荧光光谱法检测水质COD时温度、浊度、pH的影响分析

以COD标准液为研究对象,基于特定激发波长下的荧光发射光谱数据,采用化学计量学算法对水质COD进行了检测,分析了水的温度、浊度和pH的变化对发射光谱的影响,并对相关参数的影响进行了补偿校正。在此基础上建立了多参量共同作用时对水质COD预测模型的补偿校正方法。首先采用荧光光谱法对浓度范围为1～55 mg·L-1水质化学需氧量(COD)标准溶液进行三维荧光光谱的采集,去除散射峰以后采用基于蚁群算法优化的偏最小二乘法(ACO-iPLS)对不同激发波长(Ex=255～285 nm,间隔为5 nm)下的荧光发射光谱(Em=275～450nm)数据进行特征提取并采用基于粒子群优化的最小二乘支持向量机算法(PSO-LSSVM)进行预测模型的建立。结果表明,不同激发波长下的荧光发射光谱数据模型的检验集决定系数R2_p在0.961 8～0.998 1范围内,当采用波长为Ex=270 nm的激发光作用时所激发出的荧光发射光谱数据所建模型的效果最优,其检验集决定系数R2_p=0.998 1,预测均方根误差RMSEP=0.348 3 mg·L-1。其次,对温度、浊度、pH对荧光光谱法检测水质COD的影响进行了分析,并给出了相应的补偿模型。结果表明,温度和浊度在检测水质COD时对荧光光谱的影响不可忽略,但通过建立补偿模型可以对其影响进行有效的补偿校正,温度补偿后荧光数据模型的整体平均偏差Bias=0.130 6 mg·L-1,经浊度补偿后可以很好的校正浊度变化对荧光光谱法检测水质COD的影响,而pH范围在4～12.3内变化时对荧光光谱的影响相对较小,因此可忽略。最后,结合单一影响因素的分析结果,对荧光光谱法检测水质COD时水体的多种环境因素(温度、浊度、pH)共同作用的影响进行了分析。实验结果表明,忽略pH影响后,可以采用对温度和浊度同时补偿的方法对二者的影响进行有效的校正。该结果可为水质参数光学传感器在调试过程中抑制环境因素的影响提供参考。     

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传（EPSO_GA）算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群（PSO）优化算法和遗传（GA）优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法（PLS）构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PSO算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明：与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.212 3,预测精度增加到0.999 3,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。     

基于Mie散射的水体紫外-可见光谱浊度干扰补偿

紫外-可见光谱法水质检测中,检测设备面对多样性的地表水体容易受到悬浮颗粒物引起的浊度干扰,导致谱线整体非线性抬升,测量精度显著下降。研究了一种基于Mie散射理论的紫外-可见水质光谱浊度干扰补偿算法,借以提高可溶有机物含量的检测精度。通过截取水样本紫外-可见光谱中主要由颗粒物散射引起的450~1100nm段光谱,采用基于Mie散射理论的光全散射颗粒物粒径分析法,重建了水样本所含颗粒物的粒径分布。利用粒径分布的二次反演,估计了220~450nm可溶有机污染特征光谱段中由颗粒物引起的消光值,实现了对浊度干扰的精确补偿。实验结果表明,该算法对不同地表水样本均表现出了良好的浊度补偿效果,化学需氧量解算精度得到较大提高。且补偿算法无需大量实验获取先验数据,可提高紫外-可见光谱法水体可溶有机物检测的准确性和检测部署的灵活性与适应性,具备实用价值。     

