基于高光谱技术的现场车漆物证识别模型研究
该文基于光谱检测可无损成像、操作简单的优点,探索了高光谱成像技术结合深度残差收缩网络识别现场车漆物证的方法.以现场常见的白色车漆碎片为研究对象,采集了18种不同车型共54个车漆样本的高光谱图像,对图像进行10×10像素融合,形成19 740个像素的反射光谱.结合高光谱数据的特点,建立了针对性的一维深度残差收缩网络(1D-DRSN)识别模型.实验结果表明,该模型在训练集和测试集上的准确率分别为99.5%和98.6%,损失函数值分别下降到0.093和0.106收敛.相比一维卷积神经网络(1D-CNN)模型和支持向量机(SVM)、随机森林(RF)、逻辑回归(LR)3种传统的机器学习方法,该模型的分类效果和精度明显提高.通过对高光谱数据的深度挖掘区分了来自不同品牌或型号的白色车漆样本.该研究解决了实战难题,是现场车身油漆碎片物证检验技术和方法的有力补充.
高光谱成像技术、深度残差收缩网络、机器学习、现场车漆物证、智能识别
42
O657.3;O436(分析化学)
基本科研业务费团队建设学科基础理论体系;转化新课程研究项目
2023-07-18（万方平台首次上网日期，不代表论文的发表时间）
共8页
817-824
