X射线荧光光谱法结合HCA-PCA-BPNN实现塑料快递包装袋识别分类

X射线荧光光谱法与机器学习有机结合,建立现场塑料快递包装袋物证科学精准识别分类模型。利用X射线荧光光谱法对72个塑料快递包装袋样品无损检验,并依据光谱数据,利用定性半定量分析法对塑料快递包装袋初步分类。利用z-score标准化进行光谱预处理,并结合层次聚类、主成分分析和BP神经网络(HCA-PCA-BPNN)建立识别分类模型,确定最佳聚类类别。结果显示,72个样品聚为8类时,模型检验集预测判别正确率为97.9%,预测集预测判别正确率仅为72%,模型识别分类准确度较差;72个样品聚为3类时,模型检验集和预测集预测判别正确率均为100%,识别分类准确度较高,72个样品最佳聚类为3类。研究表明,X射线荧光光谱法结合HCA-PCA-BPNN可以为现场塑料快递包装袋物证无损且准确地识别分类提供一种方便可行的模式。     

基于判别分析的食品塑料包装差分拉曼光谱鉴别研究

采用差分拉曼光谱技术和判别分析模型,建立了对来源不同的多个食品塑料包装袋种类鉴别的分类模型。实验搜集了46种不同厂家的食品塑料包装袋样品的差分拉曼光谱图,前期已通过系统聚类分为17类。选择各类别先验概率按照和各类样品量呈正比进行计算,借助因子分析提取特征变量,采用判别分析实现分析鉴别。结果表明,判别准确率达100%,实验结果理想。该方法结果准确,操作简单,为基层办案提供一种实用的分析模型。     

基于RBFNN-FDA模型对塑料拖鞋鞋底的拉曼光谱研究

为建立一种快速无损检验区分塑料拖鞋鞋底的方法,利用显微共聚焦激光拉曼光谱仪采集了43个不同来源的塑料拖鞋鞋底样本的拉曼光谱图。拉曼数据经主成分分析降维后提取特征矩阵,对得到的特征矩阵进行系统聚类,建立Fisher判别函数对系统聚类的结果进行评价。最终构建径向基函数神经网络(RBFNN)实现对样本的鉴别分类,并绘制接受者操作特征曲线用以评估诊断价值。结果表明：拉曼数据提取出的特征矩阵经系统聚类被分为4组,Fisher判别分析经交叉验证后准确率为97.7%,径向基函数神经网络的准确率为100%。该方法实现了对样本快速无损的分类及预测,模型结构准确,可以为公安实际办案提供一种新思路。     

差分拉曼光谱结合聚类分析检验电线塑料外皮研究

为建立一种高效准确的差分拉曼光谱检验电线塑料外皮的方法,利用便携式差分拉曼光谱仪测得了35个不同品牌不同类型的电线塑料外皮的差分拉曼光谱数据;再根据样品的主要成分和所含填料的不同,对样品进行初步分类;利用主成分分析对初步分类后的拉曼数据进行降维,再利用系统聚类将样品分组,最后应用K?均值聚类分析对分组结果准确性进行检验。其中,对于同组样品,可以用拉曼特征峰的相对峰高比进行区分。结果表明,当并类距离为1时,I?1组样品（只含滑石粉的白色样品）可分为7个小组,实现了对样品的区分;该方法不破坏检材,操作简单,可为微量物证检验和公安机关办案提供帮助。     

差分拉曼光谱法对塑料牙刷柄的分析研究

建立一种区分塑料牙刷柄的方法。采用便携式差分拉曼光谱仪对22个品牌共40个塑料牙刷柄样品进行了检验,根据得到的差分拉曼光谱图的峰数、峰位以及相对峰高比等对塑料牙刷柄进行分析。结果表明:40个塑料牙刷柄样品均有丰富的差分拉曼光谱峰,相同品牌样品的差分拉曼光谱图基本没有太大差异,不同品牌样品的差分拉曼光谱存在一定差异。因此,可以利用差分拉曼光谱法对不同品牌的塑料牙刷柄进行区分,从而区分不同品牌的塑料牙刷。     

