Großer Dynamikbereich und echt | Shaoxing Oil Production Machine Group

Scientific Reports Band 13, Artikelnummer: 12743 (2023) Diesen Artikel zitieren

287 Zugriffe

Details zu den Metriken

In dieser Studie schlagen wir eine Technik zur Identifizierung und Abbildung von Reagenzien durch Abschirmung über einen weiten Dynamikbereich unter Verwendung eines Echtzeit-Terahertz (THz)-Spektroskopiesystems mit parametrischer Generierung/Erkennung von THz mit mehreren Wellenlängen und maschinellem Lernen vor. Um Reagenzien durch Abschirmung schnell zu identifizieren, werden die Spektralinformationen des „Detektions-Stokes-Strahls“ zur Reagenzienerkennung durch maschinelles Lernen verwendet. Bei der allgemeinen THz-Wellen-basierten Reagenzidentifizierung werden kontinuierliche Spektren erfasst und durch Nachbearbeitung quantitativ analysiert. Bei tatsächlichen Anwendungen jedoch, beispielsweise beim Testen auf illegale Drogen per Post, muss die Technologie in der Lage sein, Reagenzien schnell zu identifizieren, anstatt die vorhandene Menge zu quantifizieren. Bei der parametrischen Generierung/Detektion von THz mit mehreren Wellenlängen können THz-Spektralinformationen mithilfe eines „Stokes-Strahls zur Multiwellenlängenerkennung“ und einer Nahinfrarotkamera (NIR) sofort gemessen werden. Darüber hinaus ermöglicht maschinelles Lernen die Identifizierung von Reagenzien in Echtzeit und über einen weiten Dynamikbereich. Darüber hinaus kann durch die Darstellung der Identifikationsergebnisse als Pixelwerte die räumliche Verteilung der Reagenzien mit hoher Geschwindigkeit abgebildet werden, ohne dass eine Nachbearbeitung erforderlich ist.

Da Terahertz-Wellen (THz) sowohl das Fingerabdruckspektrum von Reagenzien als auch die Materialtransparenz aufweisen, werden sie voraussichtlich besonders nützlich für die Identifizierung versteckter Objekte sein (z. B. beim Testen auf illegale Drogen oder in Postsendungen versteckte Sprengstoffe)1,2,3. Da die Transparenz von THz-Wellen jedoch nicht sehr hoch ist, ist ein Echtzeitspektrometer4,5 mit einem hohen Dynamikbereich erforderlich. Es ist außerdem wichtig, dass die spektroskopische Leistung nicht durch die Streuung von THz-Wellen durch Abschirmung beeinträchtigt wird.

Zu den Methoden, die für Echtzeitmessungen vorgeschlagen wurden, gehören die Verwendung einer Einzelfrequenzquelle6,7,8, THz-Zeitbereichsspektroskopie (THz-TDS)9,10,11 und schnell schaltende Injektions-Seed-Methoden mit mehreren Wellenlängen THz-Parametergenerierung12,13,14,15,16.

Unsere Forschung konzentrierte sich auf die Entwicklung von THz-Spektrometern, hauptsächlich basierend auf dem injektionsgeimpften parametrischen THz-Generator (is-TPG)16,17. Da es sich beim is-TPG um eine wellenlängenabstimmbare Quelle handelt, erhöht sich die Messzeit mit der Anzahl der beteiligten Wellenlängen. Darüber hinaus erfordert die spektroskopische Bildgebung mehrere Stunden Messung sowie Nachbearbeitung der erhaltenen Bilder. Daher besteht Bedarf an One-Shot-Spektroskopie und Echtzeit-Identifizierung, die die Messzeit erheblich verkürzen können. Wir haben ein is-TPG-System zur Erzeugung/Detektion mehrerer Wellenlängen vorgeschlagen und erfolgreich Spektren auf einmal erhalten15,16; Eine automatische Identifizierung in Echtzeit wurde jedoch noch nicht realisiert. Daher haben wir in dieser Studie maschinelles Lernen18 zur Identifizierung von Spektren angewendet, die auf einmal erhalten wurden. Ziel war es, ein praktisches System zur schnellen Identifizierung von Reagenzien zu entwickeln, selbst durch dicke Abschirmungen mit Dämpfungsraten von –60 dB. Darüber hinaus können durch die Verwendung dieses Systems für die spektroskopische Bildgebung die Informationen in jedem Pixel sofort identifiziert werden, sodass die räumliche Verteilung der Reagenzien in einer Fläche von 40 × 40 mm2 innerhalb weniger zehn Sekunden bestimmt werden kann.

