該文以山羊絨與山羊絨/羊毛混紡織物以及純棉與絲光棉織物為研究對象,使用其"動態(tài)"光譜,擴大類間的光譜差異信息,通過融合其同步和異步二維相關光譜,用多張動態(tài)光譜構造一張能反映細節(jié)化學差異信息的"化學圖像"。使用GoogLeNet深度神經網絡圖像識別模型結合遷移學習,建立了一種光譜分類的新方法。收集了234個織物樣品,制備水含量分別為0、5.4%、11.2%和16.3%的樣本,同時采集樣品的漫反射近紅外光譜。使用干基樣品的多種預處理光譜,利用線性分類方法簇類獨立軟模式識別（SIMCA）和非線性方法支持向量機（SVM）,共建立了16個分類模型。其中,山羊絨與山羊絨/羊毛混紡織物的SIMCA和SVM最優(yōu)預測正確率分別為63.33%和70.09%,純棉與絲光棉織物的分別為71.02%和72.51%,均不能實現(xiàn)有效分類。新方法對山羊絨與山羊絨/羊毛混紡織物的預測正確率為92.59%,純棉與絲光棉織物的為94.74%,獲得了有效分類。該文首次將圖像分類方法用于光譜分類識別,開辟了一種新的研究途徑。針對實際應用能收集到的樣品屬于小樣本,不能滿足深度學習需要大數據樣本的問題,使用遷移學習方法使深度學習框... 

【文章來源】：分析測試學報. 2020,39(10)北大核心CSCD

【文章頁數】：7 頁

【部分圖文】：

GoogLeNet網絡架構和遷移學習示意圖

山羊絨和羊毛纖維在組成上高度相近,均由蛋白質和脂類等組成。圖2A顯示了所有烘干山羊絨、山羊絨/羊毛混紡織物的近紅外光譜。不同樣品之間的光譜基線嚴重漂移,主要原因包括:樣品質地差異引起的光散射效應不同,顏色差異引起的吸收不同。對圖2A進行二階導數處理,有效消除了基線漂移,且光譜特征峰表觀分辨率獲得明顯改善(圖2B)�？梢钥闯�,一方面山羊絨織物與山羊絨/羊毛混紡織物的近紅外光譜含有豐富的組成信息,另一方面,這兩種織物的近紅外光譜很相近。純棉和絲光棉織物的情況也類似,主要組成均為天然纖維素,其烘干樣品的近紅外光譜及二階導數光譜如圖3A和圖3B所示。圖3 烘干純棉和絲光棉織物樣品的原始近紅外光譜(A)及二階導數光譜(B)

圖2 烘干山羊絨和山羊絨/羊毛混紡織物樣品的原始近紅外光譜(A)及二階導數光譜(B)表1 山羊絨-山羊絨/羊毛混紡織物SIMCA 模型的統(tǒng)計指標Table 1 The statistics of SIMCA models for cashmere and cashmere/wool blend textiles respectively using the raw spectra and the pretreated spectra by different pretreating methods Preprocessing Number of latent variables Accuracy/% Cashmere Blend Cashmere Blend Raw(原始光譜) 4 7 46.19 36.67 MSC(多元散射校正) 7 5 50.71 56.67 1st derivative 5 6 55.71 60.00 2nd derivative 5 9 60.48 63.33

【參考文獻】：
期刊論文
[1]近五年我國近紅外光譜分析技術研究與應用進展[J]. 褚小立,史云穎,陳瀑,李敬巖,許育鵬.  分析測試學報. 2019(05)
[2]毛粘產品定量分析影響因子的研究[J]. 朱華,石紅,王宗吉.  印染助劑. 2011(07)
[3]近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 褚小立,袁洪福,陸婉珍.  化學進展. 2004(04)



本文編號：3532791