CN111982855A - 一种通过光谱信号进行物质识别的方法及其应用 - Google Patents
一种通过光谱信号进行物质识别的方法及其应用 Download PDFInfo
- Publication number
- CN111982855A CN111982855A CN202010806905.3A CN202010806905A CN111982855A CN 111982855 A CN111982855 A CN 111982855A CN 202010806905 A CN202010806905 A CN 202010806905A CN 111982855 A CN111982855 A CN 111982855A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- signal
- signals
- wavelet
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000000126 substance Substances 0.000 title claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims description 34
- 238000009499 grossing Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 3
- 229930091371 Fructose Natural products 0.000 description 3
- 239000005715 Fructose Substances 0.000 description 3
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 229920002472 Starch Polymers 0.000 description 3
- 229930006000 Sucrose Natural products 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 239000008101 lactose Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 239000008107 starch Substances 0.000 description 3
- 235000019698 starch Nutrition 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 239000005720 sucrose Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- OWEGMIWEEQEYGQ-UHFFFAOYSA-N 100676-05-9 Natural products OC1C(O)C(O)C(CO)OC1OCC1C(O)C(O)C(O)C(OC2C(OC(O)C(O)C2O)CO)O1 OWEGMIWEEQEYGQ-UHFFFAOYSA-N 0.000 description 2
- GUBGYTABKSRVRQ-PICCSMPSSA-N Maltose Natural products O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@@H](CO)OC(O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-PICCSMPSSA-N 0.000 description 2
- 244000286916 Ratibida columnifera Species 0.000 description 2
- 235000009413 Ratibida columnifera Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- GUBGYTABKSRVRQ-QUYVBRFLSA-N beta-maltose Chemical compound OC[C@H]1O[C@H](O[C@H]2[C@H](O)[C@@H](O)[C@H](O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@@H]1O GUBGYTABKSRVRQ-QUYVBRFLSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种通过光谱信号进行物质识别的方法及其应用，所述方法包括将待测物质的光谱信号图转换为小波系数图，其后通过卷积神经网络模型对所得小波系数图进行分类的过程。本发明不易受到外部环境波动及物质分子结构改变的制约，不过分依赖待测物质的成分以及含量等信息，无需对光谱信号进行复杂的预处理，不易受到弱峰和重叠峰的影响，特别适合太赫兹光谱识别的应用，并可推广至其它谱图的识别中。
Description
技术领域
本发明涉及光谱物质识别的技术领域。
背景技术
