激光诱导击穿光谱技术与卷积神经网络相结合的中药材产地识别研究

为了更好地对道地药材产地进行识别,文中提出一种激光诱导击穿光谱(Laser-induced breakdown spectroscopy, LIBS)技术与卷积神经网络(Convolutional neural networks, CNN)相结合,并在网络结构中加入卷积块注意力模块(Convolutional block attention module, CBAM)的药材产地识别混合模型(CNN-CBAM).该模型采用端到端的网络结构,利用CNN挖掘数据中的深层特征,通过加入注意力机制来提升网络的特征提取能力.实验采集5个不同产地黄芪的LIBS光谱数据,通过构建的混合模型对测试集的识别精度进行评估,发现相较于未改进的CNN模型以及传统机器学习中的支持向量机和随机森林算法模型,改进后的CNN在测试集上的准确率可达到100%.研究结果证明了LIBS技术结合CNN-CBAM网络模型对中药材产地进行准确识别的有效性.     

基于近红外光谱特性分析的花生含水率检测

以花生检测国家标准GB/T 5497为基础，采用近红外光谱检测技术对花生含水率是否达标进行检测. 实验配制了30个不同含水率的花生样本，其中18个样本含水率达到国家标准，12个未达标，将样本分为训练集和测试集，通过近红外实验获取不同含水率的花生对不同波长光的吸收情况，将采集的数据作为BP神经网络的输入参数，在训练集对神经网络进行学习和训练，然后采用该模型，对测试集花生含水率是否达标进行测试. 实验表明，基于近红外光谱技术和神经网络的识别方法可全部正确识别测试集样本.     

基于太赫兹光谱曲线识别的爆炸物识别方法研究

运用THz光谱特性可以对各种化学品以及爆炸物进行识别.由于对原始数据直接进行识别的识别率不理想,本文首先对实验样本的THz频域光谱数据曲线进行归一化和5点平滑,得到了更能表现数据变化趋势和峰值的特征曲线,然后基于该特征曲线利用曲线极值算法,设计并用VC＋＋6.0实现了对THz光谱的分类识别.通过对RDX、DNT、TNT、HMX 4种爆炸物进行对比识别实验,运用样本进行训练,识别率为96%,通过更换2组样本数据进行验证实验,识别率均为98%.实验证明,本文所设计的曲线极值分析法对THz光谱特征曲线具有较高的识别率.     

基于光谱特征的玉米品种高光谱图像识别

为了对玉米种子进行无损识别分类,对玉米种子的高光谱图像的光谱信息进行分析,探索高光谱图像技术在玉米种子识别分类上的可行性。利用波长范围为400～1 000 nm的高光谱图像采集系统采集11类共528粒玉米样本的高光谱图像;在每个玉米样本上提取感兴趣区域并获取此区域的平均光谱信息,对光谱曲线进行分析,去除12个奇异样本;结合偏最小二乘判别分析法对所选玉米种子样本识别分类。实验结果表明,在所选玉米样本的识别中训练集样本的识别精度可以达到99.22%,测试集样本的识别精度也达到了94.66%。研究结果表明,不同种类的玉米种子的光谱信息具有一定的差异性,利用高光谱图像技术提取其光谱信息对玉米种子品种进行无损识别分类是可行的。     

基于经典卷积神经网络的智能煤矸识别

为了准确快速地识别原煤中的煤和矸石,基于机器视觉的方式,采取经典卷积神经网络模型对煤和矸石图像进行识别分类;利用在以实验室环境下采集的小批量煤和矸石图像数据,运用数据增强技术扩充数据集,在深度学习框架中搭建各种经典卷积神经网络模型,对采集的数据集进行训练、验证和测试,获得各经典网络的训练准确率和损失函数曲线,并结合训练...     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

