CN113420795B - 一种基于空洞卷积神经网络的矿物光谱分类方法 - Google Patents
一种基于空洞卷积神经网络的矿物光谱分类方法 Download PDFInfo
- Publication number
- CN113420795B CN113420795B CN202110630954.0A CN202110630954A CN113420795B CN 113420795 B CN113420795 B CN 113420795B CN 202110630954 A CN202110630954 A CN 202110630954A CN 113420795 B CN113420795 B CN 113420795B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- size
- hole
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 107
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 89
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 87
- 239000011707 mineral Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 60
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000465 moulding Methods 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000001819 mass spectrum Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 6
- 229910021532 Calcite Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010459 dolomite Substances 0.000 description 4
- 229910000514 dolomite Inorganic materials 0.000 description 4
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 4
- 229910052622 kaolinite Inorganic materials 0.000 description 4
- YGANSGVIUGARFR-UHFFFAOYSA-N dipotassium dioxosilane oxo(oxoalumanyloxy)alumane oxygen(2-) Chemical compound [O--].[K+].[K+].O=[Si]=O.O=[Al]O[Al]=O YGANSGVIUGARFR-UHFFFAOYSA-N 0.000 description 3
- 229910052627 muscovite Inorganic materials 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明属于高光谱遥感应用技术领域,具体涉及一种基于空洞卷积神经网络的矿物光谱分类方法,包括:步骤一,矿物光谱数据获取,步骤二,矿物光谱数据增强,步骤三,矿物光谱样本划分,步骤四,构建空洞卷积神经网络分类模型,步骤五,设置参数并训练空洞卷积神经网络;步骤六,验证空洞卷积神经网络,步骤七,使用训练好的网络预测分类;步骤八,分类结果精度评价。本方法有效地解决了现有方法易受噪声影响,所需人工操作步骤多,人为判断误差明显,对于矿物光谱信号识别精度不够高,自动化程度较低,可扩展性差的技术问题,提高了海量光谱数据的处理效率和分类精度。
Description
技术领域
本发明属于高光谱遥感应用技术领域,具体涉及一种基于空洞卷积神经网络的矿物光谱分类方法。
背景技术
岩石矿物由于特有的结构和组分特征,使其具有独特的诊断性光谱吸收特征,为岩矿鉴定与识别奠定了基础。在遥感地质领域,矿物光谱一直是热门的研究方向之一,主要包括矿物光谱特征分析、影响矿物光谱的因素以及矿物光谱分类等。在矿物光谱分类方面,目前主要的方法是将光谱数据进行一系列复杂预处理操作之后,再利用光谱角、决策树、支持向量机等传统方法进行分类,但是现有矿物光谱分类方法易受噪声影响,所需人工操作步骤多,增加了人为判断误差,识别精度不高,效率低下,难以自动处理海量光谱数据。
