引用本文
郑志杰, 林振衡, 谢海鹤, 聂泳忠. 基于卷积神经网络的工程塑料太赫兹光谱分类识别方法[J]. 光谱学与光谱分析, 2023,43(5): 1387-1393.
ZHENG Zhi-jie, LIN Zhen-heng, XIE Hai-he, NIE Yong-zhong. The Method of Terahertz Spectral Classification and Identification for Engineering Plastics Based on Convolutional Neural Network[J]. Spectroscopy and Spectral Analysis, 2023,43(5): 1387-1393.
Doi:10.3964/j.issn.1000-0593(2023)05-1387-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于卷积神经网络的工程塑料太赫兹光谱分类识别方法
郑志杰1, 林振衡1,2,*, 谢海鹤2, 聂泳忠3
1.福州大学机械工程及自动化学院, 福建 福州 350108
2.莆田学院新工科产业学院, 福建 莆田 351100
3.西人马联合测控(泉州)科技有限公司, 福建 泉州 362011
*通讯作者 e-mail: 147121176@qq.com

作者简介: 郑志杰, 1998年生, 福州大学机械工程及自动化学院硕士研究生 e-mail: 747142058@qq.com

收稿日期: 2022-02-24 修回日期: 2022-07-14
基金: 国家自然科学基金项目(62103209), 福建省科技厅高校产学合作项目(2021H6038), 福建省自然科学基金项目(2022J01116)资助
摘要

工程塑料优异的介电性能和金属可替代性, 使其成为5G建设的热门材料。 对外观相近但性能不同的几种工程塑料的检测与定性分析, 有助于工程塑料更好地应用于5G线路板和天线模块的制造。 应用太赫兹时域光谱技术(THz-TDS)对几种常见的工程塑料PEEK、 PPS、 ABS进行光谱检测, 分别得到三种工程塑料在太赫兹波段的光谱数据。 通过快速傅里叶变换, 将三种工程塑料的THz时域光谱进行转换, 获取工程塑料在0.1~1.2 THz下的THz频域光谱, 并经过计算提取出相应的吸收光谱。 分析THz时域光谱可知, 不同种类工程塑料的THz时域谱存在时间延迟线和振幅的差异, 可以直观地显示出各种塑料间的差异, 这表明工程塑料的THz-TDS分类识别具有一定的可行性。 但由于同属工程塑料, 在太赫兹波段上表现为峰位、 峰值相近, 且各个材料无明显的THz特征吸收峰, 因此无法直接以指纹谱进行判定。 鉴于此, 研究将非线性工具卷积神经网络(CNN)应用于无明显特征吸收峰的工程塑料识别研究的可行性, 通过对CNN的网络结构和重要权值参数的优化, 提出了一种改进的CNN分类模型。 该模型使用LeakyRelu激活函数, 添加BN层, 利用Adams梯度下降算法, 保证分类器的鲁棒性, 加快网络分类速度, 提高太赫兹吸收光谱识别精度, 同时可以有效地解决由于THz光谱数据量不足而容易陷入局部最优问题。 并将该方法同传统的线性工具主成分分析-支持向量机法(PCA-SVM)进行对比。 对比实验结果显示: 改进的CNN分类模型平均运行耗时为0.15 ms, 训练集准确率为99.6%, 测试集准确率达到98.8%; 相较传统的PCA-SVM分类模型, 其分类效率大幅提升, 同时测试集分类准确率提高了27.3%, 训练集分类准确率提高了30.9%。 研究结果表明: 将THz-TDS与改进的CNN分类模型相结合, 能够实现对上述三种工程塑料的精确鉴别与分类识别, 为工程塑料的非接触快速无损检测和识别提供了新方法, 也为其他无THz特征峰物质的识别与检测方法研究提供参考。

