成分识别方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例提供一种成分识别方法、装置、电子设备和存储介质，其中方法包括：确定待检测目标的原始近红外光谱；将原始近红外光谱输入至成分识别模型中，得到成分识别模型输出的待检测目标的成分及含量；其中，成分识别模型是基于预设数量的样本近红外光谱和与样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。如此，通过对预设的深度学习模型进行训练得到成分识别模型，该成分识别模型具有更好的泛化能力，可以更好的体现近红外光谱与各个成分之间的复杂非线性关系。即使待检测物品中成分种类较多时，也可以更加准确的反映近红外光谱与目标变量之间的关系，提高对于待检测目标的成分识别的能力。力。力。

【技术实现步骤摘要】
成分识别方法、装置、电子设备和存储介质


[0001]本专利技术涉及近红外光谱分析领域，具体涉及一种成分识别方法、装置、电子设备和存储介质。

技术介绍

[0002]物体的近红外光谱蕴含着物体丰富的组成与结构信息。通过分析物体的近红外光谱可以识别处物体的成分和含量。现在基于近红外光谱进行物品成分识别作为一种快速、绿色、非接触的测量识别技术，逐渐取代传统化学实验室分析识别技术，应用于工业质量控制和产品成分检测等领域中。
[0003]现有的基于近红外光谱的成分识别方法主要为线性建模法。线性建模法通常假设光谱变量与目标成分含量之间的关系是线性关系。实际应用中，光谱变量与目标成分含量之间存在复杂的非线性关系，线性建模法中的线性成分识别模型并不能体现近红外光谱与目标变量之间复杂的非线性关系。特别是在待检测物品中成分种类较多，光谱变量与目标成分含量之间的关系包括线性关系和非线性关系时，基于近红外光谱的线性建模法的识别能力较差。

