用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法制造方法及图纸

本发明专利技术提供一种自动化模型训练方法，用于训练用于不同的光谱仪的管线，包括：取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪；以及根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。本发明专利技术也提供一种自动化模型训练装置。本发明专利技术提供自动化模型训练方法和自动化模型训练方法以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。

【技术实现步骤摘要】
用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法
本专利技术关于一种光谱仪的技术，且特别是关于一种用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法。
技术介绍
光谱仪的应用依赖于用于检测光谱特征之识别模型的优劣，而不同应用所对应的光谱特征也不相同。因此，光谱仪的每一项应用都需要由专家来建立对应的识别模型。专家需要反复地尝试多种前处理模型、机器学习模型及超参数(hyperparameter)的组合，才能产生适合的识别模型，且所产生的识别模型还不一定是最佳的。另一方面，多个光谱仪之间经常存在差异，且进行光谱测量时，测量结果容易受散射光光程影响。因此，相同的识别模型往往不用于不同的光谱仪，使用者需要分别针对不同的光谱仪进行识别模型的训练或校正。如此，厂商不仅无法大量地生产光谱仪，还需要耗费相当多的成本以维护众多的识别模型。
技术实现思路
鉴于此，本专利技术提供一种用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。本专利技术的其他目的和优点可以从本专利技术所公开的技术特征中得到进一步的了解。为达到上述之一或部分或全部目的或是其他目的，本专利技术的自动化模型训练方法用于训练用于不同的光谱仪的管线，并且包括：取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪；以及根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。为达到上述之一或部分或全部目的或是其他目的，本专利技术的自动化模型训练装置用于训练用于不同的光谱仪的管线，并且包括收发器、处理器以及储存媒体。收发器取得第一光谱资料和第二光谱资料，其中第一光谱资料对应于第一光谱仪，并且第二光谱资料对应于第二光谱仪。储存介质储存多个模块。处理器耦接至收发器和储存媒体，并且存取和执行多个模块，其中多个模块包括训练模块。训练模块根据第一光谱资料和第二光谱资料训练出用于第一光谱仪以及第二光谱仪的管线，其中管线对应于至少一个候选识别模型。基于上述，本专利技术能从众多的前处理演算法、机器学习演算法以及超参数的组合之中，自动地挑选出针对特定光谱特征的最佳组合，以产生用于检测该特定光谱特征的识别模型。另一方面，本专利技术所训练出的管线可用于不同的光谱仪，更可透过测试值预估该管线在不同光谱仪上的表现，可显著地降低了训练以及维护识别模型的成本。为让本专利技术的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。附图说明图1根据本专利技术的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练装置的示意图。图2根据本专利技术的实施例绘示使用自动化模型训练装置训练识别模型的示意图。图3根据本专利技术的实施例绘示第一光谱资料以及第二光谱资料的示意图。图4根据本专利技术的实施例绘示计算对应于候选识别模型的损失函数的值的示意图。图5根据本专利技术的实施例绘示对应于第二候选识别模型的损失函数的值的示意图。图6根据本专利技术的实施例绘示第一光谱资料、第二光谱资料以及第三光谱资料的示意图。图7根据本专利技术的实施例绘示计算对应于第三候选识别模型的损失函数的值的示意图。图8根据本专利技术的实施例绘示对应于第四候选识别模型的损失函数的值的示意图。图9根据本专利技术的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练方法的流程图。附图标记列表40：自动化模型训练装置150：处理器21、510、520、810、820、830：光谱资料22：管线23：前处理模型组合24：机器学习模型26：识别模型250：储存媒体350：收发器251：取样模块252：训练模块253：测试模块511、521、811、821、831：训练资料512、522、812、822、832：验证资料513、523、813、823、833：测试资料610、920：第一值620、940：第二值710、910、930、1100：训练集合720、1200：验证集合730、1300：分数S21、S22、S23、S111、S112：步骤。具体实施方式为了使本专利技术的内容可以被更容易明了，以下特举实施例作为本专利技术确实能够据以实施的范例。另外，凡可能之处，在附图及实施方式中使用相同标号的元件/构件/步骤，是代表相同或类似部件。有关本专利技术的前述及其他
技术实现思路
、特点与功效，在以下配合参考附图的一优选实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本专利技术。图1据本专利技术的实施例绘示一种用于训练用于不同的光谱仪的管线的自动化模型训练装置40的示意图。自动化模型训练装置40用以产生可同时用于多个光谱仪的多个候选识别模型，从而从多个候选识别模型选出最佳者所对应的管线以供使用者使用。自动化模型训练装置40包括处理器150、储存媒体250以及收发器350。处理器150例如是中央处理单元(centralprocessingunit，CPU)，或是其他可编程之一般用途或特殊用途的微控制单元(microcontrolunit，MCU)、微处理器(microprocessor)、数字信号处理器(digitalsignalprocessor，DSP)、可编程控制器、特殊应用集成电路(applicationspecificintegratedcircuit，ASIC)、图形处理器(graphicsprocessingunit，GPU)、算数逻辑单元(arithmeticlogicunit，ALU)、复杂可编程逻辑装置(complexprogrammablelogicdevice，CPLD)、现场可编程逻辑门阵列(fieldprogrammablegatearray，FPGA)或其他类似元件或上述元件的组合。储存媒体250例如是任何型态的固定式或可移动式的随机存取存储器(randomaccessmemory，RAM)、只读存储器(read-onlymemory，ROM)、快闪存储器(flashmemory)、硬盘驱动器(harddiskdrive，HDD)、固态驱动器(solidstatedrive，SSD)或类似元件或上述元件的组合，而用于储存可由处理器150执行的多个模块或各种应用程序。在本实施例中，储存媒体250可储存包括取样模块251、训练模块252以及测试模块253等多个模块，其功能将于后续说明。收发器350以无线或有线的方式传送及接收信号。收发器350还可以执行例如低噪声放大、阻抗匹配、混频、向上或向下频率转换、滤波、放大以及类似的操作。本文档来自技高网...

