拉曼光谱结合一维卷积神经网络:一种可解释的韩国传统手工纸(韩纸)非破坏性分类与表征新方法

《Journal of Natural Fibers》:One-Dimensional Convolutional Neural Networks for Classification of Korean Traditional Paper Using Raman Spectroscopy

【字体: 大 中 小 】 时间:2026年04月10日 来源:Journal of Natural Fibers 3.1

编辑推荐:

  传统韩纸(Hanji)在纤维组成与制造工艺上存在细微差异,难以通过肉眼区分。本研究提出了一种基于拉曼光谱与一维卷积神经网络(1D CNN)的分类框架,通过对200–1650?cm?1范围内的二阶导数拉曼光谱进行建模,成功实现了韩纸在构皮类型、蒸煮药剂及产品级别的高精度分类(产品级F1分数达0.880)。借助Grad-CAM特征归因分析,揭示了模型依赖纤维素结晶度与残余木质素相关的拉曼特征带,为分类提供了化学依据。该方法为非破坏性、可解释的传统手工纸鉴定与文化遗产保护提供了新工具。

  
在东亚文化中,手工纸不仅是书写与艺术的载体,更是千年工艺传承的结晶。韩国传统手工纸——韩纸(Hanji),以其卓越的强度、耐久性与独特的纤维结构闻名,常用于书画创作、古籍修复及文物保护。然而,韩纸的原料(如构皮类型)、蒸煮药剂(如NaOH、植物灰提取物)及具体制造工艺的差异,往往导致其纤维化学组成与微观结构的微妙变化。这些差异通常极为细微,肉眼难以分辨,给韩纸的精准鉴定、真伪辨别以及文化遗产的溯源研究带来了巨大挑战。
过去,研究人员尝试借助染色法、光学显微镜等传统手段区分纸张纤维,但这些方法在面对植物来源相近或形态相似的纤维时,分辨能力有限。随着分析技术的发展,振动光谱(如拉曼光谱)因其非破坏性、高化学特异性,逐渐成为纸质文物分析的有力工具。然而,如何从复杂的光谱数据中提取有效特征,并建立可靠、可解释的分类模型,仍是当前研究的难点。早期的机器学习方法(如支持向量机SVM)虽能达到一定分类精度,但模型往往如“黑箱”般运作,决策过程缺乏透明性,难以提供背后的化学物理依据。这限制了其在需要合理解释的文化遗产科学等领域的深入应用。
为此,一项发表于《Journal of Natural Fibers》的研究开创性地将拉曼光谱与一维卷积神经网络(1D CNN)及可解释人工智能(XAI)技术相结合,为韩纸的精准、可解释分类打开了新局面。研究团队收集了由单一制造商(Andong Hanji Co.)生产的13种不同韩纸产品,这些样品在构皮原料(Pidak与Baekdak)、蒸煮药剂(氢氧化钠NaOH、植物灰Yukjae、传统碱液)及具体产品规格上存在差异。所有样品均未经染色、充分漂白,外观均为白色,肉眼无法区分。
关键技术方法
研究主要采用了以下关键技术路径:1. 样品与光谱采集:使用共聚焦显微拉曼光谱仪(532 nm激光)获取200–3600 cm?1范围内的光谱,确保测量来自不同生产批次的样品以防止数据泄露。2. 光谱预处理:对原始光谱进行Savitzky–Golay平滑和二阶导数变换,以增强峰特征并校正基线;随后将光谱范围聚焦于信息丰富的200–1650 cm?1区域(排除1700–2700 cm?1荧光噪声区),并进行L2归一化。3. 建模与分类:构建1D CNN模型,其结构包含两个卷积层(带ReLU激活函数)、最大池化层及全连接层,使用分类交叉熵损失函数和Adam优化器进行训练。模型执行三级分类任务:构皮纤维类型级、蒸煮药剂级和产品级。4. 模型解释与对比:采用梯度加权类激活映射(Grad-CAM)对1D CNN模型进行特征归因分析,可视化对分类决策贡献最大的拉曼谱带。同时,与前馈神经网络(FNN)、支持向量机(SVM)和k近邻(k-NN)等模型进行性能对比。5. 未知样本预测:将训练好的模型应用于两个未知韩纸样本,预测其最可能归属的产品组别及制造条件,并使用主成分分析(PCA)可视化其与已知样品的相似性关系。