Eine Übersicht über ein THz-Spektroskopiesystem mit einem is-TPG ist in Abb. 1 dargestellt. Wenn die Multiwellenlängen-Keimstrahlen mit dem Pumpstrahl in den Kristall injiziert werden, werden Multiwellenlängen-THz-Wellen erzeugt15,16. Die parametrische THz-Detektion19 ist auch über die umgekehrte Generationssequenz möglich, bei der Multi-THz-Wellen als Seed-Strahlen verwendet werden und NIR-„Detektions-Stokes-Strahlen“ erzeugt und dann von einer Kamera erfasst werden. Die Erzeugungswinkel der Detektions-Stokes-Strahlen werden durch die detektierten THz-Wellen gemäß der nichtkollinearen Phasenanpassungsbedingung bestimmt. Daher wird die One-Shot-Spektroskopie durch die Umwandlung der Erzeugungswinkel der Detektions-Stokes-Strahlen in THz-Wellenfrequenzen erreicht. Da eine Frequenz gewählt werden kann, die die Absorptionslinie von Wasserdampf bei der Erzeugung mehrerer Wellenlängen vermeidet, wird keine Spülung mit trockener Luft durchgeführt.

Spektroskopisches Echtzeitsystem, das maschinelles Lernen und parametrische Erzeugung/Erkennung im Terahertz (THz)-Bereich mit mehreren Wellenlängen kombiniert. Zur Datenerfassung verwendeten wir eine mit dem Pumplaser synchronisierte Kamera (FLIR, GS3-U3-41C6NIR-C) mit einer Belichtungszeit von 30 ms und einer Bildrate von 20 Hz. Rechts ist ein Überblick über die Echtzeitspektroskopie und die Hochgeschwindigkeitsbildgebung von Reagenzien dargestellt.

In diesem Abschnitt beschreiben wir die in dieser Studie verwendete Methode zur Reagenzidentifizierung. Für unser zuvor beschriebenes THz-Spektrometer mit einer einzelnen Wellenlänge is-TPG16 wurde die Ausgabe des Detektions-Stokes-Strahls mit einem pyroelektrischen NIR-Detektor mit einem Lock-in-Verstärker gemessen. Ohne Anpassung der Intensität durch Wechsel des Neutraldichtefilters wurde ein großer Dynamikbereich von fast 80 dB (bezogen auf die THz-Wellenintensität) erhalten. Andererseits wird beim Multiwellenlängen-IS-TPG eine NIR-Kamera anstelle eines pyroelektrischen NIR-Detektors verwendet, um den Ausgang des „Stokes-Strahls zur Multiwellenlängenerkennung“ mit unterschiedlichen Erzeugungswinkeln zu messen. NIR-Kameras wurden verwendet, um den Detektions-Stokes-Strahl zu erfassen15; Allerdings wird in diesen Fällen die THz-Wellenintensität aus dem NIR-Kamerabild in einen numerischen Wert umgewandelt und dann analysiert. Eine Sättigung wird nicht toleriert, da keine weitere numerische Änderung mehr möglich ist, sobald die Intensität die Kamera sättigt. Daher war der Dynamikbereich des Systems in früheren Studien durch den engeren Dynamikbereich der Kamera im Vergleich zum pyroelektrischen Detektor begrenzt, der etwa 40 dB betrug, wie in Abb. 2a dargestellt. Wenn sich außerdem Bilder des Detektions-Stokes-Strahls bei benachbarten Wellenlängen bei der Messung mehrerer Wellenlängen mit einer Kamera überlappen, wird die Ausgabe zu einer Mischung von Informationen bei verschiedenen Wellenlängen und das Spektrum kann nicht genau gemessen werden. Daher ist es notwendig, die Strahlen so zu trennen, dass sie sich nicht überlappen, so dass der Wellenlängenabstand größer wird.

Bewertung des Dynamikbereichs eines THz-Spektroskopiesystems. (a) Konventionelle Methode, bei der die Detektionsintensität des Stokes-Strahls bei jeder Wellenlänge als numerischer Wert behandelt wird und nur ungesättigte Strahlen injiziert werden können. (b) Bei der neuen Methode stellt die Sättigung kein Problem dar, da eine Bilderkennung verwendet wird, die eine Reagenzidentifizierung über einen weiten Dynamikbereich ermöglicht.

