首页/论文/2012.01653

arXiv 2012.016532020-12-03cs.LG

用于激光诱导击穿光谱的深光谱CNN

Deep Spectral CNN for Laser Induced Breakdown Spectroscopy

Juan Castorena, Diane Oyen, Ann Ollila, Carey Legget, Nina Lanza

DOI：: 10.1016/j.sab.2021.106125

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

这项工作提出了一种光谱卷积神经网络（CNN），对激光诱导击穿光谱（LIBS）信号进行操作，以学习（1）将光谱信号与传感器不确定性的来源（即，预处理）和（2）得到给定光谱信号的样品的化学含量的定性和定量测量（即，校准）。一旦光谱CNN经过训练，它就可以通过单个前馈通道完成任何一项任务，具有实时优势，并且没有任何额外的辅助信息要求，包括暗电流、系统响应、温度和探测器到目标的范围。我们的实验表明，所提出的方法优于现有的方法所使用的火星科学实验室的预处理和校准的遥感观测火星漫游车，“好奇”。

英文摘要：

This work proposes a spectral convolutional neural network (CNN) operating on laser induced breakdown spectroscopy (LIBS) signals to learn to (1) disentangle spectral signals from the sources of sensor uncertainty (i.e., pre-process) and (2) get qualitative and quantitative measures of chemical content of a sample given a spectral signal (i.e., calibrate). Once the spectral CNN is trained, it can accomplish either task through a single feed-forward pass, with real-time benefits and without any additional side information requirements including dark current, system response, temperature and detector-to-target range. Our experiments demonstrate that the proposed method outperforms the existing approaches used by the Mars Science Lab for pre-processing and calibration for remote sensing observations from the Mars rover, 'Curiosity'.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

激光诱导击穿光谱小样本回归高精度测量的标准处理流程

A Standard Processing Pipeline for High-accuracy Measurement of Few-shot Regression on Laser Induced Breakdown Spectroscopy

University of Arizona（亚利桑那大学）

提出集成扩散去噪、注意力自编码器降维、组混洗数据增强和普通最小二乘回归的标准流程，在LIBS小样本回归中实现平均RMAE 0.2847，较基线提升37.7%。

2026-06-23cs.LG

激光诱导击穿光谱中循环神经网络与经典机器学习方法的比较

A comparison between Recurrent Neural Networks and classical machine learning approaches In Laser induced breakdown spectroscopy

K. N. Toosi University of Technology（哈奇·纳赛尔·图西理工大学）；University of Science and Technology of Mazandaran（马赞德兰科技大学）；Islamic Azad University（伊斯兰阿扎德大学）；University of Calgary（卡尔加里大学）

本文比较了多种循环神经网络与经典机器学习方法在激光诱导击穿光谱铝合金定量分析中的表现，发现基于卷积循环网络的模型对大多数元素浓度预测效率最佳。

2023-04-16cs.LG

激光诱导击穿光谱的神经网络密度估计和不确定度量化

Neural density estimation and uncertainty quantification for laser induced breakdown spectroscopy spectra

Johns Hopkins University（约翰斯·霍普金斯大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）

在高维谱数据中构造用于推断的概率密度通常是棘手的。在这项工作中，我们使用结构化谱潜在空间上的归一化流来估计这种密度，从而实现下游推理任务。此外，我们评估的方法不确定性量化时，预测未观测到的状态向量与每个光谱。我们证明了这种方法的激光诱导击穿光谱数据收集的ChemCam仪器上的火星漫游车Currency的能力。使用我们的方法，我们能够生成现实的光谱样本，并准确地预测状态向量与相关的校准良好的不确定性。我们预计，这种方法将使有效的光谱数据的概率建模，导致潜在的进步，在几个领域，包括分布外检测和灵敏度分析。

2021-08-17cs.LGmath.SPstat.ML

激光器剩余寿命预测的混合CNN-LSTM方法

A Hybrid CNN-LSTM Approach for Laser Remaining Useful Life Prediction

ADVA Optical Networking SE（ADVA光网络公司）；Christian-Albrechts-Universität zu Kiel（基尔大学）

提出了一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的激光剩余寿命预测模型。实验结果表明，该方法优于传统方法。

