System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及一种矿物油分类方法及计算机可读存储介质、电子设备。
技术介绍
1、随着全球工业经济的快速发展,石油及其产品已经逐渐成为社会生产建设的重要战略物资。在石油的勘探、采集、生产、储运过程中通过管道泄漏、运油船舶事故等形式产生的溢油事故也愈演愈烈,给地球的自然生态环境带来了巨大的威胁,而针对各种矿物油的检测识别也成为一大热门研究方向。
2、利用荧光法完成油品种类的识别,需要对大量的油品荧光光谱数据进行特征提取和分析。但要获取大量的带标签的荧光光谱样本所耗费的时间和人工成本太大,不利于有监督分类器进行训练;同时,目前采用的利用荧光光谱进行油品分类的方法,大多是经过预处理和特征提取后直接进行分类,没有有效利用光谱所包含的空间信息,目前的算法对一维荧光光谱数据进行分类识别不具备优势,分类结果精度不是很高。
技术实现思路
1、为了解决上述问题,本专利技术提供一种矿物油分类方法,包括以下步骤:
2、s1、使用荧光法获取矿物油原始一维荧光光谱数据,并对原始一维荧光光谱数据进行预处理,得到预处理后的一维荧光光谱数据;
3、s2、使用格拉姆角场算法将预处理后的一维荧光光谱数据编码为荧光光谱的二维特征图像;
4、s3、对荧光光谱的二维特征图像通过数据增强的方式生成正负样本;
5、s4、基于densecl网络构建矿物油分类训练模型,所述训练模型包括两个分支,正样本特征提取分支和负样本特征提取分支,正样本特征提取分支包括
6、正样本输入在线编码器的骨干网提取初步特征,正样本初步特征输入在线编码器的全局投影头提取正样本的全局图像特征向量,正样本初步特征输入在线编码器的密集投影头提取正样本的密集特征向量;
7、负样本输入动量编码器的骨干网提取初步特征,负样本初步特征输入动量编码器的全局投影头提取负样本的全局图像特征向量,负样本初步特征输入动量编码器的密集投影头提取负样本的密集特征向量;
8、其中,正样本的全局图像特征向量和负样本的全局图像特征向量通过全局对比损失函数的约束来实现对比学习;正样本的密集特征向量和负样本的密集特征向量通过密集对比损失函数的约束来实现对比学习;
9、基于全局对比损失函数和密集对比损失函数,更新在线编码器和动量编码器参数;
10、s5、提取所述矿物油分类训练模型中的骨干网,构建矿物油分类模型,将待检测的荧光光谱的二维特征图像输入矿物油分类模型,得到矿物油分类结果。
11、进一步地,步骤s1中,将原始一维荧光光谱数据进行归一化的方式进行预处理:
12、
13、x={x1,x2,…,xn}表示原始一维荧光光谱数据,n为样本数量,max(x)表示x中的最大值,min(x)表示x中的最小值,xi表示x={x1,x2,…,xn}中的第i个数,表示xi经过归一化预处理后的一维荧光光谱数据。
14、进一步地,s2具体为:
15、s21、将预处理后的一维荧光光谱数据映射到极坐标系,将预处理后的一维荧光光谱数据编码为角度α,并将波长编码为半径r:
16、
17、其中,为预处理后的一维荧光光谱数据,为中的第i个数,αi表示角度,r表示半径,λi为对应的波长,n为用于正则化极坐标系统跨度的常数。
18、s22、使用格拉姆角场将映射到极坐标系的预处理后的一维荧光光谱数据转换为二维特征图像,其中,格拉姆和角场为:
19、
20、上式写为:
21、
22、其中,i为格拉姆和角场矩阵的行数,j为格拉姆和角场矩阵的列数,i为单位行向量,为预处理后的一维荧光光谱数据,为的转置;
23、格拉姆差角场为:
24、
25、上式写为:
26、
27、通过格拉姆和角场或格拉姆差角场,将预处理后的一维荧光光谱数据转换为二维特征图像。
28、进一步地,全局对比损失函数用下式表示:
29、
30、其中,表示全局对比损失,τ为温度超参数,q表示经过在线编码器全局投影头提取出来的全局图像特征向量,k+表示q的正键,k-表示q的负键。
31、进一步地,密集对比损失函数用下式表示:
32、
33、其中,表示密集对比损失,s表示生成的密集特征图的空间大小,s2表示特征向量的数量,rs表示s2个特征向量中的第s个,表示rs的正键,表示rs的负键,τ为温度超参数。