一次性塑料包装瓶盖(杯盖)的拉曼光谱分析

利用便携式拉曼光谱仪对收集到49个现售饮品或外卖配送饮品的一次性塑料杯盖样品和饮料瓶瓶盖样品进行检验分析,先根据样品外观进行分类,再根据拉曼位移按照成分进行分组,最后再通过计算相对峰高比进行进一步区分,都取得了较好的效果.建立了基于系统聚类的分类模型,利用主成分分析对60％的样本进行了降维和分类.最终被检样本被分为6类...     

差分拉曼光谱法对注射针剂塑料底托的检测分析

为建立一种简单快捷无损地区分塑料针剂底托的方法,采用便携式差分拉曼光谱仪对57个注射针剂塑料底托进行检测,首先通过直接观察,根据样品透明与否分类,再根据得到的差分拉曼光谱图的峰位、峰数等对样品进行成分和填料分析,同时利用系统聚类和皮尔逊相关系数分析来验证判别结果的准确性。实验结果表明,透明类样品主要成分为聚氯乙烯和聚对苯二甲酸乙二醇酯,不透明类样品主要成分为聚氯乙烯、聚对苯二甲酸乙二醇酯和聚苯乙烯,利用统计分析软件“统计产品与服务解决方案”(SPSS 26.0)聚类分析对透明类样品分类进行验证,分类结果可靠。以透明聚氯乙烯类样品为例,根据填料不同可将其分为6组,选取一组样品为例,可利用相对峰高比对其进行明显区分,再选取一组样品利用皮尔逊相关系数验证,组内样品相关性高。     

红外光谱法结合K⁃均值聚类与神经网络对饮料瓶的检验研究

利用傅里叶变换红外光谱法对41个不同品牌的塑料饮料瓶进行快速无损检测.谱图数据在经过预处理后可将样品分为聚对苯二甲酸乙二醇酯和聚乙烯两类.每一类内部的各个样品红外特征峰存在差异.对于数量最多的一类样品,通过主成分分析将样品光谱数据降维并提取主成分,然后结合K-均值聚类对样品进一步分组.最后以聚类结果作为因变量,构建神经...     

基于近红外光谱结合主成分分析和BP神经网络的常用塑料快速鉴别

为了实现塑料的分类回收,需要对塑料进行快速准确的鉴别。收集了丙烯腈-丁二烯-苯乙烯(ABS)、聚丙烯(PP)、聚乙烯(PE)、聚对苯二甲酸乙二醇酯(PET)、聚苯乙烯(PS)、聚氯乙烯(PVC)、聚碳酸酯(PC)等7种常用的塑料,利用近红外光谱仪分别测得其反射光谱,应用主成分分析和反向传播(BP)神经网络建立模型进行鉴别。首先利用主成分分析提取光谱的特征信息,前8个主成分的累计贡献率达到94.367%,包含了原始光谱的主要信息,将这8个主成分作为BP神经网络的输入,7种塑料的种类作为输出,建立三层BP神经网络模型。每种塑料各30个样本共210个用来训练神经网络模型,各10个共70个用来预测,预测结果准确率达98.571%,能够有效鉴别常用塑料。     

差分拉曼光谱结合机器学习对汽车灯罩的可视化研究

为实现对汽车灯罩的快速无损、高效便捷的分类及预测,提出一种基于差分拉曼光谱结合机器学习对灯罩的可视化鉴别方法。利用差分拉曼光谱仪对32个品牌、9种车型共计46种汽车灯罩样品进行了检测,得到了样品的差分拉曼光谱图。对光谱数据先进行主成分分析降维,用提取到的5个PCA对样品进行自组织映射(SOM)聚类,同时对聚类结果可视化处理,再结合多元无序logistic回归、可优化支持向量机(SVM)对样品进行分类预测。46个样品被分为7类,多元无序logistic回归、可优化支持向量机的准确率皆为100%,实现了对样品的分类及预测。差分拉曼光谱准确高效,谱峰尖锐清晰,可以分析样品的主要成分及填料。SOM函数分类效果较好,所建立的分类模型可以精准地对不同来源汽车灯罩样品进行区分及归属预测,为汽车灯罩物证溯源提供了一种新的思路和技术手段。     

