基于空间特征的光谱分类算法研究

随着成像光谱仪器的广泛应用,利用数据立方体进行物质分类与识别成为一项重要的研究内容,分类算法对最终的目标识别准确度与精度具有很大的决定作用。目前常见的分类算法主要利用了光谱维信息,从光谱匹配的角度进行物质分类。由于仪器探测的物质反射光谱不仅反映了物质种类,还与物质表面的几何结构,表面粗糙度等有关,因此仅仅利用物质的反射光谱进行物质分类识别具有一定的误差。该文在利用可见光反射光谱进行分类的基础上,结合图像空间特征,对分类过程进行控制,达到提高分类准确度的目的。利用该分类算法进行真假叶片识别,结果表明其具有较好的空间连续性,很大程度上克服了"麻点"效应,验证了算法的有效性。     

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。     

基于光谱的天基空间点目标特征提取与识别

天基空间目标观测时, 对于远距离目标, 通常只能得到一个点的相关信息, 包括目标的位置和灰度等, 损失了目标的材料、大小和状态等特征. 代表物体固有属性差异的光谱特性可作为目标特征提取与识别的一种重要手段. 从目标光谱特性的产生特点出发, 综合考虑目标的材料特性、结构特性、背景特性、轨道特性等因素, 建立了目标光谱特性的数学模型, 提出了基于光谱特性数学模型反演计算的目标特征提取与识别方法, 以环境一号卫星缩比模型为例, 进行了典型参数条件下的目标特征提取与识别实验验证, 实验结果验证了建模方法的正确性.     

对数变换、导数变换的高寒草地反射光谱特征分析与识别——以那曲地区HJ-1A/HSI图像为例

对比3种类型高光谱数据以及2种分类算法,从那曲地区HSI高光谱图像上识别4个草种。结合实地踏勘从HSI高光谱图像上采集藏北嵩草、紫花针茅、高山蒿草和小嵩草这4个草种的原始光谱反射率数据,并分别进行导数变换、对数变换,得到4个草种的原始光谱、一阶导数光谱、对数变换光谱。对这3种光谱数据进行谱线波形分异特征比较、单因素方差分析以及相关分析,从这3种光谱数据中提取出各自适用的敏感谱段,然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法,通过对HSI图像分类识别出4个草种。对比3种光谱数据各自分类图的识别精度,评价3种光谱数据敏感谱段的适用性;再将3种光谱数据的敏感谱段分别导入ICA-FCM算法,与KICA-NFCM算法分类结果比较对4个草种的识别精度。结果显示谱线波形分异特征比较、单因素方差分析以及相关分析表明,原始光谱、一阶导数光谱、对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm;使用这3种光谱数据进行KICA-NFCM分类,总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823;使用3种光谱数据进行ICA-FCM分类,总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异,为通过谱线波形分异特征比较选取敏感谱段创造条件; KICA-NFCM算法可以优化输入特征、并引入加权邻域空间信息计算隶属度函数,针对性解决了标准FCM算法在处理高光谱图像时,目标识别过程受邻域噪声影响,分类图像"椒盐效应"显著、同质区域连通性差的问题。结果表明:应用"对数变换光谱/KICA-NFCM算法"组合能够最准确的从HSI图像上识别4个草种,有效减少混分误判现象,为精准开展高寒草地成像高光谱观测提供技术基础。     

