-
公开(公告)号：CN117219176A
公开(公告)日：2023-12-12
申请号：CN202311073578.5
申请日：2023-08-24
IPC: G16B40/30 , G06F18/24 , G06F18/21 , G06F18/22 , G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/088 , G06N3/0455
Abstract: 本发明公开了一种基于对比学习的拉曼光谱细菌分类方法及系统，包括：数据预处理步骤，对预训练数据集、再训练数据集和测试数据集中的原始拉曼光谱进行去噪、背景去除和归一化处理；数据增强步骤，通过随机谱段置零或高斯噪声添加的操作对预处理后的预训练数据集进行增强处理，构建预训练数据样本对；模型预训练步骤，基于数据增强后的预训练数据集，采用对比学习对深度神经网络进行训练，获得预训练模型；模型再训练步骤，使用预处理后的再训练数据集对增加分类层的预训练模型进行调整，获得训练好的分类模型；模型测试步骤，将预处理后的测试数据集输入训练好的分类模型，获得拉曼光谱细菌分类结果。本发明提高了光谱分类效率和准确度。
-
公开(公告)号：CN111523582A
公开(公告)日：2020-08-11
申请号：CN202010298095.5
申请日：2020-04-16
Abstract: 本发明涉及一种基于迁移学习的跨仪器拉曼光谱定性分析方法，将迁移学习中数据分布自适应的思路应用于拉曼光谱跨仪器物质识别，解决拉曼光谱跨仪器识别的问题。本发明运用迁移学习领域中数据分布自适应的思路，通过寻找最优映射，最大程度地缩小源域和目标域之间的数据分布差异；然后运用一种机器学习算法对映射后的拉曼光谱进行分类识别，即使用源域的已标注光谱来训练模型，对目标域的待测光谱进行分类。本发明自动完成“谱图预处理‑谱图同构化‑寻找和实现最优映射‑训练分类器和物质识别”的分析过程，减少对人工数据标注的依赖，满足跨仪器拉曼光谱数据定性分析的要求，大大提高物质识别准确率。
-
公开(公告)号：CN111523582B
公开(公告)日：2023-05-12
申请号：CN202010298095.5
申请日：2020-04-16
IPC: G06F18/241 , G06N20/00 , G01N21/65
Abstract: 本发明涉及一种基于迁移学习的跨仪器拉曼光谱定性分析方法，将迁移学习中数据分布自适应的思路应用于拉曼光谱跨仪器物质识别，解决拉曼光谱跨仪器识别的问题。本发明运用迁移学习领域中数据分布自适应的思路，通过寻找最优映射，最大程度地缩小源域和目标域之间的数据分布差异；然后运用一种机器学习算法对映射后的拉曼光谱进行分类识别，即使用源域的已标注光谱来训练模型，对目标域的待测光谱进行分类。本发明自动完成“谱图预处理‑谱图同构化‑寻找和实现最优映射‑训练分类器和物质识别”的分析过程，减少对人工数据标注的依赖，满足跨仪器拉曼光谱数据定性分析的要求，大大提高物质识别准确率。
-
公开(公告)号：CN113378680A
公开(公告)日：2021-09-10
申请号：CN202110610390.4
申请日：2021-06-01
Applicant: 厦门大学 , 厦门市普识纳米科技有限公司
Abstract: 本发明提出一种拉曼光谱数据的智能建库方法，首先利用小波变换将原始拉曼光谱的一维序列信号变换为小波空间中的二维信号，然后输入生成对抗网络进行训练。生成对抗网络包括一个生成模型和一个判别模型，以两个模型对抗的形式训练；前者输入随机生成的向量产生生成光谱(二维格式)，后者输入原始光谱和生成光谱(二维格式)并判断输入是否为原始光谱。生成对抗网络的训练完成后，利用其中的生成模型产生大量的与原始光谱相似的生成光谱(二维格式)，并与原始光谱联合建立光谱数据库。该数据库以二维信号格式来存储光谱数据。本发明的方法解决了将深度学习应用于拉曼光谱分析领域时所面临的光谱数据采集难、成本高和耗时长等问题，推动了深度学习方法在光谱分析应用的落地。
-
公开(公告)号：CN114970596B
公开(公告)日：2024-08-23
申请号：CN202210061313.2
申请日：2022-01-19
Applicant: 福建省产品质量检验研究院(福建省缺陷产品召回技术中心) , 厦门大学
IPC: G06F18/2415 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/084 , G01N21/65
Abstract: 本发明公开了一种基于拉曼光谱分析的鱼粉掺假快速检测方法，包括：通过数据增强方法获得训练数据集：随机挑选纯鱼粉和掺假物质的拉曼光谱进行预处理，再按照一定比例进行线性加和，并按需进行归一化操作，生成兼具鱼粉和掺假物质拉曼光谱特征的用于训练的正样本；基于纯鱼粉样品用类似正样本生成的方法生成具有鱼粉拉曼光谱特征的用于训练的负样本；将所获得的训练样本按照预设比例拆分为训练集、测试集和验证集，共同输入神经网络进行网络模型训练；采集待测鱼粉样品的拉曼光谱，输入训练好的网络模型以检测该样本是否含有掺假物质。本发明将数据增强引入网络模型训练中，训练成本低，鉴别过程速度快，能够满足鱼粉掺假快速检测的需求。
