[发明专利]一种基于自动波段选择的纺织纤维成分定性方法

权利要求书

1.一种基于自动波段选择的纺织纤维成分定性方法，其特征在于，所述的自动波段选择和定性方法包括：

S1：纺织品近红外光谱数据集的构建与预处理；

S2：基于类别激活信息的自动波段选择与定性模型；

S3：基于端到端训练的自动波段选择过程；

S4：基于端到端训练的定性模型学习；

S5：纺织纤维近红外光谱成分在线实时定性预测。

2.根据权利要求1所述的一种基于自动波段选择的纺织纤维成分定性方法，其特征在于：所述一种基于深度编解码器的纺织纤维成分分析方法中的步骤S1进一步包括：

S11：构建模型训练所需的样本数据；收集包含待测纤维所有可能组分的已知成分纺织纤维，然后采用主动式近红外(NIR)光谱仪对已知类别的纺织品纤维进行扫描用于构建矫正数据集(模型训练集)；扫描所得光谱数据信息为X，其中包含n条样本，来自于不同成分得纤维样品，样本标记信息为Y对应n个样本成分类别；

X∈R^N*M*L，Y∈R^N*C

其中，样品光谱数据X中每个样本得光谱数据大小为M*L，L大小由近红外设备分辨率决定代表每个波长采样位置，M代表近红外数据处理分析时每个波长位置采用哪几种原始数据(反射率、吸收率、强度)，C表示所有可能的成分类别数，每个纺织纤维样本成分都由C种成分种的一个或多个组成；

S12：在S11的基础之上，对近红外光谱数据进行预处理；分别采用标准化、傅里叶滤波、维纳滤波进行预处理，实现对光谱数据进行降噪，消除来自于采集环境中温度、湿度、可见光强度因素对成谱产生的噪声，以及织物上的染料、编织方式被测物内在因素和光谱采集设备中内在误差对成谱造成的影响，预处理过后X′∈R^N*M′*L′。

3.根据权利要求1所述的一种基于自动波段选择的纺织纤维成分定性方法，其特征在于：所述一种基于深度编解码器的纺织纤维成分分析方法中的步骤S2进一步包括：

S21：近红外光谱特征提取模型；采用基于深度残差神经网络(Resnet)的卷积神经网络作为模型中输入光谱数据的特征提取结构，同时也作为最终定性分析过程中的特征提取结构；

S22：分类模块；在S21基础上，通过使用全连接网络+softmax分类层的结构作为分类模块；该分类模块接收S21中卷积网络输出的特征图，输出大小为1*C的一维向量作为C；

S23：计算类别激活信息图；在S22基础上，自动波段选择过程对应特征图的夹权计算过程，计算所得结果组成类别激活信息图；

S24：自动波段选择模块；在S23基础上，利用类别激活信息图通过可调节阈值过滤非显著性区间，抛弃非显著性区间对应的光谱波段数据，实现波段选择过程。

4.根据权利要求1所述的一种基于自动波段选择的纺织纤维成分定性方法，其特征在于：所述一种基于深度编解码器的纺织纤维成分分析方法中的步骤S3进一步包括：

S31：自动波段选择过程在神经网络端到端训练过程完成，在S22分类模块中，表示类别c在全连接层第k个节点上的权重，的值越大对于c类的预测值越高，因此反映了与之关联的全连接层上第k个节点上的对预测结果的贡献程度；类别激活图L^c∈R^L表示对于c类成分的激活信息图；在S21特征提取模块训练完成时可以计算一次类别显著信息，并通过S24过程完成波段选择；整个过程迭代多次进行，因此自动波段选择过程是在神经网络端到端训练过程中完成。

5.根据权利要求1所述的一种基于自动波段选择的纺织纤维成分定性方法，其特征在于：所述一种基于深度编解码器的纺织纤维成分分析方法中的步骤S4进一步包括：

S41：定性模型学习过程与自动波段选择过程同步进行；S21近红外光谱特征提取模型中，卷积网络输出特征图一方面通过S22分类模块完成定性过程，另一方面通过S23计算类别激活信息图；通过端到端学习将定性模型学习过程与自动波段选择过程同步进行；

S42：基于多标签分类二值交叉熵损失函数(binary cross entropyloss)训练端到端模型；将定性分析过程视为多标签分类过程，采用多标签损失函数对端到端学习过程进行约束。

6.根据权利要求1所述的一种基于自动波段选择的纺织纤维成分定性方法，其特征在于：所述一种基于深度编解码器的纺织纤维成分分析方法中的步骤S5进一步包括：

S51：将S2中模型经过S3和S4学习过程后部署为云端推理服务；

S52：对需要进行成分定性的纺织品进行近红外光谱数据信息扫描；

S53：调用S51云端推理服务，将S52扫描数据作为输入，完成在线实时定性预测。