电子科技大学自动化工程学院人工智能及高端装备研究中心: 面向自注意机制与XRF光谱分析的研究新进展 发布日期:2024-04-07 20:59:32 文章来源:Tecsync(泰克鑫科)智能制造 探索微观世界,解析万物之本
电子科技大学自动化工程学院人工智能及高端装备研究中心:
面向自注意机制与XRF光谱分析的研究新进展
论文题目:A deep spectral prediction network to quantitatively determine heavy metal elements in soil by X-ray fluorescence
作者:Qinglun Zhang, Fusheng Li and Wanqi Yang
完成单位:电子科技大学自动化工程学院
电子科技大学长三角研究院(湖州)
1.研究背景
土壤资源作为独立的生态系统,它的稳定是保障农业生产和动植物生长的必需条件。然而,随着全球工业化进程的加速,土壤污染已经成为一个极具挑战性的问题。工厂和城市生活废水的排放,已经导致土壤重金属污染问题日益加剧。如果土壤中的某种重金属元素的含量高于其阈值,则会对土壤质量、生态平衡和居民生活造成严重影响。因此,为了保护生态环境和人类健康,必须采取有效措施控制土壤重金属元素的浓度,尽可能地减少土壤的受污染面积。控制土壤重金属元素浓度的首要任务是精确测定其含量。因此,准确的定量分析方法对土壤重金属污染的监测和治理具有重要意义。
X射线荧光光谱(XRF)因其无损、快速和原位测量的优点被看作土壤重金属元素分析的热点手段。然而,土壤的XRF存在复杂的基体效应和谱线重叠,这严重干扰了分析精度。因此,本文结合XRF无损检测技术提出了一种有效的深度学习方法来准确测定土壤中的重金属元素含量。
2.导读
土壤中元素成分非常复杂。因此,获得的土壤XRF光谱会产生严重的基体效应和谱线重叠。同时,仪器测量和传输也会引入背景噪声,严重影响分析精度。可见,需要一种智能且有效的元素定量分析方法,以缓解XRF光谱存在的基体效应、谱线重叠和噪声问题,进而提高元素含量的分析精度。
针对以上问题,本研究提出了一种新的全局自注意机制结合CNN的端到端深度学习方法,用于实现土壤重金属元素的准确估计。本研究首先基于手持式能量色散X射线荧光光谱仪(ED-XRF)获取了标准土壤样本。其次,根据XRF的光谱连续性、跨空间相关性和局部相关性,提出了一种特征挖掘协调模块(FMC),它由全局光谱注意模块(GSA)和局部多尺度特征提取模块(LMSFE)组成,可以同时实现谱图的整体关注和局部特征建模。最后,基于FMC模块提出了一种深度光谱预测模型(DSPFormer),以实现对五种重金属元素(Ti, Mn, Cu, Zn, Pb)含量的准确估计。结果表明,DSPFormer有效缓解了XRF存在的基体效应和谱线干扰问题。综上所述,基于自注意力和卷积神经网络的深度学习方法为土壤重金属元素分析提供了新的理论指导。
相关成果以论文形式刊载于Journal of Analytical Atomic Spectrometry。论文名称为:A deep spectral prediction network to quantitatively determine heavy metal elements in soil by X-ray fluorescence。该论文第一作者为电子科技大学自动化工程学院的硕士研究生张庆伦,通讯作者为李福生教授。
3.实验与方法
实验装置
使用TecSonde公司生产的手持式ED-XRF光谱仪(型号:TS-XH4000SOIL)获得XRF光谱。该仪器操作简单,灵敏度高,重现性好。ED-XRF主要由x射线管、探测器、放大器和多通道分析仪组成。它通过发射x射线激发样品产生特征x射线荧光来收集土壤光谱数据。ED-XRF利用带有银(Ag)阳极靶的射线管。经参数预调节,标准工作电压设置为45kv,工作电流设置为25μA。在本实验中, 仪器的半峰全宽FWHM为139 eV和5.9 keV, x射线管通量约为1013光子/秒。
图1. 标准样品和实验仪器
