烤烟化学成分在线无损检测方法、装置、设备及存储介质与流程
本申请涉及烟草化学成分检测,尤其涉及一种烤烟化学成分在线无损检测方法、装置、设备及存储介质。
背景技术:
1、烤烟的内在品质和工业可用性与所含的总植物碱、总氮、还原糖、总糖、钾、氯、淀粉等关键化学成分密切相关。在烟叶收购、分级、复烤加工和配方设计等环节,快速获取上述化学成分的含量信息对于质量控制和工艺优化具有重要意义。
2、高光谱成像和近红外光谱技术能够实现无损检测,已成为替代传统湿化学方法的重要方向。高光谱成像和近红外光谱技术通过获取样品在可见光、近红外及短波近红外波段的连续反射光谱,利用光谱中c-h、o-h、n-h等化学键的倍频和合频吸收信息,间接反映样品中各化学成分的含量。现有基于高光谱的烟草化学成分检测方案主要包括:偏最小二乘回归等化学计量学方法、支持向量回归等机器学习方法、以及普通深度神经网络或硬参数共享的多任务深度神经网络。
3、然而,上述检测技术在实际应用中仍存在以下技术问题:
4、第一,融合可见-近红外与短波近红外光谱后,光谱维度高、波段间共线性强,在有限样本条件下模型容易过拟合。
5、第二,七种化学成分的光谱响应机理差异明显,传统硬参数共享的多任务网络将所有成分的预测任务压缩到同一隐含表示中,导致不同任务之间产生负迁移和梯度冲突,部分指标的预测精度下降。
6、第三,传统端到端深度网络缺乏对有效特征波长的显式筛选机制,模型可解释性不足,不利于工业检测设备的部署。
技术实现思路
1、为了解决上述技术问题,本申请提供了一种烤烟化学成分在线无损检测方法、装置、设备及存储介质,仅通过一次高光谱扫描同步输出多种化学成分预测值的快速无损检测,并利用特征波长筛选和梯度隔离的分支网络结构,解决了多任务学习中的负迁移和梯度冲突问题。
2、第一方面,本申请提供了一种烤烟化学成分在线无损检测方法,包括:
3、采集烤烟样品的高光谱图像;
4、对所述高光谱图像进行处理,得到原始平均光谱,并对所述原始平均光谱进行预处理得到预处理后的光谱;
5、对所述预处理后的光谱进行特征波长筛选,得到关键光谱特征向量;
6、将所述关键光谱特征向量输入预训练的多分支深度神经网络,输出所述烤烟样品中多种化学成分的预测值,其中,
7、所述多分支深度神经网络包括共享特征提取模块和任务输出模块,所述共享特征提取模块用于从所述关键光谱特征向量中提取通用光谱特征,所述任务输出模块用于基于所述通用光谱特征进行专属回归预测,且各所述任务输出模块之间参数相互独立。
8、进一步地,所述对所述高光谱图像进行处理包括:对所述高光谱图像进行暗白校正、感兴趣区域提取和平均光谱处理。
9、进一步地,所述对所述原始平均光谱进行预处理:对所述原始平均光谱进行平滑处理、标准正态变量变换校正、二阶导数增强处理和/或z-score标准化处理。
10、进一步地,所述对所述预处理后的光谱进行特征波长筛选,包括:通过迭代计算候选波长向量在已选波长子空间上的正交投影残差,并选取使残差范数最大的波长加入已选波长集合,直至达到预设的特征波长数量。
11、进一步地,所述通过迭代计算候选波长向量在已选波长子空间上的正交投影残差,包括如下公式:
12、;
13、其中,为候选波长向量,为已选波长集合中所有波长在所有样品上的光谱值构成的矩阵,为的转置矩阵,为正则化常数,为单位矩阵,为候选波长向量在已选波长子空间上的正交投影残差向量。
14、进一步地,所述化学成分包括:总植物碱、总氮、还原糖、总糖、钾、氯和淀粉;所述任务输出模块的数量与各所述化学成分对应。
15、进一步地,所述多分支深度神经网络还包括:辅助任务输出模块,用于输出糖碱比预测值,所述糖碱比为总糖与总植物碱的比值。
16、第二方面,本申请还提供了一种烤烟化学成分在线无损检测装置,适用于上述任一项所述的方法,所述装置包括:
17、高光谱成像单元,用于采集烤烟样品的高光谱图像;
18、光谱处理单元,用于对所述高光谱图像进行处理得到原始平均光谱,并对所述原始平均光谱进行预处理,得到预处理后的光谱;
19、特征筛选单元,用于对所述预处理后的光谱进行特征波长筛选,生成关键光谱特征向量;
20、多分支深度神经网络单元,用于接收所述关键光谱特征向量并输出所述烤烟样品中多种化学成分的预测值,所述多分支深度神经网络模块包括共享特征提取单元和多个任务输出单元,所述共享特征提取单元用于从所述关键光谱特征向量中提取通用光谱特征,各所述任务输出单元用于基于所述通用光谱特征进行专属回归预测,且各所述任务输出单元之间参数相互独立。
21、第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储计算机程序;处理器,用于调用并执行所述计算机程序,以实现如上第一方面所述的方法。
22、第四方面,本申请还提供了一种计算机存储介质,所述计算机存储介质存储程序或指令,所述程序或指令使计算机执行如上第一方面所述的方法。
23、本申请实施例提供的技术方案与现有技术相比具有如下优点:
24、本申请实施例提供的烤烟化学成分在线无损检测方法,通过对高光谱图像进行处理得到原始平均光谱并进行预处理;并通过对预处理后的光谱进行特征波长筛选得到关键光谱特征向量,从而降低了光谱冗余和模型过拟合风险;通过采用包括共享特征提取模块和多个任务输出模块的多分支深度神经网络,且各任务输出模块之间参数相互独立,在反向传播过程中实现了梯度隔离,解决了传统硬参数共享多任务网络中的负迁移和梯度冲突问题。
25、同时,本申请实施例提供的烤烟化学成分在线无损检测方法,只需要一次高光谱扫描即可同步输出多种化学成分的预测值,实现了烤烟化学成分的快速、在线、无损检测。
1.一种烤烟化学成分在线无损检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述高光谱图像进行处理包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述原始平均光谱进行预处理包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述预处理后的光谱进行特征波长筛选,包括:
5.根据权利要求4所述的方法,其特征在于,所述通过迭代计算候选波长向量在已选波长子空间上的正交投影残差,包括如下公式:
6.根据权利要求1所述的方法,其特征在于,
7.根据权利要求1所述的方法,其特征在于,所述多分支深度神经网络还包括:
8.一种烤烟化学成分在线无损检测装置,适用于权利要求1至7中任一项所述的方法,所述装置包括:
9.一种电子设备,其特征在于,包括:
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至7中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com