基于光谱分类模型的保险杠物证无损研究
发布时间：2021-02-28 04:59
采用中红外光谱结合化学计量学的方法对车用保险杠碎片进行鉴别,分别对52个车用保险杠碎片样本的全波段光谱数据、指纹区光谱数据和主成分分析降维后的光谱数据建立Fisher判别分析和K近邻算法2种分类模型,并对分类结果进行比较。结果表明,主成分分析提取特征变量后构建的分类模型,分类的准确率更高,对聚丙烯（PP）、PP/滑石粉、PP/滑石粉/碳酸钙（CaCO3）3种类型的样本分类准确率达到92.3%,对PP/滑石粉类型中的10种品牌样本分类准确率达到88.9%,分类结果理想;在构建的2种分类模型中,Fisher判别分析模型的分类率远高于K近邻算法模型,分析认为K近邻算法模型受到样本不均衡的影响;中红外光谱结合化学计量学可以实现对车用保险杠碎片的准确区分,且满足快速、无损的检验要求。
【文章来源】：中国塑料. 2020,34(11)北大核心
【文章页数】：7 页
【图文】：
样本的FTIR谱图
在KNN分类中，运用训练样本即为测试样本的方法交互验证[15]410。KNN模型中的K值选取对分类的结果会产生重大影响。在对样品分类实际应用中，K值一般取一个比较小的数值，本实验采用交叉验证法来选择最优的K值。同样以PCA+KNN为例，如图2所示，模型分类的错误率随着K值的增加不断变化，在K=7之后错误率稳定在0.291 7,K为1时错误率最低。如图3所示，展示了提取的10个主成分在做出预测时的重要程度。可以看出，不同的变量对预测模型的贡献率不同。因此，在计算距离时应当按重要性加权特征，以便于得到更好的预测效果。如表6所示分别对全波段、指纹区和PCA提取变量后光谱数据进行分析，获得了相应的实验数据。由表可知，在PCA+KNN模型中，实现了对PP/滑石粉的全部分类，分类率达到100%，而对PP和PP/滑石粉/Ca CO3的分类准确率较低，分别为50%和37.5%，影响了总体分类准确率（82.7%）；在指纹区结合KNN分类中，对PP/滑石粉类型的分类准确率较高，为88.9%，而PP类型的分类率为50%,PP/滑石粉/Ca CO3类型的分类率为12.5%，总体分类准确率为71.2%；在全波段结合KNN分类中，对PP/滑石粉类别的分类率为97.2%，分类效果理想，而PP和PP/滑石粉/Ca CO3类型的分类率均为50%，总体分类准确率为82.7%。分析认为，KNN模型的分类率较低的原因是受到样本不均衡的影响，即有些类别的样本数量多，而其他样本的数量少时容易发生误判现象[16]。在本实验样品中，PP/滑石粉类型存在36个样本，而PP和PP/滑石粉/Ca CO3类型的样本均仅有8个，使得在预测时样本偏向于PP/滑石粉类型，从而导致误判现象。因此，实验认为相较于KNN分类模型，FDA分类模型更具有应用的普适性。在法庭科学领域，样本的数量不可能总是保持均衡状态，所以研究认为FDA分类模型更适合于车用保险杠的检验鉴定。
如表6所示分别对全波段、指纹区和PCA提取变量后光谱数据进行分析，获得了相应的实验数据。由表可知，在PCA+KNN模型中，实现了对PP/滑石粉的全部分类，分类率达到100%，而对PP和PP/滑石粉/Ca CO3的分类准确率较低，分别为50%和37.5%，影响了总体分类准确率（82.7%）；在指纹区结合KNN分类中，对PP/滑石粉类型的分类准确率较高，为88.9%，而PP类型的分类率为50%,PP/滑石粉/Ca CO3类型的分类率为12.5%，总体分类准确率为71.2%；在全波段结合KNN分类中，对PP/滑石粉类别的分类率为97.2%，分类效果理想，而PP和PP/滑石粉/Ca CO3类型的分类率均为50%，总体分类准确率为82.7%。分析认为，KNN模型的分类率较低的原因是受到样本不均衡的影响，即有些类别的样本数量多，而其他样本的数量少时容易发生误判现象[16]。