本文使用的标准土样来自国家标准中心,共270个样品。标准土样包括GSS系列、GBW(E)系列、GSD系列,具有代表性和权威性。获取土壤XRF光谱的具体步骤如下:(1)土壤样品通过1 mm筛子过滤,去除颗粒物和杂质。(2)将土样置于120℃恒温箱内24h,确保土样脱水干燥,生物失活。(3)采用高铝陶瓷球磨机将土样磨成0.074 mm的】粉末,将土样粉末放入杯径31 mm、杯厚22 mm的Panalytical XRF开式杯中,用聚酯薄膜密封。样品厚度也是22毫米。(4)将装有土壤样品的Panalytical XRF杯置于光谱仪上,进行光谱测量。每个样品重复三次扫描以消除偶然误差,三次扫描的光谱平均值被认为是一组光谱样本。(5)重复步骤(4),获得平行样品。
方法
XRF光谱信息具有光谱连续性和局部相关性,而光谱连续性决定了光谱的跨空间相关性,因此光谱信息可以看作序列信息。与其他类型的光谱信息不同,目标元素的XRF特征峰强度与元素浓度之间存在很强的线性关系。然而,“干净”的特征峰很难获得。此外,土壤元素种类复杂,元素之间的谱线干扰和基体效应使得目标元素浓度与光谱信息之间的非线性更加严重。此外,背景噪声加剧了估计的难度。因此,深入挖掘XRF的有效信息,减少或消除元素间的基体效应和谱线干扰,提高目标元素的估计精度。结合XRF的数据特点,提出了特征挖掘协调(FMC)模块。它由全局谱关注(GSA)模块和局部多尺度特征提取(LMSFE)模块两部分组成。FMC模块采用并行结构,提高了计算效率,可以同时实现全局依赖建模和局部特征提取,挖掘深层光谱特征。
基于卷积操作的传统注意机制受到接受域大小的限制,难以建立长期依赖关系,光谱数据具有光谱连续性和跨空间相关性,基于上述动机,本研究提出了一种基于多头自注意的全局谱关注模块。
图2. GSA模块的结构示意图
GSA将相邻区域作为一个特征向量进行计算,忽略了相邻通道之间的关系。由于这些通道之间的物理耦合,相邻通道之间也存在很强的相关性。基于上述动机,我们提出了一种局部多尺度特征提取(LMSFE)模块实现局部特征补偿。
图3. LMSFE模块的结构示意图
最后提出了基于FMC模块的端到端深度光谱预测网络(DSPFormer),结合土壤XRF光谱数据对土壤HME (Ti, Mn, Cu, Zn, Pb)浓度进行精确预测。
图4. DSPFormer的结构
4、结果分析
多模型对比:
表1结果表明,DSPFormer对常量元素和微量元素的预测效果最好。DSPFormer很好地平衡了不同土壤条件下元素含量和分布差异的挑战,是一种有效的基于土壤XRF光谱数据估算土壤重金属元素浓度的深度光谱预测方法。
表1 多模型对比结果
可解释性分析:
深度学习模型的可解释性一直是一个热门的研究课题。为了进一步探索DSPFormer的内在机制,并阐明土壤XRF的哪些部分在元素浓度预测中发挥重要作用,我们使用Gard-CAM技术将模型可视化并生成热图结合XRF原理,将土壤XRF谱图转换成能量谱图进行分析。图5显示了基于Gard-CAM的预测集中样本的可视化结果。颜色越深,表示该区域对目标元素的预测结果贡献越大。可视化结果表明,XRF光谱图的不同部分对预测结果的贡献不同,目标元素浓度的差异会影响感兴趣的区域,同时验证了使用整个XRF光谱图和注意机制的有效性。总之,可视化分析为DSPFormer的可解释性提供了有价值的基础。
图5. 基于Gard-CAM的可视化结果
5、应用与展望
针对XRF光谱中的谱线干扰和基体效应,提出了一种特征挖掘协调模块,用于深度光谱特征解码。该模型由全局谱关注(GSA)模块和局部多尺度特征提取(LMSFE)模块组成,可以实现全局依赖建模和局部特征补偿提取。提出了一种基于FMC模块的深度光谱预测网络(DSPFormer),用于从XRF光谱中准确估计土壤重金属元素(Ti、Mn、Cu、Zn和Pb)的浓度。实验结果证明了DSPFormer的有效性。模型可视化探索了潜在重要通道或元素对目标元素的影响,表明了XRF光谱分析中注意机制的有效性。
在未来的工作中,我们将继续探索深度学习在XRF频谱分析中的应用,并尝试减轻网络结构,进一步增加数据多样性,以实现在便携式测量设备上部署模型的可行性。
服务热线|4000-988-166
联系电话|133-7683-5869
联系微信|tecsync_sale
(PS:发送时请备注公司或合作项目哦)