34、进一步地,通过矿物油分类训练模型的损失函数对在线编码器进行梯度回传,更新在线编码器参数;
35、矿物油分类训练模型的损失函数为:
36、
37、其中λ表示权重。
38、进一步地,动量编码器通过下式更新参数:
39、
40、其中,和分别表示在线编码器和动量编码器在训练中第i次迭代的参数,k表示动量系数,取值范围从0到1。
41、进一步地,在将待检测的荧光光谱的二维特征图像输入矿物油分类模型之前,使用带标记的荧光光谱的二维特征图像对所述矿物油分类模型进行调优。
42、本专利技术还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种矿物油分类方法的步骤。
43、本专利技术还提出一种电子设备,包括处理器和存储器,所述处理器与所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括计算机可读指令,所述处理器被配置用于调用所述计算机可读指令,执行上述一种矿物油分类方法。
44、本专利技术提供的技术方案带来的有益效果是:
45、本专利技术提出了将矿物油的荧光光谱数据通过gaf(gramian angular field,格拉姆角场)进行编码的方式,将一维光谱序列转换为荧光光谱的二维gaf图像数据集,基于densecl(dense contrastive learning,自监督视觉预训练的密集对比学习)构建矿物油分类训练模型,使用二维gaf图像数据集训练矿物油分类训练模型,得到最终的矿物油分类模型用于矿物油分类,二维gaf图像数据集不仅可以保持原荧光光谱序列的波长相关性和荧光光谱信号的波长依赖性,一维数据转换为二维图像数据后,可以更好地发挥基于densecl的分类模型分类识别的优势,使分类结果更准确。
本文档来自技高网...【技术保护点】
1.一种矿物油分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种矿物油分类方法,其特征在于,步骤S1中,将原始一维荧光光谱数据进行归一化的方式进行预处理:
3.根据权利要求1所述的一种矿物油分类方法,其特征在于,S2具体为:
4.根据权利要求1所述的一种矿物油分类方法,其特征在于,全局对比损失函数用下式表示:
5.根据权利要求1所述的一种矿物油分类方法,其特征在于,密集对比损失函数用下式表示:
6.根据权利要求1所述的一种矿物油分类方法,其特征在于,通过矿物油分类训练模型的损失函数对在线编码器进行梯度回传,更新在线编码器参数;
7.根据权利要求1所述的一种矿物油分类方法,其特征在于,动量编码器通过下式更新参数:
8.根据权利要求1所述的一种矿物油分类方法,其特征在于,在将待检测的荧光光谱的二维特征图像输入矿物油分类模型之前,使用带标记的荧光光谱的二维特征图像对所述矿物油分类模型进行调优。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所
10.一种电子设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括计算机可读指令,所述处理器被配置用于调用所述计算机可读指令,执行如权利要求1-8任一项所述的方法。
...【技术特征摘要】
1.一种矿物油分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种矿物油分类方法,其特征在于,步骤s1中,将原始一维荧光光谱数据进行归一化的方式进行预处理:
3.根据权利要求1所述的一种矿物油分类方法,其特征在于,s2具体为:
4.根据权利要求1所述的一种矿物油分类方法,其特征在于,全局对比损失函数用下式表示:
5.根据权利要求1所述的一种矿物油分类方法,其特征在于,密集对比损失函数用下式表示:
6.根据权利要求1所述的一种矿物油分类方法,其特征在于,通过矿物油分类训练模型的损失函数对在线编码器进行梯度回传,更新在线编码器参数;
7.根据权利要求1所述的一种矿物油...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。