CN114112992B - 一种奶油亮蓝色素的检测方法、装置及存储介质 - Google Patents
一种奶油亮蓝色素的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114112992B CN114112992B CN202210064928.0A CN202210064928A CN114112992B CN 114112992 B CN114112992 B CN 114112992B CN 202210064928 A CN202210064928 A CN 202210064928A CN 114112992 B CN114112992 B CN 114112992B
- Authority
- CN
- China
- Prior art keywords
- training
- model
- detection model
- initial
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 239000006071 cream Substances 0.000 title claims abstract description 49
- 239000001055 blue pigment Substances 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 114
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000000049 pigment Substances 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- SGHZXLIDFTYFHQ-UHFFFAOYSA-L Brilliant Blue Chemical compound [Na+].[Na+].C=1C=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C(=CC=CC=2)S([O-])(=O)=O)C=CC=1N(CC)CC1=CC=CC(S([O-])(=O)=O)=C1 SGHZXLIDFTYFHQ-UHFFFAOYSA-L 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 5
- 239000008267 milk Substances 0.000 claims description 3
- 210000004080 milk Anatomy 0.000 claims description 3
- 235000013336 milk Nutrition 0.000 claims description 3
- 239000011022 opal Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000002329 infrared spectrum Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 102220102979 rs766288960 Human genes 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004477 FT-NIR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003995 emulsifying agent Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种奶油亮蓝色素的检测方法、装置及存储介质,属于数据检测技术领域,方法包括:S1:通过近红外光谱仪对待测奶油的数据采集得到原始光谱数据;S2:对原始光谱数据的预处理得到预处理后光谱数据;S3:对预处理后光谱数据的降维分析得到降维后光谱数据;S4:将所有的降维后光谱数据随机划分至训练集或测试集或验证集中;S5:构建训练模型,通过训练模型对训练集和测试集的训练分析得到目标检测模型;S6:通过目标检测模型对验证集的检测得到奶油亮蓝色素的检测结果。本发明提高了光谱的分辨率,降低了模型的复杂度,且提高了模型的稳健性,提高了光谱对人工色素浓度的敏感性,减少了计算成本与消耗,提高了精度。
Description
技术领域
本发明主要涉及数据检测技术领域,具体涉及一种奶油亮蓝色素的检测方法、装置及存储介质。
背景技术
目前在市场上的奶油制品中大量使用了植物奶油,为了能够实现接近动物奶油的口感,会加入一些色素、防腐剂和乳化剂等进行加工。而奶油制品里面的植物奶油中人工色素主要来自于人工添加,通过打奶油时将色素与奶油混合至搅拌均匀。为了消费者的安全,对人工色素的检验和质控也是目前亟需解决的问题。
传统方法检测有着周期长,精度低,破坏性强等不足,所以急需一个快速,精确性高的替代方案。近红外光谱分析技术是利用化学物质在近红外光谱区内的光学特性快速测定样品中一种或多种化学成分含量及特性的物理测定技术。近红外光谱技术具有稳定, 分析速度快、分析效率高、分析成本低的特性,便于实现在线分析和典型的无损分析。
对于近红外光谱的数据有着获取难,数据量少,正负样本不均衡,数据维度高等问题。近红外光谱中,除了处理有用的化学信息,还包含大量的背景噪声和其他无关杂项等干扰信息,如何提取有用的化学信息也是需要重点关注的问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种奶油亮蓝色素的检测方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:一种奶油亮蓝色素的检测方法,包括如下步骤:
