激光诱导击穿光谱的高铁车轮钢晶粒度等级研究

我国高速铁路运行距离长，服役环境多变，对车轮钢的性能要求较高。车轮钢的晶粒尺寸直接影响着车轮钢的力学性能，且晶粒的特征和测量对材料科学有着重要的作用，因此为了保证高速列车的安全运行，对高铁车轮的晶粒度等级进行检测是十分必要的。利用激光诱导击穿光谱（LIBS）实验平台对5个不同晶粒度等级的ER8高速列车车轮钢样品（经过不同热处理得到不同晶粒度等级）进行击穿获取光谱信息，比较了基体元素Fe和合金元素（Cr，Mo，Co）的谱线强度与5个不同晶粒度等级的样品之间的相关性，发现均与样品晶粒度等级存在不同程度的相关性。利用此关系建立以谱线强度为变量的偏最小二乘判别分析（PLS-DA）模型，在建立模型前分别采用标准正态变量变换（SNV）、多元散射校正（MSC）和Savitzky-Golay卷积平滑方法进行预处理。通过比较各种预处理方法，得出采用SNV预处理后建立的模型效果最佳，建模集误判个数为4个，准确率为95.7％，预测集误判个数为3个，准确率为90％。在SNV预处理方法的基础上，分别选择竞争性自适应重加权算法（CARS）、连续投影算法（SPA）和CARS-SPA三种波长筛选方法进行波长筛选，比较基于不同特征波长筛选的模型效果，结果表明，使用CARS进行波段筛选后建立的模型效果最佳，建模集误判个数为2个，准确率为97.9％，预测集的误判个数为1个，准确率为96.7％，模型的准确率均高于90％，可以将不同晶粒度等级的样品进行分类。综合分析以上判别分析模型结果，发现结合SNV预处理和CARS波段筛选后的PLS-DA模型的准确率最高。研究表明，采用激光诱导击穿光谱技术结合偏最小二乘判别分析高铁车轮钢晶粒度等级具有一定可行性，可将其用于评估车轮钢表面晶粒度等级，同时也为LIBS技术应用于不同晶粒度等级的高铁车轮钢研究提供了一定的基础依据。     

共识模型用于激光诱导击穿光谱检测泥蚶重金属铜的含量

为快速检测贝类重金属的污染,采用激光诱导击穿光谱(LIBS)结合多模型共识策略来预测泥蚶重金属铜的含量.分析铜元素的LIBS特征谱线,提取铜元素的特征峰强度、面积、峰强比等变量,分别构建多元线性回归模型,以及基于铜特征光谱区域信息构建偏最小二乘模型.在这些校正的成员模型预测残差向量间,通过拉格朗日乘数法优化各成员模型的线性组合,使共识模型的均方误差和最小,从而获得各成员模型的最优权系数.经外部预测集的验证,共识模型的预测结果优于任一成员模型,预测均方根误差为20.641mg/kg,相关系数为0.835,且预测偏差仅为-0.473,表明LIBS技术结合共识模型能用于重金属的定量检测.     

激光诱导击穿光谱结合偏最小二乘法直接检测皮蛋壳中的Cu含量

运用激光诱导击穿光谱(LIBS)技术对皮蛋壳中Cu元素直接进行检测,获得样本中Cu元素的特征谱线信息,采用湿法消解结合原子吸收分光光度计(AAS)测量样品中Cu元素的真实含量。由于LIBS检测的精度和准确度受到样品基体复杂,环境噪声,系统噪声,激光能量稳定性等一系列因素的影响,采用传统的单变量赛伯-罗马金拟合方式对样品的LIBS相对强度和浓度进行线性拟合不能满足定性分析的要求,因此,采用一种多变量的分析-偏最小二乘(PLS)对LIBS光谱数据进行了处理,比较分析了不同点数平滑处理和五种预处理方法对PLS建模精度和准确度的影响。分析得出采用11点平滑结合多元散射校正(MSC)预处理能有效地提高PLS建立的模型的相关系数,降低均方根误差和平均相对误差,有效提高了模型的准确性。研究结果表明,激光诱导击穿光谱技术能够准确地直接检测皮蛋壳中重金属Cu的含量,下一步的工作将对皮蛋进行批量试验,寻找出蛋壳与蛋清、蛋黄中重金属Cu的数量关系,实现通过LIBS检测皮蛋壳便可知蛋清、蛋黄中重金属含量的目标,为农产品质量安全提供新的快速无损检测技术方法。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

