[發明專利]一種基于XRF-EGAN模型的土壤XRF譜圖本底扣除方法

在審

• 申請號: 202210523696.0
• 申請日: 2022-05-13
• 公開（公告）號: CN114861541A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 趙彥春;李福生;王欣然;張煥龍
• 申請（專利權）人: 電子科技大學長三角研究院（湖州）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/10;G06N3/04;G06N3/08;G01N23/223
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 李英

本發明涉及XRF光譜分析領域，公開了一種基于XRF?EGAN的土壤XRF光譜本底扣除方法，是基于GAN模型的設計模式，采用一維全卷積網絡層和殘差連接，構建模型的生成器，采用一維卷積和全連接層構建模型的判別器，并采用對抗訓練模式訓練XRF?EGAN模型，進而獲得訓練好的生成器和判別器，且生成器是土壤XRF本底扣除模型，進而提高土壤XRF的元素凈峰面積和含量之間的相關性，進而提升基于XRF光譜的元素定量分析的準確性。本發明的方法應用在土壤XRF光譜本底扣除中，實現土壤XRF光譜的本底扣除，消除因X熒光分析儀在分析過程中脈沖堆積導致的XRF本底干擾。本發明適用于土壤XRF光譜本底扣除。

技術領域

本發明涉及XRF光譜本底扣除領域，特別涉及基于XRF-EGAN深度網絡模型的XRF光譜本底扣除方法。

背景技術

土壤XRF光譜本底扣除方法種類繁多，如小波變換、傅立葉變換、削峰法、多項式擬合等。在實際應用中，采用土壤XRF光譜對土壤中包含的元素含量進行定量分析前，需要采用本底扣除方法對XRF譜圖的本底噪聲進行基線校準，使元素的含量分析更加準確。傳統的本底扣除方法在土壤XRF光譜基線校準的準確率仍有待提高，且傳統方法魯棒性和自適應能力較弱。深度神經網絡技術的發展及卷積神經網絡的強魯棒性和自適應能力等特點，為土壤XRF光譜本底扣除提供一種全新的實現方法。

生成對抗神經網絡(GAN)是一種通過對抗訓練學習的神經網絡模型，相較于其他的神經網絡結構，GAN具有多個特點：(1)GAN模型由生成器和判別器構成，且生成器和判別器可以由不同的網絡層構成，具有較高的靈活性。(2)GAN采用對抗訓練學習，GAN模型的生成器負責生成樣本或對輸入樣本進行去噪，判別器負責幫助生成器完成模型的對抗訓練。因為GAN網絡模型具有這些優點，所以在圖像生成與去噪、語音去噪等領域得到廣泛研究。本發明研究主要集中在：如何采用GAN模型設計出更準確的XRF本底扣除網絡模型，提出具有魯棒性和自適應能力的土壤XRF譜圖本底扣除方法，提高土壤XRF光譜本底扣除準確性，進而提高元素的XRF特征峰面積與含量之間的相關性，使采用該方法處理后的XRF數據能夠更準確地對元素進行含量分析。

發明內容

本發明要解決的技術問題是：提供一種基于XRF-EGAN神經網絡模型的土壤XRF本底扣除方法，來提高土壤XRF譜圖的元素凈峰面積與元素含量之間的相關性。

為實現上述目的，本發明采用的技術方案是：

一種基于XRF-EGAN模型的土壤XRF本底扣除方法，基于GAN模型的設計模式，采用一維全卷積網絡層和殘差連接，構建模型的生成器，采用一維卷積和全連接層構建模型的判別器，并采用對抗訓練模式訓練XRF-EGAN模型，進而獲得訓練好的生成器和判別器，且生成器是土壤XRF本底扣除模型，進而提高土壤XRF的元素凈峰面積和含量之間的相關性。

進一步地，通過對抗訓練XRF-EGAN模型獲得訓練優化后的生成器，并將生成器用于土壤XRF光譜本底扣除任務中，XRF-EGAN模型除了能夠應用于土壤XRF光譜，還可以應用于包括合金XRF光譜、譜圖合金XRF光譜采用XRF熒光分析儀獲得的XRF光譜數據。

進一步地，基于XRF-EGAN模型的土壤XRF本底扣除方法，包括以下步驟：

步驟1：采用XRF熒光分析儀采集土樣樣品的XRF光譜數據，并通過人工手動將樣品的XRF光譜數據的本底進行扣除，最終獲得未進行本底扣除前的土壤XRF光譜數據Data_noisy和不含本底的土壤XRF光譜數據Data_clean；

步驟2：通過采集的Data_noisy數據和Data_clean數據訓練XRF-EGAN神經網絡模型，并將完成訓練后最優的XRF-EGAN模型的生成器的網絡模型參數保存下來；