CN113960152A - 一种基于离子迁移谱的痕量爆炸物识别方法及系统 - Google Patents
一种基于离子迁移谱的痕量爆炸物识别方法及系统 Download PDFInfo
- Publication number
- CN113960152A CN113960152A CN202111208177.7A CN202111208177A CN113960152A CN 113960152 A CN113960152 A CN 113960152A CN 202111208177 A CN202111208177 A CN 202111208177A CN 113960152 A CN113960152 A CN 113960152A
- Authority
- CN
- China
- Prior art keywords
- explosive
- ion
- layer
- sample
- dimensional
- 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
- 239000002360 explosive Substances 0.000 title claims abstract description 122
- 238000001871 ion mobility spectroscopy Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013508 migration Methods 0.000 claims abstract description 10
- 230000005012 migration Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 abstract description 51
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
- G01N27/622—Ion mobility spectrometry
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本申请提供一种基于离子迁移谱的痕量爆炸物识别方法及系统。其利用时间序列模型,将离子迁移分析仪所采集的分别对应于不同时刻下的样本的离子图谱进行特征提取和类别识别,从而通过卷积神经网络获得样本属于各类别爆炸物的概率值,进而根据概率判定样本的爆炸物种类。由于本申请的卷积神经网络能够通过原始特征矩阵同时获得离子在各个时刻的迁移状况以及各个时刻所对应的图谱波峰特征,因此,其能够更为准确地识别各类型爆炸物,解决人工分析离子迁移谱图波峰形态所造成的识别效率较低、准确率较低等问题。本发明可以在机场、海关、公检法、反恐等场景中中实现稳定可靠的爆炸物等危险物品识别。
Description
技术领域
本申请涉及危险物品识别技术领域,具体而言涉及一种基于离子迁移谱的痕量爆炸物识别方法及系统。
背景技术
爆炸物等危险物品识别是公共安全领域中的一项重要任务,实现对于爆炸物等危险物品的自动识别对于机场、海关和防恐部门具有重要的价值。现有的爆炸物等危险物品识别方法,一般借助于离子迁移图谱并人工分析其中各个波峰形态的特征,以判定爆炸物的具体类别。该技术的难点在于,不同爆炸物等危险物品所形成的离子迁移图谱具有很大的相似性。因此,直接通过人工分析图谱波峰形态的方法确定爆炸物类别准确度不高,且效率较低。
发明内容
本申请针对现有技术的不足,提供一种基于离子迁移谱的痕量爆炸物识别方法及系统,本申请通过构建一维卷积神经网络时间序列模型,利用离子迁移图谱作为原始特征,通过大量训练样本的学习实现待检测爆炸物的准确识别。本申请具体采用如下技术方案。
首先,为实现上述目的,提出一种基于离子迁移谱的痕量爆炸物识别方法,其包括以下步骤:第一步,通过离子迁移分析仪,按照t秒的采样周期对样本分别进行H次采样,获得H个离子图谱;第二步,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;第三步,将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵;第四步,利用训练好的一维卷积神经网络模型对原始特征矩阵进行爆炸物类别识别,获得样本属于各爆炸物的概率值;第五步,输出概率值最大的类别为待识别样本的爆炸物预测类别。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别方法,其中,所述一维卷积神经网络模型由以下步骤训练获得:步骤s1,采集N个不同种类的爆炸物样本,并分别将其爆炸物类别标记为第1至第X号;步骤s2,通过离子迁移分析仪,按照t秒的采样周期对每一个样本分别进行H次采样,获得N个样本所分别对应的H个离子图谱;步骤s3,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;步骤s4,对每个爆炸物样本,分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵,并按照爆炸物样本的类别标记该原始特征矩阵;步骤s5,将各爆炸物样本所对应的原始特征矩阵输入一维卷积神经网络模型,对一维卷积神经网络模型进行训练,调整一维卷积神经网络模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度,直至一维卷积神经网络模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别方法,其中,所述一维卷积神经网络模型的第一层为输入层,接收H*W的原始特征矩阵;第二层为一维卷积层,包括K1=32个卷积核,卷积核长度T1=24;第三层为第一池化层,其长度为Tc1=12;第四层为第二卷积层,包括K2=64个卷积核,卷积核长度T2=24;第五层为第二池化层,其长度为Tc2=6;第六层、第七层分别为两个全连接层,其神经元个数均为S=32,爆炸物预测类别由训练步骤获得。