水体细菌微生物多波长透射光谱解析模型EI北大核心CSCD

细菌多波长透射光谱包含有细菌结构、组分、浓度等信息,这些特征信息的有效提取是实现细菌微生物快速识别与检测的基础。以水体常见的大肠埃希氏菌(大肠杆菌)为研究对象,采用紫外-可见分光光度法获得了其多波长透射光谱;基于Mie散射理论,在充分考虑水体大肠杆菌散射和吸收特性的基础上,构建了240~900nm波段范围内细菌微生物多波长透射光谱的解析模型;基于该模型对250~750nm特征波段范围内的光谱进行解析,获得了大肠杆菌的体积、粒径、结构及浓度等相关参数,并将这些参数与文献及实验得到的结果进行了对比验证。结果表明,建立的多波长透射光谱解析模型能够准确表征水体细菌微生物的光谱特征,该模型可为水体细菌微生物的快速识别分析和检测提供关键数据。     

水体细菌微生物多波长透射光谱特征分析研究（英文）

多波长透射光谱能够反映出样品细胞大小、形状、内部结构和化学组分等丰富而独特的信息,是微生物快速、实时、在线检测与识别的有利工具。将多波长透射光谱技术应用于水体致病性细菌微生物的快速有效检测对控制水体细菌微生物污染及保护饮用水源水质安全具有重要的现实意义。为了建立及发展基于多波长透射光谱技术的水体致病性细菌微生物快速有效的检测方法,采用紫外-可见分光光度计获取了多种水体致病性细菌微生物(如:肺炎克雷伯氏菌、鼠伤寒沙门氏菌、金黄色葡萄球菌和大肠杆菌)在200～900nm波段的多波长透射光谱,对比分析了不同细菌及同种细菌在不同浓度时的多波长透射光谱特征。结果表明:对于同种细菌,当细菌浓度发生变化时,400～900nm波段透射光谱形状较为一致,并且在400,450,500和550nm波长处的光密度值与浓度具有很好的线性关系,该波段由细菌体的散射起主要作用;但在200～400nm波段范围内,细菌透射光谱的形状随细菌浓度的变化而变化,在200,258,300和350nm波长处的光密度值与细菌浓度分别具有很好的二次多项式关系。根据微粒的Mie散射理论,采用Levenberg-Marquardt非线性最小二乘方法对测得的四种细菌透射光谱进行了散射光谱和吸收光谱拟合,并对比分析了不同细菌散射光谱特征和吸收光谱特征,结果表明:四种细菌散射光谱的特征峰均在245nm波长处,但该波长处的光密度值具有明显差异性,这与不同细菌外部结构及内部结构细胞器的大小、形状等不同有关;而四种细菌吸收光谱特征峰均在260nm波长处,且不同细菌在240～400nm波段内吸收光谱也具有明显差异性,这与不同细菌细胞内的核酸、蛋白质等化学组分含量不同有关。该研究表明对于不同种细菌及具有不同浓度的同种细菌,测得的多波长透射光谱及计算出的散射光谱和吸收光谱特征都具有明显的不同,通过多波长透射光谱解析可以获得细菌多种特征参数,多波长透射光谱可以被用于快速有效检测水体中的致病性细菌微生物。该研究为发展水体细菌微生物快速在线监测仪提供了重要依据。     

