(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111626820.8 (22)申请日 2021.12.28 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 宣琦　陈其军　苏忠敬　翔云　 陈作辉　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 代理人 王兵　舒良 (51)Int.Cl. G01N 21/25(2006.01) G06V 10/25(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于一维卷积的高光谱理化指标拟合 方法及系统 (57)摘要 一种基于一维卷积的高光谱理化指标拟合 方法， 包括： S1： 数据处理： 对高光谱图像进行波 段提取， 然后对相应的可溶性固形物含量数据进 行数据清洗， 剔除异常的数据， 再对波段进行主 成分分析， 获取特征波段， 将数据分成训练集、 验 证集和测试集； S2： 模型训练： 将上述处理好训练 集和验证集的高光谱波段值和可溶性固形物含 量输入到一维卷积网络中进行训练； S3： 数据识 别： 将测试集的高光谱波 段值和可溶性固形物含 量输入训练好的一维卷积模型中， 得到预测结 果。 本发明还包括一种基于一维卷积的高光谱理 化指标拟合系统。 本发明提高了樱桃番茄可溶性 固形物的预测准确度。 权利要求书3页 说明书8页 附图4页 CN 114295556 A 2022.04.08 CN 114295556 A 1.一种基于一维卷积的高光谱理化指标拟合方法， 其特 征在于， 包括以下步骤： S1： 数据处理： 对高光谱图像进行波段提取， 然后对相应的可溶性固形物含量数据进行 数据清洗， 剔除异常的数据， 再对波段进 行主成分分析， 获取特征波段， 将数据分成训练集、 验证集和 测试集； S2： 模型训练： 将上述处理好训练集和验证集的高光谱波段值和可溶性固形物含量输 入到一维卷积网络中进行训练； S3： 数据识别： 将测试集的高光谱波段值和可溶性固形物含量输入训练好的一维卷积 模型中， 得到预测结果。 2.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S1具体包括： S1.1： 对获取到的高光谱图像进行波段提取； S1.2： 对高光谱波段值进行反射 值校正处 理； S1.3： 利用3σ 准则对 樱桃番茄可溶性固形物含量的异常值进行剔除； S1.4： 对清洗后数据的高光谱波段使用连续投影算法， 获取 特征波段， 去除冗余波段； S1.5： 将数据划分成训练集、 验证集和 测试集。 3.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S1.1具体包括： S1.1.1： 读取高光谱文件， 选择RGB波段值分别为618nm、 5 35nm和465nm， 加载彩色图像； S1.1.2： 使用ROI工具圈出清晰成像的目标区域； S1.1.3： 点击自动生成， 提取目标区域内各个波段的反射 值。 4.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S1.2具体包括： S1.2.1： 获取仪器的黑板反射 值和白板反射 值； S1.2.2： 通过 下面公式对反射 值进行校正： Rc＝(Rori‑Rdark)/(Rwhite‑Rdark)            (1) 其中Rc为校正后的反射值， Rori为原始的反射值， Rdark为黑板的反射值和Rwhite为白板的 反射值。 5.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S1.3具体包括： S1.3.1： 求取 可溶性固形物的均值 μ； S1.3.2： 按照下列公式求取 可溶性固形物的标准差： 其中N为样本个数， xi为第i个样本， μ为样本的算 术平均值； S1.3.3： 计算得到区间( μ ‑3σ, μ+3σ )， 将区间范围外的可 溶性固形物含量的样本去除。 6.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S1.4具体包括： S1.4.1： 设光谱矩阵XM*J， 其中M为样本容量， J为样本全谱波长数， 令n＝1， 在光谱矩阵X 中随机选择一列xj作为初始迭代向量 为xk(0)；权　利　要　求　书 1/3 页 2 CN 114295556 A 2S1.4.2： 将剩余未入选的列向量所在列的集 合记为S， 如公式(3)所示： S1.4.3： 基于公式(4)计算xj对剩下列向量的正交 投影： S1.4.4： 记Pxj最大时的波长位置为 k(n)， 即k(n)＝arg(max(Pxj),j∈S)； S1.4.5： 令xj＝Pxj,j∈S； S1.4.6： 令n ＝n+1， 判断n<N， 则返回至S1.4.2循环， 继续筛 选波长； S1.4.7： 将最终筛选出的所有波长变量记为xk(n)＝{0,...N ‑1}。 算法在每一次循环计算 后都要对光谱变量集合进 行多元线性回归分析， 经过回归分析后得到验证集的预测均方根 误差集合， 其中， 最小的预测均方根误差所对应的波长数目N和波长的位置集合k(0)即为最 优值， 最后得到15个特 征波段。 7.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S2具体包括： S2.1： 搭建一个一维卷积神经网络， 确定网络层， 卷积核， 步长和激活函数； S2.2： 训练网络所用的损失函数如下： 其中f(x)为预测值， y为目标值， N 为样本个数。 8.根据权利要求1所述的一种基于一维卷积的高光谱理化指标拟合方法， 其特征在于， 所述步骤S2.1具体包括： S2.1.1： 搭建一个输入层， 其输入维度 为(462， 1)， 再接一个一维卷积层， 其中卷积核数 量32， 卷积核大小18， 步长为18， 再接一个最大池化层和随机舍弃层防止过拟合， 激活函数 为Relu， 表达式如下： f(x)＝max(0,x)         (6) 将(462， 1)的输入数据转成(3， 32)； S2.1.2： 接3个残差模块， 其中32个卷积核， 卷积核大小3， 步长为3， 保持(3， 32)的数据 不变， 提取 数据特征； 具体包括： S2.1.2.1： 基本残差单 元学习函数如下： F(x)＝H(x) ‑x      (7) 其中F(x)为残差学习函数， H(x)为学习到的特 征， x为输入数据； S2.1.2.2： 残差模块的特 征的学习公式如下： yl＝h(xl)+F(xl,Wl)     (8) xl+1＝f(yl)     (9) 其中xl和xl+1分别表示的是第l个残差单元的输入和输出； F是残差函数， 表示学习到的 残差， 而h(xl)＝xl表示恒等映射， f是ReLU激活函数； xL为浅层l到深层L的学习特 征； S2.1.3： 接1个降采样残差模块和3个残差模块， 其 中64个卷积核， 卷积核大小3， 步长为权　利　要　求　书 2/3 页 3 CN 114295556 A 3