CN117952633B - 确定物料构成的方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及数据处理技术领域，公开了一种确定物料构成的方法、装置、设备及存储介质。所述方法包括：对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息；根据所述多个物料种类信息对所述物料光谱图像数据进行成分分析，得到物料成分分析结果；对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；根据所述物料分类信息对所述目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息，本申请提高了物料成分构成的分析准确率进而实现了智能化的物料信息校验和溯源。

Description

确定物料构成的方法、装置、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种确定物料构成的方法、装置、设备及存储介质。

背景技术

在当前的工业和科研领域中，准确识别物料的构成和种类对于提高生产效率、保障产品质量、实现精细化管理等方面至关重要。随着技术的发展，光谱成像技术因其能够提供物料的丰富光谱信息而被广泛应用于物料分析中。这种技术可以揭示物料的内在特性，如化学组成、结构等，从而为物料分类和识别提供了一种高效的手段。然而，尽管光谱成像技术提供了一种有效的解决方案，物料数据的高维性和复杂性仍然是一个挑战，需要更高级的数据处理和分析方法。

传统的物料分析方法往往依赖于人工提取的特征或简单的统计分析，这些方法在处理大规模、高维度的光谱数据时效率较低，准确性也不足。随着物料种类的增多和物料特性的复杂化，传统方法难以满足快速、准确识别物料构成的需求。此外，这些方法往往忽略了数据中潜在的空间结构信息和物料之间的细微差异，导致分类性能受限。

发明内容

本申请提供了一种确定物料构成的方法、装置、设备及存储介质，本申请提高了物料成分构成的分析准确率进而实现了智能化的物料信息校验和溯源。

第一方面，本申请提供了一种确定物料构成的方法，所述确定物料构成的方法包括：

对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

根据所述多个物料种类信息对所述物料光谱图像数据进行成分分析，得到物料成分分析结果；

对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

根据所述物料分类信息对所述目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息。

第二方面，本申请提供了一种确定物料构成的装置，所述确定物料构成的装置包括：

采集模块，用于对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

种类分析模块，用于对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

成分分析模块，用于根据所述多个物料种类信息对所述物料光谱图像数据进行成分分析，得到物料成分分析结果；

分类模块，用于对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

校验模块，用于根据所述物料分类信息对所述目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息。

本申请第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的确定物料构成的方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的确定物料构成的方法。

本申请提供的技术方案中，通过基于光谱成像技术和图像特征重建的方法，利用级联的EM自注意力残差模块，可以更有效地提取物料光谱图像中的关键特征，能够深入挖掘物料光谱数据中的细微差异和复杂结构，与传统方法相比，显著提高了物料种类分析和成分分析的准确性。通过采用EM自注意力机制和稀疏编码技术，可以自动化地处理大量复杂的物料光谱图像数据。这些算法优化了数据处理流程，减少了人工干预的需求，从而大幅提升了物料数据分析的效率和处理速度。利用稀疏编码分析和高效的物料分类模型，结合极限学习机和支持向量机的分类模型，能够准确地对物料进行分类，并生成详细的物料分类信息。这不仅有助于更细致和科学地管理物料，还为后续的物料选择和使用提供了依据。结合RFID技术，能够对分类后的物料进行有效的跟踪和溯源。通过生成详细的物料溯源信息，可以实时监控物料的流动路径，增强物料安全管理，同时为消费者和监管机构提供了透明度和可追溯性。通过综合使用多种高级技术和算法，从多个维度确保了物料分析结果的可靠性。从光谱图像采集到物料分类再到物料溯源，进而提高了物料成分构成的分析准确率进而实现了智能化的物料信息校验和溯源。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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，还可以基于这些附图获得其他的附图。

图1为本申请实施例中确定物料构成的方法的一个实施例示意图；

图2为本申请实施例中确定物料构成的装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种确定物料构成的方法、装置、设备及存储介质。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（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中确定物料构成的方法的一个实施例包括：

步骤101、对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

可以理解的是，本申请的执行主体可以为确定物料构成的装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，基于光谱成像技术对目标物料进行光谱图像采集，利用光谱成像设备捕捉目标物料的初始光谱图像数据，这些初始数据包含了物料的基本光谱特征。将初始光谱图像数据输入预置的图像特征重建模型中进行处理，该模型包括级联的多个EM自注意力残差模块，每个模块都配备了期望最大化自注意力机制层和特征重建残差块，以增强模型对光谱图像特征的识别和重建能力。特征重建残差块的设计采用第一3×3卷积层、ReLU激活函数、PixelShuffle函数以及第二3×3卷积层，旨在提高特征重建的精度和效率，同时，残差块的输入通道数设定为64，输出通道数为3，以确保信息流的有效传递和转换。通过图像特征重建模型中的首个EM自注意力残差模块，初始光谱图像数据经过图像特征提取和特征注意力权重计算后，输出对应的第一光谱特征图像，捕捉物料光谱数据的关键信息并对其进行了初步增强。将第一光谱特征图像输入下一个EM自注意力残差模块进行图像特征融合和特征注意力权重计算，输出更加丰富和细化的第二光谱特征图像。对第一光谱特征图像和第二光谱特征图像进行特征聚合和上采样特征重建，通过融合和重建过程提高光谱图像数据的质量和分辨率，最终得到物料光谱图像数据。