水体细菌微生物多波长透射光谱特征分析研究

多波长透射光谱能够反映出样品细胞大小、形状、内部结构和化学组分等丰富而独特的信息,是微生物快速、实时、在线检测与识别的有利工具。将多波长透射光谱技术应用于水体致病性细菌微生物的快速有效检测对控制水体细菌微生物污染及保护饮用水源水质安全具有重要的现实意义。为了建立及发展基于多波长透射光谱技术的水体致病性细菌微生物快速有效的检测方法,采用紫外-可见分光光度计获取了多种水体致病性细菌微生物(如： 肺炎克雷伯氏菌、鼠伤寒沙门氏菌、金黄色葡萄球菌和大肠杆菌)在200～900 nm波段的多波长透射光谱,对比分析了不同细菌及同种细菌在不同浓度时的多波长透射光谱特征。结果表明： 对于同种细菌,当细菌浓度发生变化时,400～900 nm波段透射光谱形状较为一致,并且在400,450,500和550 nm波长处的光密度值与浓度具有很好的线性关系,该波段由细菌体的散射起主要作用;但在200～400 nm波段范围内,细菌透射光谱的形状随细菌浓度的变化而变化,在200,258,300和350 nm波长处的光密度值与细菌浓度分别具有很好的二次多项式关系。根据微粒的Mie散射理论,采用Levenberg-Marquardt非线性最小二乘方法对测得的四种细菌透射光谱进行了散射光谱和吸收光谱拟合,并对比分析了不同细菌散射光谱特征和吸收光谱特征,结果表明： 四种细菌散射光谱的特征峰均在245 nm波长处,但该波长处的光密度值具有明显差异性,这与不同细菌外部结构及内部结构细胞器的大小、形状等不同有关;而四种细菌吸收光谱特征峰均在260 nm波长处,且不同细菌在240～400 nm波段内吸收光谱也具有明显差异性,这与不同细菌细胞内的核酸、蛋白质等化学组分含量不同有关。该研究表明对于不同种细菌及具有不同浓度的同种细菌,测得的多波长透射光谱及计算出的散射光谱和吸收光谱特征都具有明显的不同,通过多波长透射光谱解析可以获得细菌多种特征参数,多波长透射光谱可以被用于快速有效检测水体中的致病性细菌微生物。该研究为发展水体细菌微生物快速在线监测仪提供了重要依据。     

水体细菌微生物多波长透射光谱定量分析归一化方法研究

快速准确获取水体细菌微生物浓度信息,对饮用水卫生安全监管具有重要意义。基于多波长透射光谱技术研究了水体细菌微生物浓度定量反演方法,并重点研究了光谱数据的归一化处理方法(颗粒浓度归一化、最大值归一化、积分归一化、平均归一化)对水体细菌微生物浓度反演结果准确性的影响。基于Mie散射理论建立了大肠埃希氏菌(大肠杆菌)多波长透射光谱解析模型,通过对归一化后的光谱进行解析,获取了大肠杆菌的结构信息,并以此构建出单种细菌的多波长透射参考光谱;根据测量光谱与单种细菌参考光谱的相关性反演细菌浓度,并对比分析了不同归一化处理方法下细菌浓度反演结果的准确性。研究结果表明:与平板菌落计数法相比,平均归一化光谱反演细菌浓度的最大相对误差为0.92%,平均相对误差为0.70%,线性相关系数达到0.9984,其准确性和稳定性均为最优。本研究为水体细菌微生物的快速定量检测与预警提供了基础数据。     

基于多波长透射光谱法的水体细菌微生物检测能力初步研究

搭建的水体细菌微生物多波长透射光谱快速测量实验系统,实验获取了肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌在不同浓度下220～900 nm范围内的多波长透射光谱,研究建立了三种细菌基于不同波长点及全光谱波段的浓度校准曲线,计算了肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌的检测限,并与紫外-可见分光光度计测量分析结果进行了对比。结果表明,实验系统与紫外-可见分光光度计测量光谱线性相关系数在0.999 8以上,具有非常好的一致性,且30次光谱信号采集时间仅需15 s;基于实验系统分析得到三种细菌在220,258,300,350,400,450,500和550 nm不同波长点以及全光谱波段的检测限结果均优于紫外-可见分光光度计,且利用多波长透射光谱全光谱波段计算得到的细菌检测限均最低,其中：肺炎克雷伯菌、金黄色葡萄球菌和大肠杆菌的检测限分别为1.60×104,1.06×104和1.16×104 cells·mL-1。研究结果为进一步发展水体细菌微生物的多波长透射光谱快速定量检测技术提供了基础数据。     

水体细菌微生物种类快速鉴别方法研究

紫外可见多波长透射光谱包含了细菌微生物对光的吸收和前向散射等信息,能反映细菌细胞的组分、大小以及形态等特征,具有细菌种属的特异性,可应用于细菌微生物的快速种类鉴别。以水体中常见细菌微生物为研究对象,实验测量了大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌以及肺炎克雷伯菌的紫外可见多波长透射光谱,简要分析了不同种类细菌微生物的多波长透射光谱特征;研究了透射光谱与支持向量机多向量分析方法相结合的水体细菌微生物快速识别方法,利用基于网格搜索法的训练集内部交叉验证获取建模所需最佳惩罚因子C和核函数参数g,根据最优参数和LibSVM一对一多分类法建立细菌快速分类鉴别模型。利用不同株实验细菌的透射光谱作为测试集对所建模型进行识别正确率的验证,结果表明,所建立的快速分类鉴别模型可以对选取的大肠埃希氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌以及肺炎克雷伯菌进行快速种类识别,识别正确率为100%;分类鉴别模型对不同大肠杆菌亚种的测试集识别正确率为100%,证明该模型对细菌属间鉴别具有较好的稳定性。不仅可为饮用水源细菌微生物的快速识别预警提供方法,而且可在生物医学方面作为细菌微生物鉴别的一种简便、快速、准确的手段。     

