基于近紅外光譜和BYOL 對比學(xué)習(xí)的煙葉部位識別方法

楊德建，趙遼英，郝賢偉，畢一鳴，厲小潤

1 杭州電子科技大學(xué)計算機(jī)學(xué)院，浙江杭州白楊街道1158 號 310018；

2 浙江中煙工業(yè)有限責(zé)任公司，技術(shù)中心，浙江杭州科海路118 號 310008；

3 浙江大學(xué)電氣工程學(xué)院，浙江杭州浙大路38 號 310027

煙葉品質(zhì)檢測，對卷煙制品的配方設(shè)計與質(zhì)量監(jiān)控具有舉足輕重的作用。隨著當(dāng)前煙草行業(yè)發(fā)展，傳統(tǒng)檢測方法已經(jīng)不能夠滿足智能化檢測和管控的需求。數(shù)字化轉(zhuǎn)型是中國煙草科技創(chuàng)新發(fā)展的必然選擇[1]。近紅外光譜（Near Infrared Spectroscopy，NIR）分析技術(shù)具有高效、快速、無損和可在線等優(yōu)點，已經(jīng)在煙草行業(yè)得到廣泛的研究和應(yīng)用[2-4]。

不同部位的煙葉受到的光照、水分、溫度不一樣，會導(dǎo)致煙葉不同部位化學(xué)成分的不同，因此煙葉部位與煙葉品質(zhì)有直接的關(guān)系。煙葉部位的識別，是烤煙煙葉收購與分級、卷煙配方設(shè)計的重要依據(jù)。煙葉部位的NIR 光譜定量分析有助于部位的識別，從而間接反映煙葉調(diào)撥、分選質(zhì)量的年度間穩(wěn)定性。目前用NIR進(jìn)行煙葉品質(zhì)檢測主要是煙葉化學(xué)成分分析和產(chǎn)地識別[2-4]，對煙葉部位的識別研究相對較少，且主要是基于傳統(tǒng)機(jī)器學(xué)習(xí)方法。如馬雁軍[2]使用Projection of Basing on Principal Component and Fisher Criterion（PPF）投影方法分析樣品間部位的相似性；王靜[5]將深度信念網(wǎng)絡(luò)（Deep Belief Network, DBN）的理論結(jié)合支持向量機(jī)（Support Vector Machine, SVM）建立近紅外光譜多分類模型 DBN-SVM 識別煙葉部位。但是上述方法都是對實驗室采集的粉末狀煙葉光譜進(jìn)行煙葉部位識別實驗，煙葉光譜穩(wěn)定，且不同部位煙葉光譜差異相對較明顯。由于光照和環(huán)境的影響，煙葉不同部位的在線NIR 光譜不易區(qū)分，特征提取困難，因此需要研究特征增強(qiáng)或特征提取能力更強(qiáng)的方法。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）作為典型的深度學(xué)習(xí)網(wǎng)絡(luò)模型之一，具有很強(qiáng)的特征提取和模型表達(dá)能力，已被廣泛應(yīng)用于NIR 特征提取分析[5-6]。由于有標(biāo)簽的煙葉部位近紅外光譜數(shù)據(jù)有限，影響了傳統(tǒng)的CNN 模型在煙葉部位識別中的應(yīng)用效果。對比學(xué)習(xí)（Contrastive Learning）是一種適用于無標(biāo)簽或少量標(biāo)簽樣本的自監(jiān)督學(xué)習(xí)方法，最近已在計算機(jī)視覺、自然語言處理和其他領(lǐng)域得到了應(yīng)用[7]。BYOL（Bootstrap Your Own Latent，BYOL）[8]模型是一種通過兩個神經(jīng)網(wǎng)絡(luò)自監(jiān)督學(xué)習(xí)高維數(shù)據(jù)特征表示的對比學(xué)習(xí)模型，具有強(qiáng)特征提取和模型表達(dá)能力。

