(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111650217.3 (22)申请日 2021.12.3 0 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 刘婧　朱贺　潘勉　吕帅帅　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 21/35(2014.01) (54)发明名称 一种用于微型光谱仪的谱图重构方法 (57)摘要 本发明公开了一种用于微型光谱仪的谱图 重构方法， 首先构建用于微型光谱仪的谱图重构 网络模型： 然后训练谱图重构网络， 最后通过训 练好的谱图重构网络完成谱图重构。 本发明在不 提升硬件系统的条件下， 将图片 超分辨思想引入 进来， 采用 深度学习的方法， 克服传统重构算法 弊端， 显著提升重构效果， 实现波长 范围为2500‑ 5000nm的谱图重构。 本发明引入残差网络来提高 训练速度， 采用线性插值方法实现可靠的数据上 采样， 整体提升了此网络模型的重构能力和鲁棒 性。 权利要求书2页 说明书5页 附图2页 CN 114330663 A 2022.04.12 CN 114330663 A 1.一种用于微型光谱仪的谱图重构方法， 其特 征在于， 包括如下步骤： 步骤(1)、 构建用于微型光谱仪的谱图重构网络模型： 所述的谱图重构网络基于图片超分辨领域中的增强的深度学习超分辨重建网络EDSR 改进， 优化了网络深度和残差块数量； 采用线性插值方法作为上采样方法； 最后添加了一层 全连接层用于调整输出的数据量； 所述的谱图重构网络均方误差 MSE作为损失函数； 步骤(2)、 训练谱图重构网络： 将醇类、 苯类、 酸类三类物质经过傅里叶变换红外光谱仪得到的真实谱图数据作为原 始对比数据， 将三类物质经过微型光谱仪采样后的数据作为训练数据， 构建训练集； 采用自 适应梯度下降算法优化损失函数， 获得谱图重构网络 权重； 步骤(3)、 谱图重构： 对经过微型光谱仪采样后得到的数据进行谱图重构， 将微型光谱仪采样后得到的数据 作为输入数据输入完成训练的谱图重构网络中进行处 理， 得到重构的谱图数据。 2.根据权利要求1所述的一种用于微型光谱仪的谱图重构方法， 其特征在于， 步骤(1) 具体步骤如下； 用于微型光谱仪的谱图重构网络模型包括扩展层、 残差网络、 上采样网络、 深度复原层 和调整层； 1)扩展层： 在扩展层， 通过卷积操作， 将通道数从1扩展到64， 以增加模型的容量； 该层 滤波器的大小为3 ×3， 通道数为64； 2)残差网络： 包含两个部分， 局部残差和全局残差部分， 分别用于学习局部残差和全局 残差； 将扩展层输出 数据作为此残差网络的输入数据； 局部残差由多个残差块级联构成， 每个残差块的处理过程分为两部分， 一部分对输入 数据采取卷积、 ReLU激活和卷积的操作， 得到该部分的输出； 另一部分则采用跳跃式连接， 直接将输入数据作为该部分的输出； 再经过求和层对两部分输出求和， 即可得到一个局部 残差块的输出； 残差块的卷积核的参数为3 ×3， 通道数为64， 采用16个相同的残差块级联构 成局部残差模块； 全局残差与局部残差结构类似且包含局部残差， 一部分同样采用跳跃式连接， 直接将 输入数据作为输出； 另一部 分的输出即为局部残差的输出， 两部 分相加， 得到全局残差模块 的输出， 即整个残差网络的输出； 3)上采样网络： 采用线性插值算法将经过残差网络特征提取后的数据线性放大到指定 倍数； 4)深度复原层： 经过上采样网络后， 并没有改变卷积网络结构的深度， 深度仍然为扩展 层扩展后的深度， 因此， 构建该深度复原层对深度进行缩减， 相当于扩展层步骤的逆操作， 目的为将输出 数据恢复到正常深度； 该层卷积核的大小仍 为3×3， 但深度为1； 5)调整层： 采用一个全连接层进行最终数据量调整， 使得网络输出数据与原始对比数 据的数据量保持一 致， 以便于网络训练以及网络 重构效果对比。 3.根据权利要求2所述的一种用于微型光谱仪的谱图重构方法， 其特征在于， 步骤(3) 具体步骤如下： 1)构建训练集： 将醇类、 苯类、 酸类三类物质经过傅里叶变换红外光谱仪得到的真实谱图数据作为原权　利　要　求　书 1/2 页 2 CN 114330663 A 2始对比数据， 将三类物质经过微型光谱仪采样后的数据作为训练数据， 构建训练集； 所述的 微型光谱仪为需要 进行谱图重构微型光谱仪； 2)构建损失函数： 采用均方误差MSE作为网络损失函数， 均方误差损失函数的计算公式 为： 其中， N为原始谱图数据 个数， [X1,X2……XN]为原始谱图数据， [ X1′,X2′ ……XN′]为重构 的谱图数据； 3)训练方法： 设置初始学习 率为1×10‑5， 每批数据量(batch ‑size)为4； 网络采用自适 应矩估计Adam算法优化损失函数， ； 每次迭代使用batch ‑size个样 本来对参数进行更新， 其 中Adam会通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性 学习率。权　利　要　求　书 2/2 页 3 CN 114330663 A 3