1 中国科学技术大学光学与光学工程系，安徽 合肥 230026
2 中国科学院上海光学精密机械研究所航天激光工程部，上海 201800
激光告警技术是光电对抗的重要组成部分，能够识别具有威胁性的激光信号并发出告警，有效提高了飞行器、舰船、卫星等重要平台的生存能力，在相关领域发挥着重要作用。按探测原理的不同，激光告警技术可以分为相干识别型、光谱识别型、光栅衍射型和成像型4类。梳理了国内外激光告警技术及装备的研究进展，对不同激光告警技术性能进行对比，并对激光告警技术的发展趋势进行总结。
激光告警 相干识别型告警 光谱识别型告警 光栅衍射型告警 成像型告警 激光与光电子学进展
2024, 61(5): 0500003
1 天津大学精密仪器与光电子工程学院, 激光与光电子研究所, 天津 300072
2 天津大学光电信息技术教育部重点实验室, 天津 300072
3 陆军军医大学西南医院神经外科, 重庆 400038
4 电子测试技术重点实验室, 山东 青岛 266555
脑缺血是一种常见的突发性脑外科疾病, 具有较高的致死致残率, 快速、 准确对脑缺血程度进行检测对脑缺血的诊断与治疗工作具有重要意义。 基于衰减全反射式太赫兹时域光谱技术, 分别对脑缺血时间为0, 0.5, 1, 2, 4, 6和24 h的大鼠脑脊液和血清进行光谱检测, 并对不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率随缺血时间的变化规律进行分析。 结果表明, 与对照组相比, 不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率均存在一定的差异。 在此基础上, 根据不同缺血时间的大鼠脑脊液和血清的吸收系数, 采用主成分分析法和机器学习算法对大鼠的脑缺血程度进行自动分类识别。 其中, 基于脑脊液吸收系数的支持向量机分类模型的识别准确率相对较高, 达到了89.3％。 该方法为脑缺血的早期诊断提供一种新的检测方法。
太赫兹时域光谱 脑缺血 光谱识别 k-最近邻 支持向量机 Terahertz spectroscopy Cerebral ischemia Spectrum recognition k-Nearest Neighbor Support vector machine
1 厦门大学航空航天学院, 福建 厦门 361005
2 厦门大学环境与生态学院, 福建 厦门 361005
针对传统的反向匹配方法中存在的强弱峰权重差异和噪声峰的干扰问题, 提出了改进式反向匹配方法, 通过引入权重衰减函数来优化强峰和弱峰之间的权重占比关系, 使得谱图中各特征峰的权重分布在合理的范围内, 避免了强峰权重掩盖弱峰的情况; 通过概率分布函数动态滤噪的方法, 实现了噪声峰的自适应过滤, 从而提升了反向匹配方法的识别性能。 实验以大量的常规拉曼和表面增强拉曼的谱图为验证样本, 基于大型常规拉曼与表面增强拉曼数据库进行拉曼谱图识别验证。 实验表明该方法在大量数据测试下综合准确率达到91.52%, 相比于命中质量指数方法(51.08%)和传统的反向匹配方法(16.57%)有大幅度的提升。
拉曼谱图 反向匹配 光谱识别 权重衰减函数 自适应滤噪 Raman spectrum Reverse matching Spectrum identification Weight decay function Adaptive noise filtering
安徽理工大学电气与信息工程学院, 安徽 淮南 232001
针对现有葡萄酒检测技术无法快速、高效鉴别葡萄酒品质的问题,基于无需建立标签、调参简单的聚类算法,提出了一种利用激光诱导荧光技术获取葡萄酒光谱信息的方法,实现了酒样鉴别。选取三个品牌、两个年份的四个葡萄酒样本,在同一酒精度的前提下,与水进行1∶10体积配比后,对每个酒样采集100个光谱信息。利用K-均值、自组织竞争网络和自组织特征映射神经网络三个聚类算法进行酒样的鉴别,实验结果表明:在光谱信息分析中,三个聚类算法均表现出较优越的性能,识别准确率均达到99%以上,自组织特征映射神经网络的分类准确率更是达到了100%,平均用时5.875 s,具有较高的鲁棒性和泛化能力。研究结论证明聚类算法对葡萄酒品质的检测是切实可行的。