传统的太赫兹光谱物质识别方法主要依靠寻找物质在太赫兹波段范围内的不同光谱表现出的不同特征峰来进行特定物质的识别。相对于红外光谱、X射线衍射以及拉曼光谱而言，太赫兹光谱更容易受到外部环境波动及分子结构改变的制约，峰值特性所对应的结构信息的确定性更低，且其局部特征不突出，容易造成人为的分类误差，特别是一些混合物在太赫兹波段内没有明显的特征吸收峰或其频谱存在峰重叠的情况下。
发明内容
本发明的目的在于提供一种新型的通过光谱进行物质识别的方法，其不易受到外部环境波动及物质分子结构改变的制约，不过分依赖待测物质的成分以及含量等信息，无需对光谱信号进行复杂的预处理，不易受到弱峰和重叠峰的影响，特别适合太赫兹光谱识别的应用，并可推广至其它谱图的识别中。
本发明首先提供了如下的技术方案：
一种通过光谱信号进行物质识别的方法，其包括：
获得被测物质的多组光谱信号；
基于所述多组光谱信号，获得其小波系数图；
基于所述小波系数图，通过训练后的卷积神经网络模型进行物质分类。
在一些具体实施方式中，所述小波系数图通过取得所述多组光谱信号在进行连续小波变换时产生的模的极大值实现。
在一些具体实施方式中，所述连续小波变换中使用的母小波函数为：
其中，ω为小波函数中心角频率。
在一些具体实施方式中，所述小波变换的尺寸因子为7-9，优选为8。
在一些具体实施方式中，所述小波变换的平移因子为谱图包含的点个数，并在连续变换中以0.1的步长递增。
在一些具体实施方式中，所述多组光谱信号为多组原始光谱信号经预处理后获得，所述预处理包括数据平滑处理。
在一些具体实施方式中，所述数据平滑处理使用非对称最小二乘法。
在一些具体实施方式中，所述数据平滑处理包括：
设置所述原始多组光谱信号的平滑参数和初始权重；
通过差分法获得所述原始多组光谱信号的二阶导数；
根据所述二阶导数，获得该二阶导数曲线中峰点和谷点的坐标数据；
根据所述峰点和谷点的坐标数据，获得两个对称峰之间的移动窗口；
通过所述移动窗口的扩展，获得由原始多组光谱信号组成的原始谱图中的谱峰的分布区域；
设置所述谱峰处的光谱信号的权重系数为零，得到新的权重数组，并对剩余信号的权重进行更新；
根据剩余信号的权重获得平滑器，所述平滑器与原始多组光谱信号相乘即完成所述平滑处理。
在一些具体实施方式中，所述扩展的范围为：dj＝3μ×di，μ∈(0,2]，其中di表示所述移动窗口，μ表示di的扩展系数。
在一些具体实施方式中，所述平滑器为：M＝(Wy+λDTD)-1Wy，其中λ表示平滑参数，D表示平滑信号的二阶矩阵导数，Wy表示除去所述谱峰信号外的其他全部信号的权重矩阵。
在一些具体实施方式中，所述卷积神经网络模型包括3个卷积层、3个最大池化层、2个全连接层和1个Softmax回归层，并使用ReLU函数作为激活函数。
优选的，所述模型还设置有局部响应归一化层。
在一些具体实施方式中，所述卷积层依次包括64个3×3的卷积核、32个3×3的卷积核和16个3×3的卷积核。
优选的，所述卷积的步长为1。
优选的，所述最大池化层使用的滤波器尺寸为2×2。
优选的，所述最大池化的步长为2。
优选的，所述全连接层每层含有64个神经元。
在一些具体实施方式中，对所述被测物质先进行材料预处理，再进行光谱信号采集，其中，所述材料预处理包括将所述被测物质制备为1～2mm的样品片，所述光谱信号的采集包括通过光谱仪对所述样品片进行去除背景信号后的样品信号的采集，每完成一次采集后，调整所述样品片的位置获得另一次样品信号采集。
优选的，所述样品片的制备包括：通过电子分析天平称取适量的纯物质或混合物质样品后，将其倒入玛瑙研钵中粉碎磨细并充分搅拌均匀，并将搅拌均匀后的样品加入压片模具上，放入千斤顶中，用10MPa左右的压力，保持压片时间为30s，将样品压成厚度约1mm～2mm左右的、直径为7mm的样品片。
本发明还提供了如下的一些应用方法：
将该识别方法应用于太赫兹光谱识别中。
将该识别方法应用于纯物质和/或混合物的识别中。
进一步的，将该物质的识别应用于糖类物质的识别中。
本发明具备以下有益效果：。
本发明将传统方法中对吸收峰的识别转化成对小波系数图的识别，避免受到外部环境波动及分子结构改变的制约，不过分依赖待测样品的成分以及含量等信息，无需对光谱信号进行复杂的预处理，不易受到弱峰和重叠峰的影响。
相对于传统的脊线识别法，本发明显著提升了对弱峰的识别能力。
本发明充分利用了小波系数图的“指纹”谱特性，及卷积神经网络对人类的视觉系统的模拟性，对太赫兹光谱图像进行层次化的抽象处理，能得到准确率高的分类结果，该方法可以推广运用到不同的谱图物质的识别中。
在对多种纯物质及混合物的识别的实施例中，本发明的分类准确率达到97.62％
附图说明
图1为本发明的识别方法的流程示意图。
图2为本发明实施例1所述样品的太赫兹光谱原始信号图。
图3为本发明实施例1所述平滑后信号图。
图4为本发明实施例1所述变换后的小波系数图。
图5为本发明实施例1所述卷积神经网络结构示意图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
通过如附图1所示的流程进行物质分析，其过程具体包括：
S1材料预处理。
用电子分析天平称取适量的纯物质或混合物质样品后，将其倒入玛瑙研钵中粉碎磨细并充分搅拌均匀，并将搅拌均匀后的样品加入压片模具上，放入千斤顶中，用10MPa左右的压力，保持压片时间为30s，将样品压成厚度约1mm～2mm左右的、直径为7mm的样品片。