因此,需要设计一种更为准确、高效的矿物光谱分类方法,以改善上述现有技术的不足。
发明内容
本发明的目的在于提出一种基于空洞卷积神经网络的矿物光谱分类方法,以解决现有方法易受噪声影响,所需人工操作步骤多,人为判断误差明显,对于矿物光谱识别精度不够高,自动化程度较低,可扩展性差的技术问题。
本发明所采用的技术方案是:
一种基于空洞卷积神经网络的矿物光谱分类方法,包括如下步骤:
步骤一,矿物光谱数据获取,包括:通过ASD光谱仪在野外采集或实验室测量矿物光谱,获取待分类矿物光谱数据;
步骤二,矿物光谱数据增强,包括:将步骤一获取到的矿物光谱数据中添加强度不等的高斯白噪声,扩充每类矿物光谱规模,达到矿物数据增强;
步骤三,矿物光谱样本划分,包括:采用随机抽样法将步骤二中增强后的每个矿物光谱数据分别按照60%、20%、20%的比例划分为独立的训练集、验证集和测试集;
步骤四,构建空洞卷积神经网络分类模型,包括:根据矿物光谱特性,构建含有九层的空洞卷积神经网络模型,所述九层空洞卷积神经网络模型包括输入层、空洞卷积层DC1、池化层S1、空洞卷积层DC2、池化层S2、空洞卷积层DC3、全连接层FC1、全连接层FC2和输出层;
步骤五,设置参数并训练空洞卷积神经网络;
步骤六,验证空洞卷积神经网络,包括:将步骤三制作的验证集输入到经步骤五训练后的空洞卷积神经网络中进行验证;
步骤七,使用训练好的网络预测分类;
步骤八,分类结果精度评价。
所述步骤四中的输入层为构建的九层空洞卷积神经网络模型的第一层,所述空洞卷积层DC1为构建的空洞卷积神经网络模型的第二层,所述池化层S1为空洞卷积神经网络模型的第三层,空洞卷积层DC2为空洞卷积神经网络模型的第四层,池化层S2为空洞卷积神经网络模型的第五层,空洞卷积层DC3为空洞卷积神经网络模型的第六层,全连接层FC1为空洞卷积神经网络模型的第七层,全连接层FC2为空洞卷积神经网络模型的第八层,输出层为空洞卷积神经网络模型的第九层。
所述第一层输入层内输入训练集中的矿物光谱数据,光谱数据大小为511×1×1,记为X1,并将X1输入到第二层空洞卷积层DC1。
所述第二层空洞卷积层DC1内输入第一层输入层的数据X1,X1的光谱数据大小为511×1×1,所述空洞卷积层DC1卷积核大小为5,卷积核数量为64,步长为1,空洞率为2;经过第二层空洞卷积层DC1得到的输出特征图尺寸大小为503×1×64,记为X2,并将X2输入到第三层池化层S1。
所述第三层池化层S1内输入经第二层空洞卷积层DC1输出的数据X2,特征图尺寸大小为503×1×64;所述第三层池化层S1的池化类型为最大池化,池化核大小为3,步长为2;经过第三层池化层S1得到的输出特征图尺寸大小为251×1×64,记为X3,并将X3输入到第四层空洞卷积层DC2。
所述第四层空洞卷积层DC2内输入经第三层池化层S1输出的数据X3,特征图尺寸大小为251×1×64,所述第四层空洞卷积层DC2的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经过第四层空洞卷积层DC2得到的输出特征图尺寸大小为247×1×64,记为X4,并将X4输入到第五层池化层S2。
所述第五层池化层S2内输入经第四层空洞卷积层DC2输出的数据X4,特征图尺寸大小为247×1×64,所述第五层池化层S2的池化类型为最大池化,池化核大小为3,步长为2,经过第五层池化层S2得到的输出特征图尺寸大小为123×1×64,记为X5,并将X5输入到第六层空洞卷积层DC3。
所述第六层空洞卷积层DC3内输入经第五层池化层S2输出的数据X5,特征图尺寸大小为123×1×64;所述第六层空洞卷积层DC3的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经第六层空洞卷积层DC3得到的输出特征图尺寸大小为119×1×64,记为X6,并将X6输入到第七层全连接层FC1。
所述第七层全连接层FC1将第六层空洞卷积层DC3输出的数据X6组合为一个大小为1×7616的数据;
所述第七层全连接层FC1共有256个神经元,每个神经元与大小为1×7616的数据中的每个数据进行全连接,每个神经元输出为一个数据,第七层全连接层FC1的256个神经元输出的数据大小为1×256,记为X7,并将X7输入到第八层全连接层FC2;
所述第八层全连接层FC2内输入经第七层全连接层FC1输出的数据X7,大小为1×256;所述第八层全连接层FC2共有64个神经元,所述第八层全连接层FC2中的每个神经元与第七层全连接层FC1输出的大小为1×256的数据中的每个数据进行全连接;
所述第八层全连接层FC2中的每个神经元输出为一个数据,得到的输出数据大小为1×64,记为X8,并将X8输入到第九层输出层;
