方 正, 王涵博

廈門大學(xué)儀器與電氣系, 福建 廈門 361102

引 言

近些年來, 我國塑料薄膜的生產(chǎn)量占到了國內(nèi)塑料制品總生產(chǎn)量的五分之一, 屬于增長速度非?？捎^的塑料制品。 據(jù)分析, 中國的塑料薄膜產(chǎn)業(yè)正處于蓬勃發(fā)展的大好時(shí)期, 未來的需求量還將以超過年均9%的比例飛速增長。 在如此巨大的塑料薄膜產(chǎn)品需求之下, 嚴(yán)格把關(guān)塑料薄膜的生產(chǎn)質(zhì)量至關(guān)重要[1-2]。 在塑料薄膜質(zhì)量檢測的流水線上, 塑料薄膜的厚度是一項(xiàng)關(guān)鍵指標(biāo), 影響著塑料薄膜在后續(xù)使用到包裝過程中的力學(xué)強(qiáng)度性能, 其均勻性是保證塑料薄膜產(chǎn)品具備特定保護(hù)功能的重要條件。

首先, 厚度均勻性影響著薄膜張力的控制, 例如塑料薄膜包裝印刷技術(shù)中最常見的凹版印刷塑料薄膜, 若厚度均勻性控制不準(zhǔn)確, 就非常容易出現(xiàn)印刷故障; 其次, 若將厚度不均勻的薄膜材料繼續(xù)用于產(chǎn)品外包裝, 在使用過程中, 也易出現(xiàn)機(jī)械性能薄弱點(diǎn), 如果在運(yùn)輸或儲(chǔ)存的過程中外包裝不慎受到外力沖擊, 這些機(jī)械性能薄弱點(diǎn)就較容易出現(xiàn)裂痕、 孔洞等, 從而使塑料薄膜的保護(hù)功能降低甚至直接喪失。 除此之外, 有的塑料薄膜制品需要薄膜具備獨(dú)特的光學(xué)和電學(xué)性質(zhì), 這同樣需要薄膜厚度達(dá)到相當(dāng)精確的標(biāo)準(zhǔn), 以符合薄膜材料的光學(xué)、 電學(xué)性質(zhì)研究需要[3-4]。

因此, 對(duì)塑料薄膜的厚度進(jìn)行有效地控制, 既能提高塑料制品的質(zhì)量, 還能降低材料的損耗, 提高生產(chǎn)效率。 塑料薄膜厚度檢測作為薄膜制造行業(yè)的一項(xiàng)基礎(chǔ)的檢測項(xiàng)目, 需要精確測量塑料薄膜的厚度, 嚴(yán)格控制薄膜厚度的均勻性, 保證薄膜具備特殊性能指標(biāo)[5]。

1 測厚技術(shù)

在外包裝材料厚度檢測的方法中, 離線測厚技術(shù)最先用于塑料薄膜厚度的測量。 但伴隨著射線技術(shù)日趨成熟完善, 在線測厚模式迅速興起, 它能夠在較短時(shí)間內(nèi)得到厚度信息, 在生產(chǎn)線上及時(shí)反映到控制端, 快速調(diào)整相關(guān)參數(shù), 從而保障生產(chǎn)質(zhì)量。 離線測厚與在線測厚均已有廣泛的應(yīng)用, 常用的方法如下:

1.1 β射線技術(shù)

β射線技術(shù)是厚度測量中運(yùn)用最早的射線類技術(shù), 始于20世紀(jì)60年代, 原理是β射線通過物質(zhì)時(shí)強(qiáng)度減弱, 具備精度高、 速度快的優(yōu)勢。 該技術(shù)可用于檢測10～100 μm的薄膜, 測厚精度為0.1 μm[6-8]。

1.2 紅外光譜技術(shù)

2012年徐源等通過對(duì)塑料薄膜紅外光譜的研究, 利用紅外吸收光譜能夠顯示物質(zhì)的化學(xué)組成和分子結(jié)構(gòu)信息的特點(diǎn), 結(jié)合朗伯-比爾定律得出特征峰的吸光率與薄膜厚度之間的工作曲線, 擬合相關(guān)度達(dá)到99.497%, 驗(yàn)證了紅外光譜法測厚的可行性[9-11]。