在本实验样品中，PP/滑石粉类型存在36个样本，而PP和PP/滑石粉/Ca CO3类型的样本均仅有8个，使得在预测时样本偏向于PP/滑石粉类型，从而导致误判现象。因此，实验认为相较于KNN分类模型，FDA分类模型更具有应用的普适性。在法庭科学领域，样本的数量不可能总是保持均衡状态，所以研究认为FDA分类模型更适合于车用保险杠的检验鉴定。基于此，实验对PP/滑石粉类型中的10种品牌进行区分，获得了表7所示的实验数据。从表中可知，在PCA+FDA的分类模型中，对东风、福特、奇瑞、雪佛兰、别克、现代6种品牌均实现了100%的准确分类，总体分类准确率达到88.9%，实验结果较为理想。与直接进行品牌的分类相比，分类率明显提高，验证了同种品牌间由于技术革新带来的差异对分类结果的影响。在指纹区结合FDA和全波段结合FDA的分类中，总体分类准确率均为69.4%，相较于PCA+FDA分类结果较差；在KNN的分类模型中，PCA+KNN、指纹区结合KNN和全波段结合KNN的分类结果分别为47.2%、22.2%和33.3%。实验验证了PCA提取特征变量后的分类结果更佳和FDA模型优于KNN模型的分析结果。
【参考文献】：
期刊论文
[1]二阶导数红外光谱快速鉴别轮胎橡胶颗粒[J]. 何欣龙,王继芬,王飞,兰薪康,罗鑫. 中国测试. 2019(09)
[2]鞋底材料的中红外光谱可视化快速鉴别[J]. 王继芬,高春芳,徐佰祺,董泽,何欣龙. 中国塑料. 2019(08)
[3]舰船甲板油漆红外指纹图谱的无损鉴别[J]. 何欣龙,王继芬,韩育林,梁震龙,张玉龙. 兵器材料科学与工程. 2019(06)
[4]改性聚丙烯汽车保险杠的应用及发展前景[J]. 王怡明,朱娟,朱雪华,王涛,徐志斌. 广东化工. 2018(22)
[5]基于K近邻算法的塑钢窗拉曼光谱分析[J]. 何欣龙,陈利波,王继芬,桑国通. 激光与光电子学进展. 2018(05)
[6]红外光谱结合多元统计学检验汽车前保险杠[J]. 何欣龙,刘文浩,王继芬. 光散射学报. 2018(01)
[7]汽车保险杠、仪表盘及门板专用料的研制[J]. 刘喜军,贾宏革,唐万侠,胡玉洁,李青山. 齐齐哈尔大学学报. 2001(01)
[8]汽车保险杠用刚性粒子增韧聚丙烯材料的研制[J]. 孙卫健. 汽车技术. 2000(10)
本文编号：3055357
【文章来源】：中国塑料. 2020,34(11)北大核心
【文章页数】：7 页
【图文】：
样本的FTIR谱图
在KNN分类中，运用训练样本即为测试样本的方法交互验证[15]410。KNN模型中的K值选取对分类的结果会产生重大影响。在对样品分类实际应用中，K值一般取一个比较小的数值，本实验采用交叉验证法来选择最优的K值。同样以PCA+KNN为例，如图2所示，模型分类的错误率随着K值的增加不断变化，在K=7之后错误率稳定在0.291 7,K为1时错误率最低。如图3所示，展示了提取的10个主成分在做出预测时的重要程度。可以看出，不同的变量对预测模型的贡献率不同。因此，在计算距离时应当按重要性加权特征，以便于得到更好的预测效果。如表6所示分别对全波段、指纹区和PCA提取变量后光谱数据进行分析，获得了相应的实验数据。由表可知，在PCA+KNN模型中，实现了对PP/滑石粉的全部分类，分类率达到100%，而对PP和PP/滑石粉/Ca CO3的分类准确率较低，分别为50%和37.5%，影响了总体分类准确率（82.7%）；在指纹区结合KNN分类中，对PP/滑石粉类型的分类准确率较高，为88.9%，而PP类型的分类率为50%,PP/滑石粉/Ca CO3类型的分类率为12.5%，总体分类准确率为71.2%；在全波段结合KNN分类中，对PP/滑石粉类别的分类率为97.2%，分类效果理想，而PP和PP/滑石粉/Ca CO3类型的分类率均为50%，总体分类准确率为82.7%。分析认为，KNN模型的分类率较低的原因是受到样本不均衡的影响，即有些类别的样本数量多，而其他样本的数量少时容易发生误判现象[16]。在本实验样品中，PP/滑石粉类型存在36个样本，而PP和PP/滑石粉/Ca CO3类型的样本均仅有8个，使得在预测时样本偏向于PP/滑石粉类型，从而导致误判现象。因此，实验认为相较于KNN分类模型，FDA分类模型更具有应用的普适性。在法庭科学领域，样本的数量不可能总是保持均衡状态，所以研究认为FDA分类模型更适合于车用保险杠的检验鉴定。