半监督条件下的贝叶斯估计辐射源指纹特征识别

针对传统辐射源指纹识别过程中测试数据间的相关性往往被忽略,同时非合作条件下辐射源信号的识别训练标签数据不足的问题,提出了一种半监督条件下的贝叶斯估计辐射源指纹特征识别算法.首先,针对训练数据集不足的问题,在训练特征集提取阶段,利用半监督条件下的贝叶斯估计算法将有标签训练数据和无标签测试数据同时用于特征学习,以获取更为鲁棒的训练特征集.其次,为了有效利用测试数据之间的相关性,在测试特征集识别阶段,利用测试特征集与训练特征集的联合表征模型,将测试数据之间的相关性考虑在内,以提高识别算法的鲁棒性.实验结果表明:该算法在训练样本较少的情况下,依然可以获得较为鲁棒的分类识别效果.     

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证.利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释.结果表明:所构建模型在测试集中的平均识别准确率达98.89％,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力.     

基于血液光谱的物种检测技术

提出一种基于血液光谱数据识别血液来源物种的光谱检测技术.设计制作了一套可以采集抗凝管血样光谱的检测设备,使用该设备采集了649个血样的光谱数据,建立了一个小型的血液光谱数据集.为了满足物种识别的需求,建立了一种基于数据驱动的建模方法.使用该方法对样本数据集进行交叉验证,可以达到95%的识别准确率,并发现该准确率随着样本数量增加而升高.     

LIBS定量分析中降低基体效应的方法

介绍了激光诱导击穿光谱技术(LIBS)定量分析的原理,在此基础上研究了LIBS定量分析中降低基体效应的方法.基体效应的形成原因尚不明确,但基体效应对LIBS定量分析所产生的影响是不容忽视的.将LIBS定量分析中基体效应校正方法分为2类:一类是基于定标曲线结合改进线性回归方程的基体校正方法,另一类是结合神经网络的基体效应校正方法.通过实验分别对其2种方法进行了阐述.     

LIBS技术在线检测重金属污染物的应用研究

指出了激光击穿光谱(LIBS)是一种新型的元素分析技术,具有灵敏度高、快速、可多元素同时测量并可在线检测等优点,非常适合针对环境中重金属污染物的实时在线检测.利用自行搭建的一套激光击穿光谱实验装置,开展了对烟气、污水、土壤中重金属的LIBS探测的实验研究,实验结果表明:LIBS技术为解决环境中重金属污染物的实时在线检测提供了技术支持,为将该技术利用到环境保护领域奠定了基础.     

基于BP神经网络检测面粉中滑石粉含量的研究

利用近红外光谱技术对掺杂滑石粉的小麦面粉进行了检测,采用多元散射校正对谱图进行预处理,利用BP神经网络中的SCG反向传播算法训练函数建立了面粉中滑石粉的定量分析模型,并对校正集和预测集进行了定量分析,分析结果为R2=0.997 3,RMSEC=0.436 7,RMSEP=1.708 8.结果表明,BP神经网络结合近红外光谱技术检测面粉中滑石粉含量具有快速、精度高、泛华能力强的优点,可用于面粉中滑石粉含量的快速准确检测.     

激光感生击穿光谱技术在燃烧诊断中的应用

简述了激光感生击穿光谱(LIBS)技术的研究基础,包括实验台架、光谱定性定量分析方法,详细介绍了所进行的LIBS技术在燃烧诊断中的应用研究工作,利用LIBS技术对飞灰中的碳含量和燃煤特性及成分进行了分析.结果表明,采用LIBS测得的飞灰含碳量与传统的重量燃烧法测得的飞灰含碳量结果吻合较好;煤化程度不同的煤呈现出不同的等离子体时间谱,在相同实验条件下,煤化程度越高的煤种其等离子体温度越高;利用LIBS技术测得的燃煤成分含量与传统测量方法得到的结果吻合亦较好.该研究证实了激光感生击穿光谱技术在燃烧诊断中应用的可行性,为后续的燃烧诊断研究和试验工作奠定了基础.     