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别方法,其中,第二步中,还在提取W个横坐标位点所对应的纵坐标数值之前,先将每个离子图谱统一缩放为W个位点,然后顺序提取每一个位点所对应的纵坐标数值,将其按照提取顺序排列为W维的向量。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别方法,其中,位点个数W=4000,采样次数H=40;训练步骤中的爆炸物样本个数N不少于爆炸物类别标记编号总数。
同时,为实现上述目的,本申请还提供一种基于离子迁移谱的痕量爆炸物识别系统,其包括:离子迁移分析仪,其用于对样本分别进行至少1次采样,获得H个离子图谱;向量提取单元,其用于分别在同一样本的每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;原始特征矩阵生成单元,其用于将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵;识别模型,其用于原始特征矩阵进行爆炸物类别识别,获得样本属于各爆炸物的概率值,并输出概率值最大的类别为待识别样本的爆炸物预测类别。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别系统,其中,所述识别模型由以下步骤训练获得:步骤s1,采集N个不同种类的爆炸物样本,并分别将其爆炸物类别标记为第1至第X号;步骤s2,通过离子迁移分析仪,按照t秒的采样周期对每一个样本分别进行H次采样,获得N个样本所分别对应的H个离子图谱;步骤s3,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;步骤s4,对每个爆炸物样本,分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵,并按照爆炸物样本的类别标记该原始特征矩阵;步骤s5,将各爆炸物样本所对应的原始特征矩阵输入识别模型,对识别模型进行训练,调整识别模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度,直至识别模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别系统,其中,所述离子迁移分析仪按照t秒的采样周期对样本分别进行H次采样,获得H个离子图谱。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别系统,其中,所述向量提取单元,其先将每个离子图谱统一缩放为W个位点,然后顺序提取每一个位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量。
可选的,如上任一所述的基于离子迁移谱的痕量爆炸物识别系统,其中,位点个数W=4000,采样次数H=40;识别模型为一维卷积神经网络模型或长短时记忆网络模型,其第一层为输入层,接收H*W的原始特征矩阵;第二层为一维卷积层,包括K1=32个卷积核,卷积核长度T1=24;第三层为第一池化层,其长度为Tc1=12;第四层为第二卷积层,包括K2=64个卷积核,卷积核长度T2=24;第五层为第二池化层,其长度为Tc2=6;第六层、第七层分别为两个全连接层,其神经元个数均为S=32。
有益效果
本申请利用时间序列模型,将离子迁移分析仪所采集的分别对应于不同时刻下的样本的离子图谱进行特征提取和类别识别,从而通过卷积神经网络获得样本属于各类别爆炸物的概率值,进而根据概率判定样本的爆炸物种类。由于本申请的卷积神经网络能够通过原始特征矩阵同时获得离子在各个时刻的迁移状况以及各个时刻所对应的图谱波峰特征,因此,其能够更为准确地识别各类型爆炸物,解决人工分析离子迁移谱图波峰形态所造成的识别效率较低、准确率较低等问题。本发明可以在机场、海关、公检法、反恐等场景中中实现稳定可靠的爆炸物等危险物品识别。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。
附图说明
附图用来提供对本申请的进一步理解,并且构成说明书的一部分,并与本申请的实施例一起,用于解释本申请,并不构成对本申请的限制。在附图中:
图1是本申请的基于离子迁移谱的痕量爆炸物识别方法的步骤流程图;
图2是本申请的基于离子迁移谱的痕量爆炸物识别系统中所采用的爆炸物分类模型示意图;
图3是本申请系统样本所对应的第一个图谱;
图4是本申请系统样本所对应的最后一个图谱。
具体实施方式
为使本申请实施例的目的和技术方案更加清楚,下面将结合本申请实施例的附图,对本申请实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
图1为根据本申请的一种基于离子迁移谱的痕量爆炸物识别方法。其包括以下步骤:
第一步,通过离子迁移分析仪,按照t秒的采样周期对样本分别进行H次采样,获得H个离子图谱,其中第一个和最后一个图谱示例如图3和图4所示;
