1 新疆理工学院能源化工工程学院, 阿克苏 843000
2 湖南现代环境科技股份有限公司, 长沙 410114
近年来, 重金属离子的去除是复杂环境中水处理面临的难点问题之一, 静电纺丝制备的三维SiO2纳米纤维棉具有耐高温、耐强酸的特点, 是复杂环境中水处理的理想前驱体材料。以三维SiO2纳米纤维棉作为基底, 在引发剂偶氮二异丁腈作用下催化乙烯苯磺酸和乙二苯单体发生原位聚合, 实现聚乙烯苯磺酸在SiO2纳米纤维棉表面均质包覆, 制备SiO2@聚乙烯苯磺酸纳米纤维棉。通过SEM、FT-IR等表征方法揭示了该纳米纤维棉的形貌和化学组成, 采用热重分析仪对其进行热稳定性测试, 并研究了该纳米纤维棉在高温、酸性条件下的吸附再生性能。结果表明: SiO2@聚乙烯苯磺酸纳米纤维棉对Cu2+、Cd2+和Pb2+有很高的吸附容量, 当pH值为5.5和初始离子浓度为100 mg/L时, 吸附容量分别为73.0、91.0、161.0 mg/g, 当温度为80 ℃时吸附容量仍可达81.0、64.0、123.0 mg/g; 吸附过程符合准二级动力学和Langmuir等温吸附, 具有较强的再生性能, 经10次离子脱附-吸附循环, Cu2+、Cd2+和Pb2+的容量保持率分别为83.5%、81.1%、77.6%。
原位聚合包覆 SiO2纳米纤维棉 静电纺丝 水处理 重金属 吸附 in situ polymerization coating SiO2 nanofiber cotton electrospinning water treatment heavy metal adsorption
1 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
2 南京信息工程大学物理与光电工程学院, 江苏 南京 210044
3 太谱(苏州)纺织科技有限公司, 江苏 苏州 215159
4 江苏阳光集团, 江苏 江阴 214426
纤维成分的定性及定量分析在纺织品检测中一直是研究热点, 但常规检测手段存在周期长、 工序复杂且对环境不友好等问题, 因此提出一种对纺织品纤维含量快速、 无损且准确的检测方法就显得尤为重要。 研究提出一种纺织品纤维含量的定量校正模型, 可以准确预测纺织品中棉/涤纶/羊毛的纤维含量, 解决传统校正模型无法兼顾准确与多种纤维预测的难点。 针对645个羊毛/涤纶、 棉/涤纶以及羊毛/涤纶/棉混纺样品为研究对象, 采用红外光谱分析仪采集样品的近红外反射光谱, 在光谱数据预处理的基础之上, 提出一种一维卷积神经网络(1D-CNN)模型, 实现对多种纤维含量的同时预测, 为了凸显模型的优势, 在相同的训练集和测试集样本之上对比3种不同机器学习算法的预测结果。 结果表明： 选用线性函数归一化、 多项式平滑滤波(SG平滑, 滑动窗口为9, 拟合阶数为7)的预处理方法, 结合所提出的1D-CNN模型效果最优, 其模型决定系数R-Squared可达到0.998, 各含量预测的平均绝对误差(MAE)为0.62, 预测均方根误差(RMSE)为1.31。 同时采用未参与建模的138个纺织品样品验证模型泛化能力, 模型在测试集上的表现为, 决定系数R-Squared为0.996, 各含量预测的平均绝对误差(MAE)为0.80, 预测均方根误差(RMSE)为2.01。 采用所提出的模型, 可以准确预测羊毛、 棉和涤纶混纺织品中纤维含量, 为快速无损检测纺织品提供了一种可行的方法, 同时为其他混纺纤维含量的定量分析提供了新的思路。
近红外光谱 定量校正模型 羊毛/涤纶/棉 一维卷积神经网络 Near-infrared spectroscopy Quantitative correction model Wool/polyester/cotton 1D-CNN 光谱学与光谱分析
2023, 43(11): 3565
辐射研究与辐射工艺学报
2023, 41(4): 040202
1 武汉科技大学冶金装备与控制技术教育部重点实验室，湖北 武汉 430081
2 武汉科技大学湖北省机械传动与制造工程重点实验室，湖北 武汉 430081
3 武汉科技大学精密制造研究院，湖北 武汉 430081
4 广西师范大学物理科学与技术学院，广西 桂林 541004
