基于MTF变换的拉曼光谱和卷积神经网络的海水微塑料识别方法研究

作     者：张蔚 冯巍巍 蔡宗岐 王焕卿 闫奇 王清 ZHANG Wei;FENG Wei-wei;CAI Zong-qi;WANG Huan-qing;YAN Qi;WANG Qing

作者机构：哈尔滨工程大学烟台研究院山东烟台264000 中国科学院海岸带环境过程与生态修复重点实验室(烟台海岸带研究所)山东烟台264003 中国科学院大学北京100049 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2024年第44卷第9期

页      面：2420-2427页

核心收录：

学科分类：07[理学] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：国家重点研发计划项目(2019YFD0901101) 山东省重点研发计划项目(2022CXPT019)资助 

主　　题：马尔可夫变迁场 拉曼光谱 微塑料 神经网络 

摘      要：微塑料作为一种新型污染物,引起的污染问题在当今越发受到研究人员的关注。拉曼光谱有着无损样品,光谱特征峰位有代表性,便于识别样品种类的优点,一直以来是生物化学分析领域热门的检测方法之一。深度学习近年在特征提取、目标检测等领域的发展成就引人瞩目。针对准确高效的微塑料检测方法问题,探索了基于马尔可夫变迁场(MTF)变换的拉曼光谱和卷积神经网络的微塑料识别可行性。采集了11种微塑料样品的拉曼光谱,每种样品采集100条光谱,并通过光谱平移、添加噪声、光谱叠加等方式数据强化扩充了光谱数据集,利用MTF将一维拉曼光谱数据转换为彩色二维图像,获得二维图像形式的光谱数据集。设计一种主体为多个小尺寸卷积核的卷积神经网络(SSMKB-CNN)模型,包括1个输入层、6个卷积层、2个池化层、1个平坦层、2个全连接层与1个输出层。选择Dropout与带权重衰减的自适应矩估计优化器以避免过拟合现象,采用阶梯式学习速率保证模型充分习得数据深层特征。分类性能的评价标准采用混淆矩阵、精确率、召回率、F1分数与整体准确率。模型的分类结果与基于二维图像光谱数据集的AlexNet、VGG16和ResNet50三个深度卷积神经网络模型和基于一维光谱数据集的随机森林(RF)、K-最邻近(KNN)和三种核函数(rbf、Linear、Poly)的支持向量机(SVM)机器学习分类器的分类结果进行对比。通过分析训练曲线及混淆矩阵的分类结果,四种CNN模型的损失与准确曲线走势平稳,均能达到良好的训练效果,其中提出的SSMKB-CNN模型准确率达到了97.04%,综合精确率、召回率和F1分数分别为97.05%、95.06%和97.02%,均明显优于用于比较的另外三种经典神经网络模型以及三种机器学习分类器。一轮训练时长为9s,训练时间少于三种CNN模型,综合分类性能最佳。实验结果表明,基于结合MTF变换的拉曼光谱的SSMKB-CNN模型能够准确高效地提取光谱特征并作出种类预测,利用拉曼光谱实现微塑料样品的定性识别,可以为海水中微塑料实际样品的准确客观的识别技术提供方法新思路参考。