如表6所示分别对全波段、指纹区和PCA提取变量后光谱数据进行分析，获得了相应的实验数据。由表可知，在PCA+KNN模型中，实现了对PP/滑石粉的全部分类，分类率达到100%，而对PP和PP/滑石粉/Ca CO3的分类准确率较低，分别为50%和37.5%，影响了总体分类准确率（82.7%）；在指纹区结合KNN分类中，对PP/滑石粉类型的分类准确率较高，为88.9%，而PP类型的分类率为50%,PP/滑石粉/Ca CO3类型的分类率为12.5%，总体分类准确率为71.2%；在全波段结合KNN分类中，对PP/滑石粉类别的分类率为97.2%，分类效果理想，而PP和PP/滑石粉/Ca CO3类型的分类率均为50%，总体分类准确率为82.7%。分析认为，KNN模型的分类率较低的原因是受到样本不均衡的影响，即有些类别的样本数量多，而其他样本的数量少时容易发生误判现象[16]。在本实验样品中，PP/滑石粉类型存在36个样本，而PP和PP/滑石粉/Ca CO3类型的样本均仅有8个，使得在预测时样本偏向于PP/滑石粉类型，从而导致误判现象。因此，实验认为相较于KNN分类模型，FDA分类模型更具有应用的普适性。在法庭科学领域，样本的数量不可能总是保持均衡状态，所以研究认为FDA分类模型更适合于车用保险杠的检验鉴定。基于此，实验对PP/滑石粉类型中的10种品牌进行区分，获得了表7所示的实验数据。从表中可知，在PCA+FDA的分类模型中，对东风、福特、奇瑞、雪佛兰、别克、现代6种品牌均实现了100%的准确分类，总体分类准确率达到88.9%，实验结果较为理想。与直接进行品牌的分类相比，分类率明显提高，验证了同种品牌间由于技术革新带来的差异对分类结果的影响。在指纹区结合FDA和全波段结合FDA的分类中，总体分类准确率均为69.4%，相较于PCA+FDA分类结果较差；在KNN的分类模型中，PCA+KNN、指纹区结合KNN和全波段结合KNN的分类结果分别为47.2%、22.2%和33.3%。实验验证了PCA提取特征变量后的分类结果更佳和FDA模型优于KNN模型的分析结果。
【参考文献】：
期刊论文
[1]二阶导数红外光谱快速鉴别轮胎橡胶颗粒[J]. 何欣龙,王继芬,王飞,兰薪康,罗鑫. 中国测试. 2019(09)
[2]鞋底材料的中红外光谱可视化快速鉴别[J]. 王继芬,高春芳,徐佰祺,董泽,何欣龙. 中国塑料. 2019(08)
[3]舰船甲板油漆红外指纹图谱的无损鉴别[J]. 何欣龙,王继芬,韩育林,梁震龙,张玉龙. 兵器材料科学与工程. 2019(06)
[4]改性聚丙烯汽车保险杠的应用及发展前景[J]. 王怡明,朱娟,朱雪华,王涛,徐志斌. 广东化工. 2018(22)
[5]基于K近邻算法的塑钢窗拉曼光谱分析[J]. 何欣龙,陈利波,王继芬,桑国通. 激光与光电子学进展. 2018(05)
[6]红外光谱结合多元统计学检验汽车前保险杠[J]. 何欣龙,刘文浩,王继芬. 光散射学报. 2018(01)
[7]汽车保险杠、仪表盘及门板专用料的研制[J]. 刘喜军,贾宏革,唐万侠,胡玉洁,李青山. 齐齐哈尔大学学报. 2001(01)
[8]汽车保险杠用刚性粒子增韧聚丙烯材料的研制[J]. 孙卫健. 汽车技术. 2000(10)
本文编号：3055357
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3055357.html
