Aluminiumlegierungen finden aufgrund ihrer hervorragenden Eigenschaften breite Anwendung in der Industrie. Eine genaue Klassifizierung der Aluminiumlegierungsnummern kann die Entwicklung in Bereichen wie der Fertigung weiter vorantreiben. In diesem Artikel wird ein neuer Aluminiumlegierungs-XRF-Spektralklassifikationsrahmen CARS-GAF-MobileNet (CGM) vorgeschlagen. Zunächst werden die XRF-Spektraldaten der Aluminiumlegierungsproben mit einem XRF-Spektrometer erfasst; anschließend wird ein auf einer mehrkomponentigen Korrektur basierender kompetitiver adaptiver Regewichtungsabtastalgorithmus (CARS) zur Variablenselektion vorgeschlagen; danach wird das eindimensionale Spektrum mit dem Gram-Winkel-Feld (GAF) in ein zweidimensionales Spektralbild umgewandelt, und durch Farbabbildung wird das Graustufenbild in ein RGB-Bild konvertiert; schließlich wird das umgewandelte zweidimensionale Spektralbild als Eingabe für das Mobilenet-V3-Modell verwendet, um die Aluminiumlegierungsproben zu klassifizieren. Die experimentellen Ergebnisse zeigen, dass die finale Klassifizierungsgenauigkeit des vorgeschlagenen CGM-Rahmens 94,3% erreicht, was eine präzise Erkennung von Aluminiumlegierungsproben verschiedener Nummern ermöglicht. CGM ist ein vielversprechender Rahmen zur Erkennung von Aluminiumlegierungsnummern und besitzt einen guten theoretischen und praktischen Wert für das Problem der Aluminiumlegierungsklassifikation.

Röntgenfluoreszenz;Aluminiumlegierungsklassifizierung;Gram-Winkelfeld;kompetitive adaptive Regewichtungsabtastung;Deep Learning