基于近红外光谱图像的定性定量分析方法、系统及介质

技术领域

本发明涉及近红外光谱图像分析领域，尤其涉及一种基于近红外光谱图像的定性定量分析方法、一种基于近红外光谱图像的定性定量分析系统，以及一种计算机可读存储介质。

背景技术

近红外光是一种介于可见光和红外光之间的电磁波。有机分子中含氢基团化学键(X-H)伸缩振动的倍频和合频吸收区位于近红外光谱区，通过选择适当的化学计量学方法，可以将样品的近红外光谱区的吸收光谱与其理化性质建立对应的定性或定量描述。

现有的图像分析技术可以对近红外光谱图像本身进行直接的全波长分析，自动提取近红外光谱图像梯度信息，有利于简化近红外分析建模过程。因此，图像分析技术可以助力近红外光谱分析技术的智能化。然而，化学计量学应用需要较为谨慎的选择算法、调试参数等，且建立分析模型的过程依赖人工经验。针对当前近红外光谱分析领域，尚无一种相对简便、实用的图像定性定量分析技术。

为克服现有技术所存在的上述缺陷，本发明提供了一种基于近红外光谱图像的定性定量分析技术，能广泛应用于农业、食品、石油化工等行业，并利用深度残差网络极强的提取特征能力，通过使用回归和分类算法自动提取并展示近红外光谱内部各区域的图形特征，从而建立一个准确便利的定性定量预测模型，以克服目前依赖人工经验对近红外光谱进行波长选择和预处理的缺陷，并提升近红外光谱分析的智能化水平。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。

为克服现有技术所存在的上述缺陷，本发明提供了一种基于近红外光谱图像的定性定量分析方法、一种基于近红外光谱图像的定性定量分析系统，以及一种计算机可读存储介质，能广泛应用于农业、食品、石油化工等行业，并利用深度残差网络极强的提取特征能力，通过使用回归和分类算法自动提取并展示近红外光谱内部各区域的图形特征，从而建立一个准确便利的定性定量预测模型，以克服目前依赖人工经验对近红外光谱进行波长选择和预处理的缺陷，并提升近红外光谱分析的智能化水平。

具体来说，根据本发明的第一方面提供的上述基于近红外光谱图像的定性定量分析方法包括以下步骤：获取待测样品的近红外光谱图像；然后将所述近红外光谱图像输入预先训练的深度残差网络模型的多个残差单元，经由所述多个残差单元对所述近红外光谱图像进行定性定量分析，以确定所述待测样品的理化性质。

优选地，在本发明的一实施例中，所述获取待测样品的近红外光谱图像的步骤包括：经由近红外光谱仪，获取所述待测样品的近红外光谱数据；以及根据所述近红外光谱数据，确定所述待测样品的近红外光谱图像。

优选地，在本发明的一实施例中，所述将所述近红外光谱图像输入预先训练的深度残差网络模型的多个残差单元的步骤包括：利用边缘检测算子高斯平滑处理和微分求导运算，将所述近红外光谱图像的像素亮度转换为图像特征描述，以筛除所述近红外光谱图像中的无效信息；利用局部差运算寻找边缘，以提升所述近红外光谱图像中的有效信息；以及将经过所述边缘检测算子高斯平滑处理、所述微分求导运算以及所述局部差运算的近红外光谱图像，输入所述深度残差网络模型的多个残差单元。

优选地，在本发明的一实施例中，所述深度残差网络模型中包括卷积层、最大池化层、所述多个残差单元及分类模型，所述将所述近红外光谱图像输入预先训练的深度残差网络模型的多个残差单元，经由所述多个残差单元对所述近红外光谱图像进行定性定量分析，以确定所述待测样品的理化性质的步骤包括：将输入的近红外光谱图像依次输入经过预先训练的卷积层及最大池化层，进行卷积操作及池化操作，以获得符合所述多个残差单元的输入维度的中间特征；将所述中间特征输入经过预先训练的多个残差单元，经由所述多个残差单元进行定性分析，以获得对应的输出张量；以及将所述输出张量输入经过预先训练的分类模型，经由所述分类模型进行基于预设分类标签的分类映射，以确定对应的定性分类结果。

