1 西安邮电大学电子工程学院, 陕西 西安 710121
2 西安邮电大学电子工程学院, 陕西 西安 710121 中国科学院西安光学精密机械研究所, 中国科学院光谱成像技术重点实验室, 陕西 西安 710119
3 中国科学院西安光学精密机械研究所, 中国科学院光谱成像技术重点实验室, 陕西 西安 710119
针对传统光谱法检测鸡蛋新鲜度存在的效率低、 准确率不够高等问题, 提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究, 以期在保证足够高准确度的同时大幅提高检测效率。 将不同储存条件下的鸡蛋作为样本, 并分别划分为训练集和测试集, 采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。 具体地, 首先利用可见-近红外光谱系统采集鸡蛋的反射光谱, 将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、 偏最小二乘(partial least squares, PLS)、 支持向量机(support vector machine , SVM)、 多层感知机(muhi-layer perception , MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型, 并对比各模型性能指标。 分析结果发现, 经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1st-Der)预处理后的RF、 SVM、 XGBoost模型和经标准正态变量(standardized normal variate, SNV)预处理后的PLS、 MLP模型具有较好的训练结果。 为进一步提高模型精度和运算效率, 提出利用区间偏最小二乘法(interval partial least squares, IPLS)对SG-1st-Der和SNV预处理后的光谱数据首先进行降维, 然后再分别建立基于RF、 SVM、 XGBoost、 PLS及MLP等算法的预估模型, 最后通过测试集对模型进行验证。 结果发现原始光谱数据经SG-1st-Der预处理后所建立的IPLS-XGBoost分类模型性能最优, 在不同储藏条件下测试集的F-measure分别为92.33%和90%, Accuracy分别达到94.44％和91.67％, 而程序运行时间均不超过0.6 s。 表明, 可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估, 该方法在模型分类性能、 准确度评估、 运行速度等方面比传统方法更具优越性。
可见/近红外光谱技术 XGBoost算法 区间偏最小二乘法 鸡蛋新鲜度 VIS-NIR spectrum Interval partial least squares XGBoost algorithm Egg freshness 光谱学与光谱分析
2023, 43(6): 1711
1 中国地质大学（武汉）珠宝学院, 湖北 武汉 430074
2 云南国土资源职业学院, 云南 昆明 652501
产于加拿大的宝石级铬钙铝榴石（又称沙弗莱石）, 常具有特殊的绿色团状色带, 其黑色或深绿色的核心往往被边缘的翠绿色色带包围, 形似“蛙卵”。 为了探究加拿大具“蛙卵”状色带沙弗莱石的宝石学性质以及谱学特征, 通过常规宝石学测试、 LA-ICP-MS、 紫外-可见-近红外光谱、 拉曼光谱对该区样品进行了系统研究, 旨在探明色带的颜色成因以及不同色区成分和谱学的变化。 化学成分分析表明, 加拿大沙弗莱石均以钙铝榴石成分为主（核部: Grossular>55.64 mol%; 边缘: Grossular>83.90 mol%）, 但不同颜色区域的Cr2O3含量存在明显差异。 在色带中心的深色核心区域呈现较高的钙铬榴石成分（Uvarovite平均为21.49 mol%）, 其中黑色的核心还具有较高的Ti含量（TiO2>1.9 Wt%）。 除此之外, 样品还均含少量的Fe以及微量的V, Mg和Mn。 