本方案屬于太赫茲,具體涉及一種基于光譜數據的太赫茲超材料分類方法及裝置。
背景技術:
1、應用太赫茲光譜技術,可以利用太赫茲脈沖在被測樣品的表面發生反射或者透射,分別測得通過被測樣品前后的參考信號和測量信號;通過快速傅里葉變換(fastfourier?transform,fft)將采集到的時域的參考信號和測量信號變換到頻域,得到兩個頻域光譜;通過對頻域光譜進行處理分析,可以提取出被測樣品的折射率、消光系數和吸收系數等光學參數。并且,還可以根據相關數據獲取被測樣品的諧振頻率及其他相關參數。上述被測樣品可以為太赫茲超材料。
2、現有技術基于太赫茲光譜數據對太赫茲超材料進行分類,大多采用先對時域信號進行截取后,再映射到頻域進行數據分析,然后通過提取的正負峰進行偏移量計算。通過對批量樣本進行統計后,根據統計數據進行觀察分析,得出分類結果。
3、但上述過程中,時域反射峰去除會丟失時域信號的部分有用信息,對頻域光譜進行數據分析會造成分辨率下降。現有太赫茲光譜原始數據受吸收峰影響,容易出現雙正峰、正負峰疊加的復雜波形。因此,現有技術需要人工設置多種特征進行提取,分多環節進行對比分類,步驟繁瑣,精度受各個過程的微小誤差影響,效果比較差,不能充分利用原始數據的細節信息再人工設定數據特征進行提取、數據增強和分類。綜上,現有技術對龐大的光譜數據量無法提取有效數據特征并進行準確分類。
技術實現思路
1、本方案旨在克服現有技術中的至少一種缺陷,提供一種基于光譜數據的太赫茲超材料分類方法及裝置,用于解決如何提高基于光譜數據的太赫茲超材料分類的精度的問題。
2、為了解決上述技術問題,采取下述技術方案:
3、第一方面,本方案提供一種基于光譜數據的太赫茲超材料分類方法,包括:
4、獲取待檢測太赫茲超材料的太赫茲光譜數據;
5、將所述太赫茲光譜數據轉換為二維矩陣;
6、將所述二維矩陣輸入分類模型,獲取所述待檢測太赫茲超材料的類型。
7、可選地,所述將所述太赫茲光譜數據轉換為二維矩陣,包括:
8、基于所述太赫茲光譜數據中各頻率的目標參數的范圍,將所述各頻率的目標參數映射為k位灰度值;
9、基于所述灰度值,生成所述二維矩陣;所述二維矩陣的行數與列數的乘積大于或等于所述太赫茲光譜數據中頻率的數量。
10、可選地,所述基于所述灰度值,生成所述二維矩陣,包括:
11、基于所述太赫茲光譜數據中頻率的數量,確定所述二維矩陣的行數和列數;
12、將所述k位灰度值按照行號增加和列號增加的順序填入所述二維矩陣中。
13、可選地,所述基于所述太赫茲光譜數據中各頻率的目標參數的范圍,將所述各頻率的目標參數映射為k位灰度值,包括:
14、獲取所述太赫茲光譜數據中各頻率的目標參數的最大值和最小值;
15、基于所述各頻率的目標參數的最大值和最小值,對所述各頻率的目標參數進行歸一化處理;
16、將歸一化處理后的所述各頻率的目標參數,映射為k位灰度值。
17、可選地,所述基于所述太赫茲光譜數據中頻率的數量,確定所述二維矩陣的行數和列數,包括:
18、獲取乘積大于或等于所述太赫茲光譜數據中頻率的數量的最小的兩個正整數,作為所述二維矩陣的行數和列數。
19、可選地,所述將所述二維矩陣輸入分類模型,獲取所述待檢測太赫茲超材料的類型,包括:
20、將所述二維矩陣輸入分類模型,獲取所述分類模型輸出的待檢測太赫茲超材料的類型以及所述二維矩陣中最大灰度值和最小灰度值對應的坐標;
21、其中,所述分類模型是以將樣本太赫茲超材料的太赫茲光譜數據轉換后得到的二維的樣本矩陣為樣本數據,以所述樣本太赫茲超材料的類型和所述樣本矩陣中最大灰度值和最小灰度值對應的坐標作為樣本數據對應的標簽進行訓練后得到的;每一類型的樣本數據的數量為多個。
22、第二方面,本方案提供一種基于光譜數據的太赫茲超材料分類裝置,包括:
23、獲取模塊,用于獲取待檢測太赫茲超材料的太赫茲光譜數據;
24、轉換模塊,用于將所述太赫茲光譜數據轉換為二維矩陣;
25、分類模塊,用于將所述二維矩陣輸入分類模型,獲取所述待檢測太赫茲超材料的類型。
26、第三方面,本方案還提供一種電子設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,所述處理器執行所述程序時實現如上述任一種所述基于光譜數據的太赫茲超材料分類方法。
27、本方案還提供一種非暫態計算機可讀存儲介質,其上存儲有計算機程序,該計算機程序被處理器執行時實現如上述任一種所述基于光譜數據的太赫茲超材料分類方法。
28、本方案還提供一種計算機程序產品,包括計算機程序,所述計算機程序被處理器執行時實現如上述任一種所述基于光譜數據的太赫茲超材料分類方法。
29、本方案與現有技術相比較有如下有益效果:通過將一維復雜光譜數據轉換為二維的矩陣數據,然后通過基于成熟的圖像分類識別算法的分類模型處理二維矩陣,能實現端到端高效快速的分類識別,能獲得更準確的分類結果,能提高基于光譜數據的太赫茲超材料分類的精度。進一步地,借助工程化成熟的面向圖像的深度卷積神經網絡,訓練后的分類模型可以方便快捷部署到各種主流芯片進行正向推理,可靠穩定,應用范圍廣,有可行的快速工程化思路,并且精度效果極佳。
1.一種基于光譜數據的太赫茲超材料分類方法,其特征在于,包括:
2.根據權利要求1所述的基于光譜數據的太赫茲超材料分類方法,其特征在于,所述將所述太赫茲光譜數據轉換為二維矩陣,包括:
3.根據權利要求2所述的基于光譜數據的太赫茲超材料分類方法,其特征在于,所述基于所述灰度值,生成所述二維矩陣,包括:
4.根據權利要求2所述的基于光譜數據的太赫茲超材料分類方法,其特征在于,所述基于所述太赫茲光譜數據中各頻率的目標參數的范圍,將所述各頻率的目標參數映射為k位灰度值,包括:
5.根據權利要求3所述的基于光譜數據的太赫茲超材料分類方法,其特征在于,所述基于所述太赫茲光譜數據中頻率的數量,確定所述二維矩陣的行數和列數,包括:
6.根據權利要求1至5任一項所述的基于光譜數據的太赫茲超材料分類方法,其特征在于,所述將所述二維矩陣輸入分類模型,獲取所述待檢測太赫茲超材料的類型,包括:
7.一種基于光譜數據的太赫茲超材料分類裝置,其特征在于,包括:
8.一種電子設備,包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序,其特征在于,所述處理器執行所述程序時實現如權利要求1至6任一項所述基于光譜數據的太赫茲超材料分類方法。
9.一種非暫態計算機可讀存儲介質,其上存儲有計算機程序,其特征在于,所述計算機程序被處理器執行時實現如權利要求1至6任一項所述基于光譜數據的太赫茲超材料分類方法。
10.一種計算機程序產品,包括計算機程序,其特征在于,所述計算機程序被處理器執行時實現如權利要求1至6任一項所述基于光譜數據的太赫茲超材料分類方法。