激光诱导击穿光谱结合XGBSFS特征优选的废钢分类识别方法

我国每年的钢铁生产与出口量位居世界前列,而在钢铁生产过程中产生的废钢是一种重要的资源。废钢的精准分类是电炉炼钢的关键环节,对于环境能源的可持续发展也具有重要意义。为了提高废钢回收利用的效率,提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法,与k最邻近算法(kNN)、支持向量机(SVM)分类算法联合建立了XGBSFS-SVM、 XGBSFS-kNN两种优化模型。首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170～400 nm范围内的激光诱导击穿光谱数据,通过k值校验剔除光谱数据中的粗大误差,并对剔除后剩余的数据进行平均,每个样品28组共得到504组平均光谱数据;然后对光谱数据进行基线校正、归一化等预处理,降低基体波动影响;最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集,剩余数据作为模型的训练集,并提取光谱数据中Si, Cu和C等元素的16条特征谱线作为分类特征,用于模型的输入,经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后,应用kNN、 SVM建立废钢智能识别模型。XGBSFS-SVM、 XGB...     

激光诱导击穿光谱元素谱线自动识别方法研究

根据激光诱导击穿光谱谱线展宽机制,对NIST标准谱线数据库中的发射谱线进行了模拟,并与实验光谱进行对比,在对比分析中引入相似性测度,得到模拟光谱和实验光谱的相似程度。对元素谱线的自动归属识别方法进行分析和研究,通过相似性计算对土壤样品340～345nm波段光谱进行了识别分析,利用最小二乘原理计算各谱线之间的比例系数,实现了光谱识别,实验结果验证了基于相似性测度的光谱识别方法的可行性及其自动识别的优越性。     

塑料激光诱导击穿光谱技术快速分类应用研究

在大气环境中,采用激光诱导击穿光谱技术与支持向量机算法相结合,对来自不同厂家不同颜色的20种工业塑料进行分类研究。首先对分类结果有影响的实验参数进行优化,在最佳的实验参数条件下进行光谱采集,采用6条非金属元素特征谱线,有效缩短了训练支持向量机分类模型所需时间,从而提高了塑料的分类效率。实验结果表明,利用碳、氢、氧、氮等主量非金属元素对这些工业塑料样品进行分类,测试集1 000个光谱数据中有996个识别正确,算术平均识别精度达到99.6%。在选取较少的主量非金属特征谱线的情况下,结合采用支持向量机算法,可以实现激光诱导击穿光谱技术对更多类型的塑料制品快速、高精度分类,为激光诱导击穿光谱技术在实现塑料分类方面提供了数据参考。     

基于激光诱导击穿光谱技术的土壤快速分类方法研究

为实现不同种类土壤的快速分类鉴别,实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。由于不同类型的土壤在元素组成上会存在较大差异,所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。不同土壤在相同实验条件下产生的等离子体温度会存在较大差异,可以作为分类的重要依据,所选择的7类土壤中,赤红壤的等离子体温度最高。选取土壤中6种常量元素Si,Fe,Al,Mg,Ca和Ti的光谱强度作为分类指标,利用主成分分析(principal component analysis,PCA)对7种土类的25个样品进行了分类,其中砖红壤和赤红壤分类出现了交叠,而不同高山草甸土样品之间元素差异较大,并没有实现较好的聚类。利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类,分类结果与PCA结果相近,赤红壤与砖红壤出现了识别错误。当用PCA分析获得三个主成分值作为BP神经网络的输入量时,获得了较好的分类结果,因为简化了输入量,降低了BP神经网络的误差,此时只有一个高山草甸土被识别成褐土,而高山草甸土的等离子体温度显著低于褐土,所以结合不同土壤类型的等离子体温度差异,能够实现不同土壤的分类识别。实验证明激光诱导击穿光谱技术可以应用于土壤分类,为土壤普查和合理利用提高了一种新的技术。     

