CN113935367A - 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 - Google Patents

基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 Download PDF

Info

Publication number
CN113935367A
CN113935367A CN202111172454.3A CN202111172454A CN113935367A CN 113935367 A CN113935367 A CN 113935367A CN 202111172454 A CN202111172454 A CN 202111172454A CN 113935367 A CN113935367 A CN 113935367A
Authority
CN
China
Prior art keywords
layer
data
time
resnet
lstm
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.)
Granted
Application number
CN202111172454.3A
Other languages
English (en)
Other versions
CN113935367B (zh
Inventor
赵聪
肖红
张荣跃
姜文超
曾庆湖
卢嘉荣
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111172454.3A priority Critical patent/CN113935367B/zh
Publication of CN113935367A publication Critical patent/CN113935367A/zh
Application granted granted Critical
Publication of CN113935367B publication Critical patent/CN113935367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，包括：针对危险品样品采集太赫兹时域光谱数据，以构建数据集，并对数据集中的数据进行预处理；构建ResNet‑LSTM网络模型，然后用预处理后的数据集进行网络模型的训练、测试和评估，最终得到训练好的网络模型用于危险品的实时分类。本发明结合被动式太赫兹人体成像安检设备，为其扩增太赫兹时域光谱技术，其应用将显著增强城市中公共场所的安全防御能力，有效减少公共安全事件的发生率，极大地降低由此类事件引发的经济损失，对维护社会安全稳定具有重要的意义。