2022-03-19cs.LGeess.SP

不同的Laser -诱导击穿光谱系统之间的库传输，共享标准

Library transfer between distinct Laser-Induced Breakdown Spectroscopy systems with shared standards

CEITEC（中欧技术研究所）；Brno University of Technology（布尔诺理工大学）；Institute of Physical Engineering, Brno University of Technology（布尔诺理工大学物理工程学院）；Masaryk University（马萨里克大学）

不同光谱系统的相互不兼容性是激光诱导击穿光谱（LIBS）中最大的限制因素之一。与建立新的LIBS系统相关的成本增加，因为需要其广泛的校准。解决这个问题将使实验室间的参考测量和共享的光谱库，这是其他光谱技术的基础。在这项工作中，我们研究了这一挑战的简化版本，其中LIBS系统仅在使用的光谱仪和收集光学器件方面有所不同，但共享设备的所有其他部分，并同时从相同的等离子体羽流收集光谱。作为异质样本的高光谱图像测量的大量数据集用于训练可以在系统之间传输光谱的机器学习模型。传输是由一个管道，由一个变分自动编码器（VAE）和一个完全连接的人工神经网络（ANN）。在第一步中，我们获得了在Primary系统上测量的光谱的潜在表示（通过使用VAE）。在第二步中，我们将光谱从次级系统映射到潜在空间中的相应位置（通过ANN）。最后，从潜空间到原系统的空间重构了次系统谱。通过几个品质因数（欧氏距离和余弦距离，均为空间分辨;转移光谱的k均值聚类）评估转移。该方法与几种基线方法进行了比较。

2022-09-23cs.LGphysics.data-an

用于远程和便携式激光诱导击穿光谱的半监督设备上神经网络适配

Semi-supervised on-device neural network adaptation for remote and portable laser-induced breakdown spectroscopy

Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）

激光诱导击穿光谱（LIBS）是一种流行的快速元素分析技术，用于确定目标样品的化学成分，例如在金属的工业分析或空间探索中。最近，在LIBS数据处理中使用机器学习（ML）技术的情况有所增加。然而，用于LIBS的ML具有挑战性，因为：（i）预测模型必须是轻量级的，因为它们需要部署在高度资源受限和电池供电的便携式LIBS系统中;以及（ii）由于这些系统可以是远程的，因此模型必须能够自适应于输入分布中的任何域偏移，这可能是由于在训练数据中缺少不同类型的输入或动态环境/传感器噪声。由于远程LIBS系统中缺乏新的标记数据，这种模型的设备上重新训练不仅应该快速，而且应该是无监督的。我们介绍了一个轻量级的多层感知器（MLP）模型的LIBS，可以适应设备上，而不需要标签的新输入数据。它在数据流期间显示出89.3%的平均准确率，与不支持自适应的MLP模型相比，准确率提高了2.1%。最后，我们还描述了我们的模型在Google Pixel 2手机上的推理和再训练性能。

2021-04-08cs.LGeess.SPphysics.optics

更多相关论文收起更多论文

通过基于模拟的合成数据增强与多任务学习评估激光诱导击穿光谱预测的可信度

Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via Simulation-based Synthetic Data Augmentation and Multitask Learning

Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；LIST（LIST（法国原子能和替代能源委员会下属的信息科学与技术实验室））

针对激光诱导击穿光谱训练数据少及预测验证难的问题，提出基于模拟的合成数据增强与深度卷积多任务学习方法，构建端到端流水线预测分析物浓度并验证模型可信度，其性能优于传统单变量与多变量分析。

2022-10-07cs.AIcs.LGphysics.app-ph

使用CNN进行焊丝进给laser增材制造的综合工艺-熔池关系建模

Comprehensive process-molten pool relations modeling using CNN for wire-feed laser additive manufacturing

