高光谱结合多元统计分析鉴别一次性纸杯样品

为了快速、准确地对现场一次性纸杯物证进行鉴别,提出了一种基于高光谱技术结合PCA、K-Means聚类、Fisher判别分析的识别分类方法。利用高光谱仪对收集的40个不同来源、不同用途的一次性纸杯进行检验,采用主成分分析法对光谱数据进行预处理,从中提取出了11个主成分。借助K-Means算法将40个样品聚为5组,各组分间区分明显。利用Fisher判别分析构建了3组判别函数,经检验函数模型可排除污染客体干扰,分组准确率达100%。     

基于优化面积光谱指数的玉米叶片叶绿素值估测

综合使用光谱技术对作物养分进行实时、有效诊断,有助于作物的精准管理、保障产量和减少环境污染,提高肥料利用率,并且为定量估测作物生化组分状况提供了一种新的途径.光谱指数是进行作物叶片叶绿素实时估测的重要指标,然而由于受到环境条件及内在生化成分的影响,估测结果不尽满意.为了进一步提高光谱指数在估测作物叶片叶绿素含量时的抗干...     

首次使用核反应法鉴别JUNA深地加速器A/q=2的束流种类

JUNA团队计划利用CJPL所提供的极低本底条件和400 kV高压平台上2.45 GHz ECR离子源产生的毫安量级束流首次在天体物理能区对关键核反应进行直接测量。实验需要10 emA的质子束流和He+束流以及2 emA的He2+束流。使用2.45 GHz离子源产生毫安量级的He2+束流是离子源制造的难点。由于离子源分析磁铁分辨能力有限,无法区分He2+和H+₂离子,本文首次使用核反应法对离子源产生的A/q=2的束流进行了鉴别,结果显示,JUNA项目2.45 GHz ECR离子源无法产生毫安量级的He2+束流。该研究成果为JUNA项目离子源的设计提供了重要的参考依据。JUNA团队另外研制了一台微波频率为14.5 GHz的ECR离子源并成功产生2 emA的He2+束流来满足实验需求。     

基于高光谱分析的玉米叶片氮含量分层诊断研究

为了明确不同生育时期进行玉米氮素营养诊断的叶片层位,建立准确稳健的玉米氮素营养诊断模型,以达到合理追施氮肥,提高氮肥利用率的目的。试验采用单因素盆栽试验设计,以玉米（郑单958）为研究对象,应用高光谱技术,分析了不同氮营养水平下不同生育时期不同层位玉米叶片的氮含量分布和变化规律及光谱响应特征;并依据叶片氮含量与光谱反射率的相关关系,叶片氮含量与全波段(400～2 000 nm)任意两两波段组合构建的比值光谱指数(RSI)的回归关系,初步确定了不同生育时期进行氮素营养高光谱诊断的目标叶片,筛选出最优的比值光谱指数,建立了叶片氮素含量估算模型。结果表明：玉米叶片氮含量：上层>中层>下层;随着玉米的生长,在低氮条件下上层叶片氮含量呈先减少后增加（追肥）再减少趋势,在高氮条件下呈减少趋势,中下层叶片氮含量呈递减趋势。六叶期下层玉米叶片光谱反射率敏感范围较大,相关性较强;九叶期和灌浆期上层玉米叶片的光谱反射率敏感范围较广,相关性较强;开花吐丝期中层叶片的光谱反射率敏感范围较大,相关性较强。六叶期选取下层叶作为诊断目标叶,选取最佳比值光谱指数RSI(1 811, 1 842)建立线性估算模型,九叶期和灌浆期选取上层叶片作为诊断目标叶,选取的最佳比值光谱指数分别为RSI(720, 557),RSI(600, 511)建立线性估算模型,开花吐丝期选取中层叶片作为诊断目标叶,选取比值光谱指数RSI(688, 644)建立线性估算模型。研究结果可为快速准确地利用光谱技术进行玉米叶片氮素营养诊断提供理论依据。     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