1.3 X射線熒光技術(shù)

2012年李軍通過反散射法標(biāo)定塑料薄膜厚度的實(shí)驗(yàn), 發(fā)現(xiàn)厚度在10～800 μm范圍內(nèi)的聚乙烯塑料膜, 其厚度值與反散射熒光強(qiáng)度存在正相關(guān)的聯(lián)系, 通過標(biāo)定可實(shí)現(xiàn)薄膜測厚, 測量精度能夠達(dá)到3 μm。 但一次測厚需200 s, 檢測速度有待提高[12]。

1.4 X射線衍射法

2018年陳涌得進(jìn)行了X射線衍射法測厚的實(shí)驗(yàn), 該技術(shù)利用了相同材料塑料薄膜疊加后的空間域周期性結(jié)構(gòu), 通過分析衍射峰的數(shù)據(jù)測量膜厚。 在精密裝調(diào)樣品臺(tái)并在擬合期間選擇合適的衍射峰后, 薄膜厚度的誤差能夠控制在0.01 nm以下[13]。

1.5 超聲波測厚儀

超聲波測厚儀設(shè)備體積小、 便于攜帶, 其測厚原理利用的是超聲波的反射, 能夠測量各種超聲波良導(dǎo)體材料的厚度, 例如金屬、 塑料、 陶瓷、 玻璃。 此類設(shè)備操作繁瑣, 需要使用耦合劑排除探頭與被測物體間的空氣, 使超聲波能有效的進(jìn)入被測物體內(nèi)部[14-16]。

1.6 機(jī)械測厚儀

機(jī)械測厚儀通過在測量厚度之前對(duì)待測試樣的表面施加一定壓力, 保證探頭和被測面無間隙, 可得到穩(wěn)定性好的數(shù)據(jù), 應(yīng)用領(lǐng)域廣泛。 其測量精度取決于位置反饋傳感器的精度。 除此之外, 機(jī)械測厚儀對(duì)振動(dòng)敏感, 會(huì)因此導(dǎo)致測量誤差, 因此為保證設(shè)備自身的穩(wěn)定性并屏蔽外界環(huán)境的干擾, 機(jī)械測厚儀通常厚重龐大, 不方便搬運(yùn), 只能在室內(nèi)使用[17-19]。

目前市面上的塑料薄膜厚度測量手段已是相當(dāng)豐富, 但是對(duì)于使用X射線吸收光譜法的原理進(jìn)行厚度測量卻鮮有報(bào)道。 相較其他射線類技術(shù), X射線吸收光譜法的優(yōu)勢在于穿透力更強(qiáng)[20], 能夠反映特定能量穿透不同樣本時(shí)的具體光譜數(shù)據(jù)[21], 能夠觀測到更多的細(xì)節(jié)信息, 這在某種程度上能夠提高厚度測量的精度。 本實(shí)驗(yàn)正是出于這樣的考慮, 初步嘗試運(yùn)用X射線吸收光譜法的原理測量塑料薄膜的厚度, 同時(shí), 使用機(jī)器學(xué)習(xí)算法分析光譜數(shù)據(jù), 并與傳統(tǒng)的光子數(shù)量測厚相比較, 對(duì)該方法的實(shí)際可行性作一定分析。

2 實(shí)驗(yàn)部分

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)器材為完整的X射線光譜檢測系統(tǒng)[22], 由本實(shí)驗(yàn)室自主搭建, 圖1為基本框架。 光譜檢測系統(tǒng)的關(guān)鍵組成部分包括X射線管、 X射線探測器以及高壓電源。 核心部件的主要性能指標(biāo)(表1)。

表1 核心部件的型號(hào)與性能

圖1 X射線光譜檢測系統(tǒng)

