1 江苏大学食品与生物工程学院, 江苏 镇江 212013 江苏省智能农业与农产品加工国际合作联合实验室, 江苏 镇江 212013
2 江苏大学食品与生物工程学院, 江苏 镇江 212013
3 江苏大学食品与生物工程学院, 江苏 镇江 212013 现代农业装备与技术教育部重点实验室(江苏大学), 江苏 镇江 212013
为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。
无损检测 柑橘 可见/近红外光谱 可溶性固形物含量 一维卷积神经网络 迁移学习 模型传递 Nondestructive detection Mandarin Visible/near infrared spectroscopy Soluble solid content One-dimensional convolutional neural network Transfer learning Model transfer 光谱学与光谱分析
2023, 43(9): 2792
1 新疆农业大学数理学院, 新疆 乌鲁木齐 830052
2 新疆农业科学院综合试验场, 新疆 乌鲁木齐 830013
3 新疆农业大学机电工程学院, 新疆 乌鲁木齐 830052
可溶性固形物含量（SSC）是反映苹果品质和成熟度的重要生理指标, 能够用于苹果品质分析和成熟度预测。 以新疆阿克苏冰糖心红富士苹果为研究对象, 从果实膨大定形期至完熟期, 以等间隔周期3 d采摘样本, 测其380~1 100 nm的可见/近红外光谱和SSC, 共552个样本。 然后融合分数阶微分（FD）及置换重要性-随机森林（PIMP-RF）算法, 构建成熟期苹果SSC预测的集成学习模型。 结果表明, 基于PLS模型优选的分数阶微分阶次为0阶、 0.4阶、 1.1阶和1.6阶, 且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示, 利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段, 这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考； 基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力, 其训练集的相关系数r等于0.989 2, 平均绝对误差MAE等于0.241 2, 均方根误差RMSE等于0.309 1, 平均绝对百分误差等于0.018 3； 测试集的相关系数r等于0.903 8, 平均绝对误差MAE等于0.549 9, 均方根误差RMSE等于0.740 8, 平均绝对百分误差等于0.043 4, 相比于FD0-PIMP-RF、 FD0.4-PIMP-RF、 FD1.1-PIMP-RF和FD1.6-PIMP-RF模型, 集成学习模型为最优。 故而, 集成分数阶微分技术与PIMP-RF算法, 结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。
可见/近红外光谱 分数阶微分 置换重要性－随机森林 K近邻（KNN）回归 可溶性固形物含量 Visible/near-infrared spectrum Fractional differential Permutation importance-random forest K-nearest neighbors (KNN) regression Soluble solids content 光谱学与光谱分析
2023, 43(10): 3059
1 北京大学口腔医学院·口腔医院牙周科, 国家口腔疾病临床医学研究中心, 口腔数字化医疗技术和材料国家工程实验室, 口腔数字医学北京市重点实验室, 北京 100081北京大学口腔医院第二门诊部, 北京 100101
2 中国科学院空天信息创新研究院, 北京 100101中国科学院大学, 北京 100049
3 中国科学院空天信息创新研究院, 北京 100101天津中科谱光信息技术有限公司, 天津 300392
4 北京大学口腔医学院·口腔医院牙周科, 国家口腔疾病临床医学研究中心, 口腔数字化医疗技术和材料国家工程实验室, 口腔数字医学北京市重点实验室, 北京 100081
牙周炎是牙齿周围软硬组织的一种感染性、 破坏性疾病, 主要临床表现为牙周袋的形成, 临床附着丧失以及牙槽骨吸收。 可见近红外光谱技术具有无创、 快速检测等优势, 在医学领域得到了较为广泛的应用。 利用可见近红外光谱技术检测重度牙周炎牙龈组织内含氧血红蛋白和脱氧血红蛋白含量。 本研究纳入5名健康对照者和5名重度牙周炎患者, 采集健康者20个位点和重度牙周炎20个位点龈缘、 龈缘下4 mm及龈缘下7 mm的牙龈组织光谱（400～1 700 nm）, 研究发现含氧血红蛋白与脱氧血红蛋白分别在544和576 nm处表现出明显光谱吸收特征。 对原始光谱数据进行包络线去除分析, 并计算含氧血红蛋白和脱氧血红蛋白的相对吸收深度。 结果表明重度牙周炎牙周袋内的含氧血红蛋白和脱氧血红蛋白含量均显著高于健康组（p<0.05）, 而重度牙周炎深牙周袋内不同深度位置其含氧血红蛋白和脱氧血红蛋白含量无统计学差异。 研究结果可反映重度牙周炎与健康牙龈组织中血氧含量差异, 为可见近红外光谱技术应用于牙周炎患者牙龈组织中含氧血红蛋白和脱氧血红蛋白含量的无创检测提供科学依据。
