级联空洞卷积,其中第1个卷积块的1×3卷积扩张率为1,第2个卷积块的1×3卷积扩张率为2,第3个卷积块的1×3卷积扩张率为4。输入的1×600的一维数据在conv1阶段后分辨率降低为原来的1/2,在conv2阶段使用了步长为2的最大池化作下采样,在接下来的conv3和conv4使用步长为2的1×1卷积使分辨率依次减小为1/2倍,由于conv5使用级联空洞卷积,conv5输出的一维数据相较于输入的数据分辨率降低为原来的1/16。
进一步,所述的softmax层将茧层丝胶溶失率预测分值转换为茧层丝胶溶失率概率分布,softmax函数定义为:
其中,N是类别数量,是k类别分数的向量,pk是属于k类别的概率。
进一步,所述步骤S14中,将建立好的数据集以批处理的方式输入到ResNet-1D网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y′是标签概率向量,Y是标签预测概率向量,N是类别数量,S是一维数据个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt-1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt-1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
本发明的有益效果:本发明应用光谱成像技术,结合数字图像处理和深度学习方法,提出了一种干茧茧层丝胶溶失率检测的方法,实现了在不破坏受检样品的情况下,实时、快速的检测干茧茧层丝胶溶失率,为实现蚕茧品质的计算机检测和蚕业信息化水平的提高提供一定的理论基础。
Claims (6)
1.一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,包括以下步骤:
S1.训练ResNet-1D网络模型
S11.采集干茧样品在400~1000nm波段的可见/近红外光谱数据;
S12.对采集到的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S13.建立干茧丝胶溶失率的数据集,使用随机方法对经过预处理的可见/近红外光谱数据按10:1分成训练集和验证集;
S14.将建立好的数据集输入到ResNet-1D网络模型中进行训练;
S2.预测干茧茧层丝胶溶失率
S21.采集待检样品在400~1000nm波段的可见/近红外光谱数据;
S22.对待检样品的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法;
S23.将经过预处理的待检样品的光谱数据输入到训练好的ResNet-1D网络中,得出待检样品的茧层丝胶溶失率。
2.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,所述步骤S12中,光谱预处理方法采用Savitzky-Golay卷积平滑法,Savitzky-Golay卷积平滑又称多项式平滑,是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合,一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式:
其中xk,smooth为波长k处经平滑后的平均值,H为归一化因子,(2w+1)为窗口宽度,hi为平滑系数,每一测量值乘以平滑系数hi的目的是尽可能减小平滑对有用信息的影响。
3.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,所述步骤S14中,ResNet-1D网络模型是由传统的残差网络ResNet101修改而来,ResNet-1D网络模型相较于传统的ResNet101网络不同的是,ResNet101网络是对二维图像进行分类处理,而ResNet-1D网络是对一维数据进行分类。ResNet-1D网络包括五个卷积模块,一个全局平均池化层,一个全连接层和一个softmax层。
4.根据权利要求3所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,所述的五个卷积模块分别是conv1、conv2、conv3、conv4和conv5,其中conv1由一个卷积核为1×7,步长为2的卷积组成,conv2、conv3和conv4分别由3、4和23个卷积块组成,卷积块之间采用残差连接方式,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,每个卷积层后均有批正则化层和ReLU激活函数,conv2、conv3和conv4的第一个卷积块的第一个1×1卷积的步长为2,其余卷积步长均为1,conv5由3个卷积块组成,每个卷积块中包含3个卷积层,卷积核分别为1×1、1×3和1×1,conv5采用混合级联空洞卷积,其中第1个卷积块的1×3卷积扩张率为1,第2个卷积块的1×3卷积扩张率为2,第3个卷积块的1×3卷积扩张率为4;输入的1×600的一维数据在conv1阶段后分辨率降低为原来的1/2,在conv2阶段使用了步长为2的最大池化作下采样,在接下来的conv3和conv4使用步长为2的1×1卷积使分辨率依次减小为1/2倍,由于conv5使用级联空洞卷积,conv5输出的一维数据相较于输入的数据分辨率降低为原来的1/16。
5.根据权利要求3所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,所述的softmax层将茧层丝胶溶失率预测分值转换为茧层丝胶溶失率概率分布,softmax函数定义为:
其中,N是类别数量,是k类别分数的向量,pk是属于k类别的概率。
6.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法,其特征在于,将建立好的数据集以批处理的方式输入到ResNet-1D网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y′是标签概率向量,Y是标签预测概率向量,N是类别数量,S是一维数据个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt-1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt-1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863139.1A CN110567887A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863139.1A CN110567887A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110567887A true CN110567887A (zh) | 2019-12-13 |
Family
ID=68779749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863139.1A Pending CN110567887A (zh) | 2019-09-12 | 2019-09-12 | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567887A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN117851940A (zh) * | 2024-03-08 | 2024-04-09 | 北京建筑大学 | 一种超声导波损伤检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107909150A (zh) * | 2017-11-29 | 2018-04-13 | 华中科技大学 | 基于逐块随机梯度下降法在线训练cnn的方法与系统 |
