zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1778Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESМетод извлечения переменных признаков на основе сверточной нейронной сети при обработке данных лазерно-искровой эмиссионной спектроскопииLIBS FEATURE VARIABLE EXTRACTION METHOD BASED ON CONVOLUTIONAL NEURAL NETWORKLinX.LinX.

Цюаньчжоу, Фуцзянь

Quanzhou, Fujian

GaoS.GaoS.

Цюаньчжоу, Фуцзянь

Quanzhou, Fujian

187049860@qq.comDuY.DuY.

Цюаньчжоу, Фуцзянь

Quanzhou, Fujian

YangY.YangY.

Чанчунь, Цзилинь

Changchun, Jilin

CheC.CheC.

Цзилинь

Jilin

Университет информационной инженерии ЦюаньчжоуQuanzhou University of Information EngineeringQiming Information Technology Co., Ltd.Qiming Information Technology Co., Ltd.Университет БэйхуаBeihua University202507022025921139139Copyright © Lin X., Gao S., Du Y., Yang Y., Che C., 20252025Lin X., Gao S., Du Y., Yang Y., Che C.Lin X., Gao S., Du Y., Yang Y., Che C.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/1778

Извлечение переменных признаков может значительно уменьшить размерность, упростить признаки и повысить точность количественных моделей, что имеет большое значение при предварительной обработке спектральных данных лазерно-искровой эмиссионной спектроскопии (LIBS). Предложен метод извлечения переменных признаков на основе сверточной нейронной сети (CNN). Спектральные данные LIBS подвергались многослойной двумерной свертке путем последовательного соединения структуры свертки и модуля InceptionV2, многоуровневые признаки постепенно извлекались для нахождения оптимальной комбинации переменных признаков. С помощью полносвязного слоя получены результаты прогнозирования. С целью проверки применимости извлеченных признаков результаты, выделенные сверточной нейронной сетью, напрямую вводились в алгоритм случайного леса (RF) для построения количественной модели. Определена концентрация элемента K в лабораторном смешанном растворе. При обработке методом CNN-RF коэффициенты детерминации R2 обучающей и тестовой выборок составили 0.993 и 0.990, среднеквадратическая ошибка обучающей и тестовой выборок RMSEC = 0.0067 и RMSEP = 0.0084 мас.%, средняя относительная ошибка 8.533%. Полученные оценки значительно лучше, чем результаты извлечения с помощью методов Lasso, РСА и SelectKBest. Показано, что сверточная нейронная сеть позволяет эффективно извлекать характерные спектральные линии LIBS и повышать точность количественного анализа. 

The extraction of feature variables can significantly reduce the dimension, simplify the features, and improve the accuracy of quantitative models, which is of great significance in spectral data preprocessing using laser-induced breakdown spectroscopy (LIBS). A feature variable extraction method based on convolutional neural network was proposed. The LIBS spectral data was subjected to multilayer two-dimensional convolution through the series connection of the convolution structure and an InceptionV2 module, and the multi-level features were gradually extracted to find the optimal feature variable combination. Finally, the prediction results were obtained by the fully connected layer. In order to verify the applicability of the extracted features, the extraction results of the convolutional neural network were directly input into random forest to construct a quantitative model. In this paper, the concentration of K element in the mixed solution prepared by the laboratory was tested. The determination coefficients R2  of the CNN-RF training set and the test set reached 0.993 and 0.990, respectively. The root mean square error (RMSEC) of the training set and the root mean square error (RMSEP) of the test set were 0.0067 and 0.0084 wt.%, respectively, and the average relative error reached 8.533%. The evaluation parameters were significantly better than the extraction results of least absolute shrinkage and selection operator, principal component analysis and SelectKBest. The results show that the convolutional neural network can effectively extract LIBS characteristic spectral lines and improve the accuracy of quantitative analysis.

