三维荧光偏导数光谱结合平行因子算法对石油类混合油液的检测

石油类混合油液的组分检测是三维荧光光谱领域重要的研究内容,由于实际获得的混合油液三维荧光光谱数据存在不同组分光谱重叠严重、数据三线性较差等问题,通过平行因子算法解析时,会出现解析谱与标准谱差异过大或者不能正确判断油种的情况。在验证三维荧光偏导数光谱应用平行因子算法具有可行性的基础上,将三维荧光偏导数光谱与平行因子算法结合,能够提高平行因子算法得到的混合油解析谱与标准谱的拟合程度,实现石油类混合油液组分的准确检测。首先,以十二烷基硫酸钠（SDS）溶液作为溶剂,配制航空煤油、润滑油不同浓度的纯油溶液各15份,将航空煤油、润滑油按照不同浓度比配制9份混合油溶液;并利用FS920荧光光谱仪得到39份三维荧光光谱数据。然后,对三维荧光光谱数据进行预处理：通过扣除空白法去除拉曼散射,并将瑞利散射区域扣除,再利用分段三次hermite插值方法对扣除区域进行插值;利用小波变换阈值去噪法去除光谱数据中的高频噪声,得到预处理完成后的三维荧光光谱数据。最后,利用Savitzky-Golay拟合求导方法求三维荧光光谱的一阶偏导数光谱,并利用平行因子算法对三维荧光光谱和三维荧光偏导数光谱进行解析。将解析谱与纯油标准谱进行比较,实验结果表明：利用平行因子算法对混合油液的三维荧光光谱进行解析时,得到的润滑油解析结果较好,但航空煤油的解析结果存在较大问题。而三维荧光偏导数光谱经平行因子算法解析后,在保证润滑油解析结果的同时,显著提高了航空煤油的解析结果：航空煤油解析谱与标准谱之间的相关系数提升了12.0%（发射光谱）、6.7%（激发光谱）,均方根误差减少了70.4%（发射光谱）、20.6%（激发光谱）。在三维荧光光谱数据三线性较差的情况下,三维荧光偏导数光谱结合平行因子分析方法优于三维荧光光谱结合平行因子分析方法,实现了对混合油液组分准确检测的目的。     

结合平行因子分析算法和模式识别方法的三维荧光光谱技术用于石油类污染物的检测

随着海洋中石油资源的不断开发,泄漏到海洋环境中的石油也日益增多,它不仅威胁着海洋生态环境,同时也严重影响着人们的身体健康。因此,快速、有效地检测出海洋环境中的石油类污染物对于保护海洋生态环境和人类健康具有重要意义。石油产品中含有大量的多环芳烃,其具有较强的荧光特性。因此,荧光光谱技术成为检测石油类污染物的重要手段之一。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法,对石油类污染物进行表征和分类。首先,以海水和十二烷基硫酸钠(SDS)配制的胶束溶液作为溶剂,分别配制不同浓度的柴油、航空煤油、汽油和润滑油溶液,最终得到80个实验样本;然后,利用FLS920型荧光光谱仪采集实验样本的三维荧光光谱数据,并通过Delaunay三角形内插值法对所获得的三维荧光光谱数据进行去散射处理;其次,利用平行因子分析(PARAFAC)算法分解去散射后的三维荧光光谱数据,通过运用核一致诊断法和残差分析法对组分数进行估计;最后,为了建立稳健的分类模型,利用Kennard-Stone算法将80个实验样本分为60个训练集样本和20个测试集样本,运用K最近邻(KNN)算法、主成分判别分析(PCA-LDA)算法以及偏最小二乘判别分析(PLS-DA)算法分别建立分类模型,并利用灵敏度、特异性和准确率对分类效果进行评估。研究结果表明:三种分类模型对测试集中样本的识别准确率分别为85%, 90%和94%,其中, PLS-DA分类模型对测试集样本的识别准确率最高,具有最佳的分类效果。因此,在利用平行因子分析算法提取石油类污染物荧光光谱数据的基础上,结合模式识别方法可以很好的对不同种类油品进行分类研究。利用三维荧光光谱技术结合平行因子分析算法和模式识别方法快速、有效地检测油类污染物,为石油类污染物的快速检测提供了一种新的研究思路和重要参考。     

三维荧光光谱结合组合算法在环境污染监测中的应用:油种鉴别与定量分析

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析（MDR-PCA）方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析（PCA）法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析（PCA）迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析（PARAFAC）、交替三线性分解（ATLD）和自加权交替三线性分解算法（SWATLD）等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面,SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法（algorithm combination methodology, ACM）—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明,ACM算法能够实现油类污染物的种类识别及浓度测量。     

