基于双分支卷积神经网络注意力模块的光谱融合技术用于水泥成分定量分析

【字体：大中小】 时间：2025年03月10日 来源：Analytica Chimica Acta 5.7

编辑推荐：

　　来自相关研究团队开展 LIBS 和 NIRS 数据融合研究，提出 DBAM-CNN 模型，提升水泥成分定量分析精度。

婵犵數濮烽弫鍛婃叏閻戣棄鏋侀柟闂寸绾惧鏌ｉ幇顒佹儓闁搞劌鍊块弻娑㈩敃閿濆棛顦ョ紓浣哄У瑜板啴婀侀梺鎸庣箓閹冲酣藟韫囨梻绠鹃悗娑欋缚婢х敻鏌＄仦鐐缂佺粯绋栭ˇ鍙変繆椤愶綆娈旈柣顭戝墴濮婂宕掑▎鎴濆闂佸搫顑呴妶绋款嚕閹绘巻妲堥柕蹇曞Х閺屽牊绻涢弶鎴濇倯婵炲吋鐟╅幃鈥澄熺亸鏍т壕妤犵偛鐏濋崝姘亜閿斿灝宓嗛柟顕嗙節瀵挳濮€閿涘嫬骞嶅┑鐐差嚟閸樠囨偤閵娿儮妲堢憸搴ㄣ€冮妷鈺傚€烽柣锔胯兌缁辨壆绱撴担浠嬪摵閻㈩垽绻濋獮鍐煛閸涱厺绱堕梺鍛婃处閸嬪懘宕曢鍡欑＝闁稿本鐟︾粊鏉款渻閺夋垶鎲搁柡渚囧枛铻栭柍褜鍓熼、姘跺Ψ閳轰胶顦板銈嗘尰缁嬫垶绂嶆ィ鍐╃叆婵犻潧妫涢崙鍦磼閵娿劍顥夐棁澶愭煟濡寧鐝紓宥嗗灦閵囧嫰顢旈崟顐ｆ婵犵鈧磭鍩ｇ€规洖宕灃闁告劖鍎抽崜顒勬⒒閸屾瑧顦﹂柟鑺ョ矋閹便劑鎮介崨濠備罕闂佺粯枪瀹曢潧鐣垫笟鈧弻娑㈠焺閸愵亖妲堢紓浣插亾闁告劏鏂傛禍婊堟煛閸愩劍鎼愬ù婊嗩潐閵囧嫰鏁傞懞銉у嚒濡炪値浜滈崯瀛樹繆閸洖宸濇い鏍ㄧ矤閸炶埖绻濈喊妯活潑闁稿鎳橀幆鍕敍濮樿鲸娈鹃梺瑙勫婢ф宕愰悜鑺ョ厽闁瑰鍊戝璺虹婵炲樊浜濋埛鎴︽⒒閸碍娅呴柣锔界矒閺屾稑鈻庣仦鎴掑濠电姷顣槐鏇㈠磻閹捐绠栭柛宀€鍋涢拑鐔哥箾閹寸們姘跺几鎼淬劎鍙撻柛銉ｅ妽缁€鍫熴亜閺傚尅宸ラ柍瑙勫灴閸ㄩ箖宕橀懠顒勭崜闂備礁鎲″鐟懊洪悢鐓庢槬闁绘劕鎼粻锝夋煟濮楀棗浜滃ù婊堢畺閺屻劌鈹戦崱娑扁偓妤€霉濠婂嫮鐭婇棁澶愭煟濡寧鐝柕鍥ㄧ箖閹便劍绻濋崨顕呬哗缂備浇椴哥敮鎺曠亽闂佺厧顫曢崐鏇烆嚕閹惰姤鈷掑ù锝呮啞鐠愶繝鏌