研究结果
1. 韩纸的拉曼光谱特征
原始及二阶导数拉曼光谱显示,不同韩纸样品在多个特征峰上存在强度差异。例如,~380 cm?1处的谱带与纤维素的结晶度相关,~1096 cm?1处的谱带对应于糖苷键的C–O伸缩振动,而~459 cm?1和~984 cm?1等处的谱带则与残余木质素有关。这些差异反映了不同原料和处理条件导致的纤维素结晶度及木质素/半纤维素含量的变化,为光谱分类提供了化学基础。
2. 用于韩纸分类的1D CNN模型
模型训练表明,使用200–1650 cm?1范围的二阶导数光谱进行训练,模型收敛更快且性能更优。在产品级分类任务中,该配置下的1D CNN模型取得了最佳的加权F1分数(0.880),显著优于使用全光谱范围(200–3450 cm?1)的模型(F1分数0.841)。结果表明,剔除高波数噪声区域并结合导数变换,能有效提升模型对细微化学差异的分辨能力。
3. 韩纸分类的拉曼光谱特征归因分析
通过Grad-CAM对1D CNN模型进行解读,清晰揭示了模型决策所依赖的关键化学特征。在构皮类型分类中,~380 cm?1(纤维素结晶度)和~1096 cm?1(糖苷键振动)的谱带贡献显著。在蒸煮药剂分类中,除了上述结晶度相关谱带,~459 cm?1(木质素/纤维素)、~522 cm?1(紫丁香基木质素)及~1122 cm?1(多糖骨架)等谱带也起重要作用。这证实模型是通过捕捉纤维素结晶结构变化及残余木质素/半纤维素组成的细微差异来区分不同制造工艺的。
4. 韩纸分类的模型性能比较
在多种机器学习模型的对比中,1D CNN与SVM模型在产品级分类上表现最佳。使用200–1650 cm?1原始光谱的SVM模型取得了最高的F1分数(0.892),略高于1D CNN(0.880)。然而,1D CNN模型的核心优势在于其可解释性——Grad-CAM提供了直观的化学依据,而SVM仍是一个“黑箱”模型。前馈神经网络(FNN)和k-NN模型则因难以捕捉局部光谱特征或对高维数据敏感而表现较差。研究指出,没有单一模型能完全替代另一种模型的全部效用,1D CNN在精度与可解释性之间取得了良好平衡。
5. 未知韩纸样品的预测
将训练好的1D CNN模型应用于两个未知韩纸样本,成功预测了它们最可能归属的特定产品组别(分别为HB_6和HB_10),并推断出其构皮原料均为Baekdak,但使用的蒸煮药剂不同(分别为植物灰和天然碱液)。PCA分析进一步在降维空间中可视化了未知样品与已知参考产品组的接近关系,验证了预测结果的合理性。
研究结论与意义
本研究成功开发并验证了一种基于拉曼光谱与可解释1D CNN的韩纸分类新方法。该方法能够非破坏性地、高精度地区分韩纸的构皮纤维类型、蒸煮药剂及具体产品,在产品级别分类中达到0.880的F1分数。其突出贡献在于,通过Grad-CAM特征归因技术,将深度学习的“黑箱”决策转化为清晰、可化学解读的光谱依据,表明分类主要依赖于与纤维素结晶度及残余木质素组成相关的拉曼谱带差异。这为理解制造工艺如何影响纸张的微观化学结构提供了直接证据。
该方法在文化遗产科学领域具有重要应用价值,为古籍、书画等纸质文物的无损鉴定、真伪辨识和工艺溯源提供了强有力的科学工具。同时,该研究展示的“光谱-可解释深度学习”框架具有普适性,可扩展至其他传统手工纸(如日本和纸Washi、中国宣纸Xuan paper)乃至更广泛的纤维基材料的表征与分类研究中。尽管当前研究样本来源于单一制造商,未来通过纳入更多元的生产来源样本,并结合数据增强、迁移学习等策略,有望进一步提升模型的泛化能力和实用价值。总之,这项工作不仅推进了传统手工纸的分析技术,也为可解释人工智能在材料科学和文化遗产保护中的深入应用提供了范例。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号