XiaoMi-AI文件搜索系统
World File Search System光谱识别
迁移学习在自动伽马光谱识别中的应用
早期研究的动机是缺乏强大的伽马射线光谱自动识别算法，特别是当光谱统计数据较低时，包括潜在的低信噪比。1,2 早期的工作集中于自动伽马射线光谱识别和使用卷积神经网络 (CNN) 进行识别的新数据模式。本文重点关注感兴趣的目标域中可用数据集的缺乏问题。虽然一些感兴趣的同位素的良好代表性数据可能数量较少，但大多数放射性同位素在原位出现的频率并不高，无法提供典型的机器学习所需的大型和多样化的数据集。通常，当收集大型放射学数据集时，发现的源种类非常有限，只有少数医疗和工业源占据主导地位；并且与我们之前的研究一样，需要大量依赖模拟数据。这种情况意味着，如果不进行一些修改，经过这些数据集训练的机器将无法识别大多数可能的放射性同位素。
通过高通量FTIR分析与微孔板读取器
抽象的FTIR光谱识别是当今的金标准分析程序，用于塑料污染材料表征。高通量FTIR技术已经用于小型微型塑料（10-500 µm），但对于大型微塑料（500-5 mm）和大型塑料（> 5 mm）而言，较少的。通常使用ATR分析这些较大的塑料，该塑料是高度手动的，有时会破坏感兴趣的颗粒。此外，由于昂贵的光谱数据收集，由于参考材料和光谱收集模式的种类有限，光谱库通常是不足的。我们使用FTIR微板读取器来测量大型颗粒（> 500 µm），推进了一种新的高通量技术来解决这些问题。我们创建了一个新的参考数据库，其中包括6000多个光谱，用于传输，ATR和反射频谱收集模式，其与塑料污染研究相关的600多个塑料，有机和矿物参考材料。我们还通过创建一个新的粒子支架来使用现成的零件创建用于传输测量的新粒子读取器中的未来分析，并为存储颗粒制造非塑料96孔微孔板。我们确定应将颗粒呈现给读取器，因为较厚的颗粒会导致质量不佳的光谱和鉴定，因此应尽可能薄。我们使用Open Specy验证了新数据库，并证明了光谱库中需要其他传输和反射光谱参考数据。