公开(公告)号：CN119131036B

公开(公告)日：2025-03-04

申请号：CN202411620353.1

申请日：2024-11-14

Applicant: 南京农业大学三亚研究院

Inventor： 张晓蕾 ,  陈志凯 ,  吕冠知 ,  杨梦飞 ,  徐鑫

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/0985 ,  G06T7/50 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开了一种基于工作流的高光谱数据自动化分析与模型优化方法，步骤如下：S1，对获取的目标样本高光谱图像进行处理，提取特征区域的光谱数据并保存，构建所有目标样本的一维高光谱数据集；S2，基于一维卷积神经网络构建DeepSpNet模型；S3，设置DeepSpNet模型的训练参数，并建立超参数组合；S4，将一维高光谱数据集按比例划分为训练集和测试集，采用训练集训练DeepSpNet模型，通过测试集评估DeepSpNet模型的精度、查准率、查全率，并自动筛选最佳超参数组合；S5，保存最佳超参数组合的DeepSpNet模型，用于目标预测。本发明能精确地捕捉样本内部的缺陷特征，有效提升深度检测能力。

公开(公告)号：CN119131036A

公开(公告)日：2024-12-13

申请号：CN202411620353.1

申请日：2024-11-14

Applicant: 南京农业大学三亚研究院

Inventor： 张晓蕾 ,  陈志凯 ,  吕冠知 ,  杨梦飞 ,  徐鑫

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/0985 ,  G06T7/50 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开了一种基于工作流的高光谱数据自动化分析与模型优化方法，步骤如下：S1，对获取的目标样本高光谱图像进行处理，提取特征区域的光谱数据并保存，构建所有目标样本的一维高光谱数据集；S2，基于一维卷积神经网络构建DeepSpNet模型；S3，设置DeepSpNet模型的训练参数，并建立超参数组合；S4，将一维高光谱数据集按比例划分为训练集和测试集，采用训练集训练DeepSpNet模型，通过测试集评估DeepSpNet模型的精度、查准率、查全率，并自动筛选最佳超参数组合；S5，保存最佳超参数组合的DeepSpNet模型，用于目标预测。本发明能精确地捕捉样本内部的缺陷特征，有效提升深度检测能力。