红外模型

红外模型（精选九篇）

红外模型 篇1

近几年, 各地煤矿瓦斯爆炸事故频发, 给国家和人民造成了很大的损失, 而缺乏对瓦斯适时、高灵敏度的检测和监控设备及手段是导致井下瓦斯浓度超标引发爆炸事故的重要原因。按检测原理分, 煤矿井下常用的瓦斯检测仪器可分为光干涉型、催化型、热导型、气敏半导体型和红外型等。目前, 国内外使用的自动检测瓦斯的主要仪器已经不再是载体催化型甲烷传感器, 而是红外瓦斯传感器。与传统催化型传感器相比, 红外瓦斯传感器具有标定周期长、抗干扰能力强、精度高、可靠性高和使用寿命长等特点。本文采用红外气体检测原理, 建立了一种矿用红外瓦斯传感器的检测模型, 通过计算及曲线拟合方法得到瓦斯浓度与红外瓦斯传感器输出电压的关系, 并通过实验验证了该模型的有效性。

1 红外气体检测原理

红外气体传感器的检测原理:不同气体对红外光有着不同的吸收光谱, 某种气体的特征光谱吸收强度与该气体的浓度相关, 利用该原理可以测量某种气体的浓度。

非对称双原子和多原子分子气体 (如CH4、CO、H2、SO2、NO和CO2等) 在红外波段均有特征吸收峰。当红外辐射通过被测气体时, 其分子吸收光能量, 气体对红外辐射的吸收遵循朗伯-比尔定律:

undefined

式中:I (λ) 为透射光的强度;I0 (λ) 为入射光的强度;K (λ) 为吸收系数;c为吸收气体的浓度;l为气室长度。

可见, 通过测量入射光和透射光的强度就能检测出气体浓度。气体分子对红外辐射有选择地吸收是红外甲烷传感器的设计基础。随着光电器件技术和微电子技术的迅速发展, 目前已经出现了性能良好的红外发光光源、窄带滤波片和性能稳定的红外探测器, 为研制一种适合煤矿井下使用的红外甲烷传感器创造了条件。

2 检测模型的建立

红外瓦斯传感器通常由光学系统和电气系统2个部分组成, 如图1所示。

目前国内外有多家专门生产光学元件的公司, 如英国E2V公司、美国Rainbow Optics公司、Kipp & Zonen公司等。经过选择比较, 采用英国E2V公司生产的红外光学元件。

通常红外光学元件都有以下几个基本组成部分:1个红外光源 (即白炽灯) 、探头 (如热电池、烟火探头等) 、波长选择器 (如光带通过的干扰过滤器) 、气室和接收探头。红外光源经过波长选择器后发出2束不同波长的红外光, 一束根据被测气体的浓度变化, 其光强随之变化, 另一束为参考光, 不会因被测气体的浓度变化而变化。当2束光通过气室、然后被探头接收后, 会转换成相应的电压信号, 即测量电压和参考电压, 再通过测量电压和参考电压的变量值来推导确定电压和浓度之间的变化规律。典型的双通道红外传感器结构如图2所示。

基于上述原理, E2V公司得出其传感器输入电压与瓦斯浓度的关系为

undefined

式中:ACT表示当前状态下的测量电压;ZERO表示0%CH4时的测量电压和参考电压的比值;REF表示当前状态下的参考电压;SPAN表示量程调整参数;a为常量, 由传感器类型和满量程气体浓度时所测得的数值确定, 查表可得;C为被测气体浓度;n为常量, 由传感器类型和满量程气体浓度时所测得的数值确定, 查表可得。

设K0=ZERO, 即当传感器没有被测气体通过时, 其测量端电压和参考端电压的比值即为ZERO:

undefined

SPAN是用来调整量程的变量, 当确定传感器最大量程时, SPAN的值就可以计算出来。设K=ACT/ (K0×REF) , 则式 (2) 变为

SPAN= (1-K) /[1-exp (-a×C∧n) ] (4)

由此可得到瓦斯浓度和红外瓦斯传感器输出电压的关系式为

undefined

可见瓦斯浓度和红外瓦斯传感器输出电压呈非线性关系, 如图3所示, 其中C代表瓦斯浓度, K代表输出电压。

由于微控器的数据处理能力有限, 上述公式计算起来有一定困难, 而且根据煤安认证标准《MT/443—1995煤矿井下环境监测用传感器通用技术条件》、《MT444—1995 煤矿用低浓度催化式甲烷传感器技术条件》、《GB/T 2829—2002周期检验计数抽样程序及表》、《GB/T 12474—1990空气中可燃气体爆炸极限测定方法》及《MT/T934—2005煤矿许用炸药煤尘-可燃气安全度试验方法及判定》的要求, 只要保证:被测气体浓度≤1.00%CH4时, 测量误差≤±0.10%CH4;被测气体浓度>1.00%CH4时, 测量误差≤±10%CH4, 就可以满足井下的使用要求。所以实际处理中采用了曲线拟合的处理方法, 将曲线线性化。以测量0～4%CH4为例, 应用本文建立的检测模型进行实验。E2V探头型号为IR12BD, 提供的补偿参数:a=0.256, n=0.731, 当无瓦斯通入气室时, ACT=1.20 V, REF=1.20 V, 则有K0=1;当通入4%浓度CH4时, ACT=0.955 V, REF=1.20 V。由式 (4) 可得出:

undefined

令E=e-0.256C0.731, 对于不同的浓度气体, 线性拟合为E=dC+b, 按 (0、0.1、0.5、1.5、3.5、5.0) %CH4±1%取样, 计算相应E值, 二者关系如表1所示。

