基于多层一维CNN深度网络的纺织品成份定量表征方法技术

本发明专利技术公开了基于多层一维CNN深度网络的纺织品成份定量表征方法，从近红外光谱样本数据中挑选出由目标成分构成的纺织品光谱数据，并对纺织品光谱数据进行预处理；构建GAN模型，利用训练集数据和随机噪声样本训练GAN模型；构建多池化融合一维卷积核神经网络，利用训练之后的生成器生成伪样本数据，利用伪样本数据训练多池化融合一维卷积核神经网络，将训练后的多池化融合一维卷积核神经网络作为分类器；利用分类器对纺织品的成分进行定量表征。本发明专利技术利用多层一维CNN深度网络、GAN模型和多池化融合一维卷积核神经网络相结合的方法，实现了对纺织品成分的高效准确定量表征，具有较好的应用前景。

【技术实现步骤摘要】

本专利技术涉及纺织面料成分识别技术，特别涉及基于多层一维cnn深度网络的纺织品成份定量表征方法。

技术介绍

1、近红外光谱技术在纺织面料成分识别中得到广泛应用。它是一种非破坏性的分析方法，通过测量样品在近红外波段（700-2500 nm）的光吸收和反射特性，来获取样品的光谱信息。

2、近红外光谱具有以下几个特点：（1）全谱性：近红外光谱涵盖了一个宽波长范围，可以捕捉到物质在不同波长下的吸收峰和吸收带，提供了丰富的化学信息；（2）快速性：近红外光谱采集和分析过程快速，可以在几秒钟内获取样品的光谱数据；（3）非破坏性：近红外光谱采集过程无需接触样品，不会对样品造成任何损伤，适合于在线或实时检测。

3、在纺织面料成分识别中，近红外光谱技术可以根据不同纤维素、蛋白质、合成纤维等物质在近红外波段的吸收特性，实现对纺织品成分的快速、准确识别。通过采集一系列已知成分的样品光谱，并建立光谱与成分之间的统计模型，可以将未知样品的光谱与模型进行比对，从而判断其成分。

4、为了提高识别准确性，使用卷积神经网络（convolutional ne本文档来自技高网...

【技术保护点】

1.基于多层一维CNN深度网络的纺织品成份定量表征方法，其特征在于，包括：

2.根据权利要求1所述的基于多层一维CNN深度网络的纺织品成份定量表征方法，其特征在于，构建多池化融合一维卷积核神经网络包括：

3.根据权利要求2所述的基于多层一维CNN深度网络的纺织品成份定量表征方法，其特征在于，利用训练集数据和随机噪声样本训练GAN模型包括：

4.根据权利要求3所述的基于多层一维CNN深度网络的纺织品成份定量表征方法，其特征在于，利用伪样本数据训练多池化融合一维卷积核神经网络包括如下步骤：

5.根据权利要求1所述的基于多层一维CNN深度网络的纺...

【技术特征摘要】

1.基于多层一维cnn深度网络的纺织品成份定量表征方法，其特征在于，包括：

2.根据权利要求1所述的基于多层一维cnn深度网络的纺织品成份定量表征方法，其特征在于，构建多池化融合一维卷积核神经网络包括：

3.根据权利要求2所述的基于多层一维cnn深度网络的纺织品成份定量表征方法，其特征在于，利用训练集数据和随机噪声样本训练gan模型包括：

4.根据权利要求3所述的基于多层一维cnn深度网络的纺织品成份定量表征方法，其特征在于...

【专利技术属性】
技术研发人员：涂兵，匡文剑，曹兆楼，陈云云，叶井飞，王琳，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：