5 桂林电子科技大学电子工程与自动化学院，广西 桂林 541004
太赫兹(THz)具有低能性、 瞬态性、 波谱分析能力强的优点, 在物质鉴别方面具有广阔的应用前景。 现有的基于THz的物质鉴别方法, 虽然取得了一定的效果, 但是存在容易陷入局部最优的问题, 从而导致识别精度不高。 均匀流形逼近与投影(UMAP)作为一种非线性降维方法, 其假设数据均匀分布在黎曼流形上, 可以对具有模糊拓扑结构的流形进行建模。 UMAP降维的过程是通过最小化两个拓扑表示之间的交叉熵, 从而实现低维空间中数据表示的布局优化。 传统的模糊C聚类方法(FCM)在聚类时, 初始聚类中心往往随机给定, 当初始聚类中心选择不恰当时, 容易导致错误的聚类。 为此, 提出一种基于UMAP辅助的模糊C聚类算法, 首先运用UMAP对输入的THz样本矩阵进行降维; 再根据类与类之间距离最大化的原则, 选择合适的初始聚类中心; 最后利用模糊C均值聚类的方法进行聚类。 所提出的方法不仅能够解决聚类过程中类与类之间过度拥挤的现象, 而且能够反映出类别间的距离信息以便于给样本选择合适的初始聚类中心。 为了验证提出的聚类方法的可靠性, 运用太赫兹时域光谱技术对鲁棉研28、 鲁棉研29、 鲁棉研36、 中棉28四种不同类型的转基因棉花种子进行了探测, 利用基于UMAP辅助的模糊C聚类算法对转基因棉花种子的吸光度光谱数据进行聚类分析, 成功地将四种不同类型的转基因棉花种子区分开, 得到了总正确率为0.983 3的聚类效果, 说明提出的基于UMAP辅助的模糊C聚类算法在物质太赫兹光谱识别方面具有良好的应用前景。
太赫兹时域光谱 物质鉴别 转基因棉花种子 降维 模糊C聚类 Terahertz time-domain spectroscopy Substance identification Transgenic cotton seeds UMAP Dimensionality reduction Fuzzy C-clustering method UMAP 光谱学与光谱分析
2022, 42(9): 2694
1 新疆大学资源与环境科学学院，新疆 乌鲁木齐 830046
2 绿洲生态教育部重点实验室，新疆 乌鲁木齐 830046
3 新疆智慧城市与环境建模普通高校重点实验室，新疆 乌鲁木齐 830046
探索了利用高光谱技术估算长绒棉叶片叶绿素含量的可行性，并野外测定了长绒棉的光谱数据和叶绿素含量，对光谱数据进行求一阶微分和包络线去除处理，然后构建了4种常见的植被指数与3种优化光谱指数。根据相关性分析，利用支持向量机（SVM）回归模型估算长绒棉叶片叶绿素含量。结果表明，在530~560 nm、700~750 nm波段范围内，叶绿素含量与光谱反射率呈负相关，一阶微分光谱相关性通过0.01显著性水平检验波段数最多；基于一阶微分建立SVM估算长绒棉叶绿素含量模型，决定系数达到了0.72，均方根误差和相对误差分别为1.99、0.72，其预测精度高于植被指数和优化光谱指数构建的SVM模型。该研究结果可为快速检测长绒棉叶绿素含量提供参考。
光谱学 长绒棉 叶绿素含量 支持向量机 高光谱估算模型 激光与光电子学进展
2022, 59(5): 0530001
中国农业大学信息与电气工程学院, 北京 100083
针对新疆棉田传统螨害监测方法耗时低效的问题, 提出了一种基于冠层高光谱、 近地多光谱、 环境数据与地面调查相结合的多源数据棉田螨害大范围监测方法。 首先, 分别采集地面尺度的棉花冠层350~2 500 nm高光谱遥感数据和不同时期低空尺度的棉田无人机多光谱遥感影像数据, 通过分析高光谱的原始光谱和一阶微分光谱特征, 提取出了4个螨害敏感波段, 分别为: 绿光波段553 nm附近、 红光波段680 nm附近、 红边波段680~750 nm、 近红外波段760~1 350 nm, 这几个波段同时包含在无人机搭载的多光谱传感器波段范围内, 验证了低空尺度下无人机遥感螨害监测的可行性。 其次, 初选23种植被指数和13种田间环境数据, 结合地面调查的螨害发生情况做相关性分析。 