关键词: 太赫兹时域光谱检测技术; 工程塑料; 卷积神经网络; 分类识别
中图分类号:O433.4 文献标志码:A
The Method of Terahertz Spectral Classification and Identification for Engineering Plastics Based on Convolutional Neural Network
ZHENG Zhi-jie1, LIN Zhen-heng1,2,*, XIE Hai-he2, NIE Yong-zhong3
1. School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou 350108, China
2. New Engineering Industry College, Putian University, Putian 351100, China
3. Xirenma United Measurement and Control (Quanzhou) Technology Co., Ltd., Quanzhou 362011, China
*Corresponding author
Abstract

The excellent dielectric properties and metal substitutability of engineering plastics make them popular for 5G construction. The detection and characterization of several engineering plastics with similar appearances but different properties can help engineering plastics be better used in manufacturing 5G circuit boards and antenna modules. The terahertz time-domain spectroscopy detection technique (THz-TDS) was applied to spectroscopically detect several common engineering plastics, PEEK, PPS, and ABS, and the terahertz time-domain spectra of three engineering plastics were obtained. The terahertz frequency domain spectra of engineering plastics at 0.1~1.2 THz were obtained by fast Fourier transform of the terahertz time-domain spectra of the three engineering plastics. The related optical parameters were extracted to obtain the terahertz absorption spectra of engineering plastics. Analysis of the THz time-domain spectra shows that the THz time-domain spectra of different kinds of engineering plastics have differences in time delay lines and amplitudes, which can visually demonstrate the differences between various classes of plastics, indicating that THz-TDS is feasible for the classification and identification of engineering plastics. However, since the same engineering plastics exhibit similar peak positions and peaks in the terahertz band and no obvious THz characteristic absorption peaks for each material, they cannot be directly determined by fingerprint spectra. Based on this, the feasibility of applying a nonlinear instrumental convolutional neural network (CNN) to the study of engineering plastics without obvious feature absorption peaks is explored. An improved CNN classification model is proposed by optimizing the network structure and important weight parameters of CNN. The model uses the LeakyRelu activation function, adds BN layers, and utilizes the Adams gradient descent algorithm, which enables to ensure the robustness of the classifier, accelerates the network classification speed and improves the accuracy of THz spectrum recognition while solving the problem of easily falling into local optimum due to the insufficient amount of THz spectrum data, and compare this method with the traditional linear tool principal component analysis-support vector machine method (PCA-SVM). Validation experiments are conducted to verify the advantages and disadvantages of the two qualitative analysis models. The experiments show that the improved CNN classification model takes 0.15 ms to run on average, with 99.6% accuracy in the training set and 98.8% accuracy in the test set; compared with the traditional PCA-SVM classification model, its classification is significantly improved, and the classification accuracy is increased by 27.3% in the test set and 30.9% in the training set. The results show that the combination of THz-TDS and the improved CNN classification model can achieve accurate identification and classification recognition of the above three engineering plastics, which provides a new method for non-contact rapid non-destructive detection and identification of engineering plastics and can also be used as a reference for the identification and detection of other substances without THz characteristic peaks.

Keyword: Terahertz time-domain spectroscopy; Engineering plastics; Convolutional neural network; Classification recognition
引言

工程塑料具有优异的服役性能, 能长期在100 ℃以上工作环境中使用, 在医学、 汽车、 航天领域都占有一席之地[1]。 其中, 聚苯硫醚(Polyphenylene sulfide, PPS)在汽车领域可加工成轻量化零部件等[1]; 丙稀晴-丁二烯-苯乙烯(Arcylonitrile-butadine-styrene, ABS)可用作3D打印材料[2]; 聚醚醚酮(Polyetheretherketones, PEEK)材料可仿制成无毒无害的人体骨骼, 也可用作防护膜抵御高强度磨损和高温侵蚀[3]。 在5G通讯领域, 工程塑料用于制造5G线路板与天线模块, 对其各项性能有着更为严格的要求, 不同种类的工程塑料性能间的微小差异会导致5G通信效率出现巨大差异, 甚至会对通信安全造成恶劣影响[4]。 因此, 对工程塑料进行鉴别与分类识别具有重要现实意义。 但目前传统工程塑料识别方法为燃烧法、 溶解法、 拉伸法等有损方法, 不仅会对材料造成损伤, 且操作繁琐、 效率低, 亟需寻找一种新的无损鉴别方法。

