智能手机的主要叶类蔬菜品质和新鲜度指标的光谱检测

蔬菜品质和新鲜度的高低不仅影响食用时的口感,而且营养程度也不一样。作为蔬菜品质和新鲜度重要参考指标之一的叶绿素和含水量的检测,已经越来越受到国内外学者的重视。相比于传统的肉眼目视判断的检验方法,可见-近红外光谱分析具有快速高效、无损、非接触等独特的优势,更加适合蔬菜的实时检测。目前相关研究主要集中在生长中植被叶绿素和含水量的反演,对市场上成品蔬菜的研究较少,或者研究对象单一,缺乏市场普适性。此外,光谱数据的获取需要专业的光谱仪采集,费时费力,各种生理生化指标的研究离实用化还有很长的距离。为了与实际相结合,基于智能手机光谱系统（SCSS)建立了快速、准确、普适性强的反演蔬菜叶绿素和含水量的模型,并通过地面光谱仪SVC数据验证了该系统的可靠性。选取市场典型的五种蔬菜（菠菜、小油菜、油麦菜、生菜和娃娃菜）作为实验样本,分别进行常温保存和冷藏保存来模拟现实中菜市场和超市的蔬菜储存环境。每隔24 h进行一次数据采集。对获取的原始光谱数据进行波段选择和小波变换去噪的预处理。构建蔬菜叶绿素反演指数(VCRI_{（m, n）})和蔬菜含水量反演指数(VWRI_{(i, j)}),分别提取该两个指数与叶绿素和含水量实测值的相关系数R作为权重系数,最终建立了叶绿素和含水量的加权平均反演模型。实验结果表明,SVC仪器和SCSS两者数据针对蔬菜叶绿素和含水量的敏感波段基本一致,叶绿素反演的敏感波段在730~980 nm之间,反演精度R2分别为0.863和0.808 1,标准差为8.679 5和8.892 5;含水量反演的敏感波段在水汽吸收波段950~1 000 nm之间,反演精度R2分别为0.742 9和0.712 9,标准差为8.789 9%和8.861 4%。SVC实验数据跟SCSS实验数据结果十分接近,验证了新型智能手机光谱系统实时监测蔬菜叶绿素和含水量的有效性。智能手机光谱系统具有体积小、价格便宜的优势,结合网络云端服务和实时数据反馈的特点,能够实现蔬菜品质和新鲜度指标的智能检测,让光谱分析真正应用于人们日常生活中。     

唐卡主色矿物颜料光谱分析

唐卡作为一件艺术品,具有较高的历史价值和艺术价值。对唐卡的矿物颜料进行鉴别分析,对唐卡的鉴定、修复、数字化存档、再现等具有非常重要的意义。该研究对唐卡主色矿物颜料进行体系性的光谱分析,选用唐卡绘制过程中5种主色常用的矿物颜料,深入分析矿物颜料的可见光、近红外、短波红外光谱特征产生机理,总结了不同色系矿物颜料可见光、近红外、短波红外谱段光谱特征。通过分析同一矿物颜料粉末、调和骨胶颜料以及颜料上布色卡光谱特征,发现粉状颜料调和骨胶后,反射率整体下降,在1 447和1 928 nm附近出现两个水的强吸收特征。而当骨胶溶物涂绘上布后,随着膏状颜料中水分的减少,上述两个吸收特征均变弱,个别颜料在1 447 nm处的吸收特征甚至消失。因此,矿物颜料粉末和颜料上布色卡光谱极为接近,可以在后期的唐卡颜料分析中直接利用唐卡矿物颜料粉末光谱进行匹配分析。唐卡红色矿物颜料为朱砂,矿物成分主要为HgS,其光谱在可见光波段先降后升,500 nm附近形成一个较深的吸收特征,且吸收峰较宽（430～530 nm）,红光谱段附近反射率急速升高,近红外波段反射率变化较为平直,在1 940和2 250 nm附近有弱吸收特征。唐卡黄色矿物颜料主要有三种：土黄（雄黄、雌黄）,赭石及金箔,主要成分分别为硫化砷、氧化铁及金。其特征光谱在可见光谱段集中在400～500 nm之间,不同颜料的吸收特征位置和吸收深度均不同。赭石在近红外波段的反射率整体较低,且860 nm附近还出现了吸收特征;而雄黄、雌黄和土黄则在近红外和短波红外谱段表现出反射率较高且波形平直,在1 890和2 230 nm附近有弱吸收特征;金箔在可见光波段的吸收特征窄浅,可作为区分的依据。唐卡蓝色矿物颜料为石青,主要矿物成分为蓝铜矿,其光谱在500～1 000,1 500,2 040,2 285和2 350 nm附近均有较强吸收特征,而在1 885和1 980 nm处有弱吸收特征。唐卡绿色矿物颜料为石绿,主要矿物成分为孔雀石,其光谱在550～1 000 nm有较强的宽吸收特征,在2 270和2 350 nm有明显吸收特征。尽管石青和石绿主要矿物成分皆为碳酸铜,但石绿在900～1 900 nm红-近红外谱段反射率增加较缓,1 500 nm无吸收特征,可以作为区分石青和石绿的依据。唐卡白色矿物颜料为砗磲和白土,主要矿物成分分别为碳酸钙和高岭土。在可见光谱段范围,砗磲在370 nm有弱吸收特征,而白土则在370和730 nm处有两个明显的吸收特征,可作为区分。在短波红外和近红外谱段,白土在1 425,1 930和2 230 nm均具有明显吸收特征,砗磲则在1 930和2 320 nm有明显吸收特征,1 440 nm处吸收特征较弱。且同种矿物颜料粉末,矿物粉末颗粒越大,颜料颜色越深,其光谱特征反射率越低。     

全谱段光谱分析的块状商品煤种类鉴别

常规的煤炭鉴别方法需进行繁琐的制样过程,且需结合多种化学参数指标进行综合判定,以得到较为准确的分析结果。提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。该方法具有非接触、无前期制样、无化学分析的优势,可快速高效的获取煤炭的分类信息。采用地物光谱仪采集煤炭原始光谱数据,对噪声过大、影响后续处理的谱段进行删除,剩余部分采用小波阈值去噪法进行噪声去除。将去噪后的数据分成三个数据集：可见-近红外光谱(500～900 nm)数据集、短波红外光谱(1 000～2 350 nm)数据集、全谱段光谱(500～2 350 nm)数据集。对以上三个数据集进行主成分分析,将提取出的25个主成分输入多层感知器分类模型。多层感知器模型由输入层、隐藏层(两层)、softmax分类器构成。对三个数据集进行分类精度的对比,并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。结果表明：对块状商品煤分类,全谱段光谱分析技术由于数据信息量丰富,能够得到更优的分类效果,在训练样本数为132时,采用MLP分类器的分类精度最高,为98.03%;随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。该研究为煤炭的在线分析、便携式煤炭检测仪器的研发提供了可靠的技术支持。