S2太赫兹光谱信号采集。
采用太赫兹时域光谱仪采集样品片的太赫兹光谱信号。
具体实施时，可在干燥环境下分步测量背景信号和样品信号。
当背景信号的光谱曲线平滑，没有明显的吸收峰时，保存其信号曲线。
调用出上述保存好的背景信号曲线后，再进行样品的光谱测定，获得样品的信号曲线。
每完成一次样品信号测定后，稍微调整样品的位置，再进行测定，以获得样品的多个光谱信号曲线。
S3：对采集的样品光谱信号进行数据处理。
其可进一步包括：
S31：对光谱信号进行数据平滑处理
具体的，可通过非对称最小二乘法进行数据平滑，如：
S310：在处理器中导入通过均匀采样获得的样品待分析太赫兹光谱信号y，设置平滑参数λ(＞0)及初始化权重ω0。
S311：通过差分法计算出光谱信号y的二阶导数yd。
S312：获得二阶导数yd曲线中的峰点和谷点位置；具体为，二阶导数yd的值为0的点即为峰点或谷点，将其对应的坐标值找出并分别存储至两个不同的数组中。
S313：根据峰点和谷点的坐标值确定yd曲线的基区。
具体为，将存储的两个数组的坐标值按照峰-谷-峰的顺序在同一坐标系中进行排列和连接，所得的连接图中，两个对称峰之间的部分即为所述基区，其间距为di。
S314：根据所得基区di，获得原始光谱信号图谱中谱峰的分布区域dj。
具体为，以所得基区的间距di为基础单位在原始光谱信号图中向两侧扩展，扩展一定范围后，得到原始光谱信号图中谱峰的分布区域，具体的扩展范围可为：
dj＝3μ×di，μ∈(0,2]，其中μ表示dj扩展系数。
S314：根据谱峰的分布区域dj，调整权重参数，获得新的权重矩阵W’。
具体为：将分布区域dj内的每个谱峰的权重系数置零，得到新的权重数组，其组合为新的权重矩阵W’。
S315：根据新的权重矩阵W’，获得平滑器M。
具体为：
首先获得剩余信号权重矩阵Wy，如下：
Wy＝W'-W，其中W＝diag(ω')是以ω'为对角元素的对角阵，ω'为0-1二元元素构成的新权重数组。Wy表示除去谱峰信号外的其他全部信号的权重矩阵，即剩余信号的权重矩阵。
根据剩余信号的权重矩阵，获得平滑器M，如下：
M＝(Wy+λDTD)-1Wy，
其中，λ表示平滑参数，用于平衡平滑信号的保真度和平滑性，D表示平滑信号的二阶矩阵导数。
S316：根据平滑器，获得平滑后的信号f。
具体为：将平滑器M与原始光谱信号y相乘，即输出平滑结果f：
f＝(Wy+100DTD)-1Wyy。
S32：根据平滑处理后的光谱信号，获得其小波系数图。
具体可包括：
S321：
设定母小波
的尺度因子的范围，如设定为[0,40]，其后平移母小波与平滑处理后的光谱信号f做内积，进行连续小波变换。
其中，可选择如下的Mexican-hat函数作为小波母函数：
其中，ω为小波函数中心角频率。
则连续小波变换的二维频率-频率表达式为：
其中，
ω*＝ωα，且α表示尺度因子，ω*表示小波母函数中心角频率,ω为小波函数中心角频率，ν*表示小波母函数的中心频率，ν表示小波函数的中心频率，τ为平移因子，
为小波母函数。x表示平滑后的光谱信号f在其坐标系下的横坐标值，f可表示为f(x)，(v,τ)为f(x)在尺度α下位置τ处的系数。
在上述过程中，进行变换的平滑后的光谱信号f是频率-吸收系数的离散数据组，在一次循环中输入所有数据组，可得到一组小波变换系数。
S322：
将经连续小波变换获得的小波系数的模的极大值输出为该太赫兹光谱信号的小波系数图。
S4：通过卷积神经网络对小波系数图进行分类。
具体的，使用所得小波系数图中的随机选取样本{X,Yp}作为卷积神经网络的训练集先对其进行训练，其中Xp表示待输入的图像，Yp表示待输入图像实际类别。
在训练完成后，再用该神经网络对输入的未分类小波系数图进行分类。
其中，所用卷积神经网络的结构可设置为：共包含9层，其中包括3个卷积层、3个池化层、2个全连接层，以及1个Softmax回归层。使用ReLU函数作为激活函数。
其中，第k个卷积层用m个n通道的h×w的卷积核对N通道的H×W的图像进行步幅为1的卷积，经最大池化(Max Pooling)进行步幅为2的降采样后，可得到的n通道的
的图像，将其作为第k+1层卷积层的输入，全部卷积完成后得到的输出结果作为全连接层的输入。最后通过Softmax组成的回归层，可获得输入卷积神经网络的图片属于某类别的概率。
其中，在第i个卷积核进行卷积运算获得新一层的特征图的过程如下：
其中，ωx，y，zi表示特征Xx,y,z的权重，b表示其偏置量，f(.)为激活函数ReLU，其计算式具体如下：
fx,y,z＝max{0,Xx,y,z}。
所述最大池化采用滑动窗口分割图像，在每个滑窗内取最大值作为输出。
如每次取3×3滤波器尺寸进行最大池化，设置步长为2，则最大池化过程可表示如下：
对神经网络隐藏层的输出可进一步进行局部响应归一化操作(LRN操作)，增强模型的泛化能力,其过程为：
其中，Gh″，w″表示卷积层后的输出结果，N表示通道数，k表示偏移量，α、β、n表示系数。
全连接层再将网络中每一层的每一个结点都与相邻网络层的每一个结点相连，综合前面提取到的特征，其过程如下：
Yi＝g(i)·Wi+bi
其中，g(i)为经过第i个卷积核提取的特征，Wi为的权重系数，bi为偏置量。
