一种实现成像功能的光纤光谱仪深度学习算法

1.本发明涉及光纤光谱仪成像系统，属于光学检测技术领域。具体涉及一种具有成像功能的光纤光谱仪深度学习算法。


背景技术：

2.光谱成像仪可实现光谱成像，同时可探测二维空间信息和一维光谱信息，其在定时、定位测量的同时，具有定性测量和定量分析的功能，因此可应用在物质探测、目标识别、成分分析、过程监控等诸多领域。
3.与传统成像系统相比，基于光纤的成像系统具有较高的机械灵活性、紧凑的尺寸和抗环境干扰能力。这些特性使基于光纤的成像成为在如高温、高压或辐射水平较高的环境下能更好的处理图像。loterie d等人利用多模光纤的传输矩阵来重建图像(loterie d,farahi s,papadopoulos i,et al.digital confocal microscopy through a multimode fiber[j].optics express,2015,23(18):23845-23858.)。
[0004]
另一方面，随着技术发展，如今深度学习已经在诸多领域获得了应用并取得了良好的效果。zhang r等人结合传输矩阵及深度学习的方法重建图像(zhang r,wang j,song l.image reconstruction of few-mode fiber based on deep learning[c]//advanced optical imaging technologies.spie,2018,10816:38-47.)。但是以上的方法不可避免的需要使用传输矩阵这一工具，相对于深度学习不断发展的今天，这些方法显得有点笨重。
[0005]
本发明在以上背景之下，提出一种具有成像功能的光纤光谱仪深度学习算法。该算法仅利用光谱仪输出的二维时间波形重建图像而无需其余工具，在保证速度的同时，最大化成像精度。且利用深度学习，本发明推进了光纤光谱仪成像的智能化，为类似的成像系统提供了一套可用的算法，具有十分重要的意义和价值。