第二步,分别在每个离子图谱上以等间距或其他任意规则提取W个横坐标位点所对应的纵坐标数值作为该位点的特征,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;
第三步,将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵,即,通过矩阵中的向量顺序表征离子迁移图谱的时间顺序,通过矩阵中各个向量的元素数值表征离子图谱的波峰形态;
第四步,利用训练好的一维卷积神经网络模型对原始特征矩阵进行爆炸物类别识别,获得样本属于各爆炸物的概率值;
第五步,输出概率值最大的类别为待识别样本的爆炸物预测类别。
由此,本申请通过一维卷积神经网络模型,对于爆炸物离子迁移图谱的识别,得到大幅度的准确率提升,并且能够节省大量的人工处理时间。
在一些更为具体的实现方式下,本申请可以通过对一维卷积神经网络模型按照以下方式进行训练从而获得更为准确的识别效果:
S1,先准备本发明训练模型所需样本,一共N个不同的爆炸物,作为训练数据集,每个爆炸物对应一个真实的爆炸物类别(此处的爆炸物包括毒品、危险化学品等物质);
S2,将训练集中的数据送入离子迁移图谱仪,通过离子迁移仪,生成离子图谱。每个样本根据间隔时间t采样H次生成H个图谱,每个图谱统一在横坐标轴上缩放到W范围,并生成W维特征作为该图谱的特征,所以训练集数据总的数据格式为,N * H * W。将其按照时间和位点顺序排列得到所有样本的特征矩阵,对于每个样本来说需要间隔t秒采样H次生成H个图谱,每个图谱横坐标缩放到W范围,并生成W个数值,从而每个样本对应一个H*W的矩阵作为原始特征(本发明对于W,H,t,N不做限定);
S3,根据训练集和一维卷积神经网络模型,对训练集进行网络训练。该模型一共L层,每层K个卷积核,T个步长,池化层序列长度T,训练给定的模型(本发明对L,K不做限定,也不限定具体的时间序列模型,可以是其他时间序列模型比如长短时记忆网络等);
S4,输出模型预测结果,包括属于每个具体爆炸物类别的概率值,根据概率值与样本本身所标记的爆炸物种类之间的偏差修正一维卷积神经网络模型, 根据具体的爆炸物数据特征进行调整,直至模型获得正确的类型识别输出结果。
至此,本申请可直接调用上述训练所获得的模型,对于待识别的爆炸物提取同样的离子迁移图谱矩阵,输入网络模型给出爆炸物属于每种类别的概率,并取最大概率值所对应的类别为最终预测类别。
以图2为例,本申请可将上述由一维卷积神经网络模型或长短时记忆网络模型构成的识别模型设计为:第一层为输入层,输入数据的格式为W*H,图中W=4000,H=40;第二层为一维卷积层,包括K1=32个卷积核,卷积核长度T1=24;第三层为池化层,长度为Tc1=12;第四层为第二个卷积层,包括K2=64个卷积核,卷积核长度T2=24;第五层为池化层,长度为Tc2=6;最后两层为全连接层,神经元个数为S=32,爆炸物类别数为X=12;上述参数仅做说明,不做限定,根据具体情况一维卷积神经模型网络层数L,卷积核个数K,卷积核长度T,以及爆炸物类别数X,可以取不同的数值;对于时间序列模型,以一维卷积神经网络为例,不做限定,也可以是长短时记忆网络模型。
该识别模型的输入需要匹配于原始特征矩阵的大小,因此,该4000*40的识别模型,对应地需要将样本的每个图谱,在横坐标轴上统一缩放为图3、图4中4000个位点,并采集40个周期内的图谱。每个位点提取纵坐标轴数值作为该位点的特征,从而生成一个W维的向量。由于每个样本生成了H个离子图谱,从而每个样本对应一个H*W的二维矩阵作为原始特征矩阵。
由此,本申请利用预先训练好的识别模型,对机场、海关等场所需要进行安全检查的危险物品,比如爆炸物、毒品、危险化学物质等进行基于离子迁移谱的时间及波峰特点的双重维度的特征提取,通过时间序列模型,比如一维卷积神经网络或者长短时记忆网络,进行物质离子图谱识别,以取代传统人工提取图谱波峰特征识别物质的方法。本发明的爆炸物识别方法,首先采集爆炸物的离子迁移图谱以及真实爆炸物标签作为训练集,在训练数据集上利用一维卷积神经网络训练网络模型;然后,对待检测的爆炸物提取离子迁移图谱并根据所训练好的模型给出属于各种爆炸物的概率;最后,确定概率值最大的爆炸物类别为待检测的爆炸物具体种类。其综合应用离子迁移图谱技术和机器学习技术,能够应用于机场、海关、防恐等场景下的爆炸物等危险物品,以提升爆炸物等危险物品识别的准确性和自动化程度。利用本申请方式实现对爆炸物等危险物品的识别,具有不借助于人工参与、识别准确度高等优点,在公共安全和智能反恐领域具有广泛的应用前景,可以在机场、海关、公检法、反恐等场景中迅速实现稳定可靠的爆炸物等危险物品识别。
以上仅为本申请的实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些均属于本申请的保护范围。
Claims (10)
1.一种基于离子迁移谱的痕量爆炸物识别方法,其特征在于,包括以下步骤:
第一步,通过离子迁移分析仪,按照t秒的采样周期对样本分别进行H次采样,获得H个离子图谱;
第二步,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;
第三步,将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵;
第四步,利用训练好的一维卷积神经网络模型对原始特征矩阵进行爆炸物类别识别,获得样本属于各爆炸物的概率值;
第五步,输出概率值最大的类别为待识别样本的爆炸物预测类别。
2.如权利要求1所述的基于离子迁移谱的痕量爆炸物识别方法,其特征在于,所述一维卷积神经网络模型由以下步骤训练获得:
