韓林杰，姜紅，田陸川，趙靜遠(yuǎn)，劉業(yè)林，牛奕，張永強(qiáng)

基于神經(jīng)網(wǎng)絡(luò)的塑料打包帶高光譜模式識(shí)別

韓林杰1，姜紅2*，田陸川1，趙靜遠(yuǎn)3，劉業(yè)林3，牛奕3，張永強(qiáng)3

（1.中國(guó)人民公安大學(xué) 偵查學(xué)院，北京 100038；2.甘肅警察職業(yè)學(xué)院 刑事偵查系，蘭州 730046； 3.江蘇雙利合譜科技有限公司，江蘇 無錫 214000）

建立一種快速、準(zhǔn)確、無損的塑料打包帶的檢驗(yàn)及分類方法。利用高光譜在波長(zhǎng)為350～990 nm的條件下采集52個(gè)不同來源的塑料打包帶樣品的高光譜數(shù)據(jù)，并對(duì)樣品進(jìn)行Savitzky-Golay平滑處理，同時(shí)結(jié)合主成分分析對(duì)樣品進(jìn)行降維。將提取到的主成分進(jìn)行-Means聚類，以聚類結(jié)果為依據(jù)建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）與BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）。打包帶樣品的高光譜譜圖在400～500 nm、600～700 nm處有較大區(qū)別。實(shí)驗(yàn)共提取了5個(gè)初始特征值大于1的主成分，可以解釋96.633%的原始數(shù)據(jù)。通過-means聚類將塑料打包帶樣品分為6類，Calinski-Harabasz指數(shù)為28.76，RBFNN分類準(zhǔn)確率為86.7%；BPNN分類準(zhǔn)確率為98.1%，BPNN的分類效果更好。研究表明神經(jīng)網(wǎng)絡(luò)在高光譜譜圖分類處理上具有較高的準(zhǔn)確度，同時(shí)也驗(yàn)證了高光譜在區(qū)分檢驗(yàn)塑料打包帶類物證的可行性與科學(xué)性，為公安機(jī)關(guān)提供了一種新的檢驗(yàn)方法。

高光譜；塑料打包帶；神經(jīng)網(wǎng)絡(luò)；模式識(shí)別

塑料打包帶在各類案件現(xiàn)場(chǎng)中較為常見，因其具有質(zhì)輕、耐磨、耐腐蝕等優(yōu)勢(shì)，犯罪分子在包裝、運(yùn)輸兇器等過程中經(jīng)常使用塑料打包帶[1]。因此，系統(tǒng)地分析塑料打包帶樣品可以為偵查人員提供線索，為縮短偵查時(shí)間、縮小偵查范圍提供幫助。

塑料打包帶常用聚氯乙烯（Polyvinyl Chloride，PVC）、聚乙烯（Polyethylene，PE）、聚丙烯（Polypropylene，PP）、聚對(duì)苯二甲酸乙二醇酯（Polyethylene Glycol Terephthalate，PET）作為主要成分[2]，其中以PP和PET最為常見。為降低成本、改善性能，生產(chǎn)廠家常在生產(chǎn)過程中加入重質(zhì)碳酸鈣、滑石粉、高嶺土、鈣粉等填料和白油（液體石蠟）、石蠟、鄰苯二甲酸二辛酯、低相對(duì)分子質(zhì)量聚乙烯（聚乙烯蠟）及硬脂酸等助劑。

