一种基于近红外光谱特征和1D-PS-CNN的松属物种鉴别方法

本发明涉及物种识别，具体涉及一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法。

背景技术：

1、松属是松柏类植物中最大的属，具有极其重要的生态和经济价值。但是，松属植物的基因组十分庞大、分子进化速率慢，造成不同松属物种的特征相似性极高，辨别其物种归属难度很大。目前已有对松属物种类别的研究技术主要有：傅里叶变换红外光谱、物种的dna分子鉴定技术、显微鉴定法、植物形态学物种鉴定方法等。

2、其中，植物形态学物种鉴定是通过采集样本的根部、茎部、叶部等性状特征，根据性状展现的颜色，纹理特征等性状特点来对松属物种进行鉴别。由于植物形态学物种鉴定方法不需要特定的实验设备和实验试剂，随时可以通过观察即可进行鉴定，因此是目前在松属物种鉴别中应用最广的鉴定方法。但是植物形态学物种鉴定法需要多年识别经验和相关的知识扩充，具有一定的主观性。显微鉴定法是将样本的根部、茎部、叶部切块制成表皮切片或者石蜡切片，通过利用显微镜观察结构特征来鉴别松属物种。显微鉴定法相对更加准确和客观，但是该方法不仅依赖专业知识，还需要借助仪器和试剂，并且会破坏样本。dna分子标记技术可以反映物种基因中某种差异的特异性dna片段，是研究物种之间进化关系的重要技术。dna分子标记技术依赖分子生物学技术，并且该方法在鉴定过程中容易破坏样品结构，鉴定过程复杂。这些传统分析方法虽然分析精度非常高，但是分析过程时间长、效率低，需要大量的专业知识，并且会破坏样本。因此，建立一种准确可靠、简便易行、低成本且适用于快速检测松属物种的检测方法成为了新的研究方向，对于推动松属物种分类鉴别技术发展具有重要意义。

3、近红外光谱(near-infrared spectroscopy,nirs)检测技术可获取生理活性物质中含氢基团(o-h、n-h、c-h)振动的合频、倍频信息，在4500-8600cm-1的部分波段中会出现这些基团振动的吸收峰，是一种快速、高效、绿色、无损的检测方法。nirs是一种间接分析技术，需要通过合适的模式识别方法建立识别模型。近年来，nirs结合传统机器学习模型已广泛应用于生态各物种的定性分析。为实现快速鉴别，近红外光谱分析技术与模型识别方法的结合成为了解决这个问题的新手段，并取得了一些成功应用。

4、其中，卷积神经网络(convolutionalneuralnetwork,cnn)具有非常强大的数据特征提取的能力，对目标的检测，图像的分类项目中有了很大的进展。因此将卷积神经网络算法与近红外光谱结合设计一种松属物种的鉴别方法具有很大的前景和可行性。然而传统机器学习方法对于类似nirs这种高维特征性能有限；为提升cnn的分类性能，最直接的做法是增加模型的深度和模型的通道数，即增加模型的卷积核的数量；然而单纯依靠提升模型的深度和卷积核数量来提升模型的性能，会导致模型参数量的激增，从而引发过拟合效应。

5、为了克服传统鉴别方法中存在的成本高、耗时长、准确率不高、操作复杂，以及传统机器学习方法对于类似nirs这种高维特征性能有限的问题，本申请提出一种能够快速高效的鉴别不同松属物种种类的一维卷积神经网络(1d-cnn)模型。

技术实现思路

1、本发明的目的在于提出一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，将近红外光谱数据与改进一维递进卷积神经网络(1d-ps-cnn:one dimensionalprogressive structure convolutional neural network)相结合应用于松属物种分类识别，能够快速高精度的鉴别不同松属物种，克服传统鉴别方法中存在的成本高、耗时长、准确率不高、操作复杂等普遍问题，解决了传统机器学习方法对于类似nirs这种高维特征性能有限，减小人工特征提取的影响。

2、为实现上述目的，本发明的技术方案是：一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，具体包括以下步骤：