一种基于激光诱导击穿光谱的塑料分类方法

传统的废旧塑料处理主要采用焚烧掩埋的方式,不仅污染环境,还造成了资源浪费,废旧塑料回收对于推行循环经济、促进可持续发展具有重要意义。传统的塑料分类装置存在精度较低,成本较高,分类结果易受样品颜色影响及对操作人员身体健康造成威胁的缺点。激光诱导击穿光谱技术(LIBS)具有多元素同时分析、无需样品预处理,检测速度快,对样品损害小,不受塑料颜色影响等优点。将其与基于化学计量学的样品分类方法相结合,应用到塑料样品检测领域,有利于提升塑料分类精度。但是,现有分类方法需要更改参数多、所构建模型普适性差。通过自主搭建的LIBS实验平台,研究激光器能量、延时时间、积分时间和光谱信号接收角度对光谱信号强度的影响,获取最佳的实验条件。并通过该平台分析11种塑料的2200个样品点,选用偏最小二乘算法(PLS)对谱图数据进行建模分析,研究最优的训练集和验证集比例及最佳的主成分数的选取方法,实现样品类别与样品数据的最大相关性,达到克服背景干扰、提高分类精度的目的。实验结果表明,不替换干扰谱图时,验证集样品的分类精度为99.80%,测试集样品的分类精度为99.09%;替换掉干扰谱图后,验证集和测试集的样品分类精度均达到100%,且分类时间减少。由此可见,激光诱导击穿光谱与偏最小二乘方法结合可以成功的用于塑料样品分类。     

激光诱导击穿光谱定量分析中的分析线自动选择方法

为了实现激光诱导击穿光谱分析中的分析线自动选择,定义了元素发射谱线的相对强度比(RDTIR)、波长偏差(WDDT)两个参数,并据此对检测谱线进行筛选,通过设定合理的阈值,剔除自吸收和干扰严重的谱线。通过对高合金钢(GBW01605)实验数据的分析,分别选定了样品中主要元素铁、铬、镍、锰、铜的分析线,选线结果符合谱线的选取原则。     

延迟时间对灰岩激光诱导击穿光谱的影响

为研究延迟时间对激光诱导击穿光谱信号强弱的影响,从理论上讨论了光谱信号与延迟时间之间的关系,利用RT100-HP激光诱导击穿光谱仪对标准样品合成灰岩GBW07716进行了测试,分析了MnⅠ357.788nm,WⅡ364.141nm,WⅠ407.436nm,WⅠ426.938nm,CoⅠ387.312nm等谱线随延迟时间的变化特征。得到随延迟时间的延长,光谱信号按指数规律变弱,不同谱线信号随延迟时间变化的快慢不相同。离子谱线在延迟时间短时其强度较强,但随着延迟时间的延长,离子谱线强度较原子谱线下降得更快些。对实验数据按指数规律进行了拟合,其曲线的拟合系数R约0.99。     

样品的激光诱导击穿光谱及谱线的自吸收现象

以脉冲Nd∶AG激光器的二倍频输出为激发源,获得了一种家庭用煤的激光诱导击穿光谱(laser induced breakdown spectrum,LIBS)。通过对谱线的归属,发现该煤种除包含文献报道的C,Si,Mg,Fe,Al,Ca,Ti,Na,K元素外,还包含Cd,Co,Hf,Ir,Li,Mn,Ni,Rb,Sr,V,W,Zn,Zr等微量元素,谱图中没有出现对应H和O元素的谱线,把该现象归因于H和O原子的跃迁概率较小,而灵敏谱线对应跃迁的上能级能量较大。同时发现随激光脉冲能量的增加,等离子体发射谱线的强度增大,增加到一定程度,K原子766.493和769.921 nm谱线会出现自吸收现象,自吸收的程度随激光能量的增加而增强,出现明显的双峰结构,把自吸收现象归因于原子大的跃迁概率及激光强度增加引起等离子体中粒子数密度的增大。     

激光诱导击穿光谱在塑料分类中的应用

利用波长为266 nm紫外激光器获得四大类塑料样品(HDPE,LDPE,PET,NYLON)的诱导击穿等离子光谱(波长范围652～780 nmn),以NIST原子发射谱线数据库作为参考,对其中的主要元素特征谱线进行标定.采用化学计量学中的主成分分析法对光谱数据进行处理,并通过交互验证法建立样品的主成分分析模型,分析主成...     

