相关实验视频
Updated: Jul 16, 2026
08:47
Computer Vision-Based Biomass Estimation for Invasive Plants
Published on: February 9, 2024
一个半监督的域名适应框架,加上注意力增强的ResNet50,用于在光谱分布转移下基于LIBS的土壤分类
Yihua He1, Yu Ding2, Xiangchu Li2
1School of Automation, Nanjing University of Information Science & Technology, Nanjing, 210044, China; School of Mechanical and Electrical Engineering, Anhui Jianzhu University, Hefei, 230601, China.
Analytica chimica acta
|March 11, 2026
概括
本研究引入了一种半监督域适应框架,通过解决光谱变化,使用激光诱导分解光谱 (LIBS) 改进土壤分类. 该方法实现了高精度,增强了对各种土壤样本的LIBS分析.
科学领域:
- 分析化学 分析化学
- 机器学习 机器学习
- 地质科学是地球科学.
背景情况:
- 激光诱导分解光谱 (LIBS) 是一种快速,非破坏性的土壤分类技术.
- 深度学习集成增强了LIBS土壤分类,但光谱变化挑战了模型性能.
- 解决光谱分布变化对于准确的LIBS土壤分析至关重要.
研究的目的:
- 开发一种有效的方法,以减轻LIBS土壤分类中的光谱分布变化.
- 提高LIBS分析在不同土壤领域的适应性和性能.
- 提高LIBS技术在土壤分析中的应用潜力.
主要方法:
- 为跨域LIBS光谱分类提出了一种半监督域调整 (SSDA) 框架.
- 格拉米安角场 (GAF) 技术将1D光谱编码为2D图像,以增强特征表示.
- 一个具有注意力机制的深度卷积神经网络 (SE-ResNet50) 与SSDA集成,结合基于模型的转移学习 (MBTL) 和伪标签学习 (PLL).
主要成果:
- 拟议的SSDA框架在目标域测试集上实现了97.67%的分类准确性.
- 该方法在跨领域的土壤分类中明显优于比较模型.
- 实验结果验证了该框架在缓解光谱分布转移方面的有效性.
结论:
- 该研究成功地解决了由土壤特性变化引起的光谱分布变化.
- 开发的SSDA框架显著改善了LIBS在跨领域土壤分类中的表现.
- 拟议的方法显示了基于LIBS的土壤分析的大量应用潜力.