由此可得到拟合的E-C关系曲线如图4所示。

根据测量精度要求, 把0～4%CH4分5段来线性化, 计算出的d和b值如表2所示。

从而得到CH4浓度C和E的对应关系, 如表3所示。

这样, 将式 (4) 简化为

undefined

当通入一定浓度气体的时候, 会得到K的值, 进而得到E值。由此反推, 可得到CH4浓度C计算公式, 如表4所示。

根据E所在的范围, 选择对应的公式, 即可计算出当前通入的气体浓度。

3 实验验证

针对本文建立的红外瓦斯传感器的检测模型, 通入不同浓度的甲烷气体, 检验模型是否可行。分别对2个样机进行测试, 取纯净的甲烷气体和净化空气混合, 配成1～12 800×10-6范围内不同的浓度气体, 在一定进气流速及温度下记录相应的K值, 再根据拟合的线性关系曲线得出浓度值。测试数据如表5所示。

从表5可看出, 该检测模型能够满足精度要求。

4 结语

本文介绍了一种矿用红外瓦斯传感器检测模型, 根据选用探头的特点, 用曲线拟合的方法, 在满足测量精度要求的基础上, 简化了原有的检测模型, 并对建立的模型进行了测试。测试结果表明, 该模型能够满足检测精度的要求。

摘要：建立了一种矿用红外瓦斯传感器的检测模型, 通过计算及曲线拟合的方法得到瓦斯浓度与红外瓦斯传感器输出电压的关系, 并对该检测模型进行了反演实验。实验结果表明, 该检测模型的测量精度满足现场要求。

关键词：煤矿,瓦斯传感器,红外检测,反演实验,曲线拟合

参考文献

[1]王汝琳.矿井环境传感技术[M].北京:中国矿业大学出版社, 1998.

[2]朱志英.矿用红外瓦斯检测仪的研制[D].北京:中国矿业大学 (北京) , 2005.

[3]王建, 王汝琳, 王学民, 等.煤矿瓦斯监测无线传感器网络系统的研究[J].工矿自动化, 2007 (1) .

[4]刘思伟, 李一男, 王汝琳.新型矿用红外瓦斯检测仪的研制[J].河北理工大学学报:自然科学版, 2007 (11) .

[5]陈允魁.红外吸收光谱法及其应用[M].上海:上海交通大学出版社, 1993.

红外模型 篇2

直升机排气系统红外抑制器的模型实验研究

摘要：对直升机排气系统红外抑制器进行了一系列的`模型试验研究,旨在分析引射混合和遮挡隔热对降低目标红外辐射特征的作用机制和抑制效果,并对缩比模型的红外辐射相似关系进行探讨.结果表明:(1) 引射冷气掺混具有降低排气温度和混合管壁面温度的双重作用,其降温效果在大引射流量比下非常显著;当遮挡间距大于20mm,遮挡隔热可以使遮挡罩壁温接近于环境温度.(2) 引射混合对总体红外辐射强度抑制约85%;在此基础上进行隔热遮挡可以再抑制10%.(3) 在保持主流速度、温度和压力均相同的条件下,不同缩比模型的辐射亮度基本相当;红外辐射强度基本上与模型的几何模化比平方成正比. 作者： 张靖周李立国高潮 Author： ZHANG Jing-Zhou  LI Li-Guo  GAO Chao 作者单位： 南京航空航天大学,能源与动力学院,江苏,南京,210016 期 刊： 红外与毫米波学报   ISTICEISCIPKU Journal： JOURNAL OF INFRARED AND MILLIMETER WAVES 年，卷(期)： , 24(2) 分类号： V231.3 P722.5 关键词： 红外辐射    红外抑制    引射-混合器    直升机排气系统    机标分类号： V23 P72 机标关键词： 直升机排气系统    红外抑制器    缩比模型    红外辐射强度    遮挡    排气温度    红外辐射特征    隔热    作用机制    主流速度    抑制效果    相似关系    双重作用    试验研究    冷气掺混    降温效果    环境温度    辐射亮度    壁面温度    模化比 基金项目： 武器装备预研基金

红外模型 篇3

关键词： 红外图像； 降噪； 非下采样Contourlet变换； 拉普拉斯分布

中图分类号： TP391.41文献标识码： A文章编号： 1673-5048（2016）05-0066-05

Abstract： For the denoising problem of infrared image， an algorithm is proposed based on mixed statistical model of transform coefficients in nonsubsampled Contourlet domain. The image is transformed into nonsubsampled Contourlet domain， and noise coefficients and signal coefficients are modeled respectively by Gaussian distribution and generalized Laplacian distribution. By using maximum a posteriori estimation theory under Bayesian framework， a new estimation formula for the original signal coefficients is deduced， and the noise image coefficients are processed to realize the infrared image denoising of nonsubsampled Contourlet domain. The experimental results show that the proposed method can suppress the Gaussian noise effectively and keep most of the images detail information， which has higher value of peak signal noise ratio and better visual effect than some standard algorithms.