光谱学 激光诱导荧光 聚类算法 荧光光谱识别 葡萄酒 自组织特征映射神经网络 激光与光电子学进展
2021, 58(16): 1630001
1 中国科学院环境光学与技术重点实验室，中国科学院安徽光学精密机械研究所，安徽 合肥 230031
2 中国科学技术大学，安徽 合肥 230026
3 安徽省环境光学监测技术重点实验室，安徽 合肥 230031
4 安徽大学，安徽 合肥 230601
针对水体藻类群落离散三维荧光光谱的识别，以5种常见门类藻种(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)为对象，研究了基于自加权交替三线性分解(SWTATLD)算法的藻类离散三维荧光光谱识别方法，并将识别结果与平行因子(PARAFAC)算法的解析结果进行了对比分析。结果表明：PARAFAC算法解析得到的铜绿微囊藻的平均回收率为92.73%±13.99%，斜生栅藻的平均回收率为105.51%±11.58%，菱形藻的平均回收率为89.25%±13.68%，楯形多甲藻的平均回收率为109.48%±13.47%，隐藻的平均回收率为88.76%±13.60%；SWTATLD算法解析得到的铜绿微囊藻的平均回收率为96.70%±3.94%，斜生栅藻的平均回收率为98.07%±4.48%，菱形藻的平均回收率为101.71%±3.97%，楯形多甲藻的平均回收率为97.26%±4.11%，隐藻的平均回收率为103.57%±4.34%；相比于PARAFAC算法，SWTATLD算法的解析结果更接近于真实浓度且偏差更小。研究结果为水体浮游藻类群落的有效识别及定量分析提供了一种良好的方法。
光谱学 光谱识别 平行因子算法 自加权交替三线性分解算法 浮游藻类群落 离散三维荧光光谱 光学学报
2021, 41(14): 1430001
博微太赫兹信息科技有限公司, 安徽 合肥 230088
太赫兹时域光谱技术, 由于其具有物质“指纹谱”特性, 是一种可以快速无损地鉴别物质的重要手段, 在毒品和爆炸物的无损检测等方面有广阔的应用前景。 其中, 光谱识别是太赫兹时域光谱技术应用研究的重要方向之一。 现有的光谱识别方法多是依靠手工选取特征后进行机器学习分类, 或是通过设置吸收峰阈值门限进行判断。 由于一些物质在太赫兹波段内并没有明显的吸收峰特征, 同时样品浓度、 空气湿度、 各类噪声等会对太赫兹时域光谱造成干扰从而使信噪比下降, 这些方法并不能很好地适应, 并且物质类别和数量的增加也会导致计算量不断增加。 近年来, 随着深度学习技术兴起, 以卷积神经网络(CNN)和循环神经网络(RNN)为代表的方法在计算机视觉和自然语言处理等领域得到广泛应用, 相比于传统的机器学习方法其效果有了很大的提升。 由于深度学习技术强大的非线性分类能力, 基于RNN和CNN设计了两个网络用于光谱识别: 基于RNN的一维谱线分类网络和基于CNN的二维谱图分类网络。 模拟实际应用场景, 在非真空环境下采集了12种物质的两万多个光谱数据作为训练集和测试集。 在分析了样品浓度、 空气湿度对光谱特征的影响后, 使用S-G(Savitzky-Golay)滤波对光谱进行降噪。 实验结果表明, 对比未处理和经过S-G预处理的数据, 处理后的光谱特征更加明显, 识别准确率更高; 与传统的机器学习算法k最近邻(k-NN)方法相比, RNN和CNN方法在测试集上有更好的准确率, 且算法速度更快; 对于光谱识别, CNN方法比RNN方法能够更好地克服噪声的影响。 因此, 深度学习技术可以对太赫兹时域光谱进行快速有效的识别, 能够为新型无损安全检查技术提供理论和实验基础。
太赫兹时域光谱 光谱识别 卷积神经网络 循环神经网络 预处理 Terahertz time-domain spectroscopy Spectral identification Convolutional neural network Recurrent neural network Preprocessing
1 上海航天控制技术研究所, 上海 201109
2 中国航天科技集团有限公司红外探测技术研发中心, 上海 201109