三维荧光光谱结合组合算法在环境污染监测中的应用：油种鉴别与定量分析（英文）

针对油类污染物成分复杂,光谱重叠难以识别的问题,提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响,提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理,原理是单个荧光光谱激发发射矩阵符合双线性,可用主成分分析(PCA)法来解析。MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除,之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。样品数据来源于柴油、汽油和煤油三种溶质的四氯化碳溶液。常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。PARAFAC基于严格意义上的最小二乘原则,具有抗噪声强、模型稳定、微小预期误差等优点,可以实现三维数据阵列的最佳拟合,但该算法收敛速度较慢,对组分数敏感。ATLD算法通过提取对角主元和切尾奇异值求解广义逆,极大提高了收敛速度并降低了对组分数的敏感度,从而实现三线性分解。然而,取对角元时易使ATLD方法对噪声敏感。SWATLD算法既继承了对组分数不敏感、收敛速度快等优点,又降低了噪声水平的影响。但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。基于此,论文根据三线性分解算法迭代过程中损失函数的变化,对迭代过程进行划分,提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起,充分发挥各算法的优点,实现二阶校正算法的优势互补。采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析,并对三种矿物油的回收率进行了计算。柴油的回收率为97.08%,汽油的回收率为97.34%,煤油的回收率为97.25%。解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。     

基于温度变量的四维荧光光谱的石油类污染物测定

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠,且易受到空白荧光和干扰物荧光影响降低了测定准确性。提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品（EEM-temperature data array）的四维荧光光谱数据阵列,应用四线性成分模型建立高维荧光光谱定性定量分析的方法。实验证明在15～25 ℃温度范围内,矿物油荧光光谱轮廓形状不随温度变化,而其强度随温度线性变化,满足四线性要求,这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定,即具有“二阶优势”,还具有更高的选择性和灵敏性,可以对高共线性和背景干扰的重叠光谱表现更好的解析能力,即“三阶优势”。对0#柴油、97#汽油和机油为混合油待测组分,腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验,得到的三维荧光光谱利用平行因子（PARAFAC）算法和交替惩罚三线性分解（APTLD）算法进行二阶校正分析,将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵,并将其利用四维平行因子算法（4-PARAFAC）和交替惩罚四线性分解（APQLD）算法进行三阶校正分析,比较,0#柴油、97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力,四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测,较传统的三维荧光光谱分析提高了回收率（recovery rate）和预测均方根误差（root mean square error of prediction,RMSEP）,有利于石油类污染物的有效,准确,实时,绿色环保检测。同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境,为油类污染物检测具体情况提供算法选择依据。引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术,在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效,绿色无污染地检测,实现“数学分离”更有效代替“化学分离”。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

三维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测

石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和三阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将三维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%~102.7%、预测均方根误差为0.015 mg·mL-1;润滑油预测样本的回收率为96.9%~101.7%、预测均方根误差为0.009 mg·mL-1;在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求;AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重叠的情况下,较之二阶校正算法和4-PARAFAC算法,AWRCQLD算法更能够体现出三阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于“物理和化学分离”的快速、准确的对混合油液进行检测的“数学分离”方法,为石油类混合油液检测提供了必要的技术支持。     

基于拟Monte-Carlo方法测定油类混合物组分含量的研究

汽油、煤油、柴油是由原油加工而成,但其相应馏程特征有所不同,其中汽油的沸程约为35~205 ℃,煤油的沸程约为140~250 ℃,柴油的沸程约为180~370 ℃,同时,其碳链长度有所不同,汽油在C7～C11范围内,煤油在C12～C15范围内,柴油在C15～C18范围内,由于其碳数分布特征有所差异,其荧光光谱也相应有所差别,这是对三类不同油种进行识别与定量检测的基础。由于海洋时常发生油类污染,监测海洋中油类有机物的含量十分重要,采用拟Monte-Carlo方法计算三维荧光光谱特征峰幂次积分,结合最优算法求解最佳特征峰数量及积分区域范围,利用BFGS法解非线性方程组,提出一种光谱重叠的多种矿物油混合物组分含量测定的方法。由于对选定特征区域内确定点列对应峰值的幂次进行累加,对荧光谱线微小变化敏感,从而对组分含量微小变化敏感。同时由于点列的选取,相比于单点测量法,在一定程度上减小了随机误差的影响,可以进一步提高测量灵敏度。以煤油、柴油、汽油为研究对象,将单一油种视为整体,不考虑每种油的具体组分,测量单一油种及混合物的三维荧光光谱及等高线图谱,经最优算法选择六个特征峰进行特征峰幂次积分,测定混合油中组分含量,与峰值法,均值法等单点测量方法相比较,测量灵敏度提高约50倍,实现了混合物组分含量的高精度测量,为不需化学分离直接测定光谱重叠混合物组分含量提供了一种实用算法。     