步骤s1,采集N个不同种类的爆炸物样本,并分别将其爆炸物类别标记为第1至第X号;
步骤s2,通过离子迁移分析仪,按照t秒的采样周期对每一个样本分别进行H次采样,获得N个样本所分别对应的H个离子图谱;
步骤s3,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;
步骤s4,对每个爆炸物样本,分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵,并按照爆炸物样本的类别标记该原始特征矩阵;
步骤s5,将各爆炸物样本所对应的原始特征矩阵输入一维卷积神经网络模型,对一维卷积神经网络模型进行训练,调整一维卷积神经网络模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度,直至一维卷积神经网络模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。
3.如权利要求2所述的基于离子迁移谱的痕量爆炸物识别方法,其特征在于,所述一维卷积神经网络模型的第一层为输入层,接收H*W的原始特征矩阵;
第二层为一维卷积层,包括K1=32个卷积核,卷积核长度T1=24;
第三层为第一池化层,其长度为Tc1=12;
第四层为第二卷积层,包括K2=64个卷积核,卷积核长度T2=24;
第五层为第二池化层,其长度为Tc2=6;
第六层、第七层分别为两个全连接层,其神经元个数均为S=32,爆炸物预测类别由训练步骤获得。
4.如权利要求2所述的基于离子迁移谱的痕量爆炸物识别方法,其特征在于,第二步中,还在提取W个横坐标位点所对应的纵坐标数值之前,先将每个离子图谱统一缩放为W个位点,然后顺序提取每一个位点所对应的纵坐标数值,将其按照提取顺序排列为W维的向量。
5.如权利要求4所述的基于离子迁移谱的痕量爆炸物识别方法,其特征在于,位点个数W=4000,采样次数H=40;
训练步骤中的爆炸物样本个数N不少于爆炸物类别标记编号总数。
6.一种基于离子迁移谱的痕量爆炸物识别系统,其特征在于,包括:
离子迁移分析仪,其用于对样本分别进行至少1次采样,获得H个离子图谱;
向量提取单元,其用于分别在同一样本的每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;
原始特征矩阵生成单元,其用于将H个离子图谱所分别对应的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵;
识别模型,其用于原始特征矩阵进行爆炸物类别识别,获得样本属于各爆炸物的概率值,并输出概率值最大的类别为待识别样本的爆炸物预测类别。
7.如权利要求6所述的基于离子迁移谱的痕量爆炸物识别系统,其特征在于,所述识别模型由以下步骤训练获得:
步骤s1,采集N个不同种类的爆炸物样本,并分别将其爆炸物类别标记为第1至第X号;
步骤s2,通过离子迁移分析仪,按照t秒的采样周期对每一个样本分别进行H次采样,获得N个样本所分别对应的H个离子图谱;
步骤s3,分别在每个离子图谱上提取W个横坐标位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量;
步骤s4,对每个爆炸物样本,分别将其所对应的H个离子图谱的H个W维向量按照采样时间顺序组合为H*W的原始特征矩阵,并按照爆炸物样本的类别标记该原始特征矩阵;
步骤s5,将各爆炸物样本所对应的原始特征矩阵输入识别模型,对识别模型进行训练,调整识别模型层数L以及每层的卷积核个数、时间序列长度和池化层序列长度,直至识别模型根据原始特征矩阵识别获得的爆炸物预测类别匹配于对应爆炸物样本的类别标记编号。
8.如权利要求7所述的基于离子迁移谱的痕量爆炸物识别系统,其特征在于,所述离子迁移分析仪按照t秒的采样周期对样本分别进行H次采样,获得H个离子图谱。
9.如权利要求8所述的基于离子迁移谱的痕量爆炸物识别系统,其特征在于,所述向量提取单元,其先将每个离子图谱统一缩放为W个位点,然后顺序提取每一个位点所对应的纵坐标数值,按照横坐标位点顺序将每个离子图谱所对应的W个纵坐标数值组合为一个W维的向量。
10.如权利要求9所述的基于离子迁移谱的痕量爆炸物识别系统,其特征在于,位点个数W=4000,采样次数H=40;
识别模型为一维卷积神经网络模型或长短时记忆网络模型,其第一层为输入层,接收H*W的原始特征矩阵;
第二层为一维卷积层,包括K1=32个卷积核,卷积核长度T1=24;
第三层为第一池化层,其长度为Tc1=12;
第四层为第二卷积层,包括K2=64个卷积核,卷积核长度T2=24;
第五层为第二池化层,其长度为Tc2=6;
第六层、第七层分别为两个全连接层,其神经元个数均为S=32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208177.7A CN113960152B (zh) | 2021-10-18 | 2021-10-18 | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208177.7A CN113960152B (zh) | 2021-10-18 | 2021-10-18 | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113960152A true CN113960152A (zh) | 2022-01-21 |
CN113960152B CN113960152B (zh) | 2023-06-06 |
