华北理工大学矿业工程学院, 河北 唐山 063210
高光谱检测是物质定性识别的重要手段, 光谱解混是高光谱分析识别的关键。 针对化合物或矿物混合光谱分析不准确的问题, 采用非负矩阵分解(NMF)盲源解混方法, 建立了一种基于加权NMF高光谱反射曲线的盲源解混分离方法, 用于矿物混合后高光谱的分解与识别。 假设混合光谱模型是多种组分光谱按比例组合的线性方程, 该算法以混合光谱与组分光谱基向量光谱角余弦值为初始权, 采用最小欧氏距离和重加权稀疏约束来建立组合条件从而促进解混矩阵的稀疏性, 开展方程的NMF约束迭代计算, 最终分解出矿物混合光谱的源光谱基向量和丰度矩阵。 选取化学纯的氧化铜和氧化亚铜、 碱式碳酸铜和氢氧化铜、 孔雀石和蓝铜矿三类混合物的高光谱曲线为试验对象, 经过均值化和白化等数据预处理后, 进行基于加权NMF高光谱反射曲线的盲源解混试验, 并以解混性能指数、 光谱均方根误差和光谱角距离为评价指标分析算法的解混效果。 结果表明, NMF解混方法的盲源解混效果十分明显, 在未知混合光谱先验条件基础上, 可以准确分离出源光谱特征, 样本分离精度均小于0.15。 解混后光谱与源光谱的曲线整体变化趋势相同, 保持了源光谱相似的吸收位置和吸收峰, 但是对应吸收位置存在微小偏移, 解混后光谱与源光谱在反射率数值上存在明显的差异。 对混合光谱数据加入5%~15%的高斯噪声后, 再进行基于加权NMF解混处理。 发现混合光谱解混分离的精度随着噪声增大只有微小减小, 解混后光谱角距离以及均方根误差并未发生明显的变化, 说明NMF解混算法具有较好抗噪性能, 对实测非纯物质光谱解混具有一定适用性, 可以作为矿物混合后组分识别与分离鉴定的基础方法。
混合光谱曲线 光谱解混算法 光谱NMF盲源解混 解混性能指数 Spectral mixing Spectral de-mixing algorithm Spectral NMF blind source de-mixing De-mixing performance index 光谱学与光谱分析
2023, 43(8): 2458
1 华北理工大学矿业工程学院, 河北 唐山 063210
2 华北理工大学建筑工程学院, 河北 唐山 063210
3 华北理工大学材料科学与工程学院, 河北 唐山 063210
目前混凝土化学腐蚀损伤程度的检测主要是扫描电镜、 能谱、 XRD衍射等方法, 这些方法对于在役的混凝土结构来说, 易造成破坏, 检测时间长, 连续性差。 提出了一种基于高光谱的混凝土腐蚀产物无损检测新方法。 高光谱检测具有非接触、 方便快捷、 连续无损的优点, 但是受腐蚀混凝土实测光谱的解混模型和分析方法是实际应用的难点。 该研究根据混凝土遭受硫酸钠侵蚀生成产物的特点, 将硫酸钠侵蚀后混凝土的光谱划分成两个组分光谱的线性混合, 一个组分是水泥的水化产物光谱反射率, 另一个组分是硫酸钠侵蚀下生成主要产物钙矾石和石膏的光谱反射率。 在光谱比值导数模型的基础上, 建立混凝土腐蚀产物的光谱解混模型。 以在清水和10%Na2SO4溶液中连续浸泡的混凝土试块为研究对象, 按照15 d的采集周期, 在30~120 d连续测量两组混凝土的反射光谱。 数据经过平滑、 包络线去除后, 利用混凝土腐蚀产物的光谱解混模型进行处理。 数据一次解混后, 分析解混后光谱曲线光谱特征和变化规律, 与钙矾石和石膏混合物的标准光谱曲线进行SFF匹配拟合分析。 并结合扫描电镜和X射线衍射方法检测此次试验中钙矾石和石膏腐蚀产物的生成情况。 利用混凝土比值后的光谱曲线除以石膏光谱曲线, 完成了实测光谱的二次解混处理, 分析了钙矾石的生成量在30~120 d腐蚀过程中变化趋势。 试验结果表明, (1)试验中清水和10%Na2SO4溶液中不同龄期的两组混凝土, 反射光谱特征随着腐蚀时间的增加区分度明显。 两组试块均在1 445和1 945 nm附近有较强吸收特征, 但吸收深度不同, 10%Na2SO4溶液混凝土光谱曲线的吸收深度、 吸收面积明显大于清水中的混凝土; (2)实测光谱曲线经过混凝土光谱解混模型一次处理后的曲线, 在1 450和1 945 nm左右处有明显的吸收深谷, 与石膏和钙矾石混合物标准光谱的光谱特征一致, 两者光谱曲线的SFF匹配拟合数值达到了0.96; (3)利用比值后的光谱除以石膏光谱后的曲线很好的突出了腐蚀产物钙矾石的光谱特征。 发现随着腐蚀龄期的增长, 钙矾石在30~120 d生成量的丰度呈现先降后升趋势。 (4)根据混凝土试块腐蚀状态下的高光谱数据分析、 扫描电镜和X射线衍射的检测结果, 验证了混凝土光谱解混模型在混凝土检测中能够正确解算出腐蚀产物的类型和丰度, 为混凝土高光谱无损检测提供了理论基础。
混凝土 硫酸盐腐蚀 高光谱检测 比值导数法 光谱解混模型 Concrete Sulfate corrosion Hyper-spectral detection Ratio derivative method Spectral unmixing model 光谱学与光谱分析
2019, 39(6): 1724