Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

Johannes Anastasiadis 1 , Philipp Benzing 1 ,  and Fernando Puente León 1
  • 1 Karlsruher Institut für Technologie, Institut für Industrielle Informationstechnik, Karlsruhe, Germany
Johannes Anastasiadis
  • Corresponding author
  • 150232Karlsruher Institut für Technologie, Institut für Industrielle Informationstechnik, Karlsruhe, Germany
  • Email
  • Further information
  • Johannes Anastasiadis hat am Karlsruher Institut für Technologie (KIT) Elektro- und Informationstechnik studiert. Seit 2017 arbeitet er als wissenschaftlicher Mitarbeiter mit dem Ziel der Promotion am Institut für Industrielle Informationstechnik (IIIT) des KIT. Seine aktuelle Forschung beschäftigt sich mit künstlichen neuronalen Netzen und deren Anwendung zur Verarbeitung hyperspektraler Bilder.
  • Search for other articles:
  • degruyter.comGoogle Scholar
, Philipp Benzing
  • 150232Karlsruher Institut für Technologie, Institut für Industrielle Informationstechnik, Karlsruhe, Germany
  • Email
  • Further information
  • Philipp Benzing studiert am Karlsruher Institut für Technologie (KIT) im Masterstudiengang Mechatronik und Informationstechnik. Bis April 2018 schrieb er seine Bachelorarbeit am Institut für Industrielle Informationstechnik (IIIT) des KIT. Seit August 2018 arbeitet er als wissenschaftliche Hilfskraft am IIIT.
  • Search for other articles:
  • degruyter.comGoogle Scholar
and Fernando Puente León
  • 150232Karlsruher Institut für Technologie, Institut für Industrielle Informationstechnik, Karlsruhe, Germany
  • Email
  • Further information
  • Fernando Puente León leitet das Institut für Industrielle Informationstechnik (IIIT) am Karlsruher Institut für Technologie (KIT). Hauptarbeitsgebiete: Mess- und Automatisierungstechnik, Signalverarbeitung, automatische Sichtprüfung und Bildverarbeitung, Mustererkennung und Informationsfusion.
  • Search for other articles:
  • degruyter.comGoogle Scholar

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.

  • 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.

    • Crossref
    • Export Citation
  • 2.

    J. Anastasiadis und F. Puente León. Ortsaufgelöste spektrale Entmischung mit Hilfe von konvolutionalen neuronalen Netzen. tm – Technisches Messen, 86 (S1): 122–126, 2019. .

    • Crossref
    • Export Citation
  • 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.

    • Crossref
    • Export Citation
  • 6.

    R. N. Clark and T. L. Roush. Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications. Journal of Geophysical Research: Solid Earth, 89 (B7): 6329–6340, 1984.

    • Crossref
    • Export Citation
  • 7.

    N. Dobigeon, Y. Altmann, N. Brun and S. Moussaoui. Linear and nonlinear unmixing in hyperspectral imaging. In Data Handling in Science and Technology, Band 30, S. 185–224. Elsevier, 2016.

  • 8.

    L. Drumetz, M.-A. Veganzones, S. Henrot, R. Phlypo, J. Chanussot and C. Jutten. Blind hyperspectral unmixing using an extended linear mixing model to address spectral variability. IEEE Transactions on Image Processing, 25 (8): 3890–3905, 2016.

    • Crossref
    • Export Citation
  • 9.

    W. Fan, B. Hu, J. Miller and M. Li. Comparative study between a new nonlinear model and common linear model for analysing laboratory simulated-forest hyperspectral data. International Journal of Remote Sensing, 30 (11): 2951–2962, 2009.

    • Crossref
    • Export Citation
  • 10.

    A. Gowen, C. O’Donnell, P. Cullen, G. Downey and J. Frias. Hyperspectral imaging – an emerging process analytical tool for food quality and safety control. Trends in Food Science & Technology, 18 (12): 590–598, 2007.

    • Crossref
    • Export Citation
  • 11.

    A. Halimi, Y. Altmann, N. Dobigeon and J.-Y. Tourneret. Nonlinear unmixing of hyperspectral images using a generalized bilinear model. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4153–4162, 2011.

    • Crossref
    • Export Citation
  • 12.

