(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210225211.X (22)申请日 2022.03.09 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 厉小润　黎金辉　陈淑涵　王晶　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) G06V 10/58(2022.01) G06T 5/00(2006.01)G06T 7/80(2017.01) G06T 9/00(2006.01) (54)发明名称 一种基于对比学习光谱特征提取的金属材 质识别方法 (57)摘要 本发明提供一种基于对比学习光谱特征提 取的金属材质识别方法， 属于材质分析领域。 方 法包括： 采集不同种金属材质的高光谱 图像， 标 注金属类别， 得到金属高光谱数据样本集； 辐射 定标， 去除高光像元； 对预处理后的样本进行光 谱聚类处理， 以分离出被测金属像元； 基于对比 学习提取被测金属像元的高光谱 数据特征； 利用 得到的不同种金属材质的高光谱数据特征训练 多分类器模型， 识别金属材质。 本发明针对高光 谱数据采集过程存在的畸变失真问题， 使用了辐 射定标和去高光算法； 针对待测金属形状不规则 的问题， 使用了光谱聚类算法分离出待测金属的 像元， 设计了结合自编码器的对比学习提取特征 用于进一 步分类， 实现了金属材质高精度识别。 权利要求书2页 说明书7页 附图2页 CN 114638987 A 2022.06.17 CN 114638987 A 1.一种基于对比学习光谱特 征提取的金属材质识别方法， 其特 征在于， 包括以下步骤： 步骤1， 采集不同种金属材质的高光谱图像， 并对每一张高光谱图像标注所属金属类 别， 得到金属高光谱数据样本集； 步骤2， 对金属高光谱数据样本集中的原始高光谱数据进行辐射定标， 去除高光像元； 对预处理后的样本进行光谱聚类处 理， 以分离出被测金属像元； 步骤3： 基于对比学习提取被测金属像元的高光谱数据最终特 征； 步骤4： 利用步骤3得到的不同种金属材质的高光谱数据最终特征训练多分类器模型； 利用训练好的多分类 器模型识别金属材质。 2.根据权利要求1所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 所述的高光像元判断方法为： 对高光谱数据进行归一化： 对于高光谱数据中的每一个像元， x是其中某个波段的幅 值， 对其做mi n‑max标准化， 使得其幅值范围为[0,1]： 由于每一个像元包含若干波段数， 每一个波段均有一个波段幅值x， 将所有波段幅值的 最大值记为max， 最小值记为min， 通过上式对每一个波段幅值x进行归一化处理， 将归一化 后的结果记为 对于归一化后的每一个像元进行筛选， 遍历其L个波段幅值， 统计其中幅值为1的波段 数量n， 若n>0.2*L， 则判定该像元为高光像元， 将其删除。 3.根据权利要求1所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 对预处 理后的样本进行光谱聚类处 理时， 具体为： 2.1)输入高光谱图像的N个非高光像元gi,i＝1,2, …,N， 每个像元gi为包含L个波段的L 维向量， 定义聚类个数为2； 计算每个像元的聚类特征， 所述的聚类特征选自光谱反射率、 光 谱二值编码、 光谱导数、 光谱积分、 空间位置信息中的任意一种或多种的组合， 将聚类特征 组合作为像元gi的特征向量； 2.2)将高光谱图像均匀划分成2块， 并选取每块的重心为初 始化聚类中心cp,p＝1,2， 其 坐标为 初始化像元类别标签为 ‑1， 初始化像元到其聚类中心的距离为无穷大； 2.3)计算每个像元gi到聚类中心的距离Di， 聚类度量距离选 自相关系 数、 光谱角距离、 光谱信息 散度、 欧式距离的任意 一种； 若第t次迭代计算的距离Dit小于第t‑1次迭代计算的距离Dit‑1， 则将该像元的距离更新 为最小的距离， 并将像元gi的类别更新 为该聚类中心的类别； 2.4)遍历所有像元后， 重新计算新聚类中心cp， 所述的cp为所有类别为p的像元 的平均 光谱， 继续返回步骤3)迭代完成聚类； 最后得到的聚类中心即为被测金属像元的平均光谱， 将每个高光谱数据中的金属像元与背景像元区分开 来。 4.根据权利要求3所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 所述的步骤3具体为： 3.1)将预处 理后的样本中的金属像元的平均光谱数据进行 数据增强： 将每一个样本中的金属像元的平均光谱分别作为对抗自编码器AAE和变分编码器VAE权　利　要　求　书 1/2 页 2 CN 114638987 A 2的输入， 由对抗自编码器A AE输出第一编码向量v， 由变分编码器V AE输出第二编码向量v ′； 3.2)结合对抗自编码器AAE和变分编码器VAE构 建对比学习模型， 所述的对比学习模型 由上分支在 线网络和下分支目标网络构成， 所述的上分支在 线网络包括对抗自编码 器AAE、 映射层和预测层， 下分支目标网络包括变分编码器V AE、 映射层； 在上分支在线网络中， 由对抗自编码器AAE输出的第 一编码向量v经过映射层映射后得 到第一映射特征z， 再经预测层得到预测结果qθ(z)； 在下分支在线网络中， 由变分编码器 VAE输出的第二编码向量v ′经过映射层映射后得到第二映射特 征z′； 对qθ(z)和z′进行L2正则 化， 根据L2正则 化损失函数结果对上分支在线网络进行更新， 完成对对比学习模型的训练； 3.3)将训练好的对比学习模型生成的第一映射特征z作为被测金属像元的高光谱数据 最终特征。 5.根据权利要求4所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 所述的对抗自编码器A AE和变分编码器V AE采用自编码网络结构。 6.根据权利要求1所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 训练多分类器模型时， 将预处理后的样本对应的高光谱数据特征组合划分为训练集和 测试集， 利用训练集对多分类器模型进行训练， 当使用测试集验证训练好后的多分类器模 型的评价指标满足要求后， 停止训练。 7.根据权利要求6所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 所述的多分类 器模型采用支持向量机 。 8.根据权利要求1所述的基于对比学习光谱特征提取的金属材质识别方法， 其特征在 于， 利用训练好的多分类器模型识别金属材质时， 首先通过步骤2 ‑3的方法获得待测金属的 高光谱数据最终特 征， 再利用多分类 器模型预测金属类别。权　利　要　求　书 2/2 页 3 CN 114638987 A 3