數(shù)據(jù)增強(qiáng)是BYOL 對比學(xué)習(xí)的關(guān)鍵步驟之一。文獻(xiàn)[9]在基于對比學(xué)習(xí)的高光譜圖像分類模型中，通過變分自編碼器（Variational Auto-Encoder，VAE）[10]和對抗自編碼器（Adversarial Autoencoders，AAE）[11]提取特征實現(xiàn)數(shù)據(jù)增強(qiáng)。但是VAE 和AAE 都由編碼器、隱層和解碼器組成，結(jié)構(gòu)較復(fù)雜，并且都是通過優(yōu)化的方法提取特征，時間復(fù)雜度高。NIR 的微分光譜波峰波谷特征明顯，具有簡單快速實現(xiàn)數(shù)據(jù)增強(qiáng)的作用，在很多研究中得到了應(yīng)用，如楊雙艷等[12]在基于近紅外光譜的粒子群-支持向量機(jī)（PSO-SVM）模型中使用多元散射校正和二階導(dǎo)數(shù)，對煙葉等級進(jìn)行識別；胡涌等[13]在NIR 偏最小二乘定性判別模型中使用K-S 方法挑選樣品從而提高了預(yù)測煙葉水分的準(zhǔn)確度。但是現(xiàn)有文獻(xiàn)都是將微分光譜作為數(shù)據(jù)預(yù)處理結(jié)果直接用于分類或判別，如何將微分光譜和原始光譜有效結(jié)合實現(xiàn)光譜數(shù)據(jù)增強(qiáng)未見報道。

本文提出一種基于近紅外光譜和BYOL 對比學(xué)習(xí)的煙葉部位識別方法, 以NIR 微分光譜與原始NIR 光譜融合實現(xiàn)光譜數(shù)據(jù)增強(qiáng)，以卷積自編碼器和多層感知器實現(xiàn)在線網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)，以兩個網(wǎng)絡(luò)輸出的均方誤差為對比損失，通過損失最小優(yōu)化的編碼值識別煙葉部位信息，分類識別煙葉部位。以我國4 個產(chǎn)地的1026 個樣本的3078 條光譜數(shù)據(jù)為實驗對象，對所建立NIR-BYOL 識別模型進(jìn)行驗證。結(jié)果表明，通過該方法可以對煙葉部位進(jìn)行快速、準(zhǔn)確識別，對維護(hù)卷煙產(chǎn)品的質(zhì)量穩(wěn)定性有重要意義。

1 實驗部分

1.1 材料

共選取2018—2020 年，1026 個包含上部、中部、下部的原煙樣本，由復(fù)烤廠專業(yè)人士按《42 級煙葉分級國家標(biāo)準(zhǔn)品質(zhì)因素表》確定每個煙葉樣本部位和等級，等級包括B2F、C1F、C2F、C3F、C4F、C2L、X2F 等。每個部位的樣本數(shù)有342 個，分別來自貴州、湖北、云南、廣東4 個產(chǎn)地，煙葉樣本信息見表1。如圖1 所示，每個原煙樣本去除葉尖和葉基，將剩余部分垂直于葉脈剪切成寬為3～6 cm 的條狀葉片，葉片未破碎，隨機(jī)疊放后用手輕微壓實，以避免葉片翹曲、彎曲等；使用光譜儀自帶鹵素?zé)艄庠?，測量3 次，每次測完后取下樣品，間隔約2 min 后放回樣品再測，共3078 條光譜數(shù)據(jù)。相同ID 的光譜取平均值，共1026條平均光譜數(shù)據(jù)。

圖1 光譜采集示意圖Fig.1 Schematic diagram of spectral acquisition

表1 煙葉樣本信息Tab.1 Information of tobacco leaf sample

1.2 儀器和光譜采集

實驗用Carl Zeiss ARMOR 711 型近紅外在線光譜儀（德國卡爾蔡司股份有限公司）。

光譜掃描條件：分辨率6 nm，光譜范圍：910～2150 nm，掃描次數(shù)64 次，檢測器InGaAs 陣列，分光系統(tǒng)PDA 陣列。樣品距離：100～240 nm，測量斑點30 mm，工作溫度范圍5～65℃。