步骤102、对物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

具体的，对物料光谱图像数据进行水平方向和垂直方向的梯度计算，分别获取水平方向梯度信息和垂直方向梯度信息。从图像数据中提取出具体的纹理和边缘特征，因为物料的不同种类往往在光谱图像的纹理和边缘上表现出不同的特点。通过计算每个像素点在水平和垂直方向上的梯度变化，能够获取物料光谱图像内在的结构和组成特征。对水平和垂直方向梯度信息进行梯度幅值计算，得到每个像素点的梯度分布特征信息。通过梯度幅值计算，可以更准确地描述物料光谱图像中每个像素点的细节和变化。将每个像素点的梯度分布特征信息输入预置的均值漂移聚类分析模型。该模型通过初始移动密度函数，对梯度分布特征信息进行像素点分布中心计算，得到多个第一像素点分布中心。均值漂移聚类分析是一种基于特征空间中的密度梯度上升过程的聚类方法，能够有效地将具有相似特征的像素点聚合到一起，从而初步区分出不同的物料种类。对梯度分布特征信息与每个第一像素点分布中心进行距离计算，得到每个第一像素点分布中心的特征中心平均距离值。评估初始移动密度函数的聚类效果，通过计算特征中心间的平均距离，对聚类的密度和紧密度进行量化，进而为调整搜索半径参数提供依据。根据每个第一像素点分布中心的特征中心平均距离值，调整初始移动密度函数的搜索半径参数，得到目标搜索半径参数。通过调整，优化均值漂移聚类分析模型的性能，使得模型更加精确地反映物料光谱图像中的种类分布情况。将调整后的目标搜索半径参数应用于目标移动密度函数，然后通过函数对多个第一像素点分布中心进行再次计算，得到多个第二像素点分布中心。根据多个第二像素点分布中心，计算目标物料的多个种类分布信息，并通过物料种类类型识别过程，得到目标物料的多个物料种类信息。

步骤103、根据多个物料种类信息对物料光谱图像数据进行成分分析，得到物料成分分析结果；

具体的，获取每个物料种类信息的光谱特征波段信息。根据每种物料的特定光谱特征波段，从物料光谱图像数据中提取出与物料种类相关的信息，获得初始的多维光谱数据。采用核主成分分析（KPCA）算法，通过矩阵转换和核函数的运算，处理非线性数据，并在高维空间中进行有效的特征提取和降维，生成初始光谱数据核矩阵。对初始光谱数据核矩阵进行中心化处理，消除数据分布的偏差，确保分析结果的准确性和可靠性，得到目标光谱数据核矩阵。特征值分解的过程分析了数据核矩阵的内在结构，通过分析特征值的大小选取主要的成分，这些主成分反映了数据最重要的特征和信息。将初始多维光谱数据映射到新的特征空间中，通过选取的主成分，在新的特征空间中对数据进行分析和处理，得到目标多维光谱数据。将目标多维光谱数据输入到预置的偏最小二乘回归模型中，该模型用于处理光谱数据与物料成分含量之间的复杂关系，通过模型的计算和分析，预测每个物料种类信息的成分含量数据。偏最小二乘回归模型在处理多元统计数据方面具有独特的优势，能够处理变量众多、数据维度高、变量之间存在多重共线性的情况，从而准确预测成分含量。根据成分含量数据和多个物料种类信息，综合生成目标物料对应的物料成分分析结果。

步骤104、对物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

具体的，对物料成分分析结果中的成分含量数据和多个物料种类信息进行稀疏编码分析。稀疏编码是一种有效的数据表示方法，通过找到一个稀疏的基向量集合，使得原始数据可以通过这些基向量的线性组合以尽可能少的非零系数来近似表示。每个物料种类信息通过稀疏编码后得到稀疏基向量。对每个物料种类信息的稀疏基向量进行权重分析，评估和确定各个稀疏基向量在表示物料特征时的重要性。权重分析通过量化每个稀疏基向量的贡献度，为后续的数据处理和物料分类提供了依据。得到的向量权重反映了不同稀疏基向量在构成物料特征时的相对重要性，使得后续的数据表示更为精确和有针对性。根据向量权重对每个物料种类信息的稀疏基向量进行线性组合。通过权重调整各个稀疏基向量的贡献，使得组合后的线性组合向量能更全面和准确地代表物料的特性。线性组合向量是对原始物料特征的一种高效压缩和精炼表示，综合考虑所有相关物料种类信息和成分含量数据。将线性组合向量输入预置的物料分类模型进行分类处理，获得最终的物料分类信息。物料分类模型是根据物料特性和成分构成特点预先训练的，能够根据输入的线性组合向量对物料进行准确分类。通过这种方式，有效地将物料根据其成分和种类信息进行区分，生成物料分类信息。

