基于激光拉曼光谱的水面油膜厚度测量方法研究

为了实现水体表面油膜厚度的快速非接触检测,基于激光拉曼光谱检测技术,搭建了水体表面油膜厚度拉曼光谱检测系统。以532 nm激光作为激发光源,以常见的柴油和汽油为例研究了不同油品的拉曼光谱特性,研究结果表明,油膜拉曼光谱响应特性与油品密切相关,相同油膜厚度情况下不同油品的拉曼光谱曲线有明显的差异,97#汽油在1 651 cm-1光谱强度要高于90#汽油。随着油膜厚度的增加,柴油316和1 451 cm-1光谱强度和汽油1 651 cm-1拉曼位移光谱强度增加,油拉曼光谱信号变强;根据油水界面拉曼光谱特征,设计了油膜厚度计算因子,实验证明随着油膜厚度增加,油膜厚度计算因子r_film呈下降趋势。可以将油膜厚度计算因子作为水体表面油膜厚度测量的一种依据。     

近红外光谱的海水微塑料快速识别

光谱技术与机器学习算法结合快速识别微塑料, 为微塑料的现场检测提供了极大的技术支持,是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品,且可以在不对样品进行预处理的情况下直接检测等特点,在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术,研究比较了结合Support Vector Machine（SVM）和Extreme Gradient Boosting（XGBoost）两种机器学习分类算法,构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据,为了防止过拟合,对每种样品多次采样,共收集了1 260个微塑料样本,每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序,共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型,并运用网格搜索（GridSearchCV）对XGBoost算法影响较大的超参数进行选取,确定n_estimators,learning_rate,min_child_weigh,max_depth,gamma的最佳超参数分别为700,0.07,1,1,0.0。为了提高模型的稳定性,识别速率和泛化能力,对模型采用10折交叉验证和混淆矩阵评估;研究结果表明,XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%;XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述,XGBoost模型微塑料识别整体性能优于SVM模型,为实际微塑料快速识别提供技术支撑。