激光诱导击穿光谱技术对烟草快速分类研究

不同类型的烟草在元素种类和元素含量上存在一定的差异,本文基于激光诱导击穿光谱(LIBS)技术,采集了不同种类烟草的原子发射光谱,并结合支持向量机方法,实现了烟草的快速分类鉴别。文章选取了市面上9种不同品牌的香烟,提取了其烟丝LIBS谱线的全部特征峰,通过对全谱进行窗口平滑去背景和峰位漂移的修正等预处理,再进行主成分分析降维,结合支持向量机方法(SVM),建立了分类模型,给出了9种品牌香烟烟草的分类结果,平均准确度达到97. 47%。实验结果表明:激光诱导击穿光谱技术在烟草防伪鉴定和现场快速识别分类等方面具有巨大的应用潜力。

基于激光诱导击穿光谱的茶叶品种快速分类

在提取激光诱导击穿光谱(LIBS)全部特征峰的基础上,利用支持向量机建立了有效的茶叶分类模型。采集了15种茶叶样品的有效LIBS光谱数据(190～720 nm),运用窗口平移平滑和峰位漂移函数修正对光谱进行了预处理,再结合主成分分析降维,对绿茶、红茶、白茶实现了98.3%的识别率;对同一种类中不同品种的茶叶也实现了较好的识别。研究结果表明,LIBS在茶叶品种快速识别应用中具有较好的前景。

基于激光诱导击穿光谱的矿石中铁含量的高准确度定量分析

基于激光诱导击穿光谱(LIBS)对铁矿石、锰矿石和铬矿石中的Fe元素进行定量分析。由于矿石成分复杂,采取一系列的光谱预处理来降低由激光能量波动及样品不稳定烧蚀所造成的光谱波动。本文将分类和定量分析方法结合,首先通过支持向量机对光谱进行分类以避免不同类矿石间的基体效应。然后通过相关性变量筛选偏最小二乘回归分析(R-PLS)改进算法进行分析,发现三类矿石的预测集方均根误差分别降至0.975%、0.418%、0.123%,平均相对误差分别降至1.46%、6.72%和1.09%。实验结果表明,矿石分类后再进行相关性变量筛选偏最小二乘回归分析的方法可以有效提升预测准确度,为矿石成分在线检测的应用提供了可靠依据。

小样本量复合肥中氮磷钾高精度预测光谱方法

采用激光诱导击穿光谱(LIBS)技术对复合肥样品中氮(N)、磷(P)和钾(K)等营养元素进行定量分析。实验中一共选取20个样品,由于样品量较少,为了提高预测精度,采取一种新的数据提取方式来建立训练集和预测集。利用PLS结合主成分分析(PCA)为训练集的光谱数据建立定标模型,定标过程中选取12个主成分。N、P、K三种元素定标模型的决定系数分别为0.99、0.98、0.99;20个样品中N、P、K元素含量(质量分数,下同)预测的平均相对误差分别为2.33%、0.70%、3.00%。之后对定标模型的鲁棒性进行检验,其中N、P的平均相对误差大多维持在12%以下。采用基于统计学原理的数据抽取方式扩充样本光谱数据后,与未扩充时相比,被测元素含量的平均相对误差降幅均在10%以上。实验结果表明,当样本数量较少时,利用所提的数据提取方法结合PLS定量分析可以提高检测的准确度,实现复合肥样品中N、P、K等营养元素的快速检测。