所述第九层输出层共有4个神经元,采用softmax计算损失输出大小为1×4的数据,并分别输出光谱数据的分类预测概率。
所述步骤五中空洞卷积神经网络的设置参数包括:设置空洞卷积神经网络的学习率为0.008,批处理大小为10,迭代次数为200,损失函数为交叉熵,卷积层激活函数为ReLu;
所述步骤五中空洞卷积神经网络的训练包括:将步骤三中制作的训练集输入到步骤四得到的空洞卷积神经网络分类模型中,通过计算损失函数误差,采用反向传播算法不断迭代优化调整网络权值和偏置。
所述步骤七中使用训练好的网络预测分类包括:利用步骤六训练好的空洞卷积神经网络模型进行预测分类,输入步骤三的测试集样本,输出即为矿物光谱分类结果。
所述步骤八的分类结果精度评价,包括:
根据输出的正确样本比例计算分类准确率,评价矿物光谱分类精度,分类准确率PA表示为
其中,Nc为判别正确的样本数量,Nr为样本总数。
本发明有益的技术效果:
本发明设计的一种基于空洞卷积神经网络的矿物光谱分类方法,能够有效地利用空洞卷积神经网络的特征学习能力对矿物光谱进行识别分类。
本发明中步骤八分类结果精度评价,不仅与支持向量机和反向传播算法两种本领域常用的分类方法相比准确率更高,而且与未引入空洞卷积的标准卷积神经网络相比准确率同样有所提升,体现了矿物光谱信号识别精度高;
本发明中可扩展性体现为两个方面,包括矿物光谱种类的扩展和模型应用领域的扩展,其中步骤四构建的空洞卷积神经网络分类模型中第九层所包含的神经元个数即为最终的矿物光谱种类数量,可根据实际情况调整类别个数,体现了模型对矿物光谱种类的可扩展性增强;步骤四构建的空洞卷积神经网络分类模型,不仅可以应用于矿物光谱分类,还可用于故障检测、语音识别、生物医学工程等领域,体现了模型对应用领域的可扩展性增强;
因此,本发明设计的该方法有效地解决了现有方法易受噪声影响,所需人工操作步骤多,人为判断误差明显,对于矿物光谱信号识别精度不够高,自动化程度较低,可扩展性差的技术问题,提高了海量光谱数据的处理效率和分类精度,减少了噪声和人为操作误差等影响,极大地节省了人力和时间成本,提升经济效益。
附图说明
图1为本发明设计的一种基于空洞卷积神经网络的矿物光谱分类方法的流程图;
图2为本发明构建的空洞卷积神经网络分类模型的结构示意图;
图3为一维空洞卷积结构示意图;
图4为本发明训练过程中损失误差曲线图。
具体实施方式
下面结合附图及具体实施方式对本发明内容作进一步描述。
一种基于空洞卷积神经网络的矿物光谱分类方法,包括如下步骤:
步骤一,矿物光谱数据获取,包括:通过ASD光谱仪在野外采集或实验室测量矿物光谱,获取待分类矿物光谱数据;
本实施例中包含4种矿物类型,分别是白云母(muscovite)、白云石(dolomite)、方解石(calcite)和高岭石(kaolinite),对应的光谱数量分别是500、1000、500和1000条,波长范围为350~2500nm。
步骤二,矿物光谱数据增强,包括:将步骤一获取到的矿物光谱数据中添加强度不等的高斯白噪声,扩充每类矿物光谱规模,达到矿物数据增强;
实际上每添加一种强度的噪声,光谱数据规模就会翻一倍,因此具体添加几种强度的噪声需根据原始光谱数据特点及模型训练情况决定。
本实施例中向步骤一获取的原始矿物光谱数据中添加30dBW和50dBW的高斯白噪声,分别将白云母光谱扩充至1500条,白云石光谱扩充至3000条,方解石光谱扩充至1500条,高岭石光谱扩充至3000条。
步骤三,矿物光谱样本划分,包括:采用随机抽样法将步骤二中增强后的每个矿物光谱数据分别按照60%、20%、20%的比例划分为独立的训练集、验证集和测试集;
本实施例中:
1500条白云母光谱的60%(900条)划入训练集,20%(300条)划入验证集,20%(300条)划入测试集;
3000条白云石光谱的60%(1800条)划入训练集,20%(600条)划入验证集,20%(600条)划入测试集;
1500条方解石光谱的60%(900条)划入训练集,20%(300条)划入验证集,20%(300条)划入测试集;
3000条高岭石光谱的60%(1800条)划入训练集,20%(600条)划入验证集,20%(600条)划入测试集。
最终,训练集光谱数量为5400条,验证集光谱数量为1800条,测试集光谱数量为1800条。
步骤四,构建空洞卷积神经网络分类模型,包括:根据矿物光谱特性,构建含有九层的空洞卷积神经网络模型,所述九层空洞卷积神经网络模型包括输入层、空洞卷积层DC1、池化层S1、空洞卷积层DC2、池化层S2、空洞卷积层DC3、全连接层FC1、全连接层FC2和输出层;具体网络模型结构如图2所示;