优选地，在本发明的一实施例中，所述深度残差网络模型采用非线性激活ReLU函数，将所述近红外光谱图像输入预先训练的深度残差网络模型的多个残差单元，经由所述多个残差单元对所述近红外光谱图像进行定性定量分析，以确定所述待测样品的理化性质的步骤还包括：将所述输出张量输入所述非线性激活ReLU函数进行定量运算，以确定指示所述待测样品的理化性质的理化预测值。

优选地，在本发明的一实施例中，训练所述深度残差网络模型的步骤包括：获取多个样本的近红外光谱图像，并试验确定各所述样本的理化性质；根据多个所述样本的近红外光谱图像及其对应的理化性质，构建训练集；构建至少包括多个残差单元的深度残差网络模型；以及根据所述训练集中各所述样本的近红外光谱图像及理化性质，修正所述多个残差单元的学习参数，以训练所述深度残差网络模型。

优选地，在本发明的一实施例中，所述根据多个所述样本的近红外光谱图像及其对应的理化性质，构建训练集的步骤包括：根据多个所述样本的近红外光谱图像及其对应的理化性质，构建校正集和/或测试集；以及响应于所述训练集中的样本数量小于预设的数量阈值，在所述训练集中选取第一样本，并在近红外光谱范围内从所述校正集中寻找与所述第一样本的理化性质的分类标签相同的第二样本，再根据所述第一样本与所述第二样本之间的欧氏距离寻找距离最近的多个相似样本，并根据所述多个相似样本生成多个虚拟样本，以扩充所述训练集的样本数量。

优选地，在本发明的一实施例中，所述深度残差网络模型中还包括卷积层、最大池化层及分类模型，所述根据所述训练集中各所述样本的近红外光谱图像及理化性质，修正所述多个残差单元的学习参数，以训练所述深度残差网络模型的步骤包括：将输入的近红外光谱图像依次输入所述卷积层、所述最大池化层、所述多个残差单元及所述分类模型，以获得多个预设的分类标签的输出概率；以及根据所述输出概率与所述近红外光谱图像对应的理化性质的实际分类标签的偏差，修正所述卷积层、所述最大池化层、所述多个残差单元及所述分类模型的学习参数，以训练所述深度残差网络模型的定性分析功能。

优选地，在本发明的一实施例中，所述深度残差网络模型采用非线性激活ReLU函数，所述根据所述训练集中各所述样本的近红外光谱图像及理化性质，修正所述多个残差单元的学习参数，以训练所述深度残差网络模型的步骤包括：将输入的近红外光谱图像依次输入所述卷积层、所述最大池化层、所述多个残差单元及所述非线性激活ReLU函数，以获得理化性质输出值；以及根据所述理化性质输出值与所述近红外光谱图像对应的理化性质真实值的偏差，修正所述卷积层、所述最大池化层及所述多个残差单元的学习参数，以训练所述深度残差网络模型的定量分析功能。

此外，根据本发明的第二方面提供的上述基于近红外光谱图像的定性定量分析系统包括存储器及处理器。所述存储器上存储有计算机指令。所述处理器连接所述存储器，并被配置用于执行所述存储器上存储的计算机指令，以实施上述任意一个实施例所提供的基于近红外光谱图像的定性定量分析方法。

此外，根据本发明的第三方面提供的上述计算机可读存储介质上存储有计算机指令。所述计算机指令被处理器执行时，实施上述任意一个实施例所提供的基于近红外光谱图像的定性定量分析方法。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了根据本发明的一些实施例提供的训练深度残差网络模型的流程示意图。