In dieser Forschung werden die spektralen Informationen des Stokes-Detektionsstrahls bei jeder Wellenlänge direkt aus dem Kamerabild von einem Convolutional Neural Network (CNN)20 erkannt, bei dem es sich um eine Art tiefes neuronales Netzwerk handelt, ohne die Informationen in numerische Werte umzuwandeln. Daher werden Merkmale in jedem Bild vom CNN zum Lernen und zur Identifizierung extrahiert. Wenn die von der Kamera erhaltenen Stokes-Strahlbilder zur Multiwellenlängen-Detektion unterschiedliche Merkmale für jedes Reagenz enthalten, können diese durch maschinelles Lernen identifiziert werden. Daher ist es nicht erforderlich, quantitative Absorptionsinformationen als numerischen Wert zu erhalten, und die Überlappung von Detektions-Stokes-Strahlen bei benachbarten Wellenlängen und Sättigung ist nicht problematisch. Ein THz-Spektroskopiesystem mit einem breiten Dynamikbereich, das in der Lage ist, Proben mit geringer bis hoher Dämpfung zu unterscheiden, kann durch Einspeisung des Detektions-Stokes-Strahls ohne Bedenken hinsichtlich der Sättigung aufgebaut werden. Wie in Abb. 2b gezeigt, wurden Änderungen im Detektions-Stokes-Strahl von 0 dB (ohne Abschirmung) bis –60 dB (durch starke Abschirmung) erfasst. Im Vergleich zum Fall ohne Bilderkennung wurde der Dynamikumfang um > 20 dB verbessert.

Mit dem vorgeschlagenen System wurde eine spektrale Diskriminierung in Echtzeit durchgeführt. Als Messproben wurden vier Reagenzien verwendet: Maltose, Al(OH)3, Laktose und Glucose; Ihre Spektren sind in Abb. 3 dargestellt. Die Absorptionsspektren wurden mithilfe der parametrischen THz-Detektion gemessen, nachdem die vom normalen is-TPG ausgegebene THz-Welle fokussiert und durch eine im Brennpunkt platzierte Probe übertragen wurde. Eine Mischung aus 75 mg Polyethylenpulver und 75 mg jedes Reagens wurde in einer Handpresse komprimiert und pelletiert. Jede Probe wurde ohne Abschirmung durch zwei Pappbögen (Dämpfung bei 1,4 THz: − 30 dB), durch Naturleder (Dämpfung bei 1,4 THz: − 50 dB) und durch eine Schicht Naturleder und eine Schicht identifiziert aus Kunstleder (Dämpfung bei 1,4 THz: − 60 dB). Für die Messungen basierend auf dem Absorptionsspektrum jedes Reagenzes wurden vier Frequenzen (1,12, 1,21, 1,37 und 1,44 THz; angezeigt durch die roten Linien in Abb. 3) verwendet.

Absorptionsspektren der für die Spektroskopiemessungen verwendeten Reagenzien und Abschirmungen, deren Ergebnisse in Abb. 4 dargestellt sind.

Um Reagenzien durch jede Art von Abschirmung zu identifizieren, ist es notwendig, das CNN im Voraus mit Messdaten zu trainieren, die bei verschiedenen Dämpfungsraten gewonnen wurden. Als Trainingsdaten wurden daher insgesamt 1650 Bilder des Detektions-Stokes-Strahls verwendet, die bei Messungen der Reagenzien auf unterschiedlich vielen Blättern Kopierpapier (0–21 mit einer Schrittweite von 3) gewonnen wurden. Zu diesem Zeitpunkt wurden für jedes Reagenz mehrere Pellets hergestellt, und die Pellets zur Erfassung der Trainingsdaten und die zur Identifizierung verwendeten Pellets wurden nicht gemischt. Wie in Abb. 2 gezeigt, unterschieden sich die Bilder der Detektions-Stokes-Strahlen je nach Dämpfungsrate (niedrig vs. hoch) erheblich, und es bestand die Sorge, dass die Unterscheidungsgenauigkeit durch die Abschirmung verringert würde, selbst bei spektroskopischen Messungen der gleiches Reagenz. Daher haben wir für jedes Reagenz Klassen mit hoher und niedriger Abschwächung vorbereitet und die Ziele in neun Kategorien eingeteilt, darunter eine, in die keine Probe eingefügt wurde. Beachten Sie, dass unabhängig davon, ob die Probe als hohe oder niedrige Dämpfung klassifiziert ist, dasselbe Reagenz angezeigt wird. Dies bedeutet, dass dem Benutzer nicht bewusst ist, dass die Klassen in hohe und niedrige Dämpfung unterteilt sind.