进一步地，将线性组合向量输入预置的物料分类模型中，该模型包括输入层、极限学习机（ELM）、支持向量机（SVM）以及输出层。通过输入层将线性组合向量转换为线性编码向量。通过独热向量编码，线性组合向量中的每个元素都被转换为一个具有明确分类属性的向量，这为后续的分类决策提供了标准化且易于处理的输入数据。通过极限学习机对线性编码向量进行处理，ELM作为一种高效的学习算法，训练速度快，泛化能力强，通过ELM进行物料分类决策得到第一物料分类决策结果。ELM通过建立隐藏层与输出层之间的非线性映射关系，有效提取和利用线性编码向量中的信息，进行分类决策。通过支持向量机对线性编码向量进行物料分类决策。SVM是一种有效的分类器，适用于高维数据的分类问题，通过找到不同物料种类之间的最优分割边界，得到第二物料分类决策结果。最终，通过物料分类模型的输出层将ELM和SVM得到的两个物料分类决策结果进行综合和分析，输出最终的物料分类信息。通过比较和综合两种不同算法的分类结果，得到更为准确和可靠的物料分类决策，确保分类过程的有效性和准确性。

步骤105、根据物料分类信息对目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息。

具体的，对目标物料进行RFID信息获取，通过在物料上部署RFID标签并利用RFID读取设备捕获物料的RFID物料信息。得到的RFID物料信息包含了关于物料的独特标识和其他相关数据，这些信息对于物料的跟踪和管理至关重要。通过对RFID物料信息与物料分类信息进行信息校验，确保所获得的数据的准确性和一致性，得到信息校验结果。通过预置的遗传算法对信息校验结果进行物料溯源策略初始化，遗传算法作为一种模仿自然进化过程的搜索算法，能够通过迭代过程生成多个优化的物料溯源策略。第一物料溯源策略基于信息校验结果生成，它们代表了不同的物料溯源和管理方法。通过计算每个第一物料溯源策略的适应度数据，评估这些策略对实际物料溯源问题解决的有效性和适用性。根据适应度数据，对多个第一物料溯源策略进行策略筛选，选出至少两个第二物料溯源策略。筛选过程基于适应度数据的高低决定，确保被选出的策略能够更好地满足物料溯源的需求。对第二物料溯源策略进行交叉和变异处理，生成多个初始物料溯源策略。对初始物料溯源策略进行最优化求解，得到目标物料溯源策略。基于最终确定的目标物料溯源策略，进行物料跟踪，生成对应的物料溯源信息。

本申请实施例中，通过基于光谱成像技术和图像特征重建的方法，利用级联的EM自注意力残差模块，可以更有效地提取物料光谱图像中的关键特征，能够深入挖掘物料光谱数据中的细微差异和复杂结构，与传统方法相比，显著提高了物料种类分析和成分分析的准确性。通过采用EM自注意力机制和稀疏编码技术，可以自动化地处理大量复杂的物料光谱图像数据。这些算法优化了数据处理流程，减少了人工干预的需求，从而大幅提升了物料数据分析的效率和处理速度。利用稀疏编码分析和高效的物料分类模型，结合极限学习机和支持向量机的分类模型，能够准确地对物料进行分类，并生成详细的物料分类信息。这不仅有助于更细致和科学地管理物料，还为后续的物料选择和使用提供了依据。结合RFID技术，能够对分类后的物料进行有效的跟踪和溯源。通过生成详细的物料溯源信息，可以实时监控物料的流动路径，增强物料安全管理，同时为消费者和监管机构提供了透明度和可追溯性。通过综合使用多种高级技术和算法，从多个维度确保了物料分析结果的可靠性。从光谱图像采集到物料分类再到物料溯源，进而提高了物料成分构成的分析准确率进而实现了智能化的物料信息校验和溯源。

在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：

（1）基于光谱成像技术对目标物料进行光谱图像采集，得到目标物料的初始光谱图像数据；

（2）将初始光谱图像数据输预置的图像特征重建模型，图像特征重建模型包括级联多个EM自注意力残差模块，每个EM自注意力残差模块包括期望最大化自注意力机制层和特征重建残差块，其中，特征重建残差块由第一3×3卷积层、ReLU激活函数、PixelShuffle函数以及第二3×3卷积层构成，特征重建残差块的输入通道数为64，输出通道数为3；