基于tri-PLS模型的油类混合物三维荧光光谱及其成分的研究

提出了一种光谱重叠的多种矿物油混合物组分含量测定的新方法。将偏最小二乘方法(PLS)推广至三维扩展(tri-PLS),不需要解决特征值问题。利用该方法对柴油、汽油和煤油混合物的三维荧光光谱进行研究,根据样本序列、激发波长、发射波长构造出三维数据矩阵,结合浓度矩阵应用tri-PLS法建立校正模型,对实验样本进行预测,实验结果表明tri-PLS方法的建模精度比常用的平行因子法优越。     

基于三维荧光光谱-平行因子分析的海上溢油识别技术研究

在世界范围内溢油事件频繁发生,溢油的组成成分会影响人类身体健康和生态系统。因此,迫切地需要一种可以快速识别溢油种类的方法。针对溢油污染物现场快速鉴别的需求,利用平行因子分析技术建立了基于三维荧光光谱的原油、燃料油识别方法。首先,利用Delannay三角形内插值法对实验选的6种原油(Roncador原油、巴士拉原油、俄罗斯原油、沙特原油(重质)、上扎库姆原油、海二站原油)和三种燃料油(380CST燃料油、5-7号燃料油、岚山燃料油)的三维荧光光谱去散射,去散射后的三维光谱数据进行归一化处理;之后,对三维荧光光谱进行平行因子解析,确定七个荧光组分为最佳荧光组分,进而得到由7个荧光成分组成的样品荧光特征谱,将风化第3,15和45天的样品及未风化样品的第一平行样的荧光特征谱进行贝叶斯方法(Bayes)判别分析和聚类分析,确定油品荧光特征谱的分析能力和18条荧光标准谱库(12条原油标准谱和6条燃料油标准谱);最后,利用非负最小二乘多元线性回归建立溢油荧光识别方法,对第0,7和30天风化的样品和未风化样品的另一平行样进行识别。实验结果表明,除对风化及未风化的俄罗斯原油识别外,该方法对其余风化和未风化的五种原油和三种燃料油识别正确率均为100.0%,整体识别原油正确率为87.5%,燃料油正确率为100.0%。     

三维荧光光谱结合Zernike图像矩快速鉴别掺伪芝麻油

为了实现对掺伪芝麻油的快速鉴别,应用FS920荧光光谱仪测定样品的三维荧光光谱数据。将三维荧光光谱图视为灰度图,在没有任何预处理的前提下,直接应用Zernike图像矩提取三维光谱灰度图的特征信息,然后采用类平均法对特征信息进行聚类分析,从定性角度实现掺伪芝麻油的鉴别,并解析其组成成分。最后应用广义回归神经网络(GRNN)对掺伪样本的成分进行定量分析。聚类分析能够以很高的辨识率来识别掺伪芝麻油,并能够正确解析其组成成分。定量模型预测了2组掺伪样本中各成分的相对体积,其平均相对误差分别为2.23%,8.00%,9.70%和9.70%。分析结果表明,Zernike矩能够有效提取光谱的特征信息,光谱数据的Zernike矩特征结合聚类分析以及GRNN模型能够获得良好的定性和定量分析结果,为掺伪芝麻油的鉴别提供了一种新的方法。     

