CN111191701B - 一种基于深度学习的颜料光谱辨识方法 - Google Patents

一种基于深度学习的颜料光谱辨识方法 Download PDF

Info

Publication number
CN111191701B
CN111191701B CN201911337833.6A CN201911337833A CN111191701B CN 111191701 B CN111191701 B CN 111191701B CN 201911337833 A CN201911337833 A CN 201911337833A CN 111191701 B CN111191701 B CN 111191701B
Authority
CN
China
Prior art keywords
network model
nodes
deep learning
neural network
convolutional 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.)
Active
Application number
CN201911337833.6A
Other languages
English (en)
Other versions
CN111191701A (zh
Inventor
范尧
张朋昌
唐兴佳
王爽
于涛
高晓惠
卢孝强
胡炳樑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN201911337833.6A priority Critical patent/CN111191701B/zh
Publication of CN111191701A publication Critical patent/CN111191701A/zh
Application granted granted Critical
Publication of CN111191701B publication Critical patent/CN111191701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的颜料光谱辨识方法，解决现有利用颜料光谱来识别颜料种类的方法，存在识别准确率低的问题。该方法包括以下步骤：1)采集颜料块的高光谱数据，获得高光谱数据块；2)去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；3)对采集的高光谱图像数据块进行分割得到若干图像块,将每个图像块的所有像素光谱曲线排成矩阵,对每个矩阵的每一条光谱曲线样本添加颜料标签，将每个矩阵的所有光谱曲线样本分为测验单元，4)建立深度学习神经网络模型，5)训练神经网络模型，调整网络模型的参数，6)使用调整好参数的神经网络模型进行测试，并统计其测试结果，7)计算及调整。

