基于拉曼光谱技术鉴别ABS废旧塑胶原料的方法研究

塑胶微粒原料已渗透到人类衣食住行的方方面面,并广泛应用于能源、工业、农业、交通乃至航空航天和海洋开发等各重要领域不可或缺的材料。在利益的诱惑下,废旧塑胶的走私现象屡禁不止。我国作为塑胶原料进口大国,现有检测方法耗时长,难以实现现场检测,因此,开发一种用于现场的废旧塑胶微粒判别方法,对快速通关和海关缉私有重要意义。拉曼光谱技术具有快速、无损、样品用量小、无需前处理且适应性强等优点,已在现场快速鉴别领域得到广泛应用。在研究塑胶废旧机理的基础上,将拉曼光谱技术结合化学判别方法,应用于废旧塑胶原料识别。选取两类成分相似的实际通关塑胶原料样品,包含标准品及废旧品各160份,并对样品的拉曼光谱信息进行了采集。对比分析了两种塑胶原料的原始拉曼光谱,并对样品的拉曼光谱特征峰进行了归属分析。选取1 603 cm-1作为归一化参照峰位,进一步探究废旧塑胶的成分变化,对比统计了废旧塑胶原料及标准塑胶原料的相对峰强变化,结果表明废旧塑胶原料发生了化学老化。基于主成分分析法（PCA）对原始拉曼光谱及预处理拉曼光谱进行降维处理,结果表面预处理拉曼光谱的前2主成分空间分离度较好,通过对原始拉曼光谱数据进行背景扣除及平滑预处理,可减少荧光背景及噪声对鉴别的影响,提高鉴别的准确度。将样品一半划分为校正集用于模型建立,另一半划分为预测集用于模型验证,基于偏最小二乘判别分析（PLS-DA）,建废旧塑胶原料鉴别模型,该模型对建模训练集鉴别正确率为100％,模型验证集鉴别正确率为99.06％。研究表明,基于拉曼光谱技术,结合测试数据预处理及偏最小二乘判别分析方法,可以有效地实现塑胶原料的现场、快速、准确鉴别,为开发现场检测装备及方法提供理论参考。     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

拉曼光谱对古青铜矛腐蚀情形的无损研究

应用显微拉曼光谱对云南楚雄万家坝出土的古青铜矛进行无损研究 ,可确定其腐蚀产物的成分及在样品上的位置 ,还可帮助分析青铜矛所经历的腐蚀环境。腐蚀产物的主要成分有 Cu2 O和 Cu CO3.Cu( OH) 2 。本文还辅以电子探针测试 ,对矛尖的抗腐蚀性作了分析研究。与传统的鉴别方法如电镜、X光衍射等分析法相比较 ,拉曼光谱被证实是对金属器物作无损检测的一种非常有用的方法     

TLC原位拉曼光谱法快速检测减肥类保健食品中非法添加的四种成分

建立薄层色谱(TLC)与拉曼光谱联用方法,并对减肥类保健食品中非法添加的四种化学成分(茶碱、咖啡因、苯丙酸诺龙、螺内酯)进行检测。采用TLC法将掺杂成分与保健食品基质进行初步分离,在紫外灯(254 nm)下检视定位,以780 nm激光为光源,对TLC上微量掺杂成分的斑点原位,直接检测浓集点的拉曼光谱。考察不同配方保健食品基质对掺杂成分拉曼光谱的影响,并对检测限进行验证,初步建立了减肥类保健食品中四种掺杂成分的TLC原位拉曼光谱检测方法。常用保健食品基质对掺杂成分检测结果无干扰,检测限为2~4 μg,在九种减肥类保健食品中检测出两种含有咖啡因。该研究建立了TLC与拉曼光谱联用技术并采用此方法快速鉴别了减肥保健食品中茶碱等四种非法添加化学成分,本法专属、灵敏、快速、简便,可为保健食品中非法添加化学成分的快速检测技术研究提供新的参考依据。     

应用振动光谱技术检测鉴定微生物的研究进展

振动光谱（红外光谱和拉曼光谱）技术与化学计量学相结合的方法对微生物进行分类、鉴定和无损检测,该方法快速简便、准确度高、仅需微量样品和少量化学试剂、对样品本身没有损害。介绍了振动光谱技术在微生物鉴定检测中的工作原理、关键技术和应用,并对该方法存在的问题和研究前景进行了分析和展望。     