Key words： infrared image； denoising； nonsubsampled Contourlet transform； Laplacian distribution

0引言

红外图像噪声丰富， 而噪声造成图像退化、 图像特征被掩盖， 直接影响图像分割、 特征提取等后续工作的准确性， 因此， 抑制红外图像噪声、 提升图像质量是红外成像应用中图像处理和分析的前提。

小波变换具有良好的时频局域化特性和多分辨率特性[1]， 在图像降噪中得到了广泛的应用[2-5]。 小波变换在表示具有点奇异性的函数时是最优基， 但是对于更高维的特征则显得力不从心。 在二维图像中， 边缘、 轮廓和纹理等具有高维奇异性的几何特征包含了大部分信息， 对此， 小波不是表示图像的最优基。

Do等人提出的Contourlet变换是一种真正的图像二维表示方法， 其将小波的优点延伸到高维空间， 能够更好地刻画高维信息的特性， 更适合处理具有超平面奇异性的信息[6-7]。 但是， Contourlet变换不具备平移不变性， 在利用其进行图像去噪时， 奇异点周围会引入伪吉布斯（Gibbs）现象。 此外， Contourlet变换存在下采样过程， 因此低频子带和高频子带均存在频谱混叠现象。 频谱混叠造成同一方向的信息会在几个不同方向子带中同时出现， 这在一定程度上削弱了其方向选择性。

Cunha等人[8-9]利用非下采样塔式分解和非下采样滤波器组构造出了非下采样Contourlet变换（Nonsubsampled Contourlet Transform， NSCT）， 具有平移不变性。 NSCT继承了Contourlet变换的良好特性， 变换后系数能量更加集中， 能够更好地捕捉和跟踪图像中重要的几何特征。 同时， 由于没有采样过程， 图像的分解和重构过程中不具有频率混叠项， 这使得NSCT具有平移不变性。

在图像降噪中应用Contourlet和NSCT， 最常用的是传统的阈值方法[10-14]。 该类方法的缺点在于没有考虑到各图像尺度内系数的相关性、 相邻尺度系数之间的相关性以及边缘轮廓的关系， 图像细节信息不能很好地保留且存在振铃现象。 建立变换系数尺度内和尺度间的统计模型是在变换域还原信号系数、 抑制噪声系数的关键问题[15]。

红外成像应用中的红外探测器是系统噪声的主要来源， 是影响红外图像质量的主要因素， 其强度一般情况下远大于其他环节产生的噪声， 同时也是最难以克服的。 探测器本身的噪声是无法避免的， 按照其产生的机理可分为散粒噪声、 热噪声、 光子噪声、 产生复合噪声和1/f噪声等。 其中散粒噪声、 热噪声、 光子噪声和产生复合噪声所产生的探测器电流输出是一个随机过程， 由中心极限定理近似服从高斯分布。 1/f噪声是红外探测器低频部分的一种电流噪声， 顾名思义， 1/f噪声与频率成反比， 当高于一定频率时， 与其他噪声相比可忽略不计。 因此， 可认为影响红外图像质量的噪声服从高斯分布[16]。

航空兵器2016年第5期刘刚等： 非下采样轮廓波域混合统计模型红外图像降噪方法基于以上分析， 在NSCT域提出了一种新降噪方法。

1NSCT域混合统计图像降噪模型

1.1NSCT理论

NSCT与Contourlet变换一样， 也是采用由拉普拉斯金字塔变换与方向滤波器组所构成的双迭代滤波器组结构。 但NSCT采用的是非下采样塔式滤波器和非下采样方向滤波器组， 变换时首先由非下采样塔式滤波器将图像分解为低通（低频）部分和带通（高频）部分， 然后由非下采样方向性滤波器组将带通部分分解为若干个方向。 NSCT去掉了塔式分解和方向性滤波器组分解中信号经分析滤波后的下采样（抽取）以及综合滤波前的上采样（插值）， 而改为对相应的滤波器进行采样， 再对信号进行分析滤波和综合滤波。

1.2混合统计降噪模型

NSCT域信号系数尺度间和尺度内同方向子带内相关性强， 噪声系数层间相关性较弱、 层内无相关性。 基于此， 将NSCT系数分为噪声系数和信号系数两类并分别建模， 根据贝叶斯框架下的最大后验估计理论， 推导降噪方程。