图2示出了根据本发明的一些实施例提供的待测样品的原始光谱图像。

图3示出了根据本发明的一些实施例提供的经过处理与运算后的待测样品的近红外光谱图像。

图4A～图4C示出了根据本发明的一些实施例提供的深度残差网络模型的定性分析功能示意图。

图5示出了根据本发明的一些实施例提供的基于近红外光谱图像的定性定量分析方法的流程示意图。

图6示出了根据本发明的一些实施例提供的近红外光谱图像对应的理化性质真实值与理化性质输出值的回归图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。

能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。

如上所述，现有的图像分析技术可以对近红外光谱图像本身进行直接的全波长分析，自动提取近红外光谱图像梯度信息，有利于简化近红外分析建模过程，因而可以助力近红外光谱分析技术的智能化。然而，化学计量学应用需要较为谨慎的选择算法、调试参数等，且建立分析模型的过程依赖人工经验。针对当前近红外光谱分析领域，尚无一种相对简便、实用的图像定性定量分析技术。

为克服现有技术所存在的上述缺陷，本发明提供了一种基于近红外光谱图像的定性定量方法，能广泛应用于农业、食品、石油化工等行业，并利用深度残差网络极强的提取特征能力，通过使用回归和分类算法自动提取并展示近红外光谱内部各区域的图形特征，从而建立一个准确便利的定性定量预测模型，以克服目前依赖人工经验对近红外光谱进行波长选择和预处理的缺陷，并提升近红外光谱分析的智能化水平。

在一些非限制性的实施例中，本发明的第一方面提供的上述基于近红外光谱图像的定性定量分析方法可以经由本发明的第二方面提供的上述基于近红外光谱图像的定性定量分析系统来实施。具体来说，该定性定量分析系统中可以配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接该存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面所提供的基于近红外光谱图像的定性定量方法。

进一步地，在一些实施例中，本发明的第一方面提供的上述基于近红外光谱图像的定性定量分析方法，可以分为线下训练阶段和线上分析阶段的两部分来实施。

以下将首先结合一些训练深度残差网络模型的方法的实施例来描述上述定性定量分析系统的工作原理。本领域的技术人员可以理解，这些训练深度残差网络模型的方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该定性定量分析系统的全部功能或全部工作方式。同样地，该定性定量分析系统也只是本发明提供的一种非限制性的实施方式，不对这些训练深度残差网络模型的方法中各步骤的执行主体和执行顺序构成限制。

请结合参考图1～图3。图1示出了根据本发明的一些实施例提供的训练深度残差网络模型的流程示意图。图2示出了根据本发明的一些实施例提供的待测样品的原始光谱图像。图3示出了根据本发明的一些实施例提供的经过处理与运算后的待测样品的近红外光谱图像。

如图1所示，在本发明提供的上述基于近红外光谱图像的定性定量分析方法的线下训练阶段，定性定量分析系统首先获取多个样本的近红外光谱图像，并试验确定各样本的理化性质。

在一些实施例中，定性定量分析系统可以首先经由近红外光谱仪，获取样品的近红外光谱数据，再如图2所示的根据近红外光谱数据绘制样品的近红外的原始光谱图像。进一步地，定性定量分析系统还可以优选地对近红外光谱图像进行预处理，利用边缘检测算子对原始光谱图像进行高斯平滑处理和微分求导运算，将图像的像素亮度转换为图像特征描述，从而筛选原始光谱图像中的无效信息。此外，定性定量分析系统还可以利用局部差运算寻找边缘，以获得如图3所示的处理后的图像，从而显著增加原始光谱图像的有效信息。

可选地，在另一些实施例中，在经由近红外光谱仪获取样本的近红外光谱数据之后，定性定量分析系统还可以直接从近红外光谱仪的配套软件获取其输出的近红外光谱图像，或者使用具有摄像、摄影、扫描等图像记录功能的设备来采集样品的近红外的原始光谱图像，其具体的获取方式在此不做限定。

请继续参考图1，在获取到多个样本的近红外光谱图像之后，定性定量分析系统可以根据该多个样本的近红外光谱图像及其对应的理化性质，构建训练集。在此，该理化性质包括但不限于样本的产地、密度、组分、混合比例、硫含量等物理和/或化学性质。