在本次試驗(yàn)中, 為得到較為理想的X射線吸收光譜數(shù)據(jù), 進(jìn)行了數(shù)次實(shí)驗(yàn)環(huán)境參數(shù)的調(diào)試。 最終, 得到較理想的實(shí)驗(yàn)環(huán)境參數(shù)設(shè)置(表2)。 實(shí)驗(yàn)材料采用塑料薄膜中最為常見的PE膜, 即聚乙烯塑料膜, 由深圳西半球有限公司生產(chǎn), 其標(biāo)定的參數(shù)為20 μm的單層膜厚以及4 cm的膜寬。

表2 實(shí)驗(yàn)環(huán)境參數(shù)

2.2 樣本制備

制作不同厚度的塑料薄膜樣本, 采用多層塑料薄膜纏繞疊加的方法。 具體過程如下: 將塑料薄膜逐層纏繞在特制帶孔模具上, 以每5層膜即100 μm為分度值, 制作100、 200、 300、 400、 500、 600、 700、 800、 900、 1 000 μm的樣本, 即依次纏繞5、 10、 15、 20、 25、 30、 35、 40、 45、 50層, 一共10組。 纏繞過程需要避免薄膜的褶皺與過度拉伸, 減小人為操作誤差。 如下為具體樣本參數(shù)(表3)和樣本實(shí)物圖(圖2)。

表3 樣品參數(shù)

圖2 纏繞塑料薄膜的待測樣本

2.3 數(shù)據(jù)采集

由于設(shè)備本身存在測量誤差, 實(shí)驗(yàn)需要在同一環(huán)境下進(jìn)行, 并進(jìn)行多次數(shù)據(jù)采集。 每組樣本進(jìn)行40次數(shù)據(jù)采集, 每次采集前需要適當(dāng)調(diào)整X射線穿透樣本的部位; 此外, 不放置樣本時(shí)的空白背景也需要40次數(shù)據(jù)采集, 用于后續(xù)對(duì)比分析。 綜合測厚的樣本與空白背景, 總計(jì)得到440組原始光譜數(shù)據(jù)。 空白背景數(shù)據(jù)如圖3所示, 其橫坐標(biāo)為通道數(shù), 縱坐標(biāo)為出射光子數(shù), 選取數(shù)據(jù)明顯的140個(gè)通道, 通道號(hào)為56—195。

圖3 背景光譜圖

10種厚度塑料薄膜的原始光譜圖如圖4所示, 其中橫坐標(biāo)代表入射X射線的能量, 縱坐標(biāo)為出射光子數(shù), 即出射X射線的強(qiáng)度。 在實(shí)際的數(shù)據(jù)分析過程中, 有必要將通道數(shù)轉(zhuǎn)化為X射線光子能量。 X射線探測器的通道數(shù)為0到(2n-1), 通道數(shù)的選擇通常為256道、 512道、 1 024道、 2 048道、 4 096道、 8 192道, 對(duì)應(yīng)的n取8、 9、 10、 11、 12。 X射線光子能量與通道數(shù)之間的關(guān)系式為

圖4 10種樣本的原始光譜圖

E=2 010(n-0.333 3)

(1)

圖4中的三個(gè)波峰是由陽極靶材料鎢的特性引起的, 屬于系統(tǒng)本身的特征波峰, 三個(gè)波峰的能量依次為8.538、 9.692和11.308 keV。 10種厚度塑料薄膜的平均值光譜圖如圖5所示, 其中橫坐標(biāo)為能道數(shù), 縱坐標(biāo)為出射光子數(shù)。

圖5 10種厚度塑料薄膜的平均值光譜圖

通過出射X射線的能量可以看到不同厚度的樣本對(duì)X射線的吸收有明顯的差別, 在峰值處尤為明顯, 而在入射能量過大與過小時(shí)區(qū)別不大。

3 結(jié)果與討論

3.1 數(shù)據(jù)降維與特征提取

根據(jù)本實(shí)驗(yàn)所得數(shù)據(jù)的類型, 選擇主成分分析方法(PCA)做特征提取。 主成分分析是一種用于大量數(shù)據(jù)的信息篩選、 降維的常用工具[23], 擅于將多維的信息降低到相當(dāng)有限的維度。 其基本原理是利用原始的n維數(shù)據(jù)找出若干個(gè)相互正交的向量, 其第一個(gè)向量是原始數(shù)據(jù)中方差最大的向量, 第二個(gè)向量是在與第一個(gè)向量正交的向量中方差最大的, 以此類推得到n個(gè)新向量。 而實(shí)際上, 只有前幾個(gè)向量方差較大, 后續(xù)向量方差幾乎為0, 所以保留方差較大的幾個(gè)向量即可。

