关键词:
合金分类
K-means
卷积神经网络
激光诱导击穿光谱
摘要:
激光诱导击穿光谱(LIBS)技术通过超短脉冲激光聚焦样品表面形成等离子体,进而对等离子体发射光谱进行分析,从而确定样品的物质成分及含量,是一种具有制样简单,非接触测量,现场适应能力强,分析速度快的高效元素分析方法。使用LIBS技术进行元素分析,成分分类识别是研究的关键方向,目前LIBS技术主要应用于岩石矿产检测,环境监测,化学品识别相关领域,而对多种成分复杂牌号混合合金分类问题研究较少。常用高性能精确分类算法通常对计算资源要求高,难以搭载在要求便携性,小型化的LIBS系统中。MPL-T-1064激光器产生脉冲激光,通过前置镜组调制光路,激发Al,Fe,Cu多种牌号合金的混合样品采集数据。使用主成分分析方法(PCA)对数据进行预处理,输入K均值聚类算法(K-means),卷积神经网络(CNN)模型中进行分类。使用K-means无法对复杂牌号合金进行精细分类,但在大类区分工作中准确率达到99.97%。CNN可以对复杂牌号合金进行精细分类,准确率达99.15%,但对计算资源要求相对较高。针对上述问题,设计了一种融合算法,使用K-means算法处理混合合金光谱数据,对相同种类不同牌号的样品进行粗分类,将一次分类后的数据输入CNN模型进行精细分类,在Al,Fe,Cu十种牌号样品的混合合金光谱中分类准确率达到99.35%,在5折交叉验证中准确率达99.52%,验证了算法在分类准确的同时具有较好的泛化能力。融合算法分类准确率相比K-means算法提高了39.65%,运行速度相比CNN算法加快21.94%。为多种成分复杂牌号混合合金分类问题提供了高效,快速,准确的方法。为更加轻量化,便携化的LIBS系统发展方向提供了新的思路。