水体细菌微生物多波长散射光谱快速定量检测

通过分析细菌细胞的结构特征,将细菌菌体的多波长散射分为外部结构散射和内部结构散射两个部分,建立了细菌菌体前向散射光谱解释模型。利用该模型对大肠杆菌400～900 nm波段的前向散射光进行了快速解析,得到了大肠杆菌外部结构、内部结构的平均粒径大小及两结构占细菌体前向散射的比例;基于单细胞的散射光密度与整体细菌悬浮液光密度之间的关系可以快速检测出细菌的浓度。多次细菌浓度测量结果之间的最大差异为1.83%,且与平板法相比较,测量结果在同一量级,相对误差为3.44%。对不同生长时期的大肠杆菌和肺炎克雷伯菌进行了光谱解析,得到了两种细菌浓度及菌体大小随时间的变化曲线。研究结果不仅为细菌微生物生长过程的科学研究提供了一种快捷方法,而且为水体细菌微生物的快速检测与预警提供了技术手段。     

多波长透射光谱特征提取结合支持向量机的水体细菌识别方法研究

实现水体致病菌的快速识别检测对防控由水体微生物污染引起的大规模疾病爆发有重要的现实意义。生化鉴定、核酸检测等常规细菌检测方法存在耗费时间长、需要精密的实验仪器等特点,不足以满足水体细菌微生物的快速实时在线监测。由于细菌的多波长透射光谱包含较丰富的特征信息,并且这项光谱检测技术具有快速简便、无接触、无污染等优点,近年来成为细菌检测研究的热点。以肺炎克雷伯氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌、铜绿假单胞菌和大肠埃希氏菌为研究对象,通过对细菌光谱作归一化处理和方差分析得到光谱变动最显著的特征波长区间,在该区间提取200 nm处的吸光度值及短波段的斜率值作为光谱特征值,结合支持向量机对不同种类细菌进行预测。结果表明,多波长透射光谱的归一化预处理能够有效消除浓度影响,并保留完整的原始光谱信息;通过方差分析法得到特征波长区间为200～300 nm波段,在此区间内提取的五种细菌的归一化光谱趋势图的特征值分别为：200 nm处吸光度值为0.006 5,0.005 1,0.007 5,0.007 5和0.008 5,200～245 nm波段的斜率值为-62.45,-35.94,-81.30,-82.67和-103.49,250～275 nm波段处的斜率值为-15.48,-14.82,-20.91,-13.92和-26.21,280～300 nm波段处的斜率值为-29.96,-24.62,-33.71,-36.09和-30.88。对样本提取特征值并随机划分训练集和测试集,支持向量机选择惩罚因子模型以及线性核函数,通过寻优算法确定最佳的惩罚因子参数c和核函数参数g,对测试集样本进行测试,得到细菌种类的识别结果,五种细菌的预测准确率均达到100.0%。综上所述,水体致病菌的多波长透射光谱通过合适的数据预处理能够提取出具有明显差异性的光谱特征值,该光谱特征值结合支持向量机能够有效用于不同细菌种类的识别,该方法为水体细菌快速识别和实时在线监测提供了重要的技术支持。     

水体细菌微生物多波长透射光谱快速准确获取方法研究

为实现水体细菌微生物快速在线监测,搭建了多波长透射光谱快速测量实验系统,利用该系统分别测量了重铬酸钾标准溶液紫外波段及中性滤光片可见波段的透射光谱,并与紫外-可见分光光度计测得的透射光谱进行对比分析,验证了实验系统测量透射光谱的准确性;以水体中常见的金黄色葡萄球菌作为研究对象,利用搭建的实验系统获取金黄色葡萄球菌溶液在220～900 nm波段的前向小角度透射光谱,进一步验证了实验系统测量细菌微生物透射光谱的准确性和快速性。结果表明,由实验系统和紫外-可见分光光度计测得的重铬酸钾标准溶液,与中性滤光片紫外波段及可见波段透射光谱的线性拟合相关系数分别为0.999 7和0.999 5,光密度误差分别在5.00%和4.58%以内,说明两个系统测量光谱的一致性较好,所搭建的实验系统测量标准样品紫外-可见透射光谱准确度较高;对于金黄色葡萄球菌,实验系统测得的透射光谱经过校正后,与紫外-可见分光光度计测得的透射光谱线性拟合的相关系数为0.999 97,两者相比的光密度误差在0.74%以内;系统重复30次细菌光谱信号采集获得平均透射光谱单次测量时间为15 s,说明该实验系统相对于紫外-可见分光光度计能够快速准确获取水体细菌微生物多波长透射光谱,在保证测量结果准确的同时缩短了光谱测量时间,为水体细菌微生物快速检测提供技术支持。     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