拉曼光纤技术快速无损鉴别甲硝唑片

采用光纤探头直接放在甲硝唑片上进行检测,采集谱图,对拉曼光谱峰进行指认,并改变测定条件(药品隔铝塑包装、刮除包膜)进行测定。建立了光纤传感技术结合拉曼光谱快速无损鉴别甲硝唑片的方法,所测药物图谱峰形良好、峰强明显、指纹性强、测定快速准确,可瞬间获得片剂的特征图谱。样品无需进行前处理,可无损鉴别。药片检测时,是否隔铝塑包装和刮除包膜不影响谱图识别。本法快速、准确、专属性强、灵敏度高,可用于对甲硝唑片进行有效的鉴别。     

枸杞子的共焦显微拉曼光谱鉴别

利用共焦显微拉曼光谱无损快速鉴别了宁夏枸杞和北方枸杞样品。宁夏枸杞和北方枸杞的拉曼谱图有明显的差别 ,易于区别。该方法快速、准确、操作简单、不需对样品进行提取分离、可直接进行测定     

近红外光谱和模式识别的菊花品种无损鉴别

菊花为菊科植物菊的头状花序,滁菊、贡菊、杭菊和亳菊是常见的几类药用品种菊花。不同品种菊花在外观上具有极大的相似性,非专业人员仅凭肉眼难以对其进行准确鉴别分析。常规仪器分析法检测成本较高,分析时间较长,且需要对样品进行破坏性处理,影响了产品的二次销售。近红外光谱技术作为近年来快速发展起来的一种绿色、简单、快速的新型检测技术,在中药鉴别领域取得了很大的进展。基于便携式近红外光谱仪结合化学计量学方法建立了一种菊花品种无损鉴别方法。利用便携式近红外光谱仪采集了滁菊、贡菊、杭菊和亳菊完整以及粉末状两种物理形态样品的光谱,采用单一以及组合光谱预处理方法消除光谱中存在的干扰,结合不同模式识别方法（主成分分析法、软独立模式分类法和Fisher线性判别分析法）分别构建了不同品种菊花的鉴别模型。结果表明：由于仪器的限制及样品物理性状的原因,光谱中存在较为明显的背景、基线漂移以及噪声的干扰,完整样品由于物理性状的原因,基线漂移干扰尤为严重;采用主成分分析法结合光谱预处理方法无法实现不同品种菊花的准确鉴别,完整样品最佳鉴别正确率仅为8.33%,粉末样品最佳鉴别正确率为52.38%;通过软独立模式分类法结合预处理方法可以得到较为准确的鉴别结果,完整样品光谱数据经一阶导数+多元散射校正优化后鉴别正确率为95%,粉末状样品数据采用原始数据的鉴别正确率为92.5%;Fisher线性判别分析方法结果最佳,完整样品数据经连续小波变换优化后可以得到97.5%的鉴别正确率,粉末状样品采用原始光谱便可得到100%鉴别正确率。以上结果表明,当采用合适的预处理和建模方法,完整样品和粉末状样品鉴别结果较为一致,基于便携式近红外光谱仪结合化学计量学可实现对不同品种菊花的准确无损鉴别分析,为食药同源产品的无损鉴别分析提供了新途径。     

拉曼光谱及其检测时样品前处理的研究进展

拉曼光谱具有操作简单,所需样本量小,检测灵敏度高等特点,可进行现场快速筛查、检测及鉴别。样品前处理直接影响分析结果的准确度和精密度,而且操作繁琐费时。发展快速、高效的样品前处理技术进而结合拉曼光谱检测技术具有重要的研究意义,特别是与增强拉曼光谱相结合进行食品、农产品中等残留物的衡量检测已成为研究热点。本文阐述了拉曼光谱产生的原理,介绍了拉曼光谱的起源和发展,讨论了表面增强拉曼光谱技术、针尖增强拉曼光谱技术和壳层隔绝纳米粒子增强拉曼光谱技术,并对拉曼检测之前的样品预处理进行了讨论。     

