1 北京服装学院材料设计与工程学院, 北京 100029
2 中国纺织科学研究院有限公司, 北京 100025
3 北京服装学院服装艺术与工程学院, 北京 100029
4 东华大学材料科学与工程学院, 上海 201620
我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。
废旧纺织品 在线近红外光谱 定性识别模型 卷积神经网络 自动分选 Waste textiles Online NIRS Qualitative identification models Convolutional Neural Network Automatic sorting 光谱学与光谱分析
2023, 43(7): 2139
1 中国科学院安徽光学精密机械研究所, 中国科学院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 230031
采用红外光谱技术对未知气体组分进行监测, 需要对气体组分进行定性识别分析。 基于多元线性回归模型的LASSO变量选择技术广泛应用于数据分析领域。 将LASSO方法引入到红外光谱分析领域, 提出一种LASSO变量选择技术结合循环线性最小二乘(LCLS)分析的定性识别方法, 并开展了相关的实验对其进行验证。 实验采集CO, C2H4, NH3, C3H8, C4H10和C6H14六种单组分傅里叶变换红外(FTIR)光谱吸光度谱以及一组C2H4和NH3混合组分的吸光度谱, 结合实验室自建光谱数据库, 先采用LASSO方法对采集的光谱进行初步定性分析, 然后使用LCLS方法剔除干扰组分。 实验结果表明, LASSO结合LCLS的方法能有效识别出光谱中的目标组分, 即使是在干扰严重的光谱波段也可以剔除掉大部分的干扰组分。
定性识别 LASSO LASSO FTIR FTIR Qualitative identification CLS CLS 光谱学与光谱分析
2017, 37(10): 3037
燕山大学 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
石油是一种成分复杂的混合物, 通过常规的检测方法很难对其进行定性识别。本文用汽、煤、柴油的混合物来模拟环境中的油类污染物。汽、煤、柴油在特定波长范围的激发下可以发出含有物质自身信息的荧光, 根据朗伯-比尔定律可知荧光强度与物质浓度成正比, 利用该性质对特定物质进行识别。通过FS920稳态荧光光谱仪对样本进行测量, 将实验所得的三维数据拓展为五维数据, 提出了一种将展开偏最小二乘耦合到残差四线性的五维数据处理方法, 同时采用五维平行因子法和该算法分解数据, 实现了对汽、煤油的定量分析, 并恢复出了其激发和发射光谱。结果表明, 展开偏最小二乘法的分析效果更好。
定性识别 五维数据 展开偏最小二乘法 平行因子法 qualitative identification five-way data unfolded partial least squares method parallel factor method
1 中国农业大学农学与生物技术学院, 北京 100193
2 中国农业大学信息与电气工程学院, 北京 100083
为实现对受到小麦条锈病菌侵染而尚未表现明显症状的小麦叶片进行早期检测, 利用近红外光谱技术结合定性偏最小二乘法建立了小麦条锈病潜育期叶片定性识别模型。 获取健康叶片30片、 条锈病潜育期叶片330片(每天取30片, 共11天)和发病叶片30片, 扫描获得其近红外光谱曲线。 采用内部交叉验证法建模, 研究了不同谱区、 建模比(建模集∶检验集)、 光谱预处理方法和主成分数对建模识别效果的影响。 在5 400～6 600和7 600～8 900 cm-1组合谱区内, 建模比为4∶1、 预处理方法为“散射校正”和主成分数为14时, 所建模型识别效果较理想, 建模集的识别准确率、 错误率和混淆率分别为95.51%, 1.28%和3.21%; 检验集的识别准确率、 错误率和混淆率分别为100.00%, 0.00%和0.00%。 结果表明, 利用近红外光谱技术可在接种1天后(即提前11天)识别出健康小麦叶片和受到条锈病菌侵染的小麦叶片, 并且可以识别不同潜育期天数的叶片。 因此, 利用近红外光谱技术对条锈病菌潜伏侵染检测是可行的, 为该病早期诊断提供了一种新途径。
近红外光谱 小麦条锈病 潜伏侵染 潜育期 定性识别 Near infrared spectroscopy Wheat stripe rust Latent infection Incubation period Qualitative identification 光谱学与光谱分析
2014, 34(7): 1853
1 中国农业大学农学与生物技术学院, 北京100193
2 中国农业大学信息与电气工程学院, 北京100083
利用近红外光谱技术结合定性偏最小二乘法(DPLS)和定量偏最小二乘法(QPLS)分别实现了小麦条锈病菌和叶锈病菌的定性识别和定量测定。 获取两种锈菌单一夏孢子样品各50个以及条锈病菌纯度为25%～100%的混合样品120个。 采集样品光谱后, 将两类样品均按2∶1的比例分为建模集和检验集, 在4 000～10 000 cm-1内采用内部交叉验证法建模。 散射校正预处理方法下、 主成分数为3时, 定性识别模型的建模集和检验集识别准确率均为10000%。 “极差归一+散射校正”预处理方法下、 主成分数为6时, 定量测定模型建模集的决定系数(R2)、 校正标准差(SEC)、 平均相对误差(AARD)分别为9936%, 231%, 894%, 检验集的R2、 预测标准差(SEP)、 AARD分别为9937%, 229%, 540%。 结果表明, 利用该方法对这两种锈菌定性和定量分析是可行的。 本研究为植物病原菌的定性识别和定量分析提供了一种基于近红外光谱技术的新方法。
近红外光谱 小麦条锈病菌 小麦叶锈病菌 定性识别 定量测定 Near infrared spectroscopy Puccinia striiformis f. sp. tritici Puccinia recondita f. sp. tritici Qualitative identification Quantitative determination
