返回列表
高光谱结合 RF 和 1D-CNN 对纸质快递文件袋的分类研究
目标检测
2026/09/21
摘要：建立一种对纸质快递文件袋快速无损的分类方法。利用高光谱对63个纸质快递文件袋样品进行检验采用平滑、降 噪和多元散射校正方式以消除高光谱的背景干扰。根据样品谱图的显著区别对样品进行分类，63个纸质快递文件袋样品 可被分成3类。同时利用竞争性自适应重加权算法（（ Competitive Adaptive Reweighted Sampling，CARS）和随机森林算法 （（Random Forest，RF）对样品的特征光谱数据进行提取，并建立一维卷积神经网络(1D-CNN)模型，分别结合两种算法提 取的特征波长对原始分类标签进行分析验证，并对未知样品进行预测识别，CARS-1D-CNN 和 RF-1D-CNN 的模型识别 准确率分别是84.21%、94.73%。通过比较发现，RF-1D-CNN 可以实现对纸质快递文件袋更加有效的分类。该方法简单 快速，样品用量少且无损样品，可为快递文件袋类的物证鉴定提供科学依据。
关键词：高光谱；纸质快递文件袋；特征提取；一维卷积神经网络
期刊：中国人民公安大学学报（自然科学版）
设备：GaiaField