Family
ID=79464243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111208177.7A Active CN113960152B (zh) | 2021-10-18 | 2021-10-18 | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113960152B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718888A (zh) * | 2022-11-29 | 2023-02-28 | 同方威视技术股份有限公司 | 痕量物质的检测方法、检测装置、电子设备和介质 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070277589A1 (en) * | 2006-05-31 | 2007-12-06 | Harden Charles S | Detection and identification method for in-transit determination of chemical contraband, decaying animal and vegetable matter, and concealed humans in cargo shipping containers and other secure spaces |
WO2007140327A2 (en) * | 2006-05-26 | 2007-12-06 | Waters Investments Limited | Ion detection and parameter estimation for n-dimensional data |
DE102013100693A1 (de) * | 2012-01-24 | 2013-07-25 | Step Sensortechnik Und Elektronik Pockau Gmbh | Verfahren zur Identifizierung und Klassifizierung von Geruchsmustern und anderen Multikomponentengemischen aus Ionenmobilitätsspektren |
CN103901094A (zh) * | 2014-04-22 | 2014-07-02 | 武汉矽感科技有限公司 | 一种基于离子迁移谱仪的油脂检测及鉴别方法 |
CN104155359A (zh) * | 2014-08-22 | 2014-11-19 | 中国农业科学院油料作物研究所 | 一种基于离子迁移谱的食用植物油真伪快速筛查方法 |
CN105300918A (zh) * | 2015-10-26 | 2016-02-03 | 四川大学 | 红外光谱结合化学计量学定性识别混合炸药成分的新方法 |
WO2017033087A1 (en) * | 2015-08-27 | 2017-03-02 | Dh Technologies Development Pte. Ltd. | Rapid scoring of lc-ms/ms peptide data |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN108229435A (zh) * | 2018-02-01 | 2018-06-29 | 北方工业大学 | 一种用于行人识别的方法 |
CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
US20190018019A1 (en) * | 2017-07-17 | 2019-01-17 | Bioinformatics Solutions Inc. | Methods and systems for de novo peptide sequencing using deep learning |
US20190034586A1 (en) * | 2017-07-28 | 2019-01-31 | The Translational Genomics Research Institute | Methods of Profiling Mass Spectral Data Using Neural Networks |
CN110059765A (zh) * | 2019-04-26 | 2019-07-26 | 中国地质大学(北京) | 一种矿物智能识别分类系统与方法 |
CN110569702A (zh) * | 2019-02-14 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 视频流的处理方法和装置 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN111062411A (zh) * | 2019-11-06 | 2020-04-24 | 北京大学 | 从质谱数据中识别多种化合物的方法、装置和设备 |
CN111141860A (zh) * | 2019-12-19 | 2020-05-12 | 中国农业科学院茶叶研究所 | 一种基于离子迁移谱的绿茶香气动态指纹分析及香型判别方法 |
CN111428585A (zh) * | 2020-03-09 | 2020-07-17 | 北京航空航天大学 | 一种基于深度学习的超材料太赫兹谱学识别方法 |
