[논문 리뷰] A Review of 1D Convolutional Neural Networks toward Unknown Substance Identification in Portable Raman Spectrometer

M. Hamed Mozaffari, Li‐Lin Tay|arXiv (Cornell University)|2020. 06. 18.

Spectroscopy Techniques in Biomedical and Chemical Research참고 문헌 60인용 수 35

한 줄 요약

이 논문은 휴대용 라만 분광기를 이용하여 미지의 물질을 식별하기 위해 1D CNN이 어떻게 사용되는지 조사하고, 기존 스펙트럼 매칭에 비해 이점과 핸드헬드 배치시 고려사항을 강조합니다.

ABSTRACT

Raman spectroscopy is a powerful analytical tool with applications ranging from quality control to cutting edge biomedical research. One particular area which has seen tremendous advances in the past decade is the development of powerful handheld Raman spectrometers. They have been adopted widely by first responders and law enforcement agencies for the field analysis of unknown substances. Field detection and identification of unknown substances with Raman spectroscopy rely heavily on the spectral matching capability of the devices on hand. Conventional spectral matching algorithms (such as correlation, dot product, etc.) have been used in identifying unknown Raman spectrum by comparing the unknown to a large reference database. This is typically achieved through brute-force summation of pixel-by-pixel differences between the reference and the unknown spectrum. Conventional algorithms have noticeable drawbacks. For example, they tend to work well with identifying pure compounds but less so for mixture compounds. For instance, limited reference spectra inaccessible databases with a large number of classes relative to the number of samples have been a setback for the widespread usage of Raman spectroscopy for field analysis applications. State-of-the-art deep learning methods (specifically convolutional neural networks CNNs), as an alternative approach, presents a number of advantages over conventional spectral comparison algorism. With optimization, they are ideal to be deployed in handheld spectrometers for field detection of unknown substances. In this study, we present a comprehensive survey in the use of one-dimensional CNNs for Raman spectrum identification. Specifically, we highlight the use of this powerful deep learning technique for handheld Raman spectrometers taking into consideration the potential limit in power consumption and computation ability of handheld systems.

연구 동기 및 목표

• Raman spectrum-based unknown substance identification in handheld devices에서 1D CNN의 사용을 조사한다.
• 전통적인 스펙트럴 매칭 알고리즘의 한계와 CNN이 이를 어떻게 해결하는지 강조한다.
• 휴대용 분광기의 전력 및 계산 제한에 대한 실용적 제약을 고려한다.
• 현장 분석 및 혼합물 식별을 위한 CNN 기반 방법의 배치를 위한 지침을 제공한다.

제안 방법

• Raman spectral 데이터에 적용된 1D CNN에 관한 기존 연구를 검토한다.
• CNN 기반 접근법과 전통적인 픽셀 단위 유사도 측정 간의 차이를 비교한다.
• 전력 소비 및 계산 자원과 같은 손에 쥐는 구현에 영향을 미치는 요인을 논의한다.
• 현장 설정에서의 미지의 물질 식별에 대한 요약 결과와 남아 있는 과제를 식별한다.

실험 결과

연구 질문

• RQ1 Raman 스펙트럼에서 기존의 스펙트럴 매칭에 비해 1D CNN을 사용하는 이점은 무엇인가?
• RQ2 Pure 및 혼합 물질에서 손에 쥐는 라만 분광기에서 1D CNN은 어떻게 수행되는가?
• RQ3 휴대용 장치에 1D CNN을 배치하는 데 영향을 미치는 실용적 제약(전력, 계산)은 무엇인가?
• RQ4 현장 시나리오에서 1D CNN을 미지의 물질 식별에 적용할 때의 간극 및 남아 있는 과제는 무엇인가?

주요 결과

• 1D CNN은 전통적 상관 기반 방법에 비해 스펙트럴 가변성과 혼합물 처리에서 이점을 제공한다.
• CNN 기반 접근법은 전력 및 계산 자원의 한계를 고려할 때 손에 쥐는 분광기에 배치될 가능성을 갖는다.
• 현장 배치를 위한 강건한 데이터 세트와 모델 효율성의 필요성을 강조한다.
• 휴대 설정에서 데이터베이스 규모, 클래스 범위, 실시간 추론과 관련된 기존 과제가 있다.
• 이 조사는 1D CNN이 휴대용 장치에서 라만 스펙트럼 식별에 어떻게 적응되었는지에 대한 종합적 관점을 제공한다.