紫外-可见-近红外光谱研究表明, Cr为主要的致绿色元素、 Fe为致黄色元素。 位于蓝紫区435 nm左右和红区603 nm左右的吸收带主要是由于Cr3+所致。 700 nm左右出现的双峰可作为区别V3+的Cr3+特征峰。 Fe3+在370 nm左右产生吸收峰, 同时对蓝紫区435 nm处的吸收带也有贡献, 1 220 nm处宽缓的吸收带是由Fe2+所致。 通过分析Fe2O3与Cr2O3+V2O3含量比值能够有效地区分不同绿色调的钙铝榴石。 当Fe2O3与Cr2O3+V2O3的比值小于或在1.61附近时, 常显示较为纯正的翠绿色色调; 当Fe2O3与Cr2O3+V2O3的比值在2.71附近时, 常显示黄绿色色调; 当Fe2O3与Cr2O3+V2O3的比值在4.38附近时, 常显示绿黄色色调。 拉曼光谱分析表示, 样品中黄绿色至翠绿色区域均显示出典型的钙铝榴石谱。 800～1 100 cm-1之间的拉曼峰主要是由［SiO4］四面体的伸缩振动引起的; 400～700 cm-1之间的拉曼峰主要是由［SiO4］四面体的弯曲振动引起的; 400 cm-1以下的拉曼峰主要是由晶格振动引起的。 通过样品不同色区的拉曼光谱与天然钙铬榴石拉曼光谱的对比表明, 从样品的边缘至黑色核心, 随着矿物结构中Cr3+含量的增加会导致拉曼峰位发生规律性的偏移。
铬钙铝榴石 沙弗莱石 色带 颜色成因 紫外-可见-近红外光谱 拉曼光谱 Cr-grossular Tsavorite Color zoning Color genesis UV-Vis-NIR spectrum Raman spectrum
1 东北大学资源与土木工程学院, 辽宁 沈阳 110819
2 高分辨率对地观测系统辽宁先进技术协同创新应用中心, 辽宁 沈阳 110819
3 信息工程大学地理空间信息学院, 河南 郑州 450001
针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1(R1 190/R1 270)和RCI2(R1 270/R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。
高光谱 可见光-近红外光谱 伪装网 光谱指数 分类识别 Hyperspectral Visible-NIR Spectrum Camouflage net Spectral index Classification
1 中国地质大学(武汉)珠宝学院, 湖北 武汉 430074
2 滇西应用技术大学珠宝学院, 云南 大理 671000
随着哥伦比亚祖母绿矿的日益枯竭, 巴基斯坦祖母绿逐渐成为市场的主力军之一, 运用常规宝石学仪器、 红外光谱仪、 激光拉曼光谱仪、 紫外-可见-近红外光谱仪(UV-Vis-Nir)和激光剥蚀电感耦合等离子体质谱仪(LA-ICP-MS)对巴基斯坦斯瓦特产区的祖母绿谱学特征进行了较系统的研究。 结果表明, 巴基斯坦斯瓦特祖母绿颜色整体呈深绿色-深蓝绿色, 折射率较高为1.589～1.615。 巴基斯坦斯瓦特产区的祖母绿中含有种类和数量较多的内含物, 其中三相内含物呈边界清晰平直的矩形且具有明显定向性, 与俄罗斯、 赞比亚和埃塞俄比亚产区祖母绿的三相内含物接近。 根据同一样品不同颜色的紫外-可见-近红外光谱和LA-ICP-MS的分析表明, 在颜色较深的区域, 紫外-可见-近红外光谱显示相对较强的427, 608, 637和679 nm(o光)Cr的R线吸收以及在o光下370 nm Fe的吸收, 同时此区域内Cr和Fe含量相对较高, 因此祖母绿色带是由含量不同的Cr和Fe所致。 巴基斯坦斯瓦特祖母绿是由Cr致色, V对颜色有一定贡献且Cr/V极高。 根据LA-ICP-MS结合红外光谱可知, 巴基斯坦斯瓦特祖母绿属于富碱祖母绿, 在红外光谱的指纹区显示了与一般祖母绿相同的振动吸收峰, 在中红外区4 000～2 000 cm-1, 低强度3 518和3 700 cm-1为Ⅰ型水不对称伸缩振动, 其他的水谱带饱和; 中等强度的3 232 cm-1为［Fe2(OH)4］2+多聚合离子吸收谱带; 在8 000～5 000 cm-1近红外光谱区, 在垂直于c轴的方向上, 5 264 cm-1为Ⅰ/Ⅱ型水ν3+ν2合频吸收带, 中等7 097 cm-1为Ⅱ型水倍频振动峰、 弱的7 187和6 842 cm-1为Ⅰ型水倍频振动峰; 在平行c轴方向上, 5 272 cm-1为Ⅰ/Ⅱ型水ν3+ν2合频吸收带, 7 073 cm-1为Ⅰ型水的合频振动峰, 7 185 cm-1为Ⅱ型水的倍频振动峰。 总之, 巴基斯坦斯瓦特山谷的祖母绿的主要致色离子为Cr3+和Fe3+, 碱金属离子含量偏高, 属于Ⅱ型水为主的祖母绿类型。