基于激光诱导击穿光谱对长白山黑猪肉部位分类

猪肉内部结构成分复杂,各部位的成分相似,分辨较为困难。结合激光诱导击穿光谱技术,通过光谱分析的方式提高分类精度。以5种不同部位的长白山黑猪肉（里脊肉、梅花肉、后腿肉、前腿肉、五花肉）作为待测样品,通过冷藏、切片等预处理方法,探究激光诱导击穿光谱技术鉴别猪肉脂肪与肌肉及其不同部位的可行性。首先通过采集猪肉脂肪样品与肌肉样品的LIBS谱线信息发现,猪肉中Mg,K,Fe,Cu,Ca和Na等元素较为丰富,并在脂肪样品光谱中发现C-N键,与肌肉样品LIBS谱线信息相比,脂肪样品受其内部水分、有机质成分影响致使其谱线信息背景和噪声信号干扰较大,二者谱线信息存在一定差异,说明LIBS可对脂肪组织与肌肉组织进行鉴别。通过对目标元素Ca,Na,Mg,K和Al其LIBS特征谱线强度进行检测,计算Mg/Ca,Al/Ca,Na/Ca和K/Ca比值,发现与Al/Ca和Mg/Ca相比,Na/Ca和K/Ca各部位元素比值分布差异明显,在此基础上,根据Na/Ca和K/Ca比值,计算猪肉各部位元素分布决策阈值[（1-α）=90%]。发现与Al/Ca和Mg/Ca比值相比,Na/Ca和K/Ca更能明显的反应出各部位元素分布的不同。其比值分布阈值基本可对猪肉各部位进行区分。以前腿肉与后腿肉为例,前腿肉Na/Ca和K/Ca比值分别分布在1.29～1.58和0.31～0.42,后腿肉Na/Ca和K/Ca比值分别分布在0.98～1.18和0.15～0.23。其元素比值分布无明显重叠。最后,为提高LIBS技术对猪肉不同组织分类的可靠性,将光谱元素强度比值数据与主成分分析法相结合,基本可以实现对猪肉各部位的分类,说明元素特征谱线强度比值在对猪肉各部位分类时具有一定的预测精度。该工作证明,使用激光诱导击穿光谱技术对猪肉进行分类识别等定性分析时具有一定可行性,有望适用于其他生物组织检测分析。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

激光诱导击穿光谱定量分析锂矿石中锂元素

锂元素具有优良的物理和化学性能,因而在军事、电池、特种合金、受控热核反应等领域具有重要作用。现有的锂矿石分析主要是基于酸分解的原子吸收光谱、电感耦合等离子体质谱或原子发射光谱等离线方法。激光诱导击穿光谱(LIBS)是一种无需样品制备、适用于低原子序数元素(包括锂)的原子发射光谱方法。采用LIBS技术,实验采集了11种锂矿石成分分析标准物质的等离子体发射光谱,分别在610.35和670.78 nm附近观测到了Li的特征峰,但由于谱线的重叠,无法应用单变量线性回归进行建模。在全谱积分强度标准化基础上,分别使用偏最小二乘回归(PLSR)和基于主成份分析的支持向量回归(PCA+SVR)对锂矿石标准物质中的锂含量进行建模。校准模型的相关参数通过留一组交叉验证均方根误差(RMSECV)来确定。结果表明,相较于PCA+SVR校准模型,PLSR的决定系数(R2)更大,校准均方根误差(RMSEC)更小,但预测均方根误差(RMSEP)远大于RMSEC,存在过拟合现象。另一方面,PCA+SVR计算得到的RMSEP和平均相对误差(MRE)相对于PLSR更小,因此认为PCA+SVR模型拥有更好适应度。从而证明,LIBS技术可以实现锂矿石中Li含量的分析,有望应用于位于传送带上锂矿石的原位在线定量分析。     

光纤传能的移动式激光诱导击穿光谱钢铁快速检测与分类

为了实现工业现场对特种钢材的快速检测与种类识别,采用基于光纤传能的移动式激光诱导击穿光谱(LIBS)样机对14种特种钢材进行光谱数据的采集与分析,采用预选谱线并遍历组合的降维方法与支持向量机(SVM)相结合的算法对特钢材料的光谱进行快速分类.分别将原始光谱数据、归一化处理后的光谱数据、归一化处理+遍历组合优选谱线数据作...     

