CN112816458B - 基于激光诱导击穿光谱技术的钢材分类方法及系统 - Google Patents

基于激光诱导击穿光谱技术的钢材分类方法及系统 Download PDF

Info

Publication number
CN112816458B
CN112816458B CN202110134029.9A CN202110134029A CN112816458B CN 112816458 B CN112816458 B CN 112816458B CN 202110134029 A CN202110134029 A CN 202110134029A CN 112816458 B CN112816458 B CN 112816458B
Authority
CN
China
Prior art keywords
data
spectral
laser
spectral line
preset
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.)
Active
Application number
CN202110134029.9A
Other languages
English (en)
Other versions
CN112816458A (zh
Inventor
曾庆栋
陈光辉
李文鑫
袁梦甜
余华清
王波云
刘洋
邬小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Engineering University
Original Assignee
Hubei Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Engineering University filed Critical Hubei Engineering University
Priority to CN202110134029.9A priority Critical patent/CN112816458B/zh
Publication of CN112816458A publication Critical patent/CN112816458A/zh
Application granted granted Critical
Publication of CN112816458B publication Critical patent/CN112816458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0463—Neocognitrons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及光谱分析领域，公开了一种基于激光诱导击穿光谱技术的钢材分类方法及系统，所述方法包括：通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集，对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集，将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别。通过对获得的训练集采用深度玻尔兹曼机进行降维处理来获得降维训练集以提高获得的降维训练集的准确度，减少了训练时间，也减少了基于降维训练集建立分类模型的建模时间，进一步地，也提高了识别待测钢材样品的钢材类别的准确度。

