[发明专利]一种基于空洞卷积神经网络的矿物光谱分类方法

说明书

本发明属于高光谱遥感应用技术领域，具体涉及一种基于空洞卷积神经网络的矿物光谱分类方法，包括：步骤一，矿物光谱数据获取，步骤二，矿物光谱数据增强，步骤三，矿物光谱样本划分，步骤四，构建空洞卷积神经网络分类模型，步骤五，设置参数并训练空洞卷积神经网络；步骤六，验证空洞卷积神经网络，步骤七，使用训练好的网络预测分类；步骤八，分类结果精度评价。本方法有效地解决了现有方法易受噪声影响，所需人工操作步骤多，人为判断误差明显，对于矿物光谱信号识别精度不够高，自动化程度较低，可扩展性差的技术问题，提高了海量光谱数据的处理效率和分类精度。

技术领域

本发明属于高光谱遥感应用技术领域，具体涉及一种基于空洞卷积神经网络的矿物光谱分类方法。

背景技术

岩石矿物由于特有的结构和组分特征，使其具有独特的诊断性光谱吸收特征，为岩矿鉴定与识别奠定了基础。在遥感地质领域，矿物光谱一直是热门的研究方向之一，主要包括矿物光谱特征分析、影响矿物光谱的因素以及矿物光谱分类等。在矿物光谱分类方面，目前主要的方法是将光谱数据进行一系列复杂预处理操作之后，再利用光谱角、决策树、支持向量机等传统方法进行分类，但是现有矿物光谱分类方法易受噪声影响，所需人工操作步骤多，增加了人为判断误差，识别精度不高，效率低下，难以自动处理海量光谱数据。

因此，需要设计一种更为准确、高效的矿物光谱分类方法，以改善上述现有技术的不足。

发明内容

本发明的目的在于提出一种基于空洞卷积神经网络的矿物光谱分类方法，以解决现有方法易受噪声影响，所需人工操作步骤多，人为判断误差明显，对于矿物光谱识别精度不够高，自动化程度较低，可扩展性差的技术问题。

本发明所采用的技术方案是：

一种基于空洞卷积神经网络的矿物光谱分类方法，包括如下步骤：

步骤一，矿物光谱数据获取，包括：通过ASD光谱仪在野外采集或实验室测量矿物光谱，获取待分类矿物光谱数据；

步骤二，矿物光谱数据增强，包括：将步骤一获取到的矿物光谱数据中添加强度不等的高斯白噪声，扩充每类矿物光谱规模，达到矿物数据增强；

步骤三，矿物光谱样本划分，包括：采用随机抽样法将步骤二中增强后的每个矿物光谱数据分别按照60％、20％、20％的比例划分为独立的训练集、验证集和测试集；

步骤四，构建空洞卷积神经网络分类模型，包括：根据矿物光谱特性，构建含有九层的空洞卷积神经网络模型，所述九层空洞卷积神经网络模型包括输入层、空洞卷积层DC1、池化层S1、空洞卷积层DC2、池化层S2、空洞卷积层DC3、全连接层FC1、全连接层FC2和输出层；

步骤五，设置参数并训练空洞卷积神经网络；

步骤六，验证空洞卷积神经网络，包括：将步骤三制作的验证集输入到经步骤五训练后的空洞卷积神经网络中进行验证；

步骤七，使用训练好的网络预测分类；

步骤八，分类结果精度评价。

所述步骤四中的输入层为构建的九层空洞卷积神经网络模型的第一层，所述空洞卷积层DC1为构建的空洞卷积神经网络模型的第二层，所述池化层S1为空洞卷积神经网络模型的第三层，空洞卷积层DC2为空洞卷积神经网络模型的第四层，池化层S2为空洞卷积神经网络模型的第五层，空洞卷积层DC3为空洞卷积神经网络模型的第六层，全连接层FC1为空洞卷积神经网络模型的第七层，全连接层FC2为空洞卷积神经网络模型的第八层，输出层为空洞卷积神经网络模型的第九层。

所述第一层输入层内输入训练集中的矿物光谱数据，光谱数据大小为511×1×1，记为X1，并将X1输入到第二层空洞卷积层DC1。