LIBS分析模型对铝合金定量分析精度的影响

为了提高铝合金定量分析的精度,将激光诱导击穿光谱技术与多变量线性回归、中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合,建立铝合金中 Cu元素定量分析模型。对采集的LIBS光谱进行三阶极小值去背景和小波阈值降噪处理,从而提高LIBS光谱的信背比。将处理后数据筛选最佳训练集、预测集并用多变量线性回归、中值高斯核支持向量机回归法和标准化偏最小二乘拟合回归等建立定标模型。选用 Cu Ⅰ 324.80 nm,Cu Ⅰ 327.43 nm两条特征谱线以及323～329 nm范围内的LIBS光谱数据进行定量分析,对比分析三种LIBS定量分析模型的拟合系数(R2)、定标均方根误差(RMSEC)、预测均方根误差(RMSEP)和平均相对误差(ARE)等。结果表明,相对于多变量线性回归和中值高斯核支持向量机回归法两种LIBS定量分析模型,对于铝合金中的Cu元素定量分析,标准化PLSR模型的精度和准确度都有明显的提高,并且LIBS定标曲线的R2,RMSEC,RMSEP和ARE分别为0.997,0.014 Wt%,0.129 Wt%和3.053%。研究结果表明在提高定标模型精确度与泛化性方面,标准化PLSR方法更具有优势,能够有效地减小参数波动和自吸收效应对铝合金定量分析的影响。     

基于多元校正的水体Pb元素LIBS定量分析

在水体重金属激光诱导击穿光谱(LIBS)检测中,湖库水体组分的复杂性以及不同水域水质的差异加剧了基体效应对定量分析精密度和准确度的影响。为减小系统参数波动以及基体效应的影响,针对湖库水体不同采样点的水样,通过背景、内标元素校正待测元素的特征谱线,研究峰值强度、积分强度、信背比和内标校正强度组成的不同输入向量对支持向量机回归模型的影响,结果表明信背比和内标校正强度组成的二元输入向量回归效果最好,训练集均方根误差和相关系数分别为0.367和0.981,测试集的相对标准偏差和相对误差平均值分别为4.5%和12.1%。经过校正的多元输入向量,可以有效减小参数波动和基体差异的影响,为自然水体重金属LIBS定量分析提供数据输入方面的参考。     

共线双脉冲LIBS结合变量筛选定量检测腐霉利含量

腐霉利（Procymidone）作为一种新型的农产品杀菌剂,具有防止农产品受病虫害的作用,但其在施药过程中容易使用不当危害环境和人的健康。为加强对腐霉利农药的检测,本研究应用共轴双脉冲激光诱导击穿光谱技术（LIBS）对溶液中的腐霉利含量进行定量检测研究。为配置不同浓度的腐霉利样品,将有效成分含量为98%腐霉利粉末与二甲苯按照不同比例混合并完全溶解。由于液体样品在激光击打的过程中容易将液体溅出,具有一定的危险性。因此,实验将液体样品转化为固体样品,利用石墨吸附腐霉利溶液,然后采用八通道高精度光谱仪采集样品的LIBS光谱,并利用不同预处理方法对光谱数据进行预处理。为提高腐霉利的检测精度,选择氯元素信号最强的两通道（744.555~935.843,893.107~1 057.058 nm）光谱数据,分别采用归一化函数（normalization）、基线校正（baseline correction）、标准正态变量变换（SNV）、多元散射校正（MSC）方法进行光谱预处理,并应用PLS方法建模。通过比较各预处理方法数据后,综合考虑,选择Baseline方法为最佳预处理方法。在baseline预处理方法的基础上使用无信息变量消除算法(UVE) 联合竞争性自适应重加权采样(CARS)算法剔除无信息的波长变量,筛选与腐霉利相关的重要波长变量,最后应用偏最小二乘回归建立溶液中腐霉利含量的定量预测模型。建模结果表明：经光谱预处理和UVE-CARS方法优选后,可将原4096个波长变量个数减少至13个,变量压缩率为99.68%;经UVE-CARS变量优选后建立的PLS模型的校正集的决定系数和均方根误差分别为0.990 5和0.66,预测集的决定系数和均方根误差分别为0.990 3和0.67,其模型性能优于原始光谱建立的PLS模型。结果表明,利用共轴双脉冲LIBS技术定量检测溶液中的腐霉利含量具有一定的可行性,经UVE和CARS方法筛选后可以有效提取腐霉利的特征变量及相关影响变量,剔除冗余及噪声影响变量,简化定量分析模型且提高了定量分析模型的稳定性。     

光谱预处理对LIBS检测脐橙中Cu的偏最小二乘定量模型影响

应用激光诱导击穿光谱(LIBS)对脐橙中Cu元素进行快速检测,并结合偏最小二乘法(PLS)进行定量分析,探索光谱数据预处理方法对模型检测精度的影响。针对实验室污染处理后的52个赣南脐橙样品的光谱数据,进行不同数据平滑、均值中心化和标准正态变量变换三种预处理方法。然后选择包含Cu特征谱线的319~338 nm波段进行PLS建模,对比分析了模型的主要评价指标回归系数(r)、交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)。采用13点平滑、均值中心化的PLS模型3个指标分别达到了0.992 8,3.43和3.4,模型的平均预测相对误差仅为5.55%,即采用该前处理方法模型的校准质量和预测效果都最好。选择合适的数据前处理方法能有效提高LIBS检测果蔬产品PLS定量模型的预测精度,为果蔬产品LIBS快速精准检测提供了新方法。     

