利用一维超深度卷积神经网络的金银花NIRS分类模型设计

作     者：张子龙 陈冬英 俞达 陈璐 ZHANG Zilong;CHEN Dongying;YU Da;CHEN Lu

作者机构：福建江夏学院电子信息科学学院福建福州350108 数字福建智能家居信息采集及处理物联网实验室福建福州350108 山东省农业科学院农业质量标准与检测技术研究所山东济南250100 

基　　金：2022年国家级大学生创新创业训练计划项目(202213763023) 福建省教育厅中青年教师教育科研项目(JAT210359) 福建江夏学院校级科研人才培育项目(JXZ2021011) 福建江夏学院2022年大学生创新创业训练计划项目(202213763157) 福建省自然科学基金项目(2023J011094) 

出 版 物：《三明学院学报》 (Journal of Sanming University)

年 卷 期：2023年第40卷第3期

页      码：63-70页

摘      要：当前应用于近红外光谱(NIRS)数据定性分析的经典一维卷积神经网络(1D-CNN)模型,通过增加卷积核数量,导致模型臃肿、参数量巨大、计算复杂度高,同时易产生过拟合。为克服传统方法的不足,改进传统1D-CNN模型为一维超深度卷积神经网络模型。首先,采集金银花近红外光谱为样本数据,并采用KS法对样品集预处理;其次,改进传统1D-CNN中的隐含层结构为一维超深度卷积神经网络,并针对NIRS数据适应性进行改进,使其可直接应用于一维NIRS数据;最后,用分层算法完成训练集、验证集和测试集的划分,构建基于一维超深度卷积神经网络的金银花NIRS分类模型。结果表明,改进后的一维超深度卷积神经网络训练集的准确率达到100%,测试集的准确率达到99.57%,损失值收敛为0.018附近。与传统1D-CNN模型相比,本设计模型的训练集与测试集的准确率分别提升了约0.05%与1%,同时,参数量和FLOPs分别减少约47%和5%,并且可大幅度降低过拟合。

主 题 词：金银花 近红外光谱 分类 一维卷积神经网络 超深度 

学科分类：081704[081704] 07[理学] 08[工学] 0817[工学-轻工类] 070302[070302] 0703[理学-化学类] 

D　O　I：10.14098/j.cn35-1288/z.2023.03.009

馆 藏 号：203124062...