基于差分拉曼光谱对一次性塑料杯盖的分类研究

差分拉曼光谱是目前较为常用的检验方法之一,本文对计算机分类识别技术在案件现场常见一次性塑料杯盖的应用进行实验,获取了样本的差分拉曼光谱。根据谱图可将样本分为3类：聚丙烯（PP）、聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET）,对比分析其中官能团峰位,再利用Calinski?Harabasz评价指标优选最佳聚类数为5类,进行K?均值聚类。随机选取40个样本建立支持向量机判别模型,提取谱图方向梯度直方图和灰度共生矩阵后合并成一个向量作为特征矩阵的一行,剩余8个样本作为测试集验证结果。结果表明,识别准确率达到到100 %。此高效识别方法具有检验成本低、分析速度快等优点,在公安机关实际办案过程中可起到技术参考作用。     

差分拉曼光谱结合人工神经网络对药品塑料包装瓶的分类研究

建立一个无损检验药品塑料包装瓶并对其进行分类的模型。利用差分拉曼光谱技术对47个样品进行检测,首先在原始数据的基础上进行差分拉曼光谱分析并进行人工分类,再运用Fisher判别法(FDA)和主成分分析法(PCA)对数据进行处理,结合人工神经网络算法(ANN-MLP/RBF)构建分类模型。在多层神经网络(MLP)模型中,使用原始数据、FDA处理后的数据、PCA降维后的数据对样本分类的正确率分别为87.23%、93.62%、97.87%,MLP模型下对样本分类的整体准确率为93%;在径向基神经网络(RBF)模型下,使用原始数据、FDA处理后的数据、PCA降维后的数据对样本分类的正确率分别为87.23%、93.62%、95.74%,RBF模型下对样本分类的整体准确率为92%。在研究相同条件下对药品塑料包装瓶进行分类时,采用PCA+MLP模型为最佳方案。     

差分拉曼光谱对透明塑料胶带的分类研究

为了探索一种新的透明塑料胶带检验方法,利用便携式差分拉曼光谱仪对36个不同品牌和来源的透明塑料胶带进行检验,得到差分拉曼光谱数据。首先,筛选出一些显著的拉曼特征峰;其次,利用SPSS Statistics 25.0软件对数据进行标准化处理,并用系统聚类法将样本进行分组;最后,用K均值法进行验证。结果表明：当并类距离最小时,可以将透明塑料胶带检材分为10类。该方法具有方便、快捷、无损的优点,可为法庭科学中的透明塑料胶带检验提供帮助。     

拉曼光谱结合化学计量学在不同品位磷矿快速分类中的应用

采用拉曼光谱技术结合化学计量学探讨不同品位磷矿快速鉴别和分类的可行性。采用共聚焦显微拉曼光谱系统分析了高、中、低三类不同品位的4种磷矿样品在200～1 950 cm~(-1)范围内的拉曼光谱特性,并对经过自适应迭代重加权惩罚最小二乘(airPLS)算法校正、一阶导和二阶导3种光谱预处理方法处理后的拉曼光谱结合主成分分析(PCA)和系统聚类分析(HCA)建立判别模型。结果显示,在主成分分析(PCA)中,经过3种预处理方法后的拉曼光谱均能实现对4种磷矿样本的聚类,且前两种预处理方式中,在第1主成分上,4种样品随品位值呈规律分布。使用PCA降维后的一阶导数光谱结合系统类分析(HCA)对4种磷矿样品进行分类,准确率为98.75%。结果表明,利用拉曼光谱技术结合化学计量学能够实现不同品位磷矿的快速鉴别和分类,为磷矿品位现场快速检测和评估打下基础。     

