Erweiterung der Spektraldatenbank der laserinduzierten Breakdown-Spektroskopie mit generativen adversarialen Netzen

Als berühmte Spektroskopiemethode zur Substanzdetektion und -klassifikation ist die laserinduzierte Breakdown-Spektroskopie (LIBS) keine zerstörungsfreie Detektionsmethode. Angesichts der wertvollen Proben und der experimentellen Umgebung ist es manchmal schwierig, genügend Spektren zu erhalten, um das Klassifikationsmodell zu erstellen, was für die qualitative Analyse wichtig ist. In diesem Papier wird eine Spektralgenerierungsmethode zur Erweiterung der Spektraldatenbank von LIBS vorgeschlagen, die auf generativen adversarialen Netzen (GAN) basiert. Nach ausreichendem interaktiven Training sahen die erzeugten Spektren den experimentellen Spektren sehr ähnlich. Bewertet mit unüberwachten Clusterungsmethoden PCA und K-Means konnten die erzeugten Spektren nicht von den echten Spektren unterschieden werden. Für jeden Proben-Typ wurden die meisten der simulierten Spektren und experimentellen Spektren in dieselbe Klasse geclustert, was bedeutete, dass die vorgeschlagene Methode effektiv war, um die Spektraldatenbank zu erweitern. Die Verwendung der durch diese Methode erweiterten Spektraldatenbank als Trainingsdatensatz zur Erstellung des SVM-Modells zeigte, dass die Kombination von erzeugten Spektren und experimentellen Spektren zur Erstellung des Klassifikationsmodells bessere Identifikationsergebnisse erzielen konnte, wenn nur wenige experimentelle Spektren vorhanden waren.