基于不同化学计量学方法的土壤重金属激光诱导击穿光谱定量分析研究

工业的发展及城市化进程的深入,造成大量耕地土壤遭受重金属污染,土壤重金属元素的准确检测对制定土壤重金属防治决策提供有效参考。本研究应用激光诱导击穿光谱(LIBS)结合化学计量学方法对土壤中的铅(Pb)和镉(Cd)元素进行定量分析。根据土壤重金属污染的不同程度,人为制作了含有Pb和Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用剔除异常光谱和数据归一化来减少试验误差和噪声。综合土壤LIBS发射谱线中Pb和Cd元素谱峰信息以及美国国家标准与技术研究院(NIST)的标准原子光谱数据库,选取了Pb,Cd元素的分析谱线与分析谱线区间,对比分析基于多元线性回归(MLR)、偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)和反向传播人工神经网络(BP-ANN)算法,建立分析谱线区间与对应Pb和Cd元素浓度之间的定量回归模型。结果表明,非线性的LS-SVM和BP-ANN的模型的预测性能优于线性MLR和PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够为土壤重金属准确检测提供新的分析手段,为制定农业土壤重金属防治决策提供有效的理论基础。     

基于原子和分子谱线分析的LIBS快速测量CO_2

作为温室气体的主要成分,CO_2的排放控制有利于应对全球气候变暖以及生态环境变化,对CO_2的快速检测具有重要意义。目前检测CO_2的方法有滴定法,电化学法,气相色谱法,红外吸收光谱法等,但对应用于工业现场的在线监测还存在着不足。激光诱导击穿光谱(LIBS)具有远程测量,无需或仅需简单预处理,多组分同步测量等优点,本文提出将其应用于CO_2在线监测,期望发展适用于工业过程碳排放的在线监测技术。利用质量流量控制器控制纯度为99.99%的CO_2和N2配比形成不同CO_2浓度的混合气体模拟烟气环境,经过混气瓶充分混合后送入密封样品池进行LIBS测量实验。研究不同延迟时间下C247.86nm和CN38.34nm谱线的演化规律,验证了等离子体形成过程中存在部分CO_2分子解离反应生成CN分子,在CO_2定量分析时应考虑CN分子谱线的影响,并获得同步测量C原子和分子谱线的最佳延迟时间为800ns。在此基础上,由于等离子体演化过程中,各种信息相互影响,分析指标与多个测量参数存在关系,综合考虑C原子、CN碎片及修正高浓度影响下的自吸收效应,采用多元回归分析方法建立了CO_2定量分析曲线,其拟合度R~2和斜率分别达到了0.978和0.981,结果表明相比单个指标直接定标,该方法提高了定量分析模型的可靠性,验证了LIBS技术快速测量CO_2的可行性。     