所述步骤四中的输入层为构建的九层空洞卷积神经网络模型的第一层,所述空洞卷积层DC1为构建的空洞卷积神经网络模型的第二层,所述池化层S1为空洞卷积神经网络模型的第三层,空洞卷积层DC2为空洞卷积神经网络模型的第四层,池化层S2为空洞卷积神经网络模型的第五层,空洞卷积层DC3为空洞卷积神经网络模型的第六层,全连接层FC1为空洞卷积神经网络模型的第七层,全连接层FC2为空洞卷积神经网络模型的第八层,输出层为空洞卷积神经网络模型的第九层。
所述第一层输入层内输入训练集中的矿物光谱数据,光谱数据大小为511×1×1,记为X1,并将X1输入到第二层空洞卷积层DC1。
所述第二层空洞卷积层DC1内输入第一层输入层的数据X1,X1的光谱数据大小为511×1×1,所述空洞卷积层DC1卷积核大小为5,卷积核数量为64,步长为1,空洞率为2;经过第二层空洞卷积层DC1得到的输出特征图尺寸大小为503×1×64,记为X2,并将X2输入到第三层池化层S1。
所述第三层池化层S1内输入经第二层空洞卷积层DC1输出的数据X2,特征图尺寸大小为503×1×64;所述第三层池化层S1的池化类型为最大池化,池化核大小为3,步长为2;经过第三层池化层S1得到的输出特征图尺寸大小为251×1×64,记为X3,并将X3输入到第四层空洞卷积层DC2。
所述第四层空洞卷积层DC2内输入经第三层池化层S1输出的数据X3,特征图尺寸大小为251×1×64,所述第四层空洞卷积层DC2的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经过第四层空洞卷积层DC2得到的输出特征图尺寸大小为247×1×64,记为X4,并将X4输入到第五层池化层S2。
所述第五层池化层S2内输入经第四层空洞卷积层DC2输出的数据X4,特征图尺寸大小为247×1×64,所述第五层池化层S2的池化类型为最大池化,池化核大小为3,步长为2,经过第五层池化层S2得到的输出特征图尺寸大小为123×1×64,记为X5,并将X5输入到第六层空洞卷积层DC3。
所述第六层空洞卷积层DC3内输入经第五层池化层S2输出的数据X5,特征图尺寸大小为123×1×64;所述第六层空洞卷积层DC3的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经第六层空洞卷积层DC3得到的输出特征图尺寸大小为119×1×64,记为X6,并将X6输入到第七层全连接层FC1。
所述第七层全连接层FC1将第六层空洞卷积层DC3输出的数据X6组合为一个大小为1×7616的数据;
所述第七层全连接层FC1共有256个神经元,每个神经元与大小为1×7616的数据中的每个数据进行全连接,每个神经元输出为一个数据,第七层全连接层FC1的256个神经元输出的数据大小为1×256,记为X7,并将X7输入到第八层全连接层FC2;
所述第八层全连接层FC2内输入经第七层全连接层FC1输出的数据X7,大小为1×256;所述第八层全连接层FC2共有64个神经元,所述第八层全连接层FC2中的每个神经元与第七层全连接层FC1输出的大小为1×256的数据中的每个数据进行全连接;所述第八层全连接层FC2中的每个神经元输出为一个数据,得到的输出数据大小为1×64,记为X8,并将X8输入到第九层输出层;
所述第九层输出层共有4个神经元,采用softmax计算损失输出大小为1×4的数据,并分别输出光谱数据的分类预测概率。
此外,重复的池化操作会降低光谱数据的分辨率及精度,本发明中通过引入一维空洞卷积解决这一问题,在保持分辨率的情况下扩大滤波器感受野,避免光谱信息丢失,有效提高矿物光谱分类精度。
在标准卷积运算中,滤波器以连续的方式对输入信号进行卷积,而在空洞卷积运算中,滤波器以一定间隔的跳跃方式对输入信号进行卷积。一维空洞卷积示意如图3所示,当空洞率rate=1时,空洞卷积相当于标准卷积。
步骤五,设置参数并训练空洞卷积神经网络,其中,步骤五中空洞卷积神经网络的设置参数包括:设置空洞卷积神经网络的学习率为0.008,批处理大小为10,迭代次数为200,损失函数为交叉熵,卷积层激活函数为ReLu;设置空洞卷积神经网络的优化器为SGD(Stochastic gradient descent),
所述步骤五中空洞卷积神经网络的训练包括:将步骤三中制作的训练集输入到步骤四得到的空洞卷积神经网络分类模型中,通过计算损失函数误差,采用反向传播算法不断迭代优化调整网络权值和偏置。
步骤六,验证空洞卷积神经网络,包括:将步骤三制作的验证集输入到经步骤五训练后的空洞卷积神经网络模型中进行验证;
本发明中的验证集的作用是防止训练过拟合现象的发生,每次训练时均需输出验证集结果的误差,当该误差逐渐变小并趋向稳定时,终止迭代,模型训练完成。如图4所示,本实施例中训练误差随着迭代次数的增加逐渐变小,并在迭代次数达到200时趋于稳定,训练过程结束。