信号系数包含了图像的大部分信息及主要的边缘和纹理， 相邻尺度间的系数相关性较强， 分解系数的统计分布在原点处的峰值更尖锐， 并具有长拖尾， 可采用广义的拉普拉斯分布来建模。 噪声系数主要是噪声和微小细节的贡献， 采用具有强局部相关的零均值高斯分布来建模。

从表1、 图1～3可得出如下结论：

（1） 从表1中可知， 基于NSCT域系数混合统计模型降噪算法的PSNR最高， 能有效去除图像中的高斯白噪声， 较好地保持图像的边缘， 在噪声强度较大时， 降噪能力更加明显；

（2） 从图1、 图2和图3可知， 基于NSCT域系数混合统计模型的降噪算法既滤除了图像噪声， 又有效地保持了相关边缘细节；

（3） 基于Contourlet域混合统计模型降噪算法在视觉效果上同NSCT域方法接近， 但在PSNR上比NSCT域方法稍差；

（4） 小波软阈值法在滤除噪声的同时造成了边缘细节的模糊；

（5） Contourlet阈值降噪方法边缘细节部分保持较好， 也能有效滤除噪声， 但是出现了较为明显的栅格效应。

4结论

在NSCT域对噪声系数、 信号系数分别按照高斯分布和广义拉普拉斯分布建模， 根据贝叶斯框架下的最大后验估计理论， 推导原始信号系数的估计公式， 对包含噪声的图像系数进行处理， 实现NSCT域红外图像降噪。 NSCT具有平移不变性和更好的方向选择特性， 实验结果充分表明了本文提出的基于NSCT域系数混合统计模型的降噪方法在PSNR提高与视觉效果上优于部分经典降噪方法。

参考文献：

[1] 高静， 李朝伟， 董云峰， 等.空空导弹导引头小波降噪参数优选仿真研究[J].航空兵器， 2010（5）： 48-54.

[2] 徐小军， 王友仁. 基于离散分数阶正交小波变换图像降噪新方法[J].电子学报， 2014， 42（2）： 280-287.

[3] 张田， 孙延奎， 田小林.二进小波与扩散滤波结合的光学相干层析图像降噪[J].吉林大学学报（工学版）， 2013， 43（S1）： 340-344.

[4] 金炜， 周亚训， 符冉迪， 等.采用零树结构分类小波系数的红外图像降噪[J].光电工程， 2012， 39（5）： 79-83.

[5] Donoho D L. DeNoising by SoftThresholding[J]. IEEE Transactions on Information Theory， 1995， 41（3）： 613-627.

[6] Po D DY， Do M N. Directional Multiscale Modeling of Images Using the Contourlet Transform[J].IEEE Transactions on Image Processing， 2006， 15（6）： 1610-1620.

[7] Do M N， Vetterli M. The Contourlet Transform： An Efficient Directional Multiresolution Image Representation[J]. IEEE Transastions on Image Processing， 2005， 14（12）： 2091-2106.

[8] Cunha A L， Zhou Jianping， Do M N. The Nonsubsampled Contourlet Transform： Theory， Design and Applications[J].IEEE Transactions on Image Processing， 2006， 15（10）： 3089-3101.

[9] Zhou Jianping， Cunha A L， Do M N. Nonsubsampled Contourlet Transform： Construction and Application in Enhancement[C]∥Proceedings of the IEEE International Conference on Image Processing， 2005： 469-472.

[10] 戴维， 于盛林， 孙栓. 基于Contourlet变换自适应阈值的图像去噪算法[J].电子学报， 2007， 35（10）： 1939-1943.

[11] 刘丽萍， 崔宁海， 王琰.一种新的Contourlet变换图像降噪算法[J].沈阳理工大学学报， 2012， 31（1）： 31-35.

[12] 程光权， 成礼智.基于冗余Contourlet变换的图像相关法去噪[J].中国图象图形学报， 2008， 13（9）： 1678-1682.

[13] 倪超， 李奇， 夏良正.基于非下采样Contourlet扩散滤波的红外图像降噪[J].东南大学学报（自然科学版）， 2010， 40（S1）： 272-276.

[14] 闫晟， 刘明刚， 原建平， 等. 一种基于NSCT变换的超声图像降噪新算法[J].仪器仪表学报， 2012， 33（5）： 1005-1012.

[15] 王文， 芮国胜， 王晓东， 等.图像多尺度统计模型综述[J].中国图象图形学报， 2007， 12（6）： 961-968.