可见近红外光谱 无创检测 牙周炎 含氧血红蛋白 脱氧血红蛋白 Visible near-infrared spectroscopy Periodontitis Noninvasive detection Oxygenated hemoglobin Deoxyhemoglobin 光谱学与光谱分析
2023, 43(8): 2563
1 广西大学电气工程学院, 广西 南宁 530004 广西大学广西甘蔗生物学重点实验室, 广西 南宁 530004
2 广西大学广西甘蔗生物学重点实验室, 广西 南宁 530004广西大学农学院, 广西 南宁 530004
甘蔗的纤维分是甘蔗选育过程和制糖、 造纸等行业生产中不可忽视的因素, 采用透射形式的可见-近红外光谱法对活体甘蔗纤维分进行无损检测具有重要意义。 采集了6个品种不同生长阶段的123个甘蔗蔗茎样本, 将其按2∶1的比例采用Duplex样本集划分方法分为校正集（82个样本）和预测集（41个样本）。 以120°的测量夹角获取了蔗茎在去除蜡质前后两种不同状态下的透射光谱, 并选取噪声较小且幅值变化明显的670～950 nm波段作为实际建模波段。 观察波形发现, 去除蜡质后蔗茎的透光率显著增高, 且建立偏最小二乘（PLS）回归模型分析了蜡质对于模型预测能力的影响, 去蜡后的蔗茎样本建模效果更为良好。 将一阶微分（FD）、 连续小波变换（CWT）、 标准正态变换（SNV）等9种预处理方法分为基线校正、 散射校正、 平滑处理、 尺度缩放四个步骤。 按各步骤的顺序进行排列组合产生108种预处理组合, 分别对处理得到的光谱数据进行PLS建模分析, 最终得到了综合建模效果最优的预处理方法FD+SG。 为筛选得到携带最有效信息的波长, 采取无信息变量消除法（UVE）、 遗传算法（GA）、 竞争性自适应重加权采样法（CARS）以及随机青蛙算法（RF）等有效变量提取算法对最优预处理后的透射光谱进行重要波长筛选。 分别对各算法提取出的重要波长进行PLS建模分析, 其中采用UVE方法提取出来的重要波长建模效果最好, 所选波长的数量为40个, 占全波段的14.3%。 预测集的决定系数（R2p）为0.73, 比相同预处理下的全波段PLS建模结果提升了14.1%, 预测集的均方根误差（RMSEP）为0.88%（%表示甘蔗纤维分的单位）, 比全波段建模结果下降了14.6%。 研究结果表明, 可见-近红外透射光谱能够对活体甘蔗纤维分进行有效预测, 此研究可为相应便携式传感器的开发提供理论依据, 为甘蔗育种、 各行业生产的节本增效提供技术支撑。
可见-近红外光谱 甘蔗 纤维分 重要波长 无损检测 Visible-Near infrared spectroscopy Sugarcane Fibre content Important wavelengths Non-destructive testing 光谱学与光谱分析
2023, 43(8): 2419
1 西南大学资源环境学院, 重庆 400715
2 西南大学长江经济带农业绿色发展研究中心, 重庆 400715
柑橘是我国第一大类水果, 氮素对于柑橘的生长发育至关重要, 实时、 无损地监测柑橘氮素营养状况, 对于氮素养分精准管理具有重要意义。 植株体内的氮素可以分为营养性氮素、 结构性氮素和功能性氮素, 不同形态氮素各组分在柑橘叶片中的含量对叶片生理生化反应有一定的指示作用, 其中, 功能性氮含量是指示柑橘氮营养状况的重要指标。 以“春见”橘橙为试验材料, 分别于果实膨大期和转色期, 利用可见-近红外光谱仪测定不同施氮处理的柑橘叶片反射光谱, 并用化学分析方法测定其叶片功能性氮含量。 分析了柑橘果实膨大期和转色期叶片原始光谱和一阶微分光谱与叶片功能性氮含量的相关关系, 筛选出敏感波段, 利用全波段和敏感波段, 结合光谱植被指数法、 光谱化学计量法和机器学习方法, 构建了柑橘果实膨大期和转色期叶片功能性氮含量的无损监测模型, 并对比分析多种光谱变换和光谱预处理方法对于模型精度的影响。 结果表明, 在柑橘果实膨大期, 对全波段原始光谱进行标准正态化变换预处理, 结合反向传播神经网络构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其建模集决定系数R2c和验证集决定系数R2v均为0.78, 建模集均方根误差RMSEC和验证集均方根误差RMSEV均为0.82 g·kg-1; 基于敏感波段原始光谱结合随机森林构建的模型精度也较高, 其R2c和RMSEC分别为0.84和0.67 g·kg-1, R2v和RMSEV分别为0.74和0.83 g·kg-1。 在柑橘果实转色期, 对全波段原始光谱进行标准正态化变换预处理, 结合BPNN构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其R2c和RMSEC分别为0.77和1.04 g·kg-1, R2v和RMSEV分别为0.76和1.13 g·kg-1。 研究表明, 可以利用可见-近红外光谱技术, 实现对柑橘叶片功能性氮含量的无损监测。
柑橘 功能性氮 可见-近红外光谱 反向传播神经网络 随机森林 Citrus Functional nitrogen Visible-near infrared spectroscopy Back propagation neural network Random forest 光谱学与光谱分析
2023, 43(11): 3396
熊玉朋 1,2,3路文文 1,2,3黄铖 1,2,3陈付磊 1,2,3陈善勇 1,2,3,*
1 国防科技大学 智能科学学院 装备综合保障技术重点实验室，湖南 长沙 410073
2 国防科技大学 智能科学学院 超精密加工技术湖南省重点实验室，湖南 长沙 410073