Colorado School of Mines（科罗拉多矿业学院）

走丝激光增材制造（WLAM）由于其高自动化水平，高沉积速率和良好的打印零件质量而获得广泛关注。减少材料质量不确定性的过程中监测和反馈控制正处于早期开发阶段。机器学习有望通过在工艺设置输入和材料质量结果之间建立工艺-结构-属性联系，加快增材制造中新工艺和属性设计的采用。熔池尺寸信息和温度是实现高质量构建的指标，其可以通过工艺参数直接控制。为了现场质量控制的目的，应该基于来自过程（特别是熔池）的感测信息来实时控制过程参数。因此，熔池-过程关系具有初步的重要性。本文分析了实验收集的原位传感数据从熔池下的一组控制的工艺参数在WLAM系统。给出了熔池稳态和瞬态随独立工艺参数变化的规律。提出了一种多模态卷积神经网络（CNN）架构，用于直接从可测量的熔池传感器数据预测控制参数，以实现所需的几何和微观结构特性。丢弃和正则化应用于CNN架构以避免过拟合问题。结果强调，与基于图像的单模态CNN方法相比，接收温度分布作为从图像数据提取的特征的外部特征的多模态CNN具有改进的预测性能。

2021-03-22cond-mat.mtrl-scics.LGeess.SP

高效边缘兼容的CNN用于激光切割系统中的斑点基材料识别

Efficient Edge-Compatible CNN for Speckle-Based Material Recognition in Laser Cutting Systems

College of Engineering North Dakota State University Fargo, ND, USA, 58102（工程学院内布拉斯加州立大学法戈分校）

本文提出了一种轻量级CNN用于激光切割系统中的斑点基材料识别，实现了高准确率和快速推理，适用于边缘设备部署。

2025-11-28cs.AIcs.CVcs.LG

DROW：基于实时的深度学习的轮椅检测

DROW: Real-Time Deep Learning based Wheelchair Detection in 2D Range Data

RWTH Aachen University（亚琛工业大学）

我们介绍了DRAW检测器，这是一种基于深度学习的二维范围数据检测器。激光扫描仪具有照明不变性，提供精确的范围数据，通常覆盖大视场，使其成为机器人应用的有趣传感器。到目前为止，对激光测距数据检测的研究一直由手工制作的特征和增强的分类器主导，由于次优的设计选择，可能会失去性能。我们提出了一个基于卷积神经网络（CNN）的检测器。我们展示了如何有效地将CNN应用于2D范围数据的检测，并提出了一个深度预处理步骤和投票方案，显着提高了CNN的性能。我们在轮椅和步行者身上展示了我们的方法，获得了最先进的检测结果。但是，除了训练数据之外，我们的设计选择都没有将检测器限制在这两个类。我们为我们的探测器提供了一个ROS节点，并发布了包含464k激光扫描的数据集，其中24k被注释。

2016-12-05cs.CVcs.LGcs.NE

为定制硬件加速器编译深度学习模型

Compiling Deep Learning Models for Custom Hardware Accelerators

Purdue University（普渡大学）

卷积神经网络（CNN）是大多数最先进的深度学习算法的核心，专门用于目标检测和分类。CNN在计算上既复杂又并行。这两个属性为嵌入式系统的潜在软件和硬件优化留下了空间。给定具有面向CNN的自定义指令集的可编程硬件加速器，编译器的任务是利用硬件的全部潜力，同时遵守硬件约束并保持通用性以运行具有不同工作负载属性的不同CNN模型。Snowflake是一个在可编程逻辑器件上实现的高效、可扩展的硬件加速器。它实现了一个自定义指令集的控制流水线。本文的目的是介绍Snowflake的编译器，它可以从Torch 7模型描述文件生成机器级指令。在这项工作中探索的主要软件设计要点是：模型结构解析，CNN工作负载分解，循环重排内存带宽优化和内存访问平衡。编译器生成的指令所实现的性能与卷积层的手动优化代码相匹配。生成的指令还可以有效地在Snowflake上执行AlexNet和ResNet 18推理。具有$256$处理单元的Snowflake在Xilinx的Zynq XC 7Z 045 FPGA上合成。在$250$ MHz下，AlexNet实现了$93.6$ frames/s和$1.2$ GB/s的片外存储器带宽，ResNet 18实现了$21.4$ frames/s和$2.2$ GB/s。片内总功耗为$5$ W。

2017-12-10cs.DCcs.LG

NeuroMAX：一个高吞吐量、多线程、基于日志的卷积神经网络加速器

NeuroMAX: A High Throughput, Multi-Threaded, Log-Based Accelerator for Convolutional Neural Networks

