zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1282Research Article******Классификация спектров комбинационного рассеяния минеральных пигментов на основе аугментации данных и сверточной нейронной сетиRaman Spectrum Classification of Cinnabar and Cinnabar-Clam White Based on Data Augmentation and Convolutional Neural NetworkMuT.MuTaotao

Пекин

Beijing

mfjmtt@163.comQiW.QiWenbo

Пекин

Beijing

ChenS.ChenShaohua

Пекин

Beijing

LiH.LiHaoru

Пекин

Beijing

Пекинский университет информационных наук и технологийBeijing Information Science and Technology UniversityПекинский университет почты и телекоммуникацийBeijing University of Posts and Telecommunications2023250320239023496Copyright © Mu T., Qi W., Chen S., Li H., 20232023Mu T., Qi W., Chen S., Li H.Mu T., Qi W., Chen S., Li H.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1282

Исследованы методы аугментации данных спектров комбинационного рассеяния минеральных пигментов — трансляционное преобразование и добавление шума, увеличивающие размер набора данных от 20 до 320. Предложена модель сверточной нейронной сети и проверена на расширенном наборе данных. Показано, что точность модели может достигать 100 % при отношении сигнал/шум не менее 40 дБ для тестового набора.

Mineral pigments are commonly used in cultural relics, which makes the analysis of mineral pigments helpful in such research. It is complicated and time-consuming work to establish the data set of mineral pigment Raman spectra, so it is necessary to study the method of data augmentation. In this paper, two methods of augmenting Raman spectra data are explored – translation transformation, adding noise; expanding the size of the data set from 20 to 320 – then a convolutional neural network model is proposed and trained with the expanded data set. Experimental results showed that the accuracy of the model can reach 100% when the SNR of the test set is not less than 40 dB.

