基于合成训练数据的神经网络用于在被动红外多光谱图像中自动检测化学

科学领域:

• 大气科学 大气科学
• 遥感是一种远程传感.
• 分析化学是一种分析化学.

背景情况:

• 空气中挥发性有机化合物 (VOC) 的自动检测依赖于被动红外 (IR) 多谱遥感数据的模式识别分析.
• 通过实地实验获取分析活性训练数据是由于高成本和时间要求而造成的重大瓶.

研究的目的:

• 开发一种具有成本效益的方法来模拟红外辐射档案,用于训练自动化VOC检测系统.
• 通过结合模拟和现场收集的数据来创建一个合成的训练数据集,以提高分类器的性能.

主要方法:

• 使用普朗克辐射定律和放射学模型开发了一个模拟策略,其中包含了目标化合物 (例如甲醇) 的实验室光谱.
• 模拟的分析剂-活性辐射档案与现场收集的分析剂-无活性辐射数据相结合,生成合成训练数据集.
• 使用反向传播的神经网络,在这个合成数据集上训练有素的分类器.

主要成果:

• 开发的方法成功模拟了红外辐射档案,使得可以创建合成训练数据集.
• 在合成数据集上接受培训的分类器在与空中调查的现场收集数据进行评估时表现出有效的性能.
• 这种方法在空中调查中被证明是可行的,使用甲醇作为目标化合物.

结论:

• 模拟红外辐射档案为训练大气VOC检测系统提供了广泛的实地实验的实用和经济的替代方案.
• 合成数据方法提高了远程传感应用中的模式识别分析的效率和准确性.
• 这种方法对推进自动化大气监测和分析具有前景.