水中镉化合物粒子消光系数及其反射率光谱(400～900nm)测量

测量出水中镉化合物单位浓度消光系数光谱曲线和镉化合物干燥环境下的反射率光谱曲线是水体镉元素含量遥感反演的关键。首先采用自主设计的透射光测量装置,利用Analytical Spectral Devices(ASD)光谱仪分别测量了相同厚度不同浓度的两种镉化合物粒子溶液(硫化镉和氧化镉)的透射光辐亮度,通过比值法计算出不同浓度的镉化合物粒子溶液的消光系数,最终得到其400~900nm波长范围内的单位浓度消光系数光谱。然后再利用ASD光谱仪在户外晴好干燥的环境下对这两种镉化合物的反射率光谱进行了测量,为日后进一步计算其单位浓度吸收和散射系数打下基础。单位浓度消光系数光谱测量结果表明,硫化镉在675nm出现极大值,在550和830nm出现极小值;氧化镉则随着波长的增加呈逐渐减少的单调趋势;两种化合物在水中的消光作用主要在紫蓝光波段。反射率光谱测量结果表明,硫化镉的反射率从500nm开始快速增大至650nm后趋于平缓;氧化镉从525nm开始呈近线性递增至900nm;二者都具有明显的光谱特征。本文在国内首次专门针对水质遥感领域开展了具有光活性的镉化合物的光学参数测量工作,并获得了这两种化合物的单位浓度消光系数和反射率光谱曲线,是水体镉含量遥感反演模型所必需的光学参数之一,为镉含量遥感反演这一难题提供一个突破口,测量结果可以为镉含量提取的遥感工作波段选择提供有力的参考依据,同时也为水体镉含量的遥感提取提供了模型必需的重要参数。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

典型重金属污染水体光谱特征分析———以广东省大宝山尾矿水为例

目前水体重金属遥感反演相关研究仍比较薄弱。自然界中重金属污染水体的光谱特征研究是重要的基础性工作,是将来实现卫星遥感反演时波段选择的重要理论依据,也是遥感反演模型所必须的基础参数。首先利用Analytical Spectral Devices（ASD）光谱仪,测量获得以大宝山尾矿水为例的典型重金属污染水体在两种水深和两种光照条件下的离水反射率光谱曲线,发现在600~700 nm（红波段）均有稳定的反射峰,然后进一步与自然界常见的两类水体（浑浊水体和富营养化水体）的反射峰位置进行对比,发现：以长湖水库石英砂厂附近为例的浑浊水体反射峰在550~700 nm（绿、红波段）,以北江韶关冶炼厂附近为例的富营养化水体反射峰在550~600 nm（绿波段）,3种水体的反射峰位置各异,说明该重金属污染水体反射率光谱与这两类水体具有很好的可分性。然后在测量水体反射率基础上,结合水质遥感模型和进行室内消光系数测量,反演得到大宝山尾矿水体的总散射系数和总吸收系数光谱,并进一步分离水分子吸收作用,最终得到水中成分的综合吸收系数光谱曲线,结果表明：在紫光波段吸收最强,在红光波段吸收最弱;具体表现为：从400 nm开始,吸收系数快速递减,在蓝绿光波段递减速度变缓,从黄光波段又开始快速递减,到676 nm达到极小值,然后又快速增强至750 nm,随后变化减缓。最后结合水样的水质化验结果,对该重金属污染水体的光谱成因进行分析,发现现场水色和水中成分的综合吸收系数光谱特征皆与作者前期研究测量获得的硫酸铁溶液颜色及其吸收系数光谱特征吻合,因此认为水中成分的光谱特征是由硫酸铁及其水解产物所引起。以上说明该重金属污染水体的光谱特征明显,反射峰和强吸收波长位置明确,这是将来利用卫星遥感手段反演水中重金属浓度的重要特征波段。该研究获得了以大宝山尾矿水为例的典型重金属污染水体反射率、消光系数、散射系数和吸收系数的光谱结果,为日后推广至其他种类重金属矿的尾矿水体及水中成分光学参数反演提供方法依据,也为将来利用卫星遥感技术对水中重金属浓度进行定量提取打下良好的理论基础。     