（3）通过图像特征重建模型中的首个EM自注意力残差模块对初始光谱图像数据进行图像特征提取和特征注意力权重计算，输出首个EM自注意力残差模块对应的第一光谱特征图像；

（4）将物料光谱特征图像输入与首个EM自注意力残差模块级联的下一个EM自注意力残差模块进行图像特征融合和特征注意力权重计算，输出对应的第二光谱特征图像；

（5）对第一光谱特征图像和第二光谱特征图像进行特征聚合和上采样特征重建，得到物料光谱图像数据。

具体的，基于光谱成像技术对目标物料进行光谱图像采集，通过高精度的光谱成像仪器，捕捉目标物料表面的光谱反射或透射信息，生成初始的光谱图像数据。将初始光谱图像数据输入预置的图像特征重建模型中，模型包括级联的多个EM自注意力残差模块。每个模块中包含了期望最大化自注意力机制层和特征重建残差块，这些组件共同工作以提取和增强图像中的关键特征。特征重建残差块通过其内部的第一3×3卷积层、ReLU激活函数、PixelShuffle函数以及第二3×3卷积层的组合，能够有效提升图像的分辨率，还能保持图像特征的完整性。特征重建残差块的设计旨在通过深层网络结构学习和重建光谱图像的高质量特征，从而使输出的图像数据更接近真实物料的光谱特性。通过图像特征重建模型中的首个EM自注意力残差模块处理后，获得反映初始光谱图像数据核心特征的第一光谱特征图像。利用自注意力机制捕捉图像中各个位置之间的依赖关系，从而更准确地提取出有用的特征信息。将物料光谱特征图像输入与首个EM自注意力残差模块级联的下一个模块中，进行图像特征融合和特征注意力权重的再次计算，输出相应的第二光谱特征图像。这个过程不断重复，每经过一个模块，都会进一步细化和增强图像的特征表达，使得模型能够更深入地理解物料的光谱特性。最终，对第一光谱特征图像和第二光谱特征图像进行特征聚合和上采样特征重建，通过综合之前所有模块输出的特征图像，并通过上采样技术增加图像的分辨率，最终得到高质量的物料光谱图像数据。

在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：

（1）对物料光谱图像数据进行水平方向梯度计算，得到水平方向梯度信息，并对物料光谱图像数据进行垂直方向梯度计算，得到垂直方向梯度信息；

（2）对水平方向梯度信息和垂直方向梯度信息进行梯度幅值计算，得到物料光谱图像数据中每个像素点的梯度分布特征信息；

（3）将每个像素点的梯度分布特征信息输入预置的均值漂移聚类分析模型，并通过均值漂移聚类分析模型中的初始移动密度函数对梯度分布特征信息进行像素点分布中心计算，得到多个第一像素点分布中心；

（4）对梯度分布特征信息与每个第一像素点分布中心进行距离计算，得到每个第一像素点分布中心的多个梯度分布特征中心距，并对每个第一像素点分布中心的多个梯度分布特征中心距进行均值运算，得到每个第一像素点分布中心的特征中心平均距离值；

（5）根据每个第一像素点分布中心的特征中心平均距离值对初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将初始移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数；

（6）通过目标移动密度函数对多个第一像素点分布中心进行像素点分布中心计算，得到多个第二像素点分布中心；

（7）根据多个第二像素点分布中心计算目标物料的多个种类分布信息，并对多个种类分布信息进行物料种类类型识别，得到目标物料的多个物料种类信息。

具体的，对物料光谱图像数据进行水平和垂直方向的梯度计算。梯度计算是图像处理中的常用技术，通过识别图像像素强度的变化率，来揭示图像中的边缘和纹理特征。水平方向梯度计算揭示了图像在水平方向上的强度变化，而垂直方向梯度计算揭示了垂直方向上的变化。将梯度信息综合起来，通过梯度幅值计算为每个像素点生成一个梯度分布特征信息。将水平和垂直梯度信息合并，形成一个更全面的表示，反映了每个像素在整个图像中的相对变化强度。将梯度分布特征信息输入预置的均值漂移聚类分析模型中。均值漂移是一种基于特征空间中的梯度上升方法来进行聚类的算法，它不需要预先指定聚类数目，能够根据数据分布自动确定聚类中心。通过这种方法，模型利用初始移动密度函数对梯度分布特征信息进行分析，计算出多个第一像素点分布中心，这些中心代表了图像中潜在的不同物料区域。对分布中心和每个像素点的梯度分布特征信息进行距离计算，并通过均值运算确定每个第一像素点分布中心的特征中心平均距离值。这有助于评估每个聚类中心的代表性和稳定性，为调整均值漂移算法中的搜索半径参数提供了依据。根据平均距离值，对初始移动密度函数的搜索半径参数进行调整，以优化聚类过程。这项调整确保算法能够更有效地识别并跟踪图像中的不同物料种类，生成更准确的第二像素点分布中心。基于第二像素点分布中心，计算出目标物料的多个种类分布信息。通过物料种类类型识别，得到目标物料的详细分类信息。

