高湿度环境下爆炸物太赫兹光谱的特征提取与精准识别_曾子威.pdf

第 31 卷 第 7 期2023 年 4 月Vol.31 No.7Apr.2023光学 精密工程 Optics and Precision Engineering高湿度环境下爆炸物太赫兹光谱的特征提取与精准识别曾子威1，2*，金尚忠1，李宏光2，姜丽1，储隽伟2（1.中国计量大学 光学与电子科技学院，浙江 杭州 310018；2.西安应用光学研究所，陕西 西安 710065）摘要：材料太赫兹吸收谱的指纹特性已被广泛应用于物质识别，但实际大气环境下，水蒸气对太赫兹波的强烈吸收会导致光谱严重振荡，假峰、弱峰、混叠峰相继增多，严重影响寻峰比对的精度及物质识别的能力。针对上述问题，提取相对湿度为 2%，15%，35%，45%和 60%环境下爆炸物的太赫兹吸收光谱信息数据，利用连续小波变换将光谱在频域上展开得到具有特征唯一性的频域尺度图；再基于深度学习方法，以 ResNet-50网络模型为基本网络结构，对上述 5种不同湿度环境下得到的爆炸物频域尺度图进行网络分类训练，其测试集分类准确率达 96.6%。为验证该技术在未经训练湿度样本下的有效性，将相对湿度为 50%，55%和 67%时爆炸物的时域信号送入该识别系统，分类准确率可达 96.2%。实验结果表明，基于小波变换与 ResNet-50网络分类训练的太赫兹物质识别方法相比于传统寻峰方法大幅提升了爆炸物在高湿度环境下的识别准确率，规避了降噪、平滑等一系列复杂预处理操作，极大拓展了太赫兹光谱探测技术的工程适应性，为山地、森林、洼地等高湿度、极复杂的作战环境下精确探测、识别地雷等爆炸物提供了技术支持。关键词：太赫兹光谱；高湿度环境；连续小波变换；ResNet-50；爆炸物分类识别中图分类号：U298；O441.4 文献标识码：A doi：10.37188/OPE.20233107.1065Terahertz spectral features detection and accuracy identification of explosives in high humidity environmentZENG Ziwei1，2*，JIN Shangzhong1，LI Hongguang2，JIANG Li1，CHU Junwei2（1.College of Optical and Electronic Technology，China Jiliang University，Hangzhou 310018，China；2.Xi an Institute of Applied Optics，Xian 710065，China）*Corresponding author，E-mail：Abstract：The fingerprint characteristics of the terahertz absorption spectrum of materials have been widely used in material identification，but the strong absorption of terahertz waves by water vapor in the actual atmospheric environment will cause the spectrum to oscillate severely；there will be increasing false，weak，and aliased peaks.These phenomena have seriously affected the accuracy of peak-finding comparison and the ability of substance identification.In spite of this，on the basis of extracting the terahertz absorption spectrum of explosives at relative humidity of 2%，15%，35%，45%，and 60%，the continuous wavelet transform is expanded in the frequency domain to obtain a unique characteristic.Then，the net文章编号 1004-924X（2023）07-1065-09收稿日期：2022-08-01；修订日期：2022-09-20.基金项目：国防科技工业局技术基础科研计划项目（科工技 2018 294号）第 31 卷光学 精密工程work training is carried out on the frequency domain scale maps of explosives obtained under the above 5 different humidity conditions based on the deep learning method with the ResNet-50 network model as the basic network structure；the classification accuracy of the test can be up to 96.6%.To verify the effectiveness of the technology under untrained humidity samples，the time-domain signals of explosives at relative humidity of 50%，55%，and 67%were fed into the identification system；the classification accuracy could reach 