【技术保护点】
1.一种自动化模型训练方法，其特征在于，用于训练用于不同的光谱仪的管线，其中透过处理器以执行所述自动化模型训练方法，并且所述自动化模型训练方法包括：/n取得第一光谱资料和第二光谱资料，其中所述第一光谱资料对应于第一光谱仪，并且所述第二光谱资料对应于第二光谱仪；以及/n根据所述第一光谱资料和所述第二光谱资料训练出用于所述第一光谱仪以及所述第二光谱仪的管线，其中所述管线对应于至少一个候选识别模型。/n

【技术特征摘要】
1.一种自动化模型训练方法，其特征在于，用于训练用于不同的光谱仪的管线，其中透过处理器以执行所述自动化模型训练方法，并且所述自动化模型训练方法包括：
取得第一光谱资料和第二光谱资料，其中所述第一光谱资料对应于第一光谱仪，并且所述第二光谱资料对应于第二光谱仪；以及
根据所述第一光谱资料和所述第二光谱资料训练出用于所述第一光谱仪以及所述第二光谱仪的管线，其中所述管线对应于至少一个候选识别模型。


2.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
产生训练集合和验证集合，其中所述第一光谱资料以及所述第二光谱资料分别关联于所述训练集合和所述验证集合中的至少一个；以及
根据所述训练集合和所述验证集合训练出所述至少一个识别模型。


3.根据权利要求2所述的自动化模型训练方法，其特征在于，还包括：
取得对应于第三光谱仪的第三光谱资料，其中所述第三光谱资料分别关联于所述训练集合和所述验证集合中的至少一个；以及
根据所述训练集合和所述验证集合训练出用于所述第三光谱仪的所述至少一个识别模型。


4.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
根据所述第一光谱资料和所述第二光谱资料训练出第一候选识别模型；
根据关联于所述第一光谱资料的第一训练资料以及关联于所述第二光谱资料的第二验证资料计算损失函数的第一值；
根据关联于所述第二光谱资料的第二训练资料以及关联于所述第一光谱资料的第一验证资料计算所述损失函数的第二值；以及
根据所述第一值和所述第二值判断所述第一候选识别模型的第一分数。


5.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
取得分别对应于多台光谱仪的多个光谱资料；
根据所述第一光谱资料、所述第二光谱资料和所述多个光谱资料训练出第一候选识别模型，包括：
根据关联于所述第一光谱资料和所述多个光谱资料的第一训练集合以及关联于所述第二光谱资料的第二验证资料计算损失函数的第一值；
根据关联于所述第二光谱资料和所述多个光谱资料的第二训练集合以及关联于所述第一光谱资料的第一验证资料计算所述损失函数的第二值；以及
根据所述第一值和所述第二值判断所述第一候选识别模型的第一分数。


6.根据权利要求5所述的自动化模型训练方法，其特征在于，还包括：
根据所述第一光谱资料、所述第二光谱资料和所述多个光谱资料训练出适用于所述第一光谱仪、所述第二光谱仪以及所述多个光谱仪的第二候选识别模型；以及
响应于所述第一候选识别模型的所述第一分数低于所述第二候选识别模型的第二分数而选择所述第一候选识别模型作为所述管线。


7.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
根据对应于所述第一光谱资料的第一测试资料计算损失函数的第一测试值；
根据对应于所述第二光谱资料的第二测试资料计算所述损失函数的第二测试值；以及
输出所述第一测试值和所述第二测试值。


8.根据权利要求1所述的自动化模型训练方法，其特征在于，所述管线包括前处理模型以及机器学习模型。


9.根据权利要求7所述的自动化模型训练方法，其特征在于，还包括根据下列演算法中的一个产生所述机器学习模型：
随机搜寻演算法、贝氏最优化演算法、遗传演算法以及强化学习演算法。


10.根据权利要求7所述的自动化模型训练方法，其特征在于，还包括根据下列程序中的至少一个产生所述前处理模型：
光滑程序、小波程序、基线校正程序、微分程序、标准化程序以及随机森林程序。


11.根据权利要求1所述的自动化模型训练方法，其特征在于，用以训练所述管线的损失函数关联于均方差演算法。


12.一种光谱仪，其特征在于，具有根据权利要求1至11中的任一项所述的自动化模型训练方法以所述第一光谱资料训练出的识别模型。


13.一种自动化模型训练装置，其特征在于，用于训练用于不同的光谱仪的管线，所述自动化模型训练装置包括收发器、处理器以及储存媒体，其中
所述收发器取得第一光谱资料和第二光谱资料，其中...

【专利技术属性】
技术研发人员：王峰，黄彦钧，
申请(专利权)人：中强光电股份有限公司，
类型：发明
国别省市：中国台湾;71