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
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
近红外光谱中包含了物质中有机分子含氢基团的特征信息, 具有维度高、 冗余大等特点。 传统的基于浅层校正模型, 比如主成分回归、 偏最小二乘回归、 人工神经网络、 支持向量回归等, 无法提取近红外光谱数据深层的信息。 提出一种基于堆叠监督自动编码器的近红外光谱建模方法, 不仅可以拟合光谱数据与理化值之间复杂的非线性关系, 还可以提取数据深层的特征信息。 首先通过对比不同的光谱预处理对模型预测结果的影响, 选择最优的预处理方法, 然后再使用相关系数法提取特征波段。 将处理好的近红外光谱数据作为堆叠监督自动编码器的输入信号, 利用理化值对多个监督自动编码器进行有监督的预训练; 将多个经过预训练的监督自动编码器进行堆叠, 得到堆叠监督自动编码器; 将预训练的参数作为堆叠监督自动编码器的初始化参数, 然后再利用理化值对堆叠监督自动编码器进行有监督的微调, 最后得到模型的最优参数。 分别利用玉米含水量和黄酒总酸含量等近红外数据集进行验证, 建立了偏最小二乘回归预测模型、 人工神经网络预测模型、 堆叠自动编码器预测模型和堆叠监督自动编码器预测模型, 验证了堆叠监督自动编码器建模的可行性; 以预测均方根误差和预测相对分析误差两个指标对比分析了偏最小二乘回归、 反向传播人工神经网络、 堆叠自动编码器及堆叠监督自动编码器四种建模方法的评价指标。 分析结果表明, 采用该方法建立的模型, 模型预测效果更好, 玉米含水量数据集的两个评价指标达到了0.060 4和4.313; 黄酒总酸含量数据的两个评价指标达到了0.120和4.227, 均优于另外三种方法。
近红外光谱 深度学习 堆叠监督自编码器 定量校正模型 Near infrared spectroscopy Deep learning Stack supervised auto-encoder (SSAE) Quantitative calibration model 红外与激光工程
2021, 50(12): 20210182
天津大学精密测试技术及仪器国家重点实验室, 天津 300072
药品安全与质量监管迫切需要在线、 快速、 低成本的成分检测技术。 近红外光谱技术在检测成本及速度方面具有显著优势, 基于近红外光谱的药品成分检测方法, 对于提高药品质量监管水平有着十分重要的研究意义和应用价值。 在实际应用中, 不同光谱仪器由于性能参数不同, 测量光谱存在一定差异, 很难实现定量校正模型共享。 因此, 研究不同光谱仪器之间模型传递对于提高分析效率十分重要。 针对头孢类药品成分检测的需要, 研究了头孢类药品中三种组分定量校正模型, 提出了一种基于马尔可夫链(MC)的转换集选择的不同仪器间定量校正模型传递方法。 采用两台不同厂家光谱仪器分别测量56份不同批次的头孢拉定颗粒样品, 针对样品的三种组分: 头孢拉定、 头孢氨苄和水分, 使用偏最小二乘法(PLS)建立定量校正模型。 通过构建概率矩阵, 选择合适的转换集, 提高模型转换效率及不同仪器得到光谱数据的建模预测精度。 实验结果表明, 利用该模型转移算法, 可利用少量转换集样本实现不同光谱仪器间定量校正模型转移, 模型转移前后, 定量校正模型对于三种主成分预测相对误差从9.67%, 52.14%和19.25%, 分别下降到到4.37%, 31.12%和11.67%。 利用该模型传递方法可以有效修正主从仪器光谱差异, 实现了不同仪器测量光谱及定量分析模型传递共享。 该研究的建模分析与模型传递方法也为药品成分与质量检测提供了技术支撑。
近红外光谱 药品成分检测 定量校正模型 模型传递 马尔可夫链 Near-infrared spectroscopy Drug composition detection Quantitative calibration model Calibration transfer Markov chain 光谱学与光谱分析
2020, 40(11): 3562