在一些实施例中，技术人员可以随机打乱获取的多个样本，并按照5：3：2的预设比例，将上述多个样本划分进训练集、校正集和测试集。该训练集及校正集中的样本用于建立深度残差网络模型，而该测试集中的样本用于检验该深度残差网络模型预测的准确度。

进一步地，在一些实施例中，如果训练集的样本数量不足，技术人员还可以通过生成虚拟样本生成技术来扩充训练集。具体来说，虚拟样本生成技术可以基于定性分析方法及定量分析方法来分别进行。

在定性分析方法中，响应于训练集中的样本数量小于预设的数量阈值，技术人员可以首先在训练集中选取第一样本，并在近红外光谱范围内从校正集中寻找与第一样本的理化性质的分类标签相同的第二样本，再根据第一样本与第二样本之间的欧氏距离寻找距离最近的3个相似样本。之后，技术人员可以在该多个相似样本中任意选取1个、2个、3个或更多样本，按照以下公式(1)生成100个虚拟样本：

其中，M表示生成的虚拟样本的近红外光谱数据串，X

然后，技术人员可以在该3个相似样本和训练集里具有相同定性标签的其余样本中，各自随机选取1个样本，再按照上述公式(1)生成100个虚拟样本，以使训练集扩充到210个样本。

此外，在定量分析方法中，响应于训练集中的样本数量小于预设的数量阈值，技术人员可以如上所述地在训练集中选取第一样本，并在近红外光谱范围内从校正集中寻找与第一样本的理化性质的分类标签相同的第二样本，再根据第一样本与第二样本之间的欧氏距离寻找距离最近的3个相似样本。之后，技术人员可以在该多个相似样本中任意选取1个、2个、3个或更多样本，按照上述公式(1)生成300个虚拟样本，再根据以下公式(2)生成虚拟样本的密度值：

其中，N

如此，本发明可以总计共生成600个虚拟样本，并使训练集扩充到650个样本，以满足建立深度残差网络模型的需求。

请继续参考图1，在基于多个样本和/或虚拟样本构建训练集之后，技术人员可以构建并训练至少包括多个残差单元的深度残差网络模型。在此，深度残差网络中包括多个残差单元，能够实现输入到输出的任意的非线性映射，因而具有极强的提取特征能力。

具体请参考图4A～图4C，图4A～图4C示出了根据本发明的一些实施例提供的深度残差网络模型的定性分析功能示意图。

如图4A～图4C所示，构建并训练深度残差网络模型的过程可以分为定性分类功能与定量运算功能两部分来进行。在此，深度残差网络模型中进一步包括卷积层、最大池化层及分类模型。

如图4A～图4C所示，在构建深度残差网络模型的过程中，技术人员可以依次构建一个7*7卷积核并带有64通道数的卷积层conv1、一个3*3卷积核的最大池化层(maxpool)、一个1*1卷积核并带有64通道数的卷积层conv2、一个3*3卷积核并带有64通道数的卷积层conv3、一个1*1卷积核并带有256通道数的卷积层conv4、一个1*1卷积核并带有256通道数的第一残差单元、一个1*1卷积核并带有128通道数的卷积层conv5、一个3*3卷积核并带有128通道数的卷积层conv6、一个1*1卷积核并带有512通道数的卷积层conv7、一个1*1卷积核并带有512通道数的第二残差模块、一个1*1卷积核并带有256通道数的卷积层conv8、一个3*3卷积核并带有256通道数的卷积层conv9、一个1*1卷积核并带有1024通道数的卷积层conv10、一个1*1卷积核并带有1024通道数的第三残差单元、一个1*1卷积核并带有256通道数的卷积层conv11、一个3*3卷积核并带有256通道数的卷积层conv12、一个1*1卷积核并带有1024通道数的卷积层conv13、一个1*1卷积核并带有1024通道数的第四残差单元、一个1*1卷积核并带有256通道数的卷积层conv14、一个3*3卷积核并带有256通道数的卷积层conv15、一个1*1卷积核并带有1024通道数的卷积层conv16、一个1*1卷积核并带有1024通道数的第五残差单元、一个1*1卷积核并带有512通道数的卷积层conv17、一个3*3卷积核并带有512通道数的卷积层conv18、一个1*1卷积核并带有2048通道数的卷积层conv19、一个1*1卷积核并带有2048通道数的第六残差单元、一个1*1卷积核并带有512通道数的卷积层conv20、一个3*3卷积核并带有512通道数的卷积层conv21、一个1*1卷积核并带有2048通道数的卷积层conv22、一个1*1卷积核并带有2048通道数的第七残差单元，以及一个分类模型。在此，该分类模型可以由全连接层和归一化指数函数(SoftMax)组成。