基于脉冲耦合神经网络的拉曼光谱定性分析

通过对脉冲耦合神经网络(pulse coupled neural network,PCNN)和拉曼光谱定性分析的研究,提出了基于PCNN的拉曼光谱定性分析方法.首先,利用PCNN神经元的疲劳与不应期特性将拉曼光谱数据进行编码;然后,基于改进的Horspool算法将检测样品对应编码与基码数据库中的所有基码逐一匹配,并得到各对应的匹配相似度,进而判定样品类别.相关实验和数据分析证明了该文方法的准确性和有效性.同时,该文方法避免了目前基于谱模版定性分析方法中待测样品拉曼光谱特征谱峰难以确定以及匹配分析冗余度高等不足,且对存储空间的要求仅为后者的5.8%.     

基于深层信念网络的太赫兹光谱识别

特征提取和分类是太赫兹光谱识别的关键。部分物质在太赫兹波段内没有明显的吸收峰,难以人工定义、提取特征及分类识别,为此,结合深度信念网络(deep belief network,DBN)和K-Nearest Neighbors (KNN)分类器的优点,提出了一种基于DBN的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值对ATP,acetylcholine_bromide,bifenthrin,buprofezin,carbazole,bleomycin,buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理;然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型,并采用逐层无监督的方法训练模型,以自动提取太赫兹光谱特征;最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。结果表明,使用DBN自动提取的光谱特征,KNN分类器、BP神经网络、SOM神经网络和RBF神经网络的分类准确率达到了90%以上,且KNN分类器的识别率优于其他三种分类器;采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量,在海量光谱数据识别中具有广阔的应用前景。     

基于二维相关光谱分析的纯棉与丝光棉制品鉴别分析

纯棉与丝光棉制品是日常生活中常用的两种纤维制品,但是由于二者在物理结构和化学结构上非常相似,以至于使用一些简单的方法难以准确识别一部分纯棉与丝光棉制品。提出一种使用水含量作为扰动的二维相关光谱结合机器学习方法来对二者进行鉴别的新方法。共使用从专业机构获得的200个标准样本来设计实验对新方法进行验证,其中包括100个纯棉样本与100个丝光棉样本。对每一个样本,使用水含量作为扰动,分4次改变样本水含量并采集该水含量下样本的一维光谱,其中4次的水含量分别为20.20%,14.52%,7.77%与0%。根据四条不同的一维构造每一个样本的动态光谱,再通过二维相关算法来计算其同步二维相关光谱,从该同步二维相关光谱中使用移动窗口技术提取三组不同的分类特征,每组特征分别对应一个设计好的支持向量机(SVM)分类器。之后本文提出一种基于信息熵的多分类器融合方法,根据权值不同,将三个分类器融合为一个具有更优效果的强分类器。为了验证方法的准确性与有效性,设计了严谨的实验对方法进行验证。实验首先按照传统的从一维光谱中提取特征的方法对纯棉与丝光棉样本进行鉴别,使用两种样本各50个来进行分类模型建立,剩余的进行模型验证,分类效果最高只有76%。但是基于从二维相关光谱中提取的三组特征设计的三个支持向量机(SVM)分类器的准确率分别可以达到88%,90%,88%,最后根据提出的基于信息熵的多分类器信息融合方法将三个分类器进行融合同一可以得到92%的分类准确率,比三个基础分类器准确率都有提升。与从一维光谱中提取特征并设计分类器进行分别鉴别相比,从二维相关光谱中提取特征设计多个分类器并使用基于信息熵的多分类器信息融合方法进行分类鉴别具有更高的分类准确率。二维相关光谱将光谱信息扩展到更高的维度,将一维光谱中隐藏的折叠峰进行展开,因此具有更高的分类准确率。提出的方法是一种快速准确鉴别纯棉与丝光棉制品的新方法。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

液芯光纤光谱仪

液芯光纤可以使拉曼光谱强度提高103倍。将液芯光纤既作为样品池又作为前置放大系统,研制成功了体积小、重量轻、成本低、灵敏度高的小型拉曼光谱仪。结果表明:通过对液体及溶在液体中的样品进行自发拉曼光谱、共振拉曼光谱的测量,获得了理想的拉曼光谱。     