KR102172968B1 (ko) * | 2019-05-02 | 2020-11-02 | 한전케이디엔주식회사 | 선로 이상상태 판단 장치 및 방법 |
CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及系统 |
CN113030060A (zh) * | 2019-12-25 | 2021-06-25 | 同方威视技术股份有限公司 | 基于卷积神经网络的毒品拉曼光谱识别方法 |
CN113138248A (zh) * | 2021-04-25 | 2021-07-20 | 贵州中烟工业有限责任公司 | 特征图谱提取方法及料液配制质量稳定性的检测方法 |
-
2021
- 2021-10-18 CN CN202111208177.7A patent/CN113960152B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007140327A2 (en) * | 2006-05-26 | 2007-12-06 | Waters Investments Limited | Ion detection and parameter estimation for n-dimensional data |
US20070277589A1 (en) * | 2006-05-31 | 2007-12-06 | Harden Charles S | Detection and identification method for in-transit determination of chemical contraband, decaying animal and vegetable matter, and concealed humans in cargo shipping containers and other secure spaces |
DE102013100693A1 (de) * | 2012-01-24 | 2013-07-25 | Step Sensortechnik Und Elektronik Pockau Gmbh | Verfahren zur Identifizierung und Klassifizierung von Geruchsmustern und anderen Multikomponentengemischen aus Ionenmobilitätsspektren |
CN103901094A (zh) * | 2014-04-22 | 2014-07-02 | 武汉矽感科技有限公司 | 一种基于离子迁移谱仪的油脂检测及鉴别方法 |
CN104155359A (zh) * | 2014-08-22 | 2014-11-19 | 中国农业科学院油料作物研究所 | 一种基于离子迁移谱的食用植物油真伪快速筛查方法 |
WO2017033087A1 (en) * | 2015-08-27 | 2017-03-02 | Dh Technologies Development Pte. Ltd. | Rapid scoring of lc-ms/ms peptide data |
CN105300918A (zh) * | 2015-10-26 | 2016-02-03 | 四川大学 | 红外光谱结合化学计量学定性识别混合炸药成分的新方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
US20190018019A1 (en) * | 2017-07-17 | 2019-01-17 | Bioinformatics Solutions Inc. | Methods and systems for de novo peptide sequencing using deep learning |
US20190034586A1 (en) * | 2017-07-28 | 2019-01-31 | The Translational Genomics Research Institute | Methods of Profiling Mass Spectral Data Using Neural Networks |
CN108229435A (zh) * | 2018-02-01 | 2018-06-29 | 北方工业大学 | 一种用于行人识别的方法 |
CN108760829A (zh) * | 2018-03-20 | 2018-11-06 | 天津大学 | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN110569702A (zh) * | 2019-02-14 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 视频流的处理方法和装置 |
CN110059765A (zh) * | 2019-04-26 | 2019-07-26 | 中国地质大学(北京) | 一种矿物智能识别分类系统与方法 |
KR102172968B1 (ko) * | 2019-05-02 | 2020-11-02 | 한전케이디엔주식회사 | 선로 이상상태 판단 장치 및 방법 |
CN111062411A (zh) * | 2019-11-06 | 2020-04-24 | 北京大学 | 从质谱数据中识别多种化合物的方法、装置和设备 |
