国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于模型遷移的蘋果光學(xué)特征參數(shù)反演

2020-11-25 03:53徐煥良周冰清王浩云李亦白胡華東
農(nóng)業(yè)機械學(xué)報 2020年11期
關(guān)鍵詞:特征參數(shù)光子反演

徐煥良 周冰清 王浩云 李亦白 胡華東 黃 芬

(1.南京農(nóng)業(yè)大學(xué)信息科技學(xué)院, 南京 210095; 2.南京農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程博士后流動站, 南京 210031)

0 引言

我國蘋果產(chǎn)量和栽培面積一直處于世界領(lǐng)先地位。蘋果產(chǎn)量逐年增加,而出口比例卻沒有隨之提高,其原因之一是我國蘋果產(chǎn)業(yè)的采后商品化處理技術(shù)較為落后,其中包括品質(zhì)檢測裝備。因此對蘋果品質(zhì)進行無損檢測具有重要意義。

蘋果組織屬于混濁組織,光子在混沌組織中的吸收和散射會使光在傳播過程中出現(xiàn)衰減[1-2]。其中,吸收現(xiàn)象可以量化為吸收系數(shù)μa(mm-1),μa主要反映組織體內(nèi)部化學(xué)信息的變化(如水分、酸度、糖度等);散射現(xiàn)象可被量化為有效散射系數(shù)μs(mm-1),μs主要表現(xiàn)為組織結(jié)構(gòu)或物理特性(如密度、形態(tài)學(xué)特征、細胞結(jié)構(gòu)組成等)。這兩種系數(shù)統(tǒng)稱為光學(xué)特征參數(shù)。蘋果的組織結(jié)構(gòu)、物理特征以及化學(xué)成分決定了蘋果的光學(xué)特征參數(shù),換言之,可以將光學(xué)特性參數(shù)作為光譜特征,預(yù)測蘋果內(nèi)部品質(zhì)。光學(xué)特征參數(shù)一般無法直接測量,傳統(tǒng)的方法如積分球技術(shù)[3-4]會破壞蘋果組織結(jié)構(gòu)。高光譜技術(shù)可以實現(xiàn)此功能,通過光譜圖像來檢測蘋果品質(zhì),建立蘋果光譜圖像與光學(xué)特征參數(shù)之間的相關(guān)聯(lián)系成為重要環(huán)節(jié)。QIN等[5]利用高光譜成像技術(shù),基于子空間信任域的牛頓最小二乘迭代方法對組織模擬液的漫反射近似模型進行了反演計算,得到吸收系數(shù)和散射系數(shù)的平均反演誤差分別為16%和11%。何春柳[6]使用漫反射近似模型擬合得到吸收系數(shù)和散射系數(shù),結(jié)合PLSDA 模型建立了西紅柿成熟度的分類模型。除了傳統(tǒng)建模方法,許多學(xué)者也嘗試利用深度學(xué)習(xí)進行反演研究。劉奇[7]利用人工神經(jīng)網(wǎng)絡(luò)對分層組織的光學(xué)特性參數(shù)進行反演,單層模型的反演誤差為1.94%,雙層模型的反演誤差為1.85%,證明基于神經(jīng)網(wǎng)絡(luò)的參數(shù)反演方法比線性擬合法和微擾蒙特卡羅方法具有更高的精度。于博文[8]建立卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural net, CNN)模型,對VIIRS衛(wèi)星全球海洋葉綠素a濃度進行反演。甘海明等[9]結(jié)合SAR模型預(yù)測龍眼葉片葉綠素含量分布情況?,F(xiàn)有反演方法僅在單層平板組織模型上取得了較好效果,對多層組織的光學(xué)特征參數(shù)反演效果并不理想,同時,建立數(shù)學(xué)模型需要進行大量實驗、獲取大量數(shù)據(jù)。雖然深度學(xué)習(xí)在反演上有良好的表現(xiàn),但是同樣需要大量的帶標簽樣本進行模型訓(xùn)練,因此耗費了大量人力物力,而且建立模型的可遷移性差。ZEILER等[10]和SERMANET等[11]證實,通過微調(diào)、更改分類器等方式,利用預(yù)訓(xùn)練網(wǎng)絡(luò)進行遷移學(xué)習(xí)可以獲得比遷移前更好的分類效果。鄭一力等[12]、龍滿生等[13]將遷移學(xué)習(xí)方法應(yīng)用到農(nóng)業(yè)領(lǐng)域的圖像識別中。許景輝等[14]提出一種基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識別模型,對兩種遷移學(xué)習(xí)方式進行了實驗研究。