S1:通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
S2:分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
S3:分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
S4:将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
S5:构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
S6:通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果。
本发明解决上述技术问题的另一技术方案如下:一种奶油亮蓝色素的检测装置,包括:
数据采集模块,用于通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
数据预处理模块,用于分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
降维分析模块,用于分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
随机划分模块,用于将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
训练分析模块,用于构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
检测结果获得模块,用于通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果。
本发明解决上述技术问题的另一技术方案如下:一种奶油亮蓝色素的检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的奶油亮蓝色素的检测方法。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的奶油亮蓝色素的检测方法。
本发明的有益效果是:通过近红外光谱仪对待测奶油采集得到多个原始光谱数据,分别对各个原始光谱数据的预处理得到预处理后光谱数据,提高了光谱的分辨率,降低了模型的复杂度,且提高了模型的稳健性,分别对各个预处理后光谱数据的降维分析得到降维后光谱数据,削弱了各种非目标因素对目标光谱的影响,保留了有效信息,提高了光谱对人工色素浓度的敏感性,将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,通过训练模型对训练集和测试集的训练分析得到目标检测模型,通过目标检测模型对验证集的检测得到奶油亮蓝色素的检测结果,减少了计算成本与消耗,同时一定程度上提高了精度。
附图说明
图1为本发明实施例提供的奶油亮蓝色素的检测方法的流程示意图;
图2为本发明实施例提供的奶油亮蓝色素的检测装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的奶油亮蓝色素的检测方法的流程示意图。
如图1所示,一种奶油亮蓝色素的检测方法,包括如下步骤:
S1:通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
S2:分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
S3:分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
S4:将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
S5:构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
S6:通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果。
应理解地,所述预设比例可以为6:3:1。
应理解地,用傅里叶变换近红外光谱技术快速对奶油(即所述待测奶油)中的人工色素亮蓝进行近红外扫描。
具体地,通过近红外光谱仪对待测奶油进行数据采集,具体为以下步骤:
步骤1.1:获取测定所用树脂奶油(即所述待测奶油);步骤1.2:将奶油混合提前制作好的标准浓度差亮蓝色素制作成待检测样品;步骤1.3:对待检测样品放入近红外光谱仪进行近红外扫描;步骤1.4:光谱仪记录了样品的近红外光谱图像,得到测定数据(即所述原始光谱数据),能够更客观的评价整体数据集。
应理解地,所述待测奶油中所用色素为亮蓝,纯度在99%以上。
应理解地,利用傅里叶变换近红外光谱算法分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据。
应理解地,步骤S6能够得到较准确的亮蓝色素预测结果。
上述实施例中,通过近红外光谱仪对待测奶油采集得到多个原始光谱数据,分别对各个原始光谱数据的预处理得到预处理后光谱数据,提高了光谱的分辨率,降低了模型的复杂度,且提高了模型的稳健性,分别对各个预处理后光谱数据的降维分析得到降维后光谱数据,削弱了各种非目标因素对目标光谱的影响,保留了有效信息,提高了光谱对人工色素浓度的敏感性,将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,通过训练模型对训练集和测试集的训练分析得到目标检测模型,通过目标检测模型对验证集的检测得到奶油亮蓝色素的检测结果,减少了计算成本与消耗,同时一定程度上提高了精度。