祖母绿 紫外-可见-近红外光谱 红外光谱 颜色成因 Emerald UV-Vis-Nir spectrum IR spectrum Causes of color
新疆大学资源与环境科学学院，新疆 乌鲁木齐 830046
可见光和近红外（Vis-NIR）光谱仪是一种实用的工具，可用于替代土壤物理和化学分析以评估土壤性质。最佳波段组合算法是一种通过考虑波段之间的相互作用信息来提取光谱变量的有效方法，但是对于实验室Vis-NIR光谱数据，该方法易受“维数灾难”的影响。提出一种适当地降低光谱配置（减少光谱带的数量和粗化光谱分辨率），以提高计算效率且不会显著影响预测精度的方法。首先，构建了6个光谱配置，即光谱波段的数量从2001个减小到19个，光谱分辨率从3 nm增加至100 nm，并且光谱采样间隔等于光谱分辨率（均匀间隔采样）。然后，通过偏最小二乘回归结合最佳波段组合算法预测不同光谱配置下土壤有机质（SOM）和电导率（EC）的最佳光谱参数。结果表明：直到光谱分辨率为60 nm时（每个光谱32个波长），最佳波段组合算法与全波段光谱数据相比，可以提高预测精度。最佳波段组合算法在1~20 nm光谱分辨率下，预测精度没有显著差异（约为2%）；SOM［（决定系数等于0.77，均方根误差（RMSEP）等于0.325％，性能四分位数范围的比率（RPIQv）等于3］和EC（等于0.70，RMSEP等于6.88 dS·m-1，RPIQv等于2.21）分别在20 nm和10 nm的光谱分辨率下获得了最佳预测性能。
传感器 可见光-近红外光谱 光谱配置 主成分分析 最佳光谱参数 偏最小二乘回归 激光与光电子学进展
2021, 58(21): 2128001
水体中过高浓度的有机污染物含量危害巨大, 不仅会造成严重的环境污染, 而且会危害人类身体健康。 化学需氧量(COD)表征了水体中有机污染物的污染程度。 提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF), 进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。 首先按照一定的浓度梯度配制COD标准液样本, 分别采集标准液的UV光谱(190~310 nm)和NIR光谱(830~2 100 nm), 对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理, 消除基线漂移和干扰噪声; 基于预处理过的光谱, 直接进行数据级和特征级的数据融合, 结合GANs算法搭建COD浓度预测模型。 并使用评价参数相关系数的平方(R2)、 预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。 结果表明, 不论是特征级融合模型还是数据级融合模型都不够理想。 分析原因可知, 由于UV和NIR波段数据量不均衡, 导致NIR波段掩盖掉了UV光谱的模型贡献度, 让光谱融合失去意义。 为了避免融合失败, 拟采用归一化的方法处理多光谱数据, 并讨论了标准归一化(SNV)、 最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。 将经过归一化后的UV和NIR光谱数据再次进行融合, 分别作为GANs模型的输入X, 将真实测量COD值作为输出值Y, 建立不同归一化方法处理后的COD浓度预测模型。 建模结果显示, 采用不同归一化方法对多光谱数据融合模型的影响较大, 不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升, 其中采用最大最小归一化的预测模型效果提升最为明显。 