Description

一种基于深度学习的颜料光谱辨识方法
技术领域
本发明涉及颜料辨识技术，尤其涉及一种基于深度学习的颜料光谱辨识方法。
背景技术
在进行颜料物质识别时，现有一些识别方法需要采集颜料样本，对颜料物质是有损或微损的，如采用X光衍射方法、拉曼光谱分析方法、电镜扫描分析方法等。
现有利用颜料光谱来识别颜料种类是一类无损的可行方法，利用测量光谱与已知光谱进行比较，可以得出颜料类别，常用方法有光谱角填图、光谱相关测量等，但由于不同类别颜料光谱的区分度不大，因此识别准确率不高。
发明内容
为了解决现有利用颜料光谱来识别颜料种类的方法，存在识别准确率低的技术问题，本发明提供了一种基于深度学习的颜料光谱辨识方法。
为实现上述目的，本发明提供的技术方案是：
一种基于深度学习的颜料光谱辨识方法，其特殊之处在于，包括以下步骤：
1)采集
采集颜料块的高光谱数据，获得高光谱数据块；
2)预处理
去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；
3)分割并添加标签
3.1)对采集的高光谱图像数据块进行分割，得到若干a*a*b图像块，所述a、b均大于等于0；
3.2)将每个a*a*b图像块的所有像素光谱曲线排成c*b的矩阵，所述c＝a*a；
其中，矩阵的每列表示一条光谱曲线样本，每行表示光谱样本序号；
3.3)对每个矩阵的每一条光谱曲线样本添加颜料标签，且每个矩阵的所有颜料标签属于同一种颜料；
3.4)将每个矩阵的所有光谱曲线样本分为测验单元，所述测验单元包括训练集、测试集，且训练集的数量大于测试集；
4)建立深度学习神经网络模型
建立深度学习神经网络模型，其结构包括6层，分别为输入卷积层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、输出分类层；
所述输入卷积层的输出通道与第一卷积层的输入通道相同；
所述第一卷积层的输出通道与第二卷积层的输入通道相同；
所述第二卷积层的输出通道与第三卷积层的输入通道相同；
所述第三卷积层的输出通道与第四卷积层的输入通道相同；
所述第四卷积层的输出通道与输出分类层的输入通道相同；
所述第一卷积层、第二卷积层、第三卷积层、第四卷积层的节点依次呈指数下降；
5)训练神经网络模型，调整网络模型的参数
将训练集作为样本输入神经网络模型中进行训练，调整网络模型的参数，所述参数包括权重W和偏置B，并保留调整好的参数；
6)测试
使用调整好参数的神经网络模型在测试集上进行测试，并统计其测试结果；
7)计算及调整
计算测试结果的正确率，若正确率高于所给定阈值，则分类结果准确；
若正确率低于所给定阈值，返回步骤5)，重新调整网络模型的条件参数，直至分类结果准确；
所述条件参数包括学习率、批次大小、优化方法、迭代次数、激活函数。
进一步地，步骤3)中，所述测验单元还包括验证集；
在步骤5)和步骤6)之间还包括步骤A)验证：
将验证集作为样本输入神经网络模型，在验证集上验证神经网络模型的准确性。
进一步地，步骤3)中，所述图像块的规格为80*80*520，矩阵的规格为6400*520。
进一步地，步骤4)中，所述输入卷积层输入520个节点，输出512个节点；
所述第一卷积层输入512个节点，输出256个节点；
所述第二卷积层输入256个节点，输出128个节点；
所述第三卷积层输入128个节点，输出64个节点；
所述第四卷积层输入64个节点，输出32个节点；
所述输出分类层输入32个节点，输出30个节点。
进一步地，步骤3.4)中，所述训练集、测试集、验证集的比例分别为70％、15％、15％。
进一步地，步骤7)中，所述给定阈值为80％。
与现有技术相比，本发明的优点是：
1、本发明颜料光谱辨识方法通过对颜料块进行高光谱数据采集，并在对高光谱数据预处理的基础上建立神经网络模型，使用调整好参数的网络模型对颜料种类进行识别，准确得出颜料种类，可广泛应用于高光谱数据处理领域，并且对于其他物体种类辨识技术具有良好的借鉴性。
2、本发明颜料光谱辨识方法在测试前，可在验证集上验证神经网络模型的准确性，提高辨识的辨别精度。
3、本发明颜料光谱辨识方法所使用的神经网络模型结构简单，且该模型的节点数量呈指数下降，能有效减小运算复杂度，提高运算效率，进而提高辨别效率。
附图说明
图1是本发明基于深度学习的颜料光谱辨识方法的流程图；
图2是本发明基于深度学习的颜料光谱辨识方法中深度学习神经网络模型的结构与运算过程示意图。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述。
如图1所示，一种基于深度学习的颜料光谱辨识方法，对颜料块进行高光谱数据采集，并预处理的基础上建立卷积神经网络模型，对颜料种类进行识别，可广泛应用于高光谱数据处理领域，并且对于其他物体种类辨识技术具有良好的借鉴性。该方法包括以下步骤：
1)采集
利用高光谱相机Gaia Field采集颜料块的高光谱数据，获得高光谱数据块；
2)预处理
去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；
3)分割并添加标签
3.1)对采集的高光谱图像数据块进行分割，将其沿一个面分为若干80*80*520的小方块，得到若干80*80*520图像块；
3.2)将每个80*80*520图像块的所有像素光谱曲线排成6400*520的矩阵，
其中，排成矩阵的每列表示一条光谱曲线样本(350nm-1032nm)，每一行表示光谱样本序号；
3.3)对每个矩阵的每一条光谱曲线样本添加颜料标签，添加名称标签是针对每一条光谱曲线样本加一个标签，因为每个单独图像块表示的是同一种颜料，因此每个矩阵的所有颜料标签属于同一种颜料(令每个颜料名称标签属于同一区域)；
3.4)将每个矩阵的所有光谱曲线样本分为训练集、测试集、验证集，训练集、测试集、验证集分别占比为70％、15％、15％；
4)建立深度学习神经网络模型
建立深度学习神经网络模型，其结构包括6层，如图2所示，分别为输入卷积层(输入520、输出512)、第一卷积层(输入512、输出256)、第二卷积层(输入256、输出128)、第三卷积层(输入128、输出64)、第四卷积层(输入64、输出32)、输出分类层(输出30)；
输入卷积层输入为520个节点，对应的是一条样本谱线的520的像素(数据点)，输出为中间值512个像素(数据点)；
第一卷积层输入为512个节点，输出为中间值256个像素(数据点)；
第二卷积层输入为256个节点，输出为中间值128个像素(数据点)；
第三卷积层输入为128个节点，输出为中间值64个像素(数据点)；
第四卷积层输入为64个节点，输出为中间值32个像素(数据点)；
输出分类层输入为32个节点，输出为30个像素(数据点)。
深度学习神经网络模型的节点数量呈指数下降，能有效减小运算复杂度，提高运算效率，该模型结构简单，轻量，并有对称性，模型的节点数量可以自适应调整；
5)训练神经网络模型，调整网络模型的参数
将训练集作为样本输入神经网络模型中进行训练，调整网络模型的参数，所述参数包括权重W和偏置B，并保留调整好的权重W和偏置B；
6)验证
将验证集作为样本输入调整好参数的神经网络模型，在验证集上验证神经网络模型的准确性；
7)测试
使用验证后的神经网络模型在测试集上进行测试，并统计其测试结果；
8)计算及调整
计算测试结果的正确率，正确率为统计正确样本所占总样本数的比例，若正确率高于所给定阈值，通常正确率的给定阈值为80％，则分类结果准确并停止；其中，输出层使用softmax函数，根据最大概率准则，输出最大值所在的标签类即为预测该样本的分类，已经训练好的神经网络针对每一个测试样本都会有一个测试分类结果，比方说测试集有5000个样本，这5000个样本本来是有标签的(以其中一种颜料铅丹为例)，根据设定阈值为80％计算，结果大于4000条测试分类结果是铅丹，那么就认为分类结果准确；
若统计正确率低于所给定阈值，返回步骤5)，则重新调整网络模型的条件参数，这里可以调整的条件参数有学习率learing rate、批次大小batch_size、优化方法optimizer、迭代次数、激活函数，直到正确率高于给定阈值，分类结果为止。
或者，计算测试结果的错误率，错误率为统计错误样本所占总样本数的比例，若错误率低于所给定阈值，通常错误率的给定阈值为20％，则分类结果准确并停止；若错误率高于所给定阈值，则重新调整网络模型的条件参数，直到正确率低于给定阈值分类结果为止。
该方法在绘画颜料辨识领域具有极大的价值，能无损识别颜料。适合工程的普遍应用，稳定性好。
以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴。