CN111141860A (zh) * | 2019-12-19 | 2020-05-12 | 中国农业科学院茶叶研究所 | 一种基于离子迁移谱的绿茶香气动态指纹分析及香型判别方法 |
CN113030060A (zh) * | 2019-12-25 | 2021-06-25 | 同方威视技术股份有限公司 | 基于卷积神经网络的毒品拉曼光谱识别方法 |
CN111428585A (zh) * | 2020-03-09 | 2020-07-17 | 北京航空航天大学 | 一种基于深度学习的超材料太赫兹谱学识别方法 |
CN111985368A (zh) * | 2020-08-07 | 2020-11-24 | 武汉善睐科技有限公司 | 一种面向容器云的卷积神经网络水体提取方法 |
CN112509702A (zh) * | 2020-11-30 | 2021-03-16 | 质美(北京)生物科技有限公司 | 基于医疗大数据的疾病预测方法及系统 |
CN113138248A (zh) * | 2021-04-25 | 2021-07-20 | 贵州中烟工业有限责任公司 | 特征图谱提取方法及料液配制质量稳定性的检测方法 |
Non-Patent Citations (6)
Title |
---|
LIU J,ET AL: "Deep convolutional neural networks for raman spectrum recognition:a unified solution", 《ANALYST》, vol. 142, pages 4067 - 4071 * |
ZHANG S,ET AL: "Large margin metric learning for multi-view vehicle re-identification", 《NEUROCOMPUTING》, vol. 447, pages 118 - 128 * |
ZHANG S,ET AL: "Person re-identification by multi-camera networks for internet of things in smart cities", 《IEEE ACCESS》, vol. 6, pages 76111 - 76117, XP011701410, DOI: 10.1109/ACCESS.2018.2883560 * |
李颖宏;等: "一种基于边缘高斯混合模型的运动目标检测方法", 《系统仿真学报》, no. 1, pages 72 - 74 * |
王海燕,等: "相似度分析结合人工神经网络鉴别苹果香精", 《计算机工程与应用》, vol. 54, no. 4, pages 141 - 147 * |
陈新华,等: "离子迁移谱的智能识别法及应用于易制毒化学品稽查", 《计算机与应用化学》, vol. 24, no. 09, pages 1145 - 1148 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718888A (zh) * | 2022-11-29 | 2023-02-28 | 同方威视技术股份有限公司 | 痕量物质的检测方法、检测装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113960152B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN107563999A (zh) | 一种基于卷积神经网络的芯片缺陷识别方法 | |
CN111060838B (zh) | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN111814685B (zh) | 基于双支路卷积自编码器的高光谱图像分类方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN110134961A (zh) | 文本的处理方法、装置和存储介质 | |
CN109460471B (zh) | 一种基于自学习的方式建立纤维种类图谱库的方法 | |
CN113128335B (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
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 | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
CN115964670B (zh) | 一种频谱异常检测方法 | |
CN113960152A (zh) | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 | |
CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN107194373A (zh) | 一种高光谱遥感影像特征提取与分类方法 | |
CN112949944B (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
CN105893945A (zh) | 一种遥感图像目标识别方法 | |
CN111062448B (zh) | 设备类型的识别模型训练方法、设备类型识别方法和装置 | |
CN109063750A (zh) | 基于cnn和svm决策融合的sar目标分类方法 |
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 |