[发明专利]近红外光谱的分类模型训练方法、系统及分类方法、系统

说明书

本发明涉及一种近红外光谱的分类模型训练方法、系统及分类方法、系统，利用MTF将每一训练用近红外光谱序列转换为训练用二维图像，得到训练数据集。再构建初始分类模型，利用训练数据集对初始分类模型进行训练，即可得到分类模型。通过引入MTF方法将近红外光谱序列整体转换为图像，保留了原始光谱序列对波长的依赖性以及特征的完整性，通过将一维光谱序列编码为图像，可以将机器视觉图像处理的强大优势应用于一维近红外光谱的分类识别，能够显著提高分类模型的分类准确率。利用该分类模型能够更为准确的对近红外光谱序列进行分类。

技术领域

本发明涉及一维近红外光谱数据分析处理技术领域，特别是涉及一种基于MTF(Markov Transition Field，马尔可夫变迁场)图像编码和残差网络的近红外光谱的分类模型训练方法、系统及分类方法、系统。

背景技术

近红外光谱因其具有操作简单，检测效率高，多指标同时检测，样品无损伤，成本低且实验无污染等优势，逐渐在以化学检验为主的众多检测技术中脱颖而出。近红外光谱分类识别检测的关键是利用近红外光谱区丰富的光谱信息建立具有分类能力的数学模型，并利用模型的泛化能力对未知样品的光谱进行检测。经过研究者们多年的研究，基于近红外光谱建立的模型已经横跨了数学统计学、化学计量学、机器学习以及深度学习等多个方面，在多个领域得到了认可与实际应用，模型的性能也在不断地提升。

然而，近红外光谱存在光谱范围广，噪声干扰多，有用信息强度弱等不足，传统的定性模型必须结合大量的光谱预处理，特征提取，降维等处理。这种特征提取和降维而所带来的特征改变往往通过数据压缩来实现，会破坏光谱的完整性，丢失有用的信息，无法确保分类结果的准确性。因此结合近红外光谱分析技术构建一个识别准确率高的分类模型是急需解决的关键问题。

发明内容

本发明的目的是提供一种近红外光谱的分类模型训练方法、系统及分类方法、系统，用于构建一个识别准确率高的分类模型，以对近红外光谱数据进行高精度分类。

为实现上述目的，本发明提供了如下方案：

第一方面，本发明提供一种近红外光谱的分类模型训练方法，所述训练方法包括：

获取多种类型样品分别对应的多个训练用近红外光谱序列；

利用MTF将每一所述训练用近红外光谱序列转换为训练用二维图像，得到训练样本；所有所述训练样本和所述训练样本对应的标签组成训练数据集；

构建初始分类模型；

利用所述训练数据集对所述初始分类模型进行训练，得到分类模型。

本发明还提供了一种近红外光谱的分类模型训练系统，所述训练系统包括：

第一获取模块，用于获取多种类型样品分别对应的多个训练用近红外光谱序列；

第一转换模块，用于利用MTF将每一所述训练用近红外光谱序列转换为训练用二维图像，得到训练样本；所有所述训练样本和所述训练样本对应的标签组成训练数据集；

构建模块，用于构建初始分类模型；

训练模块，用于利用所述训练数据集对所述初始分类模型进行训练，得到分类模型。

第二方面，本发明提供一种近红外光谱的分类方法，所述方法包括：

获取待分类近红外光谱序列；

利用MTF将所述待分类近红外光谱序列转换为二维图像；

以所述二维图像作为输入，利用分类模型进行分类。

本发明还提供了一种近红外光谱的分类系统，所述系统包括：

第二获取模块，用于获取待分类近红外光谱序列；