【红叶网探索分享】

　　研究人员提出了一个两步 Aug2Tran 模型，该模型使用迁移学习构建一个强大的实时分类模型，使用由标准参考材料 (SRM) 样品的激光诱导击穿光谱 (LIBS) 测量组成的增强训练数据集来识别废金属.

　　韩国光州科学技术研究院 (GIST) 的研究人员开发了一种新模型，该模型使用激光诱导击穿光谱 (LIBS) 结合机器学习来识别废金属 (1)。所提出的模型使用称为 Aug2Tran 的两步过程，其中包括标准参考材料 (SRM) 数据集的扩充和使用迁移学习来构建稳健的实时分类模型。

　　两步Aug2Tran 模型是一种基于迁移学习的分类模型，用于使用由 SRM 样本的 LIBS 测量组成的增强训练数据集来识别废金属。第一步涉及通过衰减与样品成分相对应的主峰来合成未观察到类型的光谱，并使用生成对抗网络根据目标样品生成光谱来增强 SRM 数据集。第二步使用增强的 SRM 数据集构建具有卷积神经网络的鲁棒实时分类模型，该模型通过迁移学习进一步针对具有有限测量的目标废金属进行定制。这种方法提高了具有各种表面污染和成分的任意形状的静态或移动样品的分类精度，甚至对于不同范围的预期强度和波长。所提出的 Aug2Tran 模型可以用作具有普遍性和易于实施的废金属分类系统模型。

　　研究人员通过主峰衰减合成未观察到类型的光谱并使用生成对抗网络生成光谱，从而解决了有限训练集和实验配置差异的挑战。他们使用增强的 SRM 数据集构建了一个卷积神经网络，该网络通过迁移学习针对目标废金属进一步定制。

　　通过测量五种代表性金属类型的 SRM 并在三种不同配置下使用实际工业领域的废金属进行测试，对该模型进行了评估。所提出的方案产生的平均分类精度为 98.25%，与具有三个单独训练和执行模型的传统方案的结果一样高。

　　这种新模型提高了具有各种表面污染和成分的任意形状的静态或移动样品的分类精度，甚至对于图表强度和波长的不同范围也是如此。Aug2Tran 模型可用作废金属分类的系统模型，具有普遍性和易于实施的特点。

　　LIBS 提供了一种独特而快速的方法来识别未知样品，无需复杂的样品制备。将 LIBS 与机器学习相结合已被积极研究用于废金属回收等工业应用。拟议的 Aug2Tran 模型提供了一种高效准确的废金属识别方法，有助于资源的高效和可持续利用。这项研究的结果发表在Applied Spectroscopy (1) 杂志上。

声明：本文内容仅代表作者个人观点，与本站立场无关。如有内容侵犯您的合法权益，请及时与我们联系，我们将第一时间安排处理。更多精彩内容请关注红叶网