“动态”近红外光谱结合深度学习图像识别和迁移学习的模式识别方法研究

该文以山羊绒与山羊绒/羊毛混纺织物以及纯棉与丝光棉织物为研究对象,使用其"动态"光谱,扩大类间的光谱差异信息,通过融合其同步和异步二维相关光谱,用多张动态光谱构造一张能反映细节化学差异信息的"化学图像"。使用GoogLeNet深度神经网络图像识别模型结合迁移学习,建立了一种光谱分类的新方法。收集了234个织物样品,制备水含量分别为0、5.4%、11.2%和16.3%的样本,同时采集样品的漫反射近红外光谱。使用干基样品的多种预处理光谱,利用线性分类方法簇类独立软模式识别(SIMCA)和非线性方法支持向量机(SVM),共建立了16个分类模型。其中,山羊绒与山羊绒/羊毛混纺织物的SIMCA和SVM最优预测正确率分别为63.33%和70.09%,纯棉与丝光棉织物的分别为71.02%和72.51%,均不能实现有效分类。新方法对山羊绒与山羊绒/羊毛混纺织物的预测正确率为92.59%,纯棉与丝光棉织物的为94.74%,获得了有效分类。该文首次将图像分类方法用于光谱分类识别,开辟了一种新的研究途径。针对实际应用能收集到的样品属于小样本,不能满足深度学习需要大数据样本的问题,使用迁移学习方法使深度学习框架适应了光谱分类(小样本),为人工智能领域中先进的识别技术用于解决化学问题提供了一个成功示范。