可见光-近红外波段土壤水分含量偏振光谱响应变化研究

通过在350～2 500 nm波段范围内对不同水分含量的土壤进行偏振光谱测试与分析,确定土壤偏振光谱数据与水分含量之间的关系,研究土壤水分含量对偏振光谱的响应与变化,并确定最佳土壤含水量偏振光谱预测模型。结果表明,微分偏振光谱模型的精度要高于偏振光谱模型和吸光度模型,且模型均呈现拐点含水量,发现不同偏振状态下的拐点含水量均在30%附近,具有一定的规律性。     

基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究

煤与矸石是矿山采煤过程中主要固体堆放物,对其进行遥感动态监测是矿山环境保护的重要需求。由于煤与部分矸石存在“异物同谱”现象,在使用传统的可见-近红外遥感分类时,往往将部分矸石划分为煤,导致遥感分类精度降低。首先对铁法矿区的12个煤样本和115个矸石样本进行可见-近红外光谱测试,发现绝大部分矸石样品的光谱与煤差异很大,二者易于区分,但有部分矸石与煤样本存在“异物同谱”现象。为进一步对矸石与煤区分,测试了混分样本的热红外光谱,发现二者存在明显的光谱差异,利用热红外光谱特征可以将其区分开来。在此基础上,提出了基于可见-近红外和热红外光谱联合分析的煤与矸石区分方法。该方法首先对所有样本进行可见-近红外光谱测试,利用Mao模型进行第一步分类识别;其次对煤与矸石混分的样品进行热红外光谱测试,利用光谱吸收比率SAR作为判别指标进行第二步分类,两步的分类结果为最终分类结果。该方法在铁法、兖州、神东和木里矿区的验证结果表明,其具有很高的分类准确率,效果远好于单独基于可见-近红外光谱特征的分类方法。研究结果表明,利用多种光谱联合分析的方法可以解决单波段存在的“异物同谱”现象,对于地物遥感分类具有重要的借鉴意义。     

基于可见光-近红外光谱的BIF磁性率确定方法研究

铁矿中磁性率是评价铁矿床工业价值和划分矿石工业类型的重要指标。传统的磁性率测定法存在工作量大、效率低、周期长的缺陷,成为经济、合理、高效开采铁矿资源的瓶颈问题。采用便携式地物光谱测试仪对辽宁省鞍钢集团鞍千矿业有限责任公司的BIF实验样品进行可见光-近红外光谱测试,分析了光谱特征,构建了比值指数(RI)、差值指数(DI)和归一化指数(NDI),并确定光谱指数与样品磁性率相关性最显著的敏感波段及对应的相关系数值;优选出与样品磁性率相关性最显著的比值指数(RI),构建实验样品磁性率的定量反演模型,并进行了验证。结果表明,三种光谱指数与样品磁性率敏感波段均位于935与1 050 nm,且该波段处的相关系数均达到0.9以上,其中比值指数与样品磁性率的相关性最高;基于比值指数构建的实验样品磁性率定量反演模型的预测误差为0.038,反演磁性率与实测磁性率的判定系数(R2)为0.964 5,预测结果比较理想。为确定BIF的磁性率提供了一种新方法,该方法具有工作强度小、经济、高效、便捷的优点,且对遥感找矿具有一定指导意义。     

快速、高精度可见光-近红外透射光谱测量技术研究

基于传统分光光度测量方法的构架,提出了一种快速、高精度测量可见光-近红外透射光谱的新方法,在该方法的测量过程中,光栅单色器的出射波长保持匀速的连续变化,同时参考光探测器和测试光探测器保持连续的光强采集。初步实验研究表明,新方法可把测量耗时降低到传统分光光度法所需时间的50%以下,测量得到的透射光谱与传统分光光度法的相对误差为0.070%,三次重复性测量的统计误差为0.042%。与现有常见可见光-近红外透射光谱的测量方法(分光光度法、CCD光谱仪法、傅里叶变换光谱仪法)相比,新方法同时具有以下优点：(1)有望显著提高可见光-近红外透射光谱的测量速度,从而应用于透射光谱的动态测量环境中;(2)具有较高的测量精度(0.1%～0.3%);(3)在测量过程中,系统的机械部件始终保持匀速的运动状态,测试系统因而具有较高的机械稳定性。     