在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：

（1）获取每个物料种类信息的光谱特征波段信息，并根据光谱特征波段信息对物料光谱图像数据进行多维光谱数据提取，得到初始多维光谱数据；

（2）通过核主成分分析算法，对初始多维光谱数据进行矩阵转换，得到初始光谱数据矩阵，并通过核函数对初始光谱数据矩阵进行矩阵运算，得到初始光谱数据核矩阵；

（3）对初始光谱数据核矩阵进中心化处理，得到目标光谱数据核矩阵，并对目标光谱数据核矩阵进行特征值分解，得到对应的特征值以及特征向量；

（4）根据特征值的大小选取对应的主成分，并根据主成分将初始多维光谱数据映射到新的特征空间，得到目标多维光谱数据；

（5）将目标多维光谱数据输入预置的偏最小二乘回归模型，通过偏最小二乘回归模型对每个物料种类信息进行成分含量预测，得到每个物料种类信息的成分含量数据；

（6）根据成分含量数据和多个物料种类信息生成目标物料对应的物料成分分析结果。

具体的，获取每种物料的光谱特征波段信息，不同物料的化学组成会在特定的波段范围内表现出独特的吸收或反射特性。通过捕获这些光谱特征波段信息，定向地从光谱图像数据中提取对应物料的多维光谱数据。利用核主成分分析（KPCA）算法对所提取的初始多维光谱数据进行深入分析。KPCA是主成分分析（PCA）的一种扩展，通过引入核技术处理非线性数据，使得算法能够在高维特征空间中找到数据的主成分，从而实现数据的有效降维和特征提取。通过对初始多维光谱数据矩阵应用核函数进行转换，得到的初始光谱数据核矩阵揭示了物料数据在高维空间中的内在结构。例如，在分析由不同化学成分组成的混合物时，KPCA能够帮助区分各成分的贡献度。将初始光谱数据核矩阵进行中心化处理，去除数据的平均值，使得数据围绕原点对称分布，进而对该矩阵进行特征值分解。通过这一过程，识别出数据的主要变化方向，并依据特征值的大小选取最重要的几个主成分。这些主成分代表了数据集中最显著的变化趋势，能够以较少的信息损失将原始数据映射到新的特征空间中。将映射后得到的目标多维光谱数据输入预置的偏最小二乘回归（PLSR）模型。PLSR是一种同时对自变量和因变量进行降维的回归分析方法，适合处理光谱数据与物料成分含量之间复杂的非线性关系。通过PLSR模型，预测每个物料种类的成分含量。综合成分含量数据和多个物料种类信息，生成目标物料的成分分析结果。

在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：

（1）对物料成分分析结果中的成分含量数据和多个物料种类信息进行稀疏编码分析，得到每个物料种类信息的稀疏基向量；

（2）对每个物料种类信息的稀疏基向量进行权重分析，得到每个稀疏基向量的向量权重；

（3）根据向量权重对每个物料种类信息的稀疏基向量进行线性组合，得到线性组合向量；

（4）将线性组合向量输入预置的物料分类模型进行物料分类，得到物料分类信息。

具体的，对物料成分分析结果中的成分含量数据和多个物料种类信息进行稀疏编码分析。稀疏编码是一种旨在找到数据的最佳表示的技术，通过选择一组稀疏基向量，使得原始数据可以用尽可能少的非零系数的线性组合来表示。这种方法适用于处理高维数据，能够有效地提取出数据中最重要的特征，同时去除冗余信息。在稀疏编码分析的过程中，从成分含量数据和物料种类信息中提取关键特征，并将这些特征表示为稀疏基向量。每个物料种类信息的稀疏基向量代表了该种类物料在高维特征空间中的位置和分布特性，这些向量是理解和分类原材料的关键。对每个稀疏基向量进行权重分析，确定每个向量在表示原始数据时的重要性。权重分析通过计算每个稀疏基向量对于重建原始数据的贡献度来分配权重值。根据向量权重，对每个物料种类信息的稀疏基向量进行线性组合，生成线性组合向量。将所有稀疏基向量和对应的权重综合起来，形成一个综合表示原始数据的向量。将线性组合向量输入预置的物料分类模型中进行分类。物料分类模型可能基于多种不同的机器学习算法构建，如支持向量机（SVM）、随机森林或深度学习网络等，旨在根据输入的特征向量进行有效的物料分类。通过模型的处理，得到每个原材料样本的分类信息。