3 国防科技大学 南湖之光实验室，湖南 长沙 410073
由共用镜坯、径向折叠的多个环带反射镜组成的成像系统具有紧凑化、免装调的特点。为确保各反射镜的面形精度和相互位姿精度，提出了计算全息（Computer Generated Hologram, CGH）补偿干涉测量方法。针对可见光/近红外成像需求，基于共轴折叠思路设计了环带四反射镜成像系统；应用金刚石车削工艺加工了多环带共体反射镜；重点针对其中共体的主镜、三镜和次镜、四镜分别设计了CGH补偿器，通过合理选择离焦载频和CGH轴向位置，有效分离了干扰衍射级次的鬼像，实现了多个反射镜面形与相互位姿误差的同步检测。干涉测量结果表明，多个反射镜同时达到接近零条纹状态，面形精度和相互位姿精度较高，且无鬼像干扰。系统对100 m远处目标探测实验表明，反射镜不需要额外装调即可实现良好成像，具有集成度高、研制周期短、成像质量高的优点。
可见光/近红外成像系统 折叠反射镜 干涉检测 计算全息 高次非球面 visible/near-infrared imaging system folded mirror interferometry CGH high-order aspheric surface 红外与激光工程
2023, 52(6): 20230175
1 东北大学资源与土木工程学院, 辽宁 沈阳 110819
2 辽宁省固废产业技术创新研究院, 辽宁 沈阳 110819
3 辽宁省生态气象和卫星遥感中心, 辽宁 沈阳 110166
尾矿库作为高势能的人造泥石流危险源, 在尾砂含水量过高时有溃坝风险, 低含水量状态下产生扬尘则会危害周围环境。 尾砂含水量实时、 动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。 相比传统采样化验手段, 高光谱遥感拥有观测面积大、 数据实时易获取、 光谱信息丰富的特点, 为快速、 高精度尾矿水分监测提供了手段。 以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区, 实地采集尾砂样品77个, 利用可见光-近红外(350～2 500 nm)光谱仪获取其光谱数据, 分析不同含水率尾砂光谱特征及机理； 引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段, 并基于敏感波段建立三维波段光谱指数(TBI), 结合随机森林(RF)、 粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型, 以国产高分五号高光谱卫星为数据源进行模型应用, 获取尾矿库表层含水时空分布特征。 结果表明: (1)尾砂光谱反射率随含水率升高明显下降, 在1 455和1 930 nm处出现O—H吸收特征, 吸收深度随含水率减小而逐渐减小； (2)基于CARS方法能够对高光谱数据(305波段)有效降维, 筛选出18个水分敏感波段, 进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集, 其中三维差值指数TBI5=(R1 097.47-R1 990.67)-(R1 990.67-R437.39), 与水分含量相关性最高, 达到0.84； (3)对比RF, PSO-ELM及CNN方法以及不同形式的输入数据, 基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模, 室内光谱模型达到验证精度R2=0.92, 相对分析误差RPD=3.43, 基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果, 实地验证R2达到0.79, 相对分析误差RPD=2.20, 获得较好的预测效果。 可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。
可见光-近红外光谱 三维光谱指数 国产高分五号卫星 铁尾矿 尾砂含水率 Visible-near-infrared spectra Three-band spectral index Domestic Gaofen-5 satellite Iron tailings dam Moisture content of tailings 光谱学与光谱分析
2023, 43(4): 1225
1 山西农业大学农业工程学院, 山西 太谷 030801
2 山西农业大学谷子研究所, 山西 长治 046000
准确预测农田土壤有机质含量有助于评估农田肥力状况, 为精准农业提供数据依据。 为解决单模型实现快速估测农田土壤表层有机质含量精度较低和泛化能力较弱的问题, 以山西省典型褐土农田表层土壤为研究对象, 基于近红外-可见光高光谱数据, 提出了一种堆叠泛化模型(SGM)用于预测有机质含量。 首先对原高光谱数据采用小波平滑, 对平滑数据进行倒数一阶微分、 对数倒数一阶微分变换, 采用相关系数与递归特征消除法进行特征波段提取。 同时, 引入机器学习中的集成学习随机森林Random Forest(RF)、 梯度提升决策树Gradient Boosting Decision Tree (GBDT)、 极限梯度提升eXtreme Gradient Boosting (XGBoost)、 AdaBoost 4个初级机器学习器模型通过5折交叉验证对有机质含量进行预测, 在初级学习器预测结果基础上, 采用随机梯度下降SGD (stochastic gradient descent)作为元学习器建立SGM堆叠泛化模型。 突破单模型精度较低和不稳定的制约, 实现有机质含量的快速稳定检测。 结果表明: 倒数一阶微分变换后的光谱信息与有机质含量具有较好的相关性, 相关性最大值达到了-0.611; 相比单模型, 堆叠泛化预测模型的决定系数(R2)和相对分析误差(RPD)分别为0. 819和2.256, 较其他算法平均决定系数(R2)和平均相对分析误差(RPD)分别提高了0.055和0.323; 平均绝对误差(MAE)、 均方根误差(RMSE)分别为1.742和2.308 g·kg-1, 较其他算法平均绝对误差(MAE)和平均均方根误差(RMSE)分别降低了0.406和0.389 g·kg-1, 优化效果明显, 可用于农田土壤表层有机质含量的有效估测。 研究成果可为农田土壤表层有机质含量的高光谱快速检测提供依据和参考。