嶅畡鎵ⅵ鐎规洘鍨剁换婵嬪炊瑜庡Σ顒€鈹戦悙鏉戠仧闁搞劌缍婂畷姗€鍩€椤掆偓椤啴濡堕崱妯烘殫闂佸摜鍠庡ḿ锟犵嵁韫囨稑浼犻柛鏇炵仛鐎靛矂姊洪棃娑氬婵☆偅顨嗛幈銊槾缂佽鲸甯￠悡顐︻敇閻樼數鍘柣搴ゎ潐濞诧箓宕戦崟顓炲疾婵＄偑鍊曠换鎰板箠閹版澘鍌ㄩ梺顒€绉甸埛鎴︽煙缁嬫寧鎹ｇ紒鐘虫崌閹顫濋悡搴☆潻闂佷紮绲块弫璇茬暦閸楃倣鐔烘嫚閹绘帊绱熸繝鐢靛Х閺佸憡鎱ㄩ幘顔肩９鐟滅増甯掔壕濠氭煏婢诡垪鍋撻柛瀣尵閹叉挳宕熼鍌ゆЧ濠电偛鐡ㄧ划蹇撯枖濞戙埄鏁嬮柨婵嗩槸缁犵粯銇勯弮鍥棄濞存粌缍婂娲川婵犲嫭鍣у銈忕細閸楁娊骞冮悽鍛婃櫇闁稿本绋堥幏缁樼箾鏉堝墽鍒伴柟璇х節楠炲棝宕奸悢缈犵盎闂佹寧妫侀褎绂嶉幍顔瑰亾濞堝灝鏋熺憸鏉垮暣閵堫亝瀵奸弶鎴﹀敹闂佺粯妫佸〒褰掓偨婵犳碍鐓熼柣鏂挎憸閻淇婇銏犳殻闁绘侗鍣ｅ畷鍗炍熼懖鈺傚殞闂備線鈧偛鑻晶鎾煟濞戝崬娅嶆鐐村浮楠炲﹪鎼归锝庢闂佺硶鏂侀崑鎾愁渻閵堝棗鍧婇柛瀣崌閹藉爼鎮欑€涙ê寮垮┑锛勫仩椤曆勭妤ｅ啯鈷戦柛婵嗗濠€浼存煟閳哄﹤鐏″ǎ鍥э躬閹粓鎸婃径妯荤秱闂備焦鏋奸弲娑㈠疮閹峰被浜归柛銉墯閻撶喖鏌ｉ弬鎸庢喐闁活厼顑嗙换婵嬪閳浜滈悳濠氬锤濡や焦娅㈤梺缁樓圭亸顏堝箺閺囥垺鈷戦梻鍫熻儐瑜版帒纾挎い鏂挎閿濆閱囬柣鏂垮缁犳艾顪冮妶鍡欏婵ǜ鍔嶇粋鎺楀鎺虫禍婊堢叓閸ラ鍒版鐐寸墬閵囧嫰顢旈崟顐ｆ婵犵鈧磭鍩ｇ€规洘甯掗埥澶娾枎閹伴潧鏁梻鍌氬€烽悞锕傚箖閸洖纾挎繛宸簼閸嬪倿鏌涢锝囩婵炲吋鐗犻弻娑滎槼妞ゃ劌妫濋崺娑㈠箣閿旇В鎷哄銈嗗姂閸婃洘绂掑⿰鍫熺厾婵炶尪顕ч悘锟犳煛閸涱厾鍩ｆ鐐达耿椤㈡瑩鎮剧仦钘夌闂佽姘﹂～澶娒洪弽顬℃椽濡舵径濠傚殤闂佺懓顕崑鐔虹不妤ｅ啯鐓熼柟鎹愭珪閹癸絿绱掗悩渚殭闁宠鍨块崺鍕礃閳轰讲鍋撻幇鐗堢厸濞达絿枪閳ь剙娼″濠氬Ω閳哄﹥鏅┑顔斤供閸嬪嫰藟濮橆厺绻嗛柣鎰典簻閳ь剚鐗曠叅鐎广儱顦壕濠氭煙閸撗呭笡闁绘挻鐩幃姗€鎮欓幓鎺嗘寖闂佸疇妫勯ˇ鐢稿箺閸洘鏅插