[發明專利]基于紅外光譜的化學圖像分類識別方法

在審

• 申請號: 202010109050.9
• 申請日: 2020-02-21
• 公開（公告）號: CN111275131A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 袁洪福;孫禧亭;宋春風
• 申請（專利權）人: 北京化工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G01N21/359;G01N21/3563
• 代理公司: 北京智沃律師事務所 11620
• 代理人: 吳志宏

1.基于紅外光譜的化學圖像分類識別方法，其特征在于：通過對待分類樣品施加外部擾動，采集樣品隨擾動產生的動態紅外光譜；通過融合同步和異步二維光譜圖，將樣品的多張動態光譜轉化為一張化學圖像，運用基于深度卷積網絡學習的圖像識別方法對待分類樣品進行識別分類。

2.根據權利要求1所述的基于紅外光譜的化學圖像分類識別方法，其特征在于：具體包括如下步驟：

S1、首先對待分類樣品施加外部擾動，采集樣品隨擾動產生的一系列動態紅外光譜；

S2、對每個樣品系列動態紅外光譜進行二維相關光譜分析，得到同步二維相關光譜圖和異步二維相關光譜圖，將同步二維相關光譜圖和異步二維相關光譜圖進行融合，構造一張化學圖像；

S3、將基于深度學習的GoogLeNet圖像識別模型與遷移學習算法結合，使用所有樣品的化學圖像，建立圖像分類模型，實現對待分類樣品的識別與分類。

3.根據權利要求1或2所述的基于紅外光譜的化學圖像分類識別方法，其特征在于：所述外部擾動包括濕度、溫度、pH、壓力、電壓或磁場。

4.根據權利要求2所述的基于紅外光譜的化學圖像分類識別方法，其特征在于：S3中，將化學圖像數僅對GoogLeNet網絡最后4層結構進行訓練，并且保留其它層結構不變。

5.根據權利要求2所述的基于紅外光譜的化學圖像分類識別方法，其特征在于：S4中，對GoogLeNet圖像識別模型的遷移學習過程中，第141Dropout層的輸入元素以65％的概率隨機設置為零，以防止過擬合。

6.根據權利要求2所述的基于紅外光譜的化學圖像分類識別方法，其特征在于：S4中，對GoogLeNet圖像識別模型的遷移學習過程中，第142全鏈接層和第144分類輸出層包含了將網絡提取的特征組合為類概率、損失值和預測類別的信息，調整全連接層的濾波數量和分類層的分類數等于當前化學圖像的種類數，同時增大全連接層的學習率因子以獲得更快的學習速率。