在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：

（1）将线性组合向量输入预置的物料分类模型，物料分类模型包括：输入层、极限学习机、支持向量机和输出层；

（2）通过输入层对线性组合向量进行独热向量编码，得到线性编码向量；

（3）通过极限学习机对线性编码向量进行物料分类决策，得到第一物料分类决策结果；

（4）通过支持向量机对线性编码向量进行物料分类决策，得到第二物料分类决策结果；

（5）通过输出层对第一物料分类决策结果和第二物料分类决策结果进行物料综合分类，输出物料分类信息。

具体的，将线性组合向量输入预置的物料分类模型。通过输入层对线性组合向量进行独热向量编码，得到线性编码向量。将分类变量转换为一种更适合机器学习模型处理的形式。独热向量编码通过将每个分类项转换为一个全零向量，除了代表该类别的一个位置为1之外，使得线性组合向量的每一个维度都能明确对应到一个特定的物料类别。将线性编码向量输入极限学习机（ELM）进行物料分类决策。ELM作为一种单层前馈神经网络，能够快速学习和高效处理大量数据，同时还能保持较高的分类准确度。ELM通过随机初始化其隐藏层节点的权重，然后计算输出权重的解析解，从而极大地简化了训练过程。通过ELM处理，快速得到第一物料分类决策结果。为了进一步提升分类的精确度和鲁棒性，将线性编码向量输入支持向量机（SVM）进行第二轮的物料分类决策。SVM是一种分类器，通过寻找不同类别之间的最大边界来实现分类，适合处理那些边界不明显的复杂分类问题。SVM在处理物料分类时，考虑了线性可分的情况，还能通过引入核技巧处理非线性数据，进一步提高分类的准确性。将ELM和SVM得到的物料分类决策结果输入模型的输出层进行综合分析。输出层的作用是综合考虑两种分类决策结果，通过特定的逻辑或算法（如投票机制、概率加权等）来决定最终的物料分类信息。这种综合分类策略不仅能够利用ELM的快速学习能力和SVM的高精确度优势，还能通过相互补充减少可能的分类误差，最终输出更加准确和可靠的物料分类信息。

在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：

（1）对目标物料进行RFID信息获取，得到目标物料的RFID物料信息，并对RFID物料信息与物料分类信息进行信息校验，得到信息校验结果；

（2）通过预置的遗传算法，通过信息校验结果进行物料溯源策略初始化，生成多个第一物料溯源策略；

（3）分别计算每个第一物料溯源策略的适应度数据，并根据适应度数据对多个第一物料溯源策略进行策略筛选，得到至少两个第二物料溯源策略；

（4）对至少两个第二物料溯源策略进行交叉和变异处理，生成多个初始物料溯源策略，并对多个初始物料溯源策略进行最优化求解，生成目标物料溯源策略；

（5）基于目标物料溯源策略对目标物料进行物料跟踪，生成对应的物料溯源信息。

具体的，对目标物料的RFID标签进行扫描，获取物料的RFID信息。RFID标签存储了关于物料的关键信息，如生产日期、批号、供应商信息等。对获取的RFID物料信息与现有的物料分类信息进行对比校验，以确保信息的准确性和一致性。通过预置的遗传算法对信息校验结果进行分析，以初始化物料溯源策略。遗传算法是一种模仿自然选择和遗传学原理的优化算法，通过迭代过程中的选择、交叉和变异操作来逐渐找到问题的最优解。在物料溯源策略初始化阶段，遗传算法可以帮助生成一系列潜在的溯源策略，每个策略都代表了一种可能的物料溯源路径或方法。对第一物料溯源策略进行适应度评估，以判断每个策略的有效性和适应性。适应度数据反映了每个溯源策略在实际应用中的表现，如溯源的准确率、成本和时间效率等。基于适应度数据，对第一物料溯源策略进行筛选，留下那些表现最佳的策略作为第二物料溯源策略。对第二物料溯源策略进行进一步的优化处理，包括交叉和变异操作。这些操作能够增加策略的多样性，避免算法陷入局部最优解，从而在更广泛的解空间中寻找更优的溯源策略。通过对初始物料溯源策略的不断优化求解，最终得到一个或多个目标物料溯源策略，这些策略代表了最有效的物料跟踪和溯源方法。基于目标物料溯源策略，实施具体的物料跟踪操作，生成详细的物料溯源信息。