水体多环芳烃组分识别小样本分析方法研究

多环芳烃(PAHs)是一类在自然环境中常见且广泛存在的有毒有害有机物。其主要来源有自然界的各种微生物以及植物的生物合成，富含植被区域的天然火灾，火山的喷发物，化石燃料以及人为工业碳氢化合物的不完全燃烧和运输过程中的石油泄漏等。多环芳烃的毒性较为强烈，具有生物致癌性，遗产毒性和致突变性。它对于人体呼吸系统，循环系统，神经系统有着多方面的危害，是一种重要的有机污染物，因此有必要对多环芳烃的现场监测和分析方法进行研究。目前对于多环芳烃的分析方法主要有化学分析法和光谱分析法。化学分析法包含有前处理的化学滴定法，液相色谱法(LC)，高效液相色谱法(HPLC)，气相色谱质谱法（GC-MS）；光谱学分析法涉及紫外吸收光谱，荧光光谱和三维荧光光谱等。三维荧光光谱同时获得激发波长和发射波长的信息，因而包含的光学信息十分丰富，灵敏度高，光谱特征显著，在实际水体的现场检测和水体样本混合组分的快速研究有明显的优势。常见的三维荧光光谱解析方法有平行因子分析法(PARAFAC)，多维偏最小二乘法(N-PLS)等。平行因子分析是分析多环芳烃重叠三维荧光光谱的一种有效方法。但有时由于多种组分的荧光较弱，它对三维荧光光谱的欠定分析并不能得到令人满意的结果。为了从两个样品中提取更多的成分，提出一种基于奇异值分解(SVD)和PARAFAC的方法。首先对每个观测样本进行奇异值分解，根据累积贡献率选取合适的奇异值，构造新的伪样本来突出微弱的荧光信号。然后，将两个观测样品及其对应的伪样品输入PARAFAC，恢复组分光谱。为验证所提方法的有效性，对三组不同荧光强度的多环芳烃重叠三维荧光光谱进行了分析。结果表明，从两个混合样品中提取并识别出6个多环芳烃的纯组分光谱，其分辨发射和激发光谱与标准光谱的相似性均在0.80以上。     

三维荧光光谱及平行因子分析在石油类污染物检测分析中的应用

以三维荧光光谱技术结合平行因子分析算法研究了石油类污染物识别与浓度测量方法,重点分析了两种以上成品油共存时对测量的影响。以0#柴油、97#汽油与煤油的CCl4溶液为测量样本,通过两种或三种油不同配比的混合溶液来模拟多种石油类污染物共存的状态,研究平行因子分析方法在复杂混合物共存体系成分分析时的特点。实验分别针对汽柴油混合溶液、柴煤油混合溶液以及存在少量煤油干扰成分的汽柴油溶液,分解得到各溶质的激发与发射特征光谱,实现了各混合样品中主要成分含量的同时测量,计算了平均回收率。结果表明,该方法能够实现石油类污染物中共存成分的识别与浓度测量。     

荧光光谱及平行因子分析法在植物油鉴别中的应用

利用FS920荧光光谱仪测量市售的八种植物油(大豆油、玉米油、橄榄油、稻米油、花生油、核桃油、葵花籽油和芝麻油)共22个样品的荧光光谱,并对其数据矩阵(EEMs)进行平行因子分析,结合荧光谱分析的直观物质表征和平行因子法对灰色体系的组分识别优势,实现了植物油的种类区分与鉴别。综合分析植物油在特定范围内(激发波长为250～550 nm,发射波长为260～750 nm)的三维荧光光谱和等高线光谱图,给出了各植物油峰位、峰数和峰强等特征信息,确定了植物油各荧光谱峰相应的荧光物质(不饱和脂肪酸类、维生素E及其衍生物、叶绿素及类胡萝卜素);将平行因子模型应用于植物油光谱数据矩阵的分析,确定了平行因子分析模型的因子数及各因子的物质基础(维生素E及其衍生物、亚油酸和亚麻酸、脂肪酸氧化产物、植物油氧化产物)。建立了植物油的4因子激发-发射光谱轮廓图和样品因子投影得分图。通过对植物油荧光光谱的图谱特征和其数据阵平行因子模型的分析,证实荧光光谱技术和平行因子分析法对植物油进行分析和种类鉴别的有效性。     

基于LIF的海面溢油状态识别研究

随着海洋运输业和海洋石油开采业的快速发展,溢油污染日益严重,给海洋环境和海洋生态平衡带来极大威胁。因此海洋溢油污染的治理、改善,成为海洋环境保护工程中刻不容缓的重要工作。而对不同状态溢油的识别则是解决溢油污染问题的基础与关键。海面上的溢油,主要包括未乳化与乳化两个不同阶段。前者以不同厚度的油膜形式存在,后者以不同油水比的溢油乳化物形式存在。不同状态的海面溢油具有不同的元素组成：油膜为纯油分子,乳化溢油为油水混合结构,构建出差异化的荧光基团。在激光作用下具备各自特征的荧光光谱信息,不同状态显示出较为明显的荧光光谱差异。光谱曲线的形状特征是荧光物质物理化学性质的一种外在体现,所以从光谱的特征形状来分析、比较一定的光谱参量可以达到物质分类和物种识别的目的和效果。为了实现海面溢油不同状态的快速分类识别,通过搭建的LIF探测系统,采集了常用成品油不同状态的荧光光谱,光谱曲线对比发现：乳化阶段的光谱会表现出荧光峰个数增多、荧光强度改变、荧光峰位偏移等一系列特征。在此基础上,根据表观统计学原理,提取光谱的均值、标准差、峰度系数、谱线宽度、曲线斜率等特征参量,并将这些特征值进行聚类分析。结果显示: 基于激光诱导荧光光谱的海面溢油聚类分析结果与实际溢油状态是基本一致的。即在已知油种的前提下,该分类方法可较好识别出海面不同的溢油状态。因此该方法可以为海面溢油识别提供一种新思路,也为LIF技术探测质量的提高,应用水平的提升奠定一定的基础。     