其中, SAVI、 OSAVI、 TVI、 NDGI、 平均湿度、 温湿系数和10 cm土壤平均温度均与螨害发生达到极显著相关水平(sig≤0.01); RDVI、 RVI、 MSR、 最高温度、 平均温度、 积温、 10 cm土壤最高温度和10 cm土壤平均湿度均与螨害发生达到显著相关水平(sig≤0.05)。 选取sig值在0.05以下的15种特征值, 分别建立基于单一环境数据、 单一植被指数、 环境数据与植被指数相结合的3种支持向量机(SVM)棉田螨害发生监测模型。 最后, 根据评价效果最优的监测模型, 绘制不同时期的螨害遥感监测空间分布图, 通过统计分布图中螨害和健康像元数计算出螨害面积占比, 将螨害占比与同时期田间环境数据进行相关性分析, 筛选出显著特征值, 再通过多元逐步回归分析法确定出与螨害面积值关系最密切的环境因子, 建立棉田螨害面积预测模型。 结果表明: 基于单一环境数据的棉田螨害发生监测模型准确率为62.22%, 基于单一植被指数的棉田螨害发生监测模型准确率为75.56%, 基于环境数据与植被指数相结合的棉田螨害发生监测模型效果最优, 准确率为80%。 螨害面积预测模型的决定系数R2=0.848, 模型拟合度较好。 本研究基于多源数据建立的棉田螨害发生监测模型和螨害面积预测模型, 可以为新疆地区棉田螨害的大范围监测和趋势预警提供参考。
无人机遥感 棉叶螨 环境数据 监测 预测 Unmanned aerial vehicle remote sensing Cotton spider mite Environmental data Monitoring Prediction 光谱学与光谱分析
2021, 41(12): 3949
1 石河子大学信息科学与技术学院, 新疆 石河子 832003
2 新疆生产建设兵团生态农业重点实验室, 新疆 石河子 832003
棉花精量播种技术目前已经在新疆兵团全面推广, 该技术能精确实现一穴一粒的农艺技术指标, 但是也对高质量棉种的筛选提出了更高的要求。 为了避免播种往年活力不足的棉种而导致发芽率降低的问题, 结合机器学习和近红外(NIR)高光谱成像技术(HSI)进行棉种年份精确鉴别, 实现棉种的快速无损筛选。 采集2016年—2019年近四年外观无明显差异的棉种各360粒, 共1 440粒棉种(按照3∶1∶1划分训练集、 验证集和测试集)作为样本, 按照每批60粒采集915~1 698 nm范围的棉种高光谱图像, 去除首尾两端噪声大的光谱, 保留1 002~1 602 nm范围的光谱为原始数据。 利用Savitzky-Golay(SG)平滑算法对光谱进行预处理, 采用主成分载荷方法(PCA-loading)选取13个特征波段, 基于全部光谱数据和特征波段(±10 nm)数据建立逻辑回归(LR)、 偏最小二乘判别分析(PLS-DA)、 支持向量机(SVM)、 循环神经网络(RNN)、 长短记忆网络(LSTM)和卷积神经网络(CNN)六种分类模型。 使用全光谱数据建模时, 六种分类模型在测试集上的鉴别准确率分别为96.27%, 98.98%, 99.32%, 96.95%, 97.63%和100%, 其中CNN和SVM模型取得了较好的结果; 使用特征光谱数据建模时, 六种分类模型在测试集上的鉴别精度分别为93.56%, 97.29%, 98.30%, 95.25%, 94.24%和99.66%, 其中CNN和SVM模型仍有较好的分类结果。 结果表明, 使用全光谱数据建模时, 六种分类模型都可以实现较高精度的棉种年份鉴别, 使用特征光谱数据建模时CNN和SVM模型的鉴别精度仍可达到98%; 其中深度学习方法优于传统机器学习方法, 但是传统机器学习方法仍能保持较好的鉴别准确率。 因此, 结合近红外高光谱成像技术和机器学习方法能够实现棉种年份的高精度鉴别, 为棉花精量播种过程中的优质棉种选种技术提供理论依据和方法。
高光谱成像 棉种年份鉴别 卷积神经网络 机器学习 Hyperspectral imaging Cotton seed year-identification Convolution neural network Machine learning 光谱学与光谱分析
2021, 41(12): 3857
石河子大学机械电气工程学院/农业农村部西北农业装备重点实验室, 新疆 石河子 832003
