一种用于远程拉曼矿物识别的深度学习模型多分类方法技术

本发明专利技术提供了一种用于远程拉曼矿物识别的深度学习模型多分类方法，包括以下步骤：获取已知矿物物质的拉曼光谱数据进行预处理；构建并训练卷积神经网络模型；评价卷积神经网络模型；对目标矿物物质种类进行分类，该方法有效的弥补了传统遥感和红外光谱等技术信号弱、光谱峰较宽等技术中的缺陷，成为未来深空表面物质探测的发展方向。物质探测的发展方向。物质探测的发展方向。

【技术实现步骤摘要】
一种用于远程拉曼矿物识别的深度学习模型多分类方法


[0001]本专利技术涉及数据处理分析领域，特别涉及一种用于远程拉曼矿物识别的深度学习模型多分类方法。

技术介绍

[0002]随着航天技术的进步，人类对宇宙的探索和开发能力越来越强，从太空探测逐渐向深空探测发展，其中火星表面物质检测是目前深空探测领域中重点研究对象。近几十年来，人类对对火星环境有初步了解，但是对火星地表构成，土壤成分，矿物质组成及含量的分析，仍然缺乏完整准确的认识，这些问题主要是传统遥感和红外光谱等技术信号弱、光谱峰较宽等技术本身缺陷导致的。
[0003]拉曼光谱是一种普遍存在的表征方法，用于表征包括在宽范围的设置中的物质，包括：工业过程控制、行星探索、国土安全、生命科学、地质领域探险和实验室材料研究。拉曼光谱技术以谱峰窄、水峰影响小、无需样品制备、物质识别准确度高等优势成为未来深空表面物质探测的优先发展方向。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提供一种用于远程拉曼矿物识别的深度学习模型多分类方法，具体如下：
[0005]一种用于远程拉曼矿物识别的深度学习模型多分类方法，包括以下步骤：
[0006](1)获取已知矿物物质的拉曼光谱数据进行预处理；
[0007](2)构建并训练卷积神经网络模型；
[0008](3)评价卷积神经网络模型；
[0009](4)对目标矿物物质种类进行分类。
[0010]进一步地，步骤(1)中所述获取已知矿物物质的拉曼光谱数据步骤如下：
[0011]a、开启拉曼设备，启动拉曼激光并保持5
‑
10min；
[0012]b、对每个已知矿物物质样本测量40次，每次测定的积分时间为20s，对每个矿物物质样本的拉曼光谱数据取平均值，作为预处理的待处理数据。
[0013]进一步地，步骤(1)中所述预处理包括平滑处理、荧光背景消除和归一化处理。
[0014]进一步地，所述平滑处理为使用Savitzky
‑
Golay滤波拟合法对数据流平滑除噪，可以在滤除噪声的同时确保信号的形状、宽度不变，包括以下步骤：
[0015]A、采用最小二乘法进行多项式拟合计算，用以减小平滑处理对有效光谱信息造成干扰，根据以下公式进行计算：
[0016][0017]其中，p为经Savitzky
‑
Golay拟合后的拟合值，x为拉曼光谱数据，a
k
为多项式方程
系数；
[0018]B、采用最小二乘法求得a
k
，根据以下公式进行计算：
[0019][0020]当可得到多项式方程系数a
k
，其中，ε表示误差平方和，n表示数据范围，a
k
为多项式方程系数，M表示数据中的某一点，N为多项式系数个数；
[0021]所述归一化处理通过以下公式进行计算处理：
[0022][0023]其中，n为总波长数，x
normal
表示归一化后数值，x
i
表示矿物物质拉曼光谱数据。
[0024]进一步地，步骤(2)中所述构建并训练卷积神经网络模型包括以下步骤：
[0025]a、模型采用LeakyReLU非线性激活函数进行激活，既可以修正数据分布，又可以保留部分负轴的值，使得负轴信息不会全部丢失，具体公式如下：
[0026][0027]其中，f(x)为修正后数值，x为拉曼光谱数据，a为修正系数。
[0028]b、通过一层卷积层，提取出光谱的特征，计算输入图像的区域和滤波器的权重矩阵之间的点积，并将其结果作为该层的输出。滤波器将滑过整个图像，重复相同的点积运算，具体计算公式如下：
[0029][0030]其中，x
i
和y
i
分别是第i个输入映射和第j个输入映射。k
ij
是映射i和j之间的卷积核，*表示卷积，b
j
是第j个映射的偏置参数。
[0031]c、通过一层池化层，用于在卷积神经网络上减小特征空间维度，但不会减小深度，当使用最大池化层时，采用输入区域的最大数量，具体计算公式如下：
[0032][0033]其中，卷积层输出映射，为池化层输入映射，s表示范围，m表示范围中的量。
