一种基于迁移学习的油污染物种类识别方法

本发明涉及油污染检测，尤其涉及一种基于迁移学习的油污染物种类识别方法。

背景技术：

1、三维荧光光谱与人的指纹类似具有唯一性，是油种识别与溯源的重要手段。其中对于油污的检测与识别中较多与平行因子分析相结合，然而平行因子分析具有要求三线性结果的限制，成分数确定困难，并且数百种多环芳烃的石油产品中存在的所有单个化合物和同源物使得分析更加复杂。随着深度学习和卷积神经网络在计算机视觉领域的兴起，网络模型对于图形的分类技术已经超过了人类。卷积神经网络的训练需要足够的样本数据，而荧光难于捕获的特点使得三维荧光光谱数据批量获得是不切实际的，于是缓解卷积神经网络对三维荧光光谱数据驱动的限制是当前油种识别领域的首要任务。

技术实现思路

1、根据现有技术存在的问题，本发明公开了一种基于迁移学习的油污染物种类识别方法，具体包括如下步骤：

2、采集多种油的三维荧光光谱；

3、对三维荧光光谱数据进行预处理并生成等高线填充图，将等高线填充图划分出训练集和验证集；

4、基于imagenet的大型共享数据集对xception卷积神经网络模型进行通用特征提取能力训练，将训练好的模型迁移至油种识别任务，并替换掉最后的分类层、冻结所有的可训练层，使得模型在进行目标分类任务之前具备通用的特征提取能力，从而构建油种识别粗略模型；

5、采用训练集和测试集对所构建的油种识别粗略模型进行任务针对性训练得到最终的油种识别模型，并微调可训练层得到模型的最佳性能；

6、根据最后测试集的交叉熵、准确率和混淆矩阵对最终的油种识别模型进行评估。

7、所述三维荧光光谱包括激发波长，发射波长和荧光强度，其中激发波长在355-455nm区间，探测波长范围在350-700nm区间。

8、所述三维荧光光谱的油膜厚度为0.8mm、1.6mm或3.2mm，根据不同的油膜厚度得到的三维荧光光谱首先要进行预处理，然后将三维荧光光谱中每一固定激发波长的二位荧光光谱曲线图进行不同程度曲线平滑处理与去噪，并合并得到不同厚度不同噪声处理程度的三维荧光光谱。

9、对三维荧光光谱数据进行预处理时：将采集到的荧光光谱减去海水荧光光谱进行校正，从而消除背景海水干扰。

10、采用标记的训练集和测试集对所构建的油种识别粗略模型进行任务针对性训练，首先将单油厚数据集输入至油种识别粗略模型中，通过微调获得该模型的最佳性能，输入多油厚训练集，再次微调得到该模型最佳性能，最后输入不同曲线平滑处理程度的不同厚度的有污染物数据集，微调得到该模型最佳性能。

11、所述油种识别模型包括卷积层、可分离卷积层、最大池化层、全局平均池化层、激活函数和分类层，距离该模型的位置偏后靠近分类层包括微调层，其中微调指的是改变微调层的位置，使得微调层的位置靠近或者远离分类层。

12、由于采用了上述技术方案，本发明提供的一种基于迁移学习的油污染物种类识别方法，该方法首先采集多种三维荧光光谱，并基于光谱生成等高线填充图作为训练数据，通过改变油膜厚度、噪声去除和缺失值补偿等方式对数据进行预处理，利用基于imagenet数据集训练的xception作为特征提取网络，同时替换掉最后的分类层并冻结微调层及其前面的所有可训练层，由此快速构建油种识别的粗略模型，通过采集的三维荧光光谱的等高线填充图对该模型进行进一步特异性训练，然后对模型的准确率进行评估，最后通过不同油厚和噪声、缺失值处理程度的数据集强化模型在不同场景的泛化能力。利用基于imagenet数据集训练的xception作为特征提取网络，在计算资源、油样本以及荧光光谱均有限的情况下，本发明能够较好的拟合油种识别模型，同时具有较好的泛化能力，可以广泛应用于水中油污染物的在线荧光检测。

技术特征：

1.一种基于迁移学习的油污染物种类识别方法，其特征在于包括：

2.根据权利要求1所述的一种基于迁移学习的油污染物种类识别方法，其特征在于：所述三维荧光光谱包括激发波长，发射波长和荧光强度，其中激发波长在355-455nm区间，探测波长范围在350-700nm区间。

3.根据权利要求2所述的一种基于迁移学习的油污染物种类识别方法，其特征在于：所述三维荧光光谱的油膜厚度为0.8mm、1.6mm或3.2mm，根据不同的油膜厚度得到的三维荧光光谱首先要进行预处理，再将三维荧光光谱中每一固定激发波长的二位荧光光谱曲线图进行不同程度曲线平滑处理与去噪，并合并得到不同厚度不同噪声处理程度的三维荧光光谱。

4.根据权利要求3所述的一种基于迁移学习的油污染物种类识别方法，其特征在于：对三维荧光光谱数据进行预处理时：将采集到的荧光光谱减去海水荧光光谱进行校正，从而消除背景海水干扰。

5.根据权利要求1所述的一种基于迁移学习的油污染物种类识别方法，其特征在于：采用标记的训练集和测试集对所构建的油种识别粗略模型进行任务针对性训练，首先将单油厚数据集输入至油种识别粗略模型中，通过微调获得该模型的最佳性能，输入多油厚训练集，再次微调得到该模型最佳性能，最后输入不同曲线平滑处理程度的不同厚度的有污染物数据集，微调得到该模型最佳性能。

6.根据权利要求5所述的一种基于迁移学习的油污染物种类识别方法，其特征在于：所述油种识别模型包括卷积层、可分离卷积层、最大池化层、全局平均池化层、激活函数和分类层，距离该模型的位置偏后靠近分类层包括微调层，其中微调指的是改变微调层的位置，使得微调层的位置靠近或者远离分类层。

技术总结
本发明公开了一种基于迁移学习的油污染物种类识别方法，包括：采集多种油的三维荧光光谱；对三维荧光光谱数据进行预处理并生成等高线填充图，将等高线填充图划分出训练集和验证集；基于ImageNet的大型共享数据集对Xception卷积神经网络模型进行通用特征提取能力训练，采用训练集和测试集对所构建的油种识别粗略模型进行任务针对性训练得到最终的油种识别模型，并微调可训练层得到模型的最佳性能；根据最后测试集的交叉熵、准确率和混淆矩阵对最终的油种识别模型进行评估。本发明能够较好的拟合油种识别模型，同时具有较好的泛化能力，可以广泛应用于水中油污染物的在线荧光检测。

技术研发人员：李颖,徐勤团
受保护的技术使用者：大连海事大学
技术研发日：
技术公布日：2024/1/15