具體的實(shí)現(xiàn)過程如下: 假設(shè)待降維的數(shù)據(jù)集為Y={y1,y2,y3, …,yn}, 那么首先需要通過以式(2)構(gòu)建協(xié)方差矩陣X

(2)

再用線性代數(shù)特征值分解方法求該協(xié)方差矩陣X的特征值和特征向量, 每個(gè)特征值的數(shù)值即代表一項(xiàng)主成分的占比, 對(duì)應(yīng)的特征向量與原數(shù)據(jù)集相乘即可得到該方向主成分提取后轉(zhuǎn)化的具體數(shù)值。 若將特征值由大到小排列, 選取最大的k個(gè), 其對(duì)應(yīng)特征向量組成矩陣P, 那么特征提取后的數(shù)據(jù)集Z便可由式(3)得到

Z=PY

(3)

在對(duì)測量所得的原始光譜數(shù)據(jù)進(jìn)行主成分分析后, 得到如表4所示的主成分貢獻(xiàn)率表, 圖中只列出了占比前10的主成分分量。

表4 PCA特征提取后主要主成分的貢獻(xiàn)率

從表4中可以得到, PC1涵蓋了光譜中 88.281 7%的信息, PC2和PC3分別解釋9.824 4%和0.269 1%的信息, 光前三項(xiàng)主成分的貢獻(xiàn)率相加就已經(jīng)達(dá)到98.375 2%, 基本能夠解釋光譜數(shù)據(jù)的全部信息。 可以根據(jù)占比最大的前兩個(gè)特征做出不同厚度下主成分分析的二維圖, 如圖6所示, 其中橫坐標(biāo)為主成分PC1, 縱坐標(biāo)為主成分PC2。

圖6 10種厚度主成分分析二維圖

由圖6可見, 在PCA特征提取后, 對(duì)不同厚度的塑料薄膜來說, 它們?cè)赑C1的方向上區(qū)分較為明顯, 在PC2的方向上起伏較大。 由于塑料薄膜厚度極小, 所以在相鄰厚度的數(shù)據(jù)上有一定的重疊, 但是也能基本實(shí)現(xiàn)區(qū)分。 所以在進(jìn)行PCA主成分分析后, 還需要通過學(xué)習(xí)進(jìn)一步實(shí)現(xiàn)分類辨識(shí)。

3.2 通過BP神經(jīng)網(wǎng)絡(luò)的厚度識(shí)別

3.2.1 神經(jīng)網(wǎng)絡(luò)的選擇

由主成分分析的二維圖結(jié)果可見, 不同厚度下的數(shù)據(jù)點(diǎn)存在重疊交錯(cuò)的現(xiàn)象, 一般的線性計(jì)算無法實(shí)現(xiàn)對(duì)各數(shù)據(jù)點(diǎn)的分類預(yù)測, 需要采用非線性擬合計(jì)算。 而BP神經(jīng)網(wǎng)絡(luò)便是一種成熟的具備非線性映射能力的神經(jīng)網(wǎng)絡(luò)模型, 能夠擬合出高精度的非線性連續(xù)函數(shù)。 且BP神經(jīng)網(wǎng)絡(luò)擁有較好的自學(xué)習(xí)能力、 泛化能力和容錯(cuò)能力, 能夠?qū)崿F(xiàn)復(fù)雜模型的訓(xùn)練與預(yù)測。 而針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢的問題, 會(huì)因?yàn)橹鞒煞址治龊蟮臄?shù)據(jù)降維處理, 大幅度地提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率, 同時(shí), 主成分分析也有利于提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測的準(zhǔn)確率。 基于以上的優(yōu)點(diǎn), 選擇BP神經(jīng)網(wǎng)絡(luò)作為厚度預(yù)測模型。