步骤七,使用训练好的网络预测分类;所述网络预测分类包括:利用步骤六训练好的空洞卷积神经网络模型进行预测分类,输入步骤三的测试集样本,输出即为矿物光谱分类结果。
步骤八,分类结果精度评价,包括:
根据输出的正确样本比例计算分类准确率,评价矿物光谱分类精度,分类准确率PA表示为
其中,Nc为判别正确的样本数量,Nr为样本总数。
如表1所示,本发明中最终测试数据集得到的矿物光谱分类准确率为99.28%,与支持向量机(SVM)和反向传播算法(BP)两种本领域常用的分类方法进行比较,本发明的分类准确率更高。
表1
采用的分类方法 | 分类准确率 |
支持向量机SVM法 | 95.14 |
反向传播算法BP法 | 97.22 |
本发明方法 | 99.28 |
为了评价本发明引入一维空洞卷积对分类准确率的影响,将本发明的空洞卷积神经网络模型中的空洞卷积层全部替换为标准卷积层,记为CNN,比较前后两种模型的分类准确率。如表2所示,可以清楚地看出,本发明引入的一维空洞卷积可以有效提升模型的分类准确率,改善网络性能。
表2
采用的分类方法 | 分类准确率 |
CNN | 98.15 |
本发明方法 | 99.28 |
上面结合实施例对本发明作了详细说明,上述实施例是本发明的一个优选技术方案,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (12)
1.一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,包括如下步骤:
步骤一,矿物光谱数据获取,包括:通过ASD光谱仪在野外采集或实验室测量矿物光谱,获取待分类矿物光谱数据;
步骤二,矿物光谱数据增强,包括:将步骤一获取到的矿物光谱数据中添加强度不等的高斯白噪声,扩充每类矿物光谱规
模,达到矿物数据增强;
步骤三,矿物光谱样本划分,包括:采用随机抽样法将步骤二中增强后的每个矿物光谱数据分别按照60%、20%、20%的比例划分为独立的训练集、验证集和测试集;
步骤四,构建空洞卷积神经网络分类模型,包括:根据矿物光谱特性,构建含有九层的空洞卷积神经网络模型,所述九层空洞卷积神经网络模型包括输入层、空洞卷积层DC1、池化层S1、空洞卷积层DC2、池化层S2、空洞卷积层DC3、全连接层FC1、全连接层FC2和输出层;
步骤五,设置参数并训练空洞卷积神经网络;所述步骤五中空洞卷积神经网络的设置参数包括:设置空洞卷积神经网络的学习率为0.008,批处理大小为10,迭代次数为200,损失函数为交叉熵,卷积层激活函数为ReLu;
所述步骤五中空洞卷积神经网络的训练包括:将步骤三中制作的训练集输入到步骤四得到的空洞卷积神经网络分类模型中,通过计算损失函数误差,采用反向传播算法不断迭代优化调整
网络权值和偏置;步骤六,验证空洞卷积神经网络,包括:将步骤三制作的验证集输入到经步骤五训练后的空洞卷积神经
网络中进行验证;
步骤七,使用训练好的网络预测分类;
步骤八,分类结果精度评价。
2.根据权利要求1中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述步骤四中的输入层为构建的九层空洞卷积神经网络模型的第一层,所述空洞卷积层DC1为构建的空洞卷积神经网络模型的第二层,所述池化层S1为空洞卷积神经网络模型的第三层,空洞卷积层DC2为空洞卷积神经网络模型的第四层,池化层S2为空洞卷积神经网络模型的第五层,空洞卷积层DC3为空洞卷积神经网络模型的第六层,全连接层FC1为空洞卷积神经网络模型的第七层,全连接层FC2为空洞卷积神经网络模型的第八层,输出层为空洞卷积神经网络模型的第九层。
3.根据权利要求2中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,第一层输入层内输入训练集中的矿物光谱数据,光谱数据大小为511×1×1,记为X1,并将X1输入到第二层空洞卷积层DC1。
4.根据权利要求3中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第二层空洞卷积层DC1内输入第一层输入层的数据X1,X1的光谱数据大小为511×1×1,所述空洞卷积层DC1卷积核大小为5,卷积核数量为64,步长为1,空洞率为2;经过第二层空洞卷积层DC1得到的输出特征图尺寸大小为503×1×64,记为X2,并将X2输入到第三层池化层S1。
5.根据权利要求4中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第三层池化层S1内输入经第二层空洞卷积层DC1输出的数据X2,特征图尺寸大小为503×1×64;所述第三层池化层S1的池化类型为最大池化,池化核大小为3,步长为2;经过第三层池化层S1得到的输出特征图尺寸大小为251×1×64,记为X3,并将X3输入到第四层空洞卷积层DC2。