红外模型 篇4

随着红外技术的不断发展, 红外成像技术已经广泛应用于工业、军事、医学等领域。然而, 红外图像在获取和传递过程中, 往往会被噪声污染, 不仅影响图像的质量而且对于后续的融合、检测、识别等工作都带来许多不便。因此对红外图像进行去噪研究是有实际意义的。图像去噪的主要目标是有效去除噪声且同时尽量保持图像的边缘和细节信息。红外图像的噪声主要为高斯噪声, 传统的滤波方法如中值滤波和均值滤波在平滑噪声的同时会丢失大量的细节信息。小波变换具有良好的时、频域局部化性质, 基于小波变换域统计模型的图像去噪方法, 能够达到较好地去噪目的并且保持图像的许多细节信息, 从而成为目前常用的去噪方法之一[1,2,3,4]。

小波变换可以有效的表示一维信号的奇异特征, 但是二维图像的轮廓、纹理与边缘等具有高维奇异特征, 其小波基函数通常由一维基函数张量积形成, 往往不是图像表示的最优基。因此, 为了更好的表示高维奇异特征, 人们提出了Ridgelet、Curvelet、Contourlet、Bandelet等多尺度几何分析[5]工具。Contourlet变换 (Contourlet Transform, CT) [6]是小波分析后的一种新的信号分析工具, 具有良好的各向异性及方向选择性, 可以准确的将图像中的边缘信息在不同尺度不同方向的频率子带中表示, 是一种真正意义上的图像的二维表示方法。但是由于CT过程中采用了下采样操作, 不具有平移不变性, 在去噪时奇异点附近会产生伪吉布斯现象, 且子带存在频谱混叠现象, 一定程度上消弱了CT的多方向选择性。为克服这一缺点, Cunha等人[7]提出具有平移不变性的NSCT, 在其变换域中进行图像去噪工作, 可以取得了较好的去噪效果[8,9]。

针对小波域红外图像去噪效果不理想, 去噪后的图像存在振铃现象, 本文提出一种基于非下采样Contourlet变换的红外图像自适应去噪方法。该方法在非下采样Contourlet变换域中, 分析其系数的统计规律性, 对其系数用广义高斯分布来建模, 较好地模拟了NSCT系数的概率分布, 并对贝叶斯阈值进行修正处理, 同时分析了软、硬阈值的缺点, 提出新的阈值函数, 然后估计出不含噪声的变换系数, 通过非下采样Contourlet逆变换得到去噪后的图像。实验证明:本文方法比一些小波经典方法有效。

1 非下采样Contourlet变换

CT[6]实现分为两个步骤:拉普拉斯塔式分解 (LP) 和方向滤波器组 (DFB) 。NSCT是在CT的基础上提出来的, 它不仅具有CT的多分辨率、多方向性和各向异性的优良特性, 而且还克服了CT缺乏平移不变性的缺点。NSCT的实现过程中没有执行下采样工作, 通过非下采样金字塔和非下采样方向滤波器组分解实现。图1给出了NSCT分解图。

2 非下采样Contourlet变换域广义高斯分布模型红外图像去噪

红外图像普遍存在着低信噪比、边缘模糊等特点, 它与可见光图像相比, 主要表现为细节信息不明显、对比度低及视觉效果较差。图2给出了两幅红外图像与一幅可见光图像及它们对应的灰度直方图, 从图2中可以看出红外图像Car及Plane的灰度主要集中在一个灰度值较小的范围内, 目标的边缘与背景间很难区分开, 而可见光图像Lena的灰度分布范围很广, 目标突出。目前通常使用的小波域全局阈值去噪方法虽然实现简单, 但是软、硬阈值函数会引起振铃、伪吉布斯效应等, 去噪后的红外图像失真现象严重。全局阈值并未考虑到变换域系数间的相关性, 因此为了更好的挖掘系数间的相关性, 我们用广义高斯分布对非下采样Contourlet变换系数的分布进行建模, 并针对软、硬阈值函数的缺点提出了一种新阈值函数, 以此来达到更好的去除噪声并保留更多的细节信息。

2.1 广义高斯分布

对于一幅红外图像, 其非下采样Contourlet变换系数的概率密度函数pm (m) 无法准确确定。实际研究发现, 红外图像的NSCT系数主要分布在零值附近, 且两侧有很长的拖尾, 传统的高斯分布并不是NSCT系数分布的精确模拟。通过大量例证研究, 广义高斯分布 (GGD) 可以作为NSCT各带通方向子带系数的先验模型。GGD[10]即:

其中:且 (38) (t) 为伽马函数, 为小波系数x的标准方差。取1, 则GGD分布就变为拉普拉斯分布;取2时为高斯分布。对任意一幅图像, 参数和可按下面的表达式进行估计:

其中:kˆ为峰态系数, im, j (i, j (28) , 1 (43) , n) 为不含噪声的NSCT系数。通过多次实验可以发现, 自然图像的形状参数主要集中在区间[0.45, 1]之间, 而红外图像的形状参数范围为[0.30, 0.85]。

图3是飞机红外图像进行3层NSCT分解 (方向数为1, 2, 2) 的第三层两个带通方向子带系数的概率直方图及相应的GGD曲线, 其中分别为0.696 2和0.662 4, 值分别为0.350 0和0.315 0, 从图3可以看出, GGD曲线与系数的概率直方图的较好拟合效果, 再次验证了GGD分布可以较准确模拟带通方向子带系数的概率分布。