太赫兹(terahertz, THz)波是一种电磁波, 频率在0.1~10 THz之间, 在此频率的波段同时具备毫米波和红外光波的特征。 被测材料的THz光谱幅值、 相位和时间等参数含有其许多的物理、 化学和分子结构信息, 因此在高分子材料的无损检测和特性分析方面, THz具备独特优势[5]。

作为近年来应用最广泛的无损检测手段之一[6], 太赫兹时域光谱技术(terahertz time-domath spectroscopy, THz-TDS)被许多国内外学者应用于工程塑料的光谱检测研究: 王鹤等通过THz检测技术获得了聚丙烯等常见塑料在THz波段的光学参数, 提出了THz可作为塑料检测手段[7]; Zhang等利用THz-TDS技术研究了聚氯乙烯的光学特性, 发现吸收系数、 相位差和折射率等光学参数在不同粒径、 种类和比例的塑料共混物中呈现出不同的表征[8], 研究结果有助于塑料制备过程的精密分析; Tanabe Tadao等研究发现不同颜色的相同工程塑料在THz波段中具有不同折射率, 可作为区分不同颜色塑料的重要手段[9]。 上述研究成果为工程塑料的THz分类识别研究提供了参考。

近年来许多学者将THz与传统线性分析工具相结合, 包括主成分分析(principal component analysis, PCA), 线性判别分析(linear discriminant analysis, LDA)和偏最小二乘回归(partial least squares regression, PLS)等, 在爆炸物[10]、 违禁药物[11]和一般材料[12, 13]的识别与分类研究方面取得了新成效。 传统的线性分析工具使用化学计量的方法, 通过图像特征或光谱指纹来识别和表征样本, 并以模型的形式将它们关联以展开进一步的预测和分类。 但是, 线性化学计量方法在面对无THz特征峰和指纹谱的物质却难以进行可靠性高的分析, 而非线性工具卷积神经网络(convolutional neural network, CNN)的强大非线性分类能力[14], 能够为材料的分类识别研究提供新的途径。

本文首先通过THz-TDS检测出PPS、 ABS和PEEK这三种常用工程塑料的THz时域光谱, 并通过傅里叶变换获取工程塑料在0.1~1.2 THz间的THz频域光谱, 再利用公式提取其THz吸收光谱。 实验表明这三种工程塑料的THz光谱均不存在明显的THz特征吸收峰, 实验结果与有关学者研究结论相吻合[15]。 鉴于常用的光谱独立识别工具支持向量机(support vector machine, SVM)难以有效地分析识别无明显THz特征吸收峰的工程塑料, 本文建立了一种改进的基于CNN的分类模型对这3种工程塑料进行THz无损检测和分类识别, 并与传统的线性分类工具主成分分析-支持向量机(PCA-SVM)进行对比, 验证其实效性。

1 实验部分
1.1 仪器

使用的THz-TDS系统产自德国MenloSystems公司, 通过该仪器的透射检测方式, 提取了3种工程塑料的THz时域光谱。 该系统外观如图1所示, 其中心波长为1 500 nm, 重复频率为100 MHz。 透射式THz-TDS系统的工作原理如下: 首先将飞秒激光脉冲作为泵浦和探测光源, 光束经过分光片后分为两束, 一束通过光纤传导到发射极天线上, 在样品处产生THz辐射; 同时另一束光也利用光纤传导, 与持有样品信息的THz波相交汇, 产生光电流; 最后将光电信号转换为数字信号并输出, 获得相应的THz时域光谱。 由于THz波对水分有强烈的吸收, 因此将THz传播光路密封在有机玻璃罩中, 并充入氮气以降低检测环境湿度。 该系统有效检测范围为0.01~2.40 THz, 经优化和超净处理, 其信噪比可达1 000以上, 检测可靠性大大提高。