最后经过Softmax回归层进行分类，将输出转变为概率分布。即，将卷积完成后的输出Yi经Softmax回归层处理后转换为：
其中，经Softmax转换后的输出的总和为1，其中一个单元值的增加就表示其他单元值的减小，因此达到了依据相似度分类的目的。
实施例1
通过以下过程进行不同糖类的识别：
材料预处理：
使用电子分析天平分别称取约适量的纯净物果糖、乳糖、葡萄糖、淀粉、蔗糖粉末，以及按质量比为1：1均匀混合的麦芽糖与聚乙烯的混合物，将其分别倒入玛瑙研钵中粉碎磨细并充分搅拌均匀，并将混合均匀的样品加入压片模具上，放入千斤顶中，用10MPa左右的压力，保持压片时间为30s，压成厚度约1mm～2mm左右的、直径为14mm左右的6个样品片。
太赫兹光谱数据的采集
在干燥环境下分步测量背景和样品。首先测量背景，当背景光谱曲线平滑，没有明显的吸收峰时，保存背景。调用上述保存好的背景后，接着分别测定果糖、乳糖、葡萄糖、麦芽糖混合物、淀粉、蔗糖这六种样品的光谱曲线，每次采集光谱后稍微调整这六种样品的位置，每个样品分别调整20次，共采集到20组吸收光谱数据。
数据处理：
在处理器中导入采集到的共120张光谱数据y，如附图2所示。
设置平滑参数λ＝100，初始化权重ω0＝[1,1，...1]N,其中，N表示光谱数据点个数。
用差分法计算y的二阶导数yd,得到所有峰点和谷点对应的位置，并分别存储到m和w数组中。
将数组m和w连接起来，根据峰-谷-峰规则确定二阶导数谱两个对称峰的间距di，并将di向两边扩展，得到原始光谱谱峰的分布区域dj：
dj＝3μ×di，μ∈(0,2]
将各个dj对应的权重因子ω置零，得到由随机生成的新权重ω′组成的权重数组W'，ω′为0-1二元元素构成。
W＝diag(ω')是以ω'为对角元素的对角阵，表示剩余信号，则Wy表示扣除光谱谱峰的剩余信号，计算如下：
Wy＝W'-W
将Wy带入平滑器M，M的表达式如下：
M＝(Wy+λDTD)-1Wy
其中，D为使用拉普拉斯算子定义的y的微分算子的二阶差分矩阵。
最终将M与待测信号y相乘，输出平滑结果f：
f＝(Wy+100DTD)-1Wyy
平滑后的数据如附图3所示。
其后，设定Mexican-hat函数作为小波母函数，如下：
设定其尺度因子α为8，小波母函数的中心频率ν*为1，则ν＝ν*/a＝1/8。
平移母小波
与平滑后的光谱信号f做内积。其进行连续小波变换的二维频率-频率表达式则为：
其中，平移因子选择τ＝0.1,0.2,0.3,……,2.5。
将小波变换的模极值输出为该太赫兹光谱信号的小波系数图，如附图4所示。
模型识别
所用的卷积神经网络模型如附图5所示，包括9层：含3个卷积层、3个池化层的卷积部分，2个全连接层，以及1个Softmax层。激活函数使用ReLU。其中第1个卷积层使用64个3通道的3×3的卷积核，第2个卷积层使用32个3×3的卷积核，第3个卷积层使用16个3×3的卷积核，卷积步长均设置为1。最大池化使用的滤波器尺寸均为2×2，步长均设置为2。每个全连接层均含有128个神经元。
从所得太赫兹信号的小波系数图中随机选取36张样本{X,Yp}作为训练集，84张样本作为测试集对模型进行训练和测试，训练时采用学习率λ为0.005的自适应时刻估计算法优化梯度下降。
其中，每个图像均为3通道669×293的图像，在经第一卷积层卷积并进行最大池化的降采样后，得到64通道335×147的图像(64通道)，再经第二卷积层卷积并进行最大池化降采样后，得到32通道168×74的图像，再经第三卷积层卷积并进行最大池化降采样后，得到16通道84×37的图像，将其作为全连接层的输入，最后经softmax进行分类。
其中，设通道数为n，卷积核尺寸为3×3，在第i个卷积核进行卷积运算的过程为：
在上述过程中，对神经网络隐藏层的输出进行局部响应归一化操作(LRN操作)，增强模型的泛化能力。设通道数N＝3，设置偏移量k＝1.0，α＝0.001/9,β＝0.75,n＝8，则归一化的表达式如下：
使用上述模型，经过150次迭代后，训练集的精确度达到100％。对测试集的84张图片进行分类，其中分类正确的图片有82张，准确率达到97.62％。得到的分类结果如表1所示，可以看出待测物质的分类正确率高。
表1六种糖类的分类结果汇总
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种通过光谱信号进行物质识别的方法，其特征在于：包括：
获得被测物质的多组光谱信号；
基于所述多组光谱信号，获得其小波系数图；
基于所述小波系数图，通过训练后的卷积神经网络模型进行物质分类。
2.根据权利要求1所述的方法，其特征在于：所述小波系数图通过取得所述多组光谱信号在进行连续小波变换时产生的模的极大值实现。
3.根据权利要求2所述的方法，其特征在于：所述连续小波变换中使用的母小波函数为：
其中，ω为小波函数中心角频率；
优选的，所述小波变换的尺寸因子为7-9；
优选的，所述小波变换的平移因子为其谱图包含的点个数，并在连续变换中以0.1的步长递增。
4.根据权利要求1-3中任一项所述的方法，其特征在于：所述多组光谱信号为多组原始光谱信号经预处理后获得，所述预处理包括数据平滑处理；优选的，所述数据平滑处理使用非对称最小二乘法。