可选地,作为本发明的一个实施例,所述步骤S3的过程包括:
构建初始自动编码器,利用无监督学习算法对所述初始自动编码器进行参数更新,得到更新后的自动编码器;
通过所述更新后的自动编码器分别对各个所述预处理后光谱数据进行降维处理,得到与各个所述预处理后光谱数据对应的降维后光谱数据。
应理解地,针对近红外光谱数据维度高的问题,对目标数据(即所述预处理后光谱数据)进行非线性依赖的自动编码器的降维预处理。
应理解地,对自动编码器(即所述初始自动编码器)进行无监督学习的预训练,得到比较接近最优解的初始权值。
应理解地,通过自动编码器(即所述更新后的自动编码器)将原始数据压缩成一个忽略噪声的短代码,然后算法对该代码进行解压缩,以生成尽可能接近原始输入的图像。高维数据通过一个多层神经网络把它编码成一个低维数据,从而重建这个高维数据。
具体地,在建立训练模型之前需要用自动编码器进行光谱预处理工作,削弱各种非目标因素对目标光谱的影响,保留有效信息,提高光谱对人工色素浓度的敏感性。
应理解地,自动编码器可以最大限度地减少原始数据的信息损失和去除噪声。
应理解地,自编码器(即所述更新后的自动编码器)来源有两个网络,首先是编码网络是有三层的深度自动编码器,第一层为特征维度746的输入层,进过特征提取进入第二层维度为378,最后一层的维度降到189此时我们通过特征进行反向重构,在RBM单元的作用下依次激活缩放,通过2层的解码网络还原数据为原来的光谱信息。解码网络通过数字编码进行前向传播,在没每层的神经元内的RBM单元概率激活后进行合并,最后得到降维后的数据(即所述降维后光谱数据)。
应理解地,光谱仪数据扫描后固定维度746,之后每层一次减半。
具体地,通过所述更新后的自动编码器分别对各个所述预处理后光谱数据进行降维处理的过程,具体为以下步骤:
首先,当网络的预训练过程完成后,把解码和编码部分重新拿回来展开构成整个网络,然后用真实的数据作为样本标签来微调网络的参数,通过最小化重构项和原始数据之间的误差对权值进行训练;
其次,对于连续的光谱数据,第一个RBM的隐藏层仍然是二值的,但是其可视化层
单元是带高斯白噪声的线性单元。如果该噪声是单位方差,隐藏单元的更新规则仍然是一
样的,第i个可视化层单元的更新规则是从一个高斯噪声中抽样,这个噪声的方差是单位方
差,均值是的平均值;
最后,每个RBM的可视层单元都有真实的[0,1]内激活值,对于高层RBM,其可视化层单元就是前一个RBM的隐藏层单元的激活概率,但是除了最上面一个RBM之外,其他的RBM的隐藏层单元都是随机的二值。最上面一个RBM的隐藏单元是一个随机实值状态,它是从单位方差噪声中抽样得到的,这个单位方差噪声的均值由RBM的可视单元决定,交叉熵误差公式如下:
其中,pi是输入数据的重构值。
应理解地,自动编码器的目的是通过投影将高维数据映射到低维空间,期望在投影维数中获得最大的数据方差,以便在使用较少数据维数的情况下保留原始数据点的更多特征。
上述实施例中,利用无监督学习算法对初始自动编码器的参数更新得到更新后的自动编码器,通过更新后的自动编码器分别对各个预处理后光谱数据的降维处理得到降维后光谱数据,可以最大限度地减少原始数据的信息损失和去除噪声,保留了有效信息,提高了光谱对人工色素浓度的敏感性。
可选地,作为本发明的一个实施例,所述构建初始自动编码器,利用无监督学习算法对所述初始自动编码器进行参数更新,得到更新后的自动编码器的过程包括:
导入预构建的模型参数,并对所述模型参数进行随机初始化,得到多个初始节点参数和多个初始权值参数;
通过第一式对多个所述初始节点参数和多个所述初始权值参数进行能量函数的计算,得到能量函数,所述第一式为:
通过多个所述初始节点参数、多个所述初始权值参数和所述能量函数构建得到初始自动编码器;
导入多个更新权值,按照预设第一迭代次数依次将各个所述更新权值输入至所述初始自动编码器中进行自动编码器的参数更新,从而得到更新后的自动编码器。
应理解地,所述预构建的模型参数为一个128*128的数字矩阵,初始都是1,调用随机化函数后为随机。
应理解地,所述更新权值为权值为1的随机化后的参数。
应理解地,要模拟大量的数据集,就要采用多层网络,即把第一层网络的输出作为第二层网络的输入。并且每增加一个网络层,就会提高网络对输入数据重构的下界概率值,且上层的网络能够提取出其下层网络更高阶的特征。
具体地,首先,通过一个2层网络来重构二值向量,通过对称加权连接把随机二值像素点和随机二值特征检测器联系起来;其次,像素点相当于RBM的可视化单元,特征检测器相当于隐藏单元。可视单元和隐藏单元的联合***(v,h)之间的能量(能量函数)表示为:
其中,vi和hj分别是第i个可视层单元(即所述当前层的初始节点参数)和第j个隐藏层单元(即所述下一层的初始节点参数)的状态,bi和bj是偏置项(即所述初始权值参数),wij是权值,网络通过这个能量函数得到每个可能图像的概率;最后,通过调整网络的权值和偏置值使得网络对该输入图像的能量最低。
应理解地,自编码器在预训练阶段重构输入的操作,即无监督训练的部分,相当于逼迫输出层之前的网络学习输入的数据隐藏特征。然后,输出层会基于输入的特征表达表示反向模拟原始输入。在实际操作中,首先对输入信息编码,通过隐藏层提取信息,最后对输出信息进行解码。确定的分布式表示的维度比原始输入的维度低,从而实现了降维。
上述实施例中,通过利用无监督学习算法对初始自动编码器的参数更新得到更新后的自动编码器,提高了模型的准确率,可以最大限度地减少原始数据的信息损失和去除噪声,保留了有效信息。
可选地,作为本发明的一个实施例,所述步骤S5的过程包括:
基于深度学习算法构建全连接神经网络模型,通过所述全连接神经网络模型对所述训练集和所述测试集进行首次训练,得到初始检测模型和剩余预测偏差值;