спектр комбинационного рассеяния светасверточная нейронная сетьаугментация данныхминеральный пигментRaman spectrumconvolutional neural networkdata augmentationmineral pigmentsReferencesJ. A. Cayuela, J. F. Garcia-Martin, LWT – Food Sci. Technol., 88, 103–108 (2018).J. A. Cayuela, J. F. Garcia-Martin, LWT – Food Sci. Technol., 88, 103–108 (2018).D. Kim, M. H. Choi, H. J. Shin, Agriculture, 11, 135 (2021).D. Kim, M. H. Choi, H. J. Shin, Agriculture, 11, 135 (2021).D. C. Leite, A. A. P. Correa, L. C. Cunha, K. M. G. de Lima, C. D. M. de Morais, V. F. Vianna, G. Teixeira, A. O. Di Mauro, S. H. Uneda-Trevisoli, J. Food Compos. Anal., 91, 103536 (2020).D. C. Leite, A. A. P. Correa, L. C. Cunha, K. M. G. de Lima, C. D. M. de Morais, V. F. Vianna, G. Teixeira, A. O. Di Mauro, S. H. Uneda-Trevisoli, J. Food Compos. Anal., 91, 103536 (2020).B. Abu Izneid, M. I. Fadhel, T. Al-Kharazi, M. Ali, S. Miloud, J. Food Sci. Technol., 51, 3244–3252 (2012).B. Abu Izneid, M. I. Fadhel, T. Al-Kharazi, M. Ali, S. Miloud, J. Food Sci. Technol., 51, 3244–3252 (2012).C. Hartmann, M. Elsner, R. Niessner, N. P. Ivleva, Appl. Spectrosc., 74, 193–203 (2020).C. Hartmann, M. Elsner, R. Niessner, N. P. Ivleva, Appl. Spectrosc., 74, 193–203 (2020).L. Mandrile, S. Rotunno, L. Miozzi, A. M. Vaira, A. M. Giovannozzi, A. M. Rossi, E. Noris, Anal. Chem., 91, 9025–9031 (2019).L. Mandrile, S. Rotunno, L. Miozzi, A. M. Vaira, A. M. Giovannozzi, A. M. Rossi, E. Noris, Anal. Chem., 91, 9025–9031 (2019).D. R. Zhang, H. B. Pu, L. J. Huang, D. W. Sun, Trends Food Sci. Technol., 109, 690–701 (2021).D. R. Zhang, H. B. Pu, L. J. Huang, D. W. Sun, Trends Food Sci. Technol., 109, 690–701 (2021).X. L. Li, C. J. Sun, L. B. Luo, Y. He, Sci. Rep., 5, 15729 (2015).X. L. Li, C. J. Sun, L. B. Luo, Y. He, Sci. Rep., 5, 15729 (2015).Y. Abe, R. Shikaku, I. Nakai, J. Archaeolog. Sci. Rep., 17, 212–219 (2018).Y. Abe, R. Shikaku, I. Nakai, J. Archaeolog. Sci. Rep., 17, 212–219 (2018).C. Gurin, M. Mazzuca, J. G. Otero, M. S. Maier, Archaeolog. Anthrop. Sci., 13, 54 (2021).C. Gurin, M. Mazzuca, J. G. Otero, M. S. Maier, Archaeolog. Anthrop. Sci., 13, 54 (2021).O. Petrova, D. Pankin, A. Povolotckaia, E. Borisov, T. Krivul'ko, N. Kurganov, A. Kurochkin, J. Cult. Herit., 37, 233–237 (2019).O. Petrova, D. Pankin, A. Povolotckaia, E. Borisov, T. Krivul'ko, N. Kurganov, A. Kurochkin, J. Cult. Herit., 37, 233–237 (2019).D. Cosano, D. Esquivel, C. M. Costa, C. Jimenez-Sanchidrian, J. R. Ruiz, Spectrochim. Acta, A, 214, 139–145 (2019).D. Cosano, D. Esquivel, C. M. Costa, C. Jimenez-Sanchidrian, J. R. Ruiz, Spectrochim. Acta, A, 214, 139–145 (2019).J. Jendeberg, P. Thunberg, M. Liden, Urolithiasis, 49, 41–49 (2021).J. Jendeberg, P. Thunberg, M. Liden, Urolithiasis, 49, 41–49 (2021).S. A. Lee, H. C. Cho, H. C. Cho, IEEE ACCESS, 9, 51847–51854 (2021).S. A. Lee, H. C. Cho, H. C. Cho, IEEE ACCESS, 9, 51847–51854 (2021).G. H. Lian, Y. Peng, J. He, J. Yi, Y. N. Yin, X. W. Liu, F. Zeng, Results Phys., 22, 103912 (2021).G. H. Lian, Y. Peng, J. He, J. Yi, Y. N. Yin, X. W. Liu, F. Zeng, Results Phys., 22, 103912 (2021).M. Gimnez, J. Palanca, V. Botti, Neurocomputing, 378, 315–323 (2020).M. Gimnez, J. Palanca, V. Botti, Neurocomputing, 378, 315–323 (2020).W. Huang, M. Huang, Int. J. Simulation and Process Modelling, 15, 120 (2020).W. Huang, M. Huang, Int. J. Simulation and Process Modelling, 15, 120 (2020).Y. F. Li, X. Y. Feng, Y. D. Liu, X. C. Han, Sci. Rep., 11, 16618 (2021).Y. F. Li, X. Y. Feng, Y. D. Liu, X. C. Han, Sci. Rep., 11, 16618 (2021).S. Lingwal, K. K. Bhatia, M. S. Tomer, Multimedia Tools Appl., 80, 35441–35465 (2021).S. Lingwal, K. K. Bhatia, M. S. Tomer, Multimedia Tools Appl., 80, 35441–35465 (2021).K. L. Xu, D. W. Feng, H. B. Mi, B. Q. Zhu, D. Z. Wang, L. L. Zhang, H. X. Cai, S. W. Liu, Adv. Multimedia Inform. Proc., 11166, 14–23 (2018).K. L. Xu, D. W. Feng, H. B. Mi, B. Q. Zhu, D. Z. Wang, L. L. Zhang, H. X. Cai, S. W. Liu, Adv. Multimedia Inform. Proc., 11166, 14–23 (2018).T. Hirasawa, K. Aoyama, T. Tanimoto, S. Ishihara, S. Shichijo, T. Ozawa, T. Ohnishi, M. Fujishiro, K. Matsuo, J. Fujisaki, T. Tada, Gastric Cancer, 21, 653–660 (2018).T. Hirasawa, K. Aoyama, T. Tanimoto, S. Ishihara, S. Shichijo, T. Ozawa, T. Ohnishi, M. Fujishiro, K. Matsuo, J. Fujisaki, T. Tada, Gastric Cancer, 21, 653–660 (2018).Y. Wang, T. T. Mu, Y. G. Li, W. B. Qi, S. H. Chen, Anal. Lett., 54, 2423–2430 (2021).Y. Wang, T. T. Mu, Y. G. Li, W. B. Qi, S. H. Chen, Anal. Lett., 54, 2423–2430 (2021).M. Kazemzadeh, C. L. Hisey, K. Zargar-Shoshtari, W. L. Xu, N. G. R. Broderick, Opt. Commun., 510, 127977 (2022).M. Kazemzadeh, C. L. Hisey, K. Zargar-Shoshtari, W. L. Xu, N. G. R. Broderick, Opt. Commun., 510, 127977 (2022).F. L. Yue, C. Chen, Z. W. Yan, C. Chen, Z. Q. Guo, Z. X. Zhang, Z. Y. Chen, F. B. Zhang, X. Y. Lv, Photodiagn. Photodyn. Ther., 32, 101923 (2020).F. L. Yue, C. Chen, Z. W. Yan, C. Chen, Z. Q. Guo, Z. X. Zhang, Z. Y. Chen, F. B. Zhang, X. Y. Lv, Photodiagn. Photodyn. Ther., 32, 101923 (2020).M. Jermyn, J. Desroches, J. Mercier, M. A. Tremblay, K. St-Arnaud, M. C. Guiot, K. Petrecca, F. Leblond, J. Biomed. Opt., 21, 094002 (2016).M. Jermyn, J. Desroches, J. Mercier, M. A. Tremblay, K. St-Arnaud, M. C. Guiot, K. Petrecca, F. Leblond, J. Biomed. Opt., 21, 094002 (2016).J. Liu, M. Osadchy, L. Ashton, M. Foster, C. J. Solomon, S. J. Gibson, Analyst, 142, 4067–4074 (2017).J. Liu, M. Osadchy, L. Ashton, M. Foster, C. J. Solomon, S. J. Gibson, Analyst, 142, 4067–4074 (2017).D. Y. Ma, L. W. Shang, J. L. Tang, Y. L. Bao, J. J. Fu, J. H. Yin, Spectrochim. Acta, A, 256, 119732 (2021).D. Y. Ma, L. W. Shang, J. L. Tang, Y. L. Bao, J. J. Fu, J. H. Yin, Spectrochim. Acta, A, 256, 119732 (2021).Y. Zhao, S. Tian, L. Yu, Z. Zhang, W. Zhang, J. Appl. Spectrosc., 88, 441–451 (2021).Y. Zhao, S. Tian, L. Yu, Z. Zhang, W. Zhang, J. Appl. Spectrosc., 88, 441–451 (2021).

The authors declare that there are no conflicts of interest present.