技术实现思路

[0004]本专利技术实施例提供一种成分识别方法、装置、电子设备和存储介质，用以解决现有方案中，在待检测物品中成分种类较多，光谱变量与目标成分含量之间的关系包括线性关系和非线性关系时，基于近红外光谱的线性建模法的识别能力较差的问题。
[0005]第一方面，本专利技术实施例提供一种成分识别方法，包括：
[0006]确定待检测目标的原始近红外光谱；
[0007]将所述原始近红外光谱输入至成分识别模型中，得到所述成分识别模型输出的待检测目标的成分及含量；
[0008]其中，所述成分识别模型是基于预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。
[0009]优选地，训练所述预设的深度学习模型时采用的样本近红外光谱为进行标准正态变换之后的近红外光谱；
[0010]相对应的，所述确定待检测目标的原始近红外光谱，包括：
[0011]确定待检测目标的经过标准正态变换的原始近红外光谱。
[0012]优选地，所述成分识别模型包括卷积神经网络模块和循环神经网络模块；
[0013]所述卷积神经网络模块用于接收所述原始近红外光谱，抽取所述原始近红外光谱的局部抽象特征，并将所述局部抽象特征发送至循环神经网络模块；
[0014]所述循环神经网络模块用于获取所述局部抽象特征，并基于所述局部抽象特征之间复杂的序列依赖关系，确定并输出待检测目标的成分及含量。
[0015]优选地，所述卷积神经网络模块包括输入层、卷积层和池化层；
[0016]所述卷积层采用一维深度可分离卷积提取局部特征；所述卷积层的卷积核权重的初始化采用方差缩放方法；激活函数为修正线性单元激活函数；所述池化层采用最大值池化方式。
[0017]优选地，所述循环神经网络模块包括隐含层和输出层；
[0018]所述输出层的激活函数为线性激活函数。
[0019]优选地，所述成分识别模型的训练过程包括：
[0020]获取训练样本集；所述训练样本集包括预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识；
[0021]基于五折交叉验证法，通过所述训练样本集，对基于卷积神经网络模型和循环神经网络模型搭建的深度学习模型进行训练，得到成分识别模型。
[0022]优选地，所述基于五折交叉验证法，通过所述训练样本集，对基于卷积神经网络模型和循环神经网络模型搭建的深度学习模型进行训练，得到成分识别模型，包括：
[0023]将所述获取训练样本集划分为多组训练集和一组验证集；
[0024]分别基于各组所述训练集，对所述深度学习模型进行训练，得到与各组训练集一一对应的训练后深度学习模型；
[0025]基于所述验证集，验证各个所述训练后深度学习模型的识别效果，并通过均方根误差和决定系数量化识别效果；
[0026]选取识别效果最优的训练后深度学习模型为成分识别模型。
[0027]第一方面，本专利技术实施例提供一种成分识别装置，包括：
[0028]光谱确定单元，用于确定待检测目标的原始近红外光谱；
[0029]成分识别单元，用于将所述原始近红外光谱输入至成分识别模型中，得到所述成分识别模型输出的待检测目标的成分及含量；其中，所述成分识别模型是基于预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。
[0030]第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的成分识别方法的步骤。
[0031]第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的成分识别方法的步骤。
[0032]本专利技术实施例提供的成分识别方法，通过对预设的深度学习模型进行训练得到成分识别模型，基于成分识别模型和待检测目标的原始近红外光谱，进行待检测目标的成分识别。与现有技术相比，通过对预设的深度学习模型进行训练得到的成分识别模型，具有更好的泛化能力，可以更好的体现近红外光谱与各个成分之间的线性关系或非线性关系。即使待检测物品中成分种类较多时，也可以更加准确的反映近红外光谱与目标变量之间的关系，提高对于待检测目标的成分识别的能力。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发
明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例提供的成分识别方法的流程示意图；
[0035]图2为本专利技术实施例提供的成分识别模型的示意图；
[0036]图3为本专利技术实施例提供的成分识别装置的结构示意图；
[0037]图4为本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]物体的近红外光谱蕴含着物体丰富的组成与结构信息。通过分析物体的近红外光谱可以识别处物体的成分和含量。现在基于近红外光谱进行物品成分识别作为一种快速、绿色、非接触的测量识别技术，逐渐取代传统化学实验室分析识别技术，应用于工业质量控制和产品成分检测等领域中。现有的基于近红外光谱的成分识别方法主要为线性建模法。线性建模法通常假设光谱变量与目标成分含量之间的关系是线性关系。实际应用中，光谱变量与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种成分识别方法，其特征在于，包括：确定待检测目标的原始近红外光谱；将所述原始近红外光谱输入至成分识别模型中，得到所述成分识别模型输出的待检测目标的成分及含量；其中，所述成分识别模型是基于预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。2.根据权利要求1所述的成分识别方法，其特征在于，训练所述预设的深度学习模型时采用的样本近红外光谱为进行标准正态变换之后的近红外光谱；相对应的，所述确定待检测目标的原始近红外光谱，包括：确定待检测目标的经过标准正态变换的原始近红外光谱。3.根据权利要求1所述的成分识别方法，其特征在于，所述成分识别模型包括卷积神经网络模块和循环神经网络模块；所述卷积神经网络模块用于接收所述原始近红外光谱，抽取所述原始近红外光谱的局部抽象特征，并将所述局部抽象特征发送至循环神经网络模块；所述循环神经网络模块用于获取所述局部抽象特征，并基于所述局部抽象特征之间复杂的序列依赖关系，确定并输出待检测目标的成分及含量。4.根据权利要求3所述的成分识别方法，其特征在于，所述卷积神经网络模块包括输入层、卷积层和池化层；所述卷积层采用一维深度可分离卷积提取局部特征；所述卷积层的卷积核权重的初始化采用方差缩放方法；所述卷积神经网络模块的激活函数为修正线性单元激活函数；所述池化层采用最大值池化方式。5.根据权利要求3所述的成分识别方法，其特征在于，所述循环神经网络模块包括隐含层和输出层；所述输出层的激活函数为线性激活函数。6.根据权利要求1～5任一所述的成分识别方法，其特征在于，所述成分识别模型的训练过程包括：获取训...

【专利技术属性】
技术研发人员：王学雷，杨杰超，王瑞华，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：