2.2 改进的贝叶斯阈值

设红外图像f (x, y) 受到均值为零、方差为n2的服从高斯分布的噪声 (x, y) 的干扰, g (x, y) 为受到干扰后的图像。则有:

g (x, y) (28) f (x, y) (10)  (x, y)

经过NSCT变换后, 得到:

其中:w (28) Ng (x, y) , m (28) Nf (x, y) , n (28) N (x, y) , N为非下采样Contourlet变换算子。

本文中我们假定噪声服从高斯分布, 即n~N (, 0n2) , n2为噪声的方差, 不含噪声的非下采样Contourle变换系数用广义高斯分布建模。在贝叶斯理论框架下, 从而可以得到贝叶斯阈值[10]T:

NSCT具有多方向选择性的优点, 每一尺度内可以有很多的方向。实际上, 任一尺度NSCT系数对于每个方向的系数能量是不相同的, 对于能量较大的方向, 说明那个方向含有较多的细节信息, 处理时应将阈值设置的小些, 对于能量较小的方向, 说明那个方向含有的噪声较多, 处理时应将阈值设置的大些。为了在不同方向自适应的调整去噪阈值且不过度的“扼杀”NSCT系数, 综合以上考虑, 我们对阈值T进行修正:

其中:2n为噪声方差, 为小波系数的标准方差, k为当前分解层数, K为分解总层数, J为第k层的方向数总数, jkE为第k层第j个方向的能量。从式 (3) 可以看出, 对于固定尺度的某一方向的jkE较大时说明含有的细节信息较多, 这时阈值 (9) T将会较小细节信息可以得到有效保持;反之当jkE较小时说明含有的噪声较多, 此时阈值 (9) T将会较大噪声可以得到更好的抑制。

2.3 新阈值函数

小波阈值函数通常有两种, 分别为

硬阈值:

软阈值:

其中:kiw, j为第k层j方向的第i个NSCT系数, kTi, j为其对应的阈值, mik, j为阈值作用后得到的NSCT函数。Bruce在文献[11]中分析了软、硬阈值处理高斯噪声的性能时有如下结论:阈值确定后, 硬阈值总会比软阈值作用后造成的方差大;系数与阈值相差不大时, 硬阈值方法有大的偏差;系数充分大时, 软阈值造成的偏差较大。一个比较好的阈值函数应该在系数与阈值相差不大时近似为软阈值函数, 在系数与阈值相差较大时近似为硬阈值函数。于是针对软、硬阈值函数存在的问题, 文献[12, 13]先后提出了改进的阈值函数:

和

其中:介于0到1之间, 取值范围为非负数, 且的不同取值会对新阈值函数的去噪能力有影响, 这两个阈值函数虽然可以改善去噪后图像的视觉失真及边缘模糊现象, 但是式 (6) 中的取值不具有自适应性, 式 (7) 需要给定一个合适的, 现实中处理图像时如何选定合适的值也很困难。于是本文提出一种具有可调节自适应性的新阈值函数:

其中:N取2或者4。从g的表达式可以看出, 当时, y趋向于0, 即为硬阈值函数;当时, y趋向于1, 即为软阈值函数, 新阈值函数可以根据各个图像分解后的尺度及方向的不同自适应的进行调节参数。图4为五种不同的阈值函数比较, x轴为噪声污染的NSCT系数, y轴为估计得到的系数, 从图4可以看出系数较小时, 新阈值函数近似为软阈值函数, 系数较大时新阈值函数收敛于硬阈值函数。

3 算法主要步骤

由于NSCT不是正交变换, 变换后各个尺度及方向的噪声方差各不相同, 故采用蒙特卡罗方法估计噪声方差。设任意NSCT系数iw估计得到的噪声方差n2 (i) , 那么不含噪声的系数方差可以由观测到得系数的邻域样本方差来近似, 即用最大似然估计为

其中:W (k) 是以iw为中心的方形邻域, N2为W (k) 中的小波系数。由于NSCT的多方向性, 去噪后会出现许多伪方向信号, 因此本文在估计边缘方差时采用77的方形窗口。

去噪的主要步骤:

Step 1对含噪红外图像进行3层非下采样Contourlet变换, 由粗到细尺度的方向数依次为4, 8, 8, 得到各个尺度子带的NSCT系数;

Step 2运用蒙特卡罗方法估计各个子带的噪声方差n2 (i) , 再用式 (9) 估计不含噪声的NSCT系数方差;

Step 3用修正的阈值式 (8) 对NSCT系数进行新阈值函数去噪;