紫外光谱法检测COD时波长和低温影响的探究

COD代表了水体受还原性物质污染的程度。相对于采用传统方法检测COD,存在检测时间长且操作复杂等缺点,紫外光谱法以其检测速度快,无需使用化学试剂等特点成为了主流的检测方法。基于朗伯-比尔定律,以邻苯二甲酸氢钾粉末配置的COD标准溶液为研究对象,针对低温环境下利用紫外光谱法检测COD精度的问题,分别对COD的最佳检测波长和温度对COD检测值的影响进行研究。同时选择长春市某地区地表水为研究对象,验证COD最佳检测波长在实际水样中的适用性及温度补偿模型的准确度。在研究检测波长对COD检测值的影响时,选用256, 266, 276, 286和296 nm共5个波长对样本进行回归分析,它们的吸光度分别为A_(256),A_(266),A_(276),A_(286),A_(296),将吸光度A与COD标准溶液浓度值进行线性回归,通过拟合结果得出:276, 286和296 nm处模型具有代表性,且在286 nm处拟合效果最好, 296 nm次之,最后为276 nm,其中286 nm处相关系数r为0.994 6,决定系数R~2为0.989 4,波长为296 nm处和方差SSE=0.011 4,预测均方根误差RMSE=0.037 7,但其决定系数R~2较低,可见在286 nm处COD检测值与吸光度具有最高的相关性,又探究了标准温度(20℃)下8 mg·L~(-1)的COD实际水样和标准水样的光谱吸收情况,得出286 nm同样适用于实际水样的检测,可见286 nm处为最佳检测波长。在研究温度对COD检测值的影响时,采集不同温度下COD实际水样与标准水样的紫外吸收光谱,经过分析得出:COD实际水样中紫外光谱吸收度会随温度升高而增大。为了减弱在COD测量中温度的影响,根据最小二乘原则,建立温度补偿模型。利用实际水样验证温度补偿模型的准确度,同时进行误差分析,分析结果表明:COD的实际值与补偿后值的最大相对误差为6.38%,最小相对误差为0.63%,且多数相对误差集中在4%,由此可见, COD温度补偿模型补偿精度高,效果良好。结果表明:COD检测选取的最佳波长及温度补偿模型可有效的提高COD低温检测精度。     

水体COD的光谱学在线测量方法-紫外和近红外光谱比较分析

水体COD的光谱学传感技术是现代环境监测的一个重要发展方向, 与传统的分析方法相比,光谱分析技术更具有可连续监测、可在线监测和检测快速的明显优势,适合对环境水样COD的定点实时监测。分别获取水样的紫外吸收光谱和近红外光谱,通过不同的光谱预处理方法结合偏最小二乘法、多元线性回归法建立水样的COD定量预测模型,对水体COD的紫外和近红外光谱的定量预测及相关模型参数进行分析,发现用S-G平滑处理后的紫外光谱和近红外光谱建立的PLS模型均得到最佳预测效果,预测集R2分别为0.992 1和0.987 7,RMSEP分别为10.438 6和5.972 0。紫外和近红外光谱法的MLR模型预测效果较差,预测集R2分别为0.928 0和0.957 3。通过实验结果综合对比分析,紫外吸收光谱在280～310 nm谱区建模预测性能较好,近红外光谱在7 250～6 870 cm-1谱区建模预测性能较好,紫外光谱对应定量预测模型的决定系数较高,而近红外光谱的稳定性和重复性更好。研究表明光谱传感技术可用于环境实际水体COD的定量预测分析,为开发便携式水体检测设备奠定了理论基础。     

