[發明專利]一種用于微型光譜儀的譜圖重構方法

在審

• 申請號: 202111650217.3
• 申請日: 2021-12-30
• 公開（公告）號: CN114330663A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 劉婧;朱賀;潘勉;呂帥帥
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01N21/35
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種用于微型光譜儀的譜圖重構方法，首先構建用于微型光譜儀的譜圖重構網絡模型：然后訓練譜圖重構網絡，最后通過訓練好的譜圖重構網絡完成譜圖重構。本發明在不提升硬件系統的條件下，將圖片超分辨思想引入進來，采用深度學習的方法，克服傳統重構算法弊端，顯著提升重構效果，實現波長范圍為2500?5000nm的譜圖重構。本發明引入殘差網絡來提高訓練速度，采用線性插值方法實現可靠的數據上采樣，整體提升了此網絡模型的重構能力和魯棒性。

技術領域

本發明涉及譜圖重構技術領域，特別是涉及一種基于深度學習網絡模型的用于微型光譜儀的譜圖重構方法。

背景技術

光學光譜儀正在朝著超小型微型光譜儀系統發展，硬件生產中更廣泛的技術趨勢一直在激勵著光學光譜儀的進步，并從中受益。例如，早期的基于色散的策略已經通過優化高精度微制造、光刻和蝕刻技術得到了改進，以產生更小尺寸的光柵和光學器件。與此同時，微機電系統組件的發展使基于微型傅里葉變換干涉儀的設備能夠實現超緊湊的電子驅動移動部件。

隨著物理尺寸和處理能力成本在過去15年中大幅下降，重構型顯微光譜儀的出現預示著該領域的根本性轉變，在該領域，軟件開發將承擔提高設備性能的大部分負擔，同時占地面積繼續縮小。光譜重構通常被建模為求解線性方程組，現在已經有了一些成熟的重建算法，如非負最小二乘法、稀疏基優化等，但傳統的重構算法在光譜范圍過大，或者濾波器數據過少時的重構效果還是不夠精細，與真實譜圖有一些差距，因此，有必要使用深度學習來優化算法甚至用深度學習的網絡模型來完全代替這些算法在計算光譜儀中進行光譜重構，這將越來越能夠補償進一步小型化所必需的檢測器性能的折衷。這代表了一條通向超緊湊高性能系統的有前途的道路，同時有利于促進光譜分析技術在科學研究、工業和消費電子領域進一步推廣使用。

發明內容

針對現有技術中存在的不足，本發明的目的是提供一種用于微型光譜儀的譜圖重構方法，以解決現有的傳統重構算法在光譜范圍過大，或者采樣數據過少時的重構效果與真實光譜差距過大的技術問題，能夠在波長為2500-5000nm的范圍中使用經過微型光譜儀采樣后的數據進行光譜圖重構，且分辨率可以達到14nm。

為實現上述目的，本發明提供了如下方案：

一種用于微型光譜儀的譜圖重構方法，包括如下步驟：

步驟(1)、構建用于微型光譜儀的譜圖重構網絡模型：

所述的譜圖重構網絡基于圖片超分辨領域中的增強的深度學習超分辨重建網絡(EDSR)改進，優化了網絡深度和殘差塊數量；采用線性插值方法作為上采樣方法；最后添加了一層全連接層用于調整輸出的數據量；所述的譜圖重構網絡均方誤差(MSE)作為損失函數。

步驟(2)、訓練譜圖重構網絡：

將醇類、苯類、酸類三類物質經過傅里葉變換紅外光譜儀得到的真實譜圖數據作為原始對比數據，將三類物質經過微型光譜儀采樣后的數據作為訓練數據，構建訓練集；采用自適應梯度下降算法優化損失函數，獲得譜圖重構網絡權重；

步驟(3)、譜圖重構：

對經過微型光譜儀采樣后得到的數據進行譜圖重構，將微型光譜儀采樣后得到的數據作為輸入數據輸入完成訓練的譜圖重構網絡中進行處理，得到重構的譜圖數據。

步驟(1)、構建用于微型光譜儀的譜圖重構網絡模型，具體包括；

用于微型光譜儀的譜圖重構網絡模型包括擴展層、殘差網絡、上采樣網絡、深度復原層和調整層。

1)擴展層：在擴展層，通過卷積操作，將通道數從1擴展到64，以增加模型的容量；該層濾波器的大小為3×3，通道數為64；

2)殘差網絡：包含兩個部分，局部殘差和全局殘差部分，分別用于學習局部殘差和全局殘差；將擴展層輸出數據作為此殘差網絡的輸入數據。