红外与激光工程
2023, 52(2): 20220308
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
3 深圳市盐田港集团有限公司, 广东 深圳 518081
水是一种有限的资源, 对农业、 工业乃至人类的生存都是必不可少的, 良好的水环境是可持续发展的重要保障。 对水质信息的科学监测, 是实现水资源优化配置与高效利用的基础。 联合国环境署(UNEP)与世界卫生组织(WHO)指出, 应当加强发展中国家的水质监测网络, 包括数据质量的保证和分析能力的提高。 光谱法作为一种新兴的水质分析方法, 相比传统的化学水质监测方法, 具有“响应速度快、 多参数同步、 绿色无污染”的特点。 传统单波长、 多波长的线性模型依赖于水体对特定波长的吸收特征, 不适用于多组分混合溶液且普适性较差。 因此, 提出了一种基于IERT的非线性全光谱定量分析算法, 建立适用于多组分混合溶液浓度预测模型, 达到利用全光谱信息来预测浓度信息的目的。 利用实验室配置的COD, BOD5和TOC多组分混合溶液与NO3-N、 浊度、 色度多组分混合溶液作为实验样本, 使用光谱仪采集样本的光谱曲线, 通过全光谱数据进行浓度预测实验, 结果显示, 对于COD, BOD5和TOC多组分混合溶液, 本算法对于三种组分的决定系数(R2)分别为0.999 3, 0.991 4和0.999 3, 均方根误差(RMSE)分别为0.024 4, 0.057 7和0.000 4; 对于NO3-N、 浊度、 色度多组分混合溶液, 决定系数(R2)分别为0.983 4, 0.868 4和0.981 0, 均方根误差(RMSE)分别为0.100 5, 0.326 4和0.120 2。 通过对比本算法与偏最小二乘(PLS)、 支持向量机回归(SVR)、 决策树(DT)、 极端随机树(ERT)对于同一组数据的实验结果, 表明: 在两组多组分混合溶液的实验中, 本算法对于其中各组分的决定系数(R2)均为最优, 相比于其他对比算法均方根误差(RMSE)均有大幅减少。 本算法可利用光谱信息对多组分混合溶液进行定量分析, 在计算时间相当的情况下, 可有效的提高浓度预测精度, 减少定量分析的均方根误差, 可为光谱法水质监测提供一种新的有效途径。
光谱法水质监测 紫外可见光谱技术 光谱定量分析 多组分混合溶液 极端随机树 Spectroscopic water quality monitoring Ultraviolet visible spectroscopy technology Spectral quantitative analysis Multi-component mixed solution Extreme random trees 光谱学与光谱分析
2021, 41(12): 3922
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
2 中国科学院大学, 北京 100049
为了探究高光谱技术在胃癌组织病理诊断中的应用,将高光谱成像与显微系统结合,采集胃部切片组织的高光谱图像。针对胃癌组织与胃部正常组织在410~910 nm波段的光谱特性差异,提出了一种基于卷积神经网络模型的胃癌组织分类方法,对原始光谱进行S-G平滑和一阶导数等预处理,通过分析光谱数据的特点和模型的分类效率,确定了最佳的网络结构及参数。实验结果表明:该模型对胃部癌变和正常组织的分类准确率为96.53%,鉴别胃癌组织的灵敏度和特异性分别达到94.29%和97.14%;相比于浅层学习方法,卷积神经网络模型能够充分提取癌变组织的深层光谱特征,同时能有效避免过拟合现象。将深度学习理论与显微高光谱结合的方法为医学病理研究提供了新思路。
光谱学 胃癌组织分类 卷积神经网络 显微高光谱成像 深度学习
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室， 陕西 西安 710119
2 中国科学院大学， 北京 100039
夏威夷果含油量高， 在开缝之后容易发生变质， 现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验， 很难满足无损检测的需求。 卷积神经网络（CNN）作为应用最广泛的深度学习网络模型之一， 具有比浅层学习方法更强的特征提取与模型表达能力， 在光谱数据方面的应用拥有很大潜力。 基于夏威夷果在可见-近红外的光谱特征分析， 研究用于提取夏威夷果光谱特征的卷积神经网络模型， 并提出一种高效无损鉴定夏威夷果品质的方法。 首先以三种不同品质的夏威夷果（好籽、 哈籽及霉籽）为研究对象， 分析样本在500~2 100 nm的光谱信息； 在光谱数据预处理中引入白化处理方法， 用以增强数据的相关性差异； 然后在模型训练过程中， 将样本随机分为训练集和预测集， 探讨不同CNN结构、 卷积层数、 卷积核大小及个数、 池化层类型、 全连接层神经元个数以及激活函数对分类结果的影响， 并采用激活函数ReLU和Dropout方法， 预防样本数据过少引起的过拟合现象； 最后通过分析模型分类准确率和计算效率， 确定了一个6层结构的CNN模型： 输入层—卷积层—池化层—全连接层（200神经元）—全连接层（100神经元）—输出层。 实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。 因此， 改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类， 将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定， 同时为夏威夷果等坚果类食品的高效、 无损、 实时在线检测提供了新思路。
可见-近红外光谱 夏威夷果 深度学习 卷积神经网络 品质鉴定 Vis-NIRS Macadamia nut Deep learning Convolutional neural network (CNN) Quality identification 光谱学与光谱分析
2018, 38(5): 1514
