?

光譜信息解析流程

在光譜信息解析過(guò)程中, 因光譜系統(tǒng)采集的光譜信息會(huì)受到采集環(huán)境、 光學(xué)條件和儀器性能等因素的影響, 故原始光譜信息除含有被測(cè)樣品屬性的信息外, 還包含大量無(wú)關(guān)信息, 如噪聲、 背景干擾、 雜散光等。 為消除光譜冗余信息, 提高模型的預(yù)測(cè)精度, 對(duì)光譜信息進(jìn)行預(yù)處理并提取有效信息是模型建立前的重要環(huán)節(jié)。 一般的光譜信息解析步驟主要包括光譜信息的采集、 光譜信息的預(yù)處理、 變量的篩選、 預(yù)測(cè)模型的建立、 模型的評(píng)價(jià)等, 其流程圖如圖3所示。

?

?

光譜信息預(yù)處理

光譜信息解析首要環(huán)節(jié)就是對(duì)采集的光譜信息進(jìn)行預(yù)處理, 常用光譜信息預(yù)處理方法[12]主要有平滑(smoothing), 包括移動(dòng)平均法(moving average, MA)和卷積法(savitzky-golay, SG)等、 導(dǎo)數(shù)修正(derivative correction), 包括一階導(dǎo)數(shù)(first-order derivative, 1stD)和二階導(dǎo)數(shù)(second-order derivative, 2ndD)、 歸一化(normalization, NOR)、 標(biāo)準(zhǔn)正態(tài)變換(standard normal variable transformation, SNV)、 多元散射校正(multiplicative scattering correction, MSC)、 小波變換(wavelet transform, WT)等, 其作用效果如表2所示。

?

?

光譜信息變量篩選

光譜信息中存在的大量冗余信息會(huì)降低預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)定性。 為提高模型運(yùn)算速度和精度, 進(jìn)行光譜信息變量篩選是十分必要的。 常用變量篩選方法[13]主要有變量區(qū)間選擇算法, 包括移動(dòng)窗口偏最小二乘法(moving windows partial least squares, MWPLS)和區(qū)間偏最小二乘法(interval partial least squares, iPLS)等、 無(wú)信息變量消除算法(uninformative variable elimination, UVE)、 遺傳算法(genetic algorithm, GA)、 連續(xù)投影算法(successive projections algorithm, SPA)和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)等, 其特點(diǎn)如表3所示。

?

?

光譜信息模型建立

建立樣品待測(cè)指標(biāo)的數(shù)學(xué)模型是光譜信息解析過(guò)程中關(guān)鍵的一步, 不同的建模方法會(huì)直接影響模型的準(zhǔn)確性和穩(wěn)定性。 常用的建模方法[14]主要有多元線性回歸(multi linear regression, MLR)、 主成分回歸(principal component regression, PCR)、 偏最小二乘回歸(partial least squares regression, PLSR)、 支持向量機(jī)(support vector machine, SVM)、 最小二乘支持向量機(jī)(least square support vector machine, LS-SVM)等, 其特點(diǎn)如表4所示。

?

?

光譜信息模型評(píng)價(jià)

在樣品待測(cè)指標(biāo)的預(yù)測(cè)模型建立后, 需對(duì)模型進(jìn)行評(píng)價(jià), 常見(jiàn)的模型預(yù)測(cè)性能評(píng)價(jià)標(biāo)準(zhǔn)[15]主要有預(yù)測(cè)集相關(guān)系數(shù)(correlation coefficient of prediction set, RP)、 校正集相關(guān)系數(shù)(correlation coefficient of calibration set, RC)、 決定系數(shù)(coefficient of determination, R2)、 預(yù)測(cè)標(biāo)準(zhǔn)偏差(root mean square error of prediction, RMSEP)、 校正標(biāo)準(zhǔn)偏差(root mean square error of calibration, RMSEC)、 剩余預(yù)測(cè)偏差(residual predictive deviation, RPD)等。 質(zhì)量較高的模型具有較高的RP, RC, R2和RPD, 較低且較為接近的RMSEP和RMSEC。

通過(guò)對(duì)常用光譜信息解析方法的總結(jié)可以看出, 機(jī)器學(xué)習(xí)算法已逐漸應(yīng)用于光譜信息的變量篩選和模型建立, 雖然提高了模型精度, 但是模型的普適性和實(shí)用性仍不能滿足實(shí)際需要。 現(xiàn)階段, 深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支迅速崛起, 深度網(wǎng)絡(luò)的規(guī)模和精度也在不斷提高, 并且持續(xù)成功地應(yīng)用于各類實(shí)際問(wèn)題。 為進(jìn)一步提高模型的精度和泛化能力, 使其能夠滿足現(xiàn)代生產(chǎn)的需要, 應(yīng)用深度學(xué)習(xí)算法進(jìn)行光譜信息解析將是今后發(fā)展的必然趨勢(shì)之一。

?

原文《光譜分析在西甜瓜內(nèi)部品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展》

?