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】
本专利技术属于图像分类处理,具体涉及基于双分支残差神经网络的食用油光谱图像分类方法。
技术介绍
1、餐厨废弃油和廉价食用油所含的营养价值极低,长期食用,会对身体造成一定程度的损害。充分利用食用油特性的鉴别技术成为食品安全领域的研究热点之一。
2、随着深度学习的崭露头角,研究人员开始将卷积神经网络(cnn)应用于高光谱图像分类。这一方法的核心思想是将高光谱数据的不同波段视为图像的通道,然后利用cnn从中提取特征,这种方法的优势在于可以自动学习到光谱信息中的有用特征,而无需手动提取。在高光谱图像分类中,特征选择和提取是关键问题,一些研究工作着重于开发新的特征提取方法,以更好地捕获光谱信息中的特征。同时,还有方法专注于选择最相关的光谱波段以降低维度,从而减少计算复杂性和降低噪声的影响。高光谱图像常常与其他传感器数据(如光学和雷达数据)一起使用,以提高分类性能。将多尺度信息整合到深度学习模型中,可以更全面地捕捉特征的多样性和复杂性,而用深度学习方法来对食用油掺假预测进行建模的方法较少。
技术实现思路
1、本专利技术的目的是提供基于双分支残差神经网络的食用油光谱图像分类方法,提高了食用油的分类精度和速度。
2、本专利技术所采用的技术方案是,基于双分支残差神经网络的食用油光谱图像分类方法,具体按照以下步骤实施:
3、步骤1,通过光谱收集系统收集油品样本高光谱信息,使用标准正态变量校正油品样本因颗粒散射引起的光谱误差;
4、步骤2,使用无信息变量去
5、步骤3,使用双分支残差神经网络模型,对光谱特征进行训练,得到每个样本的分类结果,实现对食用油掺假的检测。
6、本专利技术的特点还在于,
7、步骤1中,具体为:
8、步骤1.1,制备食用油样本,包括普通食用油样本与掺假食用油样本;
9、步骤1.2,利用光谱收集系统获得每个食用油样本的三维光谱数据矩阵;
10、步骤1.3,将食用油hsi立方体三维矩阵转换为食用油hsi二维矩阵m2;
11、步骤1.4,分别计算食用油hsi二维矩阵m2的均值与方差σ2;如式(1)及式(2)所示:
12、
13、式(1)中,为二维矩阵的均值;x(i,j)是二维矩阵中的元素,i为其行坐标,表示第i行元素;j为其列坐标,表示第j列元素;n为二维矩阵中元素中行总数,m为二维矩阵中元素中列总数;
14、
15、式(2)中,σ2为二维矩阵的方差,为二维矩阵的均值,x(i,j)是二维矩阵中的元素;
16、步骤1.5,对于二维矩阵中的每个值,都使用snv进行校正,校正样品因颗粒散射引起的光谱误差,得到校正后的二维矩阵msnv,计算过程如式(3)所示;
17、
18、其中,x为二维矩阵中的一个值,x(i,j)是二维矩阵中的元素,为二维矩阵的均值,σ为二维矩阵方差的平方根。
19、步骤1.2中,具体如下:
20、步骤1.2.1,建立光谱收集系统,启动光源、光谱采集软件;打开oceanviewv.1.6.7,选择透射光谱;新建采集事项,进行参数设置,设置多次扫描平均次数为10,滑动平均宽度为3,积分时间为83ms;
21、步骤1.2.2,关闭光源电源,进行明暗矫正,明暗矫正完后,对食用油样品进行光谱采集,获得每一个样本的食用油hsi立方体三维矩阵m3,包括食用油的空间维度、光谱维度和光谱通道维度的光谱信息。
22、步骤1.3中,具体为:通过pycharm中numpy库中的reshape()操作,将食用油hsi立方体三维数据矩阵的第一个维度的大小作为二维矩阵的第一个维度,然后将食用油hsi立方体三维矩阵的第二个维度和第三个维度分别展平为一维数组a和b,将一维数组a、b逐点相乘,合并为一个新的维度作为二维矩阵的第二个维度,得到食用油hsi二维矩阵m2。
23、步骤2中,具体为:
24、步骤2.1,对每个食用油样本的二维矩阵msnv,根据样本类别数,初始化样本真实值gt=1、2、...、n;
25、步骤2.2,经步骤2.1后,计算出真实值的均值并计算二维矩阵中每个元素的皮尔逊相关系数;如式(4)所示:
26、
27、式(4)中,r是皮尔逊相关系数,x(i,j)是二维矩阵中的元素,y(i,j)为x(i,j)对应的真实值的取值,和分别是二维矩阵的均值与真实值的均值;
28、步骤2.3,将步骤2.2中计算得出的二维矩阵中各元素的皮尔逊相关系数进行降序排列,保留系数值较高的前30%所对应的矩阵元素,去除剩余的70%所对应的矩阵元素,得到食用油样本的二维矩阵minput。
29、步骤3中,具体为:
30、步骤3.1,双分支残差神经网络包括二维残差特征提取模块、三维残差特征提取模块、数据融合模块和数据预测模块;初始化双分支残差神经网络模型的迭代次数epoch=1200;
