文献类型：期刊文章

作　　者：王忠东[1] 张云刚[2] 张亮敬[1] 吴柳强[1]

Wang Zhongdong;Zhang Yungang;Zhang Liangjing;Wu liuqiang(Department of Mathematics and Computer Science,Guangxi Science&Technology Normal University,Laibin 546199,Guangxi,China;College of Electrical Engineering,Yanshan University,Qinhuangdao 066004,Hebei,China)

机构地区：[1]广西科技师范学院数学与计算机科学学院,广西来宾546199 [2]燕山大学电气工程学院,河北秦皇岛066004

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(62175208);中央引导地方科技发展基金(216Z1701G);广西创新驱动发展专项基金(桂科AA21077018-2)。

年　　份：2023

卷　　号：60

期　　号：15

起止页码：376-385

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱,是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大,不宜直接用数学模型描述,也不宜简单依靠人工观察分析。因此,根据深度学习的卷积神经网络(CNN)理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法,利用其强大的非线性运算能力、自适应表示学习能力,自动隐性地从训练数据中进行特征学习,实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品(汽油、机油、柴油)的训练和验证光谱数据集,基于Python深度学习框架Keras建立了CNN模型,并对CNN模型在光谱数据集上进行了训练、验证与测试实验,实现了被测油品的种类判别。实验结果表明:该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%,综合测试分类准确率达到82.65%,对单物质分类准确率为100%,验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类,也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持,为环境检测提供了一种新思路与新方法。

关 键 词：三维荧光光谱 深度学习  卷积神经网络 分类识别  石油污染物

分 类 号：O657.3]