福州大学机械工程及自动化学院, 福建 福州 350116
赤潮是一种由海洋藻类引发的水质污染, 部分赤潮藻有毒性, 对海洋渔业发展有严重危害。 快速、 准确地鉴定赤潮藻种及其细胞浓度对污染的控制和治理具有重要意义。 传统的显微镜检测和基因测序等方法时效性低, 遥感检测易受到环境干扰导致精度低, 荧光光谱检测因设备昂贵无法大范围推广, 高光谱成像(HSI)技术为赤潮藻种提供了一种快速、 无损的检测方法。 搭建了HSI检测系统, 针对福建地区常见的甲藻(强壮前沟藻)、 硅藻(中肋骨条藻和三角褐指藻)和针胞藻(赤潮异湾藻)构建了大量高光谱样本库, 分别采用2种分类方法和3种回归方法建立藻种鉴别和细胞浓度测量模型, 并比较了7种光谱预处理(标准化、 归一化、 多元散射校正、 变量标准化、 Savitzky-Golay平滑、 基于SG的一阶导数、 基于SG的二阶导数)和2种波段提取方法(遗传算法和连续投影算法)对建模精度的影响。 结果表明： 基于SG的二阶导数(SG+2nd)预处理方法可以提高波段筛选和建模的准确率, 遗传算法(GA)所提取特征波段更具代表性和有效性。 SG+2nd-GA组合所提取特征波段(644.7、 547.8、 562.6、 829.4、 832 nm)与所选藻类中特定色素的吸收光谱波段相对应, 再结合支持向量机(SVM)或反向传播神经网络(BPNN)建模实现了利用高光谱成像技术有效鉴别强壮前沟藻、 赤潮异湾藻、 中肋骨条藻、 三角褐指藻。 在细胞浓度测量中, 支持向量回归(SVR)建模效果优于多元线性回归(MLR)和偏最小二乘算法(PLS), 四种藻SG+2nd-GA-SVR细胞浓度预测模型的决定系数(R2)均大于0.98。 其中强壮前沟藻和中肋骨条藻模型浓度预测范围分别在1.05×103~1.05×104和1.13×104~2.38×105 cells·mL-1, 最低测量浓度达到该藻种发生赤潮时的基准浓度。 三角褐指藻模型浓度预测范围为1.06×105~4.36×106 cells·mL-1, 最低测量浓度低于现有光谱技术对其测量的浓度。 本研究为快速、 准确、 无损探测赤潮提供了新方法。
赤潮 高光谱成像 藻种鉴别 浓度测量 Algal blooms Hyperspectral imaging Species identification Concentration measurement 光谱学与光谱分析
2023, 43(11): 3629
为了找出一种快速、简便、准确的方法来探究霉菌试验后**装备表面生长的霉菌种类，按照标准的试验方法进行了霉菌试验，利用傅里叶红外光谱仪对经过不同菌种腐蚀后的样本进行了测试，获取了光谱数据，并通过对数据进行初步的主成分分析确定了光谱数据的识别区域。采用最小距离匹配、光谱角匹配、光谱信息散度、光谱协方差、主成分分析、偏最小二乘判别分析(Partial Least Squares Discriminant Analysis，PLS-DA)、随机森林等分类算法建立了识别模型。研究结果表明，随机森林算法能够很好地识别霉菌种类，准确率预期在98%以上。基于合适的分类算法，傅里叶红外光谱(Fourier Transform Infrared, FTIR)技术能够实现对菌种的有效鉴别。
傅里叶红外光谱 偏最小二乘判别分析 光谱信息散度 随机森林 霉菌试验 菌种识别 FTIR PLS-DA spectral information divergence random forest mold test species identification
1 东华大学化学化工与生物工程学院生态纺织教育部重点实验室, 上海 201620
2 上海海关工业品与原材料检测技术中心, 上海 200135
煤种信息为煤炭质量评价、 进出境税收征管提供技术支撑。 传统煤种鉴别方法需测定煤炭样品干燥无灰基挥发分、 低煤阶煤透光率、 粘结指数、 恒湿无灰基高位发热量等指标, 能耗大, 检测周期长, 不利于口岸快速通关。 基于不消耗化学试剂、 快速、 低成本等优势, 采用近红外光谱鉴别煤种受到广泛关注, 但目前还未有针对全球不同产地来源煤炭的煤种鉴别应用, 煤炭近红外光谱特征与煤种的相关关系仍有待挖掘。 采集了来自澳大利亚、 俄罗斯、 印度尼西亚等9个国家410批进口煤炭代表性样品, 涉及褐煤、 烟煤和无烟煤3个煤种, 对比分析了不同煤种煤炭样品的漫反射近红外光谱特征, 发现不同煤种煤炭样品近红外光谱在吸光度、 光谱斜率、 特征峰上存在差异。 结合样品成分信息、 X射线衍射、 近红外光谱进行数据挖掘, 发现近红外光谱吸光度与煤炭中固定碳含量呈正相关, 光谱斜率与煤炭芳构化呈负相关, 煤炭芳构化增加导致长波长方向的吸收系数增大, 光谱斜率变小, 光谱特征吸收峰主要为水分和有机物质含氢基团的特征信息, 特征峰强度取决于煤炭中水分和挥发分含量。 采用主成分分析(PCA)进行数据降维, 光谱变量从1 557个降到394个, 对前10个主成分进行逐步判别, 筛选出PC1, PC2, PC3, PC4, PC6, PC7, PC8, PC9和PC10代替原始数据作为模型输入变量, 建立煤种鉴别的Fisher判别分析模型, 建模样品验证准确率为98%, 交叉验证准确率为97.8%, 测试样品验证准确率为99.1%。 PCA载荷图表明: PC1和PC2主要与煤炭挥发分含量相关, 其次是水分含量。 判别函数1(57.7%)与PC1的相关性最强, 判别函数2(42.3%)与PC2的相关性最强, 说明不同煤种中挥发分含量和水分含量的差异是近红外光谱进行煤种鉴别的内在依据。
