CN113607684A - 基于gaf图像和四元数卷积的光谱定性建模方法 - Google Patents
基于gaf图像和四元数卷积的光谱定性建模方法 Download PDFInfo
- Publication number
- CN113607684A CN113607684A CN202110946350.7A CN202110946350A CN113607684A CN 113607684 A CN113607684 A CN 113607684A CN 202110946350 A CN202110946350 A CN 202110946350A CN 113607684 A CN113607684 A CN 113607684A
- Authority
- CN
- China
- Prior art keywords
- quaternion
- convolution
- spectrum
- neural network
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004451 qualitative analysis Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling 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
- G01N21/359—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
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于GAF图像和四元数卷积的光谱定性建模方法，属于近红外光谱分析领域，该方法包括以下步骤：测得待测样本的近红外光谱数据；对原始光谱进行多元散射矫正，一阶导数等预处理；将处理后的光谱进行归一化；将归一化后的光谱数据在极坐标中进行表示；将处理后的光谱数据转换成格拉姆彩色图像；将彩色图像基于四元数理论表示生成四元数彩色图像矩阵；建立四元数卷积神经网络模型并优化模型参数建立定性模型。本发明利用格拉姆角场图像、四元数和深度学习算法对近红外光谱进行特征提取，充分挖掘原始光谱数据的深层特征，建立性能更优的近红外光谱定性分析模型。
Description
技术领域
本发明属于近红外光谱分析领域，尤其涉及一种基于GAF图像和四元数卷积的光谱定性建模方法。
背景技术
近红外光谱(Near Infrared Spectroscopy,NIRS)分析技术具有无需前处理、简便快捷、适用样品范围广、多组分同时检测等优点，在农产、食品、医学等领域得到了广泛应用。近红外光谱结合有效的化学计量学方法是建立高性能的近红外光谱定性和定量模型的重要技术。
目前，深度学习技术在图像识别、视频处理等领域得到不断发展和广泛应用，为了实现对一维数据更深层次信息的挖掘，已有学者提出一种图像编码方法，该方法将一维数据编码为格拉姆角场(Gramian Angular Field,GAF)图像，将一维数据转化为二维图像，结合深度学习技术在图像上的应用，应用于数据的分类和识别，利用图像领域的识别网络分类一维数据。
基于四元数理论的彩色图像识别技术已经得到一定发展和实际应用，通常是将彩色图像的RGB通道编码在四元数的三个虚轴上，并利用四元数理论进行数学分析。
发明内容
本发明的发明目的是：提出一种基于格拉姆角场图像和四元数卷积神经网络的近红外光谱定性建模方法，以提高定性模型的预测精度。
为实现上述目的，本发明提供一种基于GAF图像和四元数卷积的光谱定性建模方法，包括以下步骤：
步骤1、基于样本的原始光谱数据，采用多元散射矫正和一阶导数的预处理方法对原始光谱进行预处理，并选取特征波段；
步骤2、对处理好的光谱数据进行格拉姆角场图像转换，首先，通过式(1)将一维光谱X＝{x1,x2,…,xn}缩放至区间[-1,1]，将吸光度值编码为角余弦，将波数编码为半径r，利用式(2)重新转化为极坐标的光谱序列
其中ti为波长数，N为正则化极坐标系统生成空间的常数因子。
通过上述变换将原始一维光谱转换为沿对角线对称的特征图，并通过式(3)和式(4)生成基于正弦函数或余弦函数转换的格拉姆角差场图(Gramian Angular DifferenceField,GADF)，格拉姆角和场图(Gramian Angular Summation Field,GASF)。
式(3)和式(4)中，I为单位行向量[1,1,…，1]；
为
的转置向量，得到GADF彩色图像；
步骤3、将生成的GADF彩色图像的R，G，B三通道信息分别对应四元数的i，j，k三个虚部，四元数实部为零，嵌入四元数空间表示成纯四元数光谱矩阵形式；
步骤4、在一维卷积神经网络模型基础上，以所述纯四元数光谱矩阵作为输入数据，建立四元数卷积神经网络模型；
步骤5、对所述四元数卷积神经网络模型进行训练，通过参数寻优确定所述四元数卷积神经网络模型中参数的最优值；
步骤6、根据训练好的四元数卷积神经网络模型进行样本的定性判别预测，得到样本的定性分类结果。
本发明技术方案的进一步改进在于：步骤1中将经过多元散射校正与一阶导数等预处理后的光谱进行特征波段选择，留取单一特征波段或将多特征波段进行拼接。
本发明技术方案的进一步改进在于：将光谱矩阵转换为GADF图像，图像大小为256*256，将每幅图像经四元数表示后，生成纯四元数矩阵。
本发明技术方案的进一步改进在于：步骤4中所述建立四元数卷积神经网络模型包括：将卷积核扩展为四元数卷积核；输入数据为四元数矩阵，经过四元数卷积层和四元数池化层后，最终经过全连接层，即为四元数卷积神经网络模型。
本发明技术方案的进一步改进在于：步骤5中所述对所述四元数卷积神经网络模型进行训练包括：将经四元数处理后的四元数矩阵及对应标签随机划分为70％训练集、20％验证集和10％测试集；利用所述训练集训练所述四元数卷积神经网络模型，通过参数寻优，得到最优参数，确定模型参数；利用所述验证集验证所述四元数卷积神经网络模型的性能；利用所述测试集测试所述四元数卷积神经网络模型。