目前法庭科學(xué)領(lǐng)域檢測(cè)塑料打包帶類物證的方法有：紅外光譜法、拉曼光譜法[3]、X射線熒光光譜法、差示掃描量熱法[4]、掃描電鏡能譜法等。高光譜成像技術(shù)融合了圖像技術(shù)與光譜信息技術(shù)，既可以獲得目標(biāo)的二維位置信息又可以獲得一維的光譜信息，在光譜分辨率與波段范圍上有更好的表現(xiàn)。作為一種新興、無損、準(zhǔn)確的分析方法，高光譜成像技術(shù)已在食品安全[5]，醫(yī)學(xué)研究[6]，航空航天[7]等領(lǐng)域有廣泛應(yīng)用，近些年也在血跡檢驗(yàn)[8-9]、文件檢驗(yàn)[10-11]、生物物證[12]等領(lǐng)域有所進(jìn)展。在塑料打包帶生產(chǎn)過程中，由于主要成分與填料的不同，塑料打包帶在高光譜譜圖中會(huì)存在一定的差異，這為后續(xù)分析檢驗(yàn)塑料打包帶樣品提供了科學(xué)依據(jù)。

以往檢驗(yàn)塑料打包帶的文獻(xiàn)通常用譜圖峰值與標(biāo)準(zhǔn)特征峰對(duì)比或元素含量對(duì)比的方法對(duì)其進(jìn)行分類，如《拉曼光譜法檢驗(yàn)塑料打包帶（繩）的研究》[3]《紅外光譜結(jié)合X射線光光譜檢驗(yàn)塑料打包帶（繩）的研究》[1]這2篇文章，沒有使用化學(xué)計(jì)量學(xué)加以分析；而在《X射線熒光光譜結(jié)合多元統(tǒng)計(jì)分析塑料打包帶（繩）》[2]一文中，作者使用了Fisher判別，但相關(guān)系數(shù)為0.993，沒有達(dá)到100%的正確率。本實(shí)驗(yàn)在上述方法的基礎(chǔ)上進(jìn)行創(chuàng)新升級(jí)，將高光譜與神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)塑料打包帶進(jìn)行分類。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)儀器及條件

主要實(shí)驗(yàn)儀器：GaiaFiled Pro-V10E（江蘇雙利合譜）；測(cè)試方式為5×5排列，從上到下依次掃描。

主要實(shí)驗(yàn)條件：光源為鹵素?zé)?；波長(zhǎng)為400～1 000 nm，分辨率為1 936×1 456，CPU為Intel(R) Core(TM) i5-10400 CPU @ 2.90 GHz，RAM為16 G，硬盤為256 G。

1.2 實(shí)驗(yàn)樣本及前處理

不同品牌、不同來源、不同規(guī)格的樣品共52個(gè)（樣品表略）。將每個(gè)樣品剪成長(zhǎng)約1 cm，用酒精擦拭干凈，晾干待測(cè)。

1.3 譜圖采集與預(yù)處理

首先將樣品按長(zhǎng)度為1 cm進(jìn)行裁剪，再用酒精棉球擦拭，在環(huán)境光背景下對(duì)樣品進(jìn)行掃描測(cè)試。采用ENVI5.3光譜圖像處理軟件處理高光譜圖像，采集不同特征點(diǎn)的光譜曲線，再利用Savitzky-Golay平滑處理提取得到光譜圖。

1.4 數(shù)據(jù)處理方法

1.4.1 主成分分析法（PCA）

主成分分析（PCA）是最常用的線性降維方法，它通過投影的方式將高維的數(shù)據(jù)映射到低維的空間中，同時(shí)希望提取的主成分可以最大地表示原始數(shù)據(jù)。當(dāng)數(shù)據(jù)量龐大且各項(xiàng)數(shù)據(jù)可能存在線性重疊的情況下，需要對(duì)數(shù)據(jù)降維再進(jìn)行處理。在主成分分析的過程中，當(dāng)主成分和累計(jì)方差百分比過低時(shí)，主成分不足以解釋原始光譜數(shù)據(jù)，因此一般要求提取的主成分特征值大于1且累計(jì)方差率高于85%。

