Etiologia da perda inexplicável de visão após a remoção do óleo de silicone ainda não está clara
May 25, 2023Fator Ambiental
May 26, 202313 melhores óleos capilares para cabelos saudáveis e hidratados
May 27, 2023Mercado de seringas de óleo de silicone pré-preenchidas Vitreo Retinal prevendo participação a partir de 2023
May 28, 2023FlowCam LO: Imagem de fluxo com obscurecimento de luz: obtenha cotação, RFQ, preço ou compre
May 29, 2023Pré-tratamento para curvas de absorção de terahertz por restrição de ondulação estreita e sua rápida implementação sugerida por casco convexo
Scientific Reports volume 12, Artigo número: 17806 (2022) Citar este artigo
378 Acessos
Detalhes das métricas
Neste trabalho é proposto um método de pré-tratamento da curva de absorção THz, que leva a uma faixa mínima de absorção, reservando a necessária ondulação da curva para identificação por rede neural convolucional. A ideia central do método proposto é confinar a ondulação da curva com um par de linhas paralelas estreitas e resolver sua posição ideal pela rotação consecutiva da curva normalizada em dois pontos fixos. Um algoritmo rápido é ainda proposto com base nas características do casco convexo, cujo procedimento é descrito detalhadamente. O algoritmo envolve a definição de alguns conjuntos de pontos importantes, calculando e comparando inclinações e determinando a melhor escolha entre 4 rotações potenciais. A racionalidade da busca do ponto crítico é ilustrada de forma geométrica. Adicionalmente, a adaptação do método é discutida e exemplos reais são dados para mostrar a capacidade do método em extrair informações não lineares de uma curva. O estudo sugere que os métodos relativos à computação gráfica também contribuem para a extração de características em relação à curva THz e ao reconhecimento de padrões.
A espectroscopia no domínio do tempo Terahertz é amplamente utilizada para detecção e identificação de materiais . A curva de absorção ou coeficiente de extinção está tão relacionada aos constituintes do material que o reconhecimento de padrões é realizado em vários contextos 5,6,7,8,9. Os picos de absorção não são observados para substâncias puras com estrutura molecular simétrica (por exemplo, polietileno). Além disso, os picos são menos observáveis devido às sobreposições do espectro dos componentes. Portanto, a aprendizagem automática é significativa para a mineração de dados em investigações que envolvem, mas não se limitam a, ervas, carnes, chá e cereais, de acordo com relatórios anteriores. Sugere-se que o pré-tratamento às curvas beneficia o desempenho do modelo e reduz a dificuldade de treinamento de um modelo satisfatório. O pré-tratamento convencional inclui suavização Savitzky-Golay, filtragem no domínio da frequência, correção de espalhamento multivariado (MSC) e etc., que reservam característica essencial para identificação, mas ajustam o valor a cada amostragem de frequência10,11,12. Esses algoritmos assumem matematicamente a forma de ruído e todos os pontos são processados igualmente. Porém, o recurso de identificação de curvas pode ser fragilizado e alguns parâmetros serem configurados empiricamente para obtenção de bons resultados. Além disso, métodos que envolvem computação gráfica raramente são estudados para unir métodos de identificação subsequentes.
A rede neural convolucional (CNN) tem sido empregada para identificar objetos em uma imagem como um modelo eficaz e popular . Quando a CNN está associada a uma curva terahertz, é necessária uma conversão (ou mapeamento) da curva THz para imagem antes do treinamento do modelo. A curva do espectro é vista como um limite significativo na imagem para separar a parte superior e a parte inferior, que, no entanto, não têm sentido porque nenhum valor real as atinge. Como resultado, cada pixel de uma imagem participa do treinamento do modelo CNN. A compressão da faixa de absorção para uma determinada faixa de frequência atenderia à expectativa de redução do custo computacional, ao passo que a dificuldade é reservar recursos essenciais para identificação. Como é mostrado na Fig. 1a, uma curva THz esquemática tem um intervalo que é igual à diferença de offset1 e offset2. A Linha 2 e a Linha 1 são linhas paralelas com eixo de frequência, que indicam os limites superior e inferior da absorção. Se outras duas linhas paralelas forem usadas para confinar a curva, a ondulação (diferença no deslocamento Y) entre elas muda (como é mostrado na Fig. 1b e Fig. 1c). Assim, buscamos linhas paralelas ótimas para confinar a curva com distância mínima e realizar a transformação de cisalhamento para gerar uma imagem que acomode a curva procedida com redundância mínima na direção Y (dimensão de absorção). Iluminado pelo pensamento básico, o método proposto é denominado restrição de ondulação estreita (NUC).