机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据, 对提升皮棉品质具有重要意义。 但由于籽棉棉层分布不均匀, 使得图像检测难度增大, 使用传统的检测方法无法有效检测各类杂质。 采用高光谱成像方法对机采籽棉中的棉叶、 棉枝、 地膜和铃壳(内外)五种杂质进行分类判别检测。 首先采集120个机采籽棉样本的高光谱图像, 选取感兴趣区域获取平均光谱曲线。 发现由于物质构成的差异, 不同杂质体现出不同的吸收和反射特性, 不同种类物质之间的光谱差异大于同类物质。 对提取的平均光谱曲线进行主成分分析(PCA), 结果显示棉花、 残膜和铃壳外与其他三类相比, 有较好的聚集性和可分性, 但是棉叶、 铃壳内和棉枝三类相互叠加在一起, 空间分布存在严重交叉重叠。 以提取的平均光谱曲线为训练样本, 选择线性判别分析(LDA)、 支持向量机(SVM)和神经网络(ANN)三种分类判别算法, 对算法参数进行寻优, 并建立机采籽棉杂质分类判别模型。 其中, 经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性, 采用正则化防止过拟合, 得到训练集准确率为86.4%, 测试集准确率为86.2%; SVM模型的参数寻优结果为C=105, g=0.1, 其训练集准确率为83.42%, 测试集准确率为83.40%; ANN模型参数寻优得到隐含层数和神经元个数分别为2和17, 训练集准确率为82.9%, 测试集准确率为81.8%。 对三种模型的分类效果和检测用时进行比较, LDA模型结果最优。 通过对高光谱图像进行像素等级分类判别, 结果显示棉花识别效果较好, 植物性杂质都被有效检测, 但是地膜和棉花存在误识别, 分类效果与杂质光谱的分类判别模型结果一致。 因此, 采用高光谱成像技术可以快速、 无损的检测和识别籽棉杂质, 为棉花加工装备提供反馈参数, 对棉花加工机械化和智能化有重要意义。
机采籽棉 杂质检测 高光谱成像 分类判别 Seed cotton Impurities detection Hyperspectral imaging Classification 光谱学与光谱分析
2021, 41(11): 3552
1 中国计量大学计量测试工程学院, 浙江 杭州 310018
2 杭州谱育科技发展有限公司, 浙江 杭州 310023
将近红外光谱技术与深度学习理论相结合,提出了一种基于Dropout深度信念网络(DBN)的棉涤混纺面料中各组分含量的快速检测方法。首先使用小波变换对原始光谱数据进行压缩处理,再构建以高斯受限玻尔兹曼机(GRBM)为核心的DBN模型,以保证输入数据信息的完整性;然后利用Dropout来防止模型过拟合,通过隐藏部分隐含层节点来减小节点之间的相互依赖,实现网络的稀疏化处理,提高了非线性建模和网络模型的泛化能力。实验结果表明:对于采用Dropout-DBN方法建立的棉涤混纺面料中各组分含量的分析模型,其棉、涤纶含量的预测集相关系数分别为0.9927和0.9903,预测集均方根误差分别为0.0792和0.0869。与其他建模方法相比,所建模型的精度和适应性显著提高,并有利于模型的传递与共享,提高了模型的智能化。
光谱学 近红外光谱 棉涤混纺面料 深度信念网络 高斯受限玻尔兹曼机 Dropout策略 光学学报
2021, 41(17): 1730002
1 南昌海关技术中心，江西南昌330038
2 江西农业大学食品科学与工程学院，江西南昌330045
为了实现纺织纤维测定的高效化和无害化并将快速检测方法提供给纺织企业、市场监管部门，将281个棉/氨纶混纺样品作为研究对象，分析了样品颜色和织物结构的影响，并采用偏最小二乘法建立了棉/氨纶混纺织物中纤维含量的近红外定量模型。为验证该模型的准确性，对23个棉/氨纶样品进行了预测。通过对该方法与标准方法SN/T 0464--2003进行成对结果t检验，得到了两种方法的结果不存在显著性差异的结论。这种近红外方法已转化为检验检疫行业标准，并经实际应用证明效果显著。
近红外光谱法 棉/氨纶混纺织物 样品颜色 织物结构 near-infrared spectroscopy cotton-spandex blended fabrics sample color fabric structures
