北京理工大学王茜蒨教授LIBS团队:危险品LIBS检测及光谱分析算法研究
p strong 一、北京理工大学王茜蒨教授团队风采 /strong /p p 北京理工大学光电学院激光诱导击穿光谱研究团队(BIT-LIBS)由王茜蒨教授领衔,始创于2008年,目前有教授1名,副教授1名,讲师2人,在读博士生7名(其中留学生2名),硕士生6名,本科生3名。团队依托于北京理工大学光电学院光学工程国家重点学科,光电成像技术与系统教育部重点实验室,致力于激光与物质相互作用理论、激光探测机理与技术、光谱数据处理、化生爆危险品检测、生物医学检测等方面的研究。 /p p style=" text-align: center " img title=" 22.jpg" alt=" 22.jpg" src=" https://img1.17img.cn/17img/images/201901/uepic/b62f0e7f-6860-47aa-91af-ccbe2ea927ae.jpg" / /p p style=" text-align: center " strong 北京理工大学王茜蒨教授 /strong /p p style=" text-align: center " img width=" 600" height=" 450" title=" 团队风采.jpg" style=" width: 600px height: 450px " alt=" 团队风采.jpg" src=" https://img1.17img.cn/17img/images/201901/uepic/8b352990-7b7b-4265-8309-65490d0ea2c5.jpg" border=" 0" vspace=" 0" / /p p style=" text-align: center " strong 北京理工大学王茜蒨教授团队风采 /strong /p p strong 二、相关研究成果及最新研究进展 /strong /p p 1、危险品LIBS光谱识别方法研究 /p p 爆炸物和生化危险品在反恐防暴领域一直都是探测重点,因其具有高度毁伤性和致病性,严重危害社会安全和人民安全健康。团队自创立至今,一直致力于LIBS技术在国防和社会安全领域的应用研究,从2008年起,在国内率先开展爆炸物LIBS探测技术研究,对几种典型炸药的LIBS光谱特性和识别方法进行了深入研究。之后,开展了对有机磷化学毒剂模拟剂DMMP和TEP、生物毒素模拟剂BSA等的LIBS光谱特性研究。重点研究了监督学习和非监督学习等机器学习方法在危险品LIBS光谱识别分类中的应用。在此基础上,提出了基于标签扩散的半监督学习LIBS数据分析算法,在仅可获得少量已知类别数据时,对典型军用炸药RDX、HMX、CL-20和成分相似的有机干扰物正确识别率达到100%。 /p p style=" text-align: center " img title=" 图1.png" alt=" 图1.png" src=" https://img1.17img.cn/17img/images/201901/uepic/2d84f7eb-ffa3-4e7f-8ec0-d99d9062748e.jpg" / /p p style=" text-align: center " strong 图1 半监督学习方法分类结果 /strong /p p 此外,为了解决某些应用场合难以获取足够LIBS建模数据的难题,提出了基于生成对抗网络(GAN)扩展光谱数据库的方法。可以在仅有少量爆炸物和化学毒剂模拟物LIBS光谱数据时,利用GAN对LIBS光谱数据进行扩展建模,将探测识别准确率从不足90%提升到超过95%。 /p p 2、LIBS技术在生物医药学应用研究 /p p 在医药学和生物学领域,团队也开展了相关研究。 /p p 在2018年的最新研究中,提出基于评估谱线重要性提取有效特征峰可以缩短分析时间,提升识别准确率。采用所提出的IW-PCA和RF谱线重要性评估算法进行特征提取,对金黄色葡萄球菌、大肠杆菌等6种致病菌的识别准确率达到98%。 /p p style=" text-align: center " img title=" 图2.jpg.png" alt=" 图2.jpg.png" src=" https://img1.17img.cn/17img/images/201901/uepic/3d7569a7-68ef-45ed-a63c-e73aa2416f12.jpg" / /p p style=" text-align: center " strong 图2 采用IW-PCA和RF分别和共同提取不同数量特征峰的分类结果 /strong /p p 针对川贝母真伪辨识问题,采用LIBS技术结合人工神经网络对川贝母、浙贝母及伊贝母进行辨识,平均分类正确率为98.33%。实验表明此方法具有很高的辨识精度和很强的鲁棒性。 /p p style=" text-align: center " img title=" 图3.jpg.png" alt=" 图3.jpg.png" src=" https://img1.17img.cn/17img/images/201901/uepic/956f5c4f-b959-4bc3-bebf-f9cccdb76ab9.jpg" / /p p style=" text-align: center " strong 图3 川贝母、掺浙贝母及伊贝母LIBS光谱图 /strong /p p 鹿茸是我国传统的名贵药材。