上面对本申请实施例中确定物料构成的方法进行了描述，下面对本申请实施例中确定物料构成的装置进行描述，请参阅图2，本申请实施例中确定物料构成的装置一个实施例包括：

采集模块201，用于对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

种类分析模块202，用于对物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

成分分析模块203，用于根据多个物料种类信息对物料光谱图像数据进行成分分析，得到物料成分分析结果；

分类模块204，用于对物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

校验模块205，用于根据物料分类信息对目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息。

通过上述各个组成部分的协同合作，通过基于光谱成像技术和图像特征重建的方法，利用级联的EM自注意力残差模块，可以更有效地提取物料光谱图像中的关键特征，能够深入挖掘物料光谱数据中的细微差异和复杂结构，与传统方法相比，显著提高了物料种类分析和成分分析的准确性。通过采用EM自注意力机制和稀疏编码技术，可以自动化地处理大量复杂的物料光谱图像数据。这些算法优化了数据处理流程，减少了人工干预的需求，从而大幅提升了物料数据分析的效率和处理速度。利用稀疏编码分析和高效的物料分类模型，结合极限学习机和支持向量机的分类模型，能够准确地对物料进行分类，并生成详细的物料分类信息。这不仅有助于更细致和科学地管理物料，还为后续的物料选择和使用提供了依据。结合RFID技术，能够对分类后的物料进行有效的跟踪和溯源。通过生成详细的物料溯源信息，可以实时监控物料的流动路径，增强物料安全管理，同时为消费者和监管机构提供了透明度和可追溯性。通过综合使用多种高级技术和算法，从多个维度确保了物料分析结果的可靠性。从光谱图像采集到物料分类再到物料溯源，进而提高了物料成分构成的分析准确率进而实现了智能化的物料信息校验和溯源。

本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述确定物料构成的方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述确定物料构成的方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种确定物料构成的方法，其特征在于，所述确定物料构成的方法包括：

对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

根据所述多个物料种类信息对所述物料光谱图像数据进行成分分析，得到物料成分分析结果；具体包括：获取每个物料种类信息的光谱特征波段信息，并根据所述光谱特征波段信息对所述物料光谱图像数据进行多维光谱数据提取，得到初始多维光谱数据；通过核主成分分析算法，对所述初始多维光谱数据进行矩阵转换，得到初始光谱数据矩阵，并通过核函数对所述初始光谱数据矩阵进行矩阵运算，得到初始光谱数据核矩阵；对所述初始光谱数据核矩阵进中心化处理，得到目标光谱数据核矩阵，并对所述目标光谱数据核矩阵进行特征值分解，得到对应的特征值以及特征向量；根据所述特征值的大小选取对应的主成分，并根据所述主成分将所述初始多维光谱数据映射到新的特征空间，得到目标多维光谱数据；将所述目标多维光谱数据输入预置的偏最小二乘回归模型，通过所述偏最小二乘回归模型对每个物料种类信息进行成分含量预测，得到每个物料种类信息的成分含量数据；根据所述成分含量数据和所述多个物料种类信息生成所述目标物料对应的物料成分分析结果；

对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

根据所述物料分类信息对所述目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息；具体包括：对所述目标物料进行RFID信息获取，得到所述目标物料的RFID物料信息，并对所述RFID物料信息与所述物料分类信息进行信息校验，得到信息校验结果；通过预置的遗传算法，通过所述信息校验结果进行物料溯源策略初始化，生成多个第一物料溯源策略；分别计算每个第一物料溯源策略的适应度数据，并根据所述适应度数据对所述多个第一物料溯源策略进行策略筛选，得到至少两个第二物料溯源策略；对所述至少两个第二物料溯源策略进行交叉和变异处理，生成多个初始物料溯源策略，并对所述多个初始物料溯源策略进行最优化求解，生成目标物料溯源策略；基于所述目标物料溯源策略对所述目标物料进行物料跟踪，生成对应的物料溯源信息。

2.根据权利要求1所述的确定物料构成的方法，其特征在于，所述对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据，包括：

基于光谱成像技术对目标物料进行光谱图像采集，得到所述目标物料的初始光谱图像数据；

将所述初始光谱图像数据输预置的图像特征重建模型，所述图像特征重建模型包括级联多个EM自注意力残差模块，每个EM自注意力残差模块包括期望最大化自注意力机制层和特征重建残差块，其中，所述特征重建残差块由第一3×3卷积层、ReLU激活函数、PixelShuffle函数以及第二3×3卷积层构成，所述特征重建残差块的输入通道数为64，输出通道数为3；

通过所述图像特征重建模型中的首个EM自注意力残差模块对所述初始光谱图像数据进行图像特征提取和特征注意力权重计算，输出所述首个EM自注意力残差模块对应的第一光谱特征图像；

将所述物料光谱特征图像输入与所述首个EM自注意力残差模块级联的下一个EM自注意力残差模块进行图像特征融合和特征注意力权重计算，输出对应的第二光谱特征图像；

对所述第一光谱特征图像和所述第二光谱特征图像进行特征聚合和上采样特征重建，得到物料光谱图像数据。

3.根据权利要求1所述的确定物料构成的方法，其特征在于，所述对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息，包括：

对所述物料光谱图像数据进行水平方向梯度计算，得到水平方向梯度信息，并对所述物料光谱图像数据进行垂直方向梯度计算，得到垂直方向梯度信息；

对所述水平方向梯度信息和所述垂直方向梯度信息进行梯度幅值计算，得到所述物料光谱图像数据中每个像素点的梯度分布特征信息；

将每个像素点的梯度分布特征信息输入预置的均值漂移聚类分析模型，并通过所述均值漂移聚类分析模型中的初始移动密度函数对所述梯度分布特征信息进行像素点分布中心计算，得到多个第一像素点分布中心；