基于紫外光谱的水体硝酸盐氮浊度补偿研究

硝酸盐氮是水环境中监测中重要的污染指标之一,通过紫外吸收光谱可以快速无污染地对该污染物进行检测。针对紫外吸收光谱容易受到浊度干扰的这一情况,通过实验方法分析了福尔马肼浊度标准液对硝酸盐氮标准液的紫外吸收光谱的影响,基于此提出了补偿曲线法的浊度补偿方法对硝酸盐氮的紫外吸收光谱进行补偿校正,并通过实验对该方法进行了验证,验证结果良好。首先,在实验室通过紫外光谱采集测试系统采集了浓度为0.2～10 mg·L~(-1)的12组硝酸盐氮标准液、 5～50 NTU的10组福尔马肼浊度液、以及福尔马肼浊度液与硝酸盐氮的混合溶液的紫外吸收光谱。理论上,根据朗伯-比尔定律,混合溶液的吸光度应该等于不同溶质吸光度的叠加,但是通过实验分析,混合溶液在硝酸盐氮的主要吸收谱区的吸光度并不等于硝酸盐氮和浊度吸光度之和,这是因为浊度颗粒打破了硝酸盐氮分子的共面性,造成空间位阻,使共轭体系被破坏,导致硝酸盐氮吸光度降低。因此引入了在0～1之间的补偿系数k_N(λ)用来表征浊度对硝酸盐氮吸收谱的影响,当k_N(λ)越接近0时,表明浊度在此波长处对硝酸盐氮的吸光度影响越大。根据实验测量的光谱数据求出不同浊度在硝酸盐氮主要吸收谱区的补偿系数,即可得到不同浊度的补偿曲线。通过实验分析, 350～400 nm波段的硝酸盐氮吸光度基本为0,混合溶液吸光度只与浊度相关,且两者的吸光度基本相同,因此可以选择此波段的光谱积分来建立浊度回归模型,从而解算混合溶液的浊度值。相比于单个波长的建模回归,该光谱积分回归模型的稳定性好,不容易受到其他因素干扰。浊度解算模型的相关系数r的平方为0.998 5,解算效果较好,得到浊度值之后即可进行浊度补偿。通过实验对该补偿方法进行了验证,并与单波长的浊度补偿与未进行补偿时进行了对比。验证结果表明,补偿曲线法进行浊度补偿后,建立偏最小二乘(PLS)算法的硝酸盐氮预测模型,预测均方根误差(RMSEP)为0.124,预测值与真实值的平均绝对误差(MAE)为5.3%,补偿效果很好,其他两种都会发生很大偏差。相比之下,该文提出的浊度补偿方法效果明显优于其他两种,此方法可以为硝酸盐氮紫外吸收光谱的浊度补偿提供有效的技术参考。     

基于UV-Vis检测养殖水体中化学需氧量含量研究

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand,COD)含量研究。采集135份水样进行紫外可见波段全光谱扫描,结合变量标准化(standard normal variate,SNV),多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理,然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、随机青蛙(Random frog)算法和遗传算法进行特征波长选择。基于全光谱建立了偏最小二乘回归(partial least squares,PLS)和基于特征波长建立了极限学习机算法(extreme learning machine,ELM)模型。结果表明：使用CARS提取的9个特征波长建立的ELM模型的预测效果最优,决定系数R2为0.82,预测均方根误差RMSEP为 14.48 mg·L-1,RPD值为2.34。说明使用CARS变量选择算法获取UV-Vis光谱特征波长,应用极限学习机建模,可以准确、快速的检测养殖水体中COD含量,为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。     

基于光谱分析的紫外水质检测技术

提供了一种基于紫外可见光谱的水质检测系统,各水样吸光度与COD线性拟合R2均大于0.99,单次测量在1s内。同时提出了光谱直接对比和归一化分析方法以及对应的指标参数。通过对大量的邻苯二甲酸氢钾标准溶液和实际水样的实验验证,采用这些光谱分析方法可将水样进行归类,从数据库中寻找适合待测水体的数学模型,进而提高紫外水质检测技术的泛化能力,同时还能得到其他水质指数。     