-
Patent Agency Ranking
公开(公告)号：CN113642629A
公开(公告)日：2021-11-12
申请号：CN202110909855.6
申请日：2021-08-09
Applicant: 厦门大学
Abstract: 本发明公开了一种基于谱学分析的随机森林可视化方法及装置，通过数据增强手段获得更多的训练集，对随机森林模型进行训练。再通过统计随机森林模型决策树上分支节点的基尼系数对特征重要度进行统计排序，并将特征重要度向量与颜色图关联，建立特征重要度向量与颜色图上不同的颜色之间的对应关系，得到颜色图向量；将目标物的谱图作为轮廓，以颜色图向量对轮廓内部进行填充，实现可视化作图。本方法可对随机森林模型中所利用的特征进行溯源，增强模型的可解释性，同时还可以据此对建模方案进行调整，实现模型的进一步优化，对利用随机森林实现快速准确的定性分析具有支撑作用。
-
公开(公告)号：CN111089856B
公开(公告)日：2021-05-14
申请号：CN201911371518.5
申请日：2019-12-26
Applicant: 厦门大学
IPC: G01N21/65
Abstract: 本发明公开了一种拉曼光谱弱信号提取的后处理方法包括如下步骤：(1)固定小窗口平滑进行噪声初筛，利用一阶导找出谱图中所有峰及噪声的位置及峰宽；(2)在步骤(1)的噪声初筛上，加入峰顶点及其临近两点的二阶导峰宽内持续小于0的条件，对于噪声和信号进行再区分，确保获取的峰中无噪声存在；(3)通过对比极小值确保步骤(2)获取的峰的左右边界数值偏差稳定，获取更准确的峰宽范围；并在该峰宽范围内，通过检测峰上是否存在多个小峰，来进行峰尖锐度的判断，不够尖锐的峰则纳入平滑范围；(4)对于步骤(3)获得的尖锐峰内部的部分数值进行保留原始数值，其余部分按照权值平滑算法进行平滑，以达到去除噪声，保留峰强信息的目的。
-
公开(公告)号：CN117809045A
公开(公告)日：2024-04-02
申请号：CN202410011620.9
申请日：2024-01-03
Applicant: 厦门大学
IPC: G06V10/30 , G06V10/82 , G06N3/09 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于自监督的单张图像去噪方法、装置及可读介质，该方法包括：获取待去噪的单张图像，基于待去噪的单张图像构建训练数据；构建基于卷积神经网络的图像去噪模型，基于总损失函数采用训练数据对图像去噪模型进行训练，直至总损失函数收敛，得到经训练的图像去噪模型，总损失函数为均方差损失函数和L2正则化损失函数之和；将待去噪的单张图像输入经训练的图像去噪模型，得到去噪后的图像。其适用范围宽广，不论是不同信噪比的谱图去噪或者是不同背景干扰下的谱图去噪中均展现出了良好的性能，可作为谱图分析的必要前置步骤进行使用。并且将其应用于照片图像的去噪中，依旧展现出了出色的性能。
-
公开(公告)号：CN113642629B
公开(公告)日：2023-12-08
申请号：CN202110909855.6
申请日：2021-08-09
Applicant: 厦门大学
IPC: G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于谱学分析的随机森林可视化方法及装置，通过数据增强手段获得更多的训练集，对随机森林模型进行训练。再通过统计随机森林模型决策树上分支节点的基尼系数对特征重要度进行统计排序，并将特征重要度向量与颜色图关联，建立特征重要度向量与颜色图上不同的颜色之间的对应关系，得到颜色图向量；将目标物的谱图作为轮廓，以颜色图向量对轮廓内部进行填充，实现可视化作图。本方法可对随机森林模型中所利用的特征进行溯源，增强模型的可解释性，同时还可以据此对建模方案进行调整，实现模型的进一步优化，对利用随机森林实现快速准确的定性分析具有支撑作用。
-
公开(公告)号：CN115689912A
公开(公告)日：2023-02-03
申请号：CN202211166903.8
申请日：2022-09-23
Applicant: 厦门大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种针对单张高光谱成像的深度学习去噪方法，包括如下步骤：针对含有噪声的高光谱数据进行欠采样，获得含有噪声的欠采样高光谱成像；模型训练，将欠采样的高光谱成像分别放置于模型的输入端和输出端，该模型主要由两部分组成，即编码器和解码器；编码器的输入端和解码器的输出端均为含有噪声的图像，通过利用均方差作为损失函数，模型训练至收敛，得到训练好的模型；利用模型去噪，将多个含有噪声的欠采样高光谱成像输入到训练好的模型，并输出去噪后的欠采样图像；将去噪后的欠采样图像结果进行累计加和，形成去噪后的高光谱成像；本发明提供的方法，仅需单张高光谱即可构筑深度学习去噪模型,且具有良好的去噪性能。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