判断所述剩余预测偏差值是否大于预设偏差阈值,若是,则通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型;若否,则返回步骤S4。
优选地,所述预设偏差阈值可以为3.0。
应理解地,用深度学习来对光谱数据进行回归预测,逻辑回归采用 sigmoid 函数作为激活函数,建立全连接神经网络模型,对于深度学习需求数据量大,而人工采集近红外样本达到所需数据量难度较高的问题,构建深度学习模型时使用知识进化的方法来压缩模型,知识进化可以无缝集成普通神经网络和残差网络,减少了过度拟合和数据收集的负担。
应理解地,使用知识进化来对模型(即所述初始检测模型)进行压缩,其训练基于权值初始化并且能在不影响精度的条件下训练出更简洁的模型。
上述实施例中,通过全连接神经网络模型对训练集和测试集的首次训练得到初始检测模型和剩余预测偏差值,判断剩余预测偏差值是否大于预设偏差阈值,并通过知识进化算法对初始检测模型和训练集的压缩得到目标检测模型,可以将网络进行无缝连接,并减少了过度拟合和数据收集的负担。
可选地,作为本发明的一个实施例,所述通过所述全连接神经网络模型对所述训练集和所述测试集进行首次训练,得到初始检测模型和剩余预测偏差值的过程包括:
S511:导入多个与所述训练集中降维后光谱数据对应的真实值,通过所述全连接神经网络模型对所述训练集和所有真实值进行模型训练,得到初始检测模型;
S512:通过所述初始检测模型对所述测试集以及所有所述真实值进行剩余预测偏差值的分析,得到剩余预测偏差值。
应理解地,所述真实值为样本色素浓度,可以理解为待测奶油亮蓝色素的浓度。
上述实施例中,通过全连接神经网络模型对训练集和所有真实值的模型训练得到初始检测模型,通过初始检测模型对测试集以及所有真实值的剩余预测偏差值分析得到剩余预测偏差值,相比于传统方法,本发明的准确性大大提高,速度快,样本无损坏,且具有一定的通用推广价值。
可选地,作为本发明的一个实施例,所述步骤S511中,通过所述全连接神经网络模型对所述训练集和所有真实值进行模型训练,得到初始检测模型的过程包括:
S5111:根据前向传播算法和所述全连接神经网络模型分别对所述训练集中各个降维后光谱数据进行预测,得到与各个所述降维后光谱数据对应的第一预测值;
S5112:分别计算各个所述第一预测值以及与所述降维后光谱数据对应的真实值之差,得到与各个所述降维后光谱数据对应的误差值;
S5113:导入损失函数,根据所述损失函数对所有误差值进行反向传播,得到梯度值;
S5114:根据梯度下降算法和所述梯度值对所述全连接神经网络模型进行全连接神经网络模型的参数更新,得到更新后的全连接神经网络模型,并返回步骤S5111,直至达到预设第二迭代次数,则将更新后的全连接神经网络模型作为初始检测模型。
应理解地,所述预设第二迭代次数与所述预设第一迭代次数可以是相同,也可以不同。
应理解地,通过前向传播算法计算得到预测值(即所述第一预测值),并将预测值(即所述第一预测值)和所述真实值做对比得出两者之间的差距。
具体地,通过反向传播算法(backpropagation)计算损失函数对每一个参数的梯度,再根据梯度和学习率使用梯度下降算法(gradient decent)更新每一个参数。通俗的理解就是,梯度下降算法主要用于优化单个参数的取值,而反向传播算法给出了一个高效的方式在所有参数上使用梯度下降算法,从而使神经网络模型在训练数据上的损失函数尽可能小。
上述实施例中,通过全连接神经网络模型对训练集和所有真实值的模型训练得到初始检测模型,使神经网络模型在训练数据上的损失函数尽可能小,提高了模型检测的准确性。
可选地,作为本发明的一个实施例,所述步骤S512的过程包括:
按照预设第三迭代次数将所述测试集输入至所述初始检测模型中进行模型测试,得到多个第二预测值;
通过第二式对所有第二预测值和所有所述真实值进行剩余预测偏差值的计算,得到剩余预测偏差值,所述第二式为:
应理解地,所述剩余预测偏差(RPD)的公式如下:
标准差(均方差)的公式如下:
均方误根差的公式如下:
其中,X 表示真实值,x表示预测值(即所述第二预测值),E表示样本的期望,或者说是平均值。
上述实施例中,按照预设第三迭代次数将测试集输入至初始检测模型中进行模型测试得到多个第二预测值,通过第二式对所有第二预测值和所有真实值的剩余预测偏差值计算得到剩余预测偏差值,相比于传统方法,本发明的准确性大大提高,速度快,样本无损坏,且具有一定的通用推广价值。
可选地,作为本发明的一个实施例,所述通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型的过程包括:
根据所述初始检测模型网络空间体积的参数设定比例,将所述初始检测模型进行切分,得到第一子网络和第二子网络;
对所述第一子网络进行参数随机化处理,得到随机化后的第一子网络;
通过所述随机化后的第一子网络和所述第二子网络构建得到待训练检测模型;
通过所述待训练检测模型对所述训练集进行再次训练,得到目标检测模型。
应理解地,所述参数随机化处理即为调用现有的随机化函数进行随机化。
应理解地,所述知识进化(KE)方法将深层网络分为两个假设: 拟合假设(即所述第一子网络)和重置假设(即所述第二子网络)。我们通过扰动多代重置假设来迭代地发展拟合假设内的知识。这种方法不仅提高了性能,而且学习了一个计算成本较小的瘦网络。KE可以普通神经网络和残差网络无缝集成而且KE 减少了过度拟合和数据收集的负担。