6.根据权利要求5中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第四层空洞卷积层DC2内输入经第三层池化层S1输出的数据X3,特征图尺寸大小为251×1×64,所述第四层空洞卷积层DC2的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经过第四层空洞卷积层DC2得到的输出特征图尺寸大小为247×1×64,记为X4,并将X4输入到第五层池化层S2。
7.根据权利要求6中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第五层池化层S2内输入经第四层空洞卷积层DC2输出的数据X4,特征图尺寸大小为247×1×64,所述第五层池化层S2的池化类型为最大池化,池化核大小为3,步长为2,经过第五层池化层S2得到的输出特征图尺寸大小为123×1×64,记为X5,并将X5输入到第六层空洞卷积层DC3。
8.根据权利要求7中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第六层空洞卷积层DC3内输入经第五层池化层S2输出的数据X5,特征图尺寸大小为123×1×64;所述第六层空洞卷积层DC3的卷积核大小为3,卷积核数量为64,步长为1,空洞率为2;经第六层空洞卷积层DC3得到的输出特征图尺寸大小为119×1×64,记为X6,并将X6输入到第七层全连接层FC1。
9.根据权利要求8中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第七层全连接层FC1将第六层空洞卷积层DC3输出的数据X6组合为一个大小为1×7616的数据;
所述第七层全连接层FC1共有256个神经元,每个神经元与大小为1×7616的数据中的每个数据进行全连接,每个神经元输出为一个数据,第七层全连接层FC1的256个神经元输出的数据大小为1×256,记为X7,并将X7输入到第八层全连接层FC2。
10.根据权利要求9中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述第八层全连接层FC2内输入经第七层全连接层FC1输出的数据X7,大小为1×256;所述第八层全连接层FC2共有64个神经元,所述第八层全连接层FC2中的每个神经元与第七层全连接层FC1输出的大小为1×256的数据中的每个数据进行全连接;
所述第八层全连接层FC2中的每个神经元输出为一个数据,得到的输出数据大小为1×64,记为X8,并将X8输入到第九层输出层;
所述第九层输出层共有4个神经元,采用softmax计算损失输出大小为1×4的数据,并分别输出光谱数据的分类预测概率。
11.根据权利要求10中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述步骤七中使用训练好的网络预测分类包括:利用步骤六训练好的空洞卷积神经网络模型进行预测分类,输入步骤三的测试集样本,输出即为矿物光谱分类结果。
12.根据权利要求11中所述的一种基于空洞卷积神经网络的矿物光谱分类方法,其特征在于,所述步骤八的分类结果精度评价,包括:
根据输出的正确样本比例计算分类准确率,评价矿物光谱分类精度,分类准确率PA表示为
其中,Nc为判别正确的样本数量,Nr为样本总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630954.0A CN113420795B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630954.0A CN113420795B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420795A CN113420795A (zh) | 2021-09-21 |
CN113420795B true CN113420795B (zh) | 2024-04-26 |
Family
ID=77713998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630954.0A Active CN113420795B (zh) | 2021-06-07 | 2021-06-07 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420795B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118309B (zh) * | 2022-01-28 | 2022-04-01 | 津海威视技术(天津)有限公司 | 基于卷积神经网络的样本分类识别方法 |