与单一谱源的全波长UV波段的GANs预测模型、 全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度, 结果表明: 基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7, RMSEP为0.976, 比数据级融合的预测模型误差降低了52.9%, 预测回收率为98.4%~103.1%, 远好于其他几组, 模型的泛化能力更强, 预测精度也更高。 与单一谱源的预测模型相比, 多光谱数据融合能反应更多的水体样品的化学信息, 更加全面揭示水体的污染物程度, 从不同的层面上反应水体中污染物的差异, 为在线监测水体中COD浓度提供一定的技术支持。
紫外光谱 近红外光谱 数据融合 GANs模型 COD浓度预测 UV spectrum NIR spectrum Data fusion GANs model COD concentration prediction
中国地质大学(武汉)珠宝学院, 湖北 武汉 430074
条纹绿松石是湖北十堰绿松石市场出现的一种深受消费者喜欢的品种, 该研究对象为一块基底为浅蓝绿色, 条纹为红褐色的绿松石样品, 红褐色条纹在浅缘蓝色基底上规律性分布。 对样品进行显微观察、 能谱仪成分测定、 显微紫外-可见-近红外光谱仪测试和显微激光拉曼光谱仪测试。 研究结果表明, 样品的红褐色条带由呈近圆形的赤铁矿集合体在绿松石中规律性聚集形成, 赤铁矿颗粒细小, 呈圆点状、 雪花状集合体在绿松石中浸染状分布; 化学成分测试结果表明条带处比基底处铁含量高, 且杂质矿物中FeOT含量约为56.06%~59.13%; 显微紫外-可见-近红外光谱显示杂质矿物中的致色离子主要为Fe3+, 可见374 nm附近由Fe3+的d电子跃迁[6A1→4E(4D)]所致的弱吸收、 429和418 nm附近由Fe3+的d电子跃迁(6A1→4E, 4A1(4G))所致的双吸收、 475 nm附近和544 nm附近由Fe3+对{[6A1+6A1→4T1(4G)+4T1(4G)]}电子跃迁所致的弱吸收; 杂质矿物的显微激光拉曼光谱在225, 296, 411, 612, 659和1 320 cm-1处显示赤铁矿的典型拉曼峰。 条纹绿松石中杂质矿物的谱学特征表明该杂质矿物为赤铁矿。 绿松石中的赤铁矿为绿松石矿床中的伴生矿物, 绿松石中赤铁矿的存在为绿松石的产地鉴别以及古代绿松石的产地溯源提供数据支撑, 条纹绿松石中杂质矿物赤铁矿的周期性出现表明绿松石形成环境的不稳定及周期性。
条纹绿松石 赤铁矿 化学成分 拉曼光谱 显微紫外-可见-近红外光谱 Striped turquoise Hematite Chemical composition Raman spectrum Micro UV-VIS-NIR spectrum 光谱学与光谱分析
2020, 40(11): 3639
1 西北师范大学物理与电子工程学院, 甘肃 兰州 730070
2 同济大学海洋与地球科学学院, 上海 200092
采用常规宝石学测试方法, 配合紫外可见光谱技术(UV-Vis) 及傅里叶变换红外光谱技术(FTIR) , 对美国犹他州天然红色绿柱石及俄罗斯水热法合成红色绿柱石的宝石学特征、 紫外可见吸收光谱特征、 中红外光谱(MIR) 特征及近红外光谱(NIR) 特征进行了综合对比研究。 结果表明, 常规宝石学测试方法很难将上述两类宝石区别开来; 紫外可见光吸收光谱对鉴定天然和合成红色绿柱石的能力很有限; 同时这两种宝石的中红外吸收光谱(MIR) 没有明显的特征差异, 其吸收位置和吸收强度基本一致。 但在2 000~9 000 cm-1红外波段, 天然红色绿柱石与水热法合成红色绿柱石的吸收频率差异明显, 因此具有独特的鉴别特征。 进一步研究表明, 天然红色绿柱石在3 500~4 000 cm-1之间没有强吸收峰, 几乎不含结构水, 但在3 300~3 600 cm-1之间有非常弱的吸收带(峰值为3 418 cm-1) , 因此有可能有其他形式的水。 