(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110367571.9 (22)申请日 2021.04.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113191073 A (43)申请公布日 2021.07.3 0 (73)专利权人 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 应义斌　孙志忠　胡栋　谢丽娟　 (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 林超 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 105424653 A,2016.0 3.23 CN 105510253 A,2016.04.20 CN 106770047 A,2017.0 5.31 CN 105334172 A,2016.02.17 US 2007019199 A1,2007.01.25 Xueming He. 《Least squares sup port vector mac hine regres sion combined with Monte Carl o simulati on based ob the spatial frequency domai n imaging for the detection of optical properties of pear》 . 《Postharvest Bi ology and Tec hnology》 .2018, 审查员 杨帆 (54)发明名称 一种基于BP神经网络的光学特性参数反演 方法 (57)摘要 本发明公开了一种基于BP神经网络的光学 特性参数反演方法。 本发 明包括以下步骤： 1设置 光学特性参数作为实际光学特性参数， 使用蒙特 卡洛仿真和一维零阶汉克尔变换获得对应的漫 反射值数据集； 2建立BP神经网络反演 模型， 将漫 反射值数据集输入BP神经网络反演模型进行训 练， 输出获得预测光学特性参数； 3计算预测光学 特性参数与对应的实际光学特性参数之间的误 差， 根据误差利用自适应矩估计算法逐层修改BP 神经网络反演 模型的权重和偏 置系数， 获得训练 好的BP神经网络反演模型。 与现有传统技术相 比， 本发明具有较强的非线性问题处理能力和反 演速度快的优点， 突破了辐射传输方程中约化散 射系数必须要远 远大于吸收系数的限制。 权利要求书1页 说明书5页 附图4页 CN 113191073 B 2022.08.09 CN 113191073 B 1.一种基于BP神经网络的光学 特性参数反演方法， 其特 征在于： 包括如下步骤： 1设置光学 特性参数作为实际光学 特性参数， 获得对应的漫反射 值数据集； 2建立BP神经网络反演模型， 将漫反射值数据集输入BP神经网络反演模型进行训练， 输 出获得预测光学 特性参数； 3利用自适应矩估计算法计算预测光学特性参数与对应的实际光学特性参数之间的误 差， 根据误差逐层修改BP神经网络反演模型的权重和偏置系数， 获得训练好的BP神经网络 反演模型； 4将待检测的漫反射 值输入训练好的BP神经网络反演模型， 输出 预测光学 特性参数； 所述1具体为： 1.1光学特性参数包括吸收系数μa和约化散射系数μs′， 分别设置吸收系数μa和约化散 射系数 μs′的取值范围与变化间隔； 1.2构建蒙特卡罗模型， 将光学特性参数输入蒙特卡罗模型中， 获得光学特性参数对应 的反射值； 1.3对反射值进行一维零阶汉克尔变换， 获得对应的漫反射值， 由各漫反射值组成漫反 射值数据集； 所述BP神经网络反演模型具体为一个输入层、 六个隐含层和一个输出层； 一个输入层 依次通过六个隐含层与一个输出层相连， 六个隐含层之 间依次连接， 输入层主要由5个神经 元组成， 每 个隐含层主 要由10个神经 元组成， 输出层主 要由一个或两个神经 元组成。 2.根据权利要求1所述的一种基于BP神经网络的光学特性参数反演方法， 其特征在于： 所述输出层为一个神经元时， 输出层输出吸收系数 μa或约化散射系数 μs′； 输出层为两个神 经元时， 输出层分别输出吸 收系数 μa和约化散射系数 μs′。 