96.2%.Experiments show that a new terahertz material identification method，based on wavelet transform and ResNet-50 network classification training，greatly improves the accuracy of material identification in high humidity environment compared with the traditional peak-finding method.In addition，it avoids a series of complex preprocessing operations such as noise reduction and smoothing，and considerably expands the engineering adaptability of terahertz spectral detection technology.It provides help for accurate detection and identification of mines and other explosives in high humidity and extremely complex special operations environments such as mountains，forests，and depressions.Key words：terahertz spectroscopy；high humidity environment；continuous wavelet transform；ResNet-50；classification and identification of explosives1 引 言太赫兹波段光子能量极低（meV 量级），易与分子的旋转振动和集体激发构建能量匹配产生共振吸收 1-3。因此，利用太赫兹波对爆炸物等危险品进行识别探测具有极高的应用价值3。相较于目前安检领域广泛应用的 X 射线断层扫描技术，太赫兹时域光谱技术（Terahertz Time Domain Spectroscopy，THz-TDS）规避了有害光致电离效应，能十分安全地应用于活体物质的检测识别4-5。通过提取吸收光谱中的特征峰，利用特征峰中心频率匹配标准库中已知样本的特征峰频率，THz-TDS实现了物质的定性识别6。但大气环境中的水蒸气对太赫兹波强烈的吸收作用会导致光谱信噪比下降7，假峰、弱峰也会随之增多；一些物质的太赫兹吸收光谱无明显吸 收 峰 或 吸 收 峰 的 中 心 频 率 十 分 相 近；THz-TDS设备的准确性，重复性，环境温度，样品性状等诸多因素都会使太赫兹吸收谱出现偏差。这些问题严重影响了寻峰比对识别物质方法的有效性及准确性。THz-TDS 通常需要在相对湿度（Relative Humidity，RH）小于 5%的环境下进行物质光谱信息的探测，这在实际应用中是不现实的。姚宝岱8等利用离散小波变换对爆炸物样品的太赫兹吸收光谱进行去噪处理，提高了光谱的信噪比，但此方法只是单纯地对吸收光谱进行了平滑预处理，无法完成高湿度环境下的爆炸物识别。王迎新9等以氮气环境下测得的吸收谱作为标准谱，探测了爆炸物在空气环境（14.5%RH）下的时域信号，对其傅里叶变换后的频谱进行离散小波分解重构，从而消除噪声，但是此实验只考察了 14.5%相对湿度环境下的适用性。Ni等10采用一种扩散映射的方法，即通过低维度空间来提取太赫兹吸收光谱数据的特征，运用支持向量机的传统机器学习方法对吸收峰不明显或吸收曲线较接近的物质进行识别，达到了 96%的正确率。此方法摆脱了单纯依赖降噪的传统处理模式，基于机器学习数据特征的方式，不再依赖寻找特征吸收峰来识别物质。Liu等11设计了一种基于小波熵特征提取和机器学习相结合的浸润性导管癌中太赫兹脉冲信号自动识别方法，采用主成分分析法和机器学习分类器对实验样本的太赫兹信号进行自动分类，识别准确性、灵敏 度 和 特 异 性 分 别 达 到 92.85%，89.66%和96.67%。为解决高湿度环境下太赫兹吸收光谱识别准确率低或无法识别吸收峰等问题，本文以安防领域中生命安全危害级别最高的爆炸物作为实验样本，考虑爆炸物的战场环境多是沙漠、草地、洼地等场外环境或是机场、火车站等公共交通枢纽室内环境，不同天气下的不同地理环境的湿度均有明显区别。本文提取不同相对湿度（2%，15%，35%，45%和 60%）的爆炸物太赫兹吸收光谱，通过连续小波变换将一维光谱信号以小波双1066第 7 期曾子威，等：高湿度环境下爆炸物太赫兹光谱的特征提取与精准识别索引为媒介转换为二维的频域尺度特征图，利用ResNet-50 网络结构进行迁移学习，实现对二维特征图的分类识别。2 原理分析及模型建立2.1建立爆炸物太赫兹吸收系数提取模型参考 Dorney12等提出的光学参数获取方法计算得到待测样品的太赫兹吸收系数。实验采用 透 射 式 太 赫 兹 时 域 光 谱 仪 系 统（ADVANTEST-TAS7500TS）采样获得待测爆炸物的太赫兹电磁辐射脉冲时域信号，该系统的有效频谱为 0.14 THz，频率分辨率 7.6 GHz，动态范围高于 60 dB。其太赫兹脉冲传播示意图如图 1所示。太赫兹辐射垂直入射到被测样品，即入射角1=0，则出射角2=0。因为待测样品是具有一定厚度的平行平面，为避免 Fabry-Perot效应所带来的反射回峰影响，选用合适的时间窗口只聚焦于主波，忽略反射回波。考虑样品弱吸收做近似简化后得到样品的折射率n2，消光系数和吸收系数：n2()=-()cd+1，（1）2()=ln|4n2()T()()n2()+12|cd，（2）()=2()c=2dln(4n2()T()n2()+1 2)，（3）其中：d为