本团队首次将LIBS应用于鹿茸质量评估,获取鹿茸LIBS光谱,分析其元素组成。利用PLS-DA对不同质量鹿茸光谱进行定性分析,并且通过挑选特征谱线提高了分类实验的鲁棒性,分类准确率达到100%。研究证明了LIBS技术运用于鹿茸质量评估的可能性。 /p p style=" text-align: center " img title=" 图4.jpg" alt=" 图4.jpg" src=" https://img1.17img.cn/17img/images/201901/uepic/2fcaf326-4879-4ff7-b915-45982ce48288.jpg" / /p p style=" text-align: center " strong 图4 不同质量鹿茸LIBS光谱 /strong /p p 针对传统木材种类判别方法存在的局限,团队提出利用LIBS技术对木材种类进行识别分类。实验证明利用LIBS技术结合人工神经网络ANN可应用于木材分类,其分类正确率均在95%以上。当进一步优化ANN网络参数设置时,分类正确率可达到100%。为木材种类识别提供了一种高效准确的方法。 /p p style=" text-align: center " img title=" 图5.jpg" alt=" 图5.jpg" src=" https://img1.17img.cn/17img/images/201901/uepic/fce1af57-f107-4dda-b017-14a1bd884112.jpg" / /p p style=" text-align: center " strong 图5 实验测量4种不同种类木材LIBS光谱图 /strong /p p strong 三、团队LIBS代表性论文10篇 /strong /p p 1. Qianqian Wang, Geer Teng, XiaoleiQiao, Yu Zhao, Jinglin Kong, Liqiang Dong, and Xutai Cui, & quot Importance evaluation of spectral lines in Laser-induced breakdown spectroscopy for classification of pathogenic bacteria,& quot Biomed. Opt. Express 9, 5837-5850 (2018) /p p 2. 王茜蒨, 赵宇, 卢小刚, et al. 激光诱导击穿光谱与拉曼光谱技术在危险物检测中的研究进展[J]. 光谱学与光谱分析, 2017(8). /p p 3. Wang Q Q , He L A , Zhao Y , et al. Study of cluster analysis used in explosives classification with laser-induced breakdown spectroscopy[J]. Laser Physics, 2016, 26(6):065605. /p p 4. He L , Wang Q , Zhao Y , et al. Study on Cluster Analysis Used with Laser-Induced Breakdown Spectroscopy[J]. Plasma Science and Technology, 2016, 18(6):647-653. /p p 5. Wang Q Q , Liu K , Zhao H , et al. Detection of explosives with laser-induced breakdown spectroscopy[J]. 物理学前沿:英文版, 2012, 7(6):701-707. /p p 6. Wang Q Q , Liu K , Zhao H . Multivariate Analysis of Laser-Induced Breakdown Spectroscopy for Discrimination between Explosives and Plastics[J]. Chinese Physics Letters, 2012, 29(4):044206. /p p 7. 王茜蒨, 黄志文, 刘凯, et al. 基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究[J]. 光谱学与光谱分析, 2012, 32(12). /p p 8. 赵华, 王茜蒨, 刘凯, et al. 无机爆炸物及其主要成分的激光诱导击穿光谱实验研究[J]. 光谱学与光谱分析, 2012, 32(3). /p p 9. 刘凯, 王茜蒨, 赵华, et al. 激光诱导击穿光谱在塑料分类中的应用[J]. 光谱学与光谱分析, 2011, 31(5). /p p 10. Wang Q , Jander, P, et al. Comparison of 1064 nm and 266 nm excitation of laser-induced plasmas for several types of plastics and one explosive[J]. Spectrochimica Acta Part B Atomic Spectroscopy, 2008, 63(10):1011-1015. /p p & nbsp /p