高湿度环境下爆炸物太赫兹光谱的特征提取与精准识别

材料太赫兹吸收谱的指纹特性已被广泛应用于物质识别,但实际大气环境下,水蒸气对太赫兹波的强烈吸收会导致光谱严重振荡,假峰、弱峰、混叠峰相继增多,严重影响寻峰比对的精度及物质识别的能力.针对上述问题,提取相对湿度为2％,15％,35％,45％和60％环境下爆炸物的太赫兹吸收光谱信息数据,利用连续小波变换将光谱在频域上展开得到具有特征唯一性的频域尺度图;再基于深度学习方法,以ResNet-50网络模型为基本网络结构,对上述5种不同湿度环境下得到的爆炸物频域尺度图进行网络分类训练,其测试集分类准确率达96.6％.为验证该技术在未经训练湿度样本下的有效性,将相对湿度为50％,55％和67％时爆炸物的时域信号送入该识别系统,分类准确率可达96.2％.实验结果表明,基于小波变换与ResNet-50网络分类训练的太赫兹物质识别方法相比于传统寻峰方法大幅提升了爆炸物在高湿度环境下的识别准确率,规避了降噪、平滑等一系列复杂预处理操作,极大拓展了太赫兹光谱探测技术的工程适应性,为山地、森林、洼地等高湿度、极复杂的作战环境下精确探测、识别地雷等爆炸物提供了技术支持.