璺侯儑閸樹粙姊虹憴鍕姢闁哥喎娼￠、妤呭閵堝棛鍘介柟鍏肩暘閸斿酣鎮鹃悜妯诲弿濠电姴鍟妵婵堚偓瑙勬处閸嬪﹤鐣烽悢鍏碱棃婵炴垶锚椤ュ秹姊婚崒娆戭槮闁硅姤绮撳畷浼村箛閺夎法顔囬梺鍛婂姇濡﹪宕甸弴鐔翠簻闁规壋鏅涢悞娲煕濮橆剦鍎旈柡灞剧☉閳藉宕￠悙鍏哥敾婵犵數鍋涢悧濠偯洪悢濂夋綎婵炲樊浜滃婵嗏攽閻樻彃鈧悂锝炲澶嬧拺缂佸娼￠妤呮煕閻旈攱鍋ラ柛鈹垮灲楠炴ḿ鎷犻懠鑸垫啺闂備線娼ч¨鈧柤闈涚秺楠炲繘鎼归崷顓狅紳闂佺ǹ鏈悷褔宕濆澶嬬叆婵﹩鍏橀弨鑺ャ亜閺冨倵鎷℃俊顖楀亾闂備礁鎼惉濂稿窗閺嶎厼绠圭憸鐗堝俯閺佸啴鏌ㄥ┑鍡樺櫧闁挎稒鎹囬弻锝嗘償閵堝孩缍堝┑鐐插级缁挸顕ｉ锝囩瘈婵ǜ鍎崑鎾存媴閸撳弶鍍甸柣鐘荤細濞咃綁宕濋敃鈧—鍐Χ閸℃鐟ㄩ柣搴㈠嚬閸撶喎顕ｉ崨濠冨閻炴稈鈧厖澹曞Δ鐘靛仜閻忔繈宕濆顓滀簻闁挎柨鐏濆畵鍡欌偓娈垮枟閻擄繝鐛弽銊﹀闁革富鍘煎鎶芥⒒娴ｈ櫣甯涙繛鍙夌墵瀹曟劙宕烽娑樹壕婵ḿ鍋撶€氾拷闂傚倸鍊搁崐鎼佸磹瀹勬噴褰掑炊瑜忛弳锕傛煕椤垵浜濋柛娆忕箻閺岀喖骞嗛弶鍟冩捇鏌嶉柨瀣拻闁逞屽墮缁犲秹宕曢柆宓ュ洭顢涢悙鎻掔€梺绋跨灱閸嬬偤鎮￠姀鈥茬箚妞ゆ牗绮岄惃鎴犵磼鏉堛劌鍝洪柡灞诲妼閳规垿宕遍埡鍌傦妇绱撴担鎻掍壕闂佸憡娲﹂崜姘跺矗韫囨梻绡€闁割煈鍋呯亸鍨亜閺傛寧顫渙t缂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧湱鈧懓瀚伴崑濠傘€掓繝姘厵闁绘垶蓱閳锋帡鏌ｉ鐔峰摵闁哄本鐩、鏇㈡晲閸℃瑯妲梻浣规偠閸斿矂宕愭繝姘剦妞ゅ繐鐗滈弫鍥煟閹邦厽缍戞繛鍛墲缁绘稓鈧稒岣块惌濠勭磽瀹ュ拑韬€殿喛顕ч埥澶愬閻樻牓鍔嶉妵鍕籍閸屾艾浠樺銈庡亐閺呯姴顫忛搹鍦煓闁兼剚鍨煎ḿ鍫曟⒑閸涘﹥鈷愰柛銊ョ仢椤曪絾绻濆顓熸珳婵犮垼娉涢敃銉┧夊┑瀣拺闁革富鍘愮憴鍕垫闁归棿绀佸Ч鏌ユ煕椤愮姴鍔滈柍閿嬪灴閹綊宕堕妸銉хシ闂佹悶鍊濇禍鍫曞蓟閻旂厧绀勯柕鍫濇椤忥拷

