基于近红外高光谱成像与卷积神经网络相结合的独立危险材料识别

科学领域:

• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量
• 机器学习 机器学习

背景情况:

• 传统方法难以识别具有微妙光谱特征的危险材料.
• 近红外 (NIR) 超光谱成像提供非接触式,非破坏性分析,但需要先进的处理来进行明显的光谱识别.
• 在快速,高通量选和对各种危险材料的准确分类方面存在挑战.

研究的目的:

• 开发一种新的方法,使用NIR超光谱成像来快速,非接触式识别和分类危险材料.
• 采用卷积神经网络 (CNN) 进行增强的光谱选和准确的材料识别.
• 评估基于CNN的系统与SVM和KNN等传统方法的性能.

主要方法:

• 使用了一种自制的NIR高光谱成像系统.
• 一个卷积神经网络 (CNN) 被开发和优化用于光谱分类.
• 进行了多任务验证测试,包括模拟现实世界的场景,包括障碍物和各种包装.

主要成果:

• 优化的CNN实现了高性能指标:91.08%的准确性,91.15%的回忆,91.62%的特异性,90.17%的精度和0.924的F1得分.
• 对于酸和三二醇的敏感检测极限为10 mg/cm2被证明.
• 该系统成功地在复杂的背景中识别了危险化学品,包括分散的材料,玻璃/塑料背后,并且在部分被衣服遮蔽时,同时识别了100多个目标.

结论:

• 基于CNN的NIR高光谱成像系统为识别和定位危险化学品提供了准确和快速的解决方案.
• 这种非接触式方法证明了危险材料的有效分类和识别,即使在具有挑战性的条件下.
• 该研究为未来无接触,远距离的化学度定量测定奠定了基础,并扩大了科学和工程领域的应用.