FTIR-based chemical recognition system using optical tomography and ResNet
Artykuł w czasopiśmie
MNiSW
70
Lista 2024
| Status: | |
| Warianty tytułu: |
System rozpoznawania chemikaliów oparty na FTIR wykorzystujący tomografię optyczną i ResNet
|
| Autorzy: | Rymarczyk Tomasz, Dziadosz Marcin, Mazurek Mariusz, Kosior-Romanowska Amelia, Wójcik Dariusz, Oleszek Michał |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 102 |
| Numer artykułu: | 5 |
| Strony: | 28 - 32 |
| Impact Factor: | 0,4 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 27 marca 2026 |
| Abstrakty: | angielski | polski |
| In response to the need for rapid and precise chemical identification, this work presents a novel system that synergizes optical tomography with machine learning. A deep residual neural network (ResNet) was trained using Fourier transform infrared spectroscopy (FTIR) measurements from 120 distinct substances. The system's efficacy is confirmed by its high recognition quality, marked by a top-3 accuracy of 0.88 (defined as the correct class being among the three highest probability predictions) and an AUC of 0.99. Offering significant improvements in spectral feature extraction and classification accuracy over existing approaches, this system is well-suited for demanding applications such as industrial quality control and environmental monitoring. | |
| W odpowiedzi na potrzebę szybkiej i precyzyjnej identyfikacji chemicznej, w niniejszej pracy przedstawiono nowatorski system, który łączy tomografię optyczną z uczeniem maszynowym. Głęboka resztkowa sieć neuronowa (ResNet) została wytrenowana z wykorzystaniem pomiarów w podczerwieni z transformacją Fouriera (FTIR) dla 120 różnych substancji. Skuteczność systemu potwierdza wysoka jakość rozpoznawania, charakteryzująca się dokładnością top-3 na poziomie 0.88 (zdefiniowaną jako obecność właściwej klasy w trzech najwyżej ocenionych prawdopodobieństwach) oraz wartością AUC 0.99. Oferując znaczącą poprawę w ekstrakcji cech widmowych i dokładności klasyfikacji w porównaniu z istniejącymi podejściami, system ten jest doskonale przystosowany do wymagających zastosowań, takich jak przemysłowa kontrola jakości i monitoring środowiska. |
