通过激光诱导分解光谱学快速识别LED
Nan Chen1,2, Zixun Luo1, Xinjian Shen1
1School of Mechatronics Engineering, East China Jiaotong University, Nanchang 330000, PR China.
准确识别LED电子废物中的光素至关重要. 激光诱导的分解光谱学与卷积神经网络相结合,在识别方面实现了99.47%的准确性,有助于回收工作.
科学领域:
- 材料科学 材料科学 材料科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 准确的识别对于有效的发光二极管 (LED) 电子废物回收利用至关重要.
- 体之间颜色和组成的相似性提出了识别挑战.
- 激光诱导分解光谱 (LIBS) 和机器学习为快速材料分析提供了潜力.
研究的目的:
- 开发和评估机器学习模型,使用LIBS数据识别常见的LED光.
- 为了比较随机森林 (RF),支持向量机 (SVM) 和卷积神经网络 (CNN) 模型的性能.
主要方法:
- 从八种常见的LED光体 (稀土,含重金属,常见) 收集了LIBS光谱.
- 使用光谱数据开发和训练RF,SVM和2D CNN分类模型.
- 在测试对识别准确性的测试组上评估模型性能.
主要成果:
- 射频和SVM模型实现了超过95%的识别准确度.
- 2D CNN模型表现出卓越的性能,在识别方面达到99.47%的最大精度.
- 该研究成功地区分了各种类型.
结论:
- 将LIBS技术与CNN算法相结合,显示了LED电子废物回收利用的重大前景.
- 开发的CNN模型提供了一个非常准确的方法,用于快速识别.
- 这种方法可以提高电子垃圾回收过程的效率和有效性.
更多相关视频
08:53Dependence of Laser-induced Breakdown Spectroscopy Results on Pulse Energies and Timing Parameters Using Soil Simulants
Published on: September 23, 2013
09:40Measurement and Analysis of Atomic Hydrogen and Diatomic Molecular AlO, C2, CN, and TiO Spectra Following Laser-induced Optical Breakdown
Published on: February 14, 2014
相关概念视频
Photoluminescence: Applications
Atomic Emission Spectroscopy: Lab
Fluorescence and Phosphorescence: Instrumentation
Photoluminescence: Fluorescence and Phosphorescence
A pair of electrons in a...
Gas Chromatography: Types of Detectors-II
Flame Photometry: Overview