木蜡油涂饰对檀香紫檀易混树种的红外光谱影响分析

卢氏黑黄檀和染料紫檀木材特征与檀香紫檀相似,特别是两者经过加色精的木蜡油涂饰后,用肉眼很难与珍贵的檀香紫檀分辨。市场上销售的很多红木家具为了达到防腐、防尘、防开裂的性能以及提高红木表面光泽度和显现珍贵木材的纹理,大都进行了木蜡油表面涂饰加工,因而只研究木材本身的鉴别不能满足市场需求。借助红外光谱（FTIR）结合二阶导数红外光谱（SDIR）和二维相关红外光谱（2D-IR）技术,对经过木蜡油涂饰的檀香紫檀（Pterocarpus santalinus）、染料紫檀（P.tinctoricus Welw）和卢氏黑黄檀（Dalbergia louuelii）进行了红外光谱分析。通过打磨-涂底油-打磨-涂面油-干燥的涂饰工艺对3个树种进行表面涂饰。分别取3个树种素材的木粉和经过表面涂饰的木材表面的木粉进行FTIR,SDIR和2D-IR三级鉴别分析,同时测定了木蜡油的FTIR谱图。结果表明：(1）木蜡油FTIR谱图在2 925,1 733,1 465和1 378 cm-1较强的特征峰出峰位置与3个树种木材本身的出峰位置基本重合,且在2 854 cm-1处归属于亚甲基C-H对称伸缩振动,1 233 cm-1处归属于羧基C-O伸缩振动,729 cm-1处归属于长链的亚甲基C-H弯曲振动的特征峰在涂饰后三种样品的FTIR谱图中有相同的体现,说明木蜡油涂饰未对3个树种红外谱图的特征峰产生影响;3个树种表面涂饰前后FTIR谱图的相关系数同时可以对木蜡油涂饰未对3个树种的特征峰产生影响进行佐证;(2）FTIR谱图在1 595,1 060和836 cm-1处可以将染料紫檀与檀香紫檀和卢氏黑黄檀两个树种区分开;SDIR谱图可以在1 551 cm-1将卢氏黑黄檀区分开,并能进一步对染料紫檀的特征峰进行验证;在2D-IR光谱中,在1 425~1 800和850~1 300 cm-1两个波段范围,檀香紫檀的自动锋明显区别于其他两个树种,在1 250 cm-1处归属于醚类化合物的吸收峰可以将檀香紫檀区分开。目前红木识别主要利用木材解剖方法,表面涂饰大多集中在木材材色变化研究。借助红外光谱技术,最终利用各个树种和木蜡油在红外光谱谱图中不同的特征峰体现的官能团差异直接推测特征成分的含量差异,无须测定其特征成分的具体物质,进而实现准确、快速地把经木蜡油表面涂饰的檀香紫檀及与其易混淆的染料紫檀和卢氏黑黄檀区分鉴别。     

倒伏胁迫下的玉米冠层结构特征变化与光谱响应解析

倒伏胁迫是玉米生产中的主要灾害之一,严重影响玉米的产量、品质和机械收获能力。解析不同倒伏胁迫强度下玉米冠层结构变化规律及其光谱响应机理,是玉米倒伏灾情大范围遥感监测的基础。分别在玉米抽雄期、灌浆中期设置茎倒、茎折、根倒3种强度的倒伏处理,基于田间多频次持续观测实验,分析生育期、倒伏类型对玉米冠层结构动态变化及其自我恢复能力的影响;采用传统光谱变换与连续小波变换方法对倒伏玉米冠层高光谱进行处理,选取叶面积密度（LAD）为玉米倒伏冠层结构特征指标,筛选叶面积密度最佳敏感波段和小波系数,基于随机森林法构建叶面积密度高光谱响应模型,利用未参与建模的实测样本验证模型精度,重点探讨小波分解尺度和光谱分辨率对LAD光谱响应能力的影响规律。研究结果表明：叶面积密度作为单位体积内叶面积总量的冠层结构表征指标,与倒伏胁迫强度具有较好的响应关系,灌浆期的倒伏玉米LAD普遍高于抽雄期,抽雄期LAD整体表现为茎折＞根倒＞茎倒＞未倒伏,灌浆期LAD整体表现为根倒＞茎折＞茎倒＞未倒伏;经连续小波变换后,玉米倒伏冠层光谱对玉米倒伏LAD的响应能力普遍优于传统光谱变换,随着小波分解尺度的增加,LAD与敏感波段的相关性越强,其中10尺度相关系数最高,达0.74;连续小波变换所构建的模型精度普遍优于传统光谱变换,其中由原始光谱小波变换后构建的LAD响应模型精度最高,检验样本的R2为0.811,RMSE为1.763,表明连续小波变换技术可凸显和利用冠层光谱中的细微信息。因此,叶面积密度可有效定量表征不同倒伏胁迫程度的玉米冠层结构变化特征,连续小波变换能有效提升冠层光谱对倒伏玉米结构变化的响应能力,基于随机森林法构建的倒伏玉米叶面积密度诊断模型具有较高的精度和稳定性,可为区域尺度的夏玉米倒伏灾情遥感监测提供先验知识。     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重,研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别,并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先,采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品,以及6种常见糖浆样品按不同糖浆含量（10%,20%,30%,40%,50%,60%）配制的112个掺假蜂蜜样品,共计224个样品;通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）;然后,分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理;再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型,比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升,而对于SVM模型,惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中,经FD光谱预处理后建立的模型效果最好,最佳PLS-DA模型准确率为87.50%;在SVM算法中,经MSC预处理后,再通过GS寻优,获得惩罚参数c为3.0314,核函数参数g为0.3298的条件下所建立的模型效果最好,最佳SVM模型准确率为94.64%。由此可见,非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型,同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

结合小波压缩和APTLD的三维荧光光谱技术在掺伪麻油鉴别中的应用

将三维荧光光谱技术、小波压缩和交替惩罚三线性分解算法(APTLD)结合,提出了一种鉴别掺伪芝麻油的新方法。利用荧光光谱仪测量纯芝麻油及掺伪芝麻油样本的三维荧光光谱,通过激发校正和发射校正消除仪器带来的误差,得到样本的真实三维荧光光谱数据;利用小波压缩对处理后的真实数据进行压缩,以减少冗余信息,其中压缩分数和数据恢复分数分别大于94.00%和98.00%;利用APTLD算法对压缩后的数据进行定性及定量分析,得到的回收率为97.0%～99.8%,预测方均根误差不大于0.120。研究结果表明,所提方法能够准确鉴别纯芝麻油及掺伪芝麻油样本,并对其组分含量进行预测。