1.4.2-means聚類分析

-means算法是經(jīng)典的無監(jiān)督聚類算法之一，其原理是在給定個(gè)初始類簇中心點(diǎn)的情況下，把每個(gè)樣本點(diǎn)分到距離最近的簇中心點(diǎn)所代表的簇中，最終對(duì)劃分工作完成后的數(shù)據(jù)進(jìn)行迭代運(yùn)算，從而獲得一個(gè)最優(yōu)的聚類結(jié)果。樣本點(diǎn)與簇中心點(diǎn)的距離計(jì)算方法采用歐氏距離，具體表達(dá)式如式（1）所示。其中，X表示第個(gè)對(duì)象；C表示第個(gè)聚類中心；X表示第個(gè)對(duì)象的第個(gè)屬性；C表示第個(gè)聚類中心的第個(gè)屬性。

1.4.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）是三層前反饋神經(jīng)網(wǎng)絡(luò)，其包括輸入層、隱層、輸出層。當(dāng)RBF的中心點(diǎn)確定以后，可以確定輸入矢量到隱層及隱層到輸出層的映射關(guān)系，輸入層到隱藏層的神經(jīng)元之間的權(quán)重全部為1。隱層是使用徑向基函數(shù)作為激活函數(shù)的神經(jīng)元，其作用是把向量從低維度映射到高維度，使得低維度不可分的情況到高緯度變得可分。RBFNN可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，是一種局部逼近網(wǎng)絡(luò)[13-14]。

1.4.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（BPNN）是一種多層前反饋神經(jīng)網(wǎng)絡(luò)。其基本思想是梯度下降法，類似于人類的神經(jīng)元。輸入層接收數(shù)據(jù)，輸出層輸出數(shù)據(jù)，前一層神經(jīng)元連接到下一層神經(jīng)元，收集上一層神經(jīng)元傳遞來的信息，經(jīng)過“激活”把值傳遞給下一層，利用梯度搜索技術(shù)，使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小。與RBFNN不同的是，BPNN的隱節(jié)點(diǎn)采用輸入模式與權(quán)值向量的內(nèi)積作為激活函數(shù)的自變量。此外，各參數(shù)（權(quán)值、閾值）對(duì)網(wǎng)絡(luò)輸出的影響力相同，且對(duì)任何輸出都有影響，是一種全局逼近網(wǎng)絡(luò)[15-17]。

1.5 實(shí)驗(yàn)流程

實(shí)驗(yàn)具體流程如圖1所示。

2 結(jié)果與討論

2.1 光譜預(yù)處理結(jié)果

樣品的原始光譜圖如圖2所示。由圖2可以發(fā)現(xiàn)，樣品在波長(zhǎng)為400～500 nm，600～700 nm處有顯著差異，說明樣品的主要成分有所區(qū)別。為了更好地增強(qiáng)審視效果，運(yùn)用Savitzky-Golay算法對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理，減少噪聲干擾，在保留譜圖原始信息的同時(shí)可以避免數(shù)據(jù)冗雜，降低神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確度與訓(xùn)練效率。平滑處理的部分結(jié)果如圖3所示。

圖1 實(shí)驗(yàn)流程

圖2 全部樣品高光譜的譜圖

圖3 8#樣品平滑處理的前后對(duì)比

2.2 主成分分析

高光譜圖像因攜帶有大量的數(shù)據(jù)信息增強(qiáng)了其檢測(cè)能力，但冗余的數(shù)據(jù)也增加了其分類難度。對(duì)光譜圖像進(jìn)行降維處理的目的在于提取主要特征的同時(shí)減少數(shù)據(jù)信息量，降低處理信息的時(shí)長(zhǎng)與難度，同時(shí)增強(qiáng)數(shù)據(jù)分析的精確度。

本文對(duì)52個(gè)樣品進(jìn)行主成分分析，共提取了5個(gè)主成分，其主成分分析結(jié)果見表1。由表1可以發(fā)現(xiàn)，樣品的累計(jì)方差貢獻(xiàn)率為96.633%，降維效果較好。