3.2.2 BP神經(jīng)網(wǎng)絡(luò)分類原理

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò), 包括輸入層、 隱含層和輸出層, 能夠在計(jì)算單元為非線性函數(shù)時(shí)依然給出對(duì)應(yīng)的映射關(guān)系, 因而其優(yōu)勢在于具備將任意復(fù)雜模型進(jìn)行分類以及多維函數(shù)實(shí)現(xiàn)映射的能力[24-26]。 BP神經(jīng)網(wǎng)絡(luò)的基本過程如下:

首先是順向過程, 數(shù)據(jù)由輸入層進(jìn)入, 經(jīng)過隱含層, 在輸出層輸出期望值。 輸入層一般會(huì)用一個(gè)線性函數(shù)作為激勵(lì), 最常用的函數(shù)如

(4)

輸入層的數(shù)據(jù)進(jìn)入隱含層, 在隱含層中建立輸入數(shù)據(jù)與輸出數(shù)據(jù)的映射關(guān)系, 隱含層的神經(jīng)元的輸入值為

(5)

式(5)中,Xij表示隱含層中第i層第j個(gè)神經(jīng)元的輸入,ni-1表示第(i-1)層神經(jīng)元的個(gè)數(shù),o(i-1)h表示第(i-1)層第i個(gè)神經(jīng)元的輸出,ω(i-1)hj表示第(i-1)層第h個(gè)神經(jīng)元與第(i-1)層第j個(gè)神經(jīng)元的權(quán)值,b表示神經(jīng)元的偏置。

最后是輸出層, 輸出的數(shù)據(jù)即為網(wǎng)絡(luò)的預(yù)測值; 而輸入值的計(jì)算與隱含層類似, 等于上一層神經(jīng)元的輸出乘上相應(yīng)權(quán)值的和。

順向過程后, 需要進(jìn)行逆向過程, 這才是網(wǎng)絡(luò)真正的訓(xùn)練, 通過誤差來更新網(wǎng)絡(luò)的權(quán)值和偏置值, 逐漸使網(wǎng)絡(luò)趨于完善。 式(6)為權(quán)值的更新公式

ωijk=(t+1)=ωijk(t)+ηδikoij

(6)

式(6)中,η為學(xué)習(xí)速率,δik為誤差。

3.2.3 BP神經(jīng)網(wǎng)絡(luò)模型建立

對(duì)PCA處理過后的440組數(shù)據(jù)進(jìn)行隨機(jī)篩選, 其中70%用作訓(xùn)練集, 參與神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練, 15%作為驗(yàn)證集, 15%作為測試集評(píng)估辨識(shí)準(zhǔn)確率。 進(jìn)入神經(jīng)網(wǎng)絡(luò)輸入層的是已經(jīng)經(jīng)過 PCA 特征提取后的3個(gè)主成分組成的系數(shù)矩陣, 隱含層的神經(jīng)元數(shù)量設(shè)置為20, 輸出層為各組數(shù)據(jù)對(duì)應(yīng)的塑料薄膜纏繞層數(shù), 與厚度對(duì)應(yīng)關(guān)系見表3, 以此建立結(jié)構(gòu)為3-20-11的BP神經(jīng)網(wǎng)絡(luò)模型, 擬合結(jié)果如圖7(a)和(b)所示, 其中橫坐標(biāo)為數(shù)據(jù)的實(shí)際層數(shù), 縱坐標(biāo)為數(shù)據(jù)的預(yù)測層數(shù)。

圖7 (a)訓(xùn)練集數(shù)據(jù)擬合度; (b)驗(yàn)證集數(shù)據(jù)擬合度; (c)測試集數(shù)據(jù)擬合度; (d)全部數(shù)據(jù)擬合度