基于二维重组和动态窗格的水质检测紫外-可见光谱去噪算法

立足于成功研制的紫外-可见光谱水质检测多参数测量系统,针对紫外-可见光谱水质多参数原位实时检测在精度、灵敏度、稳定性等方面的实际需要,开展了基于二维重组和动态窗格的水质检测紫外-可见光谱去噪算法的研究,以此提高紫外-可见光谱水质检测的测量精度。光谱法水质检测系统通常使用工业级低成本光谱仪,其输出光谱包含明显的非平稳噪声。传统去噪法难以在滤除噪声的同时保留谱线细节。而且,原位实时水质检测条件下,被测水样可能快速变化,传统去噪法中常用的多次采样求均值法将产生额外的测量误差。引入的去噪算法通过对水样光谱进行等间隙连续采样,将光谱数据张成由光谱轴和时间轴构成的二维矩阵,经过二维小波变换后,设置一个可变宽度的窗格在系数矩阵中水平滑动,使用窗格内的小波系数计算得到动态去噪阈值,并随窗格滑动构建去噪阈值向量,由此进行光谱去噪。其中,窗格宽度由相邻区域的噪声方差变化率决定,变化率较高的区域缩小窗格宽度,反之则扩大宽度。实验结果表明,这种去噪算法不仅能有效去除光谱中的非平稳噪声,而且能保留光谱的细节信息,有助于提高仪器的测量精度。与此同时,由于该算法并未使用时域平均,样本的快速变化对去噪性能的影响较小,适合在线或原位水质检测的水样本环境。     

基于光纤传感的化学需氧量全光谱检测系统

为了快速准确地检测地表水、污水的化学需氧量(COD),设计了一种十字通透式结构光纤传感器,建立了一种水质COD全光谱检测系统。基于该系统,建立了COD与光谱吸光度的相关性数学模型。对配置的检测水样进行了测量,并比较哈希DR 6000多参数水质检测仪对相同水样测量得到的数据,可以发现,所构建的系统与哈希DR 6000多参数水质检测仪测量COD的示值误差小于3%,能较好的适用于水质COD实时在线检测。     

梨果糖浓度近红外漫反射光谱检测的预处理方法研究

糖浓度是梨果内部品质的重要指标。实验测得了梨果的近红外漫反射吸光度谱,并且对其进行了光谱预处理,包括多元散射校正(MSC)、基线校正(baseline correction)、标准正态变量变换(SNV)和平滑去噪(moving average)。结果表明,经过预处理后的吸光度谱在光谱归一化、噪声消减等方面有着较为明显的优势。使用偏最小二乘法(PLS)对原始吸光度谱和预处理后的吸光度谱分别进行处理,得到结论：应用平滑去噪预处理后的吸光度谱进行预测的准确度优于原始吸光度谱,得相关系数为0.990 8,预测标准偏差为0.019 0。     

浊度干扰下硝酸盐浓度紫外导数光谱检测方法研究

硝酸盐是水中“三氮”（硝酸盐氮、氨氮、总氮）之一,是反映水体受污染程度的一项重要指标。传统 “现场采样-离线分析” 的硝酸盐化学检测方法操作繁琐、耗时长,难以满足现代水环境实时在线检测需求。由于硝酸根在紫外区具有很强的紫外吸收特性,并且紫外吸收光谱法具有简便快速、可实现实时在线监测等特点,近年来被广泛用于硝酸盐浓度的测量。但使用紫外吸收光谱法检测水体硝酸盐含量时,容易受到水体浊度影响,造成谱线非线性抬升,导致测量误差。目前对浊度补偿算法的研究大都用于水中COD含量的检测,对硝酸盐检测中浊度干扰去除研究较少。为此提出一种基于一阶导数紫外吸收光谱的硝酸盐浓度测量方法,该方法可以减小浊度干扰,从而提高紫外光谱快速检测硝酸盐含量的准确度。通过测量福尔马肼与硝酸钠标准溶液和它们混合溶液在190~300 nm波段的紫外吸收光谱并做一阶导数光谱处理,处理后的光谱采用Savitzky-Golay滤波进行去噪平滑处理,比较浊度与硝酸盐紫外吸收一阶导数光谱特征,分波段研究浊度对硝酸盐紫外一阶导数光谱影响,结果表明硝酸盐导数光谱在220~230 nm波段受浊度影响小;选取220~230 nm波段作为光谱分析区间,以30种不同浓度混合的福尔马肼与硝酸钠溶液作为训练样本,利用偏最小二乘算法建立硝酸盐定量分析模型,使用该建模模型预测剩下的6种不同浓度福尔马肼与硝酸钠混合溶液中硝酸盐的浓度,结果表明福尔马肼干扰下硝酸盐测量结果的预测决定系数（correlation coefficient,R2）为0.994 3,预测均方根误差（root mean square error of prediction,RMSEP）为0.346 9 mg·L-1。为进一步验证该方法的准确性与稳定性,使用该建模模型预测高岭土与硝酸钾配制的混合水样中硝酸盐的浓度,结果表明该方法对高岭土干扰下硝酸盐测量结果的预测决定系数r2为0.991 5,预测均方根误差RMSEP为0.362 8 mg·L-1。综上所述,提出的硝酸盐浓度紫外导数光谱检测方法,采用220~230 nm波段的紫外导数光谱数据,结合PLS建模,可以快速准确测量在浊度干扰下水体硝酸盐的浓度,为发展实际水体硝酸盐在线监测技术与设备提供方法基础。     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