表1 樣品的主成分分析結(jié)果摘要

Tab.1 Summary of principal component analysis results

2.3 K-means聚類分析

為了使聚類效果最好，本文將降維得到的5個(gè)主成分作為新的變量帶入分析，采用Calinski-Harabasz準(zhǔn)則判斷最佳值。CH指數(shù)的本質(zhì)是簇間距離與簇內(nèi)距離的比值，由于整體計(jì)算方式類似于方差計(jì)算，又被稱為方差比準(zhǔn)則。CH值越大，代表內(nèi)部協(xié)方差越小，類別之間協(xié)方差越大，可以說明聚類效果更好[18]。為避免值設(shè)置過大導(dǎo)致原屬于同組的樣品被細(xì)分，使聚類結(jié)果缺乏解釋性，本文設(shè)置值范圍為2～8，得到塑料打包帶樣品不同值對(duì)應(yīng)的CH指數(shù)，如圖4所示?？梢园l(fā)現(xiàn)，當(dāng)聚類數(shù)為6時(shí)，樣品的CH值最大，聚類效果最好，由此設(shè)定值為6。

圖4 不同K值下的Calinski-Harabasz指數(shù)

2.4 神經(jīng)網(wǎng)絡(luò)分類

2.4.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

以-Means聚類結(jié)果為依據(jù)，本次實(shí)驗(yàn)按照8∶2的比例隨機(jī)分配徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集與測(cè)試集，其中輸入向量為提取到的5個(gè)主成分，隱藏層激活函數(shù)為Softmax，輸出層向量為-Means聚類結(jié)果，具體的分類結(jié)果如表2所示。由表2可以發(fā)現(xiàn)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）對(duì)樣品的分類準(zhǔn)確率為86.7%，準(zhǔn)確率偏低。

表2 RBFNN的分類結(jié)果

Tab.2 Classification result of RBFNN

2.4.2 BP神經(jīng)網(wǎng)絡(luò)

同樣以-Means聚類結(jié)果為依據(jù)，實(shí)驗(yàn)按照8∶1∶1的比例隨機(jī)選擇BPNN的訓(xùn)練集、測(cè)試集與驗(yàn)證集，采用交叉熵作為損失函數(shù)，訓(xùn)練算法為量化共軛梯度法進(jìn)行訓(xùn)練，其結(jié)果如圖5、圖6所示。當(dāng)采用交叉熵作為損失函數(shù)時(shí)，交叉熵越低，就證明模型的策略越接近最優(yōu)策略，在迭代數(shù)為40時(shí)，BPNN的交叉熵最低，模型訓(xùn)練完成，其具體訓(xùn)練過程如圖5所示。樣品的混淆矩陣（見圖6）表明樣品的準(zhǔn)確率為98.1%，結(jié)合ROC曲線（見圖7）可以看出，該訓(xùn)練模型適合對(duì)塑料打包帶進(jìn)行分類。選擇部分樣品作為測(cè)試集測(cè)試訓(xùn)練模型的分類正確率，得到的測(cè)試集混淆矩陣（見圖8）表明，該模型對(duì)塑料打包帶分類的正確率為100%。

圖5 BPNN的訓(xùn)練過程

圖6 樣品分類混淆矩陣

BPNN屬于全局逼近網(wǎng)絡(luò)，具有較強(qiáng)的泛化能力、容錯(cuò)能力和高度的自適應(yīng)能力，可以逼近任意的非線性關(guān)系。BPNN的優(yōu)點(diǎn)在于能夠通過學(xué)習(xí)自動(dòng)提取并輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應(yīng)地將學(xué)習(xí)內(nèi)容記憶于網(wǎng)絡(luò)的權(quán)值中，適合時(shí)可以將學(xué)習(xí)成果應(yīng)用于新知識(shí)，并且BPNN在局部的或者部分的神經(jīng)元受到破壞后仍然能正常工作。相較于RBFNN，BPNN在解決具有相同精度要求問題時(shí)的結(jié)構(gòu)要更加簡(jiǎn)單，運(yùn)算大量樣本時(shí)能有效減少運(yùn)算量。在實(shí)驗(yàn)得到低維數(shù)據(jù)的情況下，采用BPNN更為合適。經(jīng)過驗(yàn)證，BPNN檢驗(yàn)樣品的準(zhǔn)確率更高。綜上所述，BPNN可以較好地對(duì)塑料打包帶進(jìn)行分類。