　　水泥作为一种基础建筑材料，主要由 CaO、SiO₂、Al₂

下载【CD2-CD25信号轴免疫治疗靶点】，获取相关药物开发的最新进展。婵犵數濮烽弫鍛婃叏閻戝鈧倿鎸婃竟鈺嬬秮瀹曘劑寮堕幋鐙呯幢闂備礁鎲″ú锕傚礈濮樿泛纾块柣鏂挎憸缁♀偓婵犵數濮撮崐缁樻櫠閺囩姷纾奸柣娆屽亾闁搞劌鐖煎濠氬Ω閳哄倸浜為梺绋挎湰缁嬫垿顢旈敓锟� 闂傚倸鍊搁崐鎼佸磹閹间礁纾瑰瀣捣閻棗銆掑锝呬壕濡ょ姷鍋涢ˇ鐢稿极閹剧粯鍋愰柛鎰紦閻㈠姊婚崒娆戣窗闁告挻鐟х划鏃傗偓闈涙憸娑撳秵銇勯弽顐沪闁绘挶鍎甸弻锝夊即閻愭祴鍋撻崷顓涘亾濮樼偓瀚�

O₃和 Fe₂O₃等氧化物组成。这些成分的浓度对水泥的强度、耐腐蚀性、耐久性和凝结时间有着重要影响。因此，在水泥生产过程中实时监测氧化物含量，对于确保原材料的最佳配比，进而生产高性能水泥至关重要。近年来，光谱技术因其快速便捷的特性受到广泛关注，人们越来越倾向于利用这些方法快速评估水泥生产中的氧化物浓度，实现成分的实时监测。

如今，X 射线荧光光谱法（XRF）、瞬发伽马中子活化分析（PGNAA）和湿化学分析等多种方法常用于水泥分析。然而，XRF 需要大量的样品制备工作，对表面粗糙度敏感，成本高昂且存在辐射危害；PGNAA 受中子吸收、散射和伽马射线自吸收的影响，会降低测量稳定性，同样存在辐射风险；湿化学分析虽然准确，但由于样品制备和分析时间长，无法用于实时监测。

激光诱导击穿光谱（LIBS）被视为最具前景的技术之一，它具备多元素分析、实时监测和原位分析等独特能力。LIBS 是一种原子发射光谱技术，通过分析高能激光烧蚀样品表面产生的等离子体发射光谱，来确定样品的元素组成。由于水泥中的主要元素 Ca、Si、Al 和 Fe 在 LIBS 分析中易于电离，该技术作为水泥快速成分分析手段备受关注。不过，LIBS 的定量准确性受到信号不确定性和基体效应的限制。水泥样品复杂的基体特性进一步加剧了这一问题，即使样品元素含量相同，相同波长下的信号强度也可能存在差异，导致定量性能下降。此外，LIBS 无法直接测量分子信息，基于元素含量推断化合物浓度时，准确性存在潜在局限。因此，需要一种能够获取分子信息和基体特征的辅助技术，支持 LIBS 进行水泥定量分析。

近红外光谱（NIRS）是一种快速的分子光谱技术，通过光吸收后的分子振动泛音和组合带获取光谱信息。NIRS 因其速度快、成本低和原位分析能力，在水泥分析领域也受到关注。尽管在近红外范围内，水泥关键成分具有独特的光谱特征，但泛音导致的弱峰重叠会影响信号质量。而且，NIRS 易受样品基体变化的影响，仅依靠 NIRS 进行水泥分析，定量数据可能存在显著的非线性，影响模型的准确性和通用性。

单独使用 LIBS 或 NIRS 都无法满足精确的多组分水泥分析要求，但二者提供的互补信息为高精度测量提供了可能。LIBS 提供原子光谱，不仅能显示目标成分的元素组成，还能反映影响成分含量的元素特性；NIRS 提供分子光谱，可呈现元素形成的化合物信息，并反映样品的基体特征。在土壤、煤炭和农业等多个领域的研究表明，融合 LIBS 和 NIRS 数据能够显著提升模型的分析性能。

一般来说，现有的通过整合光谱数据提升模型性能的融合策略主要分为三类：数据集级（低级）融合、特征级（中级）融合和决策级（高级）融合。与单一测量技术的建模方法相比，融合模型整合的信息更全面，通常具有更高的准确性和稳定性。在数据集级融合方面，相关研究人员通过整合 LIBS 和 NIRS 数据集构建模型，结果显示该融合方式有效整合了原子和分子信息，分类准确率达到 100%。在特征级融合中，研究人员从 LIBS 和 NIRS 数据中提取并合并特征，定量模型结果表明，与单独使用 LIBS 数据相比，特征级融合显著提高了定量准确性。决策级融合方面，研究人员利用卷积神经网络（CNN）分别对 LIBS 和拉曼数据进行建模，然后在决策层实现数据融合，结果显示，与单一技术构建的模型相比，决策级融合显著提升了卷积神经网络在分类算法中的性能。此外，决策级融合方法还广泛应用于解决食品、合金和制药等领域中单一 LIBS 预测的局限性，提高了模型的准确性和稳定性。