本文提出結(jié)合仿真數(shù)據(jù)和遷移學(xué)習(xí)進行光學(xué)特征參數(shù)反演的方法。以蘋果為例,構(gòu)造仿真生物組織模型,基于蒙特卡洛原理對光子在組織中的傳輸進行模擬,獲得大量仿真高光譜圖像;建立卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),將仿真高光譜圖像作為輸入進行訓(xùn)練,得到預(yù)訓(xùn)練模型;同時,實測少量點光源高光譜圖像,將預(yù)訓(xùn)練模型遷移到實測點光源高光譜圖像中訓(xùn)練,并進行微調(diào),以提高反演準確率。

1 數(shù)據(jù)獲取

1.1 實測數(shù)據(jù)獲取

1.1.1蘋果光學(xué)參數(shù)采集和標簽處理

使用上海五鈴光電科技有限公司的雙積分球系統(tǒng)采集60個蘋果的果皮、果肉的反射率與透射率,其中積分球的直徑為5 cm,內(nèi)部采用聚四氟乙烯涂層,反射球有3個開口,透射球有2個開口;光源為150 W IT3900型鹵素光源;光譜儀包括NIRez型近紅外光譜儀(900~1 700 nm)和SE1040-25-VNIR型可見光光譜儀(350~1 020 nm)。采集到蘋果的果皮吸收系數(shù)μa1、果肉吸收系數(shù)μa2、果皮散射系數(shù)μs1、果肉散射系數(shù)μs24組參數(shù),為使訓(xùn)練和測試所用的每個標簽下的樣本數(shù)量近似相等,采用統(tǒng)計樣本數(shù)量的方法對光學(xué)參數(shù)進行分類標注。共計得到500個不同的光學(xué)參數(shù)組合。雙積分球系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

圖1 雙積分球系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic of integrating sphere system1.光纖 2.透射球 3.樣本夾 4.光柵 5.反射球 6.光譜儀

1.1.2蘋果高光譜圖像獲取

使用上海五鈴光電科技有限公司的高光譜成像裝置獲取點光源高光譜圖像,由文獻[15]和實驗可確定點光源入射樣本的位置為赤道位置,采用圖2中的裝置模式采集200個陜西紅富士蘋果的點光源高光譜圖像,采集波段為373.54~1 033.87 nm。樣本保持完整,不做切開處理。用HIS Analyzer分析軟件將光譜數(shù)據(jù)導(dǎo)出,如圖3所示。

圖2 高光譜成像系統(tǒng)結(jié)構(gòu)圖Fig.2 Structural diagram of hyperspectral imaging system1.高光譜成像儀 2.待測樣本 3.點光源

圖3 高光譜圖像導(dǎo)出圖Fig.3 Hyperspectral image exported diagram

1.2 仿真數(shù)據(jù)獲取

1.2.1基于蒙特卡洛方法的雙層生物組織仿真模型

蒙特卡洛(Monte Carlo)是一種統(tǒng)計模擬隨機抽樣方法,因其優(yōu)秀的特性被應(yīng)用到各研究領(lǐng)域的仿真研究中,蒙特卡洛方法在有關(guān)生物組織光傳輸問題中的隨機抽樣表現(xiàn)在:

(1)步長的概率抽樣:在蒙特卡洛仿真模擬中,每一個光子的步長都是隨機的。將光子在組織中的散射步長定義為s,s的概率密度可以表示為

p(s)=μte-μts

(1)

其中

μt=μa+μs

(2)

式中p(s)——概率密度

μt——總衰減系數(shù)

μa——吸收系數(shù)

μs——散射系數(shù)

根據(jù)隨機密度函數(shù),可得光子隨機步長s為

(3)

式中ξ——隨機變量,ξ∈(0,1)

(2)散射方向的概率抽樣:光子與組織之間發(fā)生碰撞之后,光子的方向會發(fā)生變化,光子的下一步傳輸方向由方位角ψ∈[0,2π]和散射角θ∈[0,2π]來確定。其中ψ服從均勻分布,抽樣得到

ψ=2πξ

(4)

偏轉(zhuǎn)角余弦cosθ服從Henyey-Greensterin函數(shù)分布,即

(5)

式中g(shù)——各向異性系數(shù)

對Henyey-Greensterin函數(shù)進行抽樣得到

(6)