具体地,为了在深层网络中进化知识,将网络分为两个假设: 拟合假设 H4(即所述第一子网络)和重置假设H0(即所述第二子网络);步骤3.2.2:我们通过重新训练多代网络来发展H4(即所述第一子网络)内部的知识。对于每一代的训练中,我们都会扰乱H0(即所述第二子网络)内部的权重,以鼓励H4学习独立的知识信息。对于H4(即所述第一子网络)和H0(即所述第二子网络)将网络分为两块,即H4=mn和H0=(1-m)n。由H4(所述第二子网络)和H0(即所述第二子网络)都是随机初始化的,我们在训练中不断初始化H0(即所述第二子网络),鼓励H4(即所述第一子网络)能够获得网络中更大权重的影响力且能够获得对整个网络的更高的模拟性和替代性;并将训练n为e纪元,称训练网络为第一代H14=MN1(即所述随机化后的第一子网络)以及H1O =(1-M)N1(即所述第二子网络);之后,通过不断的迭代训练纪元,并使用初始化函数F1= M1F1+(1-M1) F1r,其中,F1是层l处的卷积滤波器,M1是对应的二进制掩模,F1r是随机初始化的十进制。这三个张量(F1,F1r和 M1)具有相同的大小。F1r使用默认的初始化分布进行初始化。并将初始化后的模型继续进行训练迭代,以期将H4学习到的知识传递到下一代的H4。在之后的H4可以单独视为完整的轻便化模型,减少对数据量的依赖,而且由于其数据量大大减少,计算成本也得以缩减。
具体地,所述知识进化方法的具体步骤如下:
训练路径符号包括,假设一个1层的深层网络n。网络n具有卷积滤波器f,批量范数z,以及具有权重 w,偏置b 项的完全连通层;
从概念上将深层网络 n 分解为两个排他性假设(子网络)开始: 拟合假设H4(即所述第一子网络)和重置假设 H0(即所述第二子网络)。这些假设是由一个二进制掩模m概括出来的;1对于H4(即所述第一子网络)和0对于H0(即所述第二子网络),即H4=mn和H0=(1-m)n。在概述假设之后,随机初始化网络n,即H4(即所述第一子网络)和H0(即所述第二子网络)都是随机初始化的。将训练n为e纪元,称训练网络为第一代H14 = MN1以及H1O =(1-M)N1;
为了学习更好的网络(下一代),则使用H4(即所述第一子网络)重新初始化网络n,然后重新训练n学习 N2。首先利用 N1拟合假设H4(即所述第一子网络)中的卷积滤波器f和权重w对网络 n 进行重新初始化,然后对网络的其余部分进行随机初始化。正式地,我们重新初始化每个层1,如下所示
F1= M1F1 + (1-M1) F1r;
其中,F1是层1处的卷积滤波器,M1是对应的二进制掩模,F1r是随机初始化的十进制。这三个张量(F1,F1r和M1)具有相同的大小。F1r使用默认的初始化分布进行初始化;
通过相应的二进制掩码重新初始化权重W1和偏置B1。结构中仅在单个最后完全连接层中具有偏差项。因此,对于这些体系结构,所有偏倚项都属于拟合假设,即H4,在没有随机化的情况下跨代转移学习批量范数;
在重新初始化之后,将n重新训练为e纪元,以学习第二代G2。为了学习更好的网络,反复初始化和重新训练n代G。基本上,通过拟合假设 H4(即所述第一子网络)将知识(卷积滤波器和权重)从一代传递到下一代。从而达到了模型压缩的目的,而且训练的H4都可以作为一个完整的轻便化模型,所以可以减少对数据量的依赖,而且由于其数据量大大减少,计算成本也得以缩减,故而也正好契合于近红外光谱过取数据难且数据量少的问题。
上述实施例中,根据初始检测模型网络空间体积的参数设定比例,将初始检测模型切分为第一子网络和第二子网络,通过对第一子网络的参数随机化处理得到随机化后的第一子网络,通过随机化后的第一子网络和第二子网络构建得到待训练检测模型,通过待训练检测模型对训练集的再次训练得到目标检测模型,达到了模型压缩的目的,形成了完整的轻便化模型,可以减少对数据量的依赖,而且由于其数据量大大减少,计算成本也得以缩减,故而解决了近红外光谱过取数据难且数据量少的问题。
可选地,作为本发明的另一个实施例,本发明对近红外光谱(即所述原始光谱数据)进行预处理,能够削弱各种非目标因素对目标光谱的影响,保留有效信息,提高光谱对人工色素浓度的敏感性,同时预处理还可以提高光谱的分辨率,降低模型的复杂度,并提高模型的稳健性,在数据预处理阶段选择非线性依赖的自动编码器进行预处理是通过反复实验得出的最佳预处理方法,自动编码器可以最大限度地减少原始数据的信息损失和去除噪声,其中自编码器在预训练阶段重构输入的操作,即无监督训练的部分,相当于逼迫输出层之前的网络学习输入的数据隐藏特征;然后,输出层会基于输入的特征表达表示反向模拟原始输入,在实际操作中,对输入信息编码,通过隐藏层提取信息,最后对输出信息进行解码;确定的分布式表示的维度比原始输入的维度低,从而实现了降维;其次是由于AutoEncoder进行end-to-end的训练,不断提高其准确率,而通过设计encode编码和decode解码过程使输入和输出越来越接近,是一种无监督学习过程。它类似于机器学习中的PCA(可编程自动化控制器)算法,AutoEncoder的主要功能是将数据压缩之后得到的降维的特征值,这一中间结果正类似于PCA的结果,这也正是原始数据的最本质特征。知识进化学习出了一个更轻便的网络,减少了计算成本与消耗,同时一定程度上提高了精度。
图2为本发明实施例提供的奶油亮蓝色素的检测装置的模块框图。
可选地,作为本发明的另一个实施例,如图2所示,一种奶油亮蓝色素的检测装置,包括:
数据采集模块,用于通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
数据预处理模块,用于分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
降维分析模块,用于分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
随机划分模块,用于将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