技术实现要素：

[0006]
本发明的目的在于提供一种具有成像功能的光纤光谱仪深度学习算法。
[0007]
本发明的目的是这样实现的：
[0008]
本发明包括如下步骤：
[0009]
(1)，建立成像网络所需数据集，并按4：1的比例将其分割为训练集及测试集；
[0010]
(2)，搭建成像网络；
[0011]
(3)，使用训练集训练网络，使用测试集测试性能；
[0012]
(4)，将光纤光谱仪的输出的新波形送入已训练好的成像网络实现光纤光谱仪的成像。
[0013]
步骤(1)中，所述建立所需数据集具体步骤如下：
[0014]
(1-1)，收集已知图像y；
[0015]
(1-2)，将(1-1)中收集到的图像y送入光纤光谱仪后输出相应的二维时间波形x，并将x和步骤(1-1)中的图像y进行结合得到数组对＜x,y＞作为所需数据集。
[0016]
步骤(3)中，使用adam优化器对重建网络进行训练；损失函数采用mse损失函数(均方方差损失函数)，其形式为：其中y
ij
为原图像中第i行第j列的值，为网络生成的图像中第i行第j列的值，m为图像中行的个数，n为图像中列的个数。
[0017]
相比于现有技术，本发明的突出优点在于：
[0018]
(1)简便：本发明无需其他工具，只需相应的训练集，便能得到相应的成像网络。
[0019]
(2)快捷：一旦成像网络训练好，对于给定的二维时间波形，可在0.001秒内预测出该波形所对应的图像。
附图说明
[0020]
图1是本算法流程图。
[0021]
图2是目标图像经过光纤光谱仪生成波形的示意图。由1、输入图像2、光纤光谱仪3、输出波形组成。
[0022]
图3是网络结构示意图。
[0023]
图4是第一卷积层至第三卷积层的示意图。
[0024]
图5是第四卷积层的示意图。
[0025]
图6是第一上采样层至第三上采样层的示意图。
具体实施方式
[0026]
下面结合附图对本发明做进一步的描述。
[0027]
参照图1，对本发明的步骤做进一步的详细描述。
[0028]
步骤(1)，收集深度学习所需数据集。
[0029]
参考图2，通过将图片送入光纤光谱仪获得其对应的二维时间波形，利用这样的操作采集约50000张图片以及对应的光纤光谱仪输出的二维时间波形作为深度学习数据集。其形式为＜x,y＞这样的一个数组对，其中x为光纤光谱仪的所输出的二维时间波形，y为与x对应的原图像。
[0030]
将50000对数据对随机选取40000对数据对作为训练集，剩余10000对数据对作为测试集。
[0031]
步骤(2)，搭建深度学习成像网络。
[0032]
搭建以u-net为主要结构的网络，参考图3，其结构为：输入数据
→
第一卷积层
→
第二卷积层
→
第三卷积层
→
第四卷积层
→
第一上采样层
→
第二上采样层
→
第三上采样层
→
全连接层
→
输出图像。
[0033]
所述u-net具体参数如下：
[0034]
参照图4，图5及图6，第一卷积层至第三卷积层具有相同的结构，它们都包含三次卷积操作，三次batchnorm操作，三次relu激活及一次池化操作，第一卷积层至第三卷积层的卷积操作的卷积核大小都设置为3，步长都设置为1，都采用padding技巧保证卷积之后大小不变，第一卷积层中所有的卷积核通道数设置为8，第二卷积层中所有的卷积核通道数设置为16，第三卷积层中所有的卷积核通道数设置为32，每次卷积运算完成之后都进行一次batchnorm操作，然后选择relu作为激活函数。第一卷积层至第三卷积层都包含有两个分
支，其中一个分支包含两次卷积，两次batchnorm操作及两次relu激活，另外一个分支包含一次卷积，一次batchnorm操作及一次relu激活，然后将这两个分支的输出进行拼接并进行池化操作，且第一卷积层至第三卷积层的池化操作都选择最大池化，池化核的大小都选择为2
×
2，步长都选择为2。第四卷积层包含一个卷积操作及一次relu操作，其卷积核大小设置为3，步长设置为1，采用padding技巧保证卷积之后大小不变，卷积核通道数设置为64，卷积运算完成之后采用batchnorm操作对卷积的输出进行处理，最后采用relu作为激活函数进行非线性处理。第一上采样层至第三上采样层包含一次上采样操作，一次卷积操作及两次relu操作。参照图5，第一上采样层至第三上采样层采用双线性插值进行上采样，所选扩大的尺度为2，上采样操作相应通道数依次为32、16、8，每次上采样操作完成后需进行一次batchnorm操作，之后将进行relu激活，在上采样操作完成之后，进行卷积操作，卷积核都设置为3，步长设置为1，采用padding技巧保证卷积之后大小不变，相应通道数依次为32、16、8，采用batchnorm操作对卷积的输出进行处理，最后采用relu函数进行激活。在得到上采样层的输出后，将其与对应卷积层输出连接起来，具体为第一上采样层在经过上采样操作后与第三卷积层的输出连接，第二上采样层在经过上采样操作后与第二卷积层的输出连接，第三上采样层在经过上采样操作后与第一卷积层的输出连接，连接方式为在通道维进行连接。在进行全连接之前，需将第一卷积层与第三上采样层拼接后的输出拉直，形成一个一维张量，之后将这个一维张量送入全连接层进行计算，全连接层通道数按所需图像进行设置，具体通道数设置为原图像的像素点个数。最后将全连接层的输出转换为w
×
h的二维形式以与原图像进行比对，其中w是输出图像的宽度，h为图像的高度。
[0035]
步骤(3)，进行训练，参考图1，将步骤(1)中的数据集＜x,y＞送入步骤(2)中的网络进行训练，使用adam优化器对作为优化函数，学习率设置为0.0001，β1设置为0.9，β2设置为0.999；使用mse损失函数(均方方差损失函数)作为损失函数，其形式为：其中y
ij
为原图像中第i行第j列的值，为网络生成的图像中第i行第j列的值，m为图像中行的个数，n为图像中列的个数。每训练200次，进行一次测试，当训练轮数到达10000或在测试集上损失小于0.0001，则认为训练完成并获得训练好的网络。
[0036]
步骤(4)，依据光纤光谱仪输入波形预测相应图像。在进行预测时，将由光纤光谱仪输出的二维时间波形图送入网络，便可得到网络的输出，由于这些输出的值可能是小数，因此，在最终输出前，需进行一次取整操作，且由于图像的值在0至255之间，因此在取整操作完成后，还需将输出值限定为一定范围，设x为取整操作后得到的值，y为最终值，则相应公式如下：在进行以上处理后即可得到相应的图像。