便携式近红外和可见光光谱仪检测水稻水分含量方法比较研究

使用便携式近红外(901～1 650 nm)和可见光(400～900 nm)光谱仪结合多变量分析方法无损检测水稻水分含量,选用100种不同品种的水稻并采集其光谱信息,其中粳稻52种,籼稻34种,糯稻14种。采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。利用蒙特卡洛偏最小二乘法(MCPLS)剔除水稻样本中的异常值,基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。采用基于联合X-Y距离的样本划分法(SPXY)按照3:1的比例划分样品,近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。采用正交信号校正(OSC)、多元散射校正法(MSC)、去趋势变换(De-trend)、标准正态变换(SNV)、基线校正(Baseline)、 Savitzky-Golay卷积导数(S-G导数)、标准化(Normalize)、移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法(S-G平滑)共9种算法对原始光谱数据进行预处理,基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好...     

颗粒度对不同煤种可见光-近红外光谱的影响

煤炭是我国最主要的能源,在开采、运输、洗选加工、精煤储运等过程中都需要及时了解煤的成分、含量以及混矸程度,以便掌握和监控煤炭质量。目前,基于可见光-近红外反射光谱的煤炭原位测试技术已经成为一个研究热点。颗粒度是影响光谱特征的重要因素,开展颗粒度对不同煤种反射光谱特征的影响研究,对于深刻认识煤的光谱特征,进而提高煤光谱识别精度具有重要意义。为此,选取我国主要煤炭富集区（包括内蒙古乌海、新疆哈密、山西阳泉）的褐煤、烟煤、无烟煤为研究对象,利用SVC HR-1024光谱仪对不同颗粒度煤样的可见光-近红外光谱进行测试,分析了颗粒度对煤样光谱反射率的影响规律,以及颗粒度对于不同煤种光谱影响的差异。在此基础上,对实验现象背后的物理机理进行了分析讨论。研究表明,变质程度不同的煤反射光谱特征基本相似,即在可见光波段反射率较低且随波长增加出现缓慢下降趋势,在近红外波段快速上升。当煤样颗粒度>0.10 mm时,颗粒度大小对光谱特征的影响较小,煤样反射光谱特征随颗粒度变化规律不明显;当颗粒度<0.10 mm时,颗粒度对煤样的光谱影响增大,且影响主要体现在近红外波段的反射率光谱曲线的斜率大小,颗粒度越小,光谱反射率曲线斜率越大。0.10 mm颗粒度可作为颗粒度对煤的光谱特征影响的敏感界限。不同煤种可见光-近红外光谱曲线受颗粒度的影响程度不同,褐煤的影响最大,烟煤次之,无烟煤影响最小。实验表明,利用反射光谱进行煤质分析和煤种识别时需要考虑颗粒度的影响,同时,选择颗粒度小于0.10 mm的粉末状样品效果要好于大颗粒或块状样品。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

高光谱成像的煤与矸石分类

煤与矸石分选是煤矿生产的必要工序,现有的人工分选与机械分选,存在效率低,易造成资源浪费以及环境污染等问题.鉴于可见/近红外高光谱成像具有分析速度快、样品无需预处理、无污染等诸多优势,旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性,并基于特征波长筛选算法简化模型,为构建多光谱煤与矸石分选系统提...     

典型伪装材料高光谱特征及识别方法研究

针对某些特定环境下,伪装目标和背景目标出现的“异物同谱”现象,传统的可见光及多光谱遥感伪装识别存在局限性,为此,将高光谱应用到典型伪装材料的特征分析与识别。以北方地区常用丛林迷彩伪装网为研究对象,利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱,通过光谱相似性度量和包络线去除处理,分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段,并基于近红外波段构建光谱比值指数RCI,用于识别绿色植被环境中的伪装目标,最后通过高光谱成像实验获取仿真伪装环境高光谱图像,并利用高光谱图像对识别效果进行验证。结果显示：(1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似,且反射率随浸水时间的增加而整体呈下降趋势;1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段,其光谱特征会因浸水处理而相似于植被,相似度从0.895提高到了0.939。(2)丛林迷彩伪装网和植被在可见光波段的相似度较高,光谱波动情况相似,但在近红外波段光谱特征差异明显。通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段,且基于迷彩伪装网和各植...     

