爆炸物等危险品的分子振动和转动能级在太赫兹频谱段具有独特的指纹谱特性, 且太赫兹波对非极性物质及介电材料有较强的透过性及低能性, 因此利用太赫兹光谱可以实现障碍物隐匿复杂环境下的危险品无损探测。目前各种相关材料的太赫兹吸收光谱标准库并不完善, 且市面上各类太赫兹光谱仪硬件参数不同、检测标准不统一, 导致单纯依赖特征吸收峰的识别方法并不可靠。针对上述问题, 提出一种不依赖于吸收峰准确性的物质识别技术路线: 提取物质在不同频率分辨率、不同障碍物隐匿情况下的太赫兹吸收谱, 利用Marr小波变换在频域上展开得到具有特征唯一性的小波频域尺度图, 建立样本集; 其次, 结合迁移学习方法, 利用Xception网络对样本集进行训练识别。实验结果表明, 此方法可以很好地对不同障碍物隐匿环境中的危险品进行分类识别, 识别准确率可达94%。说明此方法的识别准确性不受系统频率分辨率即吸收谱精确度等系统因素影响, 为邮件及快递包裹等障碍物隐匿危险品无损检测、定性识别提供了一种新的技术思路。

材料太赫兹吸收谱的指纹特性已被广泛应用于物质识别，但实际大气环境下，水蒸气对太赫兹波的强烈吸收会导致光谱严重振荡，假峰、弱峰、混叠峰相继增多，严重影响寻峰比对的精度及物质识别的能力。针对上述问题，提取相对湿度为2%，15%，35%，45%和60%环境下爆炸物的太赫兹吸收光谱信息数据，利用连续小波变换将光谱在频域上展开得到具有特征唯一性的频域尺度图；再基于深度学习方法，以ResNet-50网络模型为基本网络结构，对上述5种不同湿度环境下得到的爆炸物频域尺度图进行网络分类训练，其测试集分类准确率达96.6%。为验证该技术在未经训练湿度样本下的有效性，将相对湿度为50%，55%和67%时爆炸物的时域信号送入该识别系统，分类准确率可达96.2%。实验结果表明，基于小波变换与ResNet-50网络分类训练的太赫兹物质识别方法相比于传统寻峰方法大幅提升了爆炸物在高湿度环境下的识别准确率，规避了降噪、平滑等一系列复杂预处理操作，极大拓展了太赫兹光谱探测技术的工程适应性，为山地、森林、洼地等高湿度、极复杂的作战环境下精确探测、识别地雷等爆炸物提供了技术支持。