1.3 方法原理

1.3.1 微分光譜融合的數(shù)據(jù)增強(qiáng)

通過NIR 微分光譜與原NIR 光譜融合實現(xiàn)光譜數(shù)據(jù)增強(qiáng)。設(shè)第 條原始NIR 光譜為 ，分別對 求一階微分和二階微分得到一階微分光譜 ? 和二階微分光譜，經(jīng)融合得到

其中?(·)表示歸一化操作。

圖2 給出了數(shù)據(jù)增強(qiáng)前后不同部位煙葉光譜數(shù)據(jù)曲線，其中上部、中部和下部煙葉光譜數(shù)據(jù)分別用藍(lán)色、棕色和綠色所示，圖2（a）為原始光譜數(shù)據(jù)，橫坐標(biāo)為波長信息，圖2（b）和（c）表示原始光譜與微分光譜融合后的曲線，橫坐標(biāo)為波段序號。取各個部位的10 條光譜進(jìn)行展示。由圖2（a）可知，不同部位煙葉的近紅外光譜形狀幾乎一樣，只在近1200 nm 和1500 nm 附近有明顯的吸收峰，在1100 nm、1300 nm 和1650 nm 附近有肩峰，而且無法根據(jù)幅值直接區(qū)分。而在經(jīng)過一階微分光譜融合和二階微分光譜融合后，可以從圖2（b）和圖2（c）看出，融合后的光譜數(shù)據(jù)有了更多的波峰波谷信息。

圖2 NIR 光譜曲線：(a)原始光譜； (b)一階微分光譜融合結(jié)果；(c)二階微分光譜融合結(jié)果Fig.2 NIR spectrum curve: (a) Original spectrum；(b) First-order differential spectrum fusion result；(c) Second-order differential spectrum fusion result

1.3.2 NIR-BYOL

BYOL 的核心思想是通過在線網(wǎng)絡(luò)（Online 網(wǎng)絡(luò)）和目標(biāo)網(wǎng)絡(luò)（Target 網(wǎng)絡(luò)）分別提取兩個增強(qiáng)樣本的特征表示，使用均方誤差衡量兩個特征的接近程度，以均方誤差最小為對比損失，通過優(yōu)化使得BYOL 網(wǎng)絡(luò)的編碼器學(xué)習(xí)到較好的數(shù)據(jù)表達(dá)，用于下游任務(wù)。訓(xùn)練在線網(wǎng)絡(luò)在不同的增強(qiáng)視圖下去預(yù)測目標(biāo)網(wǎng)絡(luò)對相同樣本的潛在表達(dá)，同時，使用在線網(wǎng)絡(luò)的慢速移動平均線更新目標(biāo)網(wǎng)絡(luò)。通過在線網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)的交互學(xué)習(xí)，在線網(wǎng)絡(luò)中的編碼器可習(xí)得樣本關(guān)鍵的潛在表達(dá)。

煙葉類別識別的NIR-BYOL 模型結(jié)構(gòu)如圖3 所示，其中x為輸入的NIR 數(shù)據(jù)，v和v′分別表示對x光譜數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)，fθ和fξ表示編碼器，采用CNN實現(xiàn)，yθ和yξ′表示編碼輸出的編碼向量，gθ和gξ表示投影器，采用多層感知機(jī)（Multilayer Perceptron, MLP）實現(xiàn)，zθ和zξ′表示投影器輸出的投影向量，qθ表示預(yù)測器，采用MLP 實現(xiàn)，qθ(zθ)表示輸出的預(yù)測向量。fθ、gθ和qθ構(gòu)成online 網(wǎng)絡(luò)，fξ和gξ構(gòu)成target 網(wǎng)絡(luò)。需要說明的是，NIR-BYOL 模型中的光譜數(shù)據(jù)增強(qiáng)可以用微分光譜融合的方法，也可以用其他數(shù)據(jù)增強(qiáng)方法。