土壤质地分类的近红外光谱分析方法研究

依据所收集的25种土样,采用两种不同精度仪器、三种光谱方法以及3个不同谱区,在四种分类标准条件下进行土壤质地分类分析方法研究。结果表明：(1)土壤化学组成的信息主要体现在近红外光谱的谱峰特征,而质地等物理信息主要反映在光谱的斜率、截距参数上,且二者在不同谱区的相对强度不同;(2)近红外光谱方法对土壤质地的分辨能力较低,随着分类粗化而有所提高;(3)在4组分类标准中土壤质地最高预测准确度为72％,其中在砂粒<70％和粘粒<40％条件下,预测准确度达到85％;(4)样本顶部漫反射光谱方法与扩展谱区范围均可有效提高质地预测准确度,而高精度仪器并不具备明显优势。     

基于XGBoost与可见-近红外光谱的煤矸识别方法

煤矸智能识别是实现综放开采智能化亟待研发的新技术;可见-近红外光谱技术具有环保、实时等优势,满足煤矸智能分选的要求。为解决基于可见-近红外光谱的煤矸识别问题,引入在数据科学竞赛中表现出色的极端梯度提升树（XGBoost）算法。搭建可见-近红外光谱实验平台采集来自山西西铭、陕西神木、内蒙古巴隆图煤矿的块状煤与矸石样品在370～1 049 nm波段的反射光谱;利用黑白校正、始末波段去除、SG卷积平滑和标准正态变量变换（SNV）对采集的原始光谱进行预处理,以减少光照不均、噪声以及光程差的影响。依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组,实验组差异微小,用于对比不同模型的性能,挑选最佳算法;测试组差异较明显,用于测试最佳算法在其他煤矿下的表现,检验算法对不同煤矿的适用性。在实验组的实验中,首先基于XGBoost算法建立煤与矸石分类模型,并引入常用的机器学习分类算法k近邻法（KNN）、随机森林（RF）、支持向量机（SVM）做对比,结果表明XGBoost的表现最佳,十折交叉验证的平均准确度（ACC₁₀）、分类准确度（ACC）与AUC值分别达到0.957 2,0.970 5与0.971 6,体现出较强的稳定性与分类能力。其次为降低数据维度减少模型运算量,使用递归特征选择（RFE）、连续投影算法（SPA）与竞争性自适应重加权算法（CARS）分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型,经测试RFE与XGBoost组合的简化模型表现最佳,ACC₁₀,ACC与AUC值分别为0.965 7,0.980 3与0.980 3且数据维度降至9,在降低数据维度的同时提高了模型的稳定性与分类能力。在测试组的实验中,基于优选出的XGBoost与RFE-XGB算法建立的模型,同样可以实现对其他矿区煤与矸石稳定精确地识别,且简化模型表现更好,与实验组结果一致。     

基于无人机可见光谱遥感的玉米长势监测

玉米是我国重要的粮食作物之一,在我国种植规模最大、发展最快。玉米的长势会直接影响到其产量和品质,因此通过对玉米的长势进行有效监测,可以为田间管理、早期产量估算提供宏观的参考信息,为国家和相关部门决策提供重要的参考依据。以无人机为遥感平台,搭载影像传感器构建遥感系统,获取玉米可见光谱遥感影像。利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正,然后对图像进行彩色图像灰度化和增强处理。利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。在计算玉米覆盖度时,首先利用AP-HI算法将图像进行分割,并转换为二值图,来去除图像中的土地、水管、道路、作物残渣等背景,以保留玉米的二值图像。图像中的农田存在道路区域,计算实际作物覆盖度时需将其排除。道路区域出现在图像的四个边界以及相对正中的位置处,对这些位置分别进行处理,统计其中黑色像素点的个数,根据像素点个数确定道路宽度,并将道路部分从二值图中去除。去除后的二值图中,白色像素为无作物区域,黑色像素为玉米种植区域,统计黑色像素占总像素的比例,以此确定作物的多少。选取80×80像素值作为单位面积,对处理图像进行分块标记,得到区块数为720,对单位面积的分块进行全区域扫描,每当扫描到一个黑色像素值就将总的统计面积加1,直至扫描到6 400个像素点,计算其中含有的总的黑色像素值数目与6 400的比值,直至将720个区块黑色像素点占总像素比例统计完全,即可计算图像中黑色像素数与总像素数之比,即为玉米覆盖度。在此基础上,根据实际情况计算玉米冠层孔隙率,并建立覆盖度与叶面积指数模型,完成玉米叶面积指数反演,为玉米长势监测提供理论依据。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

