本发明涉及高光谱分析，尤其涉及一种基于工作流的高光谱数据自动化分析处理与分类模型优化方法。
背景技术：
1、高光谱检测技术在水果等农作物内部品质无损检测方面已被广泛应用。高光谱成像能够快速、高效、无接触地检测到物体的表面特征以及部分内部信息。然而，现有的高光谱技术在某些应用中存在一定局限性，尤其是在物体深层缺陷的检测方面。高光谱成像通常仅能检测样本表面的光谱信息，而对于内部特征的检测效果有限。
2、现有技术存在的问题主要包括以下几点：
3、1）传统高光谱图像采集方式主要关注样本表面信息，对物体内部特征的检测能力不足；
4、2）手动处理高光谱数据繁琐，难以实现整个数据分析流程的自动化；
5、3）现有的软件不能有效支持相位合成处理，无法自动提取和合成多角度相位的光谱数据；
6、4）模型优化主要依赖人工调试超参数，效率低，且难以保证模型的最优性能；
7、5）模型训练过程中难以实时监控与记录训练过程，大量的数据处理对算力的要求过高、时间过长。
技术实现思路
1、发明目的：本发明的目的是提供一种基于工作流的高光谱数据自动化分析处理方法和自动优化超参数的分类模型建模方法，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，并为基于高光谱数据的检测技术提供可行高效的工作流。
2、技术方案：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，包括步骤如下：
3、s1，用成像设备获取目标样本的高光谱图像，并对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；
4、s2，基于一维卷积神经网络构建deepspnet模型；
5、s3，设置deepspnet模型的训练参数，并建立超参数组合；
6、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；
7、s5，保存最佳超参数组合的deepspnet模型，用于目标预测。
8、进一步，构建所有样本的一维高光谱数据集的实现步骤如下：
9、s11，使用高光谱成像设备分别获取目标样本的0°、120°和240°三个相位的图像，并存储图像数据；
10、s12，对采集的图像数据，通过解模合成处理，得到目标样本的结构光高维图像和均匀光照图像；
11、s13，在结构光高维图像和均匀光照图像上，确定需要关注的特征区域后，提取特征区域的图像数据；
12、s14，将特征区域的图像数据以数组形式保存，数组中每条一维样本数据为特征区域内一个像素的高光谱各波段数据；
13、s15，对所有目标样本重复执行步骤s12至步骤s14，提取和存储每个目标样本的结构光高维图像和均匀光照图像，并对数据进行标签分类，得到所有目标样本的一维高光谱数据集。
14、进一步，步骤s11中，对采集的高光谱图像的目标样本数按照分类数均衡分布。
15、进一步，步骤s12中，通过对目标样本的结构光高维图像和均匀光照图像进行降维处理，提取出特定波段的光谱数据。
16、进一步，所述deepspnet模型包括多个一维卷积层、池化层、全连接层、输出层；在每个卷积层之后增加1个一维批量归一化层，全连接层之间增加有1个归一化层；全连接层通过softmax函数对应到分类结果输出。
17、进一步，步骤s3中，预先设定卷积核的尺寸、卷积核每次前进的步长和每次训练的轮次；所述超参数包括：学习率、批量大小、卷积层的通道数、leakyrelu的负斜率和dropout的值；超参数组合为所有超参数的可能的取值的集合。
18、进一步，步骤s4中，训练deepspnet模型过程中，通过itertools.product和param_grid字典对其他超参数进行自动化搜索；通过定义earlystopping引入早停机制；同时实时监记录训练进展。
19、本发明与现有技术相比，其显著效果如下：
20、1、本发明通过引入结构光照明模式，增强了物体内部特异性缺陷的检测，同时自动化处理和模型优化流程的设计解决了现有振动光谱分析模型中存在的计算复杂度问题。本发明的自动化流程不仅减少了人为干预，还提高了高光谱图像分析的准确性和效率，尤其适用于水果等样本的内部病害无损检测；本发明使用的是多相位结构光高光谱成像技术，通过不同相位的光照数据解模合成，更精确地捕捉样本内部的缺陷特征；相较于振动光谱分析方法，本发明能有效提升深度检测能力；
21、2、采用解模合成结构光高维图像和均匀光照图像，在确定出特异性缺陷区域的基础上，区分正常和非正常像素点，提取一维高光谱分类数据集，训练1d-cnn分类模型deepspnet，通过网格搜索和引入早停机制，在节省算力的基础上实现自动化优化模型参数同时做到实时记录训练过程；最后应用训练好的模型，能实现对高光谱图像中像素点和区域的早期异常判断；实现在病害特征出现前，对病害进行早期预测；
22、3、本发明的通用工作流程，避免了数据分析繁琐的人工操作和主观判断，解决了传统光谱分析软件中缺乏系统的分析工作流程和模型自动优化的问题。
1.一种基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，包括步骤如下：
2.根据权利要求1所述基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，步骤s11中，对采集的高光谱图像的目标样本数按照分类数均衡分布。
3.根据权利要求1所述基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，步骤s12中，通过对目标样本的结构光高维图像和均匀光照图像进行降维处理，提取出特定波段的光谱数据。
4.根据权利要求1所述基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，所述deepspnet模型包括多个一维卷积层、池化层、全连接层、输出层；在每个卷积层之后增加1个一维批量归一化层，全连接层之间增加有1个归一化层；全连接层通过softmax函数对应到分类结果输出。
5.根据权利要求1所述基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，步骤s3中，预先设定卷积核的尺寸、卷积核每次前进的步长和每次训练的轮次；所述超参数包括：学习率、批量大小、卷积层的通道数、leakyrelu的负斜率和dropout的值；超参数组合为所有超参数的可能的取值的集合。
6.根据权利要求1所述基于工作流的高光谱数据自动化分析与模型优化方法，其特征在于，步骤s4中，训练deepspnet模型过程中，通过itertools.product和param_grid字典对其他超参数进行自动化搜索；通过定义earlystopping引入早停机制；同时实时监记录训练进展。
