1D-CNN结合数据增强对常见刀具LIBS光谱的识别研究
摘要
刀具是犯罪现场最常见的物证之一，建立一种准确识别刀具类别的方法具有重要意义。实验使用激光诱导击穿光谱仪对138种刀具样品进行检测，获取2760组训练数据和276组预测数据。预处理后，采用主成分分析法对训练集和预测集数据降维，选取前400个主成分，累计方差贡献率为81%。将降维后的数据输入一维卷积神经网络模型进行训练和预测，经200轮迭代，得到平均预测准确率为96.02%。为进一步提高预测准确率，依据光谱数据的特征分别采用基于正态分布和线性组合的方法为每个样品生成40、80、120组数据。然后进行对比实验，探究不同数据增强方法和合成数据量对1D-CNN模型性能的影响。当使用正态分布法时，模型预测准确率随着合成数据量的增加逐渐提高，最高达到97.46%。研究表明，激光诱导击穿光谱结合1D-CNN模型和正态分布法能有效实现刀具样品的精确识别，从而为侦查破案提供线索。
引用本文（GB/T 7714）
张涛 Zhang Tao, 李春宇 Li Chunyu, 李传召 Li Chuanzhao. 1D-CNN结合数据增强对常见刀具LIBS光谱的识别研究[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。