Abbildung 4 zeigt ein Bild des Detektions-Stokes-Strahls, das beim Einführen des Reagenzes erhalten wurde, und die durch maschinelles Lernen erhaltenen Echtzeit-Identifizierungsergebnisse. Der Grund für die Unterschiede im Hintergrundrauschen und im gemessenen Strahl zwischen den Abb. Der Unterschied zwischen 2 und 4 besteht darin, dass die Ausrichtung leicht unterschiedlich war, obwohl der gleiche Versuchsaufbau verwendet wurde. Die beim Einsetzen der Reagenzien nacheinander erhaltenen Identifikationsergebnisse werden in chronologischer Reihenfolge farblich angezeigt. Beim Reagenzienaustausch sind Fehler aufgrund einer Störung des Detektions-Stokes-Strahls unvermeidlich. Obwohl die Identifizierung in Echtzeit mit einer Dämpfung von bis zu –50 dB mit hoher Genauigkeit möglich war, konnten hochfrequente Komponenten nicht durch eine Abschirmung mit einer Dämpfung von –70 dB erkannt werden, und drei der vier Reagenzien wurden fälschlicherweise als Al(OH)3 identifiziert . Das System hat einen Dynamikbereich von > 60 dB. Aufgrund der zusätzlichen Dämpfung durch das Reagenz selbst waren Messungen durch Abschirmung mit Dämpfungen von bis zu − 50 dB möglich. Bei der Messung durch Karton, der eine unebene oder Etalon-Struktur aufweist, erhöht sich der Identifikationsfehler leicht, es wird jedoch insgesamt eine hohe Genauigkeit erzielt, was darauf hinweist, dass unsere Methode resistent gegen die Auswirkungen der Abschirmung ist. Im Vergleich dazu war das System bei geringer Abschwächung in der Lage, eine hochpräzise Identifizierung nahezu ohne Fehler zu erreichen, obwohl die Unterschiede in den Detektions-Stokes-Bildern für jedes Reagenz aufgrund der Sättigung gering waren, was darauf hindeutet, dass maschinelles Lernen für die qualitative Identifizierung von Reagenzien nützlich ist.

Echtzeit-Identifikationsergebnisse, die durch maschinelles Lernen erhalten wurden (in Farbe angezeigt), in chronologischer Reihenfolge, zusammen mit Screenshots des Stokes-Strahls, der beim Einsetzen des Reagenzes erhalten wurde. Wir haben vier Reagenzien unter 0 bis –70 dB als dämpfende Abschirmmaterialien gemessen.

Darüber hinaus ist diese Messung für den Einsatz vor Ort gedacht und jede Probe wird manuell in den Strahlengang eingeführt. Obwohl die Winkel und Positionen der Proben nicht genau ausgerichtet waren, wurden sie mit hoher Genauigkeit identifiziert, was auf die hohe Praktikabilität dieses Systems hinweist.

Bei der herkömmlichen spektroskopischen Bildgebung mit einem is-TPG2 wird der Tisch für jedes Pixel bewegt, die Bildgebung erfolgt durch Mittelung der Werte an jedem Punkt und die räumliche Verteilung des Reagenzes wird durch Analyse ermittelt. Mit zunehmender Wellenlänge steigt auch die Messzeit, so dass für die Aufnahme eines einzelnen Bildes mehrere Stunden erforderlich sind. Andererseits können mit dem vorgeschlagenen System Informationen aus mehreren Wellenlängen auf einmal gewonnen werden; Daher erhöht sich die Messzeit nicht mit der Anzahl der Wellenlängen und eine Mittelung ist nicht erforderlich, da maschinelles Lernen eine sofortige Identifizierung ermöglicht. Die Probe wurde mithilfe eines automatischen Tischs kontinuierlich mit einer Geschwindigkeit von etwa 26 mm/s rastergescannt und gleichzeitig der Wert jedes Pixels identifiziert. Vier Arten von Pellets (50 % Reagenzkonzentration) wurden wie in Abb. 5a gezeigt angeordnet und eine spektroskopische Bildgebung durchgeführt (ohne Abschirmung und durch Naturleder mit einer Dämpfung von –50 dB). Eine 40 × 40 mm2 große Fläche wurde mit einer räumlichen Auflösung von 1 mm abgebildet. Nicht nur das ungeschirmte Gehäuse (Abb. 5b) wurde mit hoher Genauigkeit abgebildet, sondern auch das Gehäuse mit einer Dämpfung von –50 dB (Abb. 5c) wurde mit ausreichender Genauigkeit durch das Naturleder abgebildet. Das gleiche System und die gleichen Trainingsdaten wurden verwendet, um Bilder mit deutlich unterschiedlichen Dämpfungsraten zu erstellen, und die Ergebnisse bestätigten den großen Dynamikbereich des Systems. Die Bilder wurden in 1 Minute und 40 Sekunden aufgenommen, wodurch sich die Messzeit im Vergleich zu herkömmlichen Systemen auf mehr als 1/100 reduzierte2. Um eine noch höhere Geschwindigkeit zu erreichen, stellten wir als Nächstes die räumliche Auflösung auf 1,5 mm und die Tischgeschwindigkeit auf maximal 30 mm/s ein; Die Messergebnisse sind in Abb. 5d dargestellt. Die Bildgebung wurde in < 1 Minute erreicht, was eine deutliche Verkürzung der Messzeit darstellt. Darüber hinaus ist die aktuelle Messzeit durch die Geschwindigkeit des Tisches begrenzt. Wenn also ein schnellerer Tisch eingeführt würde, könnte die Messung schneller durchgeführt werden. In einem solchen Fall müssen die Wiederholrate des Lasers und die Bildrate der Kamera verbessert werden, um eine ausreichende Auflösung zu erhalten.