图1 太赫兹时域光谱系统Fig.1 Terahertz time domain spectral system

1.2 样品制备

实验样品购于广东欧莱有限公司, 样品具体参数如表1所示。 为减小偶然性误差, 每组材料分别制备4个样品, 厚度均选取5 mm, 材料品质满足实验要求。

表1 实验样品参数 Table 1 Experimental sample parameters

测试前, 将样品清洗晾干后, 置入电热鼓风干燥箱进行6 h的常温烘干, 达到去除表面水分的目的; 开始测试时, 将样品置于测试台架上, 在密闭玻璃罩内充入氮气, 开启THz时域光谱仪, 待THz信号稳定且玻璃罩内湿度达到10%以下时开始采样测量。 同时, 为了减小实验的测量误差, 对每个样品的同一点位测量5次, 并取平均值; 缓慢控制样品台架移动, 获得每个样品10个不同点位的THz光谱信息, 3组12个样品共获得120组光谱数据。

1.3 参数获取

对穿过样品和空气的THz波进行测量, 获得样品信号和参考信号, 再对两者进行快速傅里叶变换, 得到相应的传递函数

Esam(ω)Eref(ω)=4ns(1+ns)2exp-αd2(1)

式(1)中: ns为样品的折射率; ω 为频率; α 为样品的吸收系数; c为真空中的光速; d为样品的厚度。

将传递函数代入, 经过换算, 获得解析式(2)和式(3)

ns(ω)=φ(ω)cωd+1(2)

α(ω)=2κ(ω)ωc=2dln4ns(ω)A(ω)(ns(ω)+1)2(3)

利用THz-TDS系统采集相关数据, 代入上述公式, 可获得工程塑料的光学参数[16]。

1.4 数据预处理

材料的THz光谱数据包含有用信息和无关信息, 无关信息是由设备的机械抖动和背景噪声造成的, 易使分类模型产生误差。 因此, 在建立定性分类分析模型时, 需要抑制无关信息, 提高分类模型的预测精度和稳定性。 本文采用SG(Savitzky-Golay)卷积平滑预处理方法, 通过拟合提高信噪比, 降低无关因素干扰。

将卷积的窗口置为n=2m+1, 令x=(-m, -m+1, …, 0, 1, …, m-1, m), 对卷积窗口内部的光谱数据采用k-1次的多项式进行拟合

y=a0+a1x+a2x+…+ak-1xk-1(4)

1.5 卷积神经网络CNN

卷积神经网络是具有监督学习特性的多层神经网络[17], 其具备了局部感知和参数共享等特性, 并且能在无明显特征时, 通过训练自动进行特征提取。 因此, CNN能够对THz光谱这样的多维数据有效处理。 其网络结构由输入层, 卷积层, 输出层组成, 输入层一般是以多通道图像输入, 在输入层可对图像设置预处理操作。 其具体结构如图2所示。

图2 卷积神经网络结构Fig.2 Convolutional neural network architecture

由于THz数据为一维数据, 而CNN通常只能识别二维图像, 因此, 需先通过自适应变换将150个THz光谱数据点转换成10× 15的单通道灰度二维图像再送入输入层, 并在输入层中添加SG预处理算法来减小无关因素对THz的干扰。 为防止因样本量太少而陷入过拟合, CNN的卷积网络结构和权值参数设置具体如下:

(1)先通过卷积核达成局部感知, 对输入图像进行局部卷积, 再通过窗口平移减少计算权重个数; 卷积核设置大小为2× 2, 步长为1。

(2)在CNN中通常使用线性整流函数(rectified linear unit, Relu)作为激活函数构建稀疏矩阵, 以减小数据冗余, 并将非线性映射用于处理卷积的输出结果。 但是Relu在线性修正过程中易出现神经元的随机死亡。 因此, 本研究使用leakyRelu作为激活函数构建稀疏矩阵, 若x> 0, 则输出x; 若x< 0, 则输出alpha× x, 其中0< alpha< x, 从而有效改善Relu的死亡特性。

(3)池化层通过减小节点个数来达到增加计算速度和防止过拟合的目的, 最大池化和平均池化是目前常采用的池化压缩方法。 本文采用最大池化, 也即以每个小窗口中最大值作为需要的特征像素点省略掉不重要的特征像素点, 大小为2× 2, 步长设置为2。