Description

基于激光诱导击穿光谱技术的钢材分类方法及系统
技术领域
本发明涉及光谱分析技术领域，尤其涉及一种基于激光诱导击穿光谱技术的钢材分类方法及系统。
背景技术
传统的钢材种类识别方法主要为火花鉴别法，音质鉴别法等物理方法，这对鉴别者的经验要求很高，且此类方法只能大致判断钢材的含碳量，并不能准确鉴别其所含的元素，难以实现对钢材种类的快速识别。
目前，激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy，LIBS)技术作为一种快捷便利的物质成分分析技术，越来越多地被应用在工业领域中，然而，在将LIBS技术用于检测钢材样品，尤其是对基体元素为Fe且含量超过90％以上的钢铁样品进行检测时，由于Fe的含量远远超出其他微量元素的含量，使得检测的其他微量元素的特征谱线强度易受基体元素Fe的干扰，而微量元素的特征谱线强度往往是重要的分类判别依据，若微量元素的特征谱线强度得不到精准测量，势必会影响分类准确度。
随着光谱分析技术的发展，越来越多的科研人员将LIBS技术与机器学习算法进行结合以建立物质分类模型，在具体实现中，大多是将样品的全谱线强度或对应元素的特征谱线强度作为机器学习算法的输入特征向量，然而，通过LIBS技术记录的光谱数据量庞大且繁杂，此时若用机器学习算法直接对上述输入特征向量进行训练来获得物质分类模型，不仅会影响建模效率，也影响了后续基于获得的物质分类模型对样品进行分类的准确度和速度。因此，如何基于激光诱导击穿光谱技术实现对钢材样品的快速精准分类，成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于激光诱导击穿光谱技术的钢材分类方法及系统，旨在解决如何基于激光诱导击穿光谱技术实现对钢材样品的快速精准分类的技术问题。
为实现上述目的，本发明提供了一种基于激光诱导击穿光谱技术的钢材分类方法，所述方法包括以下步骤：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别。
可选地，所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集的步骤，具体包括：
将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
基于所述光谱数据生成测试集和训练集。
可选地，所述通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据的步骤，具体包括：
通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性；
根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果；
根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据。
可选地，所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集的步骤，具体包括：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据；
根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集。
可选地，所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据的步骤，具体包括：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并根据预设谱线筛选规则筛选出基准谱线；
基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据。
此外，为实现上述目的，本发明还提出一种基于激光诱导击穿光谱技术的钢材分类系统，所述基于激光诱导击穿光谱技术的钢材分类系统包括：
数据集生成模块，用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
数据集降维模块，用于对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
模型生成模块，用于将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
钢材分类模块，用于将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别。
可选地，所述数据集生成模块，还用于将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
所述数据集生成模块，还用于基于所述光谱数据生成测试集和训练集。
可选地，所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性；
所述数据集生成模块，还用于根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果；
所述数据集生成模块，还用于根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据。
可选地，所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据；
所述数据集生成模块，还用于根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集。
可选地，所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并根据预设谱线筛选规则筛选出基准谱线；
所述数据集生成模块，还用于基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据。
本发明中，通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集，对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集，将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别，相较于现有技术通过主成分分析法对获得的数据集进行训练所导致的拓展性差和训练时间长的弊端，本发明对获得的训练集通过深度玻尔兹曼机进行降维处理来获得降维训练集以提高获得的降维训练集的准确度，减少了训练时间，也减少了基于所述降维训练集建立分类模型的建模时间，再将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以提高识别所述待测钢材样品的钢材类别的准确度，也利于实现识别准确度和建模时间之间的平衡。
附图说明
图1为本发明基于激光诱导击穿光谱技术的钢材分类方法第一实施例的流程示意图；
图2为本发明基于激光诱导击穿光谱技术的钢材分类方法所涉及的受限玻尔兹曼机的结构示意图；
图3为本发明基于激光诱导击穿光谱技术的钢材分类方法第二实施例的流程示意图；
图4为本发明基于激光诱导击穿光谱技术的钢材分类方法所涉及的不同波段的目标谱线示意图；
图5为本发明基于激光诱导击穿光谱技术的钢材分类系统第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于激光诱导击穿光谱技术的钢材分类方法，参照图1，图1为本发明基于激光诱导击穿光谱技术的钢材分类方法第一实施例的流程示意图。
本实施例中，所述基于激光诱导击穿光谱技术的钢材分类方法包括以下步骤：
步骤S10：通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
易于理解的是，在获得待测钢材样品后，可通过激光诱导击穿光谱技术将超短脉冲激光聚焦在所述待测钢材样品表面以形成等离子体，然后基于所述等离子体发出的特征谱线确定待测钢材样品的光谱数据，所述光谱数据可理解为用以表示待测钢材样品的物质成分及含量的数据，进一步，还可基于所述光谱数据构建测试集和训练集，所述训练集可理解为用以对预设分类模型进行训练的数据集，所述测试集可理解为用以验证训练好的预设分类模型的准确度的数据集，也可将所述测试集输入至训练好的预设分类模型中进行分类，以获得所述待测钢材样品的钢材类别，本实施中，所述预设分类模型可为反向传播模型(Back Propagation model，亦称BP算法，一种多层前馈神经元网络的学习算法)，在具体实现中，所述预设分类模型可根据实际需求进行设置，如，也可设置为支持向量机(SupportVector Machine,SVM)，一种按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。
步骤S20：对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
需要说明的是，在获得训练集后，可对所述训练集通过深度玻尔兹曼机(DeepBoltzmann Machine，DBM)进行降维处理，获得降维训练集，深度玻尔兹曼机是一种以受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)为基础的深度学习模型，其本质是一种特殊构造的神经网络，可理解为由多层受限玻尔兹曼机叠加而成，本质上是一种迭代算法，在不同的层之间迭代运算，在迭代的过程中，可反向传递错误信息进行实时修正以提高生成的降维数据集的准确度，其对数据的训练是分批次进行的，将数据训练好后，若加入了新的样品数据或是加入新的算法进行改进时，之前训练好的数据不需要重新训练，只需对新的样品据再次训练即可。
参照图2，图2为本发明基于激光诱导击穿光谱技术的钢材分类方法所涉及的受限玻尔兹曼机的结构示意图，图2中，输入层(Input layer)示意为x1、x2、x3……xn，输出层(Ouput layer)示意为yi，其由第一层受限玻尔兹曼机(The first RBM)和第二层受限玻尔兹曼机(The second RBM)构成，在具体实现中，DBM的层数可根据实际需求进行设置，如，本实施例中对DBM的层数设置为3层，每层神经元的个数分别设为100，200，300个，迭代次数最低可设为600，分批次数可为24，相应地，后续的BP算法的最大epoch(时期，一个时期为所有训练样本的一个正向传递和一个反向传递)次数可设为600。通过DBM可对数据进行降维处理，相较于主成分分析法(Principal Component Analysis，PCA)，其拓展性更高，因PCA对数据集进行降维时，需要将所有数据一起加载到计算机内存中，对电脑的性能要求较高，这导致PCA的可扩展性较低；且PCA只能对数据整体进行训练，若要添加新的测试集数据或是加入新的算法进行改进，则需要对数据整体重新训练；当训练的数据集较大时，PCA的计算时间可能会增加到一个不切实际的值，这导致在训练样品数据时会增加不必要的时间消耗，也难以在识别准确性和建模时间之间取得平衡。