5.根据权利要求4所述的方法，其特征在于：所述数据平滑处理包括：
设置所述原始多组光谱信号的平滑参数和初始权重；
通过差分法获得所述原始多组光谱信号的二阶导数；
根据所述二阶导数，获得该二阶导数曲线中峰点和谷点的坐标数据；
根据所述峰点和谷点的坐标数据，获得两个对称峰之间的移动窗口；
通过所述移动窗口的扩展，获得由原始多组光谱信号组成的原始谱图中的谱峰的分布区域；
设置所述谱峰处的光谱信号的权重系数为零，得到新的权重数组，并对剩余信号的权重进行更新；
根据剩余信号的权重获得平滑器，所述平滑器与原始多组光谱信号相乘即完成所述平滑处理。
6.根据权利要求5所述的方法，其特征在于：所述扩展的范围为：dj＝3μ×di，μ∈(0,2]，其中di表示所述移动窗口，μ表示di的扩展系数；所述平滑器为：M＝(Wy+λDTD)-1Wy，其中λ表示平滑参数，D表示平滑信号的二阶矩阵导数，Wy表示除去所述谱峰信号外的其他全部信号的权重矩阵。
7.根据权利要求1所述的方法，其特征在于：所述卷积神经网络模型包括3个卷积层、3个最大池化层、2个全连接层和1个Softmax回归层，并使用ReLU函数作为激活函数；优选的，所述模型还设置有局部响应归一化层。
8.根据权利要求7所述的方法，其特征在于：所述卷积层依次包括64个3×3的卷积核、32个3×3的卷积核和16个3×3的卷积核；优选的，卷积步长为1；优选的，所述最大池化层使用的滤波器尺寸为2×2；优选的，所述最大池化的步长为2；优选的，所述全连接层每层含有64个神经元。
9.根据权利要求1所述的方法，其特征在于：对所述被测物质先进行材料预处理，再进行光谱信号采集，其中，所述材料预处理包括将所述被测物质制备为样品片，所述光谱信号的采集包括通过光谱仪对所述样品片进行去除背景信号后的样品信号的采集，每完成一次采集后，调整所述样品片的位置获得另一次样品信号采集。
10.权利要求1-9所述的方法在太赫兹光谱识别中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806905.3A CN111982855A (zh) | 2020-08-12 | 2020-08-12 | 一种通过光谱信号进行物质识别的方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806905.3A CN111982855A (zh) | 2020-08-12 | 2020-08-12 | 一种通过光谱信号进行物质识别的方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111982855A true CN111982855A (zh) | 2020-11-24 |
Family
ID=73433889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010806905.3A Pending CN111982855A (zh) | 2020-08-12 | 2020-08-12 | 一种通过光谱信号进行物质识别的方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111982855A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344051A (zh) * | 2021-05-28 | 2021-09-03 | 青岛青源峰达太赫兹科技有限公司 | 一种基于太赫兹数据的神经网络分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770194A (zh) * | 2017-01-20 | 2017-05-31 | 华中科技大学 | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 |
| CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
| CN109374568A (zh) * | 2018-05-25 | 2019-02-22 | 广东工业大学 | 一种利用太赫兹时域光谱的样品识别方法 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
| CN110363119A (zh) * | 2019-06-28 | 2019-10-22 | 广东中烟工业有限责任公司 | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 |
| CN111222543A (zh) * | 2019-12-19 | 2020-06-02 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
| CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
-
2020
- 2020-08-12 CN CN202010806905.3A patent/CN111982855A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770194A (zh) * | 2017-01-20 | 2017-05-31 | 华中科技大学 | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 |