CN116580237B (zh) * | 2023-05-16 | 2024-02-20 | 中国自然资源航空物探遥感中心 | 一种基于光谱增强的矿物信息识别系统与方法 |
CN116416479B (zh) * | 2023-06-06 | 2023-08-29 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3062096A1 (en) * | 2015-02-25 | 2016-08-31 | FEI Company | Sample-specific reference spectra library |
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 |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN110031414A (zh) * | 2019-04-29 | 2019-07-19 | 北京航空航天大学 | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 |
CN110427990A (zh) * | 2019-07-22 | 2019-11-08 | 浙江理工大学 | 一种基于卷积神经网络的艺术图像分类方法 |
CN111382788A (zh) * | 2020-03-06 | 2020-07-07 | 西安电子科技大学 | 基于二值量化网络的高光谱图像分类方法 |
CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
CN111914907A (zh) * | 2020-07-13 | 2020-11-10 | 河海大学 | 一种基于深度学习空谱联合网络的高光谱图像分类方法 |
CN111914922A (zh) * | 2020-07-27 | 2020-11-10 | 河海大学 | 一种基于局部卷积和空洞卷积的高光谱图像分类方法 |
CN112362636A (zh) * | 2020-11-04 | 2021-02-12 | 西安建筑科技大学 | 一种基于拉曼光谱的绿泥石矿物种类鉴定方法 |
CN112614122A (zh) * | 2020-12-29 | 2021-04-06 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
CN112651428A (zh) * | 2020-12-03 | 2021-04-13 | 北京信息科技大学 | 一种用于远程拉曼矿物识别的深度学习模型多分类方法 |
CN112782148A (zh) * | 2021-02-19 | 2021-05-11 | 燕山大学 | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633043B2 (en) * | 2002-01-30 | 2003-10-14 | Ezzat M. Hegazi | Method for characterization of petroleum oils using normalized time-resolved fluorescence spectra |
-
2021
- 2021-06-07 CN CN202110630954.0A patent/CN113420795B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3062096A1 (en) * | 2015-02-25 | 2016-08-31 | FEI Company | Sample-specific reference spectra library |
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 |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN110031414A (zh) * | 2019-04-29 | 2019-07-19 | 北京航空航天大学 | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 |
CN110427990A (zh) * | 2019-07-22 | 2019-11-08 | 浙江理工大学 | 一种基于卷积神经网络的艺术图像分类方法 |