對(duì)于回歸曲線的評(píng)估, 將從擬合優(yōu)度[27]與 RMSE[28]兩方面進(jìn)行。 擬合優(yōu)度反映的是回歸直線與實(shí)際值的擬合程度, 衡量擬合優(yōu)度的參數(shù)是確定系數(shù)R2,R2越接近1表示回歸直線對(duì)實(shí)際值的擬合程度越好, 越接近0表示擬合程度越差。R2的具體計(jì)算過程如式(7)

(7)

RMSE是指均方根誤差, 用于衡量預(yù)測值與實(shí)際值之間的誤差, 具體計(jì)算過程如式(8)

(8)

3.3 數(shù)據(jù)歸一化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

3.3.1 原始數(shù)據(jù)歸一化

歸一化[29]是一種數(shù)據(jù)無量綱化處理的常用手段, 能夠消除儀器誤差, 加快神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度。 采用線性函數(shù)歸一化的方法將原始數(shù)據(jù)變換到[0, 1]之間, 其具體過程如式(9)

(9)

式(9)中,Knorm為歸一化后的數(shù)據(jù),X為原始數(shù)據(jù),Xmax為光譜最大值,Xmin為光譜最小值。 原始光譜數(shù)據(jù)歸一化后結(jié)果如圖8所示。

圖8 10種厚度歸一化后的光譜圖

3.3.2 歸一化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

將歸一化后的440組數(shù)據(jù)進(jìn)行主成分分析, 主成分分析結(jié)果與不經(jīng)過歸一化處理時(shí)相同。 同樣選取主成分中占比最大的前三項(xiàng)作為神經(jīng)網(wǎng)絡(luò)的輸入, 隨機(jī)篩選其中70%作為訓(xùn)練集, 15%作為驗(yàn)證集, 15%作為測試集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。 歸一化后的神經(jīng)網(wǎng)絡(luò)擬合結(jié)果如圖9(a)和(b)所示, 其中橫坐標(biāo)為數(shù)據(jù)的實(shí)際層數(shù), 縱坐標(biāo)為數(shù)據(jù)的預(yù)測層數(shù)。 在原始數(shù)據(jù)進(jìn)行歸一化處理后, 測試集的R2=0.984, RSME=2.50, 與未進(jìn)行歸一化的訓(xùn)練模型相比, 回歸曲線的擬合程度更高, 預(yù)測值與實(shí)際值的誤差在2.5層膜, 即50 μm, 也比未歸一化時(shí)更精確。

圖9 (a)歸一化后訓(xùn)練集擬合度; (b)歸一化后驗(yàn)證集擬合度; (c)歸一化后測試集擬合度; (d)歸一化后全部數(shù)據(jù)擬合度

3.4 基于光子總數(shù)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

將原始數(shù)據(jù)中每一組數(shù)據(jù)的512個(gè)數(shù)據(jù)點(diǎn)求和, 得到每組數(shù)據(jù)的光子總數(shù), 以此作為神經(jīng)網(wǎng)絡(luò)的輸入, 對(duì)應(yīng)的塑料薄膜層數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸出, 隨機(jī)篩選其中70%作為訓(xùn)練集, 15%作為驗(yàn)證集, 15%作為測試集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。 基于光子總數(shù)的神經(jīng)網(wǎng)絡(luò)擬合結(jié)果如圖10(a)和(b)所示, 其中橫坐標(biāo)為數(shù)據(jù)的實(shí)際層數(shù), 縱坐標(biāo)為數(shù)據(jù)的預(yù)測層數(shù)。 將光子總數(shù)用于BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后, 測試集的R2=0.978, RSME=2.56, 回歸數(shù)據(jù)與曲線的擬合能力同樣很強(qiáng), 預(yù)測值與實(shí)際值的平均誤差在 2.56層膜厚, 即51.2 μm。

圖10 (a)光子總數(shù)的訓(xùn)練集擬合度; (b)光子總數(shù)的驗(yàn)證集擬合度; (c)光子總數(shù)的測試集擬合度; (d)光子總數(shù)全部數(shù)據(jù)擬合度

3.5 數(shù)據(jù)分析結(jié)論

三種模式下的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果如表5所示。 對(duì)比三種數(shù)據(jù)處理的方案可知, 歸一化處理對(duì)模型的擬合預(yù)測能力與誤差控制能力均有較大的提升。