Claims (6)

1.一种基于深度学习的颜料光谱辨识方法，其特征在于，包括以下步骤：
1)采集
采集颜料块的高光谱数据，获得高光谱数据块；
2)预处理
去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；
3)分割并添加标签
3.1)对采集的高光谱图像数据块进行分割，得到若干a*a*b图像块，所述a、b均大于等于0；
3.2)将每个a*a*b图像块的所有像素光谱曲线排成c*b的矩阵，所述c＝a*a；
其中，矩阵的每列表示一条光谱曲线样本，每行表示光谱样本序号；
3.3)对每个矩阵的每一条光谱曲线样本添加颜料标签，且每个矩阵的所有颜料标签属于同一种颜料；
3.4)将每个矩阵的所有光谱曲线样本分为测验单元，所述测验单元包括训练集、测试集，且训练集的数量大于测试集；
4)建立深度学习神经网络模型
建立深度学习神经网络模型，其结构包括6层，分别为输入卷积层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、输出分类层；
所述输入卷积层的输出通道与第一卷积层的输入通道相同；
所述第一卷积层的输出通道与第二卷积层的输入通道相同；
所述第二卷积层的输出通道与第三卷积层的输入通道相同；
所述第三卷积层的输出通道与第四卷积层的输入通道相同；
所述第四卷积层的输出通道与输出分类层的输入通道相同；
所述第一卷积层、第二卷积层、第三卷积层、第四卷积层的节点依次呈指数下降；
5)训练神经网络模型，调整网络模型的参数
将训练集作为样本输入神经网络模型中进行训练，调整网络模型的参数，所述参数包括权重W和偏置B，并保留调整好的参数；
6)测试
使用调整好参数的神经网络模型在测试集上进行测试，并统计其测试结果；
7)计算及调整
计算测试结果的正确率，若正确率高于所给定阈值，则分类结果准确；
若正确率低于所给定阈值，返回步骤5)，重新调整网络模型的条件参数，直至分类结果准确；
所述条件参数包括学习率、批次大小、优化方法、迭代次数、激活函数。
2.根据权利要求1所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3)中，所述测验单元还包括验证集；
在步骤5)和步骤6)之间还包括步骤A)验证：
将验证集作为样本输入神经网络模型，在验证集上验证神经网络模型的准确性。
3.根据权利要求2所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3)中，所述图像块的规格为80*80*520，矩阵的规格为6400*520。
4.根据权利要求3所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤4)中，所述输入卷积层输入520个节点，输出512个节点；
所述第一卷积层输入512个节点，输出256个节点；
所述第二卷积层输入256个节点，输出128个节点；
所述第三卷积层输入128个节点，输出64个节点；
所述第四卷积层输入64个节点，输出32个节点；
所述输出分类层输入32个节点，输出30个节点。
5.根据权利要求4所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3.4)中，所述训练集、测试集、验证集的比例分别为70％、15％、15％。
6.根据权利要求5所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤7)中，所述给定阈值为80％。
CN201911337833.6A 2019-12-23 2019-12-23 一种基于深度学习的颜料光谱辨识方法 Active CN111191701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911337833.6A CN111191701B (zh) 2019-12-23 2019-12-23 一种基于深度学习的颜料光谱辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911337833.6A CN111191701B (zh) 2019-12-23 2019-12-23 一种基于深度学习的颜料光谱辨识方法

