【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。