[发明专利]一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法

权利要求书

1.一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，包括以下步骤：

S1.训练ResNet-1D网络模型

S11.采集干茧样品在400～1000nm波段的可见/近红外光谱数据；

S12.对采集到的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法；

S13.建立干茧丝胶溶失率的数据集，使用随机方法对经过预处理的可见/近红外光谱数据按10：1分成训练集和验证集；

S14.将建立好的数据集输入到ResNet-1D网络模型中进行训练；

S2.预测干茧茧层丝胶溶失率

S21.采集待检样品在400～1000nm波段的可见/近红外光谱数据；

S22.对待检样品的光谱数据使用基于Savitzky-Golay卷积平滑的光谱预处理方法；

S23.将经过预处理的待检样品的光谱数据输入到训练好的ResNet-1D网络中，得出待检样品的茧层丝胶溶失率。

2.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，所述步骤S12中，光谱预处理方法采用Savitzky-Golay卷积平滑法，Savitzky-Golay卷积平滑又称多项式平滑，是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合，一般采用下式表示窗口移动多项式二乘最小二乘拟合法的通式：

其中x_k,smooth为波长k处经平滑后的平均值，H为归一化因子，(2w+1)为窗口宽度，h_i为平滑系数，每一测量值乘以平滑系数h_i的目的是尽可能减小平滑对有用信息的影响。

3.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，所述步骤S14中，ResNet-1D网络模型是由传统的残差网络ResNet101修改而来，ResNet-1D网络模型相较于传统的ResNet101网络不同的是，ResNet101网络是对二维图像进行分类处理，而ResNet-1D网络是对一维数据进行分类。ResNet-1D网络包括五个卷积模块，一个全局平均池化层，一个全连接层和一个softmax层。

4.根据权利要求3所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，所述的五个卷积模块分别是conv1、conv2、conv3、conv4和conv5,其中conv1由一个卷积核为1×7，步长为2的卷积组成，conv2、conv3和conv4分别由3、4和23个卷积块组成，卷积块之间采用残差连接方式，每个卷积块中包含3个卷积层，卷积核分别为1×1、1×3和1×1，每个卷积层后均有批正则化层和ReLU激活函数，conv2、conv3和conv4的第一个卷积块的第一个1×1卷积的步长为2，其余卷积步长均为1，conv5由3个卷积块组成，每个卷积块中包含3个卷积层，卷积核分别为1×1、1×3和1×1，conv5采用混合级联空洞卷积，其中第1个卷积块的1×3卷积扩张率为1，第2个卷积块的1×3卷积扩张率为2，第3个卷积块的1×3卷积扩张率为4；输入的1×600的一维数据在conv1阶段后分辨率降低为原来的1/2，在conv2阶段使用了步长为2的最大池化作下采样，在接下来的conv3和conv4使用步长为2的1×1卷积使分辨率依次减小为1/2倍，由于conv5使用级联空洞卷积，conv5输出的一维数据相较于输入的数据分辨率降低为原来的1/16。

5.根据权利要求3所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，所述的softmax层将茧层丝胶溶失率预测分值转换为茧层丝胶溶失率概率分布，softmax函数定义为：

其中，N是类别数量，是k类别分数的向量，p_k是属于k类别的概率。

6.根据权利要求1所述的一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法，其特征在于，将建立好的数据集以批处理的方式输入到ResNet-1D网络中，采用分类交叉熵损失函数作为目标函数，随机梯度下降法进行误差反向传播，采用多项式学习策略，对深度神经网络进行训练：

所述分类交叉熵损失函数定义如下：

其中，Y′是标签概率向量，Y是标签预测概率向量，N是类别数量，S是一维数据个数，log(.)是求自然对数，B是批大小；

所述的随机梯度下降法优化目标函数：

m_t＝μ*m_t-1-η_tg_t

θ_t＝θ_t-1+m_t

其中，下标t是迭代次数，θ是网络模型参数，L(θ_t-1)是当使用θ_t-1为网络参数时的损失函数，g_t、m_t、μ分别是梯度、动量和动量系数，η是学习率；

所述多项式学习策略中，学习率η设置为

式中，η₀为初始学习率，t为当前迭代次数，total_t为迭代总次数，上标power为多项式的幂。