Description

基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类 方法
技术领域
本发明涉及危险品检测领域，具体涉及一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，主要可应用于被动式太赫兹人体安检设备上。
背景技术
X射线成像技术是目前探测包裹和行李中爆炸物和毒品的最常规方法，但是对一些片状和液体状等特殊爆炸物易出现漏检，对危险品的种类也难于确认，且由于对人体存在一定的辐射损伤而无法用于对人员的检查。其他如警犬和示踪法对于严密包装的危险品则效力有限。因此，为寻找准确、便捷、安全且经济实用的危险品探测技术迫在眉睫。
随着太赫兹技术的发展，太赫兹波被广泛地应用于物质检测领域并取得显著的成就。太赫兹波可穿透许多绝缘材料，如衣物、纸张、塑料、皮革和陶瓷等，而且太赫兹波辐射具有很低的光子能量，不会在生物组织中产生有害的光致电离，因此不会对人体造成伤害。由于这些优势，太赫兹时域光谱技术在探测人体或包装内藏匿的易燃易爆物上是一种极其有效的方法，可以通过频谱检测获取代表材料类型的各种信息，实现材料类型的识别。
近年来太赫兹时域光谱技术应用于物质检测领域都是基于理想的实验环境下，利用光谱分析法和机器学习方法相结合的技术进行分类研究。这些方法往往需要经验丰富的工程师手工设计特征提取器，对于变化的自然数据具有局限性，并且在处理复杂问题时泛化能力不足。然而在实际的安检场景中，环境温湿度变化、隐匿结构变化(常见衣物和塑料等包装物遮挡等)因素会影响危险品时域光谱的主要特征以及回波信号的信噪比，从而影响物质分类的准确性和实时性。因此，上述研究手段并不适用于实际的安检场景。
现有的基于支持向量机(SVM)和基于双向长短期记忆网络的深度学习分类算法中，基于SVM模型进行太赫兹时域光谱分类，其模型的泛化性与准确性较低，而且只能应用于小样本数据集，需要人工设计特征提取器，模型的表达能力较弱且容易过拟合；而基于双向的LSTM神经网络虽然能自动提取原始太赫兹时域光谱数据的有效特征，但是该方法针对高维度的数据时无法提取有效特征，并经常遇到梯度消失的问题，且模型训练时间长，资源消耗大，没有考虑物品种类和成分及隐匿结构多变对太赫兹时域光谱数据的影响；因此上述方法只能应用于实验环境下的物质检测，无法应对实际安检场景中复杂多变的情形。
发明内容
本发明提出一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，重点解决地铁安检中人体隐匿物品分类的准确性和速度问题，使危险品分类准确率和分类速度匹配太赫兹成像人体安检装备速度，满足实际应用需求。
为了实现上述任务，本发明采用以下技术方案：
一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，包括：
针对危险品样品采集太赫兹时域光谱数据，以构建数据集，并对数据集中的数据进行预处理；
构建ResNet-LSTM网络模型，然后用预处理后的数据集进行网络模型的训练、测试和评估，最终得到训练好的网络模型用于危险品的实时分类；
所述的ResNet-LSTM网络模型的结构为：
第一层是卷积层，包含16个5×5的卷积核，第二层是2×2的池化层，第三层是包含32个5×5的卷积层，第四层是2×2的池化层，前四层用于对输入的数据进行降维并保留主要特征；
第五层是融合层，融合层具有并行的四个通道，融合层的输入分别进入这四个通道进行处理：第一个通道为1×1的卷积层，第二个通道是依次为1×1、1× 3、3×1的三个卷积层，第三个通道是依次为1×1、1×5、5×1的三个卷积层，第四个通道是依次为1×1、1×7、7×1的三个卷积层；四个通道的输出进入到一个 1×1的卷积层后，该卷积层的输出与融合层的输入进行点加操作后输出到后续网络中；
第六层是3×3的卷积层，第七层是全连接层，通过该层将前面提取到的特征综合起来输入到第八层的LSTM网络层中，从而提取出更深层次的时间序列数据特征；然后将LSTM网络层的输出经过两个Dropout层，以减轻模型的过拟合；在每个Dropout层后都有一个全连接层；最后，将提取的特征输入到softmax 层，对危险品进行分类。
进一步地，在融合层的最后一个1×1卷积层之前有一个连接层，把四个通道生成的不同类型但大小相同的特征图并排连接起来，形成新的特征响应图。
进一步地，所述对数据集中的数据进行预处理，包括：
提取光谱数据中的吸收系数和折射率，然后对吸收系数进行标准化、归一化和数据增强的预处理。
进一步地，所述提取光谱数据中的吸收系数和折射率，包括：
太赫兹时域光谱数据中，复折射率可以用来表征物质的宏观光学性质，将其分解为以下形式：
Figure BDA0003293819800000031
式中的k(ω)表示消光系数，n(ω)表示实折射率，
Figure BDA0003293819800000032
表示复折射率，i为虚部参数；
消光系数和吸收系数的关系如下：
Figure BDA0003293819800000033
式中的α(ω)表示吸收系数，c表示光速，ω为角频率；
得到太赫兹的光谱折射率表达式为：
Figure BDA0003293819800000034
其中，
Figure BDA0003293819800000035
吸收系数表达式为：
Figure BDA0003293819800000036
式中，d为危险品样品的厚度，ω为角频率，ρ(ω)为样品信号和参考信号的振幅比；其中样品信号为经过样品的信号波，参考信号为不经过样品的信号波。
进一步地，所述数据增强的预处理，包括：
从数据归一化后的数据集中随机选择一个初始时间序列开始，赋予它一个等于0.5的权重；这个随机选择的时间序列将作为DBA的初始化时间序列；
根据动态时间规整DTW距离找到和DBA初试化时间序列最近的5个时间序列；然后在这5个中随机选择两个，并将这两个的权重都设置为0.15；
为了使权重之和等于1，数据集中剩下的时间序列的权重和为0.2，将剩下的时间序列平均分配这0.2的权重；
平均序列的生成使用加权的DBA算法。
一种被动式太赫兹人体安检设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现基于 ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法的步骤。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法的步骤。
与现有技术相比，本发明具有以下技术特点：
1.本发明结合被动式太赫兹人体成像安检设备，为其扩增太赫兹时域光谱技术，其应用将显著增强城市中公共场所的安全防御能力，有效减少公共安全事件的发生率，极大地降低由此类事件引发的经济损失，对维护社会安全稳定具有重要的意义；
2.本发明将深度学习方法应用于人体隐匿物品太赫兹时域光谱分类，建立面向实际安检场景的分类模型，大大提高分类准确性和速度，在应用上具有创新性；
3.本发明提出的基于ResNet和双向LSTM融合的网络结构，在空间维度上，利用卷积层提取时域光谱数据的有效特征，利用融合层解决深层次网络梯度消失难以训练的问题；在时间维度上，利用LSTM网络学习网络流量间的潜在时间特征，大大提高了模型识别的精度。
附图说明
图1为本发明方法的流程示意图；
图2为本发明提出的ResNet-LSTM网络模型的结构图；
图3为本发明中所述的融合层的结构图。
具体实施方式
如图1所示，本发明提出一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，首先对采集到的数据集，利用数据归一化与标准化算法进行预处理，并将处理后的数据集输入到本方案所提出的基于深度学习残差网络 (ResNet)与深度学习循环神经网络LSTM相融合的神经网络中，对安检中的隐匿危险品进行实时分类检测；下面结合附图对本发明的具体步骤作详细说明。
步骤1，数据采集与预处理
首先针对危险品样品采集太赫兹时域光谱数据，以构建数据集，并对数据集中的数据进行预处理。
在进行太赫兹时域光谱测量时，测量得到的数据往往参杂一些无关因素带来的噪声干扰，比如发射器由于激光强度波动引起的噪声，探测器中的热噪声、散粒噪声以及太赫兹波段的背景辐射噪声等等，这样的噪声具有一定的随化性。这些噪声会对实验数据产生干扰，使得测量数据不够准确甚至失真，导致建模效果不理想，准确度降低。因此，在使用数据进行建模之前需对原始数据进行预处理，过滤噪声提高数据的真实性，从而提高建模准确度。本方案首先提取原始数据中的吸收系数和折射率，然后对吸收系数进行标准化、归一化和数据增强的预处理。
(1)提取吸收系数
太赫兹时域光谱数据中，复折射率可以用来表征物质的宏观光学性质，将其分解为以下形式：
Figure BDA0003293819800000051
式中的k(ω)表示消光系数，n(ω)表示实折射率，
Figure BDA0003293819800000052
氛示复折射率，i为虚部参数。其中，消光系数主要是用来描述物质的吸收特性，实折射率主要表征危险品的色散特性。
消光系数和吸收系数的关系如下：
Figure BDA0003293819800000053
式中的α(ω)表示吸收系数，c表示光速，ω为角频率。
得到太赫兹的光谱折射率表达式为：
Figure BDA0003293819800000054
其中，
Figure BDA0003293819800000055
吸收系数表达式为：
Figure BDA0003293819800000056
式中，d为危险品样品的厚度，ω为角频率，ρ(ω)为样品信号和参考信号的振幅比；其中样品信号为经过样品的信号波，参考信号为不经过样品的信号波。
(2)数据标准化
数据标准化则是将提取到的数据集中的吸收系数按照比例缩放，使之放到一个特定区间中。数据标准化主要功能就是消除变量间的量纲关系，从而使数据具有可比性，提升训练模型的准确度。常用的数据标准化方法包含简单缩放和标准差标准化两种。本方案使用的是标准差标准化，让数据服从均值为0、标准差为 1的正态分布，其中，标准化的转化函数有下述公式表示：
y＝(x-μ)/σ
其中σ和μ分别为样本数据的标准差以及样本数据的均值。
(3)数据归一化
数据归一化对于深度学习分类算法的成功具有至关重要的作用。在分类之前，要对所有的特性进行归一化。本方案采用最大最小值归一化方法对经过标准化处理后的数据进行归一化处理，具体公式如下：
Figure BDA0003293819800000061
其中Max、Min分别为样本的最大值、最小值。
(4)数据增强
针对归一化后的数据，基于加权形式的重心平均动态时间规整(DBA)技术来进行时间序列数据增强，该方法可以从给定的一组时间序列创建无穷多个新的时间序列，具体步骤如下：
(4-1)从数据归一化后的数据集中随机选择一个初始时间序列开始，赋予它一个等于0.5的权重；这个随机选择的时间序列将作为DBA的初始化时间序列；
(4-2)根据动态时间规整DTW距离找到和DBA初试化时间序列最近的5个时间序列；然后在这5个中随机选择两个，并将这两个的权重都设置为0.15；
(4-3)为了使权重之和等于1，数据集中剩下的时间序列的权重和为(1- 0.15*2-0.5＝0.2)，将剩下的时间序列平均分配这0.2的权重；
(4-4)平均序列的生成使用加权的DBA算法。
a.动态时间规整(DTW)
DTW可以用来比较具有两个不同长度的时间序列，给定两个长度分别为m 和n的序列X＝(x1，x2，…，xi，…，xm)和Y＝(y1，y2，…，yi，…，yn)，构建距离矩阵
Figure BDA0003293819800000071
其中dij为点xi和yi之间的欧氏距离。
DTW算法需要从(1，1)到(m，n)找到一条最优路径
Figure BDA0003293819800000072
来匹配序列。为确保该路径全局最优，需同时满足三个条件：有界性、连续性和单调性。有界性意味着路径的起点为(1，1)和终点为(m，n)；连续性是指不能跨过某个点去匹配，路径中的下一个点必须与当前点相邻，即(i，j)的一下个点必须是 (i+1，j)或者(i+1，j+1)；单调性指路径保持时间顺序单调不减。满足上述三个条件时，可以将DTW定义为：
Figure BDA0003293819800000073
其中，d(wk)＝d(xi，yi)表示为路径中k处对应的i和j。路径的累计距离可以通过递归计算得：
Figure BDA0003293819800000074
b.重心平均动态时间规整(DBA)
DBA算法是一种迭代算法，能够对目标集中的平均序列进行调整，其中每次迭代都遵循期望最大化方案，涉及两个阶段：
随机选择一条时间序列作为初始序列，计算该序列与目标集中每个单独序列之间的DTW距离，从而找到初始序列上时间点与其他序列上时间点之间的关联；
将初始序列上的每个时间点与其关联的时间点分为一组，将其结果更新为初始序列，重复此过程，直到达到收敛或最大迭代次数为止。
步骤2，太赫兹时域光谱危险品实时分类检测方法
该步骤中，首先构建ResNet-LSTM网络模型，然后用预处理后的数据集进行网络模型的训练、测试和评估，最终得到训练好的网络模型用于危险品的实时分类。如图2所示，其中，所述的ResNet-LSTM网络模型的结构如下：
该网络模型输入的数据格式为1×6500，第一层是卷积层，包含16个5×5的卷积核，第二层是2×2的池化层，第三层是包含32个5×5的卷积层，第四层是2×2的池化层，以上四层是用来对输入层输入的数据进行降维并保留主要特征。
第五层是融合层，其结构如图3所示；融合层结构不仅在深度上进行扩展，还增加了网络的宽度。融合层具有并行的四个通道，融合层的输入分别进入这四个通道进行处理：
第一个通道为1×1的卷积层，第二个通道是依次为1×1、1×3、3×1的三个卷积层，第三个通道是依次为1×1、1×5、5×1的三个卷积层，第四个通道是依次为1×1、1×7、7×1的三个卷积层；四个通道的输出进入到一个1×1的卷积层后，该卷积层的输出与融合层的输入进行点加操作后输出到后续网络中；其中，在该卷积层之前有一个连接层，把四个通道生成的不同类型但大小相同的特征图并排连接起来，形成新的特征响应图。数据在输出层之前经过了两条路线，一条是四个通道，另一条是捷径，直接实现单位映射的直接连接的路线。两条路线得到的张量在输出层前进行了点加操作，最后将张量继续向网络下层传递。该层的设计极大地加速了模型的训练速度，并在一定程度上缓解了梯度消失和爆炸的问题，提高了模型的泛化能力。
第六层是3×3的卷积层，第七层是全连接层，通过该层将前面提取到的特征综合起来输入到第八层的LSTM网络层中，从而提取出更深层次的时间序列数据特征；然后将LSTM网络层的输出经过两个Dropout层，以减轻模型的过拟合；在每个Dropout层后都有一个全连接层。
最后，将提取的特征输入到softmax层，对隐匿危险品进行分类。
本方案设计的ResNet-LSTM模型通过使用残差网络缓解了深度神经网络训练的难度，并利用LSTM提取数据中包含的时序特征，增强了深度神经网络对太赫兹时域光谱数据的特征提取能力，其中的融合层也加快模型训练的速度，提高了模型分类的效率。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，其特征在于，包括：
针对危险品样品采集太赫兹时域光谱数据，以构建数据集，并对数据集中的数据进行预处理；
构建ResNet-LSTM网络模型，然后用预处理后的数据集进行网络模型的训练、测试和评估，最终得到训练好的网络模型用于危险品的实时分类；
所述的ResNet-LSTM网络模型的结构为：
第一层是卷积层，包含16个5×5的卷积核，第二层是2×2的池化层，第三层是包含32个5×5的卷积层，第四层是2×2的池化层，前四层用于对输入的数据进行降维并保留主要特征；
第五层是融合层，融合层具有并行的四个通道，融合层的输入分别进入这四个通道进行处理：第一个通道为1×1的卷积层，第二个通道是依次为1×1、1×3、3×1的三个卷积层，第三个通道是依次为1×1、1×5、5×1的三个卷积层，第四个通道是依次为1×1、1×7、7×1的三个卷积层；四个通道的输出进入到一个1×1的卷积层后，该卷积层的输出与融合层的输入进行点加操作后输出到后续网络中；
第六层是3×3的卷积层，第七层是全连接层，通过该层将前面提取到的特征综合起来输入到第八层的LSTM网络层中，从而提取出更深层次的时间序列数据特征；然后将LSTM网络层的输出经过两个Dropout层，以减轻模型的过拟合；在每个Dropout层后都有一个全连接层；最后，将提取的特征输入到softmax层，对危险品进行分类。
2.根据权利要求1所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，其特征在于，在融合层的最后一个1×1卷积层之前有一个连接层，把四个通道生成的不同类型但大小相同的特征图并排连接起来，形成新的特征响应图。
3.根据权利要求1所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，其特征在于，所述对数据集中的数据进行预处理，包括：
提取光谱数据中的吸收系数和折射率，然后对吸收系数进行标准化、归一化和数据增强的预处理。
4.根据权利要求3所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，其特征在于，所述提取光谱数据中的吸收系数和折射率，包括：
太赫兹时域光谱数据中，复折射率可以用来表征物质的宏观光学性质，将其分解为以下形式：
Figure FDA0003293819790000021
式中的k(ω)表示消光系数，n(ω)表示实折射率，
Figure FDA0003293819790000022
表示复折射率，i为虚部参数；
消光系数和吸收系数的关系如下：
Figure FDA0003293819790000023
式中的α(ω)表示吸收系数，c表示光速，ω为角频率；
得到太赫兹的光谱折射率表达式为：
Figure FDA0003293819790000024
其中，
Figure FDA0003293819790000025
吸收系数表达式为：
Figure FDA0003293819790000026
式中，d为危险品样品的厚度，ω为角频率，ρ(ω)为样品信号和参考信号的振幅比；其中样品信号为经过样品的信号波，参考信号为不经过样品的信号波。
5.根据权利要求3所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法，其特征在于，所述数据增强的预处理，包括：
从数据归一化后的数据集中随机选择一个初始时间序列开始，赋予它一个等于0.5的权重；这个随机选择的时间序列将作为DBA的初始化时间序列；
根据动态时间规整DTW距离找到和DBA初试化时间序列最近的5个时间序列；然后在这5个中随机选择两个，并将这两个的权重都设置为0.15；
为了使权重之和等于1，数据集中剩下的时间序列的权重和为0.2，将剩下的时间序列平均分配这0.2的权重；
平均序列的生成使用加权的DBA算法。
6.一种被动式太赫兹人体安检设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现根据权利要求1-5中任一权利要求所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法的步骤。
7.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1-5中任一权利要求所述的基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法的步骤。
CN202111172454.3A 2021-10-08 2021-10-08 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 Active CN113935367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111172454.3A CN113935367B (zh) 2021-10-08 2021-10-08 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111172454.3A CN113935367B (zh) 2021-10-08 2021-10-08 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法

Publications (2)

Publication Number Publication Date
CN113935367A true CN113935367A (zh) 2022-01-14
CN113935367B CN113935367B (zh) 2024-07-02

Family

ID=79278218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111172454.3A Active CN113935367B (zh) 2021-10-08 2021-10-08 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法

Country Status (1)

Country Link
CN (1) CN113935367B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739669A (zh) * 2022-03-07 2022-07-12 西安交通大学 基于太赫兹雷达的滚动轴承状态监测方法及装置
CN117195734A (zh) * 2023-09-18 2023-12-08 安徽工程大学 融合时间序列与太赫兹特征的热生长氧化层演变预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001834A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于主动式太赫兹安检方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于深度学习的太赫兹危险品检测方法
AU2019101133A4 (en) * 2019-09-30 2019-10-31 Bo, Yaxin MISS Fast vehicle detection using augmented dataset based on RetinaNet
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109001834A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于主动式太赫兹安检方法
CN109001833A (zh) * 2018-06-22 2018-12-14 天和防务技术（北京）有限公司 一种基于深度学习的太赫兹危险品检测方法
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
AU2019101133A4 (en) * 2019-09-30 2019-10-31 Bo, Yaxin MISS Fast vehicle detection using augmented dataset based on RetinaNet
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
窦雪婷等: "基于ResNet-LSTM的行人过街行为识别方法", 《计算机与数字工程》, 20 September 2021 (2021-09-20) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739669A (zh) * 2022-03-07 2022-07-12 西安交通大学 基于太赫兹雷达的滚动轴承状态监测方法及装置
CN117195734A (zh) * 2023-09-18 2023-12-08 安徽工程大学 融合时间序列与太赫兹特征的热生长氧化层演变预测方法
CN117195734B (zh) * 2023-09-18 2024-04-16 安徽工程大学 融合时间序列与太赫兹特征的热生长氧化层演变预测方法

Also Published As

Publication number Publication date
CN113935367B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
Xie et al. A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks
Choma et al. Graph neural networks for icecube signal classification
Zhang et al. Identification of bacterial blight resistant rice seeds using terahertz imaging and hyperspectral imaging combined with convolutional neural network
Song et al. Hyperspectral anomaly detection via convolutional neural network and low rank with density-based clustering
CN106248801B (zh) 一种基于多声发射事件概率的钢轨裂纹检测方法
Gao et al. Hyperspectral anomaly detection based on chessboard topology
CN113935367A (zh) 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法
Nagaraj et al. A gradient‐based comparison measure for visual analysis of multifield data
CN109858477A (zh) 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法
Wang et al. Joint correlation alignment-based graph neural network for domain adaptation of multitemporal hyperspectral remote sensing images
CN112766161B (zh) 基于集成约束多示例学习的高光谱目标检测方法
CN103268607B (zh) 一种弱监督条件下的共同对象检测方法
CN113378680B (zh) 一种拉曼光谱数据的智能建库方法
CN109493338A (zh) 基于联合提取空谱特征的高光谱图像异常检测方法
CN108573105A (zh) 基于深度置信网络的土壤重金属含量检测模型的建立方法
Zhang et al. Forest Land Resource Information Acquisition with Sentinel-2 Image Utilizing Support Vector Machine, K-Nearest Neighbor, Random Forest, Decision Trees and Multi-Layer Perceptron
Diakite et al. Hyperspectral image classification using 3D 2D CNN
Qiao et al. A dual frequency transformer network for hyperspectral image classification
Ren et al. Intelligent noise suppression for gravitational wave observational data
Wang et al. Lithological information extraction and classification in hyperspectral remote sensing data using Backpropagation Neural Network
CN104268569B (zh) 一种基于超低色散光谱特征的空间碎片分类方法
CN105825231A (zh) 一种基于人工智能的空间碎片光谱特征分类方法
Li et al. Application of laser-induced breakdown spectroscopy coupled with spectral matrix and convolutional neural network for identifying geographical origins of Gentiana rigescens Franch
Bin et al. Intelligent moving target recognition based on compressed seismic measurements and deep neural networks
Zhao et al. Spectral–spatial classification of hyperspectral images using trilateral filter and stacked sparse autoencoder

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