(4)经过卷积和池化层处理后, 由全连接层将前面输出的特征重新组合成一张完整的图像用于输出。

(5)采用Softmax做多分类任务, 多输出归一化到(0, 1)内, 其输出可作为概率分布问题, 以此来进行多分类, 输出分类标签。

为了保证CNN分类器的鲁棒性, 在全连接层间添加激活函数降低THz数据集的复杂度, 加快网络分类速度。 并在卷积层和池化层间添加规范层(batch normalization layer, BN), 使计算梯度更加平滑, 运算速率更高, 同时防止神经元提前饱和, 减少对于初始值的依赖。

2 结果与讨论
2.1 光谱分析

随机选取采集完成并通过平均拟合后的ABS、 PEEK、 PPS的THz时域光谱数据, 通过软件绘制成图3所示波形图。 观察图3中的参考信号和样品信号可见, 穿过空气的第一个波峰相较于穿过样品工程塑料产生的第一个波峰有延迟现象, 是由工程塑料与空气介质的折射率不同而导致的; 对比可知, 两波峰有一定程度的衰减, 以PEEK为例, 最大幅值从1.04降至0.44, 反映了三种工程塑料均对THz有一定程度的吸收和反射作用; 另外, THz时域光谱中不同种类工程塑料的时间延迟和振幅峰值的差异表明, 使用THz-TDS进行塑料分类识别具有一定的可行性。

图3 工程塑料THz时域光谱Fig.3 Frequency domain spectrum of engineering plastics

将THz时域光谱应用快速傅里叶变换为频域光谱, 结合前文提及的光学参数计算模型, 在软件上绘制成如图4所示的三种工程塑料在0.1~1.2 THz波段的吸收光谱。 观察图4可见: 随着频率的增长, 三种工程塑料的吸收系数总体呈现上升趋势; 由于水分对THz波有强烈的吸收, 即使在湿度较低的情况下, 三种工程塑料依然在0.58、 0.77、 0.99和1.12 THz附近存在水汽吸收峰, 除此之外, 均无明显的特征吸收峰。 主要源于太赫兹光谱是材料整体物理与化学信息成分的反映, 三种工程塑料均为高分子材料, 原材料的组成较为复杂, 无法表现出明显吸收峰。 三种塑料的峰位、 峰值相近难以直接通过吸收光谱进行THz指纹谱的判定, 并且ABS和PEEK二者在THz波段上吸收光谱重合度大、 区分度小。 因此, 对于这三种工程塑料的分类识别需进一步建模分析。

图4 工程塑料THz吸收光谱Fig.4 Terahertz absorption spectrum of engineering plastics

2.2 建模分析

2.2.1 预处理

为进一步完成工程塑料的分类识别, 在将吸收光谱数据输入分类模型前对其进行数据预处理, 选取0.1~1.2 THz上共150维, 120组吸收系数数据进行SG卷积预处理, 处理后的波形如图5所示。 将图5与图4进行对比可知, 预处理后的波形相较于预处理前更加平滑, 在有效减小空气水分和噪声干扰的同时, 能够维持光谱稳定。

图5 SG预处理后的三种工程塑料吸收系数Fig.5 Absorption coefficients of three engineering plastics after SG pretreatment

2.2.2 CNN建模

采用Adams梯度下降算法来构建CNN。 Adams梯度下降算法是SGDM和Rpmsprop的结合, 具备两者的优点— — 自适应调参和解决样本量过小时的局部最优。 该方法下的学习速率能够随着训练的进程而自动调整, 此举能进一步提高卷积神经网络的运算效率, 防止线性修正过程中光谱信息的丢失, 增加THz光谱识别的精确度, 并合理解决THz数据量较小的问题。 训练分类模型所使用的设备处理器为Intel(R)Core(TM)i5-8500CPU。 为更好地提高泛化能力, 防止过拟合, 每次训练随机打乱训练集, 设置mini-batch为6, 最大训练回合数为300, 每5个epoch下降一次学习率, 对应的训练曲线和损失曲线如图6所示。 观察图6可知, 在约100次iteration后模型的损失已不再显著下降, 在经过约250次迭代后准确度基本趋于稳定, 保存此阶段的权值作为分类模型。

