一种基于深度学习的等离子体图像频谱融合的光谱偏差错误逐步校正方法,用于提高LIBS的性能
Deng Zhang1, Honghua Ma2, Junfei Nie2
1School of Computer and Electronic Information, Nanjing Normal University, Nanjing, Jiangsu, 210023, PR China.
本研究介绍了一种深度学习方法,用于纠正激光诱导分解光谱 (LIBS) 中的光谱不稳定性. 频谱偏差错误逐步校正方法 (SBESC-PISF) 在具有挑战性的条件下显著提高了定量分析的准确性.
科学领域:
- 频谱学是一种光谱学.
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
背景情况:
- 激光诱导分解光谱 (LIBS) 的光谱稳定性差,限制了其在精确的定量分析中的应用.
- 复杂等离子体参数的波动会导致光谱偏差和错误,阻碍精确的元素度确定.
- 开发改善光谱稳定的方法对于推进LIBS技术至关重要.
研究的目的:
- 提出一种新的光谱校正方法,以在复杂的检测条件下增强LIBS定量分析.
- 通过解决光谱不稳定性来实现高精度的定量分析.
- 开发一种将多维等离子体信息与物理和算法模型集成的方法.
主要方法:
- 开发了一种基于深度学习 (SBESC-PISF) 的等离子体图像频谱融合的光谱偏差错误逐步校正方法.
- LIBS光谱被分解成理想的光谱强度,光谱偏差和光谱误差组件.
- 深度学习被用来从等离子体图像和光谱中提取特征以逆转等离子体参数,从而使光谱偏差和错误估计用于校正.
主要成果:
- 在波动激光能量和失焦条件下,SBESC-PISF方法对合金样本的光谱稳定性显著改善.
- 校准曲线的线性 (R2) 在校正后在各种复杂条件中始终达到0.999.
- 在所有测试的复杂检测场景下,验证集的根平均平方误差 (RMSE) 和标准偏差 (STD) 减少了50%以上.
结论:
- 拟议的SBESC-PISF方法有效地纠正了LIBS的光谱波动,使得高精度的定量分析成为可能.
- 深度学习与等离子图像频谱融合的整合证明了对逆转等离子体参数和纠正光谱错误的强大作用.
- 在具有挑战性和可变的实验条件下,SBESC-PISF对LIBS分析具有广泛的适用性和稳定性.
更多相关视频
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
08:22Measurement of 3-Dimensional cAMP Distributions in Living Cells using 4-Dimensional x, y, z, and λ Hyperspectral FRET Imaging and Analysis
Published on: October 27, 2020
相关概念视频
Inductively Coupled Plasma Atomic Emission Spectroscopy: Instrumentation
There are three main types of inductively coupled plasma atomic emission spectroscopy (ICP-AES) instruments: sequential, simultaneous multichannel, and Fourier transform instruments, with the latter being less commonly used....
Atomic Emission Spectroscopy: Lab
NMR Spectrometers: Resolution and Error Correction
Atomic Emission Spectroscopy: Interference
