Pretrattamento alle curve di assorbimento terahertz mediante stretto vincolo di ondulazione e sua rapida implementazione suggerita dallo scafo convesso

Aug 03, 2023

Scientific Reports volume 12, numero articolo: 17806 (2022) Citare questo articolo

378 accessi

Dettagli sulle metriche

In questo lavoro viene proposto un metodo di pretrattamento della curva di assorbimento THz, che porta a un intervallo minimo di assorbimento, riservando la necessaria ondulazione della curva per l'identificazione mediante rete neurale convoluzionale. L'idea centrale del metodo proposto consiste nel confinare l'ondulazione della curva con una coppia di strette linee parallele e risolvere la loro posizione ottimale mediante rotazione consecutiva della curva normalizzata in due punti fissi. Viene inoltre proposto un algoritmo veloce basato sulle caratteristiche dello scafo convesso, la cui procedura è descritta in dettaglio. L'algoritmo prevede la definizione di alcuni importanti insiemi di punti, il calcolo e il confronto delle pendenze e la determinazione della scelta migliore tra 4 potenziali rotazioni. La razionalità della ricerca del punto critico è illustrata in modo geometrico. Inoltre, viene discusso l'adattamento del metodo e vengono forniti esempi reali per mostrare la capacità del metodo di estrarre informazioni non lineari da una curva. Lo studio suggerisce che i metodi riguardanti la grafica computerizzata contribuiscono anche all'estrazione delle caratteristiche rispetto alla curva THz e al riconoscimento dei modelli.

La spettroscopia nel dominio del tempo Terahertz è ampiamente utilizzata per il rilevamento e l'identificazione dei materiali1,2,3,4. La curva del coefficiente di assorbimento o di estinzione è così correlata ai costituenti del materiale che il riconoscimento del modello viene condotto in vari contesti5,6,7,8,9. Non si osservano picchi di assorbimento per la sostanza pura con struttura molecolare simmetrica (ad esempio polietilene). Inoltre, i picchi sono meno osservabili a causa delle sovrapposizioni dello spettro dei componenti. Pertanto, secondo i rapporti precedenti, l’apprendimento automatico è significativo per il data mining nelle indagini che coinvolgono ma non si limitano a erbe, carne, tè e cereali. Si suggerisce che il pretrattamento delle curve avvantaggi le prestazioni del modello e riduca la difficoltà di addestrare un modello soddisfacente. Il pretrattamento convenzionale comprende il livellamento Savitzky-Golay, il filtraggio nel dominio della frequenza, la correzione dello scattering multivariato (MSC) e così via, che riservano funzionalità essenziali per l'identificazione ma regolano il valore ad ogni campionamento di frequenza10,11,12. Questi algoritmi assumono matematicamente la forma del rumore e tutti i punti vengono elaborati allo stesso modo. Tuttavia, la funzionalità per identificare le curve può essere indebolita e alcuni parametri sono configurati empiricamente per ottenere buoni risultati. Inoltre, i metodi che coinvolgono la grafica computerizzata vengono raramente studiati per collegare i successivi metodi di identificazione.

La rete neurale convoluzionale (CNN) è stata impiegata per identificare l'oggetto in un'immagine come modello efficace e popolare13,14,15,16. Quando la CNN è associata a una curva terahertz, è necessaria una conversione (o mappatura) dalla curva THz all'immagine prima dell'addestramento del modello. La curva dello spettro è vista come un confine significativo nell'immagine per separare la parte superiore e quella inferiore, che tuttavia non hanno significato perché non vengono raggiunte da alcun valore effettivo. Di conseguenza, ogni pixel di un'immagine partecipa all'addestramento del modello CNN. Comprimere l'intervallo di assorbimento per una determinata banda di frequenza soddisferebbe l'aspettativa di ridurre i costi di calcolo, mentre la difficoltà è riservare le caratteristiche essenziali per l'identificazione. Come mostrato in Fig. 1a, una curva THz schematica ha un intervallo pari alla differenza tra offset1 e offset2. La linea 2 e la linea 1 sono linee parallele con l'asse della frequenza, che indicano il limite superiore e inferiore dell'assorbimento. Se vengono utilizzate altre due linee parallele per confinare la curva, l'ondulazione (differenza nell'offset Y) tra di loro cambia (come mostrato in Fig. 1b e Fig. 1c). Pertanto, cerchiamo linee parallele ottimali per confinare la curva con una distanza minima ed effettuiamo la trasformazione di taglio per generare un'immagine che contenga la curva procedente con una ridondanza minima nella direzione Y (dimensione di assorbimento). Alla luce del pensiero di base, il metodo proposto è denominato vincolo di ondulazione stretta (NUC).