圖7 樣品ROC曲線

圖8 測(cè)試集混淆矩陣

注：NaN%表示非確定數(shù)值或數(shù)值無法被計(jì)算。

3 結(jié)語

本實(shí)驗(yàn)利用高光譜技術(shù)對(duì)52個(gè)塑料打包帶進(jìn)行了檢驗(yàn)，并將樣品譜圖進(jìn)行Savitzky-Golay平滑處理。樣品在400～500 nm、600～700 nm的譜圖差異，可以作為樣品分類的主要依據(jù)。采用主成分分析法對(duì)樣品進(jìn)行降維，將提取到的5個(gè)主成分進(jìn)行-Means聚類，比較不同值對(duì)應(yīng)的CH指數(shù)，選擇最大值，確認(rèn)最佳聚類數(shù)為6，以聚類結(jié)果為依據(jù)建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）與BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）。其中，BPNN分類準(zhǔn)確率為98.1%，選擇部分樣品對(duì)模型進(jìn)行測(cè)試，得到測(cè)試集的分類正確率為100%，可以較好地對(duì)塑料打包帶進(jìn)行分類。

當(dāng)今，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于高光譜圖像檢測(cè)與分類已有不少研究成果見諸報(bào)道，但用于公安刑偵中塑料打包帶類物證的檢測(cè)，屬于應(yīng)用創(chuàng)新，具有較好的應(yīng)用價(jià)值。本文驗(yàn)證了高光譜在區(qū)分檢驗(yàn)塑料打包帶類物證的可行性與科學(xué)性，該方法操作簡(jiǎn)便，無損樣品，可以為公安檢測(cè)工作提供新手段。

[1] 馬梟, 姜紅, 楊佳琦. 紅外光譜結(jié)合X射線熒光光譜檢驗(yàn)塑料打包帶(繩)的研究[J]. 化學(xué)研究與應(yīng)用, 2019, 31(9): 1643-1648.

MA X, JIANG H, YANG J Q. Research on Inspecting the Plastic Pack Belts(Ropes)by Infrared Spectrometry Combined with X-Ray Fluorescence Spectrometry[J]. Chemical Research and Application, 2019, 31(9): 1643-1648.

[2] 馬梟, 姜紅, 楊佳琦. X射線熒光光譜結(jié)合多元統(tǒng)計(jì)分析塑料打包帶(繩)[J]. 激光與光電子學(xué)進(jìn)展, 2019, 56(22): 243-247.

MA X, JIANG H, YANG J Q. Examination of Plastic Pack Belts (Ropes) via X-Ray Fluorescence Spectrometry Combined with Multivariate Statistical Analysis[J]. Laser & Optoelectronics Progress, 2019, 56(22): 243-247.

[3] 馬梟, 姜紅, 楊佳琦, 等. 拉曼光譜法檢驗(yàn)塑料打包帶(繩)的研究[J]. 上海塑料, 2018(4): 29-35.

MA X, JIANG H, YANG J Q, et al. Research on Inspecting the Plastic Pack Belts (Ropes) by Raman Spectroscopy[J]. Shanghai Plastics, 2018(4): 29-35.

[4] 馮計(jì)民, 陶克明, 孔曉明. 差示掃描量熱法(DSC)對(duì)聚乙烯、聚丙烯制品的檢驗(yàn)[J]. 刑事技術(shù), 1992(1): 1-5.