训练分析模块,用于构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
检测结果获得模块,用于通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果。
可选地,本发明的另一个实施例提供一种奶油亮蓝色素的检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的奶油亮蓝色素的检测方法。该装置可为计算机等装置。
可选地,本发明的另一个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的奶油亮蓝色素的检测方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种奶油亮蓝色素的检测方法,其特征在于,包括如下步骤:
S1:通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
S2:分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
S3:分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
S4:将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
S5:构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
S6:通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果;
所述步骤S5的过程包括:
基于深度学习算法构建全连接神经网络模型,通过所述全连接神经网络模型对所述训练集和所述测试集进行首次训练,得到初始检测模型和剩余预测偏差值;
判断所述剩余预测偏差值是否大于预设偏差阈值,若是,则通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型;若否,则返回步骤S4;
所述通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型的过程包括:
根据所述初始检测模型网络空间体积的参数设定比例,将所述初始检测模型进行切分,得到第一子网络和第二子网络;
对所述第一子网络进行参数随机化处理,得到随机化后的第一子网络;
通过所述随机化后的第一子网络和所述第二子网络构建得到待训练检测模型;
通过所述待训练检测模型对所述训练集进行再次训练,得到目标检测模型。
2.根据权利要求1所述的奶油亮蓝色素的检测方法,其特征在于,所述步骤S3的过程包括:
构建初始自动编码器,利用无监督学习算法对所述初始自动编码器进行参数更新,得到更新后的自动编码器;
通过所述更新后的自动编码器分别对各个所述预处理后光谱数据进行降维处理,得到与各个所述预处理后光谱数据对应的降维后光谱数据。
3.根据权利要求2所述的奶油亮蓝色素的检测方法,其特征在于,所述构建初始自动编码器,利用无监督学习算法对所述初始自动编码器进行参数更新,得到更新后的自动编码器的过程包括:
导入预构建的模型参数,并对所述模型参数进行随机初始化,得到多个初始节点参数和多个初始权值参数;
通过第一式对多个所述初始节点参数和多个所述初始权值参数进行能量函数的计算,得到能量函数,所述第一式为:
通过多个所述初始节点参数、多个所述初始权值参数和所述能量函数构建得到初始自动编码器;
导入多个更新权值,按照预设第一迭代次数依次将各个所述更新权值输入至所述初始自动编码器中进行自动编码器的参数更新,从而得到更新后的自动编码器。
4.根据权利要求1所述的奶油亮蓝色素的检测方法,其特征在于,所述通过所述全连接神经网络模型对所述训练集和所述测试集进行首次训练,得到初始检测模型和剩余预测偏差值的过程包括:
S511:导入多个与所述训练集中降维后光谱数据对应的真实值,通过所述全连接神经网络模型对所述训练集和所有真实值进行模型训练,得到初始检测模型;
S512:通过所述初始检测模型对所述测试集以及所有所述真实值进行剩余预测偏差值的分析,得到剩余预测偏差值。
5.根据权利要求4所述的奶油亮蓝色素的检测方法,其特征在于,所述步骤S511中,通过所述全连接神经网络模型对所述训练集和所有真实值进行模型训练,得到初始检测模型的过程包括:
S5111:根据前向传播算法和所述全连接神经网络模型分别对所述训练集中各个降维后光谱数据进行预测,得到与各个所述降维后光谱数据对应的第一预测值;
S5112:分别计算各个所述第一预测值以及与所述降维后光谱数据对应的真实值之差,得到与各个所述降维后光谱数据对应的误差值;
S5113:导入损失函数,根据所述损失函数对所有误差值进行反向传播,得到梯度值;
S5114:根据梯度下降算法和所述梯度值对所述全连接神经网络模型进行全连接神经网络模型的参数更新,得到更新后的全连接神经网络模型,并返回步骤S5111,直至达到预设第二迭代次数,则将更新后的全连接神经网络模型作为初始检测模型。
7.一种奶油亮蓝色素的检测装置,其特征在于,包括:
数据采集模块,用于通过近红外光谱仪对待测奶油进行数据采集,得到多个原始光谱数据;
数据预处理模块,用于分别对各个所述原始光谱数据进行预处理,得到与各个所述原始光谱数据对应的预处理后光谱数据;
降维分析模块,用于分别对各个所述预处理后光谱数据进行降维分析,得到与各个所述预处理后光谱数据对应的降维后光谱数据;
随机划分模块,用于将所有的降维后光谱数据随机划分至训练集或测试集或验证集中,且划分完成后的训练集、测试集以及验证集的数量比例满足预设比例;