Publications (2)

Publication Number Publication Date
CN111191701A CN111191701A (zh) 2020-05-22
CN111191701B true CN111191701B (zh) 2023-04-11

Family

ID=70707484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911337833.6A Active CN111191701B (zh) 2019-12-23 2019-12-23 一种基于深度学习的颜料光谱辨识方法

Country Status (1)

Country Link
CN (1) CN111191701B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN109214302A (zh) * 2018-08-13 2019-01-15 湖南志东科技有限公司 一种基于多光谱的物质识别方法
CN109598306A (zh) * 2018-12-06 2019-04-09 西安电子科技大学 基于srcm和卷积神经网络的高光谱图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2015331579A1 (en) * 2014-10-17 2017-05-25 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN109214302A (zh) * 2018-08-13 2019-01-15 湖南志东科技有限公司 一种基于多光谱的物质识别方法
CN109598306A (zh) * 2018-12-06 2019-04-09 西安电子科技大学 基于srcm和卷积神经网络的高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的高光谱图像分类方法;路易等;《计算机工程与设计》;20180916(第09期);全文 *
基于近红外高光谱技术的敦煌莫高窟壁画起甲病害风险评估方法;孙美君等;《文物保护与考古科学》;20161115(第04期);全文 *

Also Published As

Publication number Publication date
CN111191701A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN108665460B (zh) 基于组合神经网络和分类神经网络的图像质量评价方法
CN112052755B (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN112464713B (zh) 一种基于深度学习的通信辐射源射频指纹识别方法
CN110310261A (zh) 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN111860570B (zh) 一种云微粒子图像提取及分类方法
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
CN107895136B (zh) 一种煤矿区域识别方法及系统
CN113378971B (zh) 近红外光谱的分类模型训练方法、系统及分类方法、系统
CN109460471B (zh) 一种基于自学习的方式建立纤维种类图谱库的方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
CN109063773B (zh) 一种利用图像特征提高激光探针分类精度的方法
CN111191701B (zh) 一种基于深度学习的颜料光谱辨识方法
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN113240620A (zh) 基于点标记的高度黏连和多尺寸脑神经元自动分割方法
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN116704241A (zh) 一种全通道3d卷积神经网络高光谱遥感图像分类方法
CN107067034B (zh) 一种快速识别红外光谱数据分类的方法及系统
CN112733775A (zh) 基于深度学习的高光谱影像分类方法
CN114048682B (zh) 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法

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
GR01 Patent grant
GR01 Patent grant