血液鉴别对于检验检疫、 刑侦以及动物保护领域具有非常重要的意义, 传统的的血液鉴别方法在鉴别的过程中存在分析周期长、 对血液样本造成损害等缺点。 而拉曼光谱可以通过分析与入射光频率不同的散射光谱得到分子振动、 转动方面的信息, 进而得到物质的组成成分, 并且具有零污染非接触的特点, 为血液的无损鉴别提供了可能, 但是在拉曼光谱中, 各个波长点之间存在严重的多重共线性, 直接使用全光谱进行建模会增加模型的复杂性和降低模型的稳定性。 针对拉曼光谱的特点, 提出了一种基于神经网络的波长选择方法。 该方法利用神经网络学习到各个波长点对校正模型的贡献权重, 并将权重的均值作为阈值, 去除权重低于阈值的波长点, 以达到波长选择的目的。 为了更容易确定筛选的阈值, 在权重学习的过程中加入了稀疏约束, 极大的减少了用于筛选的波长点。 利用动物与人血清的拉曼光谱数据集对所提方法进行了验证, 实验结果表明, 利用该方法得到的光谱建立的校正模型, 相比于全光谱数据在分类准确率和AUC值都有一定的提升, 人工神经网络(NN)的准确率达到了94.495%, AUC值达到了0.9850, 偏最小二乘(PLS-DA)的准确率达到了92.661%, AUC值达到了0.9760。 与传统的波长选择方法UVE相比, 该方法选择的波长点更少, 仅选择了42个波长点用于建模, 而且得到的校正模型的分类准确率和AUC值更高, 证明该波长选择方法能有效的筛选出对建模有贡献的波长点, 提高了模型的分类准确率和稳定性, 为血液的无损鉴别提供了可能, 具有一定的实用价值。
光谱分析 拉曼光谱 波长选择 神经网络 校正模型 Spectral analysis Raman spectrum Wavelength selection Neural network Calibration model 光谱学与光谱分析
2020, 40(11): 3457
江南大学自动化研究所轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
近红外光谱是一种快速、 无损的定量分析工具, 现如今已广泛的应用在各个行业中。 近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。 目前常用的定量分析方法大多为浅层模型, 深度信念网络(DBN)是一种基于概率的深层模型, 可以自动学习输入的有效特征表示, 且只要设置最后隐层输出节点数低于输入光谱维度, 在对光谱数据完成特征提取的同时即可实现降维。 对于近红外光谱样本量大、 变量多、 维度高等问题, 提出一种基于深度信念网络的近红外光谱建模方法, 定量分析物性浓度。 该方法以近红外光谱数据作为输入信号, 首先对多层受限玻尔兹曼机（RBM）进行无监督学习, 实现光谱自身特征的提取; 然后利用目标理化值对网络进行微调得到最优模型参数。 在建立DBN校正模型的基础下对其进行改进, 建立DBN-PLS校正模型。 通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型, 验证了DBN建模和DBN-PLS建模的可行性, 并引入决定系数（R2）和均方误差（MSE）两个模型评价指标, 对比分析了传统BP建模和DBN建模的精度。 分析结果表明, 相较于传统定量分析方法建模, 利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。
近红外光谱 深度信念网络(DBN) 定量校正模型 Near infrared spcetroscopy Deep belief network(DBN) DBN-PLS DBN-PLS Quantitative calibration model 光谱学与光谱分析
2020, 40(8): 2512
1 海军航空大学, 山东 烟台 264001
2 中国人民解放军91515部队, 海南 三亚 572061
研究近红外光谱分析模型中的样本有效划分问题, 针对经典KS算法依据距离度量描述高维度光谱数据间差异时效果不尽人意甚至失去意义的问题, 结合目前相似性度量方法的不足, 构造出一种新的相似性度量函数, 采用光谱特征和性质特征相结合的方式计算样本间差异, 提出一种改进的KS算法以寻求样本差异的最佳表达方式。通过与其他改进方法的对比, 从有效性和对近红外光谱分析模型的影响两方面对所提改进算法进行分析, 验证了所提算法的合理性和优越性。
近红外线光谱分析 相似性度量 模型传递 多元校正模型 KS算法 样本划分 near-infrared spectroscopy analysis similarity measure model transfer multivariate correction model KS algorithm sample partition
1 中国科学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
