多光谱分离算法在目标识别中的研究

针对野外工作时机械扫描式的光学系统抗震性差、目标识别率低、实时性差等问题,设计了采用多光谱分离算法实现非扫描目标识别遥感系统。采用非扫描的M-Z干涉具提供空间光程差,由红外CCD采集干涉条纹信息,经CUP处理得到混合光谱,结合可见光视频图像提供的坐标系实现识别目标。其中采用遗传算法优化选择特征波长,然后由粗糙集分类提取未知目标谱的属性,取前1/3可信度的相应属性反演待测目标种类,相比传统算法减少约9倍的运算量。在不同天气、不同背景条件下做实验,得到系统在各种情况下的探测极限及识别概率。由实验数据可知,采用遗传算法和粗糙集分类相结合的多光谱分离算法可以快速、有效地识别未知目标的种类。     

静态傅里叶干涉具在目标识别中的应用研究

设计了基于静态光谱分析的目标识别遥测方法。针对机械扫描式干涉方法结构复杂、稳定性差、主动监测隐蔽性差等问题,采用静态遥测技术取代机械扫描光程,应用光谱分析方法,对大范围视场内进行光谱探测,从而在恶劣的环境中实现了目标识别。经仿真计算,得到温度、波长及空气透射率与光谱辐亮度之间的函数关系。采用AViiVA-M2型CCD相机、静态傅里叶干涉具、1 m×1 m的铁板作为待测目标等做相关实验,分别在一天中不同时间、不同探测距离、不同背景的条件下,得到了各种情况下整个系统的探测极限位置。通过实验数据及计算结果表明,静态干涉方法应用于目标识别是可行的,由差谱特征反演得到的目标识别平均概率达到92.8%。     

基于光谱探测与图像识别的反伪装目标系统研究

为了在野外环境中快速有效地识别敌方伪装的机动目标,设计了基于光谱探测与视频图像目标识别方法联用的目标识别系统。采用视频图像识别技术获取被测区域的二维影像,再通过光谱探测技术识别目标,最终将目标重建在图像相应位置上从而实现目标识别的可视化。理论推导得到了系统可识别目标的函数关系式,根据该函数关系进行了目标识别的量化实验。实验采用汽车模拟被测机动目标,在不同距离上分别以平坦荒地、灌木丛和废弃建筑物为背景,对明显目标、涂覆迷彩色的目标以及遮挡伪装物的目标分别进行光谱探测。实验结果显示,测试背景对光谱探测效果有一定影响,背景的连续性有利于目标识别;伪装方式以伪装物遮挡最难识别,且随着目标与系统的距离增大而信噪比随之降低。综上所述,采用光谱探测技术克服了传统图像目标识别无法识别伪装目标的缺点,可以实现对伪装目标的有效识别。     

基于磁光调制的多光谱目标识别系统的研究

基于特征光谱的目标识别技术具有检出能力强,可分辨目标种类等优点,但也存在一定的问题,即需要事先获取背景光谱作为先验知识且要求背景光谱随时间的变化较小。由此限制了其在新环境、复杂环境中实时目标识别方面的应用。设计了一种采用磁光调制配合特征光谱分析的技术手段,使目标识别过程中无需事先获取背景谱,从而实现了一次采集获取被测目标信息的功能,相比传统的目标检测方法而言,对战场的适应能力更强,具有较好的实用意义。同时,磁光调制技术有效地抑制了背景杂散光的干扰,从而提高了目标识别概率。由于磁光调制提供了目标光谱的累加迭代信息,故即使未知背景光谱或者背景光谱变化较大时,也可以通过目标光谱的迭代信息大幅提高目标识别率。针对不同被测目标的回波光强与背景光强值进行实验分析,结果显示,三种目标对调制线偏振光的反射能力明显强于背景。采用伪装色的被测目标对可见光成像目标识别影响很大,而调制偏振型系统仍能很好地识别目标。在此基础上,对0.5～2 km范围内的目标进行多特征波长目标种类识别。采用三个特征波长时,目标识别概率在2 km左右明显降低,采用四个或五个特征波长位置时,可以实现95.0%以上的目标识别概率,同时为了降低运算量提高系统的实时检测能力,最终采用四个特征波长。     