基于样本选择的跨被试脑力负荷识别

人体的脑力负荷状态与人机操作工作时的工作效率,人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,本文提出了一种基于样本选择的跨被试脑力负荷识别方法。将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异,之后再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维,最后再用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。     

基于激光诱导离解光谱的土壤重金属监测定量化方法研究

由于激光诱导离解光谱技术（LIBS）具有快速、实时、可在线分析多种物质元素等诸多优点,使其在同类元素探测方法中显示出巨大的潜力和优越性,但LIBS定量化问题仍然是目前LIBS发展中的难点问题。基于LIBS的方法通过对土壤中重金属进行实时监测并对实验数据进行分析,旨在探讨激光诱导离解光谱技术的定量化反演方法应用,为其今后在各领域中的定量化应用提供一定的理论依据。     

基于学习向量量化在蜂蜜LIF光谱图像识别的应用

针对目前蜂蜜检测技术存在的无法快速、准确识别的问题,提出了一种基于激光诱导荧光(LIF)与学习向量量化(LVQ)有机结合对蜂蜜进行快速识别的方法;采用LIF获取蜂蜜的光谱数据,利用主成分分析(PCA)对光谱数据处理,将处理后的数据输入已建立好LVQ分类学习模型中进行分类识别;实验将挑选4种不同的蜂蜜,每种采集50组蜂蜜光谱数据,随机抽取120组蜂蜜光谱数据用于LVQ神经网络模型的训练,其余80组蜂蜜数据将输入训练好的LVQ模型进行测试; LVQ分类学习模型用于蜂蜜分类鉴定需要的时间为0.8 s,LVQ分类学习模型用于蜂蜜分类鉴定的准确率达到99.45%;实验结果表明:将基于LIF与LVQ有机结合,可以满足蜂蜜快速、准确识别的要求。     

基于深度学习的化妆品塑料瓶缺陷检测

提出一种基于深度卷积神经网络的化妆品塑料瓶表面缺陷检测算法。采用百万像素级别的工业相机采集大量的塑料瓶图像样本,并通过HSV(hue,saturation,value)颜色空间变换和Otsu阈值分割等方法对图像进行预处理。采用随机图像变换法对数据集进行增强,并对图像进行标准归一化处理。在卷积神经网络模型中应用深度可分离卷积和Dropout技术以减少参数量,从而避免过度拟合。使用训练样本集训练该模型,并在测试集中将结果与几种经典图像识别算法进行比较分析,结果显示,本文算法的识别准确率高达约0.97。由此表明本文算法的效果优于其他经典算法,有望将其应用于化妆品塑料瓶缺陷检测的工业自动化系统,以提升缺陷识别效果,从而提高生产效率。     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

基于KNN算法的手写数字识别研究

KNN算法用于手写数字识别的时候,需要将待识别的手写数字图像(测试集)与一些已知的手写数字图像(训练集)联合在一起求向量之间的最短距离,才能判断待识别数字图像的分类.设计了一种将测试集图像中的数据与尺寸转换为与训练集图像完全相似的转换算法,并在此基础上,将测试集和训练集都转换成有相同列数量的一维向量,进而求出向量之间的距离,并通过编写Python程序对该算法进行了验证.测试结果表明,该方法对手写数字图像的正确识别率能够达到95%以上.     

利用太赫兹时域光谱对RDX及RDX相关混合炸药进行检测的实验研究

采用THz时域光谱(Terahertz time domain spectroscopy,THz-TDS)测试技术,在室温氮气环境中,对几种爆炸性物质(单质炸药环三亚甲基三硝胺(RDX)、钝感RDX以及五种以RDX为主体成分的混合炸药)在0.2~2.5THz波段的光谱特性进行了实验探测。给出了这些炸药样品的吸收系数和折射率等光学参数,得到了具有高分辨率的特征吸收谱和折射率谱。实验结果显示,利用THz-TDS技术可以对单质炸药以及以其为主体成分的混合炸药进行检测和识别。为利用THz-TDS研究其他爆炸性物质,建立爆炸物的指纹谱库提供了科学依据。