表面粗糙度对激光诱导击穿光谱信号的影响

硅橡胶复合绝缘子是高压输电线路的关键设备,长期在复杂外界环境条件下带电运行后会发生表面老化,表现为粉化、褪色、粗糙度和硬度上升等现象。粗糙度作为复合绝缘子的老化特征量之一,其测量是复合绝缘子在线带电检测的难题。激光诱导击穿光谱技术(laser-induced breakdown spectroscopy, LIBS)适用于开展输电线路复合材料的远程在线检测,但粗糙度对LIBS信号的影响还没有得到系统的研究,利用这种基体效应进行绝缘子表面粗糙度的测量尚无报道。制备了不同粗糙度的硅橡胶新样品,与500 kV线路退运的复合绝缘子样品进行对比分析,研究了硅橡胶材料的粗糙度对LIBS信号的影响,结果表明,对于新制备硅橡胶材料随着粗糙度的增加,各主体元素特征谱线强度会随之增强,不同主体元素之间的原子谱线强度比（Si 288.2 nm/C 247.9 nm和Al 394.4 nm/Si 288.2 nm）随之下降,说明样品粗糙度对LIBS测量结果影响显著。但特征谱线强度及不同主体元素原子谱线强度比与粗糙度之间的函数关系不明显,难以用于粗糙度测量。硅橡胶的主体元素为Si,Al,C和O等,考虑元素含量及特征谱线的选取方便选择Si为主要分析元素。对于Si原子谱线强度比,选取了两条上能级相近（E_ki＝40 991.88, 39 955.05 cm-1）的原子谱线（SiⅠ288.2 nm,SiⅠ250.7 nm）作为分析线,在满足局部热力学平衡与光学薄的条件下两条谱线的强度比应为定值,但样品粗糙度的改变会影响脉冲激光烧蚀材料表面的过程,从而改变等离子体的状态,使得谱线强度比值也随之变化。上述两条硅原子谱线强度比和粗糙度建立的定标关系,线性相关系数为0.88。对于500 kV输电线路退运的老化硅橡胶材料,其表面由于老化有部分氢氧化铝填料析出,使得基体成分不均匀性更为显著,其表面也变得更为粗糙,这导致一对谱线强度比值作为定标函数,实用性降低。因此针对老化硅橡胶材料,除了选择Si元素谱线(SiⅠ250.7 nm,SiⅠ251.4 nm,SiⅠ251.9 nm)以外,还引入了Al元素谱线(AlⅠ305.7 nm, AlⅠ305.9 nm),利用三组谱线强度比进行多元回归分析,对于两个实测粗糙度为2.659和2.523 μm老化硅橡胶样品,LIBS测量的相对误差分别为0.218和0.189。结果表明对同样成分的复合材料,表面粗糙度对LIBS信号的影响是必须考虑的,而利用这种基体效应,开展远程在线测试复合绝缘子表面粗糙度,对于高压输电线路检测运维具有重要的应用价值。     

腔体约束LIBS结合机器学习对土壤重金属元素的定量分析

土壤重金属元素含量检测及防治,对我国农业、生态环境修复具有重大意义。利用外加腔体约束结合激光诱导击穿光谱技术（LIBS）获得土壤光谱数据,采用机器学习对土壤中重金属元素Ni和Ba含量进行分析。实验设置延迟时间为0.5～5 μs,选择Ni Ⅱ 221.648 nm和Ba Ⅱ 495.709 nm作为目标研究特征谱线,计算两种LIBS条件下延迟时间对信噪比、光谱强度及增强因子的影响。结果表明,腔体约束LIBS（CC-LIBS）可以增大光谱强度及目标元素信噪比,同时随着采集延迟时间增长,等离子体数目变少,光谱强度及信噪比逐渐减小并趋于稳定;当延迟时间设置为1 μs时,CC-LIBS条件下Ni和Ba元素特征谱线信噪比达到最优,确定此时为LIBS最优实验条件。通过最优条件获取9种含Ni和Ba元素土壤样品的光谱数据,由于采集到的每组光谱信息有12 248个数据点,利用主成分分析（PCA）对CC-LIBS条件下的光谱数据降维,在保留95%以上的土壤原始信息后,选择9个主成分作为定量分析模型的输入变量,以提高模型的运算速度。采用机器学习中的Lasso,AdaBoost和Random Forest模型,对PCA降维后的光谱数据进行建模及预测,实现土壤重金属元素Ni和Ba的定量分析。结果表明,与Lasso和AdaBoost模型相比,Random Forest模型在训练集和测试集中表现出的预测性能最优。Random Forest模型下Ni元素在测试集中的R2为0.937,RMSEP为3.037;Ba元素在测试集中的相关系数R2为0.886,均方根误差RMSEP为90.515。基于腔体约束LIBS技术结合机器学习,为土壤重金属元素的高精度检测提供了技术指导。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