實踐證明,使用蒙特卡洛方法進行光傳輸模擬得到的結(jié)果與實際測量結(jié)果基本相同,故該方法已成為光在生物組織中傳播研究的非實驗檢驗標準。蒙特卡洛方法的基本原理[16]如圖4所示。WANG等[17-18]基于蒙特卡洛方法原理對光在多層組織中的傳輸問題進行了編程,得到了MCML和CONV模型, MCML模型為多層模型,計算量較大。在前期模擬中發(fā)現(xiàn),光子進入果肉后最大深度為2.3 cm,并且99%的光子傳輸深度不到1 cm。對于蘋果而言,光子無法傳輸?shù)焦藢?,因此本文使用雙層模型,基于蒙特卡洛思想,如圖5所示,構(gòu)建了雙層生物組織模型。其中d1和d2為果皮層和果肉層厚度,n0、n1、n2分別為空氣層折射率、果皮層折射率以及果肉層折射率。

圖4 基于蒙特卡洛方法的光子傳輸過程 Fig.4 Photon transmission process based on Monte Carlo method

圖5 雙層生物組織模型簡圖Fig.5 Double-layer biological tissue model schematic

1.2.2基于仿真模型的光亮度分布圖

經(jīng)測量得到μa1、μa2、μs1、μs2數(shù)值分別為0.4~6.5 mm-1、0.03~8.7 mm-1、1.69~260 mm-1、0.01~75 mm-1,在這些數(shù)值區(qū)間內(nèi)均勻選取了11×11×11×11個光學(xué)特征參數(shù)組合作為仿真模型的參數(shù),同時模型中設(shè)置果皮厚度為0.2 mm,空氣折射率n0為1,果皮層折射率n1為1.38,果肉層折射率n2為1.38,對模型進行光子傳輸模擬,用于模擬的服務(wù)器為超微 Super Server Main Server Chassis,使用Windows 2012 R2 Server Standard操作系統(tǒng),模擬軟件為Matlab R2014b。得到的光子逸出圖按一定比例映射到一幅50像素×50像素的圖像中,得到仿真高光譜圖像,并視為光亮分布圖,如圖6所示。

圖6 點光源亮度分布圖Fig.6 Light intensity distribution map

圖7 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Convolutional neural network structure

2 研究方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在圖像領(lǐng)域的重要算法之一,網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、卷積層、池化層、全連接層。輸入層可以直接作用于原始輸入數(shù)據(jù)Xi(i=1,2,…,R),對于輸入是圖像來說,輸入數(shù)據(jù)即圖像的像素值。卷積層是特征提取層,包括兩部分:第1部分是真正的卷積層,卷積層主要作用是提取輸入數(shù)據(jù)的特征。卷積層的卷積核數(shù)量越多意味著提取到的特征越多,以及計算量的增加。第2部分是池化層(pooling),其主要目的是在保留有用信息的基礎(chǔ)上減少數(shù)據(jù)處理量,加快訓(xùn)練網(wǎng)絡(luò)的速度。卷積層計算公式為

(7)

式中W——卷積核X——輸入張量

i、j——張量坐標值

m、n——卷積核坐標值

不同于一般神經(jīng)網(wǎng)絡(luò)[19],卷積神經(jīng)網(wǎng)絡(luò)將每層的點乘運算改成卷積或池化運算,同時擁有局部感知能力,在數(shù)據(jù)量足夠的條件下分類效果很好[20],仿真得到的數(shù)據(jù)量滿足卷積神經(jīng)網(wǎng)絡(luò)的要求,故選擇卷積神經(jīng)網(wǎng)絡(luò)進行預(yù)訓(xùn)練。

仿真雙層生物組織模型共得到150萬幅光亮度分布圖,由文獻[15]可知,距中心點1~11像素為品質(zhì)探測時的源探距離,將探頭放在這一部分進行探測時效果最好,即此范圍為探測時的感興趣區(qū)間。故為了使訓(xùn)練效率更高,使用光亮圖中距中心點1~11像素的部分作為輸入數(shù)據(jù)。以5∶1的比例隨機劃分訓(xùn)練集與測試集,將訓(xùn)練集輸入預(yù)設(shè)網(wǎng)絡(luò)進行訓(xùn)練,調(diào)整每層卷積核數(shù)目,得到最佳分類準確率。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練基于深度學(xué)習(xí)框架TensorFlow1.14.0,Python版本為3.7,實驗環(huán)境為AMD Ryzen 7 2700X Eight-Core Processor 3.7 GHz, NVIDIA GeForce RTX 2080 Ti顯卡。最終得到的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示,模型學(xué)習(xí)率為0.000 1,批次為242,總迭代次數(shù)2 000次,第1層卷積層使用40個2×2卷積核對圖像進行卷積,卷積核移動步長為1,卷積方式采用valid,第2層卷積層和第1層參數(shù)相同,第3層為池化層,采用2×2平均池化。第4層使用30個3×3卷積核,卷積核移動步長為1。第5層和第6層均使用20個2×2卷積核,卷積核移動步長為1。全連接層將第6層網(wǎng)絡(luò)的輸出拉成60×1的一維向量,最后一層為網(wǎng)絡(luò)輸出層。

