何欣龍 王繼芬 李青山 何亞 姜曉佳 李超 彭山珊

摘要：利用光譜檢測和數(shù)據(jù)分析實現(xiàn)不同種類汽車保險杠碎片的快速無損檢測和精確識別與分類具有重要的意義，采集8個品牌共計38個汽車保險杠碎片的紅外譜圖，預處理采用自動基線校正、峰面積歸一化、多元散射校正和Savitzky-Golay平滑，通過小波閾值進行去噪處理，借助主成分分析（PCA）提取特征變量，建立基于多層感知器（MLP）的Fisher判別分析（FDA）分類模型。實驗結果表明：數(shù)據(jù)在20維矩陣上特征提取最好，包含的信息量足夠大，MLP模型對樣本種類的識別準確率為74.70%，在20維特征數(shù)據(jù)上構建FDA模型，求得Z，和Zz判別函數(shù)式以及各樣本分布散點圖，其中35個樣本實現(xiàn)了正確的區(qū)分和歸類，分類準確率為92.1%，相比較單一MLP模型，MLP-FDA區(qū)分能力更強、精度更高。綜上，將紅外光譜技術與MLP-FDA模型結合可以實現(xiàn)對車用保險杠碎片的快速無損鑒別，且模型檢測精度高，方法具有普適性和借鑒意義。

關鍵詞：車用保險杠碎片;紅外光譜;多層感知器;Fisher判別分析;鑒別

中圖分類號：0433.4 文獻標志碼：A 文章編號：1674-5124（2019）05-0074-05

收稿日期：2018-11-21;收到修改稿日期：2018-12-25

基金項目：中國人民公安大學2019年度基本科研業(yè)務費重點項目（2019JKF223）;中國人民公安大學2019年拔尖人才培養(yǎng)專

項資助碩士研究生科研創(chuàng)新項目（2019ssky003）

作者簡介：何欣龍（1994-），男，甘肅天水市人，碩士研究生，專業(yè)方向為刑事技術。

通信作者：王繼芬（1964-），女，北京市人，教授，碩士生導師，主要從事微量物證與毒物毒品分析方面的研究。

0 引言

汽車保險杠碎片是交通事故現(xiàn)場常見的微量物證，在諸多交通肇事案件中，通過對保險杠碎片進行比對檢驗，可為確定或排除有關車輛的事故責任提供依據(jù)。因此，在法庭科學理化檢驗中，利用光譜檢測和數(shù)據(jù)分析實現(xiàn)不同種類汽車保險杠碎片的快速無損檢測和精確識別與分類具有重要的意義。

汽車保險杠[1]主要成分有聚碳酸酯（PC）、聚對苯二甲酸丁二醇酯（PBT）和聚烯烴類熱塑性彈性體（TPO）等。其中聚碳酸酯分子式為（C₁₅H₁₆O₂·CH₂O₃）_x，分子量為290.313，質量輕，強度高，具有高抗沖性和優(yōu)良的尺寸穩(wěn)定性[2];聚對苯二甲酸丁二醇酯分子式為（C₁₂H₁₂O₄）_x，分子量為220.2213，分子結構對稱，具有高度結晶性、高熔點、高機械強度和耐化學試劑性[3];聚烯烴類熱塑性彈性體具有良好熱塑性，耐壓縮變形和耐磨耗等較差[4]。針對汽車保險杠的研究目前主要涉及其安全性能和材料研發(fā)，缺乏在司法鑒定領域對其種屬歸類的研究，面對交通肇事案件中嫌疑車輛的認定和識別，車輛保險杠碎片的快速無損檢測和精確識別與分類顯得尤為重要。

紅外光譜分析技術作為物證鑒定領域有力的工具之一，其特征性高，應用范圍廣，分析速度快，用樣量少且不破壞樣品[5-6]。將紅外光譜技術與化學計量學方法相結合，建立具有高準確預測能力的數(shù)學模型，開展對物證的精確識別與分類是當下司法鑒定工作者研究的重點方向。王菊香[7]等借助紅外光譜與偏最小二乘法測定了航空潤滑油中磷酸三甲酚酯，模型的相關系數(shù)為0.997，校正偏差為0.021，具有良好的預測能力。劉猛[8]等借助紅外光譜和化學計量法對激光打印文件使用的墨粉種類展開了研究，實驗發(fā)現(xiàn)模型分類效果可以達到100%，可以實現(xiàn)激光打印墨粉的快速種類鑒別。Cyril Muehlethaler[9]等使用多元統(tǒng)計方法和紅外光譜法對3種顏色的74個噴涂油漆進行了鑒別和分類，發(fā)現(xiàn)紅外光譜可以有效區(qū)分樣本，借助軟獨立建模實現(xiàn)了95%的分類正確率，這為噴漆案件中相關物證的鑒別提供了一種研究思路。

汽車保險杠碎片是高分子混合物，不同品牌和型號的碎片在組分和配比上會存在差異，它是多個維度方向上的差異，同時樣本數(shù)量較多時，借助譜圖直接分析不僅主觀誤差較大而且耗時耗力，此外成分的混雜使得譜圖之間交叉混淆現(xiàn)象較多，無法直接實現(xiàn)對樣品合理地區(qū)分?；诖?，本實驗借助衰減全反射傅里葉變換紅外光譜儀獲取汽車保險杠紅外光譜，同時以光譜數(shù)據(jù)為基礎，借助化學計量學分析，建立基于多層感知器神經網絡的Fisher判別分析（MLP-FDA）的分類模型，以期為紅外光譜法對汽車保險杠進行快速無損鑒別提供參考。

1 實驗

1.1 儀器及樣本

采樣時，以“經濟、科學和可用”為原則，經濟：選擇日常使用的乘用車車體，從整體中采集部分做分析鑒定;科學：選擇保險杠的前段、左右兩側共計3處位置切取樣本，每處選擇3塊位置，避免任意抽取一部分做分析所帶來的誤差;可用：獲取樣本實施操作簡便。

采用Nicolet 5700型傅里葉變換紅外光譜儀和衰減全反射附件（Thermo Fisher Scientific公司），光譜數(shù)據(jù)處理軟件OPUS德國Bruker公司），AIR樣品槽為金剛石晶體，探測器為氖化三甘氨酸硫酸酯（DTGS，Thenno Fisher Scientific公司），分束器為KBr（Thermo Fisher Scientific公司），掃描次數(shù)為32次分辨率為4cm^-1，光譜采集范圍為4000～350cm^-1，每個樣本采集3次光譜曲線，進行重復性檢驗，而后取均值作為實驗樣本光譜數(shù)據(jù)，實驗溫度為（28±1）℃，相對濕度為52%。

從汽車制造廠家收集的奧迪（Audi）、?？怂梗‵ocus）、驪威（LIVINA）、雪鐵龍（Citroen）、雪佛蘭（Chevrolet）、奇瑞（Chery）、福特（Ford）和豐田（TOYOTA）8個品牌，共計38種汽車保險杠碎片，見表1。

1.2 實驗方法

獲取樣本紅外光譜數(shù)據(jù)，實際獲得的光譜數(shù)據(jù)含有大量的冗余信息和噪聲，會加大模型的計算復雜度，因此降低精確度，削弱噪聲區(qū)間和干擾區(qū)間的權重尤為重要。對采集到的紅外光譜數(shù)據(jù)進行有針對性的篩選，可以使檢測、分析、識別過程更加準確、迅速[10]。針對全波段光譜數(shù)據(jù)，本實驗選擇自動基線校正、峰面積歸一化和多元散射校正操作，采用Savitzky-Golay算法平滑譜圖，光譜波數(shù)首尾部分400～350cm^-1和4000～3000cm^-1噪聲較大，將以上部分剔除，剩余部分采取小波閾值去噪的方法進行處理，將光譜曲線分解層數(shù)設定為4層，閾值處理方法選定軟閾值，閾值估計方法設定為啟發(fā)式閾值選擇法，對小波系數(shù)進行閾值處理，并進行信號重構[11]。選擇Z標準化方法，消除光譜數(shù)據(jù)量綱不一致影響，借助主成分分析（PCA）提取特征變量，建立以基于多層感知器神經網絡（MLP）分析結果的Fisher判別（FDA）分類模型。

1.3 實驗建模

多層感知器神經網絡是一種前饋式神經網絡，其能夠以任意精度逼近任意連續(xù)函數(shù)及平方可積函數(shù)，而且可以精確實現(xiàn)任意的有限訓練樣本集，包括輸入層、隱藏層（一個或一個以上）和輸出層，其中輸入層是將特征向量輸入神經網絡，隱藏層即將輸入映射到輸出，常用 sigmoid函數(shù)或者tank函數(shù)，輸出層即輸出模型分類結果，可以理解為是一個多類別的邏輯回歸，即softmax函數(shù)，一個完整的表達式為：

Y=F₂[W_mj·F₁（W_jn·X）]（1）式中：X——輸入向量X=（x₁，…，x_k，…，x_n）;

Y——輸出向量Y=（y₁，…，y_k，…，y_m）;

W_jk——輸入層第k個神經元與隱藏層第j個

神經元之間的連接權;

W_ij——隱藏層第J個神經元與輸出層第i個

神經元之間的連接權;

F₁——隱藏層的激活函數(shù);

F₂——輸出層的激活函數(shù)[12]。

Fisher判別是一種較為有效的分類方法，其主要思想是將多維數(shù)據(jù)投影到某個方向上，將類與類之間盡可能分開，類內盡可能聚合，然后選擇合適的判別規(guī)則對未知樣品進行分類判別[13-14]。Fisher判別函數(shù)一般可以表示為：

f（x）=C_j^Tx，j=1，2，…，m（2）式中：C_j^Tx——判別函數(shù)系數(shù)矩陣;

f（x）——判別函數(shù);

x——判別指標值;

j=1時，f——第1判別函數(shù)，依次類推[15]。

2 結果與討論

表2為PCA方差貢獻率摘要，特征根大于1，說明該主成分的解釋力度比引入一個原變量的解釋力度大，反之則小。方差貢獻率一般大于85%才能較好解釋原始基本信息。前5個主成分累積方差貢獻率為96.142%，表明光譜中存在著嚴重的共線性現(xiàn)象，其解釋變量之間存在精確相關關系或者高度相關關系，會使后期的分類模型預測失真或者不準確，本實驗選用PCA降低維度，通過坐標轉換，對矩陣中包含的變異信息進行抽取和分離。

借助主成分分析，選擇降維后的5維、10維、15維、20維、25維和30維特征數(shù)據(jù)，應用多層感知器（MLP）構建分類模型，對8種品牌的汽車保險杠碎片展開識別工作，求得不同維度下分類模型的識別準確率（見表3）。

由表3可知，PCA降維提取的20維特征數(shù)據(jù)結合MLP識別準確率最高，為74.7%，5維特征數(shù)據(jù)結合MLP識別準確率最低，為21.10%，主要原因可能是原始數(shù)據(jù)經PCA方法降維后，數(shù)據(jù)在20維矩陣上特征提取較好，包含的信息量足夠大，在5維、10維和15維矩陣上包含的信息量較少，特征信息損失較多，無法準確解釋保險杠碎片包含的主要信息，而在25維和30維矩陣上信息的無關特征和冗余特征較多，這增加了訓練過程的時間，影響了模型的性能，降低了分類精度。綜上，選擇20維特征數(shù)據(jù)，借助Fisher判別分析，構建分類模型，通過計算得到了判別函數(shù)摘要，前7維特征數(shù)據(jù)的函數(shù)系數(shù)見表4。

由表4可知，實驗建立了2個判別函數(shù)，1維特征上函數(shù)Z₁和Z₂的系數(shù)為0.218和0.713，2維特征上函數(shù)Z₁和Z₂的系數(shù)為0.665和0.669，兩個判別函數(shù)分別是：Z₁=0.218X₁+0.665X₂-0.281X₃-1.094X₄+0.394X₅-0.188X₆+0.288X₇+0.851X₈+1.439X₉+0.792X₁₀-0.193X₁₁-0.540X₁₂+0.469X₁₃+0.792X₁₄-0.759X₁₅-0.93X₁₆+0.354X₁₇+0.568X₁₈-1.336X₁₉-0.404X₂₀，Z₂=0.713X₁+0.669X₂+0.591X₃-0.18X₄-0.543X₅+0.686X₆+0.015X₇+0.282X₈-0.158X₉-0.454X₁₀-1.17X₁₁-0.537X₁₂-0.347X₁₃+0.095X₁₄+0.713X₁₅+0.818X₁₆+0.458X₁₇-0.098X₁₈-0.322X₁₉-0.236X₂₀，以函數(shù)Z₁和Z₂為判別軸，建立在判別函數(shù)上的各品牌保險杠碎片分布圖（見圖1）和分類模型摘要（見表5）。

圖1可以直觀看出8類樣本的分布情況，各品牌車型保險杠碎片之間有著較為明顯的區(qū)分，類別1是奧迪車型的保險杠碎片，其分布較為集中，收斂程度較大，類別2是福克斯車型的保險杠碎片，其分布較為分散，且有一個樣本（三廂125自動超能風尚型）被分在了類別3，分析原因可能是類別2樣本數(shù)較少，模型對其區(qū)分能力較低，類別3是驪威車型的保險杠碎片，類別4是東風標致車型的保險杠碎片，其與類別2樣本之間的區(qū)分程度較低，類別5是雪佛蘭車型的保險杠碎片，類別6是奇瑞車型的保險杠碎片，類別7是福特車型的保險杠碎片，類別8是漢蘭達車型的保險杠碎片，其分布較為集中。在圖1中，第1類樣本重心坐標為（1.664，-0.838），第2類樣本重心坐標為（-0.247，1.379），第3類樣本重心坐標為（-3.047，2.962），第4類樣本重心坐標為（-0.368，1.066），第5類樣本重心坐標為（-4.095，-2.585），第6類樣本重心坐標為（7.293，3.434），第7類樣本重心坐標為（6.456，-4.554），第8類樣本重心坐標為（-1.446，-2.781），當需解決未知樣本的歸屬問題時，借助判別函數(shù)Z₁和Z₂可計算出未知樣本的具體坐標，再計算出與各類別重心的距離，便可得知其歸屬于哪一類別。

表5可知，本分類模型準確率為92.10%，誤判率為7.90%，有3個樣本（即福克斯三廂125自動超能風尚型、Q72010款技術型和東風標致3082012款MT優(yōu)尚型）分類錯誤，分析原因可能是?？怂购蜄|風標致樣本數(shù)太少，模型對兩者的區(qū)分能力較弱，針對奧迪Q72010款技術型，借助譜圖展開解析以確定其所屬類別（見圖2）。

圖2中，紅色曲線為福克斯車型的保險杠碎片，綠色曲線為奧迪Q72010款技術型車的保險杠碎片，橙色曲線為奧迪車型的保險杠碎片，3個車型前保險杠紅外譜圖在一定波段有相似處，但同一類型吸收峰在強度和位置甚至形狀上都有明顯的差異，已知本實驗是在控制外因基本相同的條件下進行的，由此而產生的紅外譜圖之間的差距，可以成為用來推斷3者在物質的種類和含量上差異的依據(jù)。

在2949cm^-1到2849cm^-1之間，樣本均有3個尖峰，均存在C-H的對稱伸縮和不對稱伸縮振動，其中，?？怂箻颖竞蛫W迪Q7樣本在2949cm^-1到2849cm^-1等幾處的C-H的對稱伸縮和不對稱伸縮振動強度明顯大于奧迪樣本，且在福克斯樣本中1454cm^-1、1369cm^-1兩處強度略高的吸收峰為甲基及亞甲基吸收峰，并結合前文分析很可能是其含有相同的聚合物。

綜上，38個車用塑鋼窗樣本分類情況見表6。

3 結束語

本實驗對8種品牌保險杠碎片的紅外譜圖做預處理，結合模式識別方法實現(xiàn)了對保險杠碎片種類快速準確地識別，避免了傳統(tǒng)鑒定方法中主觀判斷的干擾和低效率的情況。通過預處理降低譜圖中干擾區(qū)間和噪聲信息的影響，選擇PCA降低光譜中嚴重的共線性現(xiàn)象，同時獲取樣本的各維特征數(shù)據(jù)，借助分類算法構建MLP-FDA分類模型，以此實現(xiàn)區(qū)分鑒別的目的。實驗發(fā)現(xiàn)，模型準確率為92.10%，識別能力高，分類結果理想，相比較單一MLP模型，MLP-FDA區(qū)分能力更強、精度更高。在后續(xù)的研究中，會在增加樣本數(shù)量的基礎之上，嘗試結合其他儀器分析技術，如電感耦合等離子體發(fā)射光譜[16]等，深究各品牌樣本的化學信息，以樣本的主要成分為主、輔助添加劑為輔做檢驗區(qū)分，構建更為高效準確的分類模型，實現(xiàn)對各品牌之下樣本的進一步細分和歸屬，力求達到模式識別目的，從而為保險杠碎片在內的其他微量物證實現(xiàn)高效低成本的準確鑒別提供技術支持。

參考文獻

[1]宋小嬌.紅外光譜技術檢驗汽車保險杠塑料[J].工程塑料應用，2017，45（9）：105-110.

[2]陶永亮.聚碳酸酯在汽車燈具上的應用與分析[J].塑料工業(yè)，2014，42（4）：120-123.

[3]趙麗娟，丁建平，賴宇，等.聚對苯二甲酸丁二醇酯的發(fā)展現(xiàn)狀[J].塑料工業(yè)，2010，38（12）：1-3.

[4]肖艷.車用聚烯烴類熱塑性彈性體的應用及其未來[J].聚氨酯，2014（11）：70-75.

[5]魏福祥.現(xiàn)代儀器分析技術及應用[M].北京：中國石化出版社，2015：59-60.

[6]林先凱，林歐文，胡秀紅，等.ATR-FTIR快速識別鞋底材料的方法研究[J].中國測試，2017，43（8）：45-49.

[7]王菊香，韓曉，曹文瀚，等.紅外光譜結合偏最小二乘法快速測定在用航空潤滑油中磷酸三甲酚酯[J].分析科學學報，2012，28（5）：686-690.

[8]劉猛，申思，王楠.可見-近紅外高光譜圖像技術快速鑒別激光打印墨粉[J].發(fā)光學報，2017，38（5）：663-669.

[9]CYRIL M，GENEVIEVE M，PIERRE E.Discrimination andclassification of FTIR spectra of red，blue and green spraypaints using a multivariate statistical approach[J].ForensicScience International，2014，244：170-178.

[10]李曉鶴，馮欣，夏延秋.布谷鳥搜索的潤滑脂特征紅外光譜波段優(yōu)選技術[J].光譜學與光譜分析，2017，37（12）：3703-3708.

[11]任淯，孫雪劍，戴曉愛，等.全譜段光譜分析的塊狀商品煤種類鑒別[J].光譜學與光譜分析，2018，38（2）：352-357.

[12]章浩偉，高燕妮，苑成梅，等.基于多層感知器神經網絡的雙相障礙早期識別研究[J].生物醫(yī)學工程學雜志，2015，32（3）：537-541.

[13]杜靖媛，葛宏立，路偉，等.基于Fisher判別的層次分類法的森林遙感影像分類[J].西南林業(yè)大學學報（自然科學），2017，37（4）：175-182.

[14]李進前，王起才，張戎令，等.基于Fisher分析的高速鐵路地基膨脹土判別方法[J].鐵道建筑，2017，57（8）：73-77.

[15]葛磊.中國證券公司規(guī)模與效益關系的實證研究[D].安徽：合肥工業(yè)大學，2012.

[16]陳曉霞，楊曉華.電感耦合等離子體發(fā)射光譜法同時測定奧貝膽酸中硼和鈀的含量[J].中國測試，2017，43（2）：47-49，54.

（編輯：徐柳）