图6 训练准确度变化曲线Fig.6 Change curve of training accuracy

将训练好的改进的基于CNN分类模型应用于三种工程塑料分类任务, 输入三种工程塑料共120组吸收系数数据, 选取70%为训练集, 30%为测试集, 耗时0.15 ms得到分类结果。 随机选取一组分类结果, 基于CNN的分类模型训练集和测试集准确率分别达到100%, 97.2%。 图7以混淆矩阵输出THz吸收系数的训练集和测试集结果。 观察图7, 以工程塑料THz吸收系数作为输入数据, 对于编号为3的PPS材料的识别准确率为100%; 测试集中有1个错判, 将编号为2的PEEK错判为编号为1的ABS。 另外随机选取三种工程塑料中的一组塑料, 利用CNN分类模型进行识别, 重复10次, 识别成功率为100%。 实验结果表明: 改进的基于CNN分类模型能够满足工程塑料THz分类识别的实时性和精确性需求。

图7 CNN分类模型的三种工程塑料分类结果Fig.7 CNN classification model for three engineering plastics classification results

2.2.3 模型对比

将改进的基于CNN分类模型与传统分类模型进行对比, 从而进一步验证改进的CNN分类模型的优越性。 传统线性分类工具选择将PCA与SVM相结合, 进行PCA分析的结果如表2所示。 观察表2可见, 第一个主成分为83.92%, 前五个主成分的累计贡献率为99.59%, 基本能够代表工程塑料的THz吸收系数。 因此, 选取最初的5个主成分作为输入, 进行SVM建模分析。

表2 吸收系数各主成分贡献率和累计贡献率 Table 2 Contribution and cumulative contribution of each principal component of the absorption coefficient

由于SVM分类模型的性能主要由惩罚参数c和径向基函数核参数g的选择决定, 因此需要对最佳参数进行寻优, 本文采取网格搜索法, 交叉验证寻优。 寻优结果为: 最佳惩罚参数c=47.79, 径向基函数核参数g=25.66。

SVM分类模型建立完毕后, 将经过预处理和PCA主成分分析后得到的吸收系数数据矩阵120× 5输入SVM分类模型, 在训练的基础之上, 随机打乱数据集, 建立的训练集样本为90, 测试集样本为30, 经过28.36 ms得到分类结果。 随机选取一组分类结果, 基于PCA-SVM的分类模型训练集和测试集准确率分别达到66.6%, 76.7%。

观察图8可知, 相较于基于CNN的分类模型, PCA-SVM基本无法识别编号为1的ABS样品和编号为2的PEEK样品, 这与本文实验测得的这2种材料吸收光谱重合度大、 难以判定的观察一致。 由此可见, 传统的分类工具PCA-SVM对无明显特征吸收峰或峰位、 峰值相近的光谱数据难以进行正确有效的分类识别。 对比结果表明: 基于CNN的分类模型相较于传统的PCA-SVM识别分类效果更佳。

图8 PCA-SVM分类模型的三种工程塑料分类结果Fig.8 PCA-SVM classification model for three engineering plastics classification results

表3列出了分别以折射率和吸收系数作为输入时, PCA-SVM分类模型和CNN分类模型20次分类平均准确率的对比结果。 从参数分析上看, 折射率比吸收系数建模精度更高, 基于CNN分类模型的测试集准确率达到99.6%。 表明折射率的特征数据区分度更大, 更有利于识别工程塑料类型。

表3 两种分类模型在两种THz光谱数据下的性能对比 Table 3 Performance comparison of the two classification models under the two THz Spectral data is presented