基于二维相关光谱分析的纯棉与丝光棉制品鉴别分析

纯棉与丝光棉制品是日常生活中常用的两种纤维制品,但是由于二者在物理结构和化学结构上非常相似,以至于使用一些简单的方法难以准确识别一部分纯棉与丝光棉制品。提出一种使用水含量作为扰动的二维相关光谱结合机器学习方法来对二者进行鉴别的新方法。共使用从专业机构获得的200个标准样本来设计实验对新方法进行验证,其中包括100个纯棉样本与100个丝光棉样本。对每一个样本,使用水含量作为扰动,分4次改变样本水含量并采集该水含量下样本的一维光谱,其中4次的水含量分别为20.20%,14.52%,7.77%与0%。根据四条不同的一维构造每一个样本的动态光谱,再通过二维相关算法来计算其同步二维相关光谱,从该同步二维相关光谱中使用移动窗口技术提取三组不同的分类特征,每组特征分别对应一个设计好的支持向量机(SVM)分类器。之后本文提出一种基于信息熵的多分类器融合方法,根据权值不同,将三个分类器融合为一个具有更优效果的强分类器。为了验证方法的准确性与有效性,设计了严谨的实验对方法进行验证。实验首先按照传统的从一维光谱中提取特征的方法对纯棉与丝光棉样本进行鉴别,使用两种样本各50个来进行分类模型建立,剩余的进行模型验证,分类效果最高只有76%。但是基于从二维相关光谱中提取的三组特征设计的三个支持向量机(SVM)分类器的准确率分别可以达到88%,90%,88%,最后根据提出的基于信息熵的多分类器信息融合方法将三个分类器进行融合同一可以得到92%的分类准确率,比三个基础分类器准确率都有提升。与从一维光谱中提取特征并设计分类器进行分别鉴别相比,从二维相关光谱中提取特征设计多个分类器并使用基于信息熵的多分类器信息融合方法进行分类鉴别具有更高的分类准确率。二维相关光谱将光谱信息扩展到更高的维度,将一维光谱中隐藏的折叠峰进行展开,因此具有更高的分类准确率。提出的方法是一种快速准确鉴别纯棉与丝光棉制品的新方法。     

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。     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。     

基于超限学习机算法的空间目标材质多色测光识别研究

随着各国航天活动的增多,空间目标的数量和种类不断增加,对空间目标进行编目识别是各国空间目标监视领域的重要研究内容。对空间目标进行识别,主要是为了获得其表面材质、姿态、形状、关键载荷等信息,而表面材质信息的获取是开展目标光学特性及状态认知研究的基础。搭建空间目标表面材质多色测光测量系统,整套系统部署在光学暗室内,以减少杂散光对测量结果的影响。光源采用太阳模拟器,光谱等级A级;探测器采用美国ASD公司生产的FieldSpec4地物光谱仪,波长范围350～2 500 nm,光谱分辨率1 nm,光纤置于电控转台上,能对待测样片实现不同观测几何下的测量。利用Johnson-Cousins UBVRI五色分光系统对8种常用表面材质（砷化镓、氧化铝、氧化聚酰亚胺薄膜、黑漆、环氧漆、镀铝聚酰亚胺薄膜、钛青蓝漆、白漆）在不同观测几何条件下的10种色指数数据进行实验测量,每种色指数分别测得30组实验数据。采用传统的1-sigma不确定框方法（即对于给定材质的若干组实验数据,计算其每种色指数的平均值和标准差,以平均值为中心,以标准差的两倍为边长画出色指数不确定框）,在最理想的识别情况下,通过R-I和B-R色指数不确定框能对砷化镓、氧化铝、氧化聚酰亚胺薄膜、钛青蓝漆四种材质进行识别;利用B-V和B-R色指数不确定框可以将环氧漆、白漆识别出来,剩余两种材质黑漆和镀铝聚酰亚胺薄膜无法通过以上色指数进行识别。但是1-sigma不确定框方法存在两个主要问题：一是需要知道待测材质对特定波段敏感的先验信息,来确定所用的色指数类型;二是识别率容易受测试样本数量的影响,可靠性差。超限学习机算法是一种利用随机化隐层节点和和最小二乘求解方式进行训练的机器学习算法,具备学习效率快,泛化性能好,不容易陷入局部最优解等优势,被广泛应用于对数据的分类和回归分析中。因此引入超限学习机算法,将色指数数据按照2∶1的比例随机分为训练样本和测试样本,共进行三次随机试验。在训练样本中,对每种材质按照1∶8的顺序进行编号,即编号1∶8的测试样本分别有20个,分别包含10种色指数数据;在测试样本中同样对其按照已知归属材质对应编号。采用决定系数和计算时间作为判断ELM算法准确性和实时性的判断指标。结果表明：无论是对单一材质进行识别,还是对所有测试材质样本,训练样本决定系数在0.98以上,测试样本决定系数在0.96以上,每次试验中最多有3组色指数数据无法识别;所需总时间最长在0.07 s内完成,甚至可以达到0.002 s,识别效率和可靠性远高于传统的1-sigma不确定框法,表明ELM算法能对空间目标常用材质进行准确快速识别。相关研究可为空间非合作目标的外形、姿态等状态信息反演提供技术支持。     