之后，如图4A所示，在训练深度残差网络模型的定性分类功能的过程中，技术人员可以首先将训练集中各样本的3*224*244大小的近红外光谱图像依次导入模型的输入层，经过卷积层conv1的卷积操作后输出64*112*112的张量，再经过最大池化层(maxpool)的池化操作，以输出64*56*56的张量。之后，该64*56*56的张量将在依次经过卷积层conv2～conv4的卷积操作后，被输入第一残差单元进行特征提取，以输出256*56*56的张量。再之后，该256*56*56的张量将被依次输入卷积层conv5～conv7进行卷积操作，再被输入第二残差单元进行特征提取，以输出512*28*28的张量。再之后，该512*28*28的张量将被依次输入卷积层conv8～conv10进行卷积操作，再被输入第三残差单元进行特征提取，以输出512*28*28的张量。

之后，如图4B所示，该512*28*28的张量可以被依次输入卷积层conv11～conv13进行卷积操作，再被输入第四残差单元进行特征提取，以输出1024*14*14的张量。该1024*14*14的张量可以被依次输入卷积层conv14～conv16进行卷积操作，再被输入第五残差单元进行特征提取，以输出1024*14*14的张量。再之后，该1024*14*14的张量可以被依次输入卷积层conv17～conv19进行卷积操作，再被输入第六残差单元进行特征提取，以输出2048*7*7的张量。该2048*7*7的张量可以被依次输入卷积层conv20～conv22进行卷积操作，再被输入第七残差单元进行特征提取，以输出2048*7*7的张量。

之后，如图4C所示，该2048*7*7的张量将被输入到分类模型中，由该分类模型基于预设分类标签进行分类映射，输出各分类标签的概率值，以指示最后得出的分类结果。

如此，定性定量分析系统即可根据前述训练集中各样本的实际理化性质，对各卷积层conv1～conv22、最大池化层层、各残差单元和/或分类模型的学习参数进行修正，以训练深度残差网络模型的定性分析功能。

此外，在训练深度残差网络模型的定量运算功能的过程中，技术人员可以如上所述地将前述训练集中各样本的近红外光谱图像依次输入各卷积层conv1～conv22、最大池化层、多个残差单元及非线性激活ReLU函数，获得其对应的理化性质输出值，再根据该理化性质输出值与近红外光谱图像对应的理化性质真实值的偏差，修正各卷积层conv1～conv22、、最大池化层及多个残差单元的学习参数，以训练深度残差网络模型的定量分析功能。

进一步地，技术人员还可以使用测试集中的样本，对训练获得的深度残差网络模型的定性定量分析功能进行检验。具体来说，定性分析功能中的定性指标包括准确率、召回率和精确率。该准确率根据以下公式(3)计算，该召回率可以根据以下公式(4)计算，而该精确率可以根据以下公式(5)计算。由于精确率和召回率指标本身具有矛盾，因此本发明进一步引入F分数作为精确率和召回率的一种调和平均，其中，F1和F2分数可以根据公式(6)、(7)作为参考。定量分析功能中的定量指标可以根据公式(8)求出预测标准偏差Rmsep以及决定系数R

表1 常见模式评价术语

其中，m为校正集光谱数量，y

如此，在训练获得深度残差网络模型之后，定性定量分析系统即可基于该深度残差网络模型执行线上分析阶段的步骤，对待测样品的近红外光谱图像进行定性定量分析，以确定其理化性质。