在识别效率方面, 由于CNN分类的高效性与数据无关, 只与算法时间复杂度有关, 因此, 基于CNN分类模型的识别效率相较PCA-SVM分类模型大幅提高; 在分类精度方面, 基于CNN的分类模型比传统的PCA-SVM分类模型在训练集和测试集上分别提高了30.9%和27.3%, 进一步验证了基于CNN的分类模型针对峰位、 峰值相近且无明显特征峰的工程塑料分类的可靠性。 另外, 传统的SVM算法容易受到特征提取算法和核函数选取的影响, 对于变化的THz数据具有一定局限性, 而基于CNN的分类模型通过非线性的表达不需要繁琐的手动特征提取, 直接将数据通过自适应变换以二维图像形式输入模型进行自主训练, 根据图6迭代过程, 模型还将随着迭代进度而更加精进。

3 结论

针对外观相近但性能不同的三种工程塑料PPS、 ABS、 PEEK进行THz波段的光谱检测与定性分析, 获得三种工程塑料的THz时域光谱, 通过傅里叶变换得到其在0.2~1.2 THz间的THz频域光谱, 并结合光学参数计算模型提取相应的吸收系数谱。 针对这三种工程塑料峰位、 峰值相近, 无明显THz特征吸收峰, 无法直接进行指纹谱识别判定的问题, 探索了其与新的非线性分类工具CNN的结合潜力, 建立了一种改进的CNN分类模型, 并与传统的PCA-SVM分类模型进行对比。 研究结果表明, 与传统的PCA-SVM不同, 改进的基于CNN的分类模型能够实现对无THz特征峰、 吸收光谱重合度大的工程塑料的精确识别与分类。 研究结果为THz-TDS与CNN相结合作为其他无特征THz吸收峰材料识别方法的研究提供新的参考。

参考文献
[1] WANG Xi-mei, ZHANG Zhen, ZHAO Zhi-hong, et al(王喜梅, 张振, 赵志鸿, 等). Engineering Plastics Application(工程塑料应用), 2016, 44(6): 114. [本文引用:2]
[2] Bartolomé E, Bozzo B, Sevilla P, et al. Cryogenics, 2017, 82: 30. [本文引用:1]
[3] Almasi D, Iqbal N, Sadeghi M, et al. International Journal of Biomaterials, 2016, 2016: 8202653. [本文引用:1]
[4] GAO Jian-kui, LI Yi-jie, ZHANG Qin-nan, et al(高建魁, 李奕杰, 章勤男, 等). Spectroscopy and Spectroscopy Analysis(光谱学与光谱分析), 2021, 41(11): 3347. [本文引用:1]
[5] Zhong Shuncong. Frontiers of Mechanical Engineering, 2019, 14(3): 273. [本文引用:1]
[6] Park Hochong, Son Joo-Hiuk. Sensors, 2021, 21(4): 1186. [本文引用:1]
[7] WANG He, ZHAO Guo-zhong(王鹤, 赵国忠). Acta Photonica Sinica(光子学报), 2010, 39(7): 1185. [本文引用:1]
[8] Zhang T, Huang H C, Zhang Z L, et al. Infrared Physics and Technology, 2021, 118: 103878. [本文引用:1]
[9] Tanabe Tadao, Makino Yuki, Shiota Akio, et al. Optics and Photonics Journal, 2020, 10(12): 265. [本文引用:1]
[10] Palka Norbert. Optical Engineering, 2014, 53(3): 031202. [本文引用:1]
[11] Pan R, Zhao S, Shen J. Procedia Engineering, 2010, 7: 15. [本文引用:1]
[12] Yan H, Fan W H, Chen X, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 258: 119825. [本文引用:1]
[13] Du H, Chen W L, Lei Y T, et al. Microchemical Journal, 2021, 168: 106440. [本文引用:1]
[14] Yang S, Li C X, Mei Y, et al. Frontiers in Nutrition, 2021, 8: 680627. [本文引用:1]
[15] Cacciari Ilaria, Corradi Giacomo. Optical Materials, 2021, 117: 111134. [本文引用:1]
[16] Dorney T D, Baraniuk R G, Mittleman D M. Journal of the Optical Society of America A—Optics Image Science & Vision, 2001, 18(7): 1562. [本文引用:1]
[17] Chen L Y, Li S B, Bai Q, et al. Remote Sensing, 2021, 13(22): 4712. [本文引用:1]