成分识别方法、装置、电子设备和存储介质.pdf

(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CN113903407A(43)申请公布日2022.01.07(21)申请号202111056791.6(22)申请日2021.09.09(71)申请人中国科学院自动化研究所地址100190北京市海淀区中关村东路95号(72)发明人王学雷杨杰超王瑞华(74)专利代理机构北京路浩知识产权代理有限公司11002代理人王宇杨(51)Int.Cl.G16C20/20(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)G06K9/62(2006.01)权利要求书2页说明书8页附图2页(54)发明名称成分识别方法、装置、电子设备和存储介质(57)摘要本发明实施例提供一种成分识别方法、装置、电子设备和存储介质，其中方法包括：确定待检测目标的原始近红外光谱；将原始近红外光谱输入至成分识别模型中，得到成分识别模型输出的待检测目标的成分及含量；其中，成分识别模型是基于预设数量的样本近红外光谱和与样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。如此，通过对预设的深度学习模型进行训练得到成分识别模型，该成分识别模型具有更好的泛化能力，可以更好的体现近红外光谱与各个成分之间的复杂非线性关系。即使待检测物品中成分种类较多时，也可以更加准确的反映近红外光谱与目标变量之间的关系，提高对于待检测目标的成分识别的能力。CN113903407ACN113903407A权利要求书1/2页1.一种成分识别方法，其特征在于，包括：确定待检测目标的原始近红外光谱；将所述原始近红外光谱输入至成分识别模型中，得到所述成分识别模型输出的待检测目标的成分及含量；其中，所述成分识别模型是基于预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。2.根据权利要求1所述的成分识别方法，其特征在于，训练所述预设的深度学习模型时采用的样本近红外光谱为进行标准正态变换之后的近红外光谱；相对应的，所述确定待检测目标的原始近红外光谱，包括：确定待检测目标的经过标准正态变换的原始近红外光谱。3.根据权利要求1所述的成分识别方法，其特征在于，所述成分识别模型包括卷积神经网络模块和循环神经网络模块；所述卷积神经网络模块用于接收所述原始近红外光谱，抽取所述原始近红外光谱的局部抽象特征，并将所述局部抽象特征发送至循环神经网络模块；所述循环神经网络模块用于获取所述局部抽象特征，并基于所述局部抽象特征之间复杂的序列依赖关系，确定并输出待检测目标的成分及含量。4.根据权利要求3所述的成分识别方法，其特征在于，所述卷积神经网络模块包括输入层、卷积层和池化层；所述卷积层采用一维深度可分离卷积提取局部特征；所述卷积层的卷积核权重的初始化采用方差缩放方法；所述卷积神经网络模块的激活函数为修正线性单元激活函数；所述池化层采用最大值池化方式。5.根据权利要求3所述的成分识别方法，其特征在于，所述循环神经网络模块包括隐含层和输出层；所述输出层的激活函数为线性激活函数。6.根据权利要求1～5任一所述的成分识别方法，其特征在于，所述成分识别模型的训练过程包括：获取训练样本集；所述训练样本集包括预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识；基于五折交叉验证法，通过所述训练样本集，对基于卷积神经网络模型和循环神经网络模型搭建的深度学习模型进行训练，得到成分识别模型。7.根据权利要求6所述的成分识别方法，其特征在于，所述基于五折交叉验证法，通过所述训练样本集，对基于卷积神经网络模型和循环神经网络模型搭建的深度学习模型进行训练，得到成分识别模型，包括：将所述获取训练样本集划分为多组训练集和一组验证集；分别基于各组所述训练集，对所述深度学习模型进行训练，得到与各组训练集一一对应的训练后深度学习模型；基于所述验证集，验证各个所述训练后深度学习模型的识别效果，并通过均方根误差和决定系数量化识别效果；选取识别效果最优的训练后深度学习模型为成分识别模型。2CN113903407A权利要求书2/2页8.一种成分识别装置，其特征在于，包括：光谱确定单元，用于确定待检测目标的原始近红外光谱；成分识别单元，用于将所述原始近红外光谱输入至成分识别模型中，得到所述成分识别模型输出的待检测目标的成分及含量；其中，所述成分识别模型是基于预设数量的样本近红外光谱和与所述样本近红外光谱一一对应的成分及含量标识，对预设的深度学习模型训练得到的。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的成分识别方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算