基于LIBS和VIT神经网络的数据处理方法及分类识别方法技术

本发明专利技术公开了基于LIBS和ViT神经网络的数据处理方法及分类识别方法，能够将LIBS光谱序列数据转换成RGB彩色图片，用ViT视觉领域的神经网络解决序列数据问题。考虑到彩色图像是一个3通道矩阵，所以引入一个时间变量，通过控制光谱数据的采样时间，产生3组不同延时时间对应的数据矩阵，分别对应RGB三通道；在一个位置重复采样可以得到样本某一位置不同深度的光谱序列数据，再换不同位置采样，采用独特的数据排列方式，将延时时间1、延时时间2、延时时间3的数据矩阵分别对应彩色图片的RGB三通道；最后得到的是样本X、Y、Z三个维度的立体的光谱序列数据，因此本发明专利技术能够将LIBS光谱序列数据转换成RGB彩色图片，用ViT视觉领域的神经网络解决序列数据问题。决序列数据问题。决序列数据问题。

【技术实现步骤摘要】
基于LIBS和VIT神经网络的数据处理方法及分类识别方法


[0001]本专利技术涉及激光光谱分析
，具体涉及一种基于LIBS和VIT神经网络的数据处理方法及分类识别方法。

技术介绍

[0002]激光诱导击穿光谱(LIBS)技术采用脉冲激光烧蚀样品表面产生激光诱导等离子体，通过探测等离子体的发射光谱实现待测样品元素组分的定性和定量分析，具有无需(或少量)样品预处理、多元素同时检测、分析速度快的优势。目前深度学习处于快速发展时期，具有能快速提取数据特征的优势。
[0003]现有的激光诱导击穿光谱元素定量分析方法有基于NLP自然语言处理领域的LSTM模型解决方案以及传统卷积神经网络CNN。其中，基于NLP自然语言处理方法主要用于文字的分类、翻译工作，解决流程包括：1.对输入文字进行分字或分词操作，中文常用的是分字；2.根据已经训练好的语料表将文字转化为对应的ID；3.根据embedding映射表将ID映射成对应的向量；4.将得到的向量输入LSTM分类模型进行后续的分类任务。激光诱导击穿光谱得到光谱数据是波长、强度的序列数据，在套用NLP的LSTM模型时，不需要经过分字、ID转化、embedding映射等预处理操作，直接将波长、强度序列数据输入LSTM分类模型即可。
[0004]ViT神经网络在自然语言处理的几乎所有任务中都占主导地位。近期它也已被引入计算机视觉领域，并在图像分类、目标检测和图像分割等任务中显示出巨大的前景。VIT(Vision Transformer)的总体想法是基于纯Transformer结构来做图像分类任务，在大规模数据集上做完预训练后的VIT模型，在迁移到中小规模数据集的分类任务上以后，能够取得比CNN更好的性能。目前，激光诱导击穿光谱和深度学习结合进行元素定量分析是一个研究的热点。
[0005]然而ViT神经网络是一种专用于视觉领域的方案，输入数据是图像。要想使用视觉领域的VIT神经网络，就必须准备好VIT神经网络所需要的图像数据，而激光诱导击穿光谱得到的原始数据是一串序列数据，所以就面临如何将序列数据转换成图像数据的技术问题。
[0006]基于传统卷积神经网络CNN的解决方案以专利《LIBS与深度学习结合的岩性分类及主量元素含量检测方法》为例：该专利技术专利属于岩石检测
，将激光诱导击穿光谱和深度学习结合，应用于岩性分类以及主量元素含量检测。该专利针对CNN模型的结构进行了创新，对输入模型的输入数据没有创新性的预处理方法。
[0007]基于NLP自然语言处理领域的LSTM模型解决方案是将光谱数据直接输入LSTM模型，使用自然语言分类模型LSTM对输入数据进行元素定量分析，该技术方案对输入数据也没有创新性的预处理方法。
[0008]由此可见现有技术方案都是将LIBS得到的光谱序列数据简单处理即输入神经网络模型进行训练，然而ViT神经网络是一种专用于视觉领域的方案，输入数据是图像。因此要想用ViT神经网络结合激光诱导击穿光谱数据进行元素定量分析，如何将激光诱导击穿
光谱LIBS光谱序列数据转化为图像是亟待解决的难题。