3、s1：获取各类松属近红外光谱数据并进行预处理，将预处理后的各类松属近红外光谱数据划分为训练集、验证集和测试集；

4、s2：对一维卷积神经网络1d-cnn进行改进，构建一维递进卷积神经网络模型1d-ps-cnn；

5、s3：利用所述训练集、验证集和测试集对1d-ps-cnn模型进行训练、验证与测试，并获得最优1d-ps-cnn模型；

6、s4：将通过近红外光谱仪采集的未鉴定的松属近红外光谱数据输入1d-ps-cnn模型进行物种鉴别。

7、优选的，所述预处理采用标准差标准化法，具体为对每一个特征维度去均值和方差归一化，使数据符合标准正态分布，即均值为0，标准差为1，其转化函数如下：

8、

9、其中，x为原始样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差，x*为预处理后的数据。

10、优选的，所述划分具体为：在每一松属类别下随机选取20％的预处理后的数据作为模型的测试子集，该类别剩下的80％的数据再随机切分成20％的验证子集和80％的训练子集，对每一类别预处理后的各类松属近红外光谱数据进行划分后，将各类的训练子集、验证子集和测试子集整合为训练集、验证集和测试集。

11、优选的，所述对一维卷积神经网络1d-cnn进行改进，构建一维递进卷积神经网络模型1d-ps-cnn具体为：将传统一维卷积神经网络的隐含层设置为卷积层与最大池化层交替，沿着输入到输出的方向依次包括3层卷积层、1层最大池化层、2层卷积层、1层最大池化层、1层卷积层、1层最大池化层，用以完成数据特征提取，然后通过两个全连接层进行输出概率分布，从而判断出具体的松属类别。

12、优选的，每层所述卷积层包含128个卷积核，所述卷积核大小为1×3。

13、优选的，所述最大池化层用于对输入的特征图进行步长为2的最大池化操作。

14、相较于现有技术，本发明具有以下有益效果：

15、本发明采用松属物种的近红外光谱(nirs)作为研究对象，具有简单、快速、无损等优点，同时其光谱所含信息量丰富；基于传统一维卷积神经网络1d-cnn进行改进提出一维递进卷积神经网络模型1d-ps-cnn，其中连续结构(progressive)采用近似局部最优稀疏法，更加接近生物神经系统。将progressive结构应用在nirs数据分析，可以缓解因nirs数据不足给鉴别模型带来的影响，提高模型的效率，在不增加计算量和参数量的前提下能够提升模型的分类性能，进而达到降低复杂度、提高速度与精度的效果。

技术特征：

1.一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述预处理采用标准差标准化法，具体为对每一个特征维度去均值和方差归一化，使数据符合标准正态分布，即均值为0，标准差为1，其转化函数如下：

3.根据权利要求1所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述划分具体为：在每一松属类别下随机选取20％的预处理后的数据作为模型的测试子集，该类别剩下的80％的数据再随机切分成20％的验证子集和80％的训练子集，对每一类别预处理后的各类松属近红外光谱数据进行划分后，将各类的训练子集、验证子集和测试子集整合为训练集、验证集和测试集。

4.根据权利要求1所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述对一维卷积神经网络1d-cnn进行改进，构建一维递进卷积神经网络模型1d-ps-cnn具体为：将传统一维卷积神经网络的隐含层设置为卷积层与最大池化层交替，沿着输入到输出的方向依次包括3层卷积层、1层最大池化层、2层卷积层、1层最大池化层、1层卷积层、1层最大池化层，用以完成数据特征提取，然后通过两个全连接层进行输出概率分布，从而判断出具体的松属类别。

5.根据权利要求4所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，每层所述卷积层包含128个卷积核，所述卷积核大小为1×3。

6.根据权利要求4所述的一种基于近红外光谱特征和1d-ps-cnn的松属物种鉴别方法，其特征在于，所述最大池化层用于对输入的特征图进行步长为2的最大池化操作。

技术总结本发明提出一种基于近红外光谱特征和1D‑PS‑CNN的松属物种鉴别方法，具体包括以下步骤：S1：获取各类松属近红外光谱数据并进行预处理，将预处理后的各类松属近红外光谱数据划分为训练集、验证集和测试集；S2：对一维卷积神经网络1D‑CNN进行改进，构建一维递进卷积神经网络模型1D‑PS‑CNN；S3：利用所述训练集、验证集和测试集对1D‑PS‑CNN模型进行训练、验证与测试，并获得最优1D‑PS‑CNN模型；S4：将通过近红外光谱仪采集的未鉴定的松属近红外光谱数据输入1D‑PS‑CNN模型进行物种鉴别。发明利用近红外光谱数据，结合改进的1D‑PS‑CNN模型，相对传统的鉴别方法，对不同的松属物种鉴别更快速、更高效。技术研发人员：陈冬英,林灵燕,魏建崇,翁伟雄,陈培亮受保护的技术使用者：福建江夏学院技术研发日：技术公布日：2024/7/25