以下将结合一些线上分析方法的实施例来描述上述定性定量分析系统的工作原理。本领域的技术人员可以理解，这些线上分析方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该定性定量分析系统的全部功能或全部工作方式。同样地，该定性定量分析系统也只是本发明提供的一种非限制性的实施方式，不对这些线上分析方法中各步骤的执行主体和执行顺序构成限制。

请结合参考图2～图5，图5示出了根据本发明的一些实施例提供的基于近红外光谱图像的定性定量分析方法的流程示意图。

如图2及图5所示，在基于预先训练的深度残差网络模型进行线上分析的过程中，定性定量分析系统可以首先需获取待测样品的近红外光谱图像。

具体来说，定性定量分析系统经由近红外光谱仪获取待测样品的近红外光谱数据，再根据近红外光谱数据确定待测样品的近红外光谱图像。在一些非限制性的实施例中，定性定量分析系统可以经由近红外光谱仪配套软件的输出直接获取近红外光谱图像，或者依据近红外光谱仪配套软件输出的近红外光谱数据串绘制光谱图像，或者使用具有摄像、摄影、扫描等图像记录功能的设备获取近红外光谱仪得出的光谱图像，其具体获取方式在此不做限定。

进一步地，在获取待测样品的原始近红外光谱图像之后，定性定量分析系统还可以优选地对该原始光谱图像进行预处理。具体来说，定性定量分析系统可以利用边缘检测算子高斯平滑处理和微分求导运算，将近红外光谱图像的像素亮度转换为图像特征描述，以筛除近红外光谱图像中的无效信息。之后，定性定量分析系统还可以利用局部差运算寻找边缘，如图3所示的预处理能够提升近红外光谱图像中的有效信息。

之后，如图5所示，定性定量分析系统可以将经过上述预处理或未经过上述预处理的近红外光谱图像输入预先训练的深度残差网络模型的多个残差单元，经由该多个残差单元对该近红外光谱图像进行定性定量分析，以确定待测样品的理化性质。

具体来说，如图4A～图4C所示，该深度残差网络模型包括卷积层、最大池化层、多个残差单元及分类模型。在对近红外光谱图像进行定性分类的过程中，定性定量分析系统可以首先将3*224*244大小的近红外光谱图像导入模型的输入层，经过卷积层conv1的卷积操作后输出64*112*112的张量，再经过最大池化层(maxpool)的池化操作，以输出64*56*56的张量。之后，该64*56*56的张量将在依次经过卷积层conv2～conv4的卷积操作后，被输入第一残差单元进行特征提取，以输出256*56*56的张量。再之后，该256*56*56的张量将被依次输入卷积层conv5～conv7进行卷积操作，再被输入第二残差单元进行特征提取，以输出512*28*28的张量。再之后，该512*28*28的张量将被依次输入卷积层conv8～conv10进行卷积操作，再被输入第三残差单元进行特征提取，以输出512*28*28的张量。

之后，如图4B所示，该512*28*28的张量可以被依次输入卷积层conv11～conv13进行卷积操作，再被输入第四残差单元进行特征提取，以输出1024*14*14的张量。该1024*14*14的张量可以被依次输入卷积层conv14～conv16进行卷积操作，再被输入第五残差单元进行特征提取，以输出1024*14*14的张量。再之后，该1024*14*14的张量可以被依次输入卷积层conv17～conv19进行卷积操作，再被输入第六残差单元进行特征提取，以输出2048*7*7的张量。该2048*7*7的张量可以被依次输入卷积层conv20～conv22进行卷积操作，再被输入第七残差单元进行特征提取，以输出2048*7*7的张量。