步骤S30：将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
步骤S40：将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别。
易于理解的是，在获得降维数据集后，可将所述降维训练集作为预设分类模型的输入量，将钢材类别作为所述预设分类模型的输出量，然后基于所述输入量和所述输出量对所述预设分类模型进行训练，以获得目标分类模型，其中，所述预设分类模型可为反向传播模型，在具体实现中，所述预设分类模型可根据实际需求进行设置，如支持向量机，本实施例对此不加以限制。进一步地，在获得所述目标分类模型后，可用测试集来检验目标分类模型的准确度，在所述准确度大于预设准确度时，则可输出目标分类模型，并将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别，其中，所述预设准确度可根据实际需求进行设置，本实施例对此不加以限制。
本实施例中，通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集，对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集，将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别，相较于现有技术通过主成分分析法对获得的数据集进行训练所导致的拓展性差和训练时间长的弊端，本实施例对获得的训练集通过深度玻尔兹曼机进行降维处理来获得降维训练集以提高获得的降维训练集的准确度，减少了训练时间，也减少了基于所述降维训练集建立分类模型的建模时间，再将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以提高识别所述待测钢材样品的钢材类别的准确度，也利于实现识别准确度和建模时间之间的平衡。
参考图3，图3为本发明基于激光诱导击穿光谱技术的钢材分类方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S10包括：
步骤S101：将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
步骤S102：通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
需要说明的是，在获得待测钢材样品后，可通过脉冲激光器将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体，所述预设激光可为超短脉冲激光，然后，通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性，所述谱线属性包括但不限于谱线强度、波形完整度、自吸收现象程度、其他元素干扰程度，然后根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果，在具体实现中，可为谱线强度从高到低、波形完整度从高到低、自吸收现象程度从弱到强、其他元素干扰程度从少到多等，然后根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据，进一步地，再基于所述光谱数据生成深度玻尔兹曼机的输入变量，相较于将单一元素特征谱线或全谱数据作为输入变量，有效校正了基体效应，也提高了后续基于所述训练集进行模型训练的训练效果，保证了训练精度，也节省了训练建模时间，在具体实现中，可根据待测钢材样品的组成成分选择相应的特征谱线做输入，如，可将美国国家标准与技术研究院(NationalInstitute of Standards and Technology，NIST)的光谱数据库作为依据，挑选谱线强度较高、波形完整、自吸收现象较弱和其他元素干扰较少的谱线作为目标谱线，再整合所述目标谱线，生成光谱数据。参照图4，图4为本发明基于激光诱导击穿光谱技术的钢材分类方法所涉及的不同波段的目标谱线示意图，图4中，横轴为波长(Wavelength)，纵轴为特征谱线的强度(Intensify)，存在箭头指示的特征谱线即为可作为深度玻尔兹曼机的输入变量的特征谱线。
步骤S103：对所述光谱数据进行归一化处理，获得目标光谱数据；
易于理解的是，在通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据后，可根据预设谱线筛选规则筛选出基准谱线，然后基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据。在具体实现中，可选择上述排序结果中排序顺位第一的特征谱线作为基准谱线，如从上述排序结果中选择谱线强度最高、波形完整、自吸收现象程度最弱、其他元素干扰程度最少的Fe元素的特征谱线作为基准谱线，也可按照实际需求进行设置，以便于对光谱数据进行归一化处理为准，本实施例对此不加以限制。
步骤S104：根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集。
在具体实现中，在获得目标光谱数据后，可获取预设分配占比，并根据所述预设分配占比对所述目标光谱数据进行数据分配，以获得测试集和训练集，如，将分配占比设置为4/5和1/5，则可将目标光谱数据的4/5归为训练集，其余的归为测试集，所述预设分配占比可根据实际需求进行设置，本实施例对此不加以限制。
本实施例中，将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体，通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据，对所述光谱数据进行归一化处理，获得目标光谱数据，再根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集。相较于现有技术直接基于单一元素特征谱线或全谱数据对待测钢材样品的种类进行识别，本实施例根据预设谱线筛选规则对获得的特征谱线进行数据筛选，以获得光谱数据，对所述光谱数据进行归一化处理，获得目标光谱数据，再根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集，再基于所述测试集和所述训练集进行建模及训练，并基于训练后的模型对待测钢材样品的种类进行识别，以有效校正基体效应，提高后续基于所述训练集进行模型训练的训练效果，保证了训练精度，也节省了训练建模时间。
参照图5，图5为本发明基于激光诱导击穿光谱技术的钢材分类系统第一实施例的结构框图。
如图5所示，本发明实施例提出的基于激光诱导击穿光谱技术的钢材分类系统包括：
数据集生成模块10，用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
数据集降维模块20，用于对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
模型生成模块30，用于将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
钢材分类模块40，用于将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别。
本实施例中，通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集，对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集，将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别，相较于现有技术通过主成分分析法对获得的数据集进行训练所导致的拓展性差和训练时间长的弊端，本实施例对获得的训练集通过深度玻尔兹曼机进行降维处理来获得降维训练集以提高获得的降维训练集的准确度，减少了训练时间，也减少了基于所述降维训练集建立分类模型的建模时间，再将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型，将所述测试集输入至所述目标分类模型中进行分类，以提高识别所述待测钢材样品的钢材类别的准确度，也利于实现识别准确度和建模时间之间的平衡。
基于本发明上述基于激光诱导击穿光谱技术的钢材分类系统第一实施例，提出本发明基于激光诱导击穿光谱技术的钢材分类系统的第二实施例。
在本实施例中，所述数据集生成模块，还用于将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
所述数据集生成模块，还用于基于所述光谱数据生成测试集和训练集。
所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性；
所述数据集生成模块，还用于根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果；
所述数据集生成模块，还用于根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据。
所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据；
所述数据集生成模块，还用于根据预设数据分配规则对所述目标光谱数据进行数据分配，以生成测试集和训练集。
所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并根据预设谱线筛选规则筛选出基准谱线；
所述数据集生成模块，还用于基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据。
本发明基于激光诱导击穿光谱技术的钢材分类系统的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (2)