可见光-近红外光谱的矽卡岩型铁矿反演模型

铁矿资源是我国国民经济基础产业中的重要组成要素,在我国经济发展中有举足轻重的地位。铁矿品位的检定效率对铁矿石开采效率有重大影响。目前,铁矿石品位的化学分析检定法,不仅存在成本较高,化验周期长的问题,更主要的是其无法实现铁矿品位原位测定,相对配矿流程存在滞后效应,无法有效降低矿石开采的损失贫化率;基于可见光-近红外光谱分析的铁矿品位原位测定技术是解决这一问题的有效途径。以225个红岭矽卡岩型铁矿测试样本的可见光-近红外光谱数据及化学分析数据为数据源,首先对原始数据进行了平滑处理,并分析了矽卡岩型铁矿可见光-近红外光谱特征,然后利用倒数对数、多元散射校正（MSC）两种预处理方法对平滑后的光谱数据进行处理,再分别以主成分分析法（PCA）、遗传算法（GA）两种降维算法对预处理前后的光谱数据进行了处理,获取了六种不同预处理组合算法处理后的数据源。其中以PCA降维算法所降维数分别为3维、3维、7维;以GA降维算法所降维数分别为477维、489维、509维。最后基于随机森林（RF）和极限学习机（ELM）建立了矽卡岩型矿石金属铁品位的定量反演模型,以决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）三个指标分别对模型的稳定性、精确度、可信度进行评价。结果表明,经MSC处理及PCA降维后的数据基于ELM算法建立的定量反演模型效果最优,其R2可达0.99、RMSE为0.005 7、MRE为2.0%,该方法所建模型对红岭矽卡岩型铁矿品位反演精度有明显的提升。对矽卡岩铁矿品位的实时、快速分析提供了一种有效的方法,对实现矽卡岩型铁矿的高效开采具有重要的现实意义。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉, 提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型, 采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果, 对光谱数据进行光调制和归一化等预处理并截取有效波段, 根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典), 通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差, 将最小投影误差对应的类作为测试样本的所属类别, 并应用留一法进行交叉检验, 比较了稀疏表示法与支持向量机的识别结果。实验结果表明, 利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上, 获得了较好的分类效果, 优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取, 适用于高维、小样本量数据的处理, 计算成本低, 将其用于注水肉的光谱数据识别具有一定的创新性, 并取得了较满意的结果, 为原料肉和注水肉的无损识别提供了一种有效方法。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉,提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型,采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果,对光谱数据进行光调制和归一化等预处理并截取有效波段,根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典),通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差,将最小投影误差对应的类作为测试样本的所属类别,并应用留一法进行交叉检验,比较了稀疏表示法与支持向量机的识别结果。实验结果表明,利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上,获得了较好的分类效果,优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取,适用于高维、小样本量数据的处理,计算成本低,将其用于注水肉的光谱数据识别具有一定的创新性,并取得了较满意的结果,为原料肉和注水肉的无损识别提供了一种有效方法。     

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

煤是工业的主要能源,煤的品质对工业和环境起决定性作用。在使用煤的过程中,如果不能准确确定煤的品种,有可能对生产效率、环境污染、经济损失等会造成重大的影响。传统的煤分类,主要依靠人工方法和化学分析方法,这些方法的缺点是高成本和耗费时间。如何快速准确确定煤的品质很重要。因此,提出深度学习、极限学习机-ELM算法和可见、红外光谱联合建立煤矿分类模型。首先,从抚顺、伊敏和河南夹津口煤矿区采取不同煤样品,并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。然后利用深度学习的卷积神经网络-CNN提取光谱特征,并采用ELM算法对光谱数据建立分类模型。最后,为进一步提高分类精度,引入粒子群算法。通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法,并使用改进粒子群算法优化CNN-ELM网络。实验结果表明,和PCA特征提取方法比较,CNN网络能够更好的提取光谱特征,CNN-ELM分类模型有良好的分类效果;改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。与传统的化学分析方法和人工方法相比,此方法在经济、速度、准确性方面均具有无可比的优势。