IWD-Hankel-SVD模型下玉米叶片光谱铜污染信息预测

近年来在工业化和城镇化快速发展的地区,由重金属污染导致的环境问题尤为突出,特别是农业重金属污染更为社会所关注,因此,探索快速便捷的重金属污染甄别与监测方法极为重要。高光谱遥感作为新兴的重金属污染监测技术已有了深入研究。提出了固有波长尺度分解（IWD）概念和方法,并结合Hankel矩阵和奇异值分解（SVD）等建立了植被重金属污染程度预测的IWD-Hankel-SVD模型,该模型分为单变量模型和多变量模型。单变量模型主要是通过重金属污染的植被光谱IWD处理来获取光谱信息固有旋转分量（PRC）以提取最佳PRC的有效特征波段;在对各特征波段所构建的Hankel矩阵进行奇异值分解（SVD）基础上,依据获得该模型的奇异熵实现重金属污染信息预测。多变量模型是以植物叶绿素浓度相对值、单变量模型奇异熵作为参数实现重金属污染的信息预测。根据不同重金属Cu2+胁迫梯度下玉米植株污染的叶片光谱和叶绿素浓度以及叶片中Cu2+含量测定的数据,首先对不同浓度Cu2+胁迫下玉米叶片光谱进行IWD分析,获得能够较好保留原始输入光谱信息的最佳PRC,并从中提取到有效特征波段553~680,681~780,1 266~1 429,1 430~1 631,1 836~1 913和1 914~2 111 nm;然后对每一个特征波段构造其Hankel矩阵并进行SVD处理,以求取单变量的IWD-Hankel-SVD模型奇异熵;最后通过各特征波段所对应模型奇异熵与玉米叶片中Cu2+含量的相关分析,得到依据1 266~1 429和1 836~1 913 nm特征波段计算出奇异熵与玉米叶片中Cu2+含量的决定系数R2均高达0.9左右,说明这两个特征波段用于IWD-Hankel-SVD模型的Cu污染程度预测更具优越性和解释能力。同时,再把玉米叶片中叶绿素浓度相对值、1 266~1 429和1 836~1 913 nm特征波段相应模型奇异熵作为参数,采用偏最小二乘回归分析,得出多变量IWD-Hankel-SVD模型的玉米叶片Cu污染程度预测能力更强,决定系数R2达到0.9476,证明了多变量模型更具有鲁棒性和稳健性。     

基于LCTF成像选取萝卜叶片的特征波段

从大量的成像光谱数据中选择出有效的特征波段,用于对园艺作物的特征进行快速识别和分类。基于LCTF(liquid crystal tunable filter)成像的优点在于能够连续改变光谱透过中心波长。首先实验选取园艺作物———萝卜叶片为研究对象,获取萝卜叶片表面每隔5nm各波段图像的灰度信息;然后求出各波段的灰度值标准差和相关系数;最后通过波段指数排序选取萝卜叶片的有效特征波段。实验结果表明,在530nm、550nm、535nm、555nm和715nm波段具有较理想的波段指数值,这些波段离散度大,信息量丰富且波段间相关系数小,因此这些波段是识别萝卜叶片的有效特征波段。     

水体透射光谱的多特征融合COD含量估算研究

化学需氧量（chemical oxygen demand,COD）是一项可以快速检测有机污染物的参数,能够很好地反映水污染的程度。提出一种基于透射光谱测量的多特征融合水体COD含量估算模型,透射高光谱法采集100组COD水体光谱信息,对光谱数据进行预处理以及特征波段的选取,分析不同预处理方法对模型精度的影响并进行特征融合,建立BP神经网络模型,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示,基于多特征融合BP神经网络模型决定系数R2高达0.991 64,均方根误差RMSE为0.030 9,与偏最小二乘法相比,该模型拟合优度更大,精确度更高。基于多特征融合的BP神经网络高光谱检测方法能够实现水体中COD含量的检测,并运用到水体其他成分的检测中。     

