利用一维超深度卷积神经网络的金银花NIRS分类模型设计

作者：张子龙; 陈冬英^*; 俞达; 陈璐

来源：三明学院学报, 2023, 40(03): 63-70.

DOI：10.14098/j.cn35-1288/z.2023.03.009

• 金银花
• 近红外光谱
• 分类
• 一维卷积神经网络
• 超深度

当前应用于近红外光谱(NIRS)数据定性分析的经典一维卷积神经网络(1D-CNN)模型，通过增加卷积核数量，导致模型臃肿、参数量巨大、计算复杂度高，同时易产生过拟合。为克服传统方法的不足，改进传统1D-CNN模型为一维超深度卷积神经网络模型。首先，采集金银花近红外光谱为样本数据，并采用KS法对样品集预处理；其次，改进传统1D-CNN中的隐含层结构为一维超深度卷积神经网络，并针对NIRS数据适应性进行改进，使其可直接应用于一维NIRS数据；最后，用分层算法完成训练集、验证集和测试集的划分，构建基于一维超深度卷积神经网络的金银花NIRS分类模型。结果表明，改进后的一维超深度卷积神经网络训练集的准确率达到100%,测试集的准确率达到99.57%,损失值收敛为0.018附近。与传统1D-CNN模型相比，本设计模型的训练集与测试集的准确率分别提升了约0.05%与1%,同时，参数量和FLOPs分别减少约47%和5%,并且可大幅度降低过拟合。

• 单位
  福建江夏学院; 山东省农业科学院