红外偏振成像对伪装目标的探测识别研究

针对目前普通光电成像系统对伪装目标的探测和识别概率较低的状况,提出伪装目标的探测识别新技术研究。介绍了红外偏振成像系统的原理、组成和特点,研制的中波/长波红外偏振成像装置,其波段范围为3 m ~5 m和8 m~12 m,线偏振度95%,消光比大于100∶1,给出了试验分析数据和偏振融合效果图。研究表明,采用红外偏振成像技术可以有效地实现对地面伪装目标的探测和识别。研究结果还可以扩展到对人工假目标、空中隐身目标等的探测和识别。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物,用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200～370 nm,间隔10 nm记录一个数据;发射波长为240～390 nm,间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差（MSE）均小于0.003,网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间,越高越好）,可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％,预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。     

多胶接缺陷太赫兹检测信号的PSO-BP神经网络识别

采用太赫兹时域光谱无损检测技术对多胶接结构耐高温复合材料缺陷进行检测。为了识别同一位置上、下层同时存在脱粘缺陷,分析无缺陷区域、上层脱粘区域、下层脱粘区域的太赫兹信号波形,以特征峰峰度、偏度、最小值、峰谷值、波形因子以及信号幅值绝对平均值为特征,作为BP神经网络的输入。并通过粒子群算法优化BP神经网络的初始权重和阈值,解决了BP神经网络易陷入局部最优的问题。粒子群算法优化后的BP神经网络可实现上层100μm和下层100μm脱粘缺陷的识别,准确率达到90.71%和86.92%。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于BP神经网络的血液荧光光谱识别分类研究

光谱技术在生物和医学检测方面具有积极的应用前景。由于血液成分的复杂性和类同性,有关不同动物血液光谱识别分类的技术研究尚未出现较为完善的结论。基于机器学习理论, 以BP神经网络为工具, 建立了对不同动物血液荧光光谱进行特征提取和识别分类的方法。实验采用Cary Eclipse光谱仪分别采集了鸽、鸡、鼠、羊四种动物不同浓度(1%和3%)的全血与红细胞荧光光谱数据(每个类型样本各50组数据);基于移动平滑算法对原始数据进行了平滑处理,以减少实验仪器噪声对特征提取和识别分类的影响;进一步根据血液光谱数据的特性, 该文出了“组合放大”的特征提取方法, 并建立了BP神经网络分类器进行训练和识别。相比于常用的光谱数据(单一)特征, 提出的“组合放大”特征和所设计的BP神经网络能对不同动物、不同类型(全血与红细胞)、不同浓度(1%和3%)的血液荧光光谱实现100%的准确分类, 同时神经网络测试误差均远小于设定的允许误差值。研究的动物血液光谱特征提取及识别技术具有较好的普适性和可靠性, 在农业、食品检查、以及生物医学检测等方面均可发挥重要作用。     

利用AOTF多光谱成像系统实现伪装目标的识别

针对传统分光器件存在移动部件以及不能快速实时选择波长的不足,搭建了用声光可调滤光器(AOTF)作为分光器件的多光谱成像系统。系统由光学镜头、AOTF、AOTF驱动器、CCD摄像机和图像采集系统组成。本系统能够在(500~1000)nm的光谱范围内成像。通过对AOTF的控制可以任意选择系统的光谱,从而有目的地选择具有典型目标特性的不同波段的光谱波长,形成同一目标在不同光谱波长下的不同图像。采用迷彩布、头盔以及自然花草进行多次目标特性识别试验,得到了能突出目标特性的具有典型光谱特性的图像。证实了基于AOTF的多光谱成像系统灵敏度高、体积小、无移动部件,并且能够快速实时地改变和选择光谱波段,在所成的多光谱图像中能提高目标与背景的对比度,对伪装目标有明显的探测和识别能力,能将伪装目标与背景区分开。     

基于长短时记忆神经网络的能谱核素识别方法

针对新兴的能谱核素识别方法在混合放射性核素的噪声环境中存在识别速度慢、准确率较低等问题,提出了基于长短时记忆神经网络(LSTM)的能谱核素识别方法。实验使用溴化镧(LaBr3)晶体探测器,分别对环境中60Co、137Cs放射性源分组测量得到能谱数据集,首先使用数据平滑方法和归一化方法进行数据预处理,然后将能谱数据按时间序列分组以获得可用的输入序列数组,最后训练LSTM模型得到预测结果。通过基于BP神经网络和卷积神经网络(CNN)的两个能谱识别模型进行对比,得到在测试集中平均识别率分别为83.45%和86.21%,而LSTM能谱识别模型平均识别率为93.04%,实验结果表明,该能谱模型在核素识别效果中表现较好,可用于快速的能谱核素识别设备上。     