本发明技术方案的进一步改进在于：所述参数包括四元数卷积核的个数、batch_size大小。
本发明技术方案的进一步改进在于：在模型训练过程中，需要进行参数寻优，模型评价指标为正确率、灵敏度和特异性。
由于采用了上述技术方案，本发明取得的有益效果：
本发明提出的基于GAF图像和四元数卷积神经网络的光谱定性建模方法，将一维光谱信息投影到彩色图像的三通道上，更有利于提取和挖掘光谱数据深层信息，克服浅层特征对光谱深层特征信息表征能力不足的问题，建立精度更高的分类模型，提高了定性模型的预测精度。
附图说明
图1为本发明一种基于GAF图像和四元数卷积的光谱定性建模方法的流程示意图；
图2为本发明实施例中不同预处理方法生成的格拉姆角场图；
图3为本发明实施例中四元数卷积神经网络模型；
图4为本发明实施例中模型训练验证流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
四元数具有多元数据并行表示和分析的结构特点，深度学习中的卷积神经网络以其权值共享结构优势在图像领域取得成功应用，本发明中，将四元数与深度学习相结合，提出了一种基于GAF图像和四元数卷积神经网络的光谱定性建模方法，以提高定性分析模型的预测精度。
参见图1，其示出了本发明实施例中一种基于GAF图像和四元数卷积的光谱定性建模方法的流程示意图，该方法包括：
步骤1、测得待测样本的原始光谱数据；对采得的原始光谱数据进行多元散射矫正处理，选取光谱的特征波段，并截取特征波段做一阶导数处理，得到预处理后的光谱数据；
步骤2、对预处理好的光谱数据进行格拉姆角场图像转换，首先，通过式(1)将一维光谱X＝{x1,x2,…,xn}缩放至区间[-1,1]，将吸光度值编码为角余弦，将波数编码为半径r，利用式(2)重新转化为极坐标的光谱序列
其中ti为波长数，N为正则化极坐标系统生成空间的常数因子。
通过上述变换将预处理后的一维光谱转换为极坐标形式，并通过式(3)或式(4)生成基于正弦函数或余弦函数转换的格拉姆角差场图(Gramian Angular DifferenceField,GADF)，格拉姆角和场图(Gramian Angular Summation Field,GASF)。
式(3)和式(4)中，I为单位行向量[1,1,…，1]；
为
的转置向量。得到GADF或GASF彩色图像；
本实施例中，使用通过式(4)生成的基于正弦函数转换的格拉姆角差场图，得到GADF彩色图像。
本实施例中，得到的每一幅GADF图像是每一条光谱样本对应的图像，整幅图像对应一个标签。
步骤3、将每幅彩色图像的R，G，B信息进行归一化，嵌入纯四元数矩阵，四元数Q＝r+xi+yj+zk，其中r,x,y,z为四个实数，i，j，k是四元数单位基。r是四元数的实部，xi+yj+zk是四元数的虚部。按照R,G,B三通道信息，分别对应四元数的i，j，k三个虚部，四元数实部为零，将原始数据嵌入四元数空间表示成纯四元数光谱矩阵形式。
步骤4、在二维卷积神经网络模型基础上，以纯四元数光谱矩阵作为输入数据，建立四元数卷积神经网络模型；
将卷积核扩展为四元数卷积核，输入数据为四元数矩阵；
四元数卷积网络分为四元数卷积层、池化层和全连接层。其中，四元数卷积层将滤波矩阵与输入向量进行卷积，设W＝R+Xi+Yj+Zk为四元数权值滤波矩阵，Xp＝r+xi+yj+zk为四元数输入向量，四元数卷积的Hamilton乘积
的定义可表示为:
每个卷积层运算后对应一个池化层，四元数池化运算是在三个虚轴上同时做一维一般池化。一般池化通常包括最大池化与平均池化，本文采用平均池化方法，对卷积层得到的特征信息进行降维处理，防止过拟合。平均池化如式所示：
式中，s1,...,sk为1～k个采样窗口；Xa为平均采样得到的特征信号。
经过四元数卷积层和四元数池化层后，最终经过全连接层，即为四元数卷积神经网络模型；
本发明实施例中的四元数卷积神经网络模型由两个四元数卷积层、两个池化层、一个全连接层组成。如图3所示，其示出了本发明实施例中四元数卷积神经网络模型的结构示意图。
步骤5、对建立的四元数卷积神经网络模型进行训练，通过参数寻优确定所述四元数卷积神经网络模型中参数的最优值。
在模型训练过程中，需要进行参数寻优，包括模型中的卷积核大小与尺寸，batch_size的大小等；
模型评价指标为正确率、灵敏度和特异性。
如图4所示，其示出了本发明实施例中模型训练验证流程图，该方法通过将采集到的光谱进行预处理，对预处理后的光谱后进行编码生成GAF图像，将生成的图像划分训练集与测试集，再将训练集输入QCNN模型进行训练，QCNN模型的训练过程包括卷积层、池化层、全连接层、分类层，并通过前向传播与反向传播确定模型参数，训练完成后将测试集输入模型进行分类，得到分类结果。
本文参照LeNet-5经典结构，采用的QCNN初始结构及网络参数设置如表1所示。
表1QCNN网络结构及参数设置
步骤6：根据训练好的四元数卷积神经网络模型待测样本的定性预测，得到待测样本的分类结果。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于包括以下步骤：
步骤1、采集待测样本近红外光谱并进行预处理和选取特征波段；
步骤2、将相应波段进行格拉姆角场图像转换，获得光谱的二维彩色图像；
步骤3、将获得的彩色图像的R、G、B三通道数据分别对应四元数的i，j，k三个虚部，嵌入四元数空间表示成纯四元数光谱矩阵形式；
步骤4、在一维卷积神经网络模型基础上，依据四元数基本运算原理，建立四元数卷积神经网络模型；
步骤5、对所述四元数卷积神经网络模型进行训练，通过参数寻优确定所述四元数卷积神经网络模型中参数的最优值；
步骤6、根据训练好的四元数卷积神经网络模型进行样本的定性鉴别，得到样本的分类结果。
2.根据权利要求1所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：步骤1中预处理的方法包括多元散射矫正和一阶导数的预处理方法。
