[发明专利]一种基于深度学习的颜料光谱辨识方法

权利要求书

1.一种基于深度学习的颜料光谱辨识方法，其特征在于，包括以下步骤：

1)采集

采集颜料块的高光谱数据，获得高光谱数据块；

2)预处理

去除高光谱数据块中成像质量差的高光谱数据，并对高光谱数据进行降噪处理；

3)分割并添加标签

3.1)对采集的高光谱图像数据块进行分割，得到若干a*a*b图像块，所述a、b均大于等于0；

3.2)将每个a*a*b图像块的所有像素光谱曲线排成c*b的矩阵，所述c＝a*a；

其中，矩阵的每列表示一条光谱曲线样本，每行表示光谱样本序号；

3.3)对每个矩阵的每一条光谱曲线样本添加颜料标签，且每个矩阵的所有颜料标签属于同一种颜料；

3.4)将每个矩阵的所有光谱曲线样本分为测验单元，所述测验单元包括训练集、测试集，且训练集的数量大于测试集；

4)建立深度学习神经网络模型

建立深度学习神经网络模型，其结构包括6层，分别为输入卷积层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、输出分类层；

所述输入卷积层的输出通道与第一卷积层的输入通道相同；

所述第一卷积层的输出通道与第二卷积层的输入通道相同；

所述第二卷积层的输出通道与第三卷积层的输入通道相同；

所述第三卷积层的输出通道与第四卷积层的输入通道相同；

所述第四卷积层的输出通道与输出分类层的输入通道相同；

所述第一卷积层、第二卷积层、第三卷积层、第四卷积层的节点依次呈指数下降；

5)训练神经网络模型，调整网络模型的参数

将训练集作为样本输入神经网络模型中进行训练，调整网络模型的参数，所述参数包括权重W和偏置B，并保留调整好的参数；

6)测试

使用调整好参数的神经网络模型在测试集上进行测试，并统计其测试结果；

7)计算及调整

计算测试结果的正确率，若正确率高于所给定阈值，则分类结果准确；

若正确率低于所给定阈值，返回步骤5)，重新调整网络模型的条件参数，直至分类结果准确；

所述条件参数包括学习率、批次大小、优化方法、迭代次数、激活函数。

2.根据权利要求1所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3)中，所述测验单元还包括验证集；

在步骤5)和步骤6)之间还包括步骤A)验证：

将验证集作为样本输入神经网络模型，在验证集上验证神经网络模型的准确性。

3.根据权利要求2所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3)中，所述图像块的规格为80*80*520，矩阵的规格为6400*520。

4.根据权利要求3所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤4)中，所述输入卷积层输入520个节点，输出512个节点；

所述第一卷积层输入512个节点，输出256个节点；

所述第二卷积层输入256个节点，输出128个节点；

所述第三卷积层输入128个节点，输出64个节点；

所述第四卷积层输入64个节点，输出32个节点；

所述输出分类层输入32个节点，输出30个节点。

5.根据权利要求4所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤3.4)中，所述训练集、测试集、验证集的比例分别为70％、15％、15％。

6.根据权利要求5所述基于深度学习的颜料光谱辨识方法，其特征在于：步骤7)中，所述给定阈值为80％。