“动态”近红外光谱结合深度学习图像识别和迁移学习的模式识别方法研究

发布时间：2021-12-10 14:21

　　该文以山羊绒与山羊绒/羊毛混纺织物以及纯棉与丝光棉织物为研究对象,使用其"动态"光谱,扩大类间的光谱差异信息,通过融合其同步和异步二维相关光谱,用多张动态光谱构造一张能反映细节化学差异信息的"化学图像"。使用GoogLeNet深度神经网络图像识别模型结合迁移学习,建立了一种光谱分类的新方法。收集了234个织物样品,制备水含量分别为0、5.4%、11.2%和16.3%的样本,同时采集样品的漫反射近红外光谱。使用干基样品的多种预处理光谱,利用线性分类方法簇类独立软模式识别（SIMCA）和非线性方法支持向量机（SVM）,共建立了16个分类模型。其中,山羊绒与山羊绒/羊毛混纺织物的SIMCA和SVM最优预测正确率分别为63.33%和70.09%,纯棉与丝光棉织物的分别为71.02%和72.51%,均不能实现有效分类。新方法对山羊绒与山羊绒/羊毛混纺织物的预测正确率为92.59%,纯棉与丝光棉织物的为94.74%,获得了有效分类。该文首次将图像分类方法用于光谱分类识别,开辟了一种新的研究途径。针对实际应用能收集到的样品属于小样本,不能满足深度学习需要大数据样本的问题,使用迁移学习方法使深度学习框... 

【文章来源】：分析测试学报. 2020,39(10)北大核心CSCD

【文章页数】：7 页

【部分图文】：

GoogLeNet网络架构和迁移学习示意图

山羊绒和羊毛纤维在组成上高度相近,均由蛋白质和脂类等组成。图2A显示了所有烘干山羊绒、山羊绒/羊毛混纺织物的近红外光谱。不同样品之间的光谱基线严重漂移,主要原因包括:样品质地差异引起的光散射效应不同,颜色差异引起的吸收不同。对图2A进行二阶导数处理,有效消除了基线漂移,且光谱特征峰表观分辨率获得明显改善(图2B)。可以看出,一方面山羊绒织物与山羊绒/羊毛混纺织物的近红外光谱含有丰富的组成信息,另一方面,这两种织物的近红外光谱很相近。纯棉和丝光棉织物的情况也类似,主要组成均为天然纤维素,其烘干样品的近红外光谱及二阶导数光谱如图3A和图3B所示。图3 烘干纯棉和丝光棉织物样品的原始近红外光谱(A)及二阶导数光谱(B)

图2 烘干山羊绒和山羊绒/羊毛混纺织物样品的原始近红外光谱(A)及二阶导数光谱(B)表1 山羊绒-山羊绒/羊毛混纺织物SIMCA 模型的统计指标Table 1 The statistics of SIMCA models for cashmere and cashmere/wool blend textiles respectively using the raw spectra and the pretreated spectra by different pretreating methods Preprocessing Number of latent variables Accuracy/% Cashmere Blend Cashmere Blend Raw(原始光谱) 4 7 46.19 36.67 MSC(多元散射校正) 7 5 50.71 56.67 1st derivative 5 6 55.71 60.00 2nd derivative 5 9 60.48 63.33

【参考文献】：
期刊论文
[1]近五年我国近红外光谱分析技术研究与应用进展[J]. 褚小立,史云颖,陈瀑,李敬岩,许育鹏.  分析测试学报. 2019(05)
[2]毛粘产品定量分析影响因子的研究[J]. 朱华,石红,王宗吉.  印染助剂. 2011(07)
[3]近红外分析中光谱预处理及波长选择方法进展与应用[J]. 褚小立,袁洪福,陆婉珍.  化学进展. 2004(04)



本文编号：3532791