2.2 Pretrain-finetune模型遷移

卷積神經(jīng)網(wǎng)絡(luò)可以自動對數(shù)據(jù)進行特征提取,以局部全治共享的特殊結(jié)構(gòu)對圖像處理有著獨特的優(yōu)越性,但是傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量有監(jiān)督的訓(xùn)練樣本作為輸入才能獲得較高分類準確度。基于模型的遷移學(xué)習(xí)方法可以將在數(shù)據(jù)量大的源數(shù)據(jù)集上預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)遷移到與源數(shù)據(jù)集相似但數(shù)據(jù)量小的目標數(shù)據(jù)集上,對于不能共享特征及權(quán)值參數(shù)的深層網(wǎng)絡(luò),再進行網(wǎng)絡(luò)微調(diào),實現(xiàn)良好的遷移學(xué)習(xí)分類效果。遷移學(xué)習(xí)示意圖如圖8所示。

圖8 模型遷移示意圖Fig.8 Transfer learning process

本實驗中點光源高光譜圖像和仿真光亮度分布圖的分布相同,故可以使用模型遷移的方法使用實測小數(shù)據(jù)集進行訓(xùn)練[21],實驗采集到200個蘋果的高光譜點光源圖像共4 000幅,并用光學(xué)特征參數(shù)作為標簽,將高光譜圖像以3∶1的比例劃分為訓(xùn)練集和測試集,將使用仿真數(shù)據(jù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值取出,此時預(yù)訓(xùn)練模型已經(jīng)提取出仿真數(shù)據(jù)的特征,通過固定底層權(quán)重、僅調(diào)節(jié)高層權(quán)重的方式對網(wǎng)絡(luò)進行微調(diào),找到最理想的微調(diào)深度。迭代2 000次后生成新的模型,由于此模型是基于CNN網(wǎng)絡(luò)結(jié)構(gòu)遷移而來,故稱之為Tran-CNN模型。

2.3 對比算法

選擇的對比算法為3種較為成熟的多標簽分類算法,分別是基于神經(jīng)網(wǎng)絡(luò)改進的BP-MLL、基于支持向量機改進的RankSVM和基于K鄰近的ML-KNN算法,BP-MLL算法[22]是一種利用反向傳播神經(jīng)網(wǎng)絡(luò)處理標簽分類的方法,通過梯度下降與誤差反向傳播策略相結(jié)合來實現(xiàn)全局誤差函數(shù)的最小化,時間消耗較小,ML-KNN[23]利用最大后驗概率準則確定測試樣本的標簽集合,是一種懶惰學(xué)習(xí)算法,性能常常較其他算法更穩(wěn)定。RankSVM[24]將排序問題轉(zhuǎn)換為pairwise的分類問題,然后使用SVM分類模型進行學(xué)習(xí)并求解,具有較小的經(jīng)驗誤差。

3 實驗結(jié)果與分析

3.1 光學(xué)參數(shù)敏感性比較

為考察果肉和果皮吸收系數(shù)和散射系數(shù)的變化對光子的傳輸影響,固定其余參數(shù),計算當(dāng)單一變量發(fā)生變化時,進入組織和最后逸出組織的光子比例,結(jié)果如圖9所示。

圖9 逸出光子比例和光學(xué)特征參數(shù)關(guān)系Fig.9 Relationships between ratio of escaped photons and optical characteristics

從圖9可以看出,當(dāng)果皮的光學(xué)特征參數(shù)發(fā)生改變時,逸出光子百分比在74%上下波動,波動變化較小,由于果皮層厚度較小,光子在果皮層中的傳播路徑較短,逸出光子攜帶的果皮層信息很少。故果皮內(nèi)光學(xué)參數(shù)的變化對光子傳輸?shù)挠绊戄^小。而當(dāng)果肉的光學(xué)特征參數(shù)發(fā)生改變時,逸出光子百分比明顯變化較大,且變化趨勢呈現(xiàn)一定的規(guī)律性。這表明在果肉中,光學(xué)特征參數(shù)對光子傳輸影響更大,且由于品質(zhì)檢測的主體為水果組織的果肉部分,所以對果肉中的光學(xué)特征參數(shù)反演結(jié)果更有研究價值。