Ergebnisse der spektroskopischen Bildgebung. (a) Beispielfoto. (b) Vier Reagenzien wurden ohne Abschirmung gemessen. (c) Vier Reagenzien, gemessen durch einen −50-dB-Dämpfungsschild. (d) Messung mit maximaler Tischgeschwindigkeit und reduzierter Auflösung. Die räumliche Verteilung der Reagenzien wurde in < 1 Minute sichtbar gemacht.

Als nächstes wurde die Konzentration des Reagenzes gemessen und die räumliche Verteilung des Reagenzes innerhalb des Pellets abgebildet. Während qualitative Messungen wie die in Abb. 5 gezeigten zur Erkennung illegaler Arzneimittel und Fehler bei der Verschreibung von Medikamenten ausreichen, sind quantitative Messungen für pharmazeutische Fabriklinien und die Qualitätskontrolle verschiedener Reagenzien erforderlich. Um die Konzentrationen quantitativ zu messen, haben wir daher die Identifizierungsziele (Klassen) in verschiedene Konzentrationen unterteilt. Al(OH)3-Pellets wurden in Konzentrationen von 20 %, 40 %, 60 % und 80 % hergestellt und zum Trainieren des maschinellen Lernmodells verwendet. Die Ergebnisse der Probenmessungen bei unterschiedlichen Konzentrationen sind in Abb. 6a dargestellt. Das System war in der Lage, zwischen den Konzentrationen zu unterscheiden, was die Plausibilität einer quantitativen Messung anzeigt. Hier haben wir Pellets mit einem Konzentrationsunterschied von 20 % gemessen; Dieses System kann jedoch Unterschiede von mindestens 5 % unterscheiden. Das System wurde auch zur Bewertung der Pelletgleichmäßigkeit eingesetzt. Es wurden zwei Proben mit der gleichen Al(OH)3-Konzentration hergestellt, aber eine hatte eine gleichmäßige Verteilung und die andere hatte eine ungleichmäßige Verteilung. Wie in Abb. 6b dargestellt, kann die Konzentrationsverteilung visualisiert werden, was die Beurteilung der Gleichmäßigkeit erleichtert.

(a) Ergebnisse quantitativer Messungen für verschiedene Reagenzkonzentrationen. (b) Die Gleichmäßigkeit der Reagenzien wurde anhand der gleichen Trainingsdaten wie in (a) bewertet (Messungen wurden mit einer räumlichen Auflösung von 0,5 mm durchgeführt).

Die Identifizierung von Reagenzien in Echtzeit mithilfe eines is-TPG mit mehreren Wellenlängen wurde durch die Einführung von maschinellem Lernen zur Erkennung des Detektions-Stokes-Strahlbilds erreicht. Die Bilder sind auch dann erkennbar, wenn sie gesättigt sind, das heißt, sie sind auch bei geringfügigen Unterschieden erkennbar. Dies bedeutet, dass mit den gleichen Setup- und Trainingsdaten eine hochpräzise Echtzeitidentifikation erreicht werden kann, von unbehindert bis behindert mit einer Dämpfung von − 50 dB. Dieses System erfasst Trainingsdaten bei verschiedenen Dämpfungsraten und kann Signale durch Abschirmung bei jeder Dämpfungsrate unterscheiden, solange das Signal nicht im Rauschen versunken ist. Darüber hinaus kann durch die Darstellung der mit diesem System erzielten Identifikationsergebnisse als Pixelwerte die räumliche Verteilung von Reagenzien schneller als bisher abgebildet werden.