Kansas State University（堪萨斯州立大学）

卷积神经网络（CNN）由于其巨大的计算成本，需要高吞吐量的硬件加速器用于实时的应用。大多数传统的CNN加速器依赖于单核线性处理元件（PE）结合1D卷积来加速卷积运算。这将每PE计数的峰值吞吐量的最大可实现比率限制为1。大多数过去的作品优化他们的硬件，以达到接近100%的硬件利用率，以达到这个比例。在本文中，我们介绍了一个高吞吐量，多线程，基于日志的PE核心。与具有相同输出位精度的单个线性乘法器PE核相比，所设计的核在每PE计数的峰值吞吐量方面提供了200%的增加，而面积开销仅增加6%。我们还提出了一个2D权重广播数据流，它利用PE核心的多线程特性来实现各种CNN的每层高硬件利用率。我们称之为NeuroMAX的整个架构在Xilinx Zynq 7020 SoC上以200 MHz处理时钟实现。详细的分析进行吞吐量，硬件利用率，面积和功耗故障，和延迟，以显示性能改善相比，以前的FPGA和ASIC设计。

2020-07-19cs.ARcs.LG

NeuralPower：预测和部署节能型卷积神经网络

NeuralPower: Predict and Deploy Energy-Efficient Convolutional Neural Networks

Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）

"卷积神经网络（CNN）进行的推理消耗了多少能量？“随着CNN在广泛的平台（从移动设备到工作站）上的日益普及，这个问题的答案引起了人们的极大关注。从延长移动设备的电池寿命到减少数据中心的能源账单，在实际训练模型之前，了解CNN在服务期间的能源效率以进行推断是很重要的。在这项工作中，我们提出了NeuralPower：一个基于稀疏多项式回归的逐层预测框架，用于预测部署在任何GPU平台上的CNN的服务能耗。鉴于CNN的架构，NeuralPower可以在整个网络的所有层上提供准确的功率和运行时间预测和细分，帮助机器学习者快速识别功率，运行时间或能源瓶颈。我们还提出了"能量精度比"（EPR）指标，以指导机器学习者选择一个节能的CNN架构，更好地权衡能源消耗和预测精度。实验结果表明，所提出的NeuralPower的预测精度优于迄今为止最好的已发表模型，准确度提高了68.5%。我们还通过预测最先进的CNN架构的运行时间、功率和能量来评估网络级预测的准确性，运行时间的平均准确率为88.24%，功率为88.34%，能量为97.21%。我们通过在不同的GPU平台和深度学习软件工具上进行测试，全面证实了NeuralPower作为机器学习器强大框架的有效性。

2017-10-15cs.LGcs.PFstat.ML

伪逆卷积神经网络辅助TDLAS层析成像的分层温度成像

Hierarchical Temperature Imaging Using Pseudo-Inversed Convolutional Neural Network Aided TDLAS Tomography

Hebei Agricultural University（河北农业大学）；University of Edinburgh（爱丁堡大学）；Yanshan University（燕山大学）

可调谐半导体激光吸收光谱（TDLAS）层析成像技术作为一种原位燃烧诊断工具，已被广泛应用于反应流二维温度分布的成像。与计算层析成像算法相比，卷积神经网络（CNN）在图像重建中具有更高的鲁棒性和准确性，特别是在感兴趣区域（RoI）中激光束有限的情况下。在实际应用中，需要重建具有良好空间分辨率的RoI中的火焰通常被低温背景包围。虽然背景不是很感兴趣，但由于热耗散和气体对流，光谱吸收仍然存在。因此，我们提出了一个伪逆CNN（PI-CNN）的分层温度成像，（a）有效地利用培训和学习资源的温度成像在ROI具有良好的空间分辨率，和（b）重建空间分辨率较低的背景温度通过充分解决光谱吸收模型的完整性。与传统的CNN相比，新引入的ROI灵敏度矩阵的伪逆更能揭示投影数据与待重建的ROI之间的内在相关性，从而以高精度和高计算效率优先考虑ROI中的温度成像。本文通过数值模拟和实验室规模的实验验证了所提出的算法，显示出良好的一致性之间的幻影和高保真重建。

2021-06-05cs.LGeess.IVphysics.app-ph