CN111626267A (zh) * | 2019-09-17 | 2020-09-04 | 山东科技大学 | 一种利用空洞卷积的高光谱遥感图像分类方法 |
CN111382788A (zh) * | 2020-03-06 | 2020-07-07 | 西安电子科技大学 | 基于二值量化网络的高光谱图像分类方法 |
CN111914907A (zh) * | 2020-07-13 | 2020-11-10 | 河海大学 | 一种基于深度学习空谱联合网络的高光谱图像分类方法 |
CN111914922A (zh) * | 2020-07-27 | 2020-11-10 | 河海大学 | 一种基于局部卷积和空洞卷积的高光谱图像分类方法 |
CN112362636A (zh) * | 2020-11-04 | 2021-02-12 | 西安建筑科技大学 | 一种基于拉曼光谱的绿泥石矿物种类鉴定方法 |
CN112651428A (zh) * | 2020-12-03 | 2021-04-13 | 北京信息科技大学 | 一种用于远程拉曼矿物识别的深度学习模型多分类方法 |
CN112614122A (zh) * | 2020-12-29 | 2021-04-06 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
CN112782148A (zh) * | 2021-02-19 | 2021-05-11 | 燕山大学 | 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法 |
Non-Patent Citations (2)
Title |
---|
《Sparse Multichannel Blind Deconvolution of Seismic Data via Spectral Projected Gradient》;Naveed Iqbal 等;《IEEE》;全文 * |
《深度残差蛇精网络频率域下》;满文婧 等;《地理与地理信息科学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420795A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420795B (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN104020135B (zh) | 基于近红外光谱的校正模型建模方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN110377605B (zh) | 一种结构化数据的敏感属性识别与分类分级方法 | |
CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN111784065B (zh) | 一种基于灰关联的油井产能智能预测方法 | |
CN114169374A (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN113379256A (zh) | 一种Kmeans-随机森林的储层评价预测方法 | |
CN116204831A (zh) | 一种基于神经网络的道地性分析方法 | |
CN110070004B (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
CN109283169A (zh) | 一种鲁棒的拉曼光谱峰识别方法 | |
CN109883990A (zh) | 一种药用真菌近红外光谱分析方法 | |
CN117078960A (zh) | 一种基于图像特征提取的近红外光谱分析方法及系统 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN116519661A (zh) | 一种基于卷积神经网络的大米识别检测方法 | |
CN109724637B (zh) | 一种基于试验数据的传感器元件质量评估方法 | |
CN115206455A (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
CN103411913B (zh) | 一种基于遗传算法自适应选择分段点的鱼油红外光谱pls识别方法 | |
CN113326971A (zh) | 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法 |
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 |