煤种鉴别 近红外光谱 判别分析 Coal species identification Near-infrared spectroscopy Discriminant analysis 光谱学与光谱分析
2022, 42(9): 2800
1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
1 中国人民公安大学侦查学院，北京 100038
2 公安部物证鉴定中心，北京 100038
3 上海市现场物证重点实验室，上海 200083
刑事技术领域中血痕的种属鉴定在判断案件性质、确定侦查方向等方面有重要作用，探索用光谱无损的方法进行种属鉴定。使用CRi Nuance光谱成像仪搭载MISytem 3.0光谱影像分析软件在450 nm~950 nm波谱范围内对30种载体上的人血痕迹样本、动物血痕迹样本、人血动物血混合血痕迹样本3类共计180组对象进行光谱成像分析，并用样本中两种物质的斜率之差分析实验结果。高光谱成像技术鉴别不同载体上人血和动物血及其混合血的实验结果表明，三种血痕在大多数载体上可被区分，区分率均在70%以上，为确定或排除嫌疑提供了参考。所提方法补充了血痕种属鉴定的方法体系，可在血痕鉴定领域进一步推广使用。
光谱学 高光谱成像 鉴别 血痕 种属鉴定 激光与光电子学进展
2022, 59(16): 1630001
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所环境光学与技术重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
3 安徽省环境光学监测技术重点实验室, 安徽 合肥 230031
4 安徽大学, 安徽 合肥 230601
针对混合浮游藻类群落离散三维荧光光谱特征识别,对比分析了简单卷积神经网络(PlainCNN)和文本卷积神经网络(TextCNN)模型对5种常见门类藻(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)混合数据的种类识别准确率及浓度测量精度。结果表明,在藻类独立识别及浓度回归分析中,PlainCNN模型对测试集的平均识别准确率和浓度输出结果的平均均方误差分别为90%和0.052,均优于 TextCNN模型。为了同时实现混合藻类种类识别和浓度分析,基于PlainCNN模型提出了多任务卷积神经网络PlainCNN-MT模型。该模型对混合藻类种类识别的平均准确率提高至95%,浓度输出结果的平均均方误差降低至0.039,表明多任务卷积神经网络在浮游藻类群落识别与定量分析中更具优势。
光谱学 浮游藻类 离散三维荧光光谱 卷积神经网络 种类识别 定量分析
1 中国人民公安大学 侦查与刑事科学技术学院,北京100038
2 南京简智仪器设备有限公司,南京 210049
为了建立一种检验现场残留烟用内衬纸的科学方法, 采用最新的差分喇曼光谱技术对44个不同品牌、不同系列的样品进行了检验, 依据样品中主要填料的不同对样品进行了分类。结合化学计量学, 将经主成分分析降维后的数据用来聚类分析, 用显著性P值和Pearson相关系数评价聚类结果的好坏, 得出的最优聚类结果用来建立判别式。结果表明, 经解析比对谱图后可将样品分为4类;建立的判别式实现了对44个样品100%的准确分类, 并对未知样本的判别提供了依据。该方法结合谱图分析和化学计量学, 能快速、无损、准确地对样品做出客观检验, 具有一定的普适性,为公安实际办案提供了理论依据。
光谱学 差分喇曼光谱 化学计量学 烟用内衬纸 种类鉴别 spectroscopy differential raman spectroscopy chemometrics cigarette liner species identification
西安交通大学电气工程学院电力设备电气绝缘国家重点实验室, 陕西 西安 710049
β-苯乙胺(PEA)是一种重要的有机合成中间体, 在PEA生产过程中, 最终的生成物中常常为含有氯化钠(NaCl)、 氢氧化钠(NaOH)和PEA三者的混合物。 因此, 对NaCl, NaOH, PEA和混合物种类进行鉴别, 有利于PEA的合成以及定性检测, 需建立紫外光谱快速鉴别NaCl, NaOH, PEA和混合物种类的方法。 利用紫外光谱法分别测量了NaCl, NaOH, PEA和混合物在190~400 nm范围的吸收光谱。 首先, 采用偏最小二乘法(PLS)提取紫外光谱的主成分信息, 用少数的主成分信息取代原始变量, 减少模型的复杂度。 用PLS提取NaCl, NaOH和PEA在前三个主成分空间中得分向量值的分布。 可知NaCl, NaOH和PEA前三个主成分累计贡献率分别是96.64%, 99.44%和99.95%。 