利用进化式频带选择进行深度光谱特征学习，以监测塑料垃圾的环境影响

《IEEE Access》：Deep Spectral Feature Learning With Evolutionary Band Selection for Environmental Monitoring of Plastic Debris

　　

摘要：

塑料垃圾在陆地和水生环境中的扩散给全球生态和监测带来了重大挑战。高光谱成像（HSI）能够提供精细的光谱特征，从而可靠地识别塑料类型；然而，其高维度特性导致了数据冗余、计算负担增加以及易受“休斯现象”（Hughes phenomenon）的影响。为了解决这些问题，本研究提出了一个两阶段框架，该框架结合了Superb Fairy-Wren Optimization（SFWO）算法进行波段选择，以及针对特定波段的池化光谱卷积神经网络（BSPS-CNN）进行分类。在第一阶段，SFWO作为一种基于包装器的元启发式方法，通过优化结合信噪比、方差和波段间相关性的适应度函数来选择信息丰富且无冗余的波段子集。在第二阶段，BSPS-CNN利用多尺度一维卷积、串联和特定波段的全局平均池化技术，从简化后的高光谱数据中提取具有区分性的光谱特征。该框架在提高塑料垃圾分类准确性的同时，显著降低了输入数据的维度和计算成本。在高光谱塑料垃圾数据集上的实验表明，所提出的方法在准确性、效率和鲁棒性方面均优于现有的波段选择和深度学习方法。