Affiliation:
1. 150232 Karlsruher Institut für Technologie , Institut für Industrielle Informationstechnik , Karlsruhe , Germany
Abstract
Zusammenfassung
In diesem Beitrag wird eine Methode vorgestellt, mit der Daten zum Training von künstlichen neuronalen Netzen für die spektrale Entmischung erzeugt werden. Dies hat den Vorteil, dass nur Spektren der beteiligten Reinstoffe und, je nach verwendetem Modell, wenige Mischspektren zur Bestimmung der Parameter an realen Daten zur Verfügung stehen müssen. Daraus können mit Hilfe von Mischmodellen, die auch direkt zur Entmischung herangezogen werden können, große Mengen an Spektren zum Trainieren erzeugt werden. Im Gegensatz zum direkten Einsatz der Mischmodelle, wo von einem Spektrum pro Reinstoff ausgegangen wird, wird hier die Spektrenvariabilität berücksichtigt, indem unterschiedliche Spektren desselben Reinstoffs genutzt werden. Dabei wird die Eigenschaft künstlicher neuronaler Netze ausgenutzt, aussagekräftige Merkmale auf Basis großer Datenmengen lernen zu können.
Subject
Electrical and Electronic Engineering,Instrumentation
Reference28 articles.
1. J. Anastasiadis und F. Puente León. Detektion von Stoffen in Lebensmitteln mit Hilfe von 3D-Faltungsautoencodern. tm – Technisches Messen, 85 (s1): 38–44, 2018.
2. J. Anastasiadis und F. Puente León. Ortsaufgelöste spektrale Entmischung mit Hilfe von konvolutionalen neuronalen Netzen. tm – Technisches Messen, 86 (S1): 122–126, 2019. 10.1515/teme-2019-0062.
3. J. Anastasiadis, W. Krippner and F. Puente León. Spatially resolved ingredient detection in spice mixes using 3D convolutional neural networks. In OCM 2019 – Optical Characterization of Materials: Conference Proceedings, S. 35. KIT Scientific Publishing, 2019.
4. S. Bauer, J. Stefan and F. Puente León. Hyperspectral image unmixing involving spatial information by extending the alternating least-squares algorithm. tm – Technisches Messen, 82 (4): 174–186, 2015.
5. C. Chen, F. Jiang, C. Yang, S. Rho, W. Shen, S. Liu and Z. Liu. Hyperspectral classification based on spectral-spatial convolutional neural networks. Engineering Applications of Artificial Intelligence, 68: 165–171, 2018.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献