对所述梯度分布特征信息与每个第一像素点分布中心进行距离计算，得到每个第一像素点分布中心的多个梯度分布特征中心距，并对每个第一像素点分布中心的多个梯度分布特征中心距进行均值运算，得到每个第一像素点分布中心的特征中心平均距离值；

根据每个第一像素点分布中心的特征中心平均距离值对所述初始移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述初始移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；

通过所述目标移动密度函数对所述多个第一像素点分布中心进行像素点分布中心计算，得到多个第二像素点分布中心；

根据所述多个第二像素点分布中心计算所述目标物料的多个种类分布信息，并对所述多个种类分布信息进行物料种类类型识别，得到所述目标物料的多个物料种类信息。

4.根据权利要求1所述的确定物料构成的方法，其特征在于，所述对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息，包括：

对所述物料成分分析结果中的成分含量数据和多个物料种类信息进行稀疏编码分析，得到每个物料种类信息的稀疏基向量；

对每个物料种类信息的稀疏基向量进行权重分析，得到每个稀疏基向量的向量权重；

根据所述向量权重对每个物料种类信息的稀疏基向量进行线性组合，得到线性组合向量；

将所述线性组合向量输入预置的物料分类模型进行物料分类，得到物料分类信息。

5.根据权利要求4所述的确定物料构成的方法，其特征在于，所述将所述线性组合向量输入预置的物料分类模型进行物料分类，得到物料分类信息，包括：

将所述线性组合向量输入预置的物料分类模型，所述物料分类模型包括：输入层、极限学习机、支持向量机和输出层；

通过所述输入层对所述线性组合向量进行独热向量编码，得到线性编码向量；

通过所述极限学习机对所述线性编码向量进行物料分类决策，得到第一物料分类决策结果；

通过所述支持向量机对所述线性编码向量进行物料分类决策，得到第二物料分类决策结果；

通过所述输出层对所述第一物料分类决策结果和所述第二物料分类决策结果进行物料综合分类，输出物料分类信息。

6.一种确定物料构成的装置，其特征在于，所述确定物料构成的装置包括：

采集模块，用于对目标物料进行光谱图像采集和图像特征重建，得到物料光谱图像数据；

种类分析模块，用于对所述物料光谱图像数据进行物料种类分析，得到多个物料种类信息；

成分分析模块，用于根据所述多个物料种类信息对所述物料光谱图像数据进行成分分析，得到物料成分分析结果；具体包括：获取每个物料种类信息的光谱特征波段信息，并根据所述光谱特征波段信息对所述物料光谱图像数据进行多维光谱数据提取，得到初始多维光谱数据；通过核主成分分析算法，对所述初始多维光谱数据进行矩阵转换，得到初始光谱数据矩阵，并通过核函数对所述初始光谱数据矩阵进行矩阵运算，得到初始光谱数据核矩阵；对所述初始光谱数据核矩阵进中心化处理，得到目标光谱数据核矩阵，并对所述目标光谱数据核矩阵进行特征值分解，得到对应的特征值以及特征向量；根据所述特征值的大小选取对应的主成分，并根据所述主成分将所述初始多维光谱数据映射到新的特征空间，得到目标多维光谱数据；将所述目标多维光谱数据输入预置的偏最小二乘回归模型，通过所述偏最小二乘回归模型对每个物料种类信息进行成分含量预测，得到每个物料种类信息的成分含量数据；根据所述成分含量数据和所述多个物料种类信息生成所述目标物料对应的物料成分分析结果；

分类模块，用于对所述物料成分分析结果进行稀疏编码和物料分类，得到物料分类信息；

校验模块，用于根据所述物料分类信息对所述目标物料进行RFID信息校验和物料跟踪，生成对应的物料溯源信息；具体包括：对所述目标物料进行RFID信息获取，得到所述目标物料的RFID物料信息，并对所述RFID物料信息与所述物料分类信息进行信息校验，得到信息校验结果；通过预置的遗传算法，通过所述信息校验结果进行物料溯源策略初始化，生成多个第一物料溯源策略；分别计算每个第一物料溯源策略的适应度数据，并根据所述适应度数据对所述多个第一物料溯源策略进行策略筛选，得到至少两个第二物料溯源策略；对所述至少两个第二物料溯源策略进行交叉和变异处理，生成多个初始物料溯源策略，并对所述多个初始物料溯源策略进行最优化求解，生成目标物料溯源策略；基于所述目标物料溯源策略对所述目标物料进行物料跟踪，生成对应的物料溯源信息。

7.一种计算机设备，其特征在于，所述计算机设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-5中任一项所述的确定物料构成的方法。

8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的确定物料构成的方法。