圖3 NIR-BYOL 模型結(jié)構(gòu)Fig.3 Structure of NIR-BYOL model

NIR-BYOL 模型的工作過程描述如下：v和v′分別輸入online 和target 網(wǎng)絡(luò)，兩個網(wǎng)絡(luò)分別輸出各自的正則化數(shù)據(jù)qˉθˉˉ(zθ)和zˉξ′，定義均方誤差：

表示二者的相似程度。

進(jìn)行分支數(shù)據(jù)交換，即輸入target 網(wǎng)絡(luò)的數(shù)據(jù)輸入到online 網(wǎng)絡(luò)，輸入online 網(wǎng)絡(luò)的數(shù)據(jù)輸入到target網(wǎng)絡(luò)，得到?θ,ξ。通過分支數(shù)據(jù)交換，使得target 網(wǎng)絡(luò)和online 網(wǎng)絡(luò)均能學(xué)習(xí)到同一個數(shù)據(jù)的兩種增強(qiáng)形式的數(shù)據(jù)。定義損失函數(shù)：

通過優(yōu)化損失函數(shù)使得編碼器學(xué)習(xí)到較好的數(shù)據(jù)表達(dá)。

BYOL 模型最初應(yīng)用于圖像領(lǐng)域，其編碼器結(jié)構(gòu)適應(yīng)的數(shù)據(jù)是圖像格式如RGB 三通道格式。Encoder編碼器結(jié)構(gòu)參考文獻(xiàn)[10]。為適應(yīng)一維的光譜數(shù)據(jù)，需要對模型進(jìn)行改進(jìn)：修改輸入層為兩通道數(shù)據(jù)結(jié)構(gòu)，例如（樣本數(shù)，特征數(shù)），并且修改二維卷積為一維卷積。為此，設(shè)計了一個14 層的卷積神經(jīng)網(wǎng)絡(luò)用于煙葉近紅外光譜的特征提取。包括1 個輸入層，2 個反卷積層，3 個卷積層，4 個激活層，4 個BatchNorm 層。其編碼器結(jié)構(gòu)如圖4 所示。

圖4 編碼器結(jié)構(gòu)Fig.4 Encoder structure

編碼器得到的編碼值輸入到分類器完成類別識別，具體過程為：用訓(xùn)練樣本的編碼值及部位標(biāo)簽對分類器進(jìn)行訓(xùn)練，測試樣本的編碼值輸入訓(xùn)練好的分類器，輸出識別的類別信息。

不同的激活函數(shù)引入的非線性結(jié)構(gòu)所有不同，NIR-BYOL 中實現(xiàn)編碼器的激活函數(shù)可以用ReLU（Rectified Linear Unit）、Tanh、Sigmoid、ELU（Exponential Linear Units）等。

1.3.3 模型評價方法

通過準(zhǔn)確率指標(biāo)對所設(shè)計的模型進(jìn)行性能評估。判別準(zhǔn)確率 可表示為：

其中，e為判別正確的樣本數(shù)， 為樣品總數(shù)。

2 結(jié)果與討論

每個樣本有唯一標(biāo)識的ID。所有實驗中，根據(jù)ID號，將1026 個樣本以8∶2 的比例劃分為訓(xùn)練樣本集和測試樣本集。實驗中采用樣本的平均光譜。SVM 的最佳參數(shù)由網(wǎng)格搜索完成，網(wǎng)格搜索中設(shè)置參數(shù)為3折交叉驗證。

2.1 數(shù)據(jù)增強(qiáng)方式對模型的影響

NIR-BYOL 模型中數(shù)據(jù)增強(qiáng)可以采用微分光譜融合的數(shù)據(jù)增強(qiáng)，即經(jīng)公式（1）和（2）得到增強(qiáng)后的數(shù)據(jù)v和v′，也可以采用VAE、AAE 數(shù)據(jù)增強(qiáng)，即分別通過VAE 和AAE，將隱層編碼得到的數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)v和v′。

