一种实现成像功能的光纤光谱仪深度学习算法制造技术

本发明专利技术公开一种拥有成像功能的光纤光谱仪深度学习算法，其步骤为：1、利用光纤光谱仪收集深度学习所需数据集；2、构建深度学习成像网络；3、以光纤光谱仪成像系统输出的时间波形作为深度学习的输入，以光纤光谱仪成像系统的输入图像作为深度学习成像网络的输出目标训练深度学习成像网络；4、进行成像，即以光纤光谱仪输出的新的时间波形作为成像网络的输入，输出网络预测的图像。本发明专利技术利用深度学习方法，能对光纤光谱仪的输出波形进行成像，当成像网络训练好时，就可以快速检测出高质量的内容感知图像，具有高效性，高精确度的特点，可用于光纤光谱仪的成像。于光纤光谱仪的成像。于光纤光谱仪的成像。

【技术实现步骤摘要】
一种实现成像功能的光纤光谱仪深度学习算法


[0001]本专利技术涉及光纤光谱仪成像系统，属于光学检测
具体涉及一种具有成像功能的光纤光谱仪深度学习算法。

技术介绍

[0002]光谱成像仪可实现光谱成像，同时可探测二维空间信息和一维光谱信息，其在定时、定位测量的同时，具有定性测量和定量分析的功能，因此可应用在物质探测、目标识别、成分分析、过程监控等诸多领域。
[0003]与传统成像系统相比，基于光纤的成像系统具有较高的机械灵活性、紧凑的尺寸和抗环境干扰能力。这些特性使基于光纤的成像成为在如高温、高压或辐射水平较高的环境下能更好的处理图像。Loterie D等人利用多模光纤的传输矩阵来重建图像(Loterie D,Farahi S,Papadopoulos I,et al.Digital confocal microscopy through a multimode fiber[J].Optics express,2015,23(18):23845
‑
23858.)。
[0004]另一方面，随着技术发展，如今深度学习已经在诸多领域获得了应用并取得了良好的效果。Zhang R等人结合传输矩阵及深度学习的方法重建图像(Zhang R,Wang J,Song L.Image reconstruction of few
‑
mode fiber based on deep learning[C]//Advanced Optical Imaging Technologies.SPIE,2018,10816:38
‑
47.)。但是以上的方法不可避免的需要使用传输矩阵这一工具，相对于深度学习不断发展的今天，这些方法显得有点笨重。
[0005]本专利技术在以上背景之下，提出一种具有成像功能的光纤光谱仪深度学习算法。该算法仅利用光谱仪输出的二维时间波形重建图像而无需其余工具，在保证速度的同时，最大化成像精度。且利用深度学习，本专利技术推进了光纤光谱仪成像的智能化，为类似的成像系统提供了一套可用的算法，具有十分重要的意义和价值。