基于光谱和图像特征的阔叶木材与针叶木材同时分类算法研究

木材是人们生活中必不可少的可再生资源,同时在建筑、工艺、家具、结构材料等方面有着举足轻重的地位。市场中常见的木材品种繁多,其品质和价格千差万别,使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”,也可以大幅度降低木材分类人员的工作难度。通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果,这类方法识别工艺相对复杂,对非专业人员并不友好。借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类,然而由于不同种木材之间存在的近似性,这类方法往往分类精度不高或只适用于某些阔叶木材。提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法,首先分别采集木材横切面的光谱信息以及图像信息;再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组,并对含管孔样本组中的木材进行管孔分割;然后对含管孔样本组中的木材提取管孔特征、光谱特征以及纹理特征,对无管孔样本组木材提取光谱特征和纹理特征;最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果,对分类结果不一致的样本使用相似性判据判断最佳分类结果。为了验证该方法的有效性,以20种常见的阔叶木材和针叶木材的混合样本集为研究对象,对其进行了分类。实验结果显示三种特征均可以对木材进行分类,单独使用光谱特征、纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%,89.33% 和69.23%,通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率,最高正确率可达98.00%。综上所述,该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类,木材横切面的光谱特征、纹理特征以及管孔特征可以相互补充,从而使分类正确率进一步的提高。与目前的主流木材分类方法进行对比,发现该算法的分类正确率高于其他算法。     

基于二维相关光谱分析的纯棉与丝光棉制品鉴别分析（英文）

纯棉与丝光棉制品是日常生活中常用的两种纤维制品,但是由于二者在物理结构和化学结构上非常相似,以至于使用一些简单的方法难以准确识别一部分纯棉与丝光棉制品。提出一种使用水含量作为扰动的二维相关光谱结合机器学习方法来对二者进行鉴别的新方法。共使用从专业机构获得的200个标准样本来设计实验对新方法进行验证,其中包括100个纯棉样本与100个丝光棉样本。对每一个样本,使用水含量作为扰动,分4次改变样本水含量并采集该水含量下样本的一维光谱,其中4次的水含量分别为20.20%, 14.52%, 7.77%与0%。根据四条不同的一维构造每一个样本的动态光谱,再通过二维相关算法来计算其同步二维相关光谱,从该同步二维相关光谱中使用移动窗口技术提取三组不同的分类特征,每组特征分别对应一个设计好的支持向量机(SVM)分类器。之后本文提出一种基于信息熵的多分类器融合方法,根据权值不同,将三个分类器融合为一个具有更优效果的强分类器。为了验证方法的准确性与有效性,设计了严谨的实验对方法进行验证。实验首先按照传统的从一维光谱中提取特征的方法对纯棉与丝光棉样本进行鉴别,使用两种样本各50个来进行分类模型建立,剩余的进行模型验证,分类效果最高只有76%。但是基于从二维相关光谱中提取的三组特征设计的三个支持向量机(SVM)分类器的准确率分别可以达到88%, 90%, 88%,最后根据提出的基于信息熵的多分类器信息融合方法将三个分类器进行融合同一可以得到92%的分类准确率,比三个基础分类器准确率都有提升。与从一维光谱中提取特征并设计分类器进行分别鉴别相比,从二维相关光谱中提取特征设计多个分类器并使用基于信息熵的多分类器信息融合方法进行分类鉴别具有更高的分类准确率。二维相关光谱将光谱信息扩展到更高的维度,将一维光谱中隐藏的折叠峰进行展开,因此具有更高的分类准确率。提出的方法是一种快速准确鉴别纯棉与丝光棉制品的新方法。     