可见光-近红外 高光谱预测 有机质含量 堆叠泛化模型 Visible-near infrared Hyperspectral estinmation Soil Organic Matter Stacked generalization model
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
2 机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
3 江苏大学现代农业装备与技术教育部重点实验室, 江苏 镇江 212013
4 河南科技大学物理工程学院, 河南 洛阳 471023
圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。
可见/近红外光谱 圣女果 改进BP神经网络模型 竞争自适应重加权采样算法 Visible/near-infrared spectroscopy Cherry tomato Improved BP neural network model Competitive adaptive reweighted sampling algorithm
Author Affiliations
Abstract
Key Laboratory for Laser Plasmas (MOE), School of Physics and Astronomy, Collaborative Innovation Center of IFSA, Shanghai Jiao Tong University, Shanghai, China
The random fiber laser (RFL) has been an excellent platform for exploring novel optical dynamics and developing new functional optoelectronic devices. However, it is challenging for RFLs to regulate their emission into regular narrow pulses due to their intrinsic randomness. Here, through engineering the laser configuration (cavity Q value, gain distribution and nonlinearity), we demonstrate that narrow (~2.5 ns) pulses with record peak power as high as 64.3 kW are achieved from a self-Q-switched random ytterbium fiber laser. Based on high intracavity intensity and efficient interplay of multiple nonlinear processes (stimulated Brillouin scattering, stimulated Raman scattering and four-wave mixing), an over-one-octave visible-near-infrared (NIR) Raman-frequency comb is generated from single-mode silica fibers for the first time. After spectrally filtering the Raman peaks, wavelength-tunable pulses with durations of several hundreds of picoseconds are obtained. Such a high-peak-power random Q-switched fiber laser and wide frequency comb in the visible-NIR region can find applications in diverse areas, such as spectroscopy, biomedical imaging and quantum information.
high peak power Q-switched fiber laser Raman-frequency comb random laser visible-near-infrared High Power Laser Science and Engineering
2023, 11(1): 01000e11