表5 訓(xùn)練結(jié)果比較

采取光子總數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入時(shí), 回歸能力與誤差控制能力只是略低于歸一化處理的模型, 從數(shù)據(jù)點(diǎn)在擬合曲線上的分布可以看到, 光子總數(shù)模型存在個(gè)別數(shù)據(jù)點(diǎn)出現(xiàn)極端誤差的情況, 相比之下, 歸一化模型數(shù)據(jù)點(diǎn)的穩(wěn)定性更佳, 沒有出現(xiàn)極端的誤差。 因此, 在本實(shí)驗(yàn)中, 將原始數(shù)據(jù)進(jìn)行歸一化與PCA主成分分析的預(yù)處理后, 再進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練能夠?qū)λ芰媳∧?shí)現(xiàn)最佳的測厚效果, 平均誤差為50 μm。

4 結(jié) 論

針對(duì)不明厚度的聚乙烯塑料薄膜制品, 利用X射線吸收光譜法采集數(shù)據(jù), 先進(jìn)行數(shù)據(jù)預(yù)處理, 如PCA主成分分析等, 并對(duì)模型進(jìn)行訓(xùn)練優(yōu)化, 最后將PCA降維后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入, 從而實(shí)現(xiàn)對(duì)塑料薄膜厚度的精確識(shí)別, 具有檢測速度快、 識(shí)別精度高、 應(yīng)用范圍廣的優(yōu)點(diǎn), 確定了一種單一材料塑料薄膜厚度的檢測方法。 本文的具體內(nèi)容如下:

(1)對(duì)10種厚度聚乙烯塑料膜的樣本進(jìn)行X射線吸收光譜采集, 其中每種樣本采集40組數(shù)據(jù), 同時(shí)還測量了40組背景光譜, 共440組原始數(shù)據(jù)用于模型訓(xùn)練。 并且隨機(jī)抽取每種樣本70%的數(shù)據(jù)作為訓(xùn)練集, 其余30%的數(shù)據(jù)作為測試集, 采取交叉驗(yàn)證的方式, 評(píng)估模型的準(zhǔn)確率。

(2)對(duì)采集到的光譜數(shù)據(jù)進(jìn)行預(yù)處理, 包括波段的選取以及PCA主成分分析特征提取, 達(dá)到信息降維的目的。

(3)將預(yù)處理后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入, 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型, 通過測試集的數(shù)據(jù)校驗(yàn)評(píng)估模型的厚度預(yù)測能力, 驗(yàn)證BP神經(jīng)網(wǎng)路模型在該案例中的可行性。

(4)將原始數(shù)據(jù)進(jìn)行歸一化處理, 再經(jīng)過PCA主成分特征提取以及BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練, 通過測試集的數(shù)據(jù)校驗(yàn)評(píng)估模型的厚度預(yù)測能力。

(5)將原始數(shù)據(jù)進(jìn)行光子數(shù)求和處理, 再經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練, 通過測試集的數(shù)據(jù)校驗(yàn)評(píng)估模型的厚度預(yù)測能力。

(6)實(shí)驗(yàn)結(jié)果顯示, 未歸一化處理的數(shù)據(jù)經(jīng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的擬合優(yōu)度為0.937, RSME值為4.46; 經(jīng)過原始數(shù)據(jù)歸一化處理后, BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的擬合優(yōu)度為0.984, RSME值為2.50; 經(jīng)過光子數(shù)求和處理后, BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的擬合優(yōu)度為0.978, RSME值為2.56。 對(duì)比之后, 發(fā)現(xiàn)光譜數(shù)據(jù)歸一化處理后得到的擬合曲線更優(yōu), 測量偏差更小。 將訓(xùn)練集數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的隱含層神經(jīng)元, 通過與測試集的理想輸出值的比較和統(tǒng)計(jì), 得到歸一化后的BP神經(jīng)網(wǎng)絡(luò)模型, 能將測量厚度誤差控制在50 μm, 實(shí)現(xiàn)對(duì)聚乙烯薄膜厚度的檢測。