1.一种基于激光诱导击穿光谱技术的钢材分类方法，其特征在于，所述基于激光诱导击穿光谱技术的钢材分类方法包括以下步骤：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别；
所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集的步骤，具体包括：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据；
根据预设数据分配规则获取预设分配占比，并根据预设分配占比对所述目标光谱数据进行数据分配，以生成测试集和训练集；
所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据的步骤，具体包括：
通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并根据预设谱线筛选规则筛选出基准谱线；
基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据；
所述通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集的步骤，具体包括：
将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
基于所述光谱数据和待测钢材样品的组成成分选择相应的特征谱线做输入生成深度玻尔兹曼机的输入变量，根据输入变量生成测试集和训练集；
所述通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据的步骤，具体包括：
通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性；
根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果；
根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据。
2.一种基于激光诱导击穿光谱技术的钢材分类系统，其特征在于，所述基于激光诱导击穿光谱技术的钢材分类系统包括：
数据集生成模块，用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并基于所述光谱数据生成测试集和训练集；
数据集降维模块，用于对所述训练集通过深度玻尔兹曼机进行降维处理，获得降维训练集；
模型生成模块，用于将所述降维训练集输入至预设分类模型进行训练，以获得目标分类模型；
钢材分类模块，用于将所述测试集输入至所述目标分类模型中进行分类，以识别所述待测钢材样品的钢材类别；
所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并对所述光谱数据进行归一化处理，获得目标光谱数据；所述数据集生成模块，还用于根据预设数据分配规则获取预设分配占比，并根据预设分配占比对所述目标光谱数据进行数据分配，以生成测试集和训练集；
所述数据集生成模块，还用于通过激光诱导击穿光谱技术获取待测钢材样品的光谱数据，并根据预设谱线筛选规则筛选出基准谱线；所述数据集生成模块，还用于基于所述基准谱线对所述光谱数据进行归一化处理，以获得目标光谱数据；
所述数据集生成模块，还用于将预设激光聚焦至待测钢材样品表面，以生成对应的等离子体；
所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并根据预设谱线筛选规则对所述特征谱线进行数据筛选，以获得光谱数据；
所述数据集生成模块，还用于基于所述光谱数据和待测钢材样品的组成成分选择相应的特征谱线做输入生成深度玻尔兹曼机的输入变量，根据输入变量生成测试集和训练集；
所述数据集生成模块，还用于通过光谱仪采集所述等离子体的特征谱线，并获取所述特征谱线的谱线属性；
所述数据集生成模块，还用于根据所述谱线属性对所述特征谱线进行排序，获得谱线排序结果；
所述数据集生成模块，还用于根据所述谱线排序结果筛选出目标谱线，并基于所述目标谱线生成光谱数据。
CN202110134029.9A 2021-02-01 2021-02-01 基于激光诱导击穿光谱技术的钢材分类方法及系统 Active CN112816458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110134029.9A CN112816458B (zh) 2021-02-01 2021-02-01 基于激光诱导击穿光谱技术的钢材分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110134029.9A CN112816458B (zh) 2021-02-01 2021-02-01 基于激光诱导击穿光谱技术的钢材分类方法及系统