3.根据权利要求1所述一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：步骤2中将通过预处理以及特征波段选择后的光谱数据转换为格拉姆角场彩色图像。
4.根据权利要求1所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：步骤3中所述四元数实部为零。
5.根据权利要求1所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：步骤4中所述的建立四元数卷积神经网络模型为将卷积核扩展为四元数卷积核，输入数据为二维四元数矩阵，经过四元数卷积层和四元数池化层后，最终经过全连接层，即为四元数卷积神经网络模型。
6.根据权利要求1所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：步骤5中所述的对四元数卷积神经网络模型进行训练包括：将数据集随机划分为70％训练集、20％验证集和10％测试集；利用所述训练集训练所述四元数卷积神经网络模型，通过参数寻优，得到最优参数，确定模型参数；利用所述验证集验证所述四元数卷积神经网络模型的性能；利用所述测试集测试所述四元数卷积神经网络模型。
7.根据权利要求6所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于所述的参数包括：四元数卷积核的个数、batch_size的大小。
8.根据权利要求6所述的一种基于GAF图像和四元数卷积的光谱定性建模方法，其特征在于：在模型训练过程中，需要进行参数寻优，模型评价指标为正确率、灵敏度和特异性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110946350.7A CN113607684A (zh) | 2021-08-18 | 2021-08-18 | 基于gaf图像和四元数卷积的光谱定性建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110946350.7A CN113607684A (zh) | 2021-08-18 | 2021-08-18 | 基于gaf图像和四元数卷积的光谱定性建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113607684A true CN113607684A (zh) | 2021-11-05 |
Family
ID=78341079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110946350.7A Pending CN113607684A (zh) | 2021-08-18 | 2021-08-18 | 基于gaf图像和四元数卷积的光谱定性建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113607684A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5325449A (en) * | 1992-05-15 | 1994-06-28 | David Sarnoff Research Center, Inc. | Method for fusing images and apparatus therefor |
| US20040101048A1 (en) * | 2002-11-14 | 2004-05-27 | Paris Alan T | Signal processing of multi-channel data |
| CN110574051A (zh) * | 2017-05-31 | 2019-12-13 | 英特尔公司 | 计算高效的基于四元数的机器学习系统 |
| CN111008642A (zh) * | 2019-10-25 | 2020-04-14 | 湖北富瑞尔科技有限公司 | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 |
| CN111275131A (zh) * | 2020-02-21 | 2020-06-12 | 北京化工大学 | 基于红外光谱的化学图像分类识别方法 |
| CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
| CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
| CN112634184A (zh) * | 2020-12-03 | 2021-04-09 | 中国地质大学（武汉） | 基于融合性卷积神经网络的rgb图像光谱反射率重建方法 |
| CN112966781A (zh) * | 2021-04-01 | 2021-06-15 | 嘉应学院 | 基于三元组损失和卷积神经网络的高光谱图像分类方法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
-
2021
- 2021-08-18 CN CN202110946350.7A patent/CN113607684A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5325449A (en) * | 1992-05-15 | 1994-06-28 | David Sarnoff Research Center, Inc. | Method for fusing images and apparatus therefor |
| US20040101048A1 (en) * | 2002-11-14 | 2004-05-27 | Paris Alan T | Signal processing of multi-channel data |
