Предварительная обработка кривых поглощения терагерцового диапазона с помощью узкого ограничения волнистости и ее быстрая реализация, предложенная выпуклой оболочкой.

Aug 03, 2023

Том 12 научных отчетов, номер статьи: 17806 (2022) Цитировать эту статью

378 Доступов

Подробности о метриках

В данной работе предложен метод предварительной обработки кривой ТГц поглощения, который приводит к минимальному диапазону поглощения, сохраняя необходимую волнистость кривой для идентификации с помощью сверточной нейронной сети. Суть предлагаемого метода заключается в ограничении волнистости кривой парой узких параллельных линий и определении их оптимального положения путем последовательного вращения нормализованной кривой в двух фиксированных точках. Далее предлагается быстрый алгоритм, основанный на особенностях выпуклой оболочки, процедура которого подробно описана. Алгоритм включает в себя определение некоторых важных наборов точек, расчет и сравнение наклонов и определение лучшего выбора из 4 потенциальных поворотов. Рациональность поиска критической точки иллюстрируется геометрическим образом. Кроме того, обсуждается адаптация метода и приводятся реальные примеры, показывающие способность метода извлекать нелинейную информацию о кривой. Исследование предполагает, что методы компьютерной графики также способствуют извлечению признаков ТГц кривой и распознаванию образов.

Терагерцевая спектроскопия во временной области широко используется для обнаружения и идентификации материалов1,2,3,4. Кривая коэффициента поглощения или затухания настолько связана с составляющими материала, что распознавание образов проводится на различном фоне5,6,7,8,9. Пики поглощения не наблюдаются для чистого вещества с симметричной молекулярной структурой (например, полиэтилена). Кроме того, пики менее заметны из-за перекрытия спектров компонентов. Таким образом, согласно предыдущим отчетам, машинное обучение имеет важное значение для интеллектуального анализа данных в исследованиях, связанных, помимо прочего, с травами, мясом, чаем и крупами. Предполагается, что предварительная обработка кривых улучшает производительность модели и снижает сложность обучения удовлетворительной модели. Обычная предварительная обработка включает сглаживание Савицкого-Голея, фильтрацию в частотной области, коррекцию многомерного рассеяния (MSC) и т. д., которые сохраняют важные функции для идентификации, но корректируют значение при каждой выборке частоты10,11,12. Эти алгоритмы математически принимают форму шума, и все точки обрабатываются одинаково. Однако функция идентификации кривых может быть ослаблена, и некоторые параметры настраиваются эмпирически для получения хороших результатов. Кроме того, методы, использующие компьютерную графику, редко изучаются в качестве связующего звена с последующими методами идентификации.

Сверточная нейронная сеть (CNN) использовалась для идентификации объекта на изображении как эффективная и популярная модель13,14,15,16. Когда CNN связан с терагерцовой кривой, перед обучением модели необходимо преобразование (или сопоставление) терагерцовой кривой в изображение. Кривая спектра рассматривается как значимая граница на изображении, разделяющая верхнюю и нижнюю части, которые, однако, бессмысленны, поскольку на них не попадает никакое фактическое значение. В результате каждый пиксель изображения участвует в обучении модели CNN. Сжатие диапазона поглощения для заданной полосы частот соответствует ожиданиям снижения вычислительных затрат, тогда как трудность состоит в том, чтобы зарезервировать важные функции для идентификации. Как показано на рис. 1а, схематическая ТГц кривая имеет диапазон, равный разнице смещения1 и смещения2. Линия 2 и линия 1 представляют собой параллельные линии с осью частот, обозначающие верхнюю и нижнюю границы поглощения. Если для ограничения кривой используются еще две параллельные линии, волнистость (разница смещения по оси Y) между ними изменяется (как показано на рис. 1b и рис. 1c). Таким образом, мы ищем оптимальные параллельные линии, чтобы ограничить кривую на минимальном расстоянии, и выполняем сдвиговое преобразование для создания изображения, которое соответствует продолжающейся кривой с минимальной избыточностью в направлении Y (размерность поглощения). В соответствии с основной идеей предлагаемый метод назван узким ограничением волнистости (NUC).