技术实现思路

[0006]本专利技术的目的在于提供一种具有成像功能的光纤光谱仪深度学习算法。
[0007]本专利技术的目的是这样实现的：
[0008]本专利技术包括如下步骤：
[0009](1)，建立成像网络所需数据集，并按4：1的比例将其分割为训练集及测试集；
[0010](2)，搭建成像网络；
[0011](3)，使用训练集训练网络，使用测试集测试性能；
[0012](4)，将光纤光谱仪的输出的新波形送入已训练好的成像网络实现光纤光谱仪的成像。
[0013]步骤(1)中，所述建立所需数据集具体步骤如下：
[0014](1
‑
1)，收集已知图像Y；
[0015](1
‑
2)，将(1
‑
1)中收集到的图像Y送入光纤光谱仪后输出相应的二维时间波形X，并将X和步骤(1
‑
1)中的图像Y进行结合得到数组对＜X,Y＞作为所需数据集。
[0016]步骤(3)中，使用Adam优化器对重建网络进行训练；损失函数采用MSE损失函数(均方方差损失函数)，其形式为：其中y
ij
为原图像中第i行第j列的值，为网络生成的图像中第i行第j列的值，m为图像中行的个数，n为图像中列的个数。
[0017]相比于现有技术，本专利技术的突出优点在于：
[0018](1)简便：本专利技术无需其他工具，只需相应的训练集，便能得到相应的成像网络。
[0019](2)快捷：一旦成像网络训练好，对于给定的二维时间波形，可在0.001秒内预测出该波形所对应的图像。
附图说明
[0020]图1是本算法流程图。
[0021]图2是目标图像经过光纤光谱仪生成波形的示意图。由1、输入图像2、光纤光谱仪3、输出波形组成。
[0022]图3是网络结构示意图。
[0023]图4是第一卷积层至第三卷积层的示意图。
[0024]图5是第四卷积层的示意图。
[0025]图6是第一上采样层至第三上采样层的示意图。
具体实施方式
[0026]下面结合附图对本专利技术做进一步的描述。
[0027]参照图1，对本专利技术的步骤做进一步的详细描述。
[0028]步骤(1)，收集深度学习所需数据集。
[0029]参考图2，通过将图片送入光纤光谱仪获得其对应的二维时间波形，利用这样的操作采集约50000张图片以及对应的光纤光谱仪输出的二维时间波形作为深度学习数据集。其形式为＜X,Y＞这样的一个数组对，其中X为光纤光谱仪的所输出的二维时间波形，Y为与X对应的原图像。
[0030]将50000对数据对随机选取40000对数据对作为训练集，剩余10000对数据对作为测试集。
[0031]步骤(2)，搭建深度学习成像网络。
[0032]搭建以U
‑
net为主要结构的网络，参考图3，其结构为：输入数据
→
第一卷积层
→
第二卷积层
→
第三卷积层
→
第四卷积层
→
第一上采样层
→
第二上采样层
→
第三上采样层
→
全连接层
→
输出图像。
[0033]所述U
‑
net具体参数如下：
[0034]参照图4，图5及图6，第一卷积层至第三卷积层具有相同的结构，它们都包含三次卷积操作，三次BatchNorm操作，三次Relu激活及一次池化操作，第一卷积层至第三卷积层的卷积操作的卷积核大小都设置为3，步长都设置为1，都采用padding技巧保证卷积之后大小不变，第一卷积层中所有的卷积核通道数设置为8，第二卷积层中所有的卷积核通道数设置为16，第三卷积层中所有的卷积核通道数设置为32，每次卷积运算完成之后都进行一次BatchNorm操作，然后选择ReLU作为激活函数。第一卷积层至第三卷积层都包含有两个分
支，其中一个分支包含两次卷积，两次BatchNorm操作及两次Relu激活，另外一个分支包含一次卷积，一次BatchNorm操作及一次Relu激活，然后将这两个分支的输出进行拼接并进行池化操作，且第一卷积层至第三卷积层的池化操作都选择最大池化，池化核的大小都选择为2
×
2，步长都选择为2。第四卷积层包含一个卷积操作及一次ReLU操作，其卷积核大小设置为3，步长设置为1，采用padding技巧保证卷积之后大小不变，卷积核通道数设置为64，卷积运算完成之后采用BatchNorm操作对卷积的输出进行处理，最后采用ReLu作为激活函数进行非线性处理。第一上采样层至第三上采样层包含一次上采样操作，一次卷积操作及两次ReLU操作。参照图5，第一上采样层至第三上采样层采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实现成像功能的光纤光谱仪成像算法，其特征在于，包括以下步骤：(1)，建立成像网络所需数据集，并按4：1的比例将其分割为训练集及测试集；(2)，搭建成像网络；(3)，使用训练集训练网络，使用测试集测试性能；(4)，将光纤光谱仪的输出的新波形送入已训练好的成像网络实现光纤光谱仪的成像；步骤(1)中，所述建立所需数据集具体步骤如下：(1
‑
1)，收集已知图像Y；(1
‑
2)，将(1
‑
1)中收集到的图像Y送入光纤光谱仪后输出相应的二维时间波形X，并将X和步骤(1
‑
1)中的图像Y进行结合得到数组对＜X,Y＞作为所需数据集；步骤(2)中，所述的深度学习成像网络为一个U
‑
net网络结构，其具体结构为：第一卷积层
→
第二卷积层
...

【专利技术属性】
技术研发人员：苑立波，陆晟祺，张楷，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：