スペクトルベースライン補正のための3段階の深い学習ベースのトレーニングフレーム

分光計の場合、ベースラインドリフトは、スペクトルデータの測定と定量分析に深刻な影響を与えます。ディープラーニングは最近、ベースライン補正の強力な方法として浮上しました。ただし、膨大な量のペアデータに依存し、スペクトルデータを取得するのが難しいため、深い学習ベースの方法のパフォーマンスと開発が制限されます。したがって、ネットワークアーキテクチャとトレーニングフレームワークからこれらの問題を解決します。ネットワークアーキテクチャの場合、学習された機能融合（LFF）モジュールは、U-NETのパフォーマンスを向上させるように設計されており、このネットワークをトレーニングするために3段階のトレーニングフレームが提案されています。具体的には、LFFモジュールは、さまざまなスケールの機能を適応的に統合し、U-Netのパフォーマンスを大幅に改善するように設計されています。トレーニングフレームの場合、ステージ1はAirplsを使用して膨大な量のペアデータの問題を改善し、ステージ2は合成スペクトルを使用して実際のスペクトルへの依存をさらに容易にし、ステージ3は対照的な学習を使用して合成されたスペクトルと実際のスペクトルのギャップを減らします。この実験は、提案された方法がベースライン補正の強力なツールであり、スペクトル定量分析に適用する可能性があることを示しています。

For spectrometers, baseline drift seriously affects the measurement and quantitative analysis of spectral data. Deep learning has recently emerged as a powerful method for baseline correction. However, the dependence on vast amounts of paired data and the difficulty in obtaining spectral data limit the performance and development of deep learning-based methods. Therefore, we solve these problems from the network architecture and training framework. For the network architecture, a Learned Feature Fusion (LFF) module is designed to improve the performance of U-net, and a three-stage training frame is proposed to train this network. Specifically, the LFF module is designed to adaptively integrate features from different scales, greatly improving the performance of U-net. For the training frame, stage 1 uses airPLS to ameliorate the problem of vast amounts of paired data, stage 2 uses synthetic spectra to further ease reliance on real spectra, and stage 3 uses contrastive learning to reduce the gap between synthesized and real spectra. The experiments show that the proposed method is a powerful tool for baseline correction and possesses potential for application in spectral quantitative analysis.