基于迁移学习的新精神活性物质拉曼光谱识别研究

随着精神活性物质(NPS)对社会的潜在危害越来越严重，提高新型毒品的快速检测、识别能力是当前打击毒品犯罪的重中之重。本研究采集了196份新精神活性物质缴获样本拉曼光谱，结合连续小波变换和卷积神经网络迁移学习模型，对五种检测仪器获得的拉曼光谱数据进行分析和识别。对VGG16、InceptionV3和ResNet50三种深度学习模型分类效能的比较结果显示，单仪器新精神活性物质识别能力为80.2%～100%不等，多仪器综合识别能力为88.6%。通过合理的光谱预处理方法，能够将不同仪器的NPS光谱检测数据，统一格式并进行批量的分析和识别，精准提高了拉曼光谱的数据提取和利用效率。