基于能量色散X射线荧光光谱的鱼粉产地溯源方法研究

鱼粉是一种在养殖业中占有重要地位的高蛋白饲料原料.我国对鱼粉的市场需求很大,但不同产地的鱼粉存在品质差异的问题.为保证鱼粉品质安全,建立鱼粉产地溯源系统具有非常重要的意义.能量色散X射线荧光光谱根据元素辐射X射线荧光光子能量不同,能够检测样品矿物质元素种类和含量.鱼粉所含矿物质元素种类和含量会因鱼粉产地不同而存在差异,...     

空间人造目标混合光谱材料数目确定方法仿真研究

在空间人造目标光谱分析领域,受到观测距离和观测设备空间分辨率的限制,通常在观测空间人造目标光谱信号时,目标某个瞬时视场中的多种纯物质材料的光谱特征信息组合在一个像元中,形成“混合光谱”。因此,将这些混合光谱分解为每个单一材料的光谱并估计出相应的组成比例是空间人造目标光谱分析研究的重点。大多数现有空间目标光谱分解方法都假设空间人造目标混合光谱中包含的纯物质材料种类个数（即“端元数目”）是先验已知的,这对于未知空间人造目标而言是不现实的。因此,纯物质材料数目正确估计对后续光谱数据分析处理的准确性起着至关重要的作用。目前,现有的端元数目确定方法的设计均在高斯白噪声的假设下进行,而对于噪声信号的分布存在频谱相关性的情况下,会提供较差的结果。采用一种基于数据内在维度和似然最大化理论的方法--鲁棒特征值极大似然方法。由于数据内在维数与信号协方差矩阵和信号相关矩阵特征值差异的统计分布特性高度相关,因此通过分析该特征值差异的统计分布特性,构建一个极大似然函数,可以实现空间人造目标混合光谱端元数目的确定。该方法包含两个步骤：首先,采用基于多元回归和改进最小噪声分离方法对原始光谱数据进行预处理完成噪声特性估计和噪声白化过程,从而有效抑制具有频谱相关性的噪声的干扰;接下来,通过求解一个离散对数联合似然函数的极大值问题来实现空间人造目标混合光谱端元数目的确定,该方法完全不需要输入任何参数,并且运行速度比较快。分别利用实验室实测的五种空间人造目标材料的可见/近红外光谱数据和美国地质勘测局光谱数据构建混合光谱仿真数据进行实验。结果表明,该方法能有效抑制相关噪声和白噪声的干扰,空间人造目标纯物质材料数目确定结果具有很好的准确性和稳定性。     

基于光谱信息的空间碎片材料种类数目估计方法仿真研究

在观测空间碎片时,受碎片结构紧凑、组成材料复杂,以及地基观测设备空间分辨率的限制,同一像元中通常会包含多种材料的信息,即产生"混合像元"。目前国内外对混合像元的研究主要集中在获取混合像元的纯物质光谱以及丰度上,往往忽略了高光谱数据中纯物质个数的确定对于没有任何先验信息的混合像元分析是至关重要的。如果估计的材料数目过少,将会导致解混出的材料光谱仍然是混合状态的像元;如果估计的材料数目过多,提取出的端元中将很有可能包含冗余噪声成分。基于光谱线性混合模型,提出一种改进的p范数纯像元辨识算法。主要利用光谱数据具有近似于低维流形的特性,首先采用正交投影的原理,将提取的端元扩充至正交投影算子中,然后分析投影后各个像元向量的p范数值,最终将p范数值高于阈值的向量个数作为材料种类数目。对实测碎片常用材料和美国地质勘测局数据库分别进行仿真实验,实验结果表明:提出的方法在估计材料种类数目的同时,还能提取出目标所包含的材料光谱,这在一定程度上提高混合光谱分解过程的自动化程度;相对于现有的一些主流算法,该方法有较强的鲁棒性,并且在信噪比不高的情况下仍能正确地估计空间碎片材料种类数目。     