水热法合成红色绿柱石样品的近红外光谱特征表明, 其在3 500~4 000 cm-1之间及5 000~5 800 cm-1之间均显示有强烈的水的振动吸收: 其在5 000~5 800 cm-1有弱的Ⅰ型水吸收峰和强Ⅱ型水吸收峰, 可以归属为分子水的弯曲和伸缩的合频振动; 其在7 000~7 500 cm-1之间显示的弱Ⅰ型水的吸收峰和强的Ⅱ型水的吸收峰可以归属为水的倍频振动。 因此, 水热法合成红色绿柱石中的结构水归属Ⅰ型水与Ⅱ型水的混合型, 其在3 500~4 000及5 000~5 800 cm-1范围水的近红外吸收光谱特征可作为区别天然和水热法合成红色绿柱石的依据。 通过紫外可见光光谱、 中红外光谱以及近红外光谱等光谱分析手段可以初步判断红色绿柱石中是否含水、 水的赋存状态、 以及不同类型水的相对强度和频率, 为区分天然与水热法合成红色绿柱石提供诊断性证据。
合成红色绿柱石 近红外光谱 UV-Vis吸收光谱 结构水 综合鉴定 Synthetic red beryl NIR spectrum UV-VIS absorption spectrum Structural water Integrated
东北林业大学机电工程学院, 黑龙江 哈尔滨 150040
为了实现森林地表凋落物含水率的实时测量, 研究了森林地表凋落物含水率与红外光谱特性参数之间的关系。 选取了四种森林地表凋落物, 搭建了含水率红外光谱测量装置, 获得了不同含水率所对应的红外吸收光谱图, 分析了不同含水率与峰值吸收光强、 谷肩连线与谷底连线交点纵坐标、 吸收谷面积之间的关系。 结果表明, 含水率吸收谱线峰值在1 450 nm附近; 三种光谱参数中, 森林地表凋落物含水率与峰值吸收光强线性相关性最好, 所得一元回归方程经F检验显著性良好, 斜率的相对不确定度均小于1.0%和截距的相对不确定度小于0.51%, 相关系数γ＞0.95。 为含水率实时测量仪的光源选择和标定提供了依据。
含水率 森林地表凋落物 近红外光谱 森林防火 Moisture content Forest surface litter NIR Spectrum Forest fire prevention 光谱学与光谱分析
2018, 38(10): 3101
吉林大学仪器科学与电气工程学院, 吉林 长春 130026
为实现油页岩含油率的原位检测, 采用便携式近红外光谱分析技术, 针对吉林扶余油页岩基地2号钻井的66个岩芯样品开展了原位检测的分析建模方法研究。 采用自制便携式近红外光谱仪器获得反射率、 吸光度、 K-M函数三种数据形式光谱数据, 结合主成分-马氏距离(PCA-MD)剔除异常样品、 无信息变量消除法(UVE)波长筛选及二者组合的四种建模数据优化方法, 采用相同的数据预处理方法进行偏最小二乘(PLS)和反向传播神经网络(BPANN)两种方法的建模分析研究, 确定最佳分析模型及方法。 结果表明(1)不论是否采用四种不同的数据优化方法, 两种建模方法所用建模数据库适合采用反射率或K-M函数的光谱数据形式; (2)两种建模方法, 采用四种不同的数据优化方法, 对相同数据库建模精度的影响不同: 采用PLS建模方法、 以PCA-MD和UVE+ PCA-MD两种方法进行数据优化、 可以提高K-M函数光谱数据形式数据库的建模分析精度, 采用BPANN建模方法、 以UVE、 PCA-MD 与UVE组合的 三种方法进行数据优化、 对三种数据形式数据库的建模精度均有所提高; (3)除以反射率光谱数据并进行PCA-MD数据优化外, 采用BPANN方法的建模精度好于PLS法。 其中采用反射率光谱数据形式、 只进行UVE数据优化外的BPANN建模精度最高, 预测相关系数为0.92、 标准偏差为0.69%。
近红外光谱 油页岩 含油率 原位分析 数据形式 建模方法 数据优化 NIR spectrum Oil shale Oil yield In-situ analysis Data format Modeling Data optimization 光谱学与光谱分析
2014, 34(10): 2779
