光谱信息解析流程

在光谱信息解析过程中, 因光谱系统采集的光谱信息会受到采集环境、 光学条件和仪器性能等因素的影响, 故原始光谱信息除含有被测样品属性的信息外, 还包含大量无关信息, 如噪声、 背景干扰、 杂散光等。 为消除光谱冗余信息, 提高模型的预测精度, 对光谱信息进行预处理并提取有效信息是模型建立前的重要环节。 一般的光谱信息解析步骤主要包括光谱信息的采集、 光谱信息的预处理、 变量的筛选、 预测模型的建立、 模型的评价等, 其流程图如图3所示。

光谱信息预处理

光谱信息解析首要环节就是对采集的光谱信息进行预处理, 常用光谱信息预处理方法[12]主要有平滑(smoothing), 包括移动平均法(moving average, MA)和卷积法(savitzky-golay, SG)等、 导数修正(derivative correction), 包括一阶导数(first-order derivative, 1stD)和二阶导数(second-order derivative, 2ndD)、 归一化(normalization, NOR)、 标准正态变换(standard normal variable transformation, SNV)、 多元散射校正(multiplicative scattering correction, MSC)、 小波变换(wavelet transform, WT)等, 其作用效果如表2所示。

光谱信息变量筛选

光谱信息中存在的大量冗余信息会降低预测模型的准确性和稳定性。 为提高模型运算速度和精度, 进行光谱信息变量筛选是十分必要的。 常用变量筛选方法[13]主要有变量区间选择算法, 包括移动窗口偏最小二乘法(moving windows partial least squares, MWPLS)和区间偏最小二乘法(interval partial least squares, iPLS)等、 无信息变量消除算法(uninformative variable elimination, UVE)、 遗传算法(genetic algorithm, GA)、 连续投影算法(successive projections algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)等, 其特点如表3所示。

光谱信息模型建立

建立样品待测指标的数学模型是光谱信息解析过程中关键的一步, 不同的建模方法会直接影响模型的准确性和稳定性。 常用的建模方法[14]主要有多元线性回归(multi linear regression, MLR)、 主成分回归(principal component regression, PCR)、 偏最小二乘回归(partial least squares regression, PLSR)、 支持向量机(support vector machine, SVM)、 最小二乘支持向量机(least square support vector machine, LS-SVM)等, 其特点如表4所示。

光谱信息模型评价

在样品待测指标的预测模型建立后, 需对模型进行评价, 常见的模型预测性能评价标准[15]主要有预测集相关系数(correlation coefficient of prediction set, RP)、 校正集相关系数(correlation coefficient of calibration set, RC)、 决定系数(coefficient of determination, R2)、 预测标准偏差(root mean square error of prediction, RMSEP)、 校正标准偏差(root mean square error of calibration, RMSEC)、 剩余预测偏差(residual predictive deviation, RPD)等。 质量较高的模型具有较高的RP, RC, R2和RPD, 较低且较为接近的RMSEP和RMSEC。

通过对常用光谱信息解析方法的总结可以看出, 机器学习算法已逐渐应用于光谱信息的变量筛选和模型建立, 虽然提高了模型精度, 但是模型的普适性和实用性仍不能满足实际需要。 现阶段, 深度学习作为机器学习的分支迅速崛起, 深度网络的规模和精度也在不断提高, 并且持续成功地应用于各类实际问题。 为进一步提高模型的精度和泛化能力, 使其能够满足现代生产的需要, 应用深度学习算法进行光谱信息解析将是今后发展的必然趋势之一。

原文《光谱分析在西甜瓜内部品质无损检测中的研究进展》