基于BP神经网络提高伪装目标识别概率的研究

采用静态迈克尔逊干涉仪对待测目标进行光谱识别,在空间干涉长度不变的条件下,应用BP神经网络算法对混合光谱分离过程进行优化,从而达到提高伪装目标识别概率的目的。由干涉仪及线阵CCD记录视场内所有位置上的光谱信息,构成混合光谱数据集合,以已知材料的标准吸收光谱作为隐含层的规则依据,将BP神经网络应用于混合光谱的分离。实验采用不同距离、不同背景组合的混合光谱作为初始数据,以1.5 m×1.5 m钢板做成四种待测目标,由静态迈克尔逊干涉仪得到混合光谱,BP神经网络算法与传统光谱吸收算法对无伪装目标的识别率都在90%以上,对具有伪装效果的待测目标识别概率分别为75.5%和31.7%,所以采用BP神经网络可有效地提高伪装目标的识别概率。     

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405 nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。     

基于自适应共振神经网络的单粒子激光电离质谱数据分析

气溶胶激光飞行时间质谱仪(ALUOFMS)可以在线地对气溶胶单粒子进行物理和化学特性分析,利用双束连续激光对单个粒子的空气动力学粒径进行测量,并通过飞行时间完成单粒子化学成分的检测。该仪器在运行过程中将产生海量的实验数据,对这些数据快速、自动处理并提取有价值的信息是整机系统的关键之一。文章介绍了基于神经网络的自适应共振算法(ART-2a)在随机混和的氯化钠、氯化钙、邻苯二甲酸二正辛酯(DOP)和2,5二羟基苯甲酸(DHB)气溶胶单粒子聚类分析中的成功运用。同以往的质谱分析方法相比,ART-2a可以实现对任意多和任意复杂的输入模式进行自组织,自适应和自稳定的快速识别,更有利于质谱数据的分析。实验结果表明,当警戒值为0.40,学习速率为0.05以及迭代次数为6时,ART-2a可以成功地对这四种物质进行分类,同时得到4类物质的聚类中心,每类的聚类中心都能很好的代表该类物质的特征。     

散射光谱的目标材质及比例反演研究

研究了基于散射光谱的点目标在远距离条件下表面材质及比例反演方法,旨在为空间碎片探测及预报提供数据参考。首先根据散射光谱的远距离目标探测物理模型,建立了基于散射光谱的目标参数反演物理模型,给出了基于最小二范数理论方法的目标表面材质及比例信息的反演算法,结合光源照射特性、目标材料表面光学反射特性、入射、反射及探测角等信息,利用双向反射分布函数(BRDF)的多级融合模型,表征复杂材料表面的光学反射特性,将BRDF中对应的面积量作为待反演参数,给出了目标表面材质及比例信息的反演算法;其次进行了实验验证,搭建了室内散射光谱探测及采集系统,进行了单一材质及多种材质不同比例的目标散射光谱探测及数据采集,经过对散射光谱数据进行预处理,截取有效波长范围为400～800 nm;结合理论分析及反演算法,对于四种材质组合的样品,进行了相同和不同比例组合的材质及比例反演,等比例反演结果最小误差为0.8%。最大误差为13.6%,平均误差为4.9%;不等比例反演结果最小误差为6%,最大误为12%,平均误差为9.25%;综合以上测试结果可以得出,反演平均误差最大为9.25%,考虑到入射光源稳定性有2.89%的误差,反...     

基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染。回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选。传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类。激光诱导荧光技术是一种快速灵敏的光谱检测技术。具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析。利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别。实验采集了8种塑料（ABS,HDPE,PA66,PLA,PP,PET,PS,PVC）共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵。利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度。结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息。将降维的主成分PC1, PC2, PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66,PLA,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差。PCA算法并不能准确的对未知塑料进行识别。BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究。将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集。BP神经网络的隐藏层设定值为1,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品。识别结果显示,102组数据中只有一组HDPE光谱数据被错识为PS,其余101组数据全部正确识别。8种塑料荧光光谱的综合识别准确率达到99%。研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考。