因此, NaCl、 NaOH和PEA的前三个主成分基本包含了大部分的光谱信息。 其次, 用获得的三个主成分作为输入变量, 采用线性判别分析(LDA), Sigmoid SVM, RBF-SVM, RBF-ANN, BP-ANN和人工蜂群(ABC)优化神经网络(ABC-BP-ANN)等模式识别方法对NaCl, NaOH和PEA种类进行判别, 获得总的敏感性分别为95.6%, 95.6%, 95.9%, 95.8%, 96.9%和99.6%。 由于NaCl和NaOH特征吸收峰很相似, 主成分得分向量会出现重叠现象, 导致NaCl和NaOH的种类鉴别出现误判。 通过对比六种分类方法, 可知ABC-BP-ANN效果最优, BP-ANN次之, RBF-SVM和RBF-ANN结果相似, 但比BP-ANN稍差, LDA和Sigmoid-SVM效果最差。 最后, 配制7种不同摩尔分数的混合物(混合物摩尔分数是指PEA物质的量占混合物总物质的量百分比), 浓度范围为0%mol·L-1~60%mol·L-1, 然后采用RBF-SVM, BP-ANN和ABC-BP-ANN三种方法对混合物种类进行判别。 从敏感性和特异性结果可以得知, ABC-BP-ANN分类效果最好, BP-ANN次之, RBF-SVM分类效果最差, 由混合物得到的结果与单组分的结果相一致。 结果表明, 紫外光谱结合ABC-BP-ANN模式识别方法可以成功区分NaCl, NaOH, PEA和混合物的种类。 该方法可作为一种简便、 快速、 可靠的方法用于NaCl, NaOH, PEA和混合物的种类判别, 并为PEA的合成和质量控制提供理论依据和技术支撑。
β-苯乙胺 紫外光谱 人工蜂群优化神经网络 敏感性 混合物光谱判别 β-phenylethylamine UV spectroscopy Artificial Bee Colony combined with BP-ANN Sensitivity Species identification of the mixture
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、 风车木、 微凹黄檀、 燃料紫檀和东非黑黄檀的能力。 应用中红外光谱仪采集了500组试验样本进行分析, 对试验数据进行了预处理: 首先, 为了保证样本的有效性, 对异常光谱进行了诊断。 基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常, 风车木、 燃料紫檀和东非黑黄檀各有1组异常。 为使样本数量统一, 五种树种分别剔除了包含异常光谱在内的5组数据； 其次, 分析了近红外光谱的树种识别研究, 结果表明: 对光谱数据进行一阶导数处理, 可提高识别的精度。 因此, 对中红外光谱数据进行了平滑处理和一阶导数处理。 采用主成分分析提取了光谱数据的特征值, 测试集的第一和第二主成分得分的散点图显示, 平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。 以主成分的得分为特征, 基于支持向量机和马氏距离进行了识别研究。 考虑到识别方法中主成分个数的选取会直接影响识别的精度, 而通常主成分的选取仅参考累计贡献率, 此处为使主成分的选取更科学, 在支持向量机识别方法中利用粒子群算法进行参数寻优时, 对主成分的个数(范围为［5, 30］)与5折检验下的最佳判别准确率的关系进行了试验, 结果表明: 平滑处理和平滑加一阶导数处理的主成分个数在［7, 11］范围内的5折检验下的最佳判别准确率较高, 结合对应的判别准确率, 确定了最佳的主成分个数为8个。 以前8个主成分作为输入变量, 基于支持向量机和马氏距离对测试集进行了测试, 结果得出: 两种识别方法的正确识别率均较高, 支持向量机的识别率略高于马氏距离, 平滑加一阶导数处理的识别率均优于平滑处理, 平滑加一阶导数处理的支持向量机正确识别率达到了98%, 识别效果最好。 因此, 中红外光谱分析可以作为木材树种识别的一种有效手段。
中红外光谱 树种识别 一阶导数 主成分分析 支持向量机 马氏距离 Mid-infrared spectrum Tree species identification First derivative Principal component analysis Support vector machine Mahalanobis distance 光谱学与光谱分析
2020, 40(7): 2128
1 新疆农业大学草业与环境科学学院, 新疆 乌鲁木齐 830052
2 安徽师范大学地理与旅游学院, 安徽 芜湖 241000
3 滁州学院计算机与信息工程学院, 安徽 滁州 239000
4 新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830001
针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。
图像处理 卷积神经网络 残差网络 树种识别 高光谱影像 激光与光电子学进展
2020, 57(24): 242804