| CN110574051A (zh) * | 2017-05-31 | 2019-12-13 | 英特尔公司 | 计算高效的基于四元数的机器学习系统 |
| CN110574050A (zh) * | 2017-05-31 | 2019-12-13 | 英特尔公司 | 用于基于四元数的机器学习系统的基于梯度的训练引擎 |
| CN111008642A (zh) * | 2019-10-25 | 2020-04-14 | 湖北富瑞尔科技有限公司 | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 |
| CN111275131A (zh) * | 2020-02-21 | 2020-06-12 | 北京化工大学 | 基于红外光谱的化学图像分类识别方法 |
| CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
| CN112098358A (zh) * | 2020-09-07 | 2020-12-18 | 燕山大学 | 基于四元数卷积神经网络的近红外光谱并行融合定量建模方法 |
| CN112634184A (zh) * | 2020-12-03 | 2021-04-09 | 中国地质大学（武汉） | 基于融合性卷积神经网络的rgb图像光谱反射率重建方法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
| CN112966781A (zh) * | 2021-04-01 | 2021-06-15 | 嘉应学院 | 基于三元组损失和卷积神经网络的高光谱图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王景玲: "《卷积神经网络在电能质量扰动识别中的应用研究》", 《电子世界》 * |
| 谢传奇等: "番茄叶片早疫病近红外高光谱成像检测技术", 《农业机械学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020073737A1 (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
| CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
| CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
| CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
| CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
| CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
| CN107341505B (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
| CN112098358B (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 | |
| CN112836666A (zh) | 一种高光谱图像分类识别方法 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
| CN113378971A (zh) | 近红外光谱的分类模型训练方法、系统及分类方法、系统 | |
| CN113159189A (zh) | 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统 | |
| CN113640397A (zh) | 一种基于深度网络的遥感影像变化检测方法及系统 | |
| 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 | |
| CN115471675A (zh) | 一种基于频域增强的伪装对象检测方法 | |
| Douarre et al. | On the value of CTIS imagery for neural-network-based classification: a simulation perspective | |
| Mohtashamian et al. | Automated plant species identification using leaf shape-based classification techniques: a case study on Iranian Maples | |
| CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及系统 | |
| US20230029474A1 (en) | Machine vision for characterization based on analytical data | |
| CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| CN113607684A (zh) | 基于gaf图像和四元数卷积的光谱定性建模方法 | |
| CN110992301A (zh) | 一种气体轮廓识别方法 | |
| Pankaja et al. | Leaf recognition and classification using GLCM and hierarchical centroid based technique |
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: 20211105 |
|
| RJ01 | Rejection of invention patent application after publication |