Ampliando o banco de dados espectral da espectroscopia de quebra induzida por laser com redes adversariais generativas

Como um famoso método de espectroscopia para detecção e classificação de substâncias, a espectroscopia de quebra induzida por laser (LIBS) não é um método de detecção não destrutivo. Considerando as amostras preciosas e o ambiente experimental, às vezes é difícil obter espectros suficientes para construir o modelo de classificação, o que é importante para a análise qualitativa. Neste artigo, um método de geração espectral para ampliar o banco de dados espectral da LIBS é proposto com base em redes adversariais generativas (GAN). Após treinamento interativo suficiente, os espectros gerados pareciam muito semelhantes aos espectros experimentais. Avaliados com métodos de agrupamento não supervisionado PCA e K-means, os espectros gerados não puderam ser diferenciados dos espectros reais. Para cada tipo de amostra, a maioria dos espectros simulados e espectros experimentais foi agrupada na mesma classe, o que significava que o método proposto foi eficaz para ampliar o banco de dados espectral. Usando o banco de dados espectral ampliado por este método como conjunto de dados de treinamento para construir o modelo SVM, os resultados mostraram que, quando havia apenas alguns espectros experimentais, a combinação dos espectros gerados e dos espectros experimentais para a construção do modelo de classificação poderia alcançar melhores resultados de identificação.