硝酸盐是水中“三氮”（硝酸盐氮、 氨氮、 总氮）之一, 是反映水体受污染程度的一项重要指标。 传统 “现场采样-离线分析” 的硝酸盐化学检测方法操作繁琐、 耗时长, 难以满足现代水环境实时在线检测需求。 由于硝酸根在紫外区具有很强的紫外吸收特性, 并且紫外吸收光谱法具有简便快速、 可实现实时在线监测等特点, 近年来被广泛用于硝酸盐浓度的测量。 但使用紫外吸收光谱法检测水体硝酸盐含量时, 容易受到水体浊度影响, 造成谱线非线性抬升, 导致测量误差。 目前对浊度补偿算法的研究大都用于水中COD含量的检测, 对硝酸盐检测中浊度干扰去除研究较少。 为此提出一种基于一阶导数紫外吸收光谱的硝酸盐浓度测量方法, 该方法可以减小浊度干扰, 从而提高紫外光谱快速检测硝酸盐含量的准确度。 通过测量福尔马肼与硝酸钠标准溶液和它们混合溶液在190~300 nm波段的紫外吸收光谱并做一阶导数光谱处理, 处理后的光谱采用Savitzky-Golay滤波进行去噪平滑处理, 比较浊度与硝酸盐紫外吸收一阶导数光谱特征, 分波段研究浊度对硝酸盐紫外一阶导数光谱影响, 结果表明硝酸盐导数光谱在220~230 nm波段受浊度影响小; 选取220~230 nm波段作为光谱分析区间, 以30种不同浓度混合的福尔马肼与硝酸钠溶液作为训练样本, 利用偏最小二乘算法建立硝酸盐定量分析模型, 使用该建模模型预测剩下的6种不同浓度福尔马肼与硝酸钠混合溶液中硝酸盐的浓度, 结果表明福尔马肼干扰下硝酸盐测量结果的预测决定系数（correlation coefficient, R2）为0994 3, 预测均方根误差（root mean square error of prediction, RMSEP）为0346 9 mg·L-1。 为进一步验证该方法的准确性与稳定性, 使用该建模模型预测高岭土与硝酸钾配制的混合水样中硝酸盐的浓度, 结果表明该方法对高岭土干扰下硝酸盐测量结果的预测决定系数r2为0991 5, 预测均方根误差RMSEP为0362 8 mg·L-1。 综上所述, 提出的硝酸盐浓度紫外导数光谱检测方法, 采用220~230 nm波段的紫外导数光谱数据, 结合PLS建模, 可以快速准确测量在浊度干扰下水体硝酸盐的浓度, 为发展实际水体硝酸盐在线监测技术与设备提供方法基础。
硝酸盐 浊度 一阶导数光谱 紫外吸收光谱 偏最小二乘 校正模型 Nitrate Turbidity First derivative spectroscopy UV absorption spectrum PLS Correction model 光谱学与光谱分析
2019, 39(9): 2912
1 中国科学院安徽光学精密机械研究所,合肥 230031
2 中国科学技术大学, 合肥 230026
3 中国科学院通用光学定标与表征技术重点实验室, 合肥 230031
根据多角度偏振成像仪光学系统特点, 分析了仪器的鬼像分布特性, 结合光学设计软件CodeV与ZEMAX确定了产生严重鬼像的光学工作面, 并对实验测得的鬼像图像进行了标记.在此基础上, 利用鬼像畸变与视场的关系, 采用多项式拟合的方法得到仪器全视场鬼像位置和形变, 并通过实测图像确定了原像和鬼像图像之间的能量衰减比, 建立了仪器全视场的鬼像校正模型.最后分别对未饱和及过饱和图像进行了校正, 结果表明, 此校正方法可以消除至少90%的鬼像杂光.
成像系统 多角度偏振成像仪 鬼像校正模型 鬼像位置 能量占比 Imaging systems Directional polarimetric camera Ghost correction model Ghost position Energy ratio
江南大学自动化研究所轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
以油砂中钠元素为研究对象, 首次应用近红外光谱, 结合Lasso(least absolute shrinkage and selection operator)建模方法, 建立了油砂金属钠含量的近红外光谱定量校正模型, 并与传统的PLS建模方法进行比较。 结果表明, 两种方法建立的油砂金属钠含量校正模型都具有很高的精度, 预测性能方面略有差异。 在实验验证集与预测集中, PLS与Lasso算法的相关系数分别是: Rv=0.878 8, Rp=0.857 9和Rv=0.887 4, Rp=0.860 0。 实验验证了使用近红外光谱快速测定油砂金属钠含量的有效性, 并分析了PLS与Lasso算法的适用范围。
近红外光谱 油砂金属钠元素 定量校正模型 Near infrared spectroscopy Sodium content in oil sand Lasso Lasso Quantitative calibration model 光谱学与光谱分析
2018, 38(7): 2274