训练分析模块,用于构建训练模型,通过所述训练模型对所述训练集和所述测试集进行训练分析,得到目标检测模型;
检测结果获得模块,用于通过所述目标检测模型对所述验证集进行检测,得到奶油亮蓝色素的检测结果;
所述训练分析模块具体用于:
基于深度学习算法构建全连接神经网络模型,通过所述全连接神经网络模型对所述训练集和所述测试集进行首次训练,得到初始检测模型和剩余预测偏差值;
判断所述剩余预测偏差值是否大于预设偏差阈值,若是,则通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型;若否,则返回所述随机划分模块;
所述训练分析模块中,通过知识进化算法对所述初始检测模型和所述训练集进行压缩,得到目标检测模型的过程包括:
根据所述初始检测模型网络空间体积的参数设定比例,将所述初始检测模型进行切分,得到第一子网络和第二子网络;
对所述第一子网络进行参数随机化处理,得到随机化后的第一子网络;
通过所述随机化后的第一子网络和所述第二子网络构建得到待训练检测模型;
通过所述待训练检测模型对所述训练集进行再次训练,得到目标检测模型。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至6任一项所述的奶油亮蓝色素的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210064928.0A CN114112992B (zh) | 2022-01-20 | 2022-01-20 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210064928.0A CN114112992B (zh) | 2022-01-20 | 2022-01-20 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114112992A CN114112992A (zh) | 2022-03-01 |
CN114112992B true CN114112992B (zh) | 2022-04-12 |
Family
ID=80360917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210064928.0A Active CN114112992B (zh) | 2022-01-20 | 2022-01-20 | 一种奶油亮蓝色素的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112992B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114371145A (zh) * | 2022-03-21 | 2022-04-19 | 武汉工程大学 | 奶油混合色素的检测方法、装置、电子设备及存储介质 |
CN115205716B (zh) * | 2022-08-11 | 2023-04-07 | 北京林业大学 | 油橄榄果实含油率预估方法、装置及***和存储介质 |
CN116735527B (zh) * | 2023-06-09 | 2024-01-05 | 湖北经济学院 | 一种近红外光谱优化方法、装置、***以及存储介质 |
CN117789101A (zh) * | 2023-11-29 | 2024-03-29 | 武汉工程大学 | 一种奶油靛蓝色素检测方法、装置、***以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359882A (zh) * | 2014-11-12 | 2015-02-18 | 江南大学 | 同步荧光光谱结合rbf神经网络同时测定混合色素的方法 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 中国地质大学(武汉) | 基于自动编码器和多目标优化的自动历史拟合方法及*** |
CN107833208A (zh) * | 2017-10-27 | 2018-03-23 | 哈尔滨工业大学 | 一种基于动态权重深度自编码的高光谱异常检测方法 |
CN110782018A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自编码器的光谱降维方法和装置 |
CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、***和介质 |
CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
AU2021101715A4 (en) * | 2021-04-03 | 2021-05-20 | Southeast University | A transfer learning based model for fatigue crack initiation sites detection |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113408663A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
-
2022
- 2022-01-20 CN CN202210064928.0A patent/CN114112992B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359882A (zh) * | 2014-11-12 | 2015-02-18 | 江南大学 | 同步荧光光谱结合rbf神经网络同时测定混合色素的方法 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 中国地质大学(武汉) | 基于自动编码器和多目标优化的自动历史拟合方法及*** |