不同方式的數(shù)據(jù)增強(qiáng)在增加數(shù)據(jù)差異性方面有所不同。為了探索適應(yīng)本數(shù)據(jù)集數(shù)據(jù)增強(qiáng)的最優(yōu)方式，對數(shù)據(jù)增強(qiáng)方式進(jìn)行組合實驗，以最優(yōu)實驗結(jié)果對應(yīng)的參數(shù)作為后續(xù)實驗。一階微分融合記作D1、二階微分融合記作D2。因此，組合實驗有VAE+AAE、VAE＋D1、VAE+D2、AAE+D1、AAE+D2、D1+D2 共6組實驗。實驗采集的近紅外光譜的波段從896 nm 到1690 nm，數(shù)據(jù)點有257 個。BYOL 模型默認(rèn)參數(shù)為卷積核大小3*1，激活函數(shù)ELU。不同數(shù)據(jù)增強(qiáng)的實驗結(jié)果如表2 所示。

表2 不同數(shù)據(jù)增強(qiáng)的NIR-BYOL 模型識別準(zhǔn)確率Tab.2 Recognition accuracy of NIR-BYOL model with different data enhancement

比較VAE+D1、AAE+D1、D2+D1，可以看出在同樣D1 數(shù)據(jù)增強(qiáng)下，對模型性能提升從高到底排序分別為VAE、D2、AAE；比較VAE+D2、AAE+D2、D1+D2，在D2 數(shù)據(jù)增強(qiáng)下，對模型性能提升從高到底排序分別為D1、VAE、AAE；比較D1+VAE、D2+VAE、AAE+VAE，在VAE 數(shù)據(jù)增強(qiáng)下，對模型性能提升從高到底排序分別為D1、D2、AAE；比較D1+AAE、D2+AAE、VAE+AAE，在AAE 數(shù)據(jù)增強(qiáng)下，對模型性能提升從高到底排序分別為D1、D2、VAE。同時，也可以看出在D2、VAE、AAE 數(shù)據(jù)增強(qiáng)下，D1 對模型性能提升均排名首位，說明D1 數(shù)據(jù)增強(qiáng)方法較適合本數(shù)據(jù)集。

從表2 還可看出，VAE+AAE 的數(shù)據(jù)增強(qiáng)方法所得到的上部、中部、下部準(zhǔn)確率均較低，該組別和其他增強(qiáng)組別的明顯區(qū)別在于是否有應(yīng)用D1 或D2。D1或D2 是由原光譜微分得到，其體現(xiàn)了波段之間的關(guān)聯(lián)性，其D1 光譜波形在一定程度上保留了原光譜的波形。而VAE 或AAE 是由隱層潛在特征作為光譜的數(shù)據(jù)增強(qiáng)方式，因此，有可能損失了其波形或波段間的聯(lián)系，導(dǎo)致其識別效果不明顯。除去VAE+AAE 方法，其他方法上部的取值范圍在90%～94%，中部的取值范圍在77%～83%，下部的取值范圍在87%～90%。中部的準(zhǔn)確率相對于上部和下部較低。因此，煙葉中部識別的精準(zhǔn)性是模型性能好壞的關(guān)鍵。并且也考慮到VAE 模型的復(fù)雜程度，訓(xùn)練時間等因素，在高準(zhǔn)確率的情況下，可綜合考慮模型參數(shù)。因此，選擇D1+D2 的數(shù)據(jù)增強(qiáng)方法作為后續(xù)模型的參數(shù)。

2.2 卷積核大小對模型的影響

當(dāng)卷積核函數(shù)在整個紅外光譜范圍內(nèi)移動時，卷積核函數(shù)會自動提取每個紅外光譜窗口的局部特征。對于NIR 數(shù)據(jù)，重疊特征峰和獨立特征峰的存在有可能導(dǎo)致模型結(jié)果對于卷積核大小及數(shù)目敏感，而且卷積核過小則難以提取窗口中的有效信息；卷積核過大則容易造成特征丟失。為確定最佳卷積核大小，分別討論1～16 不同大小卷積核對模型的影響，BYOL 模型的激活函數(shù)默認(rèn)為ELU。分類器使用SVM，SVM參數(shù)由網(wǎng)格搜索完成。模型的其他參數(shù)不變，僅改變卷積核大小，數(shù)據(jù)增強(qiáng)方法選擇D1+D2。不同卷積核模型的準(zhǔn)確率如表3 所示。