FENG JM, TAO K M, KONG X M. Inspection of Polyethylene and Polypropylene Products by Differential Scanning Calorimetry[J]. Criminal Technology, 1992(1):1-5.

[5] WU D, MENG L, YANG L, et al.Feasibility of Laser-Induced Breakdown Spectroscopy and Hyperspectral Imaging for Rapid Detection of Thiophanate-Methyl Residue on Mulberry[J].International Journal of Molecular Sciences, 2019, 20(8): 2017- 2017.

[6] AGGARWAL S L P, PAPAY F A. Applications of Multispectral and Hyperspectral Imaging in Dermatology[J]. Experimental Dermatology, 2022, 31(8): 1128-1135.

[7] 郝明達(dá), 普運(yùn)偉, 周家厚, 等. 一種用于預(yù)測(cè)航空遙感影像光譜信息的深度學(xué)習(xí)方法[J]. 遙感信息, 2022, 37(6): 123-129.

HAO M D, PU Y W, ZHOU J H, et al. A Deep Learning Method for Predicting Spectral Information of Aerial Remote Sensing Images[J]. Remote Sensing Information, 2022, 37(6): 123-129.

[8] 莊園, 高樹輝, 謝菲, 等. 基于高光譜成像技術(shù)鑒別血痕種屬的實(shí)驗(yàn)研究[J]. 激光與光電子學(xué)進(jìn)展, 2022, 59(16): 1630001.

ZHUANG Y, GAO S H, XIE F, et al. Identifying Bloodstain Species Using Hyperspectral Imaging[J]. Laser & Optoelectronics Progress, 2022, 59(16): 1630001.

[9] 孫威, 劉懷策, 劉金坤, 等. 基于偏最小二乘法的血跡陳舊度高光譜預(yù)測(cè)研究[J]. 應(yīng)用化工, 2022, 51(1): 273-276.

SUN W, LIU H C, LIU J K, et al. Age Imaging by Hyperspectral Estimation of Bloodstains Technology Based on Partial Least Squares Regression[J]. Applied Chemical Industry, 2022, 51(1): 273-276.

[10] 李云鵬, 代雪晶, 王猛, 等. 隱性字跡的快速光譜顯現(xiàn)與高光譜分類技術(shù)研究[J]. 光譜學(xué)與光譜分析, 2021, 41(11): 3524-3531.

LI Y P, DAI X J, WANG M, et al. Study on Rapid Spectral Reappearing and Hyperspectral Classification of Invisible Writing[J]. Spectroscopy and Spectral Analysis, 2021, 41(11): 3524-3531.

[11] 張倩, 陳維娜, 郝紅光. 高光譜成像技術(shù)在文件檢驗(yàn)應(yīng)用的研究綜述[J]. 應(yīng)用化工, 2020, 49(1): 165-170.

ZHANG Q, CHEN W N, HAO H G. A Review of Research on Hyperspectral Imaging Technology in Document Inspection Applications[J]. Applied Chemical Industry, 2020, 49(1): 165-170.

[12] PALLOCCI M, TREGLIA M, PASSALACQUA P, et al. Forensic Applications of Hyperspectral Imaging Technique: A Narrative Review[J]. The Medico-Legal Journal, 2022, 90(4): 216-220.

[13] 侯偉, 王繼芬, 劉怡然. 基于機(jī)器學(xué)習(xí)的人體指甲光譜模式識(shí)別及溯源分析[J]. 激光與光電子學(xué)進(jìn)展, 2022, 59(18): 463-470.

HOU W, WANG J F, LIU Y R. Spectral Pattern Recognition and Traceability Analysis of Human Fingernail Based on Machine Learning[J]. Laser & Optoelectronics Progress, 2022, 59(18): 463-470.

[14] 潘立劍, 陳蔚芳, 崔榕芳, 等. 基于激光誘導(dǎo)擊穿光譜與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的鋁合金定量分析[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(19): 193002.