二阶导数光谱法快速测定硝酸盐氮和亚硝酸盐氮

紫外吸收方法中，硝酸盐氮(NO-₃-N)的紫外吸收峰在202.0 nm左右，而亚硝酸盐氮(NO-₂-N)的紫外吸收峰在210.0 nm左右，两者吸收峰位置距离很近，因此，在分析过程中两者的紫外吸收曲线严重重叠，相互之间严重干扰，不经过分离很难用单波长对二者的含量进行测定而常用的国标方法过程又过于繁琐，耗时较长。为了准确、快速、环保的实现环境水体和饮用水中的硝酸盐氮和亚硝酸盐氮快速监测，避免国标方法中对二者测定的诸多不足，结合紫外吸收和二阶导数光谱法，在不经过任何预先分离处理的情况下，建立了水体中这两种物质的快速分析方法，实现水样中二者的快速准确测定。研究采用优级纯试剂配制硝酸盐氮和亚硝酸盐氮系列标准溶液。以去离子水做参比，采用紫外-可见光分光光度计扫描其在195～250 nm范围内的紫外吸收光谱，之后采用Origin软件对所获得的光谱图做二阶导数处理，并采用Origin软件中的Savitzky-Golay方法对处理后的二阶导数光谱进行平滑处理以去除其他无关的干扰和噪声。通过观察上述所得两组二阶导数光谱图，得出以下结论，不同浓度的亚硝酸盐氮样品在223.5 nm处吸光度的二阶导数均为0，不同浓度的硝酸盐氮样品在216.5 nm处的吸光度的二阶导数也均为0。通过实验可见硝酸盐氮和亚硝酸盐氮混合样品的紫外吸收光谱的二阶导数在这两个特定波长处符合朗伯比尔定律。实验通过配制硝酸盐氮和亚硝酸盐氮混合样品，并扫描混合样品的紫外吸收光谱，采用上述方法对所得光谱做二阶导数及平滑去噪处理。研究混合样品二阶导数光谱图可以看出在硝酸盐氮浓度相同而亚硝酸盐氮浓度不同时，亚硝酸盐氮的浓度变化会对硝酸盐氮的吸光度的二阶导数有影响，但是各种混合样品的二阶导数光谱在223.5 nm处几乎交叉于一点，说明此处亚硝酸盐氮的浓度不同不会对硝酸盐氮的二阶导数吸光度有影响。且在223.5 nm处硝酸盐氮二阶导数吸光度随浓度增加而线性增加。因此，223.5 nm可作为混合组分中硝酸盐氮的测定波长。参照以上方法，可得亚硝酸盐氮的测定波长为216.5 nm。在223.5 nm处对单组分的硝酸盐氮的浓度值及其相应的吸光度的二阶导数进行线性回归，其线性关系良好，得到标准曲线的回归方程为C=438.69A+0.015，R2=0.995 9。同理，得到亚硝酸盐氮在216.5 nm处回归方程为C=-657.29A+0.068 8，R2=0.998。为了验证这种方法在实际水样测量中能否成立，取秦皇岛市新河、汤河以及戴河三种河水水样进行实验验证，结果表明，回收率在96.7%～103.0%之间，相对标准偏差在1.46～3.68之间。该方法结果较准确，且操作更加简便，成本较低，可同时实现硝酸盐氮和亚硝酸盐氮快速在线监测。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