3.根据权利要求1所述的一种基于BP神经网络的光学特性参数反演方法， 其特征在于： 所述根据误差逐层修改BP神经网络反演模型的权重和偏置系 数， 具体为： 把误差记为第一 误差， 将第一误差求偏导后并乘上第一误差系 数后作用于与输出层相连的隐含层， 修改与 输出层相连的隐含层的原始权重和原始偏置， 获得当前隐含层的新权重和新偏置； 然后， 计 算当前隐含层的原始偏置和原始权重与新权重和新偏置之 间的误差并记为第二误差， 对第 二误差求偏导后并乘上第二误差系数后再作用于上一层隐含层， 修改上一层隐含层的原始 权重和原始偏置， 获得 上一层隐含层的新权 重和新偏置； 直至修改完所有的隐含层。 4.根据权利要求1所述的一种基于BP神经网络的光学特性参数反演方法， 其特征在于： 所述预测 光学特性参数为预测吸收系数或预测约化散射系数或预测吸收系数和预测约化 散射系数。权　利　要　求　书 1/1 页 2 CN 113191073 B 2一种基于BP神经 网络的光学 特性参数反演 方法 技术领域 [0001]本发明涉及 生物组织光学特性检测领域的一种光学特性参数反演方法， 具体涉及 了一种基于BP神经网络的光学 特性参数反演方法。 背景技术 [0002]光与生物组织相互作用时， 主要会发生吸收和散射两种现象， 而多次散射起主导 作用， 可以分别用吸收系数(absorption  coefficient, μa)和约化散射系数(reduced   scattering  coefficient, μs′)这两个光学特性参数进行描述。 吸收系数表示光子在组织 中传播单位距离后被 吸收的概率， 生物材料对光的吸收作用主要由分子中的化学键产生， 因此可以反映生物组织中的水分含量、 含糖量、 酸度等。 散射系数(scattering   coefficient, μs)表示光子在组织中传播单位距离后被散射的概率。 各向异性系数 (anisotropy  coefficient,g)在数学上被定义为散射角余弦值的数学期望， μs′由散射系 数和各向异性系数组成： μs′＝μs(1‑g)。 μs′能够反映生物组织的细胞尺寸、 细胞密度等信 息。 因为光学特性参数不仅可以反映生物组织的化学成分信息， 还能够反映物理结构信息， 所以光学特性参数可以用于医学领域疾病的监测与诊断， 也可以用于农业领域农产品品质 与安全的无损检测。 [0003]目前国内外基于漫反射进行光学特性参数反演的方法主要有： 曲线拟合法和查表 法， 图1和图2分别是两种方法的逻辑 流程图。 [0004]曲线拟合法是一种迭代方法。 该方法的思路是给定一个初始光学特性值， 将初始 值代入拟合 公式中， 得到的结果与给定的结果相对比， 如果收敛则输出该值， 如果不收敛则 重新代入到方程中一遍一遍的进 行迭代。 曲线拟合法精度高， 但是却存在 迭代次数多、 计算 量大、 耗时长的问题， 难以在实时监测中得到应用。 [0005]查表法是一种邻近方法。 首先根据辐射传输方程计算出各个 漫反射值对应的光学 特性参数值， 将漫反射值按照规律排列， 相对应的光学特性参数值也按照对应规律排列。 在 使用查表法时， 根据漫反射的值来查询对应的光学特性参数。 该方法反演光学特性的效率 和精度取决于表的精度， 表的精度过高， 查表效率会下降， 存在着查表效率和查表精度难以 协调的问题， 在实际应用中存在着局限性。 [0006]在获取漫反射图像时难免会受到系统噪声的影响， 这些噪声在系统采集漫反射图 像时存在， 在曲线拟合与查表法过程中不会有 噪声的出现， 但是因为两种拟合方法都是逐 点进行拟合， 所以无法消除噪声的影响， 只能在采集到的漫反射图像中使用相关的滤波算 法进行滤波， 尽可能去除噪声的干扰。 [0007]鉴于上述分析， 曲线拟合方法的精确度高， 但是对光学特性参数反演的效率较低， 在实时应用中收到一定的限制 。 查表法可以通过牺牲精度来达到提高效率的目的， 但是还 是存在难以协调光学 特性参数的反演效率和反演精度的问题。 [0008]在 《一种水稻叶片组织光学特性参数的反演方法和测量装置》 的专利中使用神经 网络反演光学特性参数， 但是其使用漫反射率作为输入， 而漫反射率的采集对设备要求高，说　明　书 1/5 页 3 CN 113191073 B 3