激光诱导击穿光谱结合标准加入法定量分析未知样品中铅含量

利用激光诱导击穿光谱结合标准加入法定量分析了铅蓄电池厂含铅污泥中重金属铅元素含量, 标准加入法有效避免了外标法与内标法制作标准曲线时基质不同对LIBS检测结果的影响, 且样品处理过程简单。实验采用中心波长为1 064 nm的Nd∶YAG脉冲激光器作为激发光源, 以高分辨率、宽光谱段的中阶梯光栅光谱仪和增强型电荷耦合器件为谱线分离与探测器件, 选取铅的PbⅠ: 405.78 nm特征谱线作为分析线, 以FeⅠ: 404.58 nm特征谱线作为内标线进行结果计算。预实验确定较佳的实验条件后(激光脉冲能量: 128.5 mJ, 延时: 2.5 μs, 门宽: 3 μs), 对铅蓄电池厂的未知铅泥样品中铅元素进行定量分析, 结果表明加入铅在0~25 000 mg·kg-1范围内谱线不会产生自吸收, PbⅠ: 405.78 nm信号强度与铅加入量呈很好的线性关系, 由此确定合适的铅加入量为0~25 000 mg·kg-1。在此基础上配制四个样品, 基质均为铅蓄电池厂含铅污泥, 加入铅浓度分别为5 000, 10 000, 15 000, 20 000 mg·kg-1, 每个样品设置三个平行样, 验证实验重复性及可靠性, 并与ICP-MS检测结果对比, 结果直线外推误差为-14.8%。12个样品单次计算结果误差介于为-24.6%~17.6%之间, 含铅量平均值为43 069 mg·kg-1, 相对误差为-2.44%。     

激光诱导击穿光谱结合标准加入法定量分析未知样品中铅含量

利用激光诱导击穿光谱结合标准加入法定量分析了铅蓄电池厂含铅污泥中重金属铅元素含量,标准加入法有效避免了外标法与内标法制作标准曲线时基质不同对LIBS检测结果的影响,且样品处理过程简单。实验采用中心波长为1 064 nm的Nd∶YAG脉冲激光器作为激发光源,以高分辨率、宽光谱段的中阶梯光栅光谱仪和增强型电荷耦合器件为谱线分离与探测器件,选取铅的PbⅠ：405.78 nm特征谱线作为分析线,以FeⅠ：404.58 nm特征谱线作为内标线进行结果计算。预实验确定较佳的实验条件后(激光脉冲能量：128.5 mJ,延时：2.5 μs,门宽：3 μs),对铅蓄电池厂的未知铅泥样品中铅元素进行定量分析,结果表明加入铅在0~25 000 mg·kg-1范围内谱线不会产生自吸收,PbⅠ：405.78 nm信号强度与铅加入量呈很好的线性关系,由此确定合适的铅加入量为0~25 000 mg·kg-1。在此基础上配制四个样品,基质均为铅蓄电池厂含铅污泥,加入铅浓度分别为5 000,10 000,15 000,20 000 mg·kg-1,每个样品设置三个平行样,验证实验重复性及可靠性,并与ICP-MS检测结果对比,结果直线外推误差为-14.8%。12个样品单次计算结果误差介于为-24.6%~17.6%之间,含铅量平均值为43 069 mg·kg-1,相对误差为-2.44%。     

三维荧光结合自组织映射神经网络考察自来水厂有机物去除效果

三维荧光光谱在水体监测和水处理领域日益引起广大研究者的关注。自组织映射神经网络(SOM网络)作为一种非监督、自学习的神经网络,具有自稳定性高、抗噪声能力强等特点。使用SOM网络对某自来水厂处理流程中水样的荧光光谱进行解析,可以将三维荧光光谱聚类成三类,分别对应为络氨酸类蛋白有机物、色氨酸类蛋白有机物、紫外富里酸类物质。整个自来水处理工艺能够有效的去除水体中的有机物,其中络氨酸类、色氨酸类、紫外富里酸类物质的去除率分别为84.6%,79.9%,69.1%。研究结果表明,SOM网络可以作为一种有效的水体荧光光谱分析工具,有助于优化水处理工艺参数,提高水处理工艺性能、以及自来水厂的监测和管理。     

基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染。回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选。传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类。激光诱导荧光技术是一种快速灵敏的光谱检测技术。具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析。利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别。实验采集了8种塑料（ABS,HDPE,PA66,PLA,PP,PET,PS,PVC）共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵。利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度。结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息。将降维的主成分PC1, PC2, PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66,PLA,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差。PCA算法并不能准确的对未知塑料进行识别。BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究。将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集。BP神经网络的隐藏层设定值为1,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品。识别结果显示,102组数据中只有一组HDPE光谱数据被错识为PS,其余101组数据全部正确识别。8种塑料荧光光谱的综合识别准确率达到99%。研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考。