排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
使用便携式拉曼光谱仪检测矿物颜料具有检测速度快、操作简单、非破坏性等优势,但是会引入更多的环境光和噪声,为光谱分析带来困难。为了解决上述问题,提出一种深度卷积神经网络模型(Deep Convolutional Neural Network,Deep-CNN),该模型使用多个卷积层和多个池化层在深度方向提取拉曼光谱特征,然后使用全连接层进行分类,可以有效消除环境光和噪声的影响,自动、准确地识别三元混合矿物颜料的成分。实验结果表明:当训练集和验证集数量不少于140条光谱,或测试集信噪比不低于30 dB时,模型准确率为100%;使用与训练集成分不同的混合物光谱进行测试,准确率也达到了100%,这说明模型具备很强的鲁棒性。该研究为使用便携式拉曼光谱仪检测矿物颜料提供了一种可行的解决方案。 相似文献
3.
针对单光子计数成像技术探测目标信号微弱信噪比低、所得图像目标区域不清楚、背景噪声严重等问题。 本文利用
270±5 nm 的日盲紫外滤光片、图像增益 710
5 的微通道板像增强器(MCP)、荧光屏和最大分辨率为 1 504×1 504 的科学级互补金属
氧化物半导体(sCMOS)等器件,设计了日盲紫外单光子探测系统,并通过时序控制获取了单光子光斑图像。 为了突出图像中的目
标区域,本文利用改进的形态学高帽变换算法,对光斑目标区域进行增强处理;随后利用三角阈值法对图像进行二值化处理,同时
利用连通域对目标区域的坐标进行提取;最后运用区域极值算法在原图中的目标区域进行单光子计数。 对紫外光源进行了单次
曝光时间为 80~100 ns 的系列成像和数据处理实验,实验结果验证了所设计的单光子成像探测系统和光子计数算法的可行性。 相似文献
4.
拉曼光谱法能识别塑料制品光谱特征峰,但操作流程繁琐且准确率有待提升,对此提出了基于一维卷积神经网络 (one-dimensional convolution neural network, 1-D CNN) 的塑料制品分类算法,首先建立以聚乙烯 (polyethylene, PE) 、聚丙烯 (polypropylene, PP) 、聚对苯二甲酸乙二醇酯 (polyethylene terephthalate, PET) 和聚苯乙烯 (polystyrene, PS) 为原材料的40种塑料包装样本数据集;然后设计1-D CNN、K近邻 (KNN) 、决策树 (DT) 和支持向量机 (SVM) 4种算法模型进行训练,并在光谱分类流程、模型准确率和鲁棒性等方面进行对比。实验结果表明,1-D CNN在不经过预处理条件下分类准确率达到98.62%,且在60 dB噪声下仍有96.42%的准确率,优于另外3种传统机器学习算法模型。该结果证实,拉曼光谱融合神经网络的多分类方法可提升塑料制品检测性能。 相似文献
1