本发明属于配方工业信息和数据处理，具体地说，是涉及一种多维特征融合的配方原料质量评价方法。
背景技术：
1、随着传感技术的发展和传感器产品的规模化应用，工业数据采集过程自动化水平不断提升，配方工业积累了大量的多源数据资源。同时，配方工业领域对原料品质的把控尤为关键，目前对配方原料质量评价的方法包括基于分子光谱、质谱及视觉的方法。其中，计算机视觉和近红外光谱分析技术以其快速、低成本、安全、无损的特点深受欢迎。
2、目前的预测方法均为单维建模模式，其中，单维近红外光谱忽略了光谱的空间物理信息，且由于近红外光谱序列较长，对全光谱序列分析需要反复多次提取低维特征组合成高维特征，同时光谱数据中不仅含有关键性信息还存在一些干扰信息和无效信息，带有干扰信息和无效信息的数据建立模型会降低效率和模型预测精度。而传统的基于全谱段的建模方法无法捕捉具有关键特征的谱段，建模效率及精度低。
3、计算机视觉作为人工智能领域的一个重要分支，近年来得到了迅速发展。基于视觉的配方原料质量评价发展迅速。对配方原料来说，单维视觉特征无法全面捕捉到原料多层次特征信息，具有局限性。此外，神经网络能快速学习数据分布，充分挖掘数据内部信息，进行深度特征提取，然而，目前基于神经网络进行建模的方法面临人工建模局限性问题。
技术实现思路
1、本发明提出一种多维特征融合的配方原料质量评价方法，从光谱的一维全谱段信息中选择出对当前任务目标更关键的波段，并对相应的二维光谱图像进行谱段特征增强，抽取出更加关键及重要的信息，结合神经网络结构搜索对一维光谱数据、二维光谱图像数据和二维视觉图像数据实现了多维特征融合的建模目标，满足了配方原料多维度特征融合建模的需求，提高了建模效率和原料质量预测能力。
2、本发明采用以下技术方案予以实现：
3、提出一种多维特征融合的配方原料质量评价方法，包括：
4、s1，采集配方原料数据，包括近红外光谱数据和原料视觉图像数据；
5、s2，筛选一维光谱数据的关键谱段；
6、s3，基于s2筛选出的关键谱段定位二维光谱图像数据，对关键谱段相应的波段进行图像增强；
7、s4，针对一维光谱数据选择一维卷积神经网络，针对二维光谱图像数据和原料视觉图像数据选择二维卷积神经网络，分别进行神经网络结构搜索；
8、s5，采用s4搜索得到的一维卷积神经网络结构和二维卷积神经网络结构进行配方原料的多维特征提取与融合；
9、s6，特征融合后，根据不同任务得到预测值并计算损失值，设置收敛条件，多次迭代后确定配方原料预测模型；
10、s7，根据s6得到的配方原料预测模型，输入待评价配方原料数据得到质量评价预测结果。
11、在本发明一些实施例中，步骤s1包括：
12、对待测样本进行近红外光谱数据采集和原料视觉图像数据采集；
13、构建近红外光谱样本的一维光谱数据集合；
14、对近红外光谱数据进行可视化操作，转换成图像的形式，建立二维光谱图像数据集合。
15、在本发明一些实施例中，步骤s2包括：
16、采用蒙特卡洛采样方法对光谱样本进行采样，并划分训练集和测试集，采用pls建模方法进行建模；其中，pls模型的第个波长变量的回归系数为 ，第个波长变量回归系数的权重为；其中，，表示采样时用到的变量个数；
17、利用指数衰减函数淘汰掉回归系数绝对值权重小的变量；其中，在第次的采样建模中，指数衰减剔除变量后剩下的变量比 ，，；为采样次数；
18、每次采样时，根据采样变量个数进行变量剔除，并建立基于筛选变量的预测模型，计算交叉验证均方差；其中，表示原始波长变量的个数；
19、在完成 次采样后，选择交叉验证均方差值最小的一组谱段变量组集合 作为特征波长。
20、在本发明一些实施例中，步骤s3包括：
21、由步骤s2得到一维光谱数据建模的关键谱段集合；集合 中变量的个数为，且中每个光谱波长变量的权重为；
22、根据集合中波长变量定位到二维图像中的，获取图像坐标对应的像素值，并使用如下公式进行特征谱段的图像像素增强：；
23、用增强后的像素值替换掉原有的像素值，得到增强后的图像像素值矩阵 。
24、在本发明一些实施例中，步骤s5包括：
25、对一维光谱数据经过一维卷积神经网络操作提取特征矩阵；
26、对增强后的二维光谱图像数据和原料视觉图像数据经过二维卷积神经网络操作提取特征矩阵；
27、将一维卷积后的特征和二维卷积后的特征数据进行融合得到融合特征矩阵。
28、在本发明一些实施例中，步骤s6根据不同任务计算损失值中，分类模型计算方式为：
29、；
30、回归模型计算方式为：
31、。
32、与现有技术相比，本发明的优点和积极效果是：本发明提出的多维特征融合的配方原料质量评价方法中，对待测原料样品进行近红外光谱及原料视觉图像数据采集，其中，针对光谱数据，将其转换为一维光谱数据和可视化的二维光谱图像数据，然后对一维光谱数据进行竞争自适应权重的谱段筛选，并基于关键谱段定位到可视化二维光谱图像中，对相应的波段进行图像特征增强；接着设置神经网络结构搜索空间，分别对一维光谱数据、二维光谱图像数据及原料视觉图像数据进行一维和二维卷积操作，并进行特征融合，通过多次迭代后建立配方原料质量预测多维模型。基于上述，本发明可以对一维光谱数据、二维光谱图像数据及原料视觉图像数据进行特征融合，增加了光谱的空间信息和原料视觉信息，提供更丰富的特征信息，且本发明中关键谱段图像定位及增强方式与传统的单维模型相比，更能突出二维光谱图像的特征，增强了关键信息，同时，融合光谱和原料视觉图像特征，使配方原料的评价方式更加立体，从而提高了模型特征提取能力和预测精度，且自动化神经网络结构设计突破了人工神经网络结构设计的局限性。
33、结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
1.一种多维特征融合的配方原料质量评价方法，其特征在于，包括：
2.根据权利要求1所述的多维特征融合的配方原料质量评价方法，其特征在于，步骤s1包括：
3.根据权利要求1所述的多维特征融合的配方原料质量评价方法，其特征在于，步骤s2包括：
4.根据权利要求1所述的多维特征融合的配方原料质量评价方法，其特征在于，步骤s3包括：
5.根据权利要求1所述的多维特征融合的配方原料质量评价方法，其特征在于，步骤s5包括：
6.根据权利要求1所述的多维特征融合的配方原料质量评价方法，其特征在于，步骤s6根据不同任务计算损失值中，分类模型计算方式为：