拉曼光谱结合化学计量学在不同品位磷矿快速分类中的应用

采用拉曼光谱技术结合化学计量学探讨不同品位磷矿快速鉴别和分类的可行性。采用共聚焦显微拉曼光谱系统分析了高、中、低三类不同品位的4种磷矿样品在200～1 950 cm^(-1)范围内的拉曼光谱特性,并对经过自适应迭代重加权惩罚最小二乘(airPLS)算法校正、一阶导和二阶导3种光谱预处理方法处理后的拉曼光谱结合主成分分析(PCA)和系统聚类分析(HCA)建立判别模型。结果显示,在主成分分析(PCA)中,经过3种预处理方法后的拉曼光谱均能实现对4种磷矿样本的聚类,且前两种预处理方式中,在第1主成分上,4种样品随品位值呈规律分布。使用PCA降维后的一阶导数光谱结合系统类分析(HCA)对4种磷矿样品进行分类,准确率为98.75%。结果表明,利用拉曼光谱技术结合化学计量学能够实现不同品位磷矿的快速鉴别和分类,为磷矿品位现场快速检测和评估打下基础。     

食品塑料包装袋的拉曼光谱分析

利用RT2000便携式拉曼光谱仪,采用785 nm激光器,采集时间为30 s,对41个不同品牌的食品塑料包装袋样品进行了检验分析。根据不同样品在拉曼光谱图中的位置对样品进行分类,并根据填料的不同对每类样品进行分组。最后根据样品的相对峰高比对每一组中的样品进行区分。建立了一种快速、简便、重现性好、结果准确可靠,且无损样品的检验方法,该方法可为公安机关实际办案提供帮助。     

判别分析结合系统聚类对易拉罐环的XRF检验

为实现对易拉罐环的鉴别分类,利用X射线荧光光谱法(XRF)对28个不同品种的易拉罐环样本成分进行检验。对样本元素的种类和含量进行初步分析后,根据样本中含量最多的5种元素进行系统聚类。经过系统聚类后样本被分为了5个类别,检验分类是否准确后将聚类分类结果作为分析依据进行判别分析,提取累积贡献率为98.2%的两个判别函数绘制判别分类图,发现样本在判别函数平面空间内类别之间明显区分开来,最终交叉验证正确率和原始分类正确率分别为82.1%和96.4%,表明该方法能对易拉罐环进行有效的分类识别。     

拉曼光谱快速鉴别不同黄色蜡质的方法

建立了拉曼光谱法鉴别不同的黄色蜡质。通过532 nm和633 nm波长的激发光对黄蜂蜡和小烛树蜡进行拉曼光谱分析，并利用化学计量学工具找出造成差异的关键因素。运用主成分（PCA）和偏最小二乘（PLS）法对数据进行分析，可以得到这2种蜡质很好的聚类结果，并通过模型在532 nm条件下成功预测了未知样品的类别。最后，利用变量投影重要性分析得到它们的差异主要在于醇类含氧物质的含量或形态的不同。     

X射线荧光光谱法检验塑料拖鞋样品

对不同品牌的塑料拖鞋进行区分和鉴别。对31个不同品牌的塑料拖鞋样品进行X射线荧光光谱法(XRF)检验,选用Plastic-FP方法进行分析。根据塑料拖鞋样品中所含元素的种类及含量的不同,可以对塑料拖鞋样本进行区分。     

拉曼光谱法检验塑料打包带(绳)的研究

建立一种简便快速的检验塑料打包带(绳)的分析方法。利用便携式拉曼光谱仪,功率为360 MW,激光波长为785 nm,对40个不同来源的塑料打包带(绳)样品进行检验分析。通过与标准样品拉曼光谱图进行比对,可以对塑料打包带(绳)样品进行区分。该方法简便快速,准确可靠且无损检材,可应用于公安机关实际办案。