基于基线校正和主元分析的紫外-可见光光谱在线水质异常检测方法

近年来,饮用水安全问题引起社会的广泛关注。采用紫外-可见光吸收光谱对水质进行异常检测,具有现场原位、无需试剂、分析快速等优点,适合快速在线监测。然而,紫外-可见光光谱数据量大,且易受仪器和水质正常波动的干扰,从而影响水质异常检测结果。提出一种基于基线校正和主元分析的紫外-可见光光谱法来检测污染物引起的水质异常,该方法利用非对称最小二乘校正基线,采用主元分析法从基线校正后的光谱矩阵中降维并提取特征,然后根据残差子空间的Q统计量评估测试样本的离群点,最后采用累计概率来更新异常报告结果。通过苯酚注入的实验,验证了该算法的有效性,实验结果表明,提出的方法与单波长法相比,有效地提高了污染物的检出下限;与未经基线校正采用主元分析进行的异常检测方法相比,提高了检出率,降低了误报率。     

昆明松华坝库区表层土壤溶解性有机质(DOM)的光谱特性

单一的光谱技术不能对溶解性有机质(dissolved organic matters,DOM)的结构特征和来源进行全面的分析,因此,本研究选择紫外-可见光谱和三维荧光光谱技术相结合的方法,对昆明松华坝库区表层土壤中DOM的组成结构和来源进行了研究。结果表明,所有样品的紫外-可见光谱曲线均呈现出相似的特征,吸光度随着波长的增加而降低,并在250～280 nm波段存在一个明显的肩状吸收峰。A₂₅₀/A₃₆₅(波长在250和365 nm处紫外吸光度的比值)的范围在2.59～5.21之间,说明DOM中主要物质为富里酸或者胡敏酸且分子量较高;SUVA₂₅₄(单位DOC浓度在波长254 nm处的吸收系数)和SUVA₂₆₀(单位DOC浓度在波长260 nm处的吸收系数)分别为1.19～3.00和1.15～2.89,两者之间存在十分显著的相关性,表明该地区土壤DOM的腐殖化程度相对较高并含有较多的疏水组分。三维荧光光谱显示,所有DOM样品中主要存在3个特征峰：紫外光区类富里酸峰、可见光区类富里酸峰和类腐殖酸峰,而类蛋白峰不显著。荧光指数(fluorescence index, FI)总体上接近于1.4,表明该地区土壤DOM以外源输入为主;自生源指标(autochthonous index, BIX)均小于1,自生源特征不明显并且生物利用性较低,这可能与当地较强的人类活动有关。以上研究结果可以为进一步探讨DOM对有机或重金属污染物迁移转化的影响提供理论依据。     

基于可见-近红外光谱技术的水稻穗颈瘟染病程度分级方法研究

采用Vis-NIR技术对水稻穗颈瘟染病程度分级方法进行了研究。分别基于原始光谱,变量标准化(SNV)预处理后和多元散射校正(MSC)预处理后的光谱,应用无信息变量消除法(UVE)结合连续投影算法(SPA)对Vis-NIR光谱区进行有效波长的选择。选择后的波长作为输入变量建立最小二乘-支持向量机(LS-SVM)模型。结果表明SNV-UVE-SPA建立的LS-SVM模型预测效果最好。通过SNV-UVE-SPA从全波段600个波长中选择了6个最能够反应光谱信息的波长(459, 546, 569, 590, 775和981 nm)。SNV-UVE-SPA-LS-SVM组合模型对预测集样本预测得到的确定系数(R2_p),预测集的预测标准差(RMSEP)和剩余预测偏差(RPD)分别达到了0.979,0.507和6.580。结果表明,采用Vis-NIR光谱技术对水稻穗颈瘟染病程度进行分级是可行的。通过UVE-SPA得到的有效波长能够很好地代替全波长。