Step 4对估计得到的系数非下采样Contourlet逆变换得到去噪后的图像。

4 实验与分析

本文的仿真实验分为两部分, 第一部分, 对飞机及星云红外图像进行测试, 加入均值为零、方差为n2的高斯白噪声, 先在离散平稳小波变换域中采用软阈值、硬阈值、半阈值[12] (取0.5) 、文献[13]提出的改进的阈值函数 (取5) 及本文的新阈值函数去噪, 所用阈值均为贝叶斯阈值, NSCT采用’maxflat’非下采样塔形分解与’dmaxflat7’非下采样方向滤波器组, 平稳小波采用“db4”小波对图像进行3层分解;再在NSCT域运用本文的新阈值函数进行去噪实验, 所用阈值分别为贝叶斯阈值及本文修正的贝叶斯阈值, 然后用峰值信噪比及去噪后的视觉效果结合评价本文的方法;第二部分, 对复杂环境下获得的含噪的汽车红外图像进行去噪, 由于真实红外图像去噪工作是盲恢复过程, 因此以往用于自然图像去噪时的客观评价标准不适合, 本文使用等效视数作为评价标准。

峰值信噪比定义为

其中:X、Y分别为原始图像和去噪后的图像, N2为图像大小。

等效视数 (ENL) 定义为

其中及分别表示去噪后红外图像的标准差及均值。

从表1可以看出, 各种方法去噪后的图像PSNR均有不同程度的提高, 说明各种方法均有去除噪声的作用;在同等的基本条件 (离散平稳小波, 相同阈值) 但不同阈值函数的条件下, 本文方法取得的PSNR高于软、硬、半[12]及文献[13]改进的阈值函数, 说明本文提出的新阈值函数的有效性;相同去噪函数条件下, 在不同变换域中可以看出, 与平稳小波域相比, NSCT域去噪后的PSNR提高了0.6~2 d B, 说明在NSCT域去噪效果更好;在相同变换域及阈值函数条件下, 本文提出的修正贝叶斯阈值去噪后的PSNR也要高于普通的贝叶斯阈值0.3~0.6 d B。从表2可以看到本文去噪方法去噪后的ENL最大, 说明对于噪声的抑制效果最好。

从图5、6可以看出, 软阈值由于系数总存在固定偏差, 导致去噪后的图像整体偏暗, 边缘变得模糊;硬阈值函数具有不连续性, 去噪后的图像存在振铃现象;半阈值函数[12]、改进的阈值函数[13]及本文的新阈值函数处理后的图像减少了振铃现象, 图像更清晰;NSCT具有很强的描述高维奇异特征能力, 去噪后的图像细节保持得最好, 点、线清晰可见。从图7也可以看出本文去噪算法对于复杂环境下获得的红外图像去噪的有效性。

虽然本文提出的基于非下采样Contourlet变换域去噪方法可以取得很好的去噪效果, 但是却也存在一些缺点, 其中最主要的问题就是时间复杂度比较高。非下采样Contourlet变换虽然可以更好的表示图像, 但是变换执行过程却相当复杂, 本文方法将红外图像 (256256) 分解为1个低频和20个高频 (每个子带均与原图像一样大小) , 对每个高频子带均需处理, 最后还要使用蒙特卡罗方法估计噪声方差, 三者加在一起导致了算法比较耗时。如果不计估计噪声所消耗的时间, 算法平均运行时间需200 s, 而平稳小波域去噪的平均只需4 s (运行环境:CPU Inter core i3 2.1G, 内存2G, Matlab2008a) 。

5 结论

本文对红外图像进行非下采样Contourlet变换, 采用广义高斯模型对NSCT系数进行建模, 用贝叶斯理论并结合NSCT的多方向性给出修正的系数收缩阈值, 并利用提出的阈值函数处理系数。该方法避免“过度扼杀”NSCT系数及对噪声的“过度保留”, 新阈值函数有效解决了软、硬、半阈值的各自缺点及具有自适应性。在主、客观评价中都可以得出本文去噪算法的有效性。本文算法的不足之处主要是算法的复杂度较高, 对于那些实时性要求不高的红外图像去噪处理, 有一定的应用价值。如何提高计算效率将是我们下一步研究的主要工作。

摘要：对红外图像进行非下采样Contourlet变换, 分析其系数的统计特征, 采用广义高斯分布来模拟系数的概率分布。根据非下采样Contourlet变换的带通子带各方向能量不同的特点, 提出修正的贝叶斯阈值公式, 为了克服软、硬阈值函数的缺点, 又提出一种具有可调节自适应性的新阈值函数, 最后利用新阈值函数估计出不含噪声的变换系数, 并通过非下采样Contourlet逆变换得到去噪后的红外图像。仿真实验表明, 文中方法在峰值信噪比及视觉效果上均优于经典的小波阈值去噪算法。

红外模型 篇5

1 仪器与材料

美国Thermo antarisⅡ型傅立叶变换近红外光谱仪 (美国Thermo Electron) ;JY20002型电子天平 (感量0.01g, 上海方瑞仪器有限公司) ;BJA-500型高速多功能粉碎机 (浙江爱雪厨房设备有限公司) ;DHG-9053A型电热恒温鼓风干燥箱 (上海精宏实验仪器设备有限公司) ;1200型高效液相色谱仪 (美国安捷伦科技有限公司) 。