Bei der konventionellen Spektralbildgebung mit einem is-TPG steigt die Messzeit mit der Anzahl der einbezogenen Wellenlängen. Da außerdem Datenverarbeitungs- und Bildgebungsergebnisse angezeigt werden, nachdem alle Wellenlängen gemessen wurden, können Identifizierungsergebnisse nicht in Echtzeit erhalten werden. Mit unserer vorgeschlagenen Methode wird die Bildgebungszeit auf mehrere zehn Sekunden reduziert und die Ergebnisse können in Echtzeit ohne Nachbearbeitung bestätigt werden. Da mit diesem System sowohl qualitative als auch quantitative Messungen durchgeführt werden können, glauben wir, dass es nicht nur für Post- und Sprengstoffprüfungsanwendungen, sondern auch für die Prüfung von Verschreibungsfehlern in Apotheken, die Prüfung des Mischungsverhältnisses von Reagenzien in Chemiefabriken und die Qualität eingesetzt werden kann Kontrolle in pharmazeutischen Fabriklinien.

Wenn ein Hochleistungs-Pumpstrahl und ein Seed-Strahl in einen MgO:LiNbO3-Kristall eingespeist werden, wird durch parametrische Wellenlängenumwandlung eine durch die Fourier-Transformation begrenzte THz-Welle mit schmaler Linienbreite und hoher Helligkeit erzeugt16,17. Zu diesem Zeitpunkt kann eine breite Abstimmbarkeit (0,4–5 THz) der THz-Welle erreicht werden, indem die Wellenlänge des Keimstrahls und sein Einfallswinkel so gesteuert werden, dass die nichtkollineare Phasenanpassungsbedingung des MgO:LiNbO3-Kristalls erfüllt ist . Mithilfe von Sub-Nanosekunden-Pumpimpulsen eines Mikrochip-Nd:YAG-Lasers unterdrückt das is-TPG die induzierte stimulierte Brillouin-Streuung, bei der es sich um einen kompetitiven Prozess21 handelt, und ermöglicht so eine hohe Stromerzeugung mit einer Spitzenleistung von ≥ 50 kW.

Als Pumpquelle verwendeten wir ein Nd:YAG-MOPA-System, das einen Mikrochip-Nd:YAG-Laser und einen Nd:YAG-Verstärker umfasst. Es verfügt über eine Pulsenergie von 25 mJ bei einer Wellenlänge von 1064 nm, einer Wiederholungsrate von 50 Hz und einer Pulsdauer von etwa 500 ps.

Als Keimquelle verwendeten wir eine Kombination aus vier Laserdioden mit externem Hohlraum, um THz-Wellen mit mehreren Wellenlängen zu erzeugen. Die Multiwellenlängen-Keimstrahlen wurden mit einem optischen Halbleiterverstärker auf 300 mW verstärkt und dann mit einem achromatischen optischen Aufbau in den MgO:LiNbO3-Kristall injiziert, sodass die Phasenanpassungswinkel bei allen Wellenlängen automatisch eingehalten wurden.

Für die Bilderkennung wurde ein CNN als eine Art tiefes neuronales Netzwerk verwendet. Zu den verborgenen Schichten gehören Faltungs- und Pooling-Schichten. Faltung bezieht sich auf den Prozess der Umwandlung von Gitterdaten (d. h. Kerneln) und numerischen Daten für ein Teilbild (mit der gleichen Größe wie der Kernel) in einen einzigen numerischen Wert, indem die Produkte jedes Elements summiert werden. Die lokale Korrelation wird extrahiert, indem die Daten durch schrittweises Verschieben des Messfensters in numerische Daten mit kleinem Raster umgewandelt werden. Pooling ist eine Methode zur Verkleinerung eines großen Bildes unter Beibehaltung der wichtigsten Informationen, indem das Bild in kleine Teile aufgeteilt und aus jedem Teil der maximale Wert extrahiert wird. Durch die Kombination von Faltungs- und Pooling-Schichten ist es möglich, Bilder effizient zu lernen.