表3 不同卷積核大小NIR-BYOL 模型識別準(zhǔn)確率Tab.3 Recognition accuracy of the NIR-BYOL model with different convolution kernel size

從表3 的數(shù)據(jù)可以看出，隨著卷積核大小的增加，模型的平均準(zhǔn)確率逐漸增大。但是增加到一定程度，準(zhǔn)確率趨于平穩(wěn)。在卷積核為3 時，平均準(zhǔn)確率逐漸步入平穩(wěn)階段。而且從中可以看出，中部準(zhǔn)確率波動幅度比上部和下部大，其可能是因為煙葉中部的判斷標(biāo)準(zhǔn)比較寬泛，導(dǎo)致其被判別為上部或下部的概率增加?？紤]到上部和下部的準(zhǔn)確率比較平穩(wěn)，因此中部準(zhǔn)確率的高低很大程度上影響了模型的準(zhǔn)確率。此外，卷積核越大，程序運行的時間越多。綜合考慮模型性能和程序運行時間，選取卷積核為11 作為后續(xù)實驗的模型參數(shù)。

2.3 激活函數(shù)對模型的影響

在神經(jīng)網(wǎng)絡(luò)中，若不使用激活函數(shù)或者僅使用線性激活函數(shù)，神經(jīng)網(wǎng)絡(luò)的每層只是做線性變換，多層輸入疊加后也還是線性變換。為學(xué)習(xí)到數(shù)據(jù)中非線性特征，加入激活函數(shù)可使得網(wǎng)絡(luò)引入非線性因素，神經(jīng)網(wǎng)絡(luò)就可學(xué)習(xí)到曲線進(jìn)行超平面分割，提升神經(jīng)網(wǎng)絡(luò)表示能力。而常用的激活函數(shù)有ReLU（Rectified Linear Unit）、Tanh、Sigmoid、ELU（Exponential Linear Units）。不同的激活函數(shù)引入的非線性結(jié)構(gòu)均不同。為檢驗激活函數(shù)對模型的影響，分別比較4 種不同激活函數(shù)網(wǎng)絡(luò)模型預(yù)測效果。BYOL 模型參數(shù)為卷積核大小11*1。具體分析結(jié)果如表4 所示。

表4 不同激活函數(shù)NIR-BYOL 模型煙葉部位識別準(zhǔn)確率Tab.4 Recognition accuracy of NIR-BYOL model using different activation functions

由表4 可知，就準(zhǔn)確率而言，ELU 的準(zhǔn)確率最高，達(dá)到91.79%，Sigmoid 次之，達(dá)到90.34%，ReLU 和Tanh 達(dá)到90.02%和88.73%。從中可以看出，各激活函數(shù)之間的準(zhǔn)確率差距在3%以內(nèi)，差距不大。因此NIR-BYOL 模型可能對激活函數(shù)的選擇并不敏感。為此，選擇平均準(zhǔn)確率最高的ELU 作為NIR-BYOL 模型的激活函數(shù)。

2.4 模型對比

為驗證該模型的性能，與常規(guī)的分類方法進(jìn)行比較。采用相同的訓(xùn)練集和測試集，對采用高斯核的SVM、PLS-DA、PCA+SVM 和NIR-BYOL 模型分別進(jìn)行實驗。SVM 的參數(shù)是由網(wǎng)格搜索得到。PLS-DA的參數(shù)是主成分個數(shù)為8。PCA 的參數(shù)是主成分個數(shù)12。BYOL 模型參數(shù)為卷積核大小11*1，激活函數(shù)ELU。不同方法所建立的模型的分析結(jié)果如表5 所示。