CN107833208A (zh) * | 2017-10-27 | 2018-03-23 | 哈尔滨工业大学 | 一种基于动态权重深度自编码的高光谱异常检测方法 |
CN110782018A (zh) * | 2019-10-28 | 2020-02-11 | 北京环境特性研究所 | 基于自编码器的光谱降维方法和装置 |
CN111044483A (zh) * | 2019-12-27 | 2020-04-21 | 武汉工程大学 | 一种基于近红外光谱的奶油中色素测定方法、***和介质 |
CN111144499A (zh) * | 2019-12-27 | 2020-05-12 | 北京工业大学 | 基于深度神经网络的风机叶片早期结冰故障检测方法 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
AU2021101715A4 (en) * | 2021-04-03 | 2021-05-20 | Southeast University | A transfer learning based model for fatigue crack initiation sites detection |
CN113408663A (zh) * | 2021-07-20 | 2021-09-17 | 中国科学院地理科学与资源研究所 | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
Micronised egyptian blue pigment: a novel near-infrared luminescent fingerprint dusting powder;Errington B, et al;《Dyes Pigm》;20161231;第310-315页 * |
近红外光谱无损检测技术中数据的分析方法概述;刘军 等;《武汉工程大学学报》;20171031;第496-502页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114112992A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114112992B (zh) | 一种奶油亮蓝色素的检测方法、装置及存储介质 | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN111127146B (zh) | 基于卷积神经网络与降噪自编码器的信息推荐方法及*** | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN108398268A (zh) | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 | |
Mdrafi et al. | Joint learning of measurement matrix and signal reconstruction via deep learning | |
EP4050518A1 (en) | Generation of realistic data for training of artificial neural networks | |
CN112529865A (zh) | 混合像元双线性深层解混方法、***、应用及存储介质 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
CN111046961A (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络***、装置与方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN113887559A (zh) | 一种脑不在环路应用的脑机信息融合分类方法及*** | |
CN117100191A (zh) | 用于自动化洗碗机的清洗剂投放控制***及方法 | |
CN115346091B (zh) | 一种Mura缺陷图像数据集的生成方法和生成装置 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN113128459B (zh) | 一种基于多层次脑电信号表达下的特征融合方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、***、设备及可读存储介质 | |
CN115146689A (zh) | 一种基于深度学习的动力***高维测量数据降维方法 | |
CN118133689B (zh) | 面向教学场景的仿真平台数据处理方法、装置和电子设备 | |
CN117274682B (zh) | 一种基于异步co-teaching的含标签噪声数据分类方法 | |
CN117095208B (zh) | 一种面向光电吊舱侦察图像的轻量化场景分类方法 | |
Webster et al. | Robust spectral based compression of hyperspectral images using LSTM autoencoders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |