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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 title claims abstract description 13
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 231100001261 hazardous Toxicity 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 9
- 230000008033 biological extinction Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000007123 defense Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000002360 explosive Substances 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- -1 clothes Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
消光系数和吸收系数的关系如下:
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:
吸收系数表达式为:
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:
消光系数和吸收系数的关系如下:
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:
吸收系数表达式为:
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:
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
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:
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:
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:
消光系数和吸收系数的关系如下:
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:
吸收系数表达式为:
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。
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)
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)
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 |
-
2021
- 2021-10-08 CN CN202111172454.3A patent/CN113935367B/zh active Active
Patent Citations (5)
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)
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)
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 |