高光谱技术的羊肉品种多波段识别研究

利用可见/近红外(400～1 000 nm)及近红外(900～1 700 nm)高光谱成像技术对宁夏地区滩寒杂交、盐池滩羊、小尾寒羊三个品种羊肉进行识别研究。针对不同波段光谱特点,分别优选出Baseline及SG卷积平滑光谱预处理方法,并运用连续投影算法(SPA)提取特征波长,结合线性判别分析(LDA)及径向基核函数支持向量机(RBFSVM)模型进行全波段及特征波长识别分析。结果表明不同波段高光谱对羊肉品种识别均获得较好效果,其中400～1 000 nm波段采用Baseline-Fullwave-RBFSVM及12个特征波长下准确率为100%与98.75%,900～1 700 nm波段采用Baseline-Fullwave-RBFSVM及7个特征波长下准确率为96.25%与87.80%;RBFSVM非线性分类准确率高于LDA线性判别结果,400～1 000 nm波段识别准确率优于900～1 700 nm波段,说明三种羊肉在色泽纹理上差异比成分含量显著,利用高光谱成像技术结合RBFSVM方法能够获得较优的羊肉品种识别效果。     

基于二维相关光谱的水体叶绿素含量探测

利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱,并使用实验室手段测量了水体的叶绿素含量。分析了湖水样本的透射光谱特性,同时引入二维相关光谱技术,利用叶绿素浓度值作为微扰量,得到水体叶绿素的动态光谱,进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。综合观察二维相关光谱中的同步谱图和异步谱图,更加精确地阐明了水体光谱特征,同时剔除水体中其他物质对于光谱信息的影响,更有效、全面地提取反映水体叶绿素信息的敏感波段。利用所选特征波段构建归一化水体叶绿素指数,将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。结果显示,归一化水体叶绿素指数的预测模型测定R2达到0.771 2,均方根误差是45.509 8 mg·L-1,预测R2达到0.765 8,均方根误差是39.503 8 mg·L-1。模型精度较利用特征波段建立的多元线性回归模型有了较大的提高,达到了实用水平。     

基于UV-Vis检测养殖水体中化学需氧量含量研究

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand,COD)含量研究。采集135份水样进行紫外可见波段全光谱扫描,结合变量标准化(standard normal variate,SNV),多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理,然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机青蛙(Random frog)算法和遗传算法进行特征波长选择。基于全光谱建立了偏最小二乘回归(partial least squares,PLS)和基于特征波长建立了极限学习机算法(extreme learning machine,ELM)模型。结果表明：使用CARS提取的9个特征波长建立的ELM模型的预测效果最优,决定系数R2为0.82,预测均方根误差RMSEP为 14.48 mg·L-1,RPD值为2.34。说明使用CARS变量选择算法获取UV-Vis光谱特征波长,应用极限学习机建模,可以准确、快速的检测养殖水体中COD含量,为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。     

PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测

马铃薯黑心病是一种马铃薯主要内部缺陷,严重损害薯条、薯片、全粉等加工制品的质量和产率。目前对马铃薯的分级主要侧重于外部品质检测,针对内部缺陷检测的研究很少。旨在开发一种马铃薯黑心病的快速无损检测技术,为此搭建了马铃薯可见近红外透射光谱分析平台,分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。基于现有马铃薯分级线和复享PG2000高速光谱仪,采用左右透射方式（光源与光纤探头位于分级线果盘左右两侧）,采集470个马铃薯（其中健康薯234个、黑心薯236个）的透射光谱图,建立偏最小二乘判别模型（PLS-DA）,并利用主成分分析（PCA）与光谱形态特征相结合的方法选择特征波长,优化模型。分析发现,健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。黑心薯的平均光谱吸光度值高于健康薯（650～900 nm范围内）,但黑心薯的平均光谱曲线较为平缓,无明显吸收峰,而健康薯平均光谱曲线在665,732和839 nm附近有明显吸收峰,并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。基于PLS-DA法建立了马铃薯黑心病判别模型,对黑心病的判别效果显著,分类器特性曲线（ROC）下面积（AUC）值为0.994 2,黑心薯识别总正确率能够达到97.16%,RMSE_CV和RMSE_P分别为0.28和0.26。此外,成功利用PCA与光谱形态特征相结合的方法对模型进行简化,最终得到由6个波长（658,705,716,800,816和839 nm）组成的特征波长组合,简化后的模型总正确率能够达到96.73%,接近全波段模型判别水平。研究表明,左右透射的方式能够准确识别黑心马铃薯,实现对马铃薯内部缺陷的快速无损检测。对我国马铃薯产业的发展起到一定的促进作用,为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。