[發明專利]一種基于塊平滑神經網絡的高光譜數據分析方法和系統

有效

• 申請號: 202011059204.4
• 申請日: 2020-09-30
• 公開（公告）號: CN112381756B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 周松斌;劉憶森;邱澤帆
• 申請（專利權）人: 廣東省科學院智能制造研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/774;G06V10/82;G06N3/04
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 劉新年

本發明實施例提供一種基于塊平滑神經網絡的高光譜數據分析方法和系統，通過總體平均光譜與多個塊平均光譜共享同一套神經網絡權值，在訓練過程中同時減小總體平均光譜的均方誤差與塊平均預測值的均方誤差，相對于傳統的采用平均光譜建模方法，該方法可對網絡參數達到正則化效果，抑制權值的過擬合，增強網絡抗干擾性；設計了塊平滑損失函數，該損失函數的加入，可提升塊預測的連續性與平滑性，抑制鄰近塊預測值的突變，令鄰近的塊預測值平滑過渡；利用該先驗空間信息，可進一步提升網絡的抗噪能力，提升預測的精度與模型魯棒性。

技術領域

本發明實施例涉及高光譜數據分析技術領域，尤其涉及一種基于塊平滑神經網絡的高光譜數據分析方法和系統。

背景技術

高光譜傳感技術應用場景廣泛，包括食品摻假檢測、水果糖度檢測、藥品成分分析及假藥鑒定、微生物含量檢測、有機質含量檢測等。然而在高光譜無損檢測領域，檢測算法的精度與魯棒性一直有待提高，阻礙其實際應用推廣。其中一個問題就是高光譜無損檢測中，高光譜數據的空間信息未得到充分利用，目前大部分的算法仍然是采用有效區域的平均光譜進行建模。這種方法得到的模型魯棒性較差，對于光譜噪聲十分敏感，噪聲擾動會導致預測結果產生較大偏差。近年來，一些研究中提取高光譜數據的形態學信息作為空間信息，與平均光譜信息聯合進行建模。這種方法屬于“空譜聯合”模型的初步探索，但由于形態學信息屬于較低級的圖像學信息，因此“空譜聯合”建模仍有巨大的研究空間。

模型預測結果的空間平滑性是高光譜建模領域的重要先驗信息，充分利用該先驗信息可顯著提升建模的精度與魯棒性。在高光譜遙感領域，對于地物目標分類的像素級分類任務，現階段已有的研究采用鄰域投票或采用光譜塊作為中心像素的建模信息，來達到增強預測的空間平滑性、減少預測中“椒鹽噪聲”的目的。然而在高光譜無損檢測領域，由于是對物品級高光譜信號進行預測，因此如何對空間平滑性的先驗信息進行利用，有待進一步的研究。

發明內容

本發明實施例提供一種基于塊平滑神經網絡的高光譜數據分析方法和系統，將一個高光譜樣本隨機切割多個光譜塊，塊之間共享一套神經網絡權值參數，并設計塊平滑損失函數來提升塊預測結果的空間平滑性，從而達到提升網絡預測精度與魯棒性的目的。

第一方面，本發明實施例提供一種基于塊平滑神經網絡的高光譜數據分析方法，包括：

采集每個待分析樣本的高光譜圖像；

對所述高光譜圖像進行分割，得到每個待分析樣本的有效像素；

基于所有待分析樣本的有效像素得到總體平均光譜，在每個待分析樣本的有效像素范圍內，選擇n個隨機位置的有效像素矩形塊，獲取所述有效像素矩形塊在光譜維的平均值，得到n個塊平均光譜；

將總體平均光譜和n個塊平均光譜作為一個待分析樣本的數據，構建訓練集和測試集，并進行神經網絡訓練，得到用于對待分析樣本進行預測的塊平滑神經網絡。

作為優選的，并進行神經網絡訓練，具體包括：

構建平滑神經網絡，所述平滑神經網絡包括一維卷積層、一維池化層、全連接層和輸出層；

構建平滑神經網絡損失函數：

L＝α*L_mean+β*L_patch+γ*L_smooth

其中，L_mean為總體平均光譜損失函數，L_patch為塊光譜損失函數，L_smooth為塊平滑損失函數；α、β、γ為取值于[0，1]之間的常系數；

采用梯度下降方法訓練塊平滑神經網絡損失函數。

作為優選的，所述總體平均光譜損失函數為為平均光譜預測輸出與待分析樣本標簽值之間的損失函數：