一种基于元学习的光谱重建方法技术

本发明专利技术提供了一种基于元学习的光谱重建方法，首先构建用于微型光谱仪的光谱重建网络模型：然后训练光谱重建网络，最后通过训练好的光谱重建网络完成谱图重构，本发明专利技术在不提升硬件系统的条件下，将元学习引入进来，利用其参数预测的能力，设计并引入了卷积核参数预测网络，为出现不同干扰因素的光谱重建预测非共享的卷积核参数，提取更丰富的特征信息，进一步提高了光谱重建网络模型的光谱重建效果和良好的抗干扰能力，实现波长范围为2500

【技术实现步骤摘要】
一种基于元学习的光谱重建方法


[0001]本专利技术涉及光谱反射率重建
，具体涉及一种基于元学习的光谱重建方法。

技术介绍

[0002]在工业检测、化学和生物分析、以及地质勘探等领域，光谱仪已经成为不可缺少的仪器。近年来，快速发展的各种便携设备和片上集成系统对微型化、高分辨率及宽带响应的高性能光谱仪的需求日益迫切。传统台式光谱仪利用光栅或色散元件将入射光的不同波长成分在空间中展开，并利用光电探测器阵列进行探测，来获得光谱信息。然而这些复杂的光路设计和光学元件使得光谱仪的微型化困难重重，所以传统策略是牺牲部分性能，利用先进微纳米加工技术将传统分光或色散元件替换成更小型色散光学元件，例如光子晶体，超表面，微型干涉仪等。这些技术可将光谱仪尺寸缩小至毫米量级，但进一步小型化则是一个极大的挑战。近期，计算重构光谱技术被成功应用于光谱仪的微型化，通过预校准，并根据测量数据特征，可实现基于计算重构算法的未知光谱重构。目前这些光谱仪的性能还十分受限，分辨率和工作带宽通常受到探测器数量及工作温度等条件影响。
[0003]在所有现有的微型光谱仪中，基于吸收滤光器的光谱仪是最有前途的候选者之一，它使用吸收滤光器作为光谱采样通道，并通过重建方法从通道测量中恢复光谱。在以前的研究中已经采用了几种重建算法模型，主要包括最小二乘、最小均方、模拟退火、Tikhonov正则化、截断奇异值分解、直接二元搜索和稀疏优化等；也有使用将传统算法与深度学习网络模型相结合或者完全使用深度学习网络模型的光谱重建案例。但以上模型都是只是使用一套训练好参数的模型去进行光谱重建，但在应对实际硬件制造时会存在外部噪声、随机制造误差、膨胀效应等问题，模型并不能灵活的对不同干扰因素进行调整，重建出的光谱效果也会受到影响，使得重构精度不高。元学习的思想是指训练深度学习网络自己学会学习，得到一个适应性参数，目前其在图像领域、自适应去噪处理中已经得以应用。但是在光谱重构中，网络首先要利用稀疏采样到高分辨光谱数据，在大量未知干扰引入时，其对此映射关系的影响是巨大的，这也就使得算法重构失效，大大限制的重构算法的实际引用。
[0004]因此，如何解决光谱重建过程中在实际测量时采样数据存在未知误差引入，模型不能灵活的对不同干扰因素进行调整的问题，实现不同采样数据可动态调整网络参数的光谱重建网络模型，达到提高光谱重建网络模型的光谱重建精度和良好的抗干扰能力，成为本领域技术人员亟待解决的技术问题。