之后，如图4C所示，该2048*7*7的张量将被输入到分类模型中，由该分类模型基于预设分类标签进行分类映射，输出各分类标签的概率值，以指示最后得出的分类结果。

此外，在对近红外光谱图像进行定量运算的过程中，定性定量分析系统可以如上所述地将3*224*244大小的近红外光谱图像导入模型的输入层，使其依次经过各卷积层conv1～conv22、最大池化层和各残差单元的处理后，获得2048*7*7的张量。之后，定性定量分析系统可以将该2048*7*7的张量输入非线性激活ReLU函数中，基于待测样本的理化性质值进行定量运算，以确定指示该待测样品的理化性质的理化预测值。该理化预测值与待测样本的理化性质真实值如图6所示，能够准确反映待测样本真实的理化性质。

以下为一具体的非限制性的优选实施例，据此对本发明提出的基于近红外光谱图像的定性定量分析系统进行进一步展开说明。

在本实施例中，基于近红外光谱图像的定性定量分析系统采用一批航煤样品作为试验对象。在进行定性定量分析的过程中，定性定量分析系统可以首先获取24个航煤样品并记录每个样品对应的生产产地。之后，定性定量分析系统可以经过近红外光谱仪获取24个样本的光谱数据串，其数据点数为2074。再之后，定性定量分析系统可以设定定性分类标签，其他产地源的定性分类标签为1，华东地区某炼厂的定性分类标签为2。然后，定性定量分析系统可以将待测样品光谱与定性分类标签进行对应。

之后，定性定量分析系统可以根据近红外光谱仪获取光谱数据串，绘制样本的原始光谱图像，对原始光谱图像进行预处理，再将经过预处理的近红外光谱图像输入预先训练的深度残差网络模型进行定性定量分析，以确定其理化性质。定性定量分析的具体过程已在上述实施例中进行介绍，在此不再赘述，其得出的分类结果如表2所示。

表2图像分类指标表

从上述定性指标可以看出，该定性定量分析方法经测试集验证后，分类准确率在88％。这说明该模型能够具有较高准度查找出航煤样品的生产产地，而分类召回率100％说明该模型避免了出现“假阴性”的分类结果，能够建立一个高效的定性模型。

以下为另一具体的非限制性的优选实施例，据此对本发明提出的基于近红外光谱图像的定性定量分析系统进行更为细致地展开说明。

在本实施例中，基于近红外光谱图像的定性定量分析系统采用华东某地区航煤样品作为试验对象。在进行定性定量分析的过程中，定性定量分析系统可以首先获取50个航煤样品并记录对应的密度值，并经过近红外光谱仪获取50个样本的光谱数据串，其数据点数为2074。之后，定性定量分析系统可以将待测样品光谱与实验室分析报告的密度值进行对应。

之后，定性定量分析系统可以根据近红外光谱仪获取光谱数据串，绘制样本的原始光谱图像，并将该原始光谱图像输入预先训练的深度残差网络模型进行定性定量分析，以确定其理化性质。定性定量分析的具体过程已在上述实施例中进行介绍，在此不再赘述，其输出的理化性质真实值与理化性质输出值如表3所示。

表3 测试集预测结果图

如表3所示，测试集数据的标准差为2.855，而本模型的测试集集检验的预测标准偏差Rmsep为1.467，决定系数R

综上，本发明提供的基于近红外光谱图像的定性定量分析方法首先保证了模型的可靠性、准确性和便利性。与传统的化学计量学应用相比较，本发明节约了预处理时间，降低了对技术人员的要求和建模的复杂度，并改变了传统预测方法需要对全光谱进行筛选波长。控制人员只需输入图片即可在线生成报告。其次，该定量定性分析方法检测数据准确，并且充分利用光谱中所含的大量信息建立网络模型，消除由于设备原因导致测量的基线不一致而产生的误差，能够非线性预测，因而具有适应性强、容错性好等优点。同时，导入数据库的参考样本的增多也有助于提高在线分析的准确率。最后，本发明提供的该定量定性分析方法开创了目前近红外光谱分析工作中缺失的图像定性定量分析技术，实现了计算机视觉技术在近红外光谱领域的应用，助力近红外光谱分析技术朝着更加广泛、准确、便利的方向发展和应用。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。