US20180204121A1 (en) * | 2017-01-17 | 2018-07-19 | Baidu Online Network Technology (Beijing) Co., Ltd | Audio processing method and apparatus based on artificial intelligence |
WO2018235746A1 (ja) * | 2017-06-21 | 2018-12-27 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
CN109490123A (zh) * | 2018-11-02 | 2019-03-19 | 广西出入境检验检疫局检验检疫技术中心 | 鉴定干茧生丝的抱合测试方法 |
US20190244108A1 (en) * | 2018-02-08 | 2019-08-08 | Cognizant Technology Solutions U.S. Corporation | System and Method For Pseudo-Task Augmentation in Deep Multitask Learning |
-
2019
- 2019-09-12 CN CN201910863139.1A patent/CN110567887A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180204121A1 (en) * | 2017-01-17 | 2018-07-19 | Baidu Online Network Technology (Beijing) Co., Ltd | Audio processing method and apparatus based on artificial intelligence |
WO2018235746A1 (ja) * | 2017-06-21 | 2018-12-27 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、プログラム、および、記憶媒体 |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107909150A (zh) * | 2017-11-29 | 2018-04-13 | 华中科技大学 | 基于逐块随机梯度下降法在线训练cnn的方法与系统 |
US20190244108A1 (en) * | 2018-02-08 | 2019-08-08 | Cognizant Technology Solutions U.S. Corporation | System and Method For Pseudo-Task Augmentation in Deep Multitask Learning |
CN109490123A (zh) * | 2018-11-02 | 2019-03-19 | 广西出入境检验检疫局检验检疫技术中心 | 鉴定干茧生丝的抱合测试方法 |
Non-Patent Citations (3)
Title |
---|
刘成: "基于机器学习的水稻病害识别算法的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
贾少鹏: "基于深度学习的农作物病虫害图像识别技术研究进展", 《农业机械学报》 * |
金航峰: "基于光谱和高光谱图像技术的蚕茧品质无损检测研究", 《中国优秀博硕士学位论文全文数据库 农业科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN117851940A (zh) * | 2024-03-08 | 2024-04-09 | 北京建筑大学 | 一种超声导波损伤检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | Automatic grape leaf diseases identification via UnitedModel based on multiple convolutional neural networks | |
Chen et al. | Chinesefoodnet: A large-scale image dataset for chinese food recognition | |
CN110045015B (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN109035163A (zh) | 一种基于深度学习的自适应图像去噪方法 | |
CN112766355B (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
CN110378295A (zh) | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 | |
CN110567887A (zh) | 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法 | |
CN112749663B (zh) | 基于物联网和ccnn模型的农业果实成熟度检测系统 | |
CN109002855A (zh) | 一种基于卷积神经网络的红茶发酵程度的鉴定方法 | |
Hao et al. | Growing period classification of Gynura bicolor DC using GL-CNN | |
CN110414578A (zh) | 一种基于动态多批次训练和色域转化的迁移学习方法 | |
Lin et al. | Deep transfer learning for hyperspectral image classification | |
Zhu et al. | Identifying carrot appearance quality by an improved dense CapNet | |
Yu et al. | Recognition method of soybean leaf diseases using residual neural network based on transfer learning | |
CN110567889A (zh) | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN115294994A (zh) | 一种真实环境中的鸟类鸣声自动识别系统 | |
Yu et al. | A diagnosis model of soybean leaf diseases based on improved residual neural network | |
CN116883393A (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
Tang et al. | Transound: Hyper-head attention transformer for birds sound recognition | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN104933410B (zh) | 一种高光谱图像光谱域与空间域联合分类方法 | |
CN116258914B (zh) | 基于机器学习及局部和全局特征融合的遥感图像分类方法 | |
CN110414338B (zh) | 基于稀疏注意力网络的行人再辨识方法 | |
Zhang et al. | Slight crack identification of cottonseed using air-coupled ultrasound with sound to image encoding |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |
|
WD01 | Invention patent application deemed withdrawn after publication |