基于双向长短期记忆网络的太赫兹光谱识别

特征提取是太赫兹光谱识别的关键处理步骤,通常利用降维方法作为特征提取手段。然而,当一些化合物的太赫兹光谱曲线整体差异度较小时,降维方法往往会缺失样本差异的重要特征信息,从而导致分类错误。如果不采用降维方法提取特征,传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。针对此问题,提出了一种基于双向长短期记忆网络（BLSTM-RNN）自动提取太赫兹光谱特征的识别方法。BLSTM-RNN作为一种特殊的循环神经网络,利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。再结合模型的双向频谱信息利用架构模式,可以增强模型对复杂光谱数据自动提取有效特征信息的能力。采用三类、15种化合物太赫兹透射光谱作为测试对象,首先利用S-G滤波和三次样条插值对Anthraquinone,Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理,然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。通过试验优化网络结构和各项参数,最终获得了针对复杂太赫兹透射光谱数据的预测模型,并与传统机器学习算法SVM,KNN及神经网络算法MLP,CNN进行对比实验。结果表明,dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集,其平均识别率分别为100%和98.51%,与其他方法相比识别率有所提高;最重要的是,dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集,其平均识别率为96.56%,与其他方法相比识别率提高显著;dataset-4作为dataset-1,dataset-2和dataset-3的透射光谱数据集集合,其平均识别率为98.87%。从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征,同时又能保证复杂太赫兹光谱的预测精度。在选择模型训练优化算法方面,使用Adam优化算法要好于RMSProp,SGD和AdaGrad,其模型的目标函数损失值收敛速度最快。同时随着模型训练迭代次数增加,相似太赫兹透射光谱数据集的预测准确率也不断提升。可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。     

红外激光主动成像和识别

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一台激光主动成像识别系统实验平台,研究了激光主动成像后的目标识别技术。由7个不变Hu矩构成特征量,用由136个权值系数构成BP神经网络算法对黑夜条件下450m处的运动目标—43式冲锋模具枪进行了实验研究。研究显示,采用该方法成功获得了清晰的红外激光主动成像效果,对2740frame激光主动成像图像的统计目标识别率达到了68．87％,其中旋转变换下的统计识别率可达80．05％。该项研究对实际黑夜暗小目标的探测识别具有重要意义。     

布里渊散射谱拟合的混合优化算法

基于布里渊光时域分析仪的全分布式光纤传感系统中,光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别,光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下,提出了一种提取高精度布里渊散射谱特征的拟合方法,利用小波去噪结合莱文伯-马奈特(LM)算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点,保证求解的精度。数值仿真表明,该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合,并且在信噪比为10dB的情况下得到拟合度均超过0.96。实验结果表明,该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取,优于传统BP神经网络算法且具有较高的拟合精度。     

热红外光谱的石榴子石亚类识别方法

高光谱技术快速、无损、精确探测矿物,能够清楚的反映矿物化学成分的改变。石榴子石在热红外波段具有诊断性的三峰式特征。反射峰波长与化学成分关系密切,所以可以依据石榴子石在热红外波段的光谱特征开展其亚类分类研究。钙铬榴石和锰铝榴石反射峰位置易于与其他亚类区分,而铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石的反射峰位置有较大重叠区域,无法直接判别,因此亟需一种基于热红外光谱的快速、准确识别石榴子石亚类的分类方法。基于热红外光谱库中85个不同类型的石榴子石样本数据获取其3个反射峰位置及波长差值信息,利用非线性BP神经网络、聚类分析以及多元线性判别分析3种方法开展石榴子石亚类识别实验,并运用精确率、召回率和F1值进行分类精度评价。结果显示：BP神经网络算法分类的精确率、召回率和F1值均能达到100%,铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石得到很好地区分;聚类分析和多元线性判别分析分类的精确率、召回率和F1值分别为86.1%、80%和79.2%,84.2%、80%和79.5%,这两种方法对反射峰重叠的铁铝榴石和镁铝榴石、钙铁榴石和钙铝榴石分类效果不好,因此BP神经网络更适合石榴子石亚类识别。本研究利用BP神经网络强大的非线性自动映射能力,找到了石榴子石热红外谱段反射峰位置与亚类类型之间复杂的映射关系,证明了BP神经网络方法与热红外光谱特征结合使用的可行性与优越性,为石榴子石亚类识别提供了快速有效的技术支撑,同时为其他矿物的快速有效识别提供了良好的技术启示。     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）,其中包括输入层、3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于 SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%,93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%,93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%,83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。