3.2 仿真數(shù)據(jù)反演結(jié)果

使用仿真數(shù)據(jù)集進行訓(xùn)練時網(wǎng)絡(luò)收斂圖和光學(xué)參數(shù)的測試集反演準確率變化曲線如圖10所示。最終反演結(jié)果如表1所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果(仿真數(shù)據(jù))Fig.10 Training results of convolutional neural networks (simulation data)

從圖10a可以看到,損失值曲線在迭代750次以后逐漸趨于平穩(wěn)。由表1可以看到,果肉的光學(xué)特征參數(shù)反演結(jié)果較穩(wěn)定,均達到了85%以上,而果皮光學(xué)特征參數(shù)的反演結(jié)果卻呈現(xiàn)較為極端且不穩(wěn)定的情況,果皮吸收系數(shù)反演準確率只有67.53%,而果皮散射系數(shù)反演準確率卻達到了91.24%,這是因為仿真模型中果皮的厚度設(shè)置與實際果皮厚度相比較薄,光子在果皮中運輸攜帶的有效信息較少。而實際果皮在不同區(qū)域的薄厚程度有微小變化,反而使得光子攜帶有效信息相對較多。因此將主要考查對象選定為果肉光學(xué)特征參數(shù)。

表1 仿真數(shù)據(jù)光學(xué)參數(shù)反演準確率 Tab.1 Optical parameter inversion accuracy using simulation data

3.3 實測數(shù)據(jù)反演結(jié)果

使用實測高光譜數(shù)據(jù)集進行訓(xùn)練時的網(wǎng)絡(luò)收斂示意圖和4個光學(xué)參數(shù)的反演準確率變化曲線如圖11所示。最終反演結(jié)果如表2所示。

圖11 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果(實測數(shù)據(jù))Fig.11 Training results of convolutional neural networks(actual measurement data)

從圖11a可以看到,由于訓(xùn)練數(shù)據(jù)量較少,模型很快收斂,但是隨著迭代次數(shù)的增加,損失值會出現(xiàn)波動,最終的訓(xùn)練結(jié)果并不理想,且模型魯棒性很差。由表2可知,除了μa2反演準確率達到80%以上,其他光學(xué)特征系數(shù)反演準確率均不到80%,可見在數(shù)據(jù)量較少的情況下,使用卷積神經(jīng)網(wǎng)絡(luò)來反演光學(xué)特征參數(shù)效果并不理想。

3.4 遷移學(xué)習(xí)結(jié)果

Tran-CNN模型對光學(xué)特征參數(shù)反演結(jié)果如圖12和表3所示。

從圖12a可以看出,遷移以后的模型收斂速度更快,在迭代500次以后趨于平穩(wěn)。同時對光學(xué)特征參數(shù)的反演準確率,μa1從67.53%上升到87.26%,提升了19.73個百分點;μa2從86.23%上升到90.53%,提升了4.3個百分點;μs1從91.24%下降到86.66%,減少了4.58個百分點;μs2從86.30%上升到87.57%,提升了1.27個百分點。由于主要考察對象為果肉的光學(xué)參數(shù)反演準確率,遷移后的模型比預(yù)訓(xùn)練模型的反演準確率分別提高了4.3個百分點和1.27個百分點,由此可見預(yù)訓(xùn)練模型提取到的果肉光學(xué)特征參數(shù)深度特征較成功地遷移到本文實測小數(shù)據(jù)集上。

表2 實測數(shù)據(jù)光學(xué)參數(shù)反演準確率Tab.2 Optical parameter inversion accuracy using actual data

圖12 Tran-CNN訓(xùn)練結(jié)果Fig.12 Training results of Tran-CNN

表3 模型遷移光學(xué)參數(shù)反演準確率Tab.3 Model transform optical parameter inversion accuracy

3.5 結(jié)果對比

將仿真數(shù)據(jù)集和實測數(shù)據(jù)集在卷積神經(jīng)網(wǎng)絡(luò)上的反演結(jié)果與遷移學(xué)習(xí)后的反演結(jié)果進行對比,同時選擇了3種常用的多標簽分類算法,在實測數(shù)據(jù)集上進行反演,結(jié)果如表4所示。