尽管数据融合方法在解决单一 LIBS 技术局限性方面潜力巨大，但如何优化利用融合后的信息仍存在问题。数据集级融合保留了原始数据集的全部信息，但部分研究表明，该融合方式并不总是比单光谱分析效果更好，因为可能引入信息冗余，过多的无关信息（如噪声和冗余数据）会影响模型的预测能力。而且，缺乏适当的标准化处理可能导致不同数据集在维度或强度上存在差异，影响融合效果。特征级融合在合并前从 LIBS 和其他光谱数据集中提取相关特征，可避免上述问题，但现有研究指出，特征提取过程中缺乏全局视角，可能会丢失对预测任务有价值的光谱信息，导致某些情况下特征级融合的性能不如数据集级融合。决策级融合通过分别预测后整合结果，降低了信息冗余和特征丢失的风险，但它带来了决策层设计挑战，因为决策设计决定了不同技术在各种任务中的权重分配，不合理的权重分配可能导致结果不如其他融合方法或单一技术分析。总之，有必要进一步考虑不同融合方法在信息冗余、特征丢失和权重分配方面的不足，设计更合适的光谱信息互补融合方法。

在本研究中，研究人员提出了一种基于带有注意力模块的双分支卷积神经网络（DBAM-CNN）的新型光谱方法，用于整合 LIBS 和 NIRS 数据。该方法采用双分支结构分别输入 LIBS 和 NIRS 数据。首先，LIBS 和 NIRS 数据通过两个结构相似的 CNN 分支进行特征提取。随后，利用两个相同的空间注意力模块在空间域优化特征权重。接着，将两个分支的特征张量连接起来，通过通道注意力模块分配通道权重。最后，使用全连接层进行定量任务预测。在该方法中，预处理后的 NIRS 和 LIBS 数据被充分融入模型，确保了输入信息的完整性。此外，集成的神经网络结构使得在反向传播过程中，能够直接考虑两种输入对模型最终任务的影响，降低了重要特征丢失的风险。之后，两种输入数据通过两个不同的两层 CNN 进行深度特征提取，再进行合并，显著降低了信息冗余度。而且，注意力模块的引入有助于避免光谱融合过程中不同特征和光谱技术之间不合理的权重分配。该方法对水泥主要成分 CaO、SiO₂、Al₂O₃和 Fe₂O₃进行了定量验证。结果表明，所提出的模型在准确性方面优于现有的数据集级、特征级和决策级融合模型，在大多数任务中稳定性也有所提升。此外，通过 SHapley Additive Explanations（SHAP）对 DBAM-CNN 的特征进行了阐释，结果表明该方法有效突出了 LIBS 和 NIRS 中有意义的特征，提高了定量分析结果。

样本

本研究选取了 48 种不同的国家标准水泥样品进行分析，其中包括 31 种不同的水泥标准样品、3 种水泥熟料标准样品和 14 种水泥原料标准样品。

濠电姷鏁告慨鎾儉婢舵劕绾ч幖瀛樻尭娴滅偓淇婇妶鍕妽闁告瑥绻橀弻锝夊箣閿濆棭妫勭紒鎯у⒔缁垳鎹㈠☉銏犵婵炲棗绻掓禒楣冩⒑缁嬪尅榫氶柛鈺傜墱閹广垹鈹戠€ｎ偒妫冨┑鐐村灥瀹曨剟宕滈幍顔剧＝濞达絽鎼暩闂佸摜濮甸悧鐘差嚕婵犳艾惟闁冲搫鍊告禍鐐烘⒑缁嬫寧婀扮紒瀣灴椤㈡棃鏁撻敓锟� 请留言您与赛默飞离子色谱故事、您对赛默飞离子色谱的使用感受、您希望未来离子色谱可实现的创新方向。均有机会获得限量版 Inuvion颗粒积木一份，您可能是全球为数不多拥有该积木的幸运儿！

模型优化

在模型训练阶段，本研究对所有神经网络结构设置了相同的参数。这些参数包括固定的全局种子（设为 2024）、使用 Adam 作为优化器，以及学习率调度器（初始学习率为 0.005，步长为 20，学习率衰减因子为 0.8）。此外，批量大小设为 16，训练 100 轮。在特征级融合中，采用主成分分析（PCA）提取特征。

结论

本研究开发了一种新型融合模型 DBAM-CNN，用于 LIBS 和 NIRS 数据的互补整合。通过采用带有注意力模块的双分支 CNN 架构，该模型有效地从两种光谱技术中提取并融合特征，聚焦于最相关的信息以实现准确预测。DBAM-CNN 成功克服了现有融合策略中的局限性，如信息冗余、特征丢失和不合理的决策。