PAN L J, CHEN W F, CUI R F, et al. Quantitative Analysis of Aluminum Alloy Based on Laser-Induced Breakdown Spectroscopy and Radial Basis Function Neural Network[J]. Laser & Optoelectronics Progress, 2020, 57(19): 193002.

[15] 吳俊, 郭大千, 李果, 等. 基于CARS-BPNN的江西省土壤有機(jī)碳含量高光譜預(yù)測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2022, 55(19): 3738-3750.

WU J, GUO D Q, LI G, et al. Prediction of Soil Organic Carbon Content in Jiangxi Province by Vis-NIR Spectroscopy Based on the CARS-BPNN Model[J]. Scientia Agricultura Sinica, 2022, 55(19): 3738-3750.

[16] 沈飛龍. 基于機(jī)器學(xué)習(xí)與光譜信息的土壤鐵氧化物估算模型研究[D].武漢: 華中農(nóng)業(yè)大學(xué), 2022.

SHEN F L. Study on Soil Iron Oxide Estimation Model Based on Machine Learning and Spectral Information[D]. Wuhan: Huazhong Agricultural University, 2022.

[17] 田安紅, 付承彪, 熊黑鋼, 等. BPNN對(duì)不同人為活動(dòng)區(qū)域的鹽漬土Na+高光譜估測(cè)[J]. 水土保持研究, 2020, 27(2): 364-369.

TIAN A H, FU C B, XIONG H G, et al. Hyperspectral Estimation of Na+ Ion in Saline Soils in Areas with Different Human Activities Using BPNN Model[J]. Research of Soil and Water Conservation, 2020, 27(2): 364-369.

[18] WANG C Y, ZHA Q. Measuring Systemic Diversity of Chinese Universities: A Clustering-Method Approach[J]. Quality & Quantity, 2018, 52(3): 1331-1347.

Hyperspectral Pattern Recognition of Plastic Packaging Tape Based on Neural Network

HAN Linjie1, JIANG Hong2*, TIAN Luchuan1, ZHAO Jingyuan3, LIU Yelin3, NIU Yi3, ZHANG Yongqiang3

(1. Investigation Institute, People's Public Security University of China, Beijing 100038, China; 2. Criminal Investigation Department, Gansu Police Vocational College, Lanzhou 730046, China; 3. Jiangsu Dualix Spectral Imaging Co., Ltd., Jiangsu Wuxi 214000, China)

The work aims to establish a fast, accurate, and non-destructive inspection and classification method for plastic packaging tapes. 52 samples of plastic packaging tape were collected from different sources through hyperspectral data in the wavelength range of 350-990 nm, and the samples were smoothed with Savitzky Golay. Principal component analysis was also used to reduce the dimensionality of the samples.-Means clustering was conducted on the extracted principal components, and a radial basis function neural network (RBFNN) and BP neural network model (BPNN) was established based on the clustering results. There were significant differences in the hyperspectral spectra of the packaged sample at 400-500 nm and 600-700 nm. A total of 5 principal components with initial feature values greater than 1 were extracted in the experiment, which could explain 96.633% of the original data. The plastic packaging tape samples were clustered into 6 categories, with a Calinski Harabasz index of 28.76 for-means and a classification accuracy of 86.7% for RBFNN. The classification accuracy of BPNN was 98.1%. BPNN had better classification performance. Research has shown that neural network has high accuracy in the classification and processing of hyperspectral spectra, and it has also verified the feasibility and scientificity of hyperspectral recognition in the detection of plastic packaging tape type evidence, providing a new inspection method for public security organs.

hyperspectral; plastic packaging tape; neural network; pattern recognition

TB487；O433.4

A

1001-3563(2024)05-0240-07

10.19554/j.cnki.1001-3563.2024.05.029

2023-05-10

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2019YFF0303405）；食品藥品安全防控山西省重點(diǎn)實(shí)驗(yàn)室基金資助（202204010931006）