31、步骤3.2,将步骤2得到的食用油样本的二维矩阵minput分为训练集mtrain和测试集mtest;将训练集mtrain送入双分支残差神经网络模型中进行训练,得到训练集样本的分类结果;
32、步骤3.3,将测试集mtest输入双分支残差神经网络模型中进行测试,得到测试集样本分类结果。
33、步骤3.2中,具体过程为:
34、步骤3.21,二维残差特征提取模块用于将步骤2中得到的输入矩阵minput进行二维残差特征提取,二维残差特征提取的过程为:设计一个二维残差卷积块,其中三个二维卷积层中,卷积核大小依次为1×1、3×3、5×5,残差跳跃连接部分包含一个卷积核为1×1的二维卷积层,将二维残差卷积块进行五次串联,mtrain经过二维残差特征提取,得到二维残差数据块x2,残差过程如式(5)所示:
35、h(x)=f(x)+f(x) (5);
36、其中,f(x)是残差映射,由卷积核大小为1×1、3×3、5×5的二维卷积层组成;f(x)是对输入的直接恒等映射,其中包括1×1的卷积层用来调整通道维数;
37、步骤3.22,三维残差特征提取模块用于将步骤2中得到的输入矩阵minput进行三维残差特征提取,三维残差特征提取的过程为:设计一个三维残差卷积块,其中三个三维卷积层中,卷积核大小依次为1×1×1、3×3×3、5×5×5的卷积层,残差跳跃连接部分包含一个卷积核为1×1×1的三维卷积层,将三维残差卷积块进行五次串联,mtrain经过三维残差特征提取,得到三维残差数据块x3;
38、步骤3.23,将得到的三维残差数据块x3进行reshape操作并与二维残差数据块x2逐元素相加,得到光谱融合精细特征矩阵mfusion;
39、具体计算过程为:获取二维残差数据块x2的尺寸信息s,再通过reshape操作,将三本文档来自技高网...
【技术保护点】
1.基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,具体按照以下步骤实施:
2.根据权利要求1所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1中,具体为:
3.根据权利要求2所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1.2中,具体如下:
4.根据权利要求2所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1.3中,具体为:通过pycharm中numpy库中的reshape()操作,将食用油HSI立方体三维数据矩阵的第一个维度的大小作为二维矩阵的第一个维度,然后将食用油HSI立方体三维矩阵的第二个维度和第三个维度分别展平为一维数组A和B,将一维数组A、B逐点相乘,合并为一个新的维度作为二维矩阵的第二个维度,得到食用油HSI二维矩阵M2。
5.根据权利要求2所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤2中,具体为:
6.根据权利要求5所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所
7.根据权利要求6所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤3.2中,具体过程为:
8.根据权利要求7所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤3.24中,具体为:将光谱融合精细特征矩阵Mfusion进行分类,经过全连接网络输出后,通过Softmax分类器得到样本的最终分类结果;
...【技术特征摘要】
1.基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,具体按照以下步骤实施:
2.根据权利要求1所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1中,具体为:
3.根据权利要求2所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1.2中,具体如下:
4.根据权利要求2所述的基于双分支残差神经网络的食用油光谱图像分类方法,其特征在于,所述步骤1.3中,具体为:通过pycharm中numpy库中的reshape()操作,将食用油hsi立方体三维数据矩阵的第一个维度的大小作为二维矩阵的第一个维度,然后将食用油hsi立方体三维矩阵的第二个维度和第三个维度分别展平为一维数组a和b,将一维数组a、b逐...
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。