详情

原文传递物质识别网络模型训练方法及太赫兹光谱物质识别方法

专利名称：	物质识别网络模型训练方法及太赫兹光谱物质识别方法
摘要：	本发明实施例公开了一种物质识别网络模型训练方法、装置及太赫兹光谱物质识别方法、装置。其中，将训练样本输入物质识别网络框架结构进行模型训练直至其对验证样本的预测概率超过阈值，则结束训练。物质识别网络模型包括特征提取模块和特征分类模块，光谱特征提取网络包括光谱特征提取模块和数据重构模块；特征提取模块和光谱特征提取模块的结构相同。特征分类模块将特征提取模块输出的多通道光谱特征压缩至单通道，并利用softmax回归得到隶属各类物质的概率；光谱特征提取网络训练结束条件为输入至其光谱特征提取模块的原始光谱数据和其数据重构模块输出的重建光谱数据的误差小于预设阈值。实现了利用少量样本数据训练得到性能好的物质识别网络模型。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	广东工业大学
发明人：	程良伦;何伟健
专利状态：	有效
申请日期：	2019-05-08T00:00:00+0800
发布日期：	2019-07-30T00:00:00+0800
申请号：	CN201910380222.3
公开号：	CN110068544A
代理机构：	北京集佳知识产权代理有限公司
代理人：	罗满
分类号：	G01N21/3586(2014.01);G;G01;G01N;G01N21
申请人地址：	510060 广东省广州市越秀区东风东路729号大院
主权项：	1.一种物质识别网络模型训练方法，其特征在于，包括：将训练样本集数据输入至预先构建的物质识别网络模型的框架结构中进行模型训练；当所述物质识别网络模型对验证样本集的预测概率超过预设阈值，则结束所述物质识别网络模型的训练，以用于对太赫兹光谱物质种类的识别；其中，所述物质识别网络模型包括特征提取模块和特征分类模块；所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同；所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征，并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率；所述光谱特征提取网络包括光谱特征提取模块和数据重构模块，当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练。 2.根据权利要求1所述的物质识别网络模型训练方法，其特征在于，所述物质识别网络模型的损失函数为：式中，为光谱特征隶属每i类物质的预测概率值，yi为光谱特征隶属每i类物质的真实标签值，reg为给定参数，Wais为将所述多通道光谱特征压缩至单通道光谱特征的卷积核矩阵，Wi为光谱特征隶属每i类物质的权重，K为物质类别总数，\|\|·\|\|2为L2范数。 3.根据权利要求1所述的物质识别网络模型训练方法，其特征在于，所述光谱特征提取网络用于将输入的原始光谱数据依次经过维数递减的输入层、第一卷积层、第二卷积层、最大池化层后提取得到光谱特征，然后将所述光谱特征经维数递增的最大反池化层、第一反卷积层、第二反卷积层后进行重建，得到重建光谱数据。 4.根据权利要求3所述的物质识别网络模型训练方法，其特征在于，所述光谱特征提取网络的损失函数为： L1＝(x0-xre)2+reg\|\|W1\|\|2+reg\|\|W2\|\|2；式中，xre为所述原始光谱数据，x0为重建光谱数据，reg为给定常数，W1为所述第一卷积层的权重矩阵，W2为所述第二卷积层的权重矩阵，\|\|·\|\|2为L2范数。 5.根据权利要求2或4所述的物质识别网络模型训练方法，其特征在于，所述物质识别网络模型的损失函数通过梯度下降法或梯度下降优化算法求解最小值；所述光谱特征提取网络的损失函数通过梯度下降法或梯度下降优化算法求解最小值。 6.一种物质识别网络模型训练装置，其特征在于，包括：样本数据获取模块，用于获取用于训练物质识别网络模型的训练样本集和验证样本集；光谱特征提取网络训练模块，用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练，所述光谱特征提取网络包括光谱特征提取模块和数据重构模块；识别模型训练模块，用于将训练样本集数据输入至预先构建的物质识别网络模型的框架结构中进行模型训练；所述物质识别网络模型包括特征提取模块和特征分类模块；所述特征提取模块与所述光谱特征提取网络的光谱特征提取模块结构相同；所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征，并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率；识别模型训练结束判断模块，用于当所述物质识别网络模型对验证样本集的预测概率超过预设阈值，则结束所述物质识别网络模型的训练，以用于对太赫兹光谱物质种类的识别。 7.一种太赫兹光谱物质识别方法，其特征在于，包括：获取太赫兹光谱仪采集待测物体的待识别光谱数据；将所述待识别光谱数据输入至预先构建的物质识别网络模型中，得到所述待测物体所属类别；其中，所述物质识别网络模型包括特征提取模块和特征分类模块；所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同；所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征，并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率；所述光谱特征提取网络包括光谱特征提取模块和数据重构模块，当输入至所述光谱特征提取模块的原始光谱数据和所述数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束所述光谱特征提取网络的训练；所述待识别光谱数据与所述物质识别网络模型训练样本数据的维度相同。 8.根据权利要求7所述的太赫兹光谱物质识别方法，其特征在于，所述获取太赫兹光谱仪采集待测物体的待识别光谱数据之后，还包括：对所述待识别光谱曲线进行平滑处理，以去除图像噪声；利用非对称最小二乘法拟合得到所述待识别光谱曲线的基线，并将所述待识别光谱曲线和所述基线做差得到最终光谱曲线，以去除所述待识别光谱曲线的基线漂移。 9.一种太赫兹光谱物质识别装置，其特征在于，包括：光谱特征提取网络训练模块，用于在输入至光谱特征提取模块的原始光谱数据和数据重构模块输出的重建光谱数据的误差小于预设误差阈值时结束光谱特征提取网络的训练，所述光谱特征提取网络包括光谱特征提取模块和数据重构模块；物质识别网络训练模块，用于基于所述光谱特征提取网络训练得到物质识别网络模型，所述物质识别网络模型包括特征提取模块和特征分类模块；所述特征提取模块与预先构建的光谱特征提取网络的光谱特征提取模块结构相同；所述特征分类模块用于将所述特征提取模块输出的多通道光谱特征压缩至单通道光谱特征，并利用softmax回归得到所述单通道光谱特征隶属每一类物质的概率；待识别数据获取模块，用于获取太赫兹光谱仪采集待测物体的待识别光谱数据；光谱识别模块，用于将所述待识别光谱数据输入至预先构建的物质识别网络模型，得到所述待测物体所属类别。 10.根据权利要求9所述的太赫兹光谱物质识别装置，其特征在于，还包括预处理模块605，所述预处理模块605包括平滑处理子模块和基线漂移去除子模块；平滑处理子模块用于对待识别光谱曲线进行平滑处理，以去除图像噪声；基线漂移去除子模块用于利用非对称最小二乘法拟合得到待识别光谱曲线的基线，并将待识别光谱曲线和基线做差得到最终光谱曲线，以去除待识别光谱曲线的基线漂移。
所属类别：	发明专利