高光谱技术区分真假甘草

使用高光谱技术区分真假甘草的可用性分析报告

实验结论

1. 使??光谱数据建模训练后 , 能准确区分真假?草

2. 对于单个光谱模型识别的准确能达到 80% 以上 , 对于单个样本 , 通过适当的后处理能做到 100% 识别准确率

3. 由于现阶段实验样本不? , 模型能?任有较?的提升空间

实验过程

数据采集

采集?式

使? 400 ~ 1000 纳?波段?光谱相机分别采集多组数据 , 并对所有数据进? FFC 校正 和暗电流 校正 , ?的是去除传感器暗电流噪声以及消除不同位置光照条件不?致导致的光谱差异 , 保存采 集到的反射率数据 .

数据集预览

原始光谱分析

真?草(C1)和假?草(C2)的原始平均光谱图像

根据该图像可以看出 , C1 和 C2 两条光谱之间存在较?差异

数据预处理

为了进?步消除噪声 , 消除位置影响 , 提升特征显著性 , 我们实验了多种预处理?法的组合 , 最 终选?效果最好的预处理?式 SGD1 + SNV 对原始进?处理 . 预处理后的 C1 和 C2 数据如下图 所? :

特征分析

根据波段和分组的相关性分析 , 获得分组相关性最?的前 50 个波段位于下图中红?矩形区域

特征分析

根据波段和分组的相关性分析 , 获得分组相关性最?的前 50 个波段位于下图中红?矩形区域

相关性最?的前 50 个 波段的 PCA 图像

依据以上条件我们可以认为 : 真?草(C1)和假?草(C2) 光谱数据在 628.02nm 到 731.77nm 之间存在较为明显的差异

模型训练

模型采?我们?有的针对?光谱数据研发的深度学习模型架构 , 更容易捕获特征与标签之间的 ?线性关系 .

训练数据使?上?中的训练集 01, 训练 20 个 Epoch, 每个 Epoch 结束后使?验证集进??次评 估

训练过程中损失下降情况如下图所? :

训练后在训练集上的推理结果 :

对?基线模型(KNN)准确率 :

模型验证结果

? 对?训练集 , 模型能?有所下降 , 但准确率依然?于基线模型 10% ~ 20%

? 模型能?下降的主要原因是训练样本不够 , 使?更多样本进?训练可以有效提升模型泛化能 ?

? 经过后处理 , 即 : 在空间维度对标签做平滑处理 + 对单个样本使?置信度 (样本中标记为真 的光谱数量 / 样本中所有光谱的数量) > 0.8 ，可以实现对验证集中样本识别做到 100% 准 确率。