    B. Hapke. Bidirectional reflectance spectroscopy: 1. Theory. Journal of Geophysical Research: Solid Earth, 86 (B4): 3039–3054, 1981.

    • Crossref
    • Export Citation
  • 13.

    D. Heinz, C.-I. Chang and M. L. Althouse. Fully constrained least-squares based linear unmixing. In IEEE 1999 International Geoscience and Remote Sensing Symposium, Band 2, S. 1401–1403. IEEE, 1999.

  • 14.

    T. Imbiriba, R. A. Borsoi and J. C. M. Bermudez. Generalized linear mixing model accounting for endmember variability. In 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), S. 1862–1866. IEEE, 2018.

    • Crossref
    • Export Citation
  • 15.

    S. Ioffe and C. Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift. CoRR, abs/1502.03167, 2015.

  • 16.

    N. Keshava and J. F. Mustard. Spectral unmixing. IEEE signal processing magazine, 19 (1): 44–57, 2002.

    • Crossref
    • Export Citation
  • 17.

    W. Krippner und F. Puente León. Bandbereichswahl und Materialanteilsschätzung mithilfe von Spektralfiltern. tm – Technisches Messen, 85 (6): 454–467, 2018.

    • Crossref
    • Export Citation
  • 18.

    W. Krippner, S. Bauer und F. Puente León. Ortsaufgelöste optische Bestimmung von Materialanteilen in Mischungen. tm – Technisches Messen, 84 (3): 207–215, 2017.

  • 19.

    W. Krippner, S. Bauer and F. Puente León. Considering spectral variability for optical material abundance estimation. tm – Technisches Messen, 85 (3): 149–158, 2018.

    • Crossref
    • Export Citation
  • 20.

    W. Krippner, J. Anastasiadis and F. Puente León. Robust iterative estimation of material abundances based on spectral filters exploiting the svd. In Algorithms, Technologies, and Applications for Multispectral and Hyperspectral Imagery XXV, Band 10986, S. 109861T. International Society for Optics and Photonics, 2019.

  • 21.

    A. Krizhevsky, I. Sutskever and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, S. 1097–1105, 2012.

  • 22.

    Y. LeCun, Y. Bengio et al. Convolutional networks for images, speech, and time series. In The handbook of brain theory and neural networks, 3361 (10): 1995, 1995.

  • 23.

    I. Meganem, P. Déliot, X. Briottet, Y. Deville and S. Hosseini. Linear–quadratic mixing model for reflectances in urban environments. IEEE Transactions on Geoscience and Remote Sensing, 52 (1): 544–558, 2013.

  • 24.

    R. B. Singer and T. B. McCord. Mars-large scale mixing of bright and dark surface materials and implications for analysis of spectral reflectance. In Lunar and Planetary Science Conference Proceedings, Band 10, S. 1835–1848, 1979.

  • 25.

    M. O. Smith, J. B. Adams and D. E. Sabol. Spectral mixture analysis-new strategies for the analysis of multispectral data. In Imaging spectrometry – a tool for environmental observations, S. 125–143. Springer, 1994.

  • 26.

    M. Wang, M. Zhao, J. Chen and S. Rahardja. Nonlinear unmixing of hyperspectral data via deep autoencoder networks. IEEE Geoscience and Remote Sensing Letters, 1–5, 2019.

  • 27.

    S. Yu, S. Jia and C. Xu. Convolutional neural networks for hyperspectral image classification. Neurocomputing, 219: 88–98, 2017.

    • Crossref
    • Export Citation
  • 28.

    X. Zhang, Y. Sun, J. Zhang, P. Wu and L. Jiao. Hyperspectral unmixing via deep convolutional neural networks. IEEE Geoscience and Remote Sensing Letters, 15 (11): 1755–1759, 2018.

    • Crossref
    • Export Citation
Purchase article
Get instant unlimited access to the article.
$42.00
Log in
Already have access? Please log in.


or
Log in with your institution

Journal + Issues

TM – Technical Measurement is a professional journal for application-based industrial measurement technology, a key component of systems for automation, process monitoring, quality control, and security. It's the official organ of the AMA (Association for Sensor Technology) and the NAMUR (Process-Industry Interest Group for Automation Technology). It also includes notifications from the GMA (VDI/VDE-Society for Measurement and Automatic Control).

Search