实验结论

1.  使用高光谱数据建模训练后 , 能准确区分真假甘草

2.  对于单个光谱模型识别的准确能达到 80% 以上 , 对于单个样本 , 通过适当的后处理能做到100% 识别准确率

3.  由于现阶段实验样本, 模型能力任有较大的提升空间

实验过程  1数据采集 2采集方式

    使用 400 ~ 1000 纳米波段高光谱相机分别采集多组数据 , 并对所有数据进行 FFC 校正 和暗电流校正 , 目的是去除传感器暗电流噪声以及消除不同位置光照条件不一致导致的光谱差异 , 保存采集到的反射率数据 .

数据集预览

原始光谱分析

真甘草(C1)和假甘草(C2)的原始平均光谱图像

根据该图像可以看出 , C1 和C2 两条光谱之间存在较大差异

数据预处理

为了进一步消除噪声 , 消除位置影响 , 提升特征显著性 , 我们实验了多种预处理方法的组合 , 最终选用的预处理方式 SGD1+ SNV 对原始进行处理 . 预处理后的 C1 和C2 数据如下图所⽰ :

特征分析

根据波段和分组的相关性分析 , 获得分组相关性最高的前 50 个波段位于下图中红色矩形区域

相关性最高的前 50 个 波段的 PCA 图像

     依据以上条件我们可以认为 : 真甘草(C1)和假甘草(C2) 光谱数据在 628.02nm 到731.77nm之间存在较为明显的差异

模型训练

模型采用我们自有的针对高光谱数据研发的深度学习模型架构 , 更容易捕获特征与标签之间的非线性关系 .

训练数据使用上文中的训练集01, 训练 20 个 Epoch, 每个 Epoch 结束后使用验证集进行一次评估

训练过程中损失下降情况如下图所⽰ :

训练后在训练集上的推理结果 :

对比基线模型(KNN)准确率 :

模型验证结果

•   对比训练集 , 模型能力有所下降 , 但准确率依然高于基线模型 10% ~ 20%

•   模型能力下降的主要原因是训练样本不够 , 使用更多样本进行训练可以有效提升模型泛化能⼒

•   经过后处理 , 即 : 在空间维度对标签做平滑处理 + 对单个样本使用置信度 (样本中标记为真的光谱数量 / 样本中所有光谱的数量) > 0.8 ，可以实现对验证集中样本识别做到 100% 准确率。

火腿产地溯源分析

实验目的

使用 900 - 1700nm 高光谱数据区分不同种类的火腿

实验过程

数据采集

使用 900 - 1700nm 高光谱相机, 采集三种火腿样本的光谱数据. 三种火腿样本分别为: XW(宣威火腿), PX(盘县火腿), WN(威宁火腿)

采集环境: 使用卤素灯光源, 在暗箱环境中采集, 排除外部环境干扰

积分时间: 20 毫秒

采集数量: 每 2 片相同种类的样本为一组, 每张图像放 3 组不同的种类, 共采集 4 张图像

数据标注