表5 不同方法的結(jié)果比較Tab.5 Accuracy of different modeling methods

分析結(jié)果表明，NIR-BYOL 模型得到的準(zhǔn)確率最高，PLS-DA、SVM、PCA+SVM 模型得到準(zhǔn)確率相近。其主要原因是SVM 和PCA 因其構(gòu)造，能進(jìn)行淺層的特征學(xué)習(xí)，PCA 進(jìn)行特征提取時，僅考慮了數(shù)據(jù)的方差，忽略了數(shù)據(jù)間的聯(lián)系；PLS-DA 是在偏最小二乘（PLS, Partial least squares）分析的基礎(chǔ)上應(yīng)用分類，但是PLS 不能很好地處理非線性問題，因此識別準(zhǔn)確率受到數(shù)據(jù)高維的影響。而NIR-BYOL 模型編碼器通過構(gòu)建多層網(wǎng)絡(luò)獲得了深度結(jié)構(gòu)，從而能夠進(jìn)行深度學(xué)習(xí)，提取出更具表達(dá)能力的特征。

2.5 不同部位煙葉判別結(jié)果分析

以最佳模型參數(shù)對應(yīng)的模型進(jìn)行實驗預(yù)測，對煙葉部位判別結(jié)果如表6 所示。

表6 NIR-BYOL 模型對不同部位煙葉的詳細(xì)識別結(jié)果Tab.6 Detailed recognition accuracy of NIR-BYOL model for different tobacco parts

從表6 可以看出，NIR-BYOL 模型在測試集上的平均準(zhǔn)確率達(dá)到91.79%，對3 個部位中的每一個部位都有較高的準(zhǔn)確率，上部被預(yù)判為下部的個數(shù)為0，下部被預(yù)測為上部的個數(shù)為少量，中部有被預(yù)判為上部和下部的例子。也符合煙葉中部界定寬泛的現(xiàn)實?；诖?，該模型可以較全面地描述煙葉部位特征，有較強(qiáng)的學(xué)習(xí)和判別能力。

最佳模型NIR-BYOL 對應(yīng)的編碼器參數(shù)如表7 所示。包括1 個輸入層，2 個反卷積層，3 個卷積層，4個激活層，4 個BatchNorm 層。

表7 編碼器參數(shù)Tab.7 Parameters of encoder

3 結(jié)論

本文就基于BYOL 的近紅外光譜分類建模方法進(jìn)行了研究，利用光譜微分技術(shù)和數(shù)據(jù)融合實現(xiàn)數(shù)據(jù)增強(qiáng)，建立了NIR-BYOL 模型用于煙葉部位識別，實驗結(jié)果表明：（1）NIR-BYOL 模型可準(zhǔn)確、可靠地鑒別煙葉部位；通過訓(xùn)練BYOL 網(wǎng)絡(luò)從而獲得高質(zhì)量的編碼器，該編碼器可對煙葉光譜數(shù)據(jù)進(jìn)行高質(zhì)量的特征提??；（2）通過數(shù)據(jù)增強(qiáng)，盡可能多地添加煙葉光譜的特征從而提高關(guān)鍵性特征被提取的可能性，實驗結(jié)果表明可有效提高模型的性能。

NIR-BYOL 模型結(jié)構(gòu)其實是一個通用的基于NIR的類別識別模型，即當(dāng)輸入的原始光譜為煙葉NIR 光譜，分類器訓(xùn)練樣本標(biāo)簽為煙葉產(chǎn)地類別信息時，分類器輸出煙葉的產(chǎn)地信息；當(dāng)輸入的原始光譜為其他產(chǎn)品的NIR 光譜，分類器訓(xùn)練樣本標(biāo)簽為相應(yīng)產(chǎn)品的某種類別信息，分類器輸出相應(yīng)產(chǎn)品的對應(yīng)類別。

后續(xù)研究，將進(jìn)一步研究如何提升樣本不平衡和小樣本情況下模型的性能，實驗驗證NIR-BYOL 模型用于煙葉產(chǎn)地識別的性能和各個等級（B2F、C1F、C2F、C3F、C4F、C2L、X2F 等）樣本的識別性能，實驗驗證煙葉部位識別結(jié)果用于煙葉收購時煙葉品質(zhì)合格與否判定的效果，以及模型在其他類型產(chǎn)品品質(zhì)分析中的應(yīng)用。