基于近红外漫反射光谱的丁香蓼叶片重金属铜含量快速检测研究

植物中的重金属离子以一定形式与具有近红外吸收的有机分子基团结合, 因此可以借助近红外光谱技术间接检测其重金属离子含量。研究了基于近红外漫反射光谱技术快速检测丁香蓼叶片中重金属铜含量的方法。通过不同光谱数据预处理方法的对比,结合偏最小二乘法,建立了丁香蓼叶内重金属铜含量近红外光谱检测定量模型。实验结果为,经过平滑处理的光谱建模效果较理想,其建立的校正相关系数为0.950,校正均方根误差为5.99;外部验证相关系数为0.923,预测均方根误差为7.38。研究表明,近红外漫反射光谱技术用于丁香蓼叶片中重金属铜含量的快速检测具有可行性。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究

化学需氧量（COD）是反映水体受有机物污染程度的重要指标。紫外吸收光谱法是目前水体COD检测研究中应用最为广泛的方法,具有样品无需预处理,成本低,无污染,测定速度快等优点。但是,原始光谱数据维数高,光谱信息中包含大量冗余变量,直接将全光谱数据进行建模存在精度低,计算复杂等问题。针对紫外吸收光谱全光谱建模精度低,光谱数据存在大量共线性的问题,提出了一种基于粒子群算法（PSO）结合偏最小二乘（PLS）优选特征波长建立预测模型的方法,以提高紫外吸收光谱预测模型的精度和适用性,简化模型。利用搭建的紫外吸收光谱装置,采集29份不同浓度的COD标准溶液的紫外光谱数据,每份标准溶液采集5次取平均值并对其进行平滑处理,减少仪器和环境带来的误差。考虑到标准溶液在200～310 nm的光谱范围内存在吸收,故选取该波段范围内246个波长点作为建模数据,每个波长点下的吸光度数据作为一个粒子并按照顺序编号,以PLS为建模方法,相关系数r和均方根误差（RMSE）为评价指标,设置粒子群算法适应度函数f(x)=min（RMSE）,取粒子初始种群数为20个,惯性权重w=0.6,自我学习因子c1=1.6,群体学习因子c2=1.6,最大迭代次数为200次,算法终止条件为达到最大迭代次数。算法输出全局最优变量取值为168,94,181,183,175,209,106和142。采用粒子群算法优选的8个波长点建立PLS预测模型的相关系数r和预测均方根误差RMSE分别为0.999 98和0.155 1。为了验证PSO-PLS建立的预测模型效果,建立了PLS,iPLS和SVR三种预测模型进行对比。验证结果表明,PSO-PLS模型的相关系数r和均方根误差RMSE均优于其他三种预测模型,说明粒子群算法能有效的提取用于PLS建模的特征波长,消除子区间变量的共线性,提高预测模型的精度。该方法为实现水体COD实时在线监测提供了一种有效途径。     

近红外光谱法快速测定工作场所莠去津浓度的研究

莠去津是一种广泛使用的除草剂,我国是其原药的主要生产国家。为加强工作场所莠去津暴露浓度的检测力度,保障职业接触工人身体健康,研究开发工作场所莠去津浓度的现场快速检测方法具有重要现实意义。利用自行组装的便携式近红外光谱仪,采集了实验室配置的浓度为10～1 000 mg·L-1的莠去津溶液样本光谱,并比较了多元散射校正、变量标准化、一阶导数方法、二阶导数方法及其组合等光谱预处理方法,竞争自适应重加权采样变量选择法和遗传算法等变量选择方法,偏最小二乘算法和支持向量机等回归方法对近红外光谱模型分析精度的影响。研究发现一阶导数是最佳光谱预处理方法;遗传算法优选的光谱变量表现优于竞争自适应重加权采样变量选择法;支持向量机模型表现优于偏最小二乘模型。基于遗传算法选择的16个光谱变量建立的支持向量机模型分析精度最高,其定标决定系数、验证决定系数、定标均方差、预测均方差和相对分析误差(成分浓度的标准偏差与预测均方差的比值)分别为1,0.99,17.54 mg·L-1,25.42 mg·L-1和11.43,有望应用于工作场所莠去津浓度的实际检测中。该研究探讨了近红外光谱法检测工作场所莠去津浓度的可行性,相关结果对于未来类似工作的开展具有重要参考价值。