三维荧光光谱结合Tchebichef矩快速鉴别掺伪芝麻油

应用FS920荧光光谱仪测定样品的三维荧光光谱数据,直接利用Tchebichef矩提取三维光谱灰度图的特征信息,然后对其进行聚类分析,最后通过逐步回归建立样本中各成分的线性模型。聚类分析能够准确识别掺伪芝麻油,并正确解析其组成成分,得到的线性模型相关系数R>0.99。研究表明,Tchebichef矩能够有效提取光谱的特征信息,应用于掺伪芝麻油鉴别可获得良好的定性和定量分析结果。     

基于拉曼成像技术的面粉中抗坏血酸添加剂定量检测研究

抗坏血酸是一种常见的面粉品质改良剂,用于改善面团的流变学特性及面包的烘焙品质。本研究以面粉中含不同浓度抗坏血酸的混合样品为研究对象,通过拉曼成像技术实现面粉中抗坏血酸的检测、识别和定量分析。分别采集面粉、抗坏血酸和面粉-抗坏血酸混合样品的拉曼图像,确定感兴趣区域及光谱范围,以抗坏血酸拉曼光谱中强度较高且区别于面粉的3处拉曼峰（631,1 128和1 658 cm-1）为依据对混合样品的平均拉曼光谱进行分析,结果显示其不能有效评估面粉中抗坏血酸含量,研究探索对图像中各像素点对应的拉曼光谱进行分析以实现面粉中抗坏血酸的有效检测。以混合样品图像中各像素点拉曼光谱作为校正集、面粉平均拉曼光谱和抗坏血酸平均拉曼光谱的线性组合光谱作为验证集建立偏最小二乘模型,模型的回归系数用于将混合样品的三维拉曼图像重建为二维灰度图像,通过阈值分割实现面粉中抗坏血酸的检测和识别,根据识别结果建立定量分析模型。结果显示,偏最小二乘模型的最高和最低回归系数分别对应于抗坏血酸和面粉的最强拉曼峰,所有回归系数应用于混合样品拉曼图像将其转换为灰度图像后面粉和抗坏血酸的像素点仍难以识别,阈值分割方法将灰度图像转换为用于分类面粉像素和抗坏血酸像素的二值图像实现了面粉中抗坏血酸的有效检测。通过分析各浓度混合样品对应子样品中识别到的抗坏血酸像素点数确定本研究对面粉中抗坏血酸的最低检测浓度为0.01%（100 mg·kg-1）,混合样品中抗坏血酸浓度同图像中识别到的抗坏血酸像素点在0.01%~0.20%范围内具有良好的线性关系,决定系数为0.996 0。研究结果可为面粉中抗坏血酸添加剂的定量检测提供方法支持,为大规模快速筛查提供了技术参考。     

Simultaneous Quantitative Analysis of Three Compounds Using Three-Dimensional Fluorescence Spectra Based on Digital Image Techniques

Digital image processing has been applied on various fields such as classification and qualitative analysis. In this work, a very simple quantitative approach was proposed for the first time. Based on the digital grayscale images of three-dimensional fluorescence spectra, several wavelet moment invariants were calculated, and used to establish the linear models for the quantitative analysis. This approach was applied to the quantitative analysis of Tryptophan, Tyrosine and Phenylalanine in mixture samples, and the correlation coefficients R(2) of the obtained linear models were more than 0.99, which were supported by the strict statistical parameters as well as leave-one-out and Jackknife cross-validations. Our study indicates that the selected wavelet moment invariants are immune from the noise and background signals, and the quantitative analysis can be performed accurately based on the overlapping peaks of compounds in mixture. This proposed approach provides a novel pathway for the analysis of three-dimensional spectra.