本发明涉及产品检测,尤其涉及一种光谱检测方法、装置及计算机可读存储介质。
背景技术:
1、光谱分析是进行物质鉴别的有效手段。相比于传统的光谱分析方法而言,应用机器学习算法,对光谱进行分析能够显著降低成本、提高效率。然而,光谱也是一种典型的高维数据,数据中充斥着大量噪声。滤除光谱中噪声,得到有效的表示(representation),也是提升模型性能的要素。这有赖于对光谱特征矩阵中的低秩约束(low-rank constraint)和流形约束(manifold constraint)进行优化。现有的联合优化低秩流形约束的主要方式是gnmf(graph-regularized non-negative matrix factorization,图正则化非负矩阵分解),这一方式对迭代初值敏感,收敛速度慢,可扩展性低,缺乏对于复杂数据的自适应学习能力,从光谱数据中抽取出有效信息的能力有限,无法准确地滤除光谱中的噪声。
2、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种光谱检测方法、装置及计算机可读存储介质,旨在解决现有的光谱分析难以准确滤除光谱中的噪声的技术问题。
2、为实现上述目的,本发明提供一种光谱检测方法,所述光谱检测方法包括以下步骤:
3、获取光谱训练数据对应的光谱特征矩阵,获取光谱特征矩阵对应的光谱第一角相似度矩阵,并获取所述光谱第一角相似度矩阵对应的正则化拉普拉斯矩阵;
4、基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声,确定光谱检测模型,其中,所述光谱检测模型的输出为去噪光谱特征矩阵;
5、将所述光谱训练数据输入所述光谱检测模型进行迭代训练,以获得所述光谱训练数据对应的去噪光谱特征矩阵以及训练后的光谱检测模型;
6、若基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵,确定训练后的光谱检测模型收敛,则将训练后的光谱检测模型作为目标光谱检测模型,并将当前迭代的去噪光谱特征矩阵作为目标去噪光谱特征矩阵。
7、进一步地,所述基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声,确定光谱检测模型,其中,所述光谱检测模型的输出为去噪光谱特征矩阵的步骤包括:
8、确定所述光谱特征矩阵、所述去噪光谱特征矩阵以及所述稀疏约束噪声,确定第一f-范数;
9、基于所述正则化拉普拉斯矩阵以及所述光谱特征矩阵,确定矩阵的迹;
10、确定所述辅助变量对应的核范数,并基于所述稀疏约束噪声确定1-范数;
11、基于所述第一f-范数、矩阵的迹、核范数以及1-范数,确定光谱检测模型。
12、进一步地,所述将所述光谱训练数据输入所述光谱检测模型进行迭代训练,以获得所述光谱训练数据对应的去噪光谱特征矩阵以及训练后的光谱检测模型的步骤包括:
13、对于每一次迭代训练,通过光谱检测模型根据线性最小二乘法计算所述光谱特征矩阵对应的当前迭代的去噪光谱特征矩阵;
14、通过光谱检测模型根据奇异值阈值化收缩算子,计算当前迭代的辅助变量;
15、通过光谱检测模型根据迭代收缩阈值算法,计算当前迭代的稀疏约束噪声。
16、进一步地,所述若基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵,确定训练后的光谱检测模型收敛,则将训练后的光谱检测模型作为目标光谱检测模型的步骤包括:
17、基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵,确定第二f-范数;
18、若第二f-范数小于预设误差值,则确定训练后的光谱检测模型收敛,并将训练后的光谱检测模型作为目标光谱检测模型。
19、进一步地,所述获取光谱训练数据对应的光谱特征矩阵,获取光谱特征矩阵对应的光谱第一角相似度矩阵,并获取所述光谱第一角相似度矩阵对应的正则化拉普拉斯矩阵的步骤包括:
20、获取所述光谱特征矩阵中各个光谱向量两两之间的第一角相似度,并基于所述第一角相似度确定光谱第一角相似度矩阵;
21、基于所述光谱第一角相似度矩阵,确定度矩阵,其中,所述度矩阵为对角矩阵;
22、基于所述度矩阵,确定所述正则化拉普拉斯矩阵。
23、进一步地,所述若基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵,确定训练后的光谱检测模型收敛,则将训练后的光谱检测模型作为目标光谱检测模型的步骤之后,还包括:
24、当前迭代的去噪光谱特征矩阵输入集成学习模型进行预测,以获得光谱训练数据中各条光谱对应的预测结果;
25、基于多个预设阈值以及预测结果,确定各个预设阈值对应的真正率以及假正率;
26、基于真正率以及假正率,确定roc曲线,并基于所述roc曲线确定真正率阈值以及假正率阈值。
27、进一步地,所述基于真正率以及假正率,确定roc曲线,并基于所述roc曲线确定真正率阈值以及假正率阈值的步骤之后,还包括:
28、获取光谱训练数据对应的待预测光谱预测数据,将待预测光谱预测数据中待预测光谱特征矩阵输入所述目标光谱检测模型进行预测,以获得目标去噪光谱特征矩阵;
29、在第一光谱向量中确定各个第二光谱向量对应的多个目标光谱向量,其中,第一光谱向量为当前迭代的去噪光谱特征矩阵中的光谱向量,第二光谱向量为目标去噪光谱特征矩阵中的光谱向量;
30、基于所述目标光谱向量的预测结果,确定各个第二光谱向量对应的预测值;
31、基于所述预测值、真正率阈值以及假正率阈值,确定待预测光谱特征矩阵对应的各个产品的分类结果。
32、进一步地,所述在第一光谱向量中确定各个第二光谱向量对应的多个目标光谱向量的步骤包括:
33、获取各个第一光谱向量与各个第二光谱向量之间的第二角相似度;
34、基于所述第二角相似度,在第一光谱向量中确定各个第二光谱向量对应的多个目标光谱向量。
35、此外,为实现上述目的,本发明还提供一种光谱检测装置,所述光谱检测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光谱检测程序,所述光谱检测程序被所述处理器执行时实现前述任一项所述的光谱检测方法的步骤。
36、此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有光谱检测程序,所述光谱检测程序被处理器执行时实现前述任一项所述的光谱检测方法的步骤。
37、本发明通过获取光谱训练数据中光谱特征矩阵对应的光谱第一角相似度矩阵,并获取所述光谱第一角相似度矩阵对应的正则化拉普拉斯矩阵;接着基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声,确定光谱检测模型,其中,所述光谱检测模型的输出为去噪光谱特征矩阵;而后将所述光谱训练数据输入所述光谱检测模型进行迭代训练,以获得所述光谱训练数据对应的去噪光谱特征矩阵以及训练后的光谱检测模型;然后若基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵,确定训练后的光谱检测模型收敛,则将训练后的光谱检测模型作为目标光谱检测模型,并将当前迭代的去噪光谱特征矩阵作为目标去噪光谱特征矩阵,通过引入辅助变量对多个约束进行交替迭代优化,以从光谱数据中抽取出有效信息,可以准确地滤除光谱中的噪声。