基于1D-CNN的近红外光谱分类算法研究

摘要：

近红外光谱(NIR)技术应用广泛,但其建模精度容易受到光谱预处理算法的影响,传统近红外光谱分析过程中,预处理方法的选取主要靠人为经验,有时会遗漏一些光谱特征.提出了一种无需光谱预处理的一维卷积神经网络(1D-CNN)近红外光谱分类方法.为了比较BP神经网络(BP)、支持向量机(SVM)、极限学习机(ELM)三种传统近红外光谱分析模型与一维卷积神经网络(1D-CNN)建模方法的分类效果,在不同等级药品、啤酒和不同种类芒果、葡萄 NIR数据集中进行了对比实验,实验结果显示采用 1D-CNN 模型的分类准确率最高,其中药品 4 分类、啤酒 2 分类、芒果 10 分类、葡萄 19 分类的准确率分别为 96.77%、93.75%、96.45%、88.75%.最后讨论了均值中心化(MC)、标准化、多元散射校正(MSC)、标准正态变量变换(SNV)、一阶差分、二阶差分、小波变换(WT)7 种光谱预处理方法对不同模型的影响.经过预处理后,BP神经网络、SVM和 ELM的分类准确率有明显的变化,而 1D-CNN模型的分类效果在预处理前和预处理后基本无变化,且分类准确率依旧最高.结果表明,相比传统近红外光谱分类方法,所提出的 1D-CNN方法可实现对食品和药品 NIR快速准确分类,不需要任何的光谱预处理,说明深度学习方法在近红外光谱处理领域中具有广阔的应用前景和研究价值.

关键词：近红外光谱、预处理、一维卷积神经网络、分类

所属期刊栏目：43

分类号：O657.3(分析化学)

资助基金：国家自然科学基金31670596

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2446-2451