Deep learning aplicado a espectroscopia láser

Abstract

La técnica de espectroscopía de ruptura inducida por láser (LIBS) es una potente vía de análisis de composición atómica y molecular de materiales. En este trabajo se han implementado modelos de aprendizaje profundo para el análisis de dichos espectros LIBS. Se busca que estos modelos basados en redes neuronales sean capaces de realizar tareas de clasificación y detección de anomalías. El trabajo ha sido desarrollado en el entorno Google Colaboratory debido a su facilidad y escasa necesidad de configuración previa y el sistema de ejecución en la nube, basándonos en la librería Keras dentro de TensorFlow para la implementación de los modelos. Se ha desarrollado un modelo clasificador con una capa de salida con activación softmax para la clasificación de alimentos y un modelo de autoencoder para la detección de anomalías en espectros medidos en conchas de moluscos. Se realiza un proceso de optimización o ’tuneo’ de los hiperparámetros de la red para mejorar su desempeño mediante la herramienta Optuna de libre acceso. Técnicas de reducción de overfitting también han sido implementadas. Posteriormente se realiza un análisis de como varía el desempeño en función del valor de dichos hiperparámetros. Finalmente se presentan los resultados en los que el modelo clasificador es capaz de detectar correctamente la procedencia de las patatas en el proceso de validación en un ∼ 92% de los casos, mientras que el modelo de autoencoder descubrimos que no es capaz de detectar todos los tipos de anomalías que le presentamos (ver tabla 6.2).

Laser-induced breakdown spectroscopy (LIBS) technique is a powerful way of analyzing the atomic and molecular composition of materials. In this proyect, deep learning models have been implemented for the analysis of these LIBS spectra. It is intended that these models based on neural networks will be capable of performing classification and anomaly detection tasks. The proyect has been developed in the Google Colaboratory environment due to its simple and little need for prior configuration and execution system in the cloud, based on Keras library in TensorFlow for the implementation of the models. A classifier model has been developed with an output layer with softmax activation for the clasification task of food and an autoencoder model for the detection of anomalies in spectra measured in mollusk shells. An optimization process or hiperparameter tuning of the network is carried out to improve its performance through the free access tool Optuna. Overfitting reduction techniques have also been implemented. Then, an analysis is made of how the performance depends on the value of these hyperparameters. Finally, the results are shown in which the classifier model is able to correctly detect the origin of the potatoes in the validation process in ∼ 92% of the cases, while we found that the autoencoder model is not capable of detecting all types of anomalies that we present to it (see table 6.2).