Für diese Studie wurde das Programm in Python geschrieben und das CNN-Framework war Keras. Unser CNN-Modell besteht aus drei verborgenen Schichten und zwei vollständig verbundenen Schichten. Die erste verborgene Schicht besteht aus einer Faltungsschicht mit 30 Filtern (Kernelgröße des Filters: 3 × 3) und einer Pooling-Schicht (Kernelgröße des Filters: 2 × 2). Die zweite verborgene Schicht besteht aus einer Faltungsschicht mit 20 Filtern (Kernelgröße des Filters: 3 × 3) und einer Pooling-Schicht (Kernelgröße des Filters: 2 × 2). Die dritte verborgene Schicht besteht aus einer Faltungsschicht mit 10 Filtern (Kernelgröße des Filters: 3 × 3). Für die Aktivierungsfunktion wird ReLU für alle verborgenen Schichten verwendet. Die Ausgabe dieser verborgenen Schichten wird in einen eindimensionalen Vektor umgewandelt und dann in die vollständig verbundenen Schichten eingegeben. Die erste vollständig verbundene Schicht hat 100 Einheiten und verwendet ReLU als Aktivierungsfunktion. Die zweite vollständig verbundene Schicht entspricht einer variablen Anzahl von Klassen und verwendet eine Softmax-Funktion, um die Klassenwahrscheinlichkeitsverteilung auszugeben. Das Modell wird unter Verwendung der Kreuzentropie als Verlustfunktion und Adam als Optimierer kompiliert. Beim Training des Modells wird die Stapelgröße auf 64 festgelegt und das Modell wird für eine bestimmte Anzahl von Epochen trainiert (in dieser Studie wurde sie auf 300 festgelegt).

Abgeleitete Daten, die die Ergebnisse dieser Studie stützen, sind auf Anfrage beim entsprechenden Autor K. M. erhältlich.

Lu, M. et al. Erkennung und Identifizierung illegaler Drogen mittels Terahertz-Bildgebung. J. Appl. Physik. 100, 103104 (2006).

Artikel ADS Google Scholar

Kato, M., Tripathi, SR, Murate, K., Imayama, K. & Kawase, K. Zerstörungsfreie Drogeninspektion in Abdeckmaterialien unter Verwendung eines Terahertz-Spektralbildgebungssystems mit injektionsbasierter parametrischer Terahertz-Generierung und -Erkennung. Opt. Express 24, 6425 (2016).

Artikel ADS CAS PubMed Google Scholar

Shen, YC et al. Erkennung und Identifizierung von Sprengstoffen mittels gepulster spektroskopischer Terahertz-Bildgebung. Appl. Physik. Lette. 86, 241116 (2005).

Artikel ADS Google Scholar

Teo, SM, Ofori-Okai, BK, Werley, CA und Nelson, KA Eingeladener Artikel: Single-Shot-THz-Detektionstechniken optimiert für mehrdimensionale THz-Spektroskopie. Rev. Sci. Instrument. 86, 051301 (2015).

Artikel ADS PubMed Google Scholar

Guerboukha, H., Nallappan, K. & Skorobogatiy, M. Auf dem Weg zur Echtzeit-Terahertz-Bildgebung. Adv. Opt. Photon. 10, 843–938 (2018).

Artikel Google Scholar

Tzydynzhapov, G. et al. Neuer Echtzeit-Sub-Terahertz-Sicherheitskörperscanner. J Infrarot Milli Terahz Wellen 41, 632–641 (2020).

Artikel Google Scholar

Han, S.-P. et al. Echtzeit-Dauerstrich-Terahertz-Linienscanner basierend auf einem kompakten 1 × 240 InGaAs-Schottky-Barriere-Diodenarray-Detektor. Opt. Express 22, 28977–28983 (2014).

Artikel ADS CAS PubMed Google Scholar

Takida, Y., Takida, Y., Nawata, K., Nawata, K. & Minamide, H. Sicherheitsüberprüfungssystem basierend auf der spektroskopischen Gasdetektion mit Terahertzwellen. Opt. Express 29, 2529–2537 (2021).

Artikel ADS CAS PubMed Google Scholar

Kawada, Y., Yasuda, T., Nakanishi, A., Akiyama, K. & Takahashi, H. Single-Shot-Terahertz-Spektroskopie unter Verwendung der Pulsfrontneigung eines ultrakurzen Sondenpulses. Opt. Express 19, 11228–11235 (2011).

Artikel ADS CAS PubMed Google Scholar

Minami, Y., Hayashi, Y., Takeda, J. & Katayama, I. Einzelschussmessung einer Terahertz-Wellenform eines elektrischen Felds unter Verwendung eines reflektierenden Echelon-Spiegels. Appl. Physik. Lette. 103, 051103 (2013).

Artikel ADS Google Scholar

Yellampalle, B., Kim, KY, Rodriguez, G., Glownia, JH & Taylor, AJ Details zur elektrooptischen Terahertz-Detektion mit einem gechirpten Sondenimpuls. Opt. Express 15, 1376–1383 (2007).