技术实现思路

[0005]本专利技术的目的在于：针对现有的光谱重构算法及光谱重构网络模型在应对存在硬件制造误差时的重建效果受影响的问题，能够在波长为2500
‑
5000nm的范围中使用的一种基于元学习的光谱重建方法，使用经过微型光谱仪采样后的数据进行光谱重建。
[0006]为此，本专利技术的上述目的通过以下技术方案实现：
[0007]在采用上述技术方案的同时，本专利技术还可以采用或者组合采用如下技术方案：
[0008]一种基于元学习的光谱重建方法，其特征在于，按照以下步骤具体实施：
[0009]步骤一，构建基于元学习的光谱重建网络模型，包括两部分内容：一是参数预测网络，用残差网络进行特征提取和参数预测，利用元学习领域中的超网络结构，利用其参数预测的能力，设计并引入了卷积核参数预测网络，为出现不同干扰因素的光谱重建预测非共享的卷积核参数，提取更丰富的特征信息；二是光谱重建网络，其包括扩展层、上采样网络、深度复原层和调整层，基于超分辨领域中的上采样思想，采用线性插值方法作为上采样方法，通过上采样算法将稀疏特征映射成密度更高的特征，以重建出精度更高、更加准确的光谱，光谱重建网络均方误差作为损失函数；
[0010]步骤二，训练光谱重建网络，将醇类、苯类、酸类三类物质经过傅里叶变换红外光谱仪得到的真实谱图数据作为原始对比数据，将三类物质经过微型光谱仪采样后的数据作为训练数据，构建训练集；采用自适应梯度下降算法优化损失函数，获得光谱重建网络权重；
[0011]步骤三，光谱重建，对经过微型光谱仪采样后得到的数据进行光谱重建，将微型光谱仪采样后得到的数据作为输入数据输入完成训练的光谱重建网络中进行计算，得到重构的谱图数据。
[0012]作为本专利技术的优选技术方案：所述残差网络包含局部残差和全局残差两个部分，分别用于学习局部残差和全局残差；将扩展层输出数据作为此残差网络的输入数据；
[0013]局部残差由多个残差块级联构成，每个残差块的处理过程分为两部分，一部分对输入数据采取卷积、ReLU激活和卷积的操作，得到该部分的输出；另一部分则采用跳跃式连接，直接将输入数据作为该部分的输出；再经过求和层对两部分输出求和，得到一个局部残差块的输出；残差块的卷积核的参数为3
×
1，通道数为64，采用16个相同的残差块级联构成局部残差模块；
[0014]全局残差与局部残差结构类似且包含局部残差，一部分同样采用跳跃式连接，直接将输入数据作为输出；另一部分的输出即为局部残差的输出，两部分相加，得到全局残差模块的输出，即整个残差网络的输出，然后将此输出作为上采样网络中一维卷积层的参数。
[0015]作为本专利技术的优选技术方案：所述光谱重建网络包括扩展层、上采样网络、深度复原层和调整层；
[0016]在所述扩展层通过卷积操作，将通道数从1扩展到64，以增加模型的容量；该层滤波器的大小为3
×
1，通道数为64；
[0017]上采样网络由一维卷积层和上采样算法组成，其中一维卷积层的即为参数预测网络的输出。根据光谱数据的连续特性，采用线性插值算法将数据线性放大到指定倍数，即2倍；
[0018]深度复原层：经过上采样网络后，并没有改变卷积网络结构的深度，深度仍然为扩展层扩展后的深度，以将输出数据恢复到正常深度；该层卷积核的大小仍为3
×
1，通道数为1；
[0019]调整层：采用一个全连接层进行最终数据量调整，使得网络输出数据与原始对比数据的数据量保持一致，以便于网络训练以及网络重构效果对比。
[0020]作为本专利技术的优选技术方案：步骤二包括以下阶段，
[0021]1)构建训练集：
[0022]将醇类、苯类、酸类三类物质经过傅里叶变换红外光谱仪得到的真实谱图数据作为原始对比数据，将三类物质经过微型光谱仪采样后的数据作为训练数据，构建训练集；所述的微型光谱仪为需要进行谱图重构微型光谱仪；
[0023]2)构建损失函数：采用均方误差MSE作为网络损失函数，均方误差损失函数的计算公式为：
[0024][0025]其中，N为原始谱图数据个数，[X1,X2……
X
N
]为原始谱图数据，[X
′1,X
′2……
X
′
N
]为重构的谱图数据；
[0026]3)训练方法：设置初始学习率为1
×
10
‑5，每批数据量(batch
‑
s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的光谱重建方法，其特征在于，按照以下步骤具体实施：步骤一，构建基于元学习的光谱重建网络模型，包括两部分内容：一是参数预测网络，用残差网络进行特征提取和参数预测，利用元学习领域中的超网络结构，利用其参数预测的能力，设计并引入了卷积核参数预测网络，为出现不同干扰因素的光谱重建预测非共享的卷积核参数，提取更丰富的特征信息；二是光谱重建网络，其包括扩展层、上采样网络、深度复原层和调整层，基于超分辨领域中的上采样思想，采用线性插值方法作为上采样方法，通过上采样算法将稀疏特征映射成密度更高的特征，以重建出精度更高、更加准确的光谱，光谱重建网络均方误差作为损失函数；步骤二，训练光谱重建网络，将醇类、苯类、酸类三类物质经过傅里叶变换红外光谱仪得到的真实谱图数据作为原始对比数据，将三类物质经过微型光谱仪采样后的数据作为训练数据，构建训练集；采用自适应梯度下降算法优化损失函数，获得光谱重建网络权重；步骤三，光谱重建，对经过微型光谱仪采样后得到的数据进行光谱重建，将微型光谱仪采样后得到的数据作为输入数据输入完成训练的光谱重建网络中进行计算，得到重构的谱图数据。2.如权利要求1所述的基于元学习的光谱重建方法，其特征在于：所述残差网络包含局部残差和全局残差两个部分，分别用于学习局部残差和全局残差；将扩展层输出数据作为此残差网络的输入数据；局部残差由多个残差块级联构成，每个残差块的处理过程分为两部分，一部分对输入数据采取卷积、ReLU激活和卷积的操作，得到该部分的输出；另一部分则采用跳跃式连接，直接将输入数据作为该部分的输出；再经过求和层对两部分输出求和，得到一个局部残差块的输出；残差块的卷积核的参数为3
×
1，通道数为64，采用16个相同的残差块级联构成局部残差模块；全局残差与局部残差结构类似且包含局部残差，一部分同样采用跳跃式连接，直接将输入数据作为输出；另一部分的输出即为局部残差的输出，两部分相加，得到全局残差模块的输出，即整个残差网络的输出，然后将此输出作为上采样网络中一维卷积层的参数。3...

【专利技术属性】
技术研发人员：朱贺，刘婧，潘勉，杨美晨，
申请(专利权)人：国科大杭州高等研究院，
类型：发明
国别省市：