技术实现思路

[0009]有鉴于此，本专利技术提供了基于LIBS和ViT神经网络的数据处理方法及分类识别方法，能够将LIBS光谱序列数据转换成RGB彩色图片，用ViT视觉领域的神经网络解决序列数据问题，利用转换得到的RGB彩色图片，作为ViT神经网络的输入以实现对待识别样品的分类识别。
[0010]为达到上述目的，本专利技术的技术方案包括如下步骤：
[0011]步骤1：设置3个采样的延时时间，在每个延时时间下，采用如下方式获取LIBS光谱序列的初始数据矩阵。
[0012]取设定压力下压成的样品，在样品上确定n个采样点，每个采样点处进行激光打点m次，每个采样点处产生m组2
×
N的初始数据矩阵，N为LIBS光谱序列数据波长数据点的总数，初始数据矩阵的第一行为波长，第二行为波长对应的强度值；则同一延时时间下，一个样品共得到nm组初始数据矩阵。
[0013]步骤2：取步骤1得到的所有初始数据矩阵中的强度数值进行归一化处理，并映射到0
‑
255数值范围之内，获得所有强度值的归一化强度数据。
[0014]在同一延时时间下：每个初始数据矩阵均得到N个归一化强度数据，nm组初始数据矩阵共得到N
×
nm个归一化强度数据，据此构建一个N
×
nm的二维矩阵。
[0015]步骤3：取3个延时时间对应的二维矩阵，分别作为彩色图片的RGB通道进行组合，获得彩色图片，彩色图片用于展示样品的LIBS光谱特性，用于VIT神经网络的输入。
[0016]优选地，3个采样的延时时间为等差数列。
[0017]本专利技术另一个实施例还提供了基于LIBS和VIT神经网络的分类识别方法，包括如下步骤：
[0018]第一步：设定不同的压力数据，得到多个不同压力压成的已知样品，执行如下LIBS至图片转化流程，获得针对每种样品的彩色图片，加入训练样本集；
[0019]针对每种已知样品，改变设置延时时间，改变采样点位置和数量，重复执行LIBS至图片转化流程，获得不同维度下的针对样品的彩色图片，加入训练样本集。
[0020]第二步：利用训练样本集作为输入，结合各已知样品的类别作为输出，对VIT神经网络进行训练，获得训练好的VIT神经网络。
[0021]第三步：针对待识别样品，设置延时时间，采样点位置和数量，执行LIBS至图片转化流程，获得针对待识别样品的彩色图片，输入至训练好的VIT神经网络，输出针对待识别样品的分类识别结果。
[0022]LIBS至图片转化流程具体为：
[0023]步骤1：设置3个采样的延时时间，在每个延时时间下，采用如下方式获取LIBS光谱序列的初始数据矩阵。
[0024]取设定压力下压成的样品，在样品上确定n个采样点，每个采样点处进行激光打点m次，每个采样点处产生m组2
×
N的初始数据矩阵，N为LIBS光谱序列数据波长数据点的总数，初始数据矩阵的第一行为波长，第二行为波长对应的强度值；则同一延时时间下，一个样品共得到nm组初始数据矩阵。
[0025]步骤2：取步骤1得到的所有初始数据矩阵中的强度数值进行归一化处理，并映射到0
‑
255数值范围之内，获得所有强度值的归一化强度数据。
[0026]在同一延时时间下：每个初始数据矩阵均得到N个归一化强度数据，nm组初始数据矩阵共得到N
×
nm个归一化强度数据，据此构建一个N
×
nm的二维矩阵。
[0027]步骤3：取3个延时时间对应的二维矩阵，分别作为彩色图片的RGB通道进行组合，获得彩色图片，彩色图片用于展示样品的LIBS光谱特性，用于VIT神经网络的输入。
[0028]有益效果：
[0029]1、本专利技术提供了基于LIBS和ViT神经网络的数据处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LIBS和VIT神经网络的数据处理方法，其特征在于，包括如下步骤：步骤1：设置3个采样的延时时间，在每个延时时间下，采用如下方式获取LIBS光谱序列的初始数据矩阵；取设定压力下压成的样品，在样品上确定n个采样点，每个采样点处进行激光打点m次，每个采样点处产生m组2
×
N的初始数据矩阵，N为LIBS光谱序列数据波长数据点的总数，初始数据矩阵的第一行为波长，第二行为波长对应的强度值；则同一延时时间下，一个样品共得到nm组初始数据矩阵；步骤2：取步骤1得到的所有初始数据矩阵中的强度数值进行归一化处理，并映射到0
‑
255数值范围之内，获得所有强度值的归一化强度数据；在同一延时时间下：每个初始数据矩阵均得到N个归一化强度数据，nm组初始数据矩阵共得到N
×
nm个归一化强度数据，据此构建一个N
×
nm的二维矩阵；步骤3：取3个延时时间对应的二维矩阵，分别作为彩色图片的RGB通道进行组合，获得彩色图片，所述彩色图片用于展示样品的LIBS光谱特性，用于VIT神经网络的输入。2.如权利要求2所述的基于LIBS和VIT神经网络的数据处理方法，其特征在于，所述3个采样的延时时间为等差数列。3.基于LIBS和VIT神经网络的分类识别方法，其特征在于，包括如下步骤：第一步：设定不同的压力数据，得到多个不同压力压成的已知样品，执行如下LIBS至图片转化流程，获得针对每种样品的彩色图片，加入训练样本集；针对每种已知样品，改变设置延时时间，改变采样点位置...

【专利技术属性】
技术研发人员：李锋，樊峰泽，
申请(专利权)人：北京理工大学长三角研究院嘉兴，
类型：发明
国别省市：