3 浙大宁波理工学院, 浙江 宁波 315100
针对红外精确制导中抗干扰的问题, 开展基于光谱角和光谱距离等特征参量的目标光谱识别技术仿真和实验研究。在目标、 干扰均为灰体辐射的前提条件下, 对目标和干扰在不同发射率模型、不同辐射温度下的红外光谱辐射分布进行理论建模, 定量分析了目标和干扰的光谱角和光谱距离特征参量与其温度、发射率的关系, 数值表征了目标和干扰的光谱差异。 为验证上述光谱区分方法的有效性, 实验采集并分析了目标和干扰的光谱数据。研究结果表明光谱角和光谱距离能够 将两者进行有效的区分, 为复杂背景下目标识别提供理论和实验基础。
光谱角 光谱距离 光谱识别 spectral angle spectral distance spetacral discrimination 大气与环境光学学报
2020, 15(5): 393
1 桂林电子科技大学 1. 电子工程与自动化学院
2 桂林电子科技大学 2. 生命与环境科学学院, 广西 桂林 541004
实时光谱识别是目前干涉式成像光谱仪领域研究的热点问题之一, 其难点在于复原光谱数据量大及对识别算法的实时性要求高。基于FPGA器件设计了一种基于光谱角匹配(SAM)算法的干涉式成像光谱仪多通道实时光谱识别系统。该系统将多个不同的参考光谱分别存储在其对应通道的存储器中, 根据SAM算法实时计算输入光谱与各通道参考光谱之间的光谱角, 通过对各通道输出的光谱角进行比较而实现光谱的实时识别。仿真结果表明, 系统在Xilinx芯片XC7A100TFGG484-2上对复原光谱进行实时有效识别的运行频率可达100MHz。系统以流水线方式运行, 具有速度快、体积小、便于升级等优点, 为干涉式成像光谱仪实时光谱识别的工程实现提供了一种有效的技术途径。
干涉式成像光谱仪 多通道 实时光谱识别 光谱角 interferometric imaging spectrometer multi-channel real-time spectral recognition spectral angle FPGA FPGA
1 安徽理工大学电气与信息工程学院, 安徽 淮南 232000
2 阜阳师范学院计算机与信息工程学院, 安徽 阜阳 236000
3 School of Electronic and Electrical Engineering, University of Leeds, Woodhouse Lane, Leeds L859JT, UK
快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。
煤矿突水 激光诱导荧光 光谱识别 密度聚类 多元宇宙优化 自动编码器 丢失 Mine water inrush Laser induced fluorescence Spectral recognition Density-based special clustering of applications w Multi-verse optimizer Auto encoder Dropout 光谱学与光谱分析
2019, 39(8): 2437
空军工程大学 防空反导学院, 陕西 西安 710051
分析导弹尾焰可知, 影响其光谱变化的主要因素包括发动机、燃料等, 故根据尾焰光谱可以达到导弹型号识别的目的。为保证识别效率, 用特征光谱代表尾焰特征, 可大大缩减数据量。首先根据光谱差模型计算出各波长处的辐射差, 通过设定阈值将辐射差分段, 高于阈值的波段即为所选的特征波段。改变积分步长和阈值可获得几组不同数据。分别采用光谱角匹配算法(Spectral Angle Matching algorithm, SAM)和模糊算法对不同精度和不同特征波段的数据进行处理, 得到识别结果。以识别结果的正确率和待识别样本与各型光谱的相似度距离为衡量标准, 模糊算法识别效果可与SAM相当, 但其在算法复杂度方面优于SAM。
光谱识别 导弹尾焰 模糊算法 spectrum identification missile stern flame fuzzy algorithm SAM SAM 红外与激光工程
2018, 47(10): 1026001