лазерно-искровая эмиссионная спектроскопияизвлечение переменных признаковсверточная нейронная сетьlaser-induced breakdown spectroscopyfeature variable extractionconvolutional neural networkReferencesF. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.F. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.Z. Wanwan, J. Mingzhe, J. Comp., 7, No. 7 (2022), doi: 10.1093/comjnl/bxac033.Z. Wanwan, J. Mingzhe, J. Comp., 7, No. 7 (2022), doi: 10.1093/comjnl/bxac033.Tomas Lopes et al., Appl. Spectrosc., 7028241246545 (2024).Tomas Lopes et al., Appl. Spectrosc., 7028241246545 (2024).A. Kumar, P. S. V. S. S. Prasad, Int. J. Approx. Reasoning, 139, 69–87 (2021), doi: 10.1016/j.ijar.2021.09.006.A. Kumar, P. S. V. S. S. Prasad, Int. J. Approx. Reasoning, 139, 69–87 (2021), doi: 10.1016/j.ijar.2021.09.006.C. Yan, J. Liang, M. Zhao, et al., J. Analyt. Chim. Acta, 1080, 35–42 (2019), doi: 10.1016/j.aca.2019.07.012.C. Yan, J. Liang, M. Zhao, et al., J. Analyt. Chim. Acta, 1080, 35–42 (2019), doi: 10.1016/j.aca.2019.07.012.G. X. X. Cui, J. Plasma Sci. Technol., 23, No. 5 (2021).G. X. X. Cui, J. Plasma Sci. Technol., 23, No. 5 (2021).W. Zhao, et al., Analyt. Chim. Acta, 1166, 338574 (2021).W. Zhao, et al., Analyt. Chim. Acta, 1166, 338574 (2021).F. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.F. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.A. Erler, D. Riebe, T. Beitz, et al., Sensors, 20, No. 2, 418 (2020), doi: 10.3390/s20020418.A. Erler, D. Riebe, T. Beitz, et al., Sensors, 20, No. 2, 418 (2020), doi: 10.3390/s20020418.Y. Zhang, C. Sun, Z. Yue, et al., J. Opt. Express, 28, No. 21, 32019 (2020), doi: 10.1364/OE.404722.Y. Zhang, C. Sun, Z. Yue, et al., J. Opt. Express, 28, No. 21, 32019 (2020), doi: 10.1364/OE.404722.Wu Yiqing, Sun Tong, Liu Jin, et al., J. Laser Optoelectron. Progress, 55, No. 1, 013005 (2018), doi: 10.3788/LOP55.013005.Wu Yiqing, Sun Tong, Liu Jin, et al., J. Laser Optoelectron. Progress, 55, No. 1, 013005 (2018), doi: 10.3788/LOP55.013005.Deng Zhang et al., Microchem. J. (2024).Deng Zhang et al., Microchem. J. (2024).C. Sun, Y. Tian, L. Gao, et al., J. Sci. Rep., 9, No. 1, 11363 (2019), doi: 10.1038/s41598-019-47751-y.C. Sun, Y. Tian, L. Gao, et al., J. Sci. Rep., 9, No. 1, 11363 (2019), doi: 10.1038/s41598-019-47751-y.Z. Fei-Yan, J. Lin-Peng, D. Jun, Chin. J. Comp. (2017), doi: 10.11897/SP.J.1016.2017.01229.Z. Fei-Yan, J. Lin-Peng, D. Jun, Chin. J. Comp. (2017), doi: 10.11897/SP.J.1016.2017.01229.C. A. O. Xue, et al., Plasma Sci. Technol., 22, No. 11, 115502 (2020).C. A. O. Xue, et al., Plasma Sci. Technol., 22, No. 11, 115502 (2020).Y. Gou, X. Fu, S. Zhao, et al., J. Spectrochim. Acta, B: At. Spectrosc., 215 (2024), doi: 10.1016/j.sab.2024.106910.Y. Gou, X. Fu, S. Zhao, et al., J. Spectrochim. Acta, B: At. Spectrosc., 215 (2024), doi: 10.1016/j.sab.2024.106910.Yanhong Gu, et al., Electronics, 12, No. 12, 2566 (2023).Yanhong Gu, et al., Electronics, 12, No. 12, 2566 (2023).L. I. Yandong, H. Zongbo, L. Hang, J. Comp. Applications, 36(009), 2508–2515 (2016).L. I. Yandong, H. Zongbo, L. Hang, J. Comp. Applications, 36(009), 2508–2515 (2016).K. Dhiwar, A. K. Dewangan, Int. J. Scientific Research in Science, Engineering and Technology, 2, No. 2, 1167–1171 (2016).K. Dhiwar, A. K. Dewangan, Int. J. Scientific Research in Science, Engineering and Technology, 2, No. 2, 1167–1171 (2016).F. Sultana, A. Sufian, P. Dutta, A Review of Object Detection Models based on Convolutional Neural Network, in “Intelligent Computing: Image Processing Based Applications”, 1–16 (2020), doi: 10.1007/978-981-15-4288-61.F. Sultana, A. Sufian, P. Dutta, A Review of Object Detection Models based on Convolutional Neural Network, in “Intelligent Computing: Image Processing Based Applications”, 1–16 (2020), doi: 10.1007/978-981-15-4288-61.

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