[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

本發明提供了基于紅外光譜的化學圖像分類識別方法，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。本發明的分類識別方法能夠對形態復雜和組成高度相似的不同類樣品進行有效的識別和分類。

技術領域

本發明涉及圖像處理技術領域，尤其是涉及一種基于紅外光譜的化學圖像 分類識別方法。

背景技術

紅外光譜(包括中紅外和近紅外)主要產生于分子振動對光的吸收，可從 分子水平上反映物質組成與結構的指紋信息。隨著儀器技術的發展，無論樣品 為液體還是固體等形態，快速測量其紅外光譜都很方便，是一種理想的分析信 號。紅外光譜結合化學計量學方法可以實現快速的物質定性分析和多種性質定 量分析。

紅外光譜判別分析過程包括光譜預處理，特征提取和模式識別等步驟，通 過比較待測樣品到已知不同類別樣品的光譜距離進行分類識別。對于在光譜上 具有明顯差異的不同類樣品，紅外光譜檢測識別方法是有效的，已被廣泛用于 諸多領域。

紅外光譜過程分析對象多為復雜物質。樣品形態和環境變化會影響光譜測 量精度、樣品中多組分光譜之間存在著嚴重重疊、共存組分光譜信息和光譜噪 聲等因素，均對被測組分光譜有干擾，使其偏離光譜定量分析理論--比爾定律。 另外，使用傳統的光譜模式識別方法判別組成高度相近的不同類樣品的難度較 大，主要原因應是不同類樣品光譜間差異信息量不足。

因此，目前傳統的紅外光譜分析手段對于形態復雜和組成高度相似的不同 類樣品不能有效識別和分類。

發明內容

本發明的目的是提供一種基于紅外光譜的化學圖像分類識別方法，解決目 前傳統的紅外光譜分析手段對于形態復雜和組成高度相似的不同類樣品不能有 效識別和分類的技術問題。

為了達到上述目的，本發明提供如下技術方案：

基于紅外光譜的化學圖像分類識別方法，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，以擴大不同類樣品間光譜差異；通過融 合同步和異步二維光譜圖，將樣品的多張動態光譜(一個樣品對應多個信號) 轉化為一張化學圖像(樣品與信號一一對應)，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。

進一步地，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。

進一步地，所述外部擾動包括濕度、溫度、pH、壓力、電壓或磁場。

進一步地，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。

進一步地，S4中，對GoogLeNet圖像識別模型的遷移學習過程中，第141 Dropout層的輸入元素以65％的概率隨機設置為零，以防止過擬合。

進一步地，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。