| CN109374568A (zh) * | 2018-05-25 | 2019-02-22 | 广东工业大学 | 一种利用太赫兹时域光谱的样品识别方法 |
| CN109033780A (zh) * | 2018-07-03 | 2018-12-18 | 南方电网科学研究院有限责任公司 | 一种基于小波变换和神经网络的边缘计算接入认证方法 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
| CN110363119A (zh) * | 2019-06-28 | 2019-10-22 | 广东中烟工业有限责任公司 | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 |
| CN111222543A (zh) * | 2019-12-19 | 2020-06-02 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
| CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王新 等: "《机电设备故障诊断技术及应用》", 31 December 2014, 煤炭工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344051A (zh) * | 2021-05-28 | 2021-09-03 | 青岛青源峰达太赫兹科技有限公司 | 一种基于太赫兹数据的神经网络分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pang et al. | Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| Zhang et al. | Classification modeling method for near‐infrared spectroscopy of tobacco based on multimodal convolution neural networks | |
| CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
| CN109409350B (zh) | 一种基于pca建模反馈式载荷加权的波长选择方法 | |
| CN112116065A (zh) | 一种rgb图像光谱重建方法、系统、存储介质及应用 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
| Klyuchko | On the mathematical methods in biology and medicine | |
| CN115841594B (zh) | 基于注意力机制的煤矸高光谱变图像域数据识别方法 | |
| CN111832507A (zh) | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 | |
| CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
| CN111982855A (zh) | 一种通过光谱信号进行物质识别的方法及其应用 | |
| CN113762208A (zh) | 一种近红外光谱与特征图谱的图谱转换方法及其应用 | |
| CN113418874A (zh) | 面向果实品质检测的高光谱图像重构方法及检测方法 | |
| CN110070004B (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
| Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
| CN110008989A (zh) | 一种光谱特征相似条件下不同目标的红外光谱识别方法 | |
| CN106778536B (zh) | 一种基于fpga的实时高光谱显微图像细胞分类方法 | |
| CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
| CN108399433A (zh) | 一种基于白酒指纹图谱特征的分类方法 | |
| CN109063767B (zh) | 一种基于样本和变量共识的近红外光谱建模方法 | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
| Song et al. | Apple disease recognition based on small-scale data sets | |
| CN116399848A (zh) | 一种基于深度学习的拉曼光谱大米检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |