郝惠敏，梁永國，武海彬，卜明龍，黃家海*

1. 太原理工大學，新型傳感器與智能控制教育部重點實驗室，山西 太原 030024 2. 太原理工大學機械與運載工程學院，山西 太原 030024

引 言

當被測物選擇性吸收特定波長紅外線而引起分子振動能級和轉動能級躍遷時，可以根據(jù)分子對特定波長紅外光的電磁輻射、吸光度、散射等情況，通過分析被測物的吸收紅外光譜得出被測物的種類和濃度等信息。盡管化學計量學和機器學習的發(fā)展為紅外光譜分析提供了行之有效的方法和工具，但是，如何進一步提高微弱變化、嚴重交叉敏感及高度重疊光譜的分析準確度仍然是科研工作者們不斷追求的目標。

作為機器學習最重要的一個分支，深度學習由于其對細節(jié)特征更高的識別精度而成為近年來的研究熱點。自1980年福島邦彥提出基于人工神經(jīng)網(wǎng)絡框架的新認知機后，標準反向傳播算法[1]、有監(jiān)督的反向傳播算法[2]等先后被引入人工神經(jīng)網(wǎng)絡，使之逐漸成為計算機視覺、語音識別等諸多領域的先進識別算法。2006年，加拿大多倫多大學的Geoffrey Hinton教授解析了多隱層人工神經(jīng)網(wǎng)絡優(yōu)異的特征學習能力，并通過無監(jiān)督學習的逐層預訓練有效克服了深度神經(jīng)網(wǎng)絡在訓練上的難度[3]，使得人工神經(jīng)網(wǎng)絡再一次引起了人們的關注。2015年，Geoffrey Hinton教授提出了接近人腦的深度學習框架[4]，采用與傳統(tǒng)神經(jīng)網(wǎng)絡結構類似但方法不同的訓練逐層提取數(shù)據(jù)特征，最終實現(xiàn)了對數(shù)據(jù)的精確辨識。此后，深度學習被視為實現(xiàn)人工智能的重要手段，并在AlphaGo[5-6]、疾病診斷[7]、手寫字符識別[8]等領域發(fā)揮了重要作用。然而，當前深度學習方法的應用對象大多為圖像數(shù)據(jù)，在光譜領域，識別對象集中在核磁共振圖像光譜[9-10]上，對紅外和近紅外光譜分析的應用還十分有限，僅限于對光譜進行特征提取[11-12]。

為進一步提高紅外/近紅外光譜的分析準確度，提出一種SDP結合深度學習的紅外光譜識別方法，首先將紅外光譜數(shù)據(jù)采用SDP投射到極坐標中，形成由若干散點構成的可視化RGB彩色圖像，然后將該彩色圖像作為VGG深度卷積神經(jīng)網(wǎng)絡的輸入進行多隱層深度學習，建立紅外光譜的識別模型，經(jīng)過多層特征提取，最大限度地獲取光譜數(shù)據(jù)的有用信息，最終實現(xiàn)對紅外光譜數(shù)據(jù)的高效準確識別。

1 實驗部分

1.1 SDP圖像轉化

(1)

(2)

式中，B和M分別是原始數(shù)據(jù)集O(w)縱坐標的最大值和最小值；l為原始數(shù)據(jù)集O(w)橫坐標的取值間距，l=1, 2, 3,… ；β1為極半徑放大倍數(shù)，β2為極角放大倍數(shù)。

將數(shù)據(jù)投射為類似雪花的6角形，因此，n=6，原始數(shù)據(jù)投射到極坐標中分6個區(qū)域分布，各區(qū)域的極軸角度為θi=360°/6的整倍數(shù)； 每個區(qū)域中，θi，j+和θi，j-對稱分布在θi兩側。SDP轉化過程中，β1和β2為主要優(yōu)化參數(shù)。

經(jīng)過SDP轉化，原始紅外光譜數(shù)據(jù)(波數(shù)范圍： 4 000～400 cm-1； 掃描間隔： 12 nm； 光譜數(shù)據(jù)維度： 1 866)成為224×224的RGB彩色圖像。

1.2 VGG深度卷積神經(jīng)網(wǎng)絡

VGG是由牛津大學計算機視覺組(visual geometry group)的Karen Simonyan和Andrew Zisserman提出的深度卷積神經(jīng)網(wǎng)絡[13]，在2014年的ImageNet Large-Scale Visual Recognition Challenge競賽中獲得第2名而被用在圖像特征提取中。VGG網(wǎng)絡的優(yōu)點是結構簡潔，整個網(wǎng)絡均使用3×3的卷積核和2×2的最大池化核，該網(wǎng)絡用多個連續(xù)3×3的小濾波器卷積核來替代大的卷積核，并將AlexNet網(wǎng)絡3×3的池化核替換為2×2的最大池化核。在VGG網(wǎng)絡中，3×3的小卷積核大大減小了計算量，減少了卷積層參數(shù)，更易于訓練，同時多個連續(xù)的小卷積核擴大了感受野，文獻[24]闡述了兩個3×3卷積堆疊獲得的感受野大小，相當一個5×5的卷積，而3個3×3卷積堆疊獲取到的感受野相當于一個7×7的卷積； 相對小的池化核可以更好地捕捉圖像局部的差異，更有利于提取其豐富的細節(jié)特征，從而提高分析準確度。

VGG卷積神經(jīng)網(wǎng)絡有16～19層，文中采用VGG19網(wǎng)絡，結構如表1所示。

表1 VGG19的網(wǎng)絡結構Table 1 Network structure of VGG19

VGG19網(wǎng)絡一共19層，輸入數(shù)據(jù)為原始紅外光譜數(shù)據(jù)經(jīng)過SDP轉化后的彩色圖像，其全連接層FC采用256個節(jié)點，分類種類為5類。

1.3 油氣層錄井應用

氣測錄井是發(fā)現(xiàn)和評價石油天然氣資源的重要技術手段。其中，利用鉆遇地層層內(nèi)特定成分對氣測錄井進行解釋和評價具有十分重要的意義。例如，氣測錄井混合氣體中含量最多的甲烷氣體的濃度范圍對勘探開發(fā)薄層、裂縫型油氣資源、非常規(guī)油氣資源就十分重要。氣測錄井氣體包括甲烷、乙烷、丙烷、正丁烷、異丁烷、正戊烷及異戊烷等七種氣體，其中，主要成分為甲烷，通常情況下，其余組分氣體濃度均不大于甲烷的濃度。將上述七種混合氣體按CH4的濃度(c)分成5類： <20%，20%～40%，40%～60%，60%～80%和80%～100%，5類中其他6種氣體的濃度均不大于甲烷的濃度，表2給出了上述5種混合氣體的幾個示例。表2中Y1相應的紅外光譜如圖1所示。

采用SDP對七組分烷烴混合氣體的紅外光譜進行極坐標變換，而后輸入VGG19網(wǎng)絡進行分類識別。同時，將未經(jīng)過SDP轉化的原始紅外光譜數(shù)據(jù)采用SVM和RF建立分類模型進行分類識別，并與SDP-VGG分類結果進行對比研究。

表2 依據(jù)甲烷濃度分類的5種氣測錄井氣體示例Table 2 Example of 5 kinds of gas logging gas mixtures classified by methane concentration

圖1 表2中Y1類混合氣體的紅外光譜Fig.1 Infrared spectra of 7-component gas mixture of Y1 in Table 2

2 結果與討論

2.1 氣體紅外光譜數(shù)據(jù)的SDP變換

(1)單組分氣體紅外光譜的SDP變換

對甲烷、乙烷、丙烷、正丁烷、異丁烷、正戊烷及異戊烷七種組分氣體分別進行SDP變換，優(yōu)化后的參數(shù)l=1；β1=2，β2=4，變換得到的彩色圖像如圖2—圖4所示。圖2為不同濃度甲烷的SDP轉化圖像，圖3為除甲烷外，其他6種氣體SDP轉化的圖像。

圖2 不同濃度甲烷氣體紅外光譜轉化的SDP圖形Fig.2 SDP figures transformed from infrared spectra of methane of various concentrations

圖2中，(a)—(c)甲烷的濃度依次為60%，40%和5%。由圖可見，原始光譜數(shù)據(jù)在極坐標中按照每隔60°的極軸對稱分布，最大極半徑設置為2。在每一個60°的區(qū)間內(nèi)，極半徑的原點對應甲烷在波數(shù)3 014.66處紅外光譜的第一吸收峰，極半徑為2的點對應光譜數(shù)據(jù)的基準線數(shù)據(jù)1； 沿極軸方向隨著極半徑的增大，各點對應逐漸遠離峰值的光譜數(shù)據(jù)； 極坐標原點外側，離極軸最近的點對應甲烷在波數(shù)1 301.91處紅外光譜的第二吸收峰，極軸兩側對稱分布點的密集程度體現(xiàn)紅外光譜吸收峰的寬度，隨著極角的增大(對稱側極角減小)，各點對應逐漸遠離峰值的光譜數(shù)據(jù)，而甲烷濃度越大，紅外吸收峰寬度越寬，則在極軸附近分布的點就越多。

圖3中，(a)—(f)依次為12%乙烷、5%丙烷、4%正丁烷、4%異丁烷、3%正戊烷以及3%異戊烷的紅外吸收光譜經(jīng)SDP變換后的圖像。由圖3可見，盡管七種烷烴氣體的吸收峰存在嚴重交疊，但其SDP圖像卻表現(xiàn)出不同的特征： 紅外光譜的主特征吸收峰依然對應SDP圖中極坐標的原點； 次特征吸收峰對應的SDP點集中在最靠近極軸的位置，且分布在不同的極半徑上； 吸收峰寬度對應的點呈現(xiàn)不同的分布密度，吸收譜線涵蓋波長范圍越大的紅外光譜其對應SDP的瓣形越寬。

圖3 其他六種烷烴氣體紅外光譜轉化的SDP圖形Fig.3 SDP figures transformed from infrared spectra of six kinds of alkane gases

圖4 多組分烷烴混合氣體紅外光譜轉化的SDP圖形Fig.4 SDP figures transformed from infrared spectra of 7-component alkane gas mixtures

(2)多組分烷烴混合氣體紅外光譜SDP轉換后圖像

以表1中Y1類的Y1-1，Y1-2和Y1-3為例，SDP優(yōu)化后的參數(shù)l=1；β1=2，β2=4，最大極半徑取1。圖4中，(a)—(c)依次為表2中Y1-1，Y1-2和Y1-3七組分烷烴混合氣體紅外光譜轉化后的SDP圖形。圖4中顯示，Y1-1的主、次吸收峰對應極坐標原點附近的漸變趨勢點和極半徑為0.8附近的密集點，從點的密集程度可以看出集中在極坐標原點的SDP點對應混合氣體紅外光譜的主吸收峰。同樣地，Y1-2和Y1-3的SDP點呈現(xiàn)類似的分布，在較小波數(shù)區(qū)域，Y1-3存在多個較尖銳的吸收峰，因此，在極軸附近密集地分布了多個SDP點，由于Y1-3的光譜在主吸收峰處出現(xiàn)飽和，因此，極坐標原點處分布的點相對分散； Y1-2介于Y1-1和Y1-3之間，因此，Y1-2對應的SDP圖像較Y1-1和Y1-3分散，但其3個主次吸收峰仍然十分明顯，而且三個圖形視覺上的區(qū)別十分顯著。

經(jīng)過SDP轉化的光譜數(shù)據(jù)展現(xiàn)出十分明顯的變化，這一變化不僅僅是為視覺觀察提供了幫助，同時相當于對光譜數(shù)據(jù)進行了歸一化預處理，并使原始一維的光譜數(shù)據(jù)變換成了224×224的RGB彩色圖像數(shù)據(jù)。將經(jīng)過SDP轉化后的圖像輸入卷積神經(jīng)網(wǎng)絡進行深度學習，使得卷積運算更簡便，從而大大降低了卷積網(wǎng)絡的運算復雜性。

2.2 VGG分類模型

從5類氣測錄井七組分混合氣體的每一類中任意選擇1 000個樣本，共5 000個樣本的紅外光譜進行SDP轉化，轉化參數(shù)為：l=1；β1=2，β2=4，最大極半徑取1，獲得5 000個224×224的RGB彩色圖像，將這5 000個圖像數(shù)據(jù)任意選擇4 500個作為訓練樣本輸入VGG進行深度學習，建立氣測錄井七組分混合氣體甲烷濃度范圍識別模型，以剩余500個未經(jīng)過訓練的圖像數(shù)據(jù)作為檢驗樣本，對模型的效果進行檢驗。

在VGG經(jīng)過2 000次迭代后，對4 500個訓練樣本的識別準確率穩(wěn)定在1.0，如圖5所示。停止迭代，相應500個檢驗樣本的識別精度為0.912。

圖5 VGG訓練迭代趨勢曲線Fig.5 Iteration trend of training VGG

采用相同但未經(jīng)過SDP變換的訓練樣本原始光譜數(shù)據(jù)分別建立SVM和RF七組分混合氣體甲烷濃度范圍識別模型，SVM和RF模型對4 500個訓練樣本的最佳識別準確率分別為94.6%和93.8%，對應500個檢驗樣本的識別準確率分別為88.7%和86.2%。造成SVM和RF識別準確率較低的主要原因是光譜數(shù)據(jù)嚴重重疊造成的交叉敏感，SVM和RF方法對光譜數(shù)據(jù)特征提取能力相對不足。

經(jīng)過優(yōu)化后VGG，SVM和RF模型的參數(shù)見表3。VGG模型中批尺寸(Bath size)、正則化參數(shù)(L2)、保留率(Keep prob)、學習率(Learningrate)分別為： 75，0.005，0.7及0.005； SVM模型選用高斯核，其懲罰因子(C)、s和ε分別為： 100，2.6和0.01； RF模型的決策樹個數(shù)(n_estimators)和最大特征數(shù)(max_features)分別為200和3。

表3 優(yōu)化的模型參數(shù)Table 3 Optimized parameters of various models

3 結 論

將紅外光譜轉化為SDP彩色圖像后輸入VGG深度學習網(wǎng)絡，實現(xiàn)了紅外光譜的分類識別。紅外光譜經(jīng)過SDP圖像轉化后，呈現(xiàn)出顯著的可識別特征并使其更適合VGG網(wǎng)絡的卷積運算； 所建立紅外光譜SDP-VGG識別模型對氣測錄井七組分氣層混合氣體的識別結果表明： 對甲烷濃度范圍分別是<20%，20%～40%，40%～60%，60%～80%和80%～100%的5類七組分烷烴混合氣體，SDP-VGG的識別準確率為91.2%，優(yōu)于直接用紅外光譜建立SVM和RF識別模型88.7%和86.2%的識別準確率。研究表明，SDP-VGG分析方法為紅外光譜分析提供了一種新的思路，擴展了深度學習方法在紅外光譜分析領域的應用，提高了紅外光譜識別的準確率，或可用于紅外光譜或近紅外光譜的定量分析。