[发明专利]基于改进的LetNet网络的油品识别方法、装置及计算机设备

说明书

本发明提供了一种基于改进的LetNet网络的油品识别方法、装置及计算机设备，该方法包括：获取多种不同油品的荧光光谱图像；对各荧光光谱图像进行预处理，得到预处理后的图像数据；对传统LetNet网络进行改进，得到改进后的LetNet网络；基于预处理后的图像数据构建训练集，对改进后的LetNet网络进行训练，训练完成后，得到训练好的油品识别模型；通过训练好的油品识别模型对预处理后的待识别油品荧光光谱图像进行识别，输出油品识别分类结果。本发明将深度学习算法与荧光光谱数据结合，同时改进了的LetNet网络的网络结构，减少了计算量，增强了模型拟合能力，提高了油品识别的准确率。

技术领域

本发明涉及溢油鉴别技术领域，具体涉及一种基于改进的LetNet网络的油品识别方法、装置及计算机设备。

背景技术

石油作为工业发展的“血液”，不断推动着全球工业经济的迅猛发展，世界各地对石油能源的需求量也在快速增长。通常情况下，石油是以海上运输的方式运往世界各地，由于石油运输作业愈加频繁，最终导致石油泄露到海洋中，不仅造成了人力物力资源的浪费，而且对生态环境的安全造成了严重威胁。因此，溢油事故发生后，及时准确的获取溢油油品信息，对于后续海洋生态环境的治理与修复具有重要的现实意义。

早期溢油鉴别方法主要有浊度法、重量法以及悬浮法等，其主要是根据油水溶液中具有某些特定的物理性质，从而对溢油品种进行区分，然而溢油在海水中会受到自然环境的影响，会发生蒸发、风化、沉降、溶解等变化，从而改变其物化特性，为溢油种类的鉴别带来巨大挑战。以上方法均存在着应用范围较小、鉴别溢油种类精度低等缺点。随着技术的不断改进提升，如光谱法、色谱法、质谱法等先进技术手段逐渐应用于海上溢油种类的鉴别，并且取得了良好的效果。其中，具有抗干扰能力强、准确性高、灵敏度高等优点的荧光光谱法逐渐成为主流的溢油识别方法。

近年来，随着我国科研工作者不断努力，在荧光检测技术应用领域做了大量工作，也取得了一定的研究成果。2010年，田广军采用神经网络与奇异值分解相结合的方式，对溢油三维荧光光谱进行特征提取与光谱重构，成功识别了不同溢油的种类。2013年，杨丽丽、王玉田等提出一种将平行因子分析算法与荧光光谱技术相结合的检测溢油类污染物的方法，该方法具有一定的抗干扰能力，并且能够在复杂的未知环境下对石油类污染物样本进行准确的种类鉴别和浓度预测。2020年，金韵基于YOLOv3算法框架搭建溢油识别模型，实现了对溢油的精准识别与定位。2021年，焦慧慧利用主成分分析与特征参量相结合的方式，对荧光光谱数据进行了特征提取，然后运用最小二乘法判别分析与BP神经网络完成了溢油种类的识别。

国内外研究人员主要使用荧光光谱法分析识别溢油种类，以人工的方式提取油品荧光光谱的特征，其过程存在着耗费大量人力物力资源以及工作效率低等不足，并且不能有效的避免噪声信号对荧光光谱数据的影响，从而使得鉴别结果存在偏差，而深度学习算法依据神经网络高效的提取图像数据的特征信息，降低了噪声信号对检测结果的影响。

发明内容

为了解决上述技术问题，本发明将深度学习算法与荧光光谱法相结合，提出了一种基于改进的LetNet网络的油品识别方法、装置及计算机设备，通过滤波去除油品荧光光谱图像的噪声信号，然后将油品荧光光谱图像数据集输入网络中训练，并依据油品荧光光谱显著特征完成对溢油油品的准确识别。

根据本发明的第一方面，本发明提供了一种基于改进的LetNet网络的油品识别方法，包括以下步骤：

获取多种不同油品的荧光光谱图像；

对各所述荧光光谱图像进行预处理，得到预处理后的图像数据；

对传统LetNet网络进行改进，得到改进后的LetNet网络；

基于所述预处理后的图像数据构建训练集，对所述改进后的LetNet网络进行训练，训练完成后，得到训练好的油品识别模型；

通过所述训练好的油品识别模型对预处理后的待识别油品荧光光谱图像进行识别，输出油品识别分类结果。