Artikel ADS CAS PubMed Google Scholar

Moriguchi, Y. et al. Frequenzagile injektionsbasierte parametrische Erzeugung von Terahertzwellen. Opt. Lette. 45, 77–80 (2020).

Artikel ADS CAS Google Scholar

Wada, Y., Satoh, T., Higashi, Y. & Urata, Y. Kompakte abstimmbare schmalbandige Terahertzwellenquelle basierend auf der Differenzfrequenzerzeugung, gepumpt durch Doppelfaserlaser in MgO:LiNbO3. J Infrarot Milli Terahz Wellen 38, 1471–1476 (2017).

Artikel CAS Google Scholar

Mine, S., Kawase, K. & Murate, K. Echtzeit-Spektrometer mit großem Dynamikbereich unter Verwendung einer schnell wellenlängenumschaltbaren parametrischen Terahertz-Quelle. Opt. Lette. 46, 2618–2621 (2021).

Artikel ADS PubMed Google Scholar

Murate, K., Hayashi, S. & Kawase, K. Multiwellenlängen-Terahertzwellen-Parametriegenerator für Einpulsspektroskopie. Appl. Physik. Express 10, 032401 (2017).

Artikel ADS Google Scholar

Murate, K. & Kawase, K. Perspektive: Parametrischer Terahertz-Wellengenerator und seine Anwendungen. J. Appl. Physik. 124, 160901 (2018).

Artikel ADS Google Scholar

Hayashi, S. et al. Ultrahelle, kontinuierlich abstimmbare Terahertzwellenerzeugung bei Raumtemperatur. Wissenschaft. Rep. 4, 5045 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Mitsuhashi, R. et al. Terahertz-Tag durch maschinelles Lernen durch Abschirmmaterialien identifizierbar. Opt. Express 28, 3517–3527 (2020).

Artikel ADS PubMed Google Scholar

Sakai, H., Kawase, K. & Murate, K. Hochempfindlicher mehrstufiger parametrischer Terahertz-Detektor. Opt. Lette. 45, 3905–3908 (2020).

Artikel ADS PubMed Google Scholar

Krizhevsky, A., Sutskever, I. & Hinton, GE ImageNet-Klassifizierung mit tiefen Faltungs-Neuronalen Netzen. In Advances in Neural Information Processing Systems (Hrsg. Pereira, F. et al.) 1097–1105 (Curran Associates Inc, 2012).

Google Scholar

Nawata, K. et al. Effektive Erzeugung parametrischer Terahertzwellen in Abhängigkeit von der Pumpimpulsbreite unter Verwendung eines LiNbO3-Kristalls. IEEE Trans. Terahertz-Wissenschaft. Technol. 7, 617–620 (2017).

Artikel ADS CAS Google Scholar

Referenzen herunterladen

Die Autoren möchten Dr. S. Hayashi vom NICT für die nützlichen Diskussionen danken; Herrn N. Yamamoto und Herrn R. Mitsuhashi von der Universität Nagoya für ihre Unterstützung bei den Experimenten. Diese Arbeit wurde teilweise vom JST FOREST-Programm (JPMJFR212J) unterstützt; JSPS KAKENHI (19H02627, 22H00212); Stiftung von öffentlichem Interesse von Tatematsu, Konica Minolta Science and Technology Foundation und The Naito Science & Engineering Foundation.

Abteilung für Elektronik, Graduate School of Engineering, Universität Nagoya, Furocho, Chikusa, Nagoya, 4648603, Japan

Kosuke Murate, Sota Mine, Yuki Torii, Hyuga Inoue und Kodo Kawase

Sie können diesen Autor auch in PubMed Google Scholar suchen

KM plante und überwachte das Projekt, führte die Forschung durch, bereitete die Zahlen vor und schrieb das Manuskript, SM gab nützliche Ratschläge bei der Analyse der experimentellen Daten, YT und HI führten die Forschung durch, erstellten das Messprogramm und analysierten die Daten und KK lieferte wissenschaftliche Vorschläge und überarbeitete das Manuskript.

Korrespondenz mit Kosuke Murate.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Murate, K., Mine, S., Torii, Y. et al. Großer Dynamikbereich und Echtzeit-Identifizierung und Bildgebung von Reagenzien mithilfe parametrischer Multiwellenlängen-Terahertz-Generierung und maschinellem Lernen. Sci Rep 13, 12743 (2023). https://doi.org/10.1038/s41598-023-40013-y

Zitat herunterladen

Eingegangen: 16. Mai 2023

Angenommen: 03. August 2023

Veröffentlicht: 07. August 2023

DOI: https://doi.org/10.1038/s41598-023-40013-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.