[0034]d、再添加一层上述卷积层和池化层，进一步提炼特征，增加分类的准确度。
[0035]进一步地，步骤(3)所述评价卷积神经网络模型通过计算损失函数交叉熵实现，计算公式如下：
[0036][0037]其中，x
n
是训练光谱，t
n
是第n个样本的真实标签，y
n
是第n个样本的网格预测，
其中#是分类C中的样本数。N是样本总数，K是类别总数，w表示权重。
[0038]与现有技术相比，本专利技术具有的有益效果是：
[0039]本专利技术提供了一种用于远程拉曼矿物识别的深度学习模型多分类方法，通过获取已知矿物物质的拉曼光谱数据进行预处理；构建并训练卷积神经网络模型；评价卷积神经网络模型；对目标矿物物质种类进行分类，有效的弥补了传统遥感和红外光谱等技术信号弱、光谱峰较宽等技术中的缺陷，成为未来深空表面物质探测的发展方向。
附图说明
[0040]图1示意出本专利技术中用于远程拉曼矿物识别的深度学习模型多分类方法的流程图；
[0041]图2示意出本专利技术中本专利技术中卷积神经网络结构示意图。
具体实施方式
[0042]通过参考示范性实施例，本专利技术的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本专利技术并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本专利技术的具体细节。
[0043]在下文中，将参考附图描述本专利技术的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。下面通过具体的实施例对本专利技术的一种用于远程拉曼矿物识别的深度学习模型多分类方法进行说明：
[0044]如图1所示，为本实施例中一种用于远程拉曼矿物识别的深度学习模型多分类方法的流程图，该方法包括以下步骤：
[0045]1、采集已知矿物物质的拉曼光谱数据并进行预处理
[0046]打开拉曼设备，保持拉曼光5
‑
10min，保证拉曼光预热后可达到稳定的状态，拉曼光稳定后对每个矿物物质样本测量40次，每次测定的积分时间为20s，对每个矿物物质样本的拉曼光谱数据取平均值，作为预处理的待处理数据；
[0047]对拉曼光谱数据进行预处理，预处理包括平滑处理、荧光背景消除和归一化处理：
[0048]平滑处理使用Savitzky
‑
Golay滤波拟合法对数据流平滑除噪，可以在滤除噪声的同时确保信号的形状、宽度不变，包括以下步骤：
[0049]A、采用最小二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，包括以下步骤：(1)获取已知矿物物质的拉曼光谱数据进行预处理；(2)构建并训练卷积神经网络模型；(3)评价卷积神经网络模型；(4)对目标矿物物质种类进行分类。2.根据权利要求1所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，步骤(1)中所述获取已知矿物物质的拉曼光谱数据步骤如下：a、开启拉曼设备，启动拉曼激光并保持5
‑
10min；b、对每个已知矿物物质样本测量40次，每次测定的积分时间为20s，对每个矿物物质样本的拉曼光谱数据取平均值，作为预处理的待处理数据。3.根据权利要求1所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，步骤(1)中所述预处理包括平滑处理、荧光背景消除和归一化处理。4.根据权利要求3所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，所述平滑处理为使用Savitzky
‑
Golay滤波拟合法对数据流平滑除噪，可以在滤除噪声的同时确保信号的形状、宽度不变，包括以下步骤：A、采用最小二乘法进行多项式拟合计算，用以减小平滑处理对有效光谱信息造成干扰，根据以下公式进行计算：其中，p为经Savitzky
‑
Golay拟合后的拟合值，x为拉曼光谱数据，a
k
为多项式方程系数；B、采用最小二乘法求得a
k
，根据以下公式进行计算：当可得到多项式方程系数a
k
，其中，ε表示误差平方和，n表示数据范围，a
k
为多项式方程系数，M表示数据中的某一点，N为多项式系数个数；所述归一化处理通过以下公式进行计算处理：其中，n为总波长数，x

【专利技术属性】
技术研发人员：祝连庆，闫昊，于明鑫，董明利，何巍，庄炜，张旭，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：