[发明专利]基于π模型的织物纤维成分半监督分类方法

说明书

本发明提供了基于π模型的织物纤维成分半监督分类方法，所述基于π模型的织物纤维成分半监督分类方法包括织物近红外高光谱数据的采集和清洗方法，对织物近红外高光谱数据的特征提取神经网络及分类器，应用基于π模型的半监督方法训练模型的方法等；本发明将织物近红外高光谱数据的采集和清洗，特征提取神经网络及分类器，基于π模型的半监督方法等结合，实现了利用织物近红外高光谱数据对织物的纤维成分进行分析，取得目标织物的纤维成分类别。本发明利用半监督方法训练神经网络模型，缓解了织物材质标签数据获取难，耗时长，花费高的问题，在实际问题中取得了良好的效果。

技术领域

本发明涉及一种织物纤维成分分类方法，尤其是涉及一种基于π模型的半监督学习方法。

背景技术

织物生产过程容易受到各种外界因素影响，这导致其成品的质量波动较大，需要进行严格的质量检测。传统的织物纤维成分分析分为两个步骤：定性和定量。

材质定性分析方法：有燃烧法，熔点法，手感目测法，显微镜切片分析法等，一般采用显微镜切片分析法，即用切片器将纤维切片后在显微镜下观察，根据其外貌，判断纤维种类项目定位。

材质定量分析方法：先是不同的纤维用不同的溶剂进行定性分析，再算出具体的成份含量。

传统的织物纤维成分分析方法步骤多，耗时长，对技术人员要求高，成本较大，急需技术创新。

近来也有基于SVM，决策树等传统机器学习方法，或者基于LSTM，RNN等深度神经网络方法。但传统机器学习方法效果较差，深度神经网络需要大量经传统材质分析方法得来的有标签数据。而传统材质分析方法太过昂贵且费时费力，难以大量获得。这就造成了深度神经网络在材质分析问题上难应用，效果差的问题。

半监督学习不同于有监督学习只利用有标注数据的模式，引入大量无标记数据，通过学习无标注数据的内在属性，构建无监督信号，与有标记数据构建的有监督信号结合，使模型能够充分利用大量的未标注数据不断迭代，最终增强泛化性能，极大地缓解用深度神经网络有监督训练时有标签数据少而带来的过拟合问题。

同时，半监督学习使用较强的数据增强，引入噪声训练机制，因此训练得到的模型有更强的鲁棒性，面对真实世界中由设备差异，环境差异等带来的噪声影响，得到的结果也会更稳定。

π模型是一种有效的半监督学习方法，其对有标记数据求交叉熵损失，基于一致性正则原理，对无标记数据拷贝2份进行不同的数据增强，计算其MSE损失作为一致性损失。再将有标记数据的交叉熵损失和无标记的一致性损失相结合为总损失，进行神经网络模型的训练。

发明内容

π模型原本应用在图像分类问题，直接应用于织物纤维分类问题上表现较差，这是因为近红外光谱与图像数据类型不同，不能引入其基于视觉不变性先验的数据增强方法，同时光谱数据维度小，更容易导致数据增强后失真，不再属于原类别，从而不适用一致性正则。

为了克服现有技术中π模型算法存在的缺陷和不足，本发明提供了基于π模型的织物纤维成分半监督分类方法，在π模型半监督损失的基础上，通过对数据增强样本施加余弦距离筛选，避免数据失真样本参与计算损失；同时还加入置信度检测机制，避免低预测置信度样本参与训练，加大模型训练的稳定性，缓解有标签数据过少导致的网络过拟合问题，提高模型的泛化能力。所述模型训练方式包括以下步骤：

S1：织物纤维有监督与无监督数据的采集；

S2：通过所述织物近红外高光谱数据的特征提取神经网络及分类器，使用所述织物近红外高光谱序列数据集的有标签训练数据，对有标签的数据进行有监督训练。

S3：通过所述织物近红外高光谱数据的特征提取神经网络及分类器，使用所述织物近红外高光谱序列数据集的无标签训练数据，引入所述半监督训练方法，进行无监督训练。

S4：通过所述半监督训练方法，将有监督数据训练和无监督训练结合起来更新模型；