不同产地、批次附子由四川新绿色药业科技发展股份有限公司提供, 经成都中医药大学药学院胡昌江教授鉴定为毛茛科植物乌头Aconitum carmichaelii Debx.的子根加工品;新乌头碱 (批号:MUST-13012207) 、次乌头碱 (批号:MUST-13011706) 、乌头碱 (批号:MUST-13012802) 、苯甲酰新乌头原碱 (批号:MUST-13032801) 、苯甲酰乌头原碱 (批号:MUST-13052306) 、苯甲酰次乌头原碱 (批号:MUST-13052301) 。乙腈为美国Fisher色谱纯, 水为娃哈哈纯净水, 其余试剂为分析纯。

2 方法与结果

2.1 样品制备

取不同产地、批次附子样品, 粉碎成中粉。每批次样品取3份, 每份15g, 共计90份样品, 标记为1~90号。另取同一产地、同一批次样品, 分别粉碎成最粗粉、粗粉、中粉、细粉、最细粉、极细粉, 备用。

2.2 样品化学方法含量测定

参照《中国药典》2010年版附子项下“含量测定”方法进行双酯型生物碱和单酯型生物碱含量测定[2]。

2.3 NIR光谱采集

将每份样品装入旋转石英杯中, 摇匀, 采用积分球漫反射测样, 扫描波长范围为10 000~4 000cm-1, 分辨率为8cm-1, 扫描次数为64次, 温度为20℃, 相对湿度为30%~50%。每个样品扫描3次, 计算平均光谱[6]。结果见图1。

2.4 近红外定量测定模型建立

2.4.1 问题样品处理

问题样品是指NIR预测值与标准值间误差较大, 在相关图上偏离对角线较远的样品。将出现问题的样品的Usage信息设为Ignore, 结果见图2。

2.4.2 主因子数选择

近红外定量模型建立过程中, 主因子数是判断模型代表性的主要因素之一, 因此在建立模型前, 首先对最佳主因子数进行选择。由图3可知, 双酯型生物碱最佳主因子数为10, 单酯型生物碱主因子数为5。

2.4.3 光谱预处理方法选择

对光谱进行预处理可起到一定的放大和分离重叠信息的作用, 可增加模型的预测准确性, 见表1、表2。

(A.双酯型生物碱主因子数曲线;B.单酯型生物碱主因子数曲线)

从表1、表2可以看出, 在附子双酯型生物碱模型中主因子数为10、附子单酯型生物碱主因子数为5的条件下:First derivstive (一阶导数光谱) +MSC (多元信号修正) +Norris derivative光谱预处理方法可得到较大的校正集相关系数R (0.970 7、0.937 0) 和较低的标准偏差RMSECV (0.003 6、0.002 8) 以及较大的验证集相关系数R (0.865 4、0.887 3) 和较低的标准偏差RMSEPV (0.007 2、0.002 9) , 故选择方案2为附子近红外测定模型光谱预处理方法。

2.4.4 定量模型建立

将1~70号样品光谱图作为校正集, 71~90号作为验证集进行模型建立, 运用TQ 8.0定量分析软件PLS建立定量分析模型, 输入与每张图谱相对应的HPLC含量测定数值, 计算得出模型。

2.5 结果

2.5.1 NIR定量分析模型

所建立的2个模型中, 双酯型生物碱含量测定模型校正集标准偏差 (RMSECV) 为0.003 6, 相关系数 (R) 为0.970 7, 验证集标准偏差 (RM-SEPV) 为0.007 2, 相关系数 (R) 为0.8654;单酯型生物碱含量测定模型校正集标准偏差 (RMSECV) 为0.002 8, 相关系数 (R) 为0.937 0, 验证集标准偏差 (RMSEPV) 为0.002 9, 相关系数 (R) 为0.887 3。结果见图4、图5。

2.5.2 粒度对模型准确性的影响

NIR光谱中除了包含样品基质的化学组成信息外, 还包含有样品的物理信息。如颗粒尺寸的不同会产生基线偏移;颗粒尺寸越粗糙, 光线的穿透力越强, 吸收越强, 但颗粒的尺寸对模型测定准确的影响却没有明确定论。本实验按照《中国药典》2010年版凡例中对粉末的要求进行样品制备, 观察粒度对附子生物碱近红外模型准确度的影响, 结果见表3、表4。

(%)

(%)

注:误差= (HPLC值-NIR值) /HPLC值×100。

由表3、表4可看出, 样品的粒度越小, 近红外测定值与化学测定方法 (HPLC) 值越接近, 样品粒度越大则测定值误差越大。两个模型测定结果均显示:样品粒度在中粉~极细粉粒度范围内测定结果稳定, 且接近化学测定 (HPLC) 值。

3 讨论

由图4、图5可看出, 所建立的2个模型中, 双酯型生物碱含量测定