应用于低折射率样品检测的SERS活性液芯光纤

用纳米组装方法在空心光纤内壁修饰SERS活性基底构成内壁具有表面增强拉曼光谱活性层的液芯光纤。激发光由光纤壁横截面入射,并在光纤壁中传播。由于光纤壁的折射率大于检测样品溶液的折射率,使得激发光在光纤壁中发生全反射,并在消逝场下穿透修饰层,激发样品拉曼散射。本方法融合了表面增强拉曼光谱技术与液芯光纤技术的优势,可成为应用于低折射样品溶液体系检测的又一手段。     

黄芩苷包合物的拉曼光谱和红外光谱研究

通过FT-IR(傅里叶变换红外光谱)和Raman(共焦激光拉曼光谱)分析黄芩苷包合物,对拉曼光谱法作为一种新的验证包合物形成方法的可行性进行验证.采用饱和水溶液法制备黄芩苷包合物,共焦拉曼光谱仪和傅里叶转换红外光谱仪分别测定并获得p-环糊精、黄芩苷、黄芩苷与β-环糊精物理混合物及黄芩苷包合物四种固体粉末的拉曼图谱和红外...     

纤维上染料的FT-Raman光谱法研究

本文采用近红外傅立叶变换拉曼光谱技术（NIR FT－Raman)对27种染色纤维样品进行了检验，同时得到了它们的本底纤维和染料的拉曼谱图，然后利用计算机谱图处理程序进行拉曼差谱处理，获得了染色纤维上染料的拉曼谱图，由此能够实现对纤维上染料的鉴定，根据染料分子的拉曼光谱的特征将24种染色纤维按局部结构特征分为7类，有助于同色纤维上染料的鉴别，该方法快速、简便，灵敏度高，不需从纤维上提取染料。     

一种危险液体混合物的拉曼光谱定性定量识别方法

危险液体混合物的拉曼光谱定性定量分析一直是现场应用难点,为解决该问题,分析了多种物质混合后拉曼光谱的峰位、峰值、峰型变化情况,选取拉曼光谱关键特征峰进行数学简化,构建了从混合物物质成分到混合物拉曼光谱的映射关系,该映射关系描述多种物质成分混合的混合物拉曼特征峰响应只和混合物中各成分本身拉曼特征峰响应以及各物质成分混合比例有关,各物质成分按混合比例贡献拉曼特征谱峰,共同形成最终的混合物拉曼光谱。由该映射关系求逆,可实现从采集到的混合物拉曼光谱计算出各物质成分的混合比例。基于此,设计了危险液体混合物成分定性定量识别方法,主要方法步骤包括,首先进行拉曼光谱数据采集,然后进行拉曼光谱数据处理并获得拉曼特征峰,再进行测试样品与数据谱库标准品的正反向特征峰匹配,如果正反向特征峰匹配系数都比较高,在满足一定阈值条件下,可认定测试样品是某种纯净物,如果不是纯净物,则进入混合物分析,通过拉曼光谱特征峰反向匹配系数筛选,确定混合物成分构成,混合物成分确定后再进行混合物成分比例计算,最终实现危险液体混合物定性定量分析。实验部分,选定丙酮、甲苯、三氯甲烷、乙醇及其混合物进行实验验证,当混合物样品是丙酮、乙醇两种成分按3∶7比例混合时,经拉曼光谱识别方法计算,混合成分计算值是丙酮占比0.245 7,乙醇占比0.706 0;当混合物样品是甲苯、三氯甲烷两种成分按3∶7比例混合时,经拉曼光谱识别方法计算,混合成分计算值是甲苯占比0.323 4,三氯甲烷占比0.763 0;当混合物样品是丙酮、甲苯、乙醇三种成分按4∶3∶3比例混合时,经拉曼光谱识别方法计算,混合成分计算值是丙酮占比0.795 9、甲苯占比0.303 5、乙醇占比0.287 5,实验结果表明,当危险液体混合物成分是两种或三种成分混合时,混合成分计算值基本和实际值吻合,应用危险液体混合物的拉曼光谱定性定量识别方法,可较准确的从拉曼混合光谱中解析出各混合物成分以及各成分在混合物中的比例,可以判断混合物每个拉曼特征谱峰都来自于哪个成分或哪些成分拉曼特征谱峰的混合,谱图解析结果良好,对危险液体混合物现场分析鉴别有较大应用价值。