表4 不同模型下的光學(xué)參數(shù)平均反演準確率 Tab.4 Optical parameter inversion accuracy by different models %

由表4可知,使用仿真數(shù)據(jù)集進行訓(xùn)練時,果皮的反演準確率出現(xiàn)了較為極端的情況,導(dǎo)致果皮中散射系數(shù)反演準確率相當(dāng)?shù)?,而散射系?shù)反演準確率卻達到了91.24%,出現(xiàn)這種情況的原因是仿真數(shù)據(jù)中不存在噪聲,故模型魯棒性不夠高。相比較仿真數(shù)據(jù),實測數(shù)據(jù)的4個光學(xué)參數(shù)反演準確率較

平均,但是從數(shù)值上來看,實測數(shù)據(jù)反演效果并不好,這是數(shù)據(jù)集較小造成的。而遷移學(xué)習(xí)后由于在原來仿真數(shù)據(jù)的基礎(chǔ)上加上了實測數(shù)據(jù)中的噪聲,使得模型魯棒性得到了提升,并且反演效果比僅使用實測數(shù)據(jù)進行訓(xùn)練得到了很大的提升。由此可以看出,遷移學(xué)習(xí)很好地結(jié)合了兩類數(shù)據(jù)的優(yōu)點,BP-MLL的反演效果最差,ML-KNN性能較好,但是仍不如Tran-CNN,基于遷移學(xué)習(xí)方法得到的Tran-CNN模型對蘋果組織光學(xué)特征參數(shù)的反演準確率明顯高于其他幾種光學(xué)參數(shù)反演模型。由于光學(xué)參數(shù)反演需要依賴大量數(shù)據(jù),在數(shù)據(jù)量不足的情況下其他模型的準確率較難提升,故而利用仿真數(shù)據(jù)進行模型預(yù)訓(xùn)練的方法為水果領(lǐng)域內(nèi)的光學(xué)參數(shù)反演提供新的思路。

4 結(jié)論

(1)提出了一種基于遷移學(xué)習(xí)的蘋果果實光學(xué)特征參數(shù)反演方法,解決了傳統(tǒng)算法中因為樣本不足而導(dǎo)致反演準確率無法提升的問題。

(2)對傳統(tǒng)的基于蒙特卡洛模擬光子傳輸?shù)腗CML模型進行了簡化,構(gòu)造了仿真雙層生物組織模型,模擬產(chǎn)生大量點光源光亮分布圖,將模擬數(shù)據(jù)作為輸入來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),最后,將預(yù)訓(xùn)練模型遷移到實測小樣本數(shù)據(jù)集上進行微調(diào),得到最終模型。

(3)實驗表明,利用仿真數(shù)據(jù)進行模型預(yù)訓(xùn)練可以加快收斂速度,同時提高在實測小樣本數(shù)據(jù)上的反演準確率,訓(xùn)練得到的模型較其他反演算法準確率更高。預(yù)訓(xùn)練模型良好的可遷移性可以減少實際測量的數(shù)據(jù)。

猜你喜歡
特征參數(shù)光子反演
反演對稱變換在解決平面幾何問題中的應(yīng)用
基于視頻圖像序列的船用雷達目標檢測和目標特征參數(shù)提取
基于ADS-B的風(fēng)場反演與異常值影響研究
Meteo-particle模型在ADS-B風(fēng)場反演中的性能研究
長期運行尾礦庫的排滲系統(tǒng)滲透特性的差異化反演分析
融合LPCC和MFCC的支持向量機OSAHS鼾聲識別
偏振糾纏雙光子態(tài)的糾纏特性分析
首個三光子顏色糾纏W態(tài)問世
“十光子糾纏”成功實現(xiàn)
說話人識別特征參數(shù)MFCC的提取與分析
徐州市| 德令哈市| 临安市| 清丰县| 库伦旗| 兴安县| 孙吴县| 乐至县| 荆门市| 岳普湖县| 连州市| 元谋县| 惠东县| 永兴县| 桂林市| 昌宁县| 云南省| 武汉市| 广饶县| 高淳县| 宽甸| 清新县| 汝城县| 平潭县| 和田市| 舒城县| 安岳县| 互助| 湖南省| 即墨市| 内江市| 乳源| 洞头县| 吴忠市| 绍兴县| 炎陵县| 那曲县| 仁怀市| 黎川县| 汾西县| 屏边|