Publications (2)

Publication Number Publication Date
CN112816458A CN112816458A (zh) 2021-05-18
CN112816458B true CN112816458B (zh) 2023-09-01

Family

ID=75860706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110134029.9A Active CN112816458B (zh) 2021-02-01 2021-02-01 基于激光诱导击穿光谱技术的钢材分类方法及系统

Country Status (1)

Country Link
CN (1) CN112816458B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397244A (zh) * 2022-01-14 2022-04-26 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487411A (zh) * 2013-09-01 2014-01-01 西北大学 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法
CN103488874A (zh) * 2013-09-01 2014-01-01 西北大学 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9121756B2 (en) * 2011-02-18 2015-09-01 Tsinghua University Method and system for improving precision of element measurement based on laser-induced breakdown spectroscopy
CA2950163A1 (en) * 2016-11-30 2018-05-30 National Research Council Of Canada Method and system for characterizing oil sands by using laser-induced breakdown spectroscopy

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487411A (zh) * 2013-09-01 2014-01-01 西北大学 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法
CN103488874A (zh) * 2013-09-01 2014-01-01 西北大学 一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
主成分分析结合极限学习机辅助激光诱导击穿光谱用于铝合金分类识别;潘立剑;陈蔚芳;崔榕芳;李苗苗;;冶金分析(01);第6-11页 *

Also Published As

Publication number Publication date
CN112816458A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
KR102110755B1 (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
JP5834584B2 (ja) 情報処理装置、情報処理方法、プログラム及び蛍光スペクトルの強度補正方法
CN114444986B (zh) 产品分析方法及系统及装置及介质
CN110763660B (zh) 基于集成学习的libs定量分析方法
US20130279794A1 (en) Integration of automatic and manual defect classification
CN113155809B (zh) 一种矿石分类与实时定量分析的光谱检测新方法
JP2013246140A (ja) 情報処理装置、情報処理方法、及びプログラム
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
CN116363440B (zh) 基于深度学习的土壤中有色微塑料的识别检测方法及系统
CN107220625B (zh) 一种对样品的libs光谱自动识别分类方法
CN112816458B (zh) 基于激光诱导击穿光谱技术的钢材分类方法及系统
CN115661160B (zh) 一种面板缺陷检测方法及系统及装置及介质
TWI707299B (zh) 光學檢測二次圖像分類方法
CN116385380A (zh) 基于深度特征的缺陷检测方法、系统、设备及存储介质
CN116030310A (zh) 一种基于激光诱导击穿光谱技术的样品分类方法及系统
Ruan et al. A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics
Sai et al. StomaAI: An efficient and user‐friendly tool for measurement of stomatal pores and density using deep computer vision
CN110987866A (zh) 一种汽油性质评价方法及装置
CN115186776A (zh) 一种红宝石产地分类的方法、装置及存储介质
CN115060705A (zh) 一种基于libs数据流盘的激光除漆效果实时评价方法
CN111896609B (zh) 一种基于人工智能分析质谱数据的方法
JP2015512522A (ja) 分光システムの性能を測定するための方法
KR101941193B1 (ko) 레이저 유도 붕괴 분광장치(libs)에 의한 금속을 분류하기 위한 방법 및 이에 관한 컴퓨터-판독가능 저장매체
CN112069058A (zh) 一种基于专家库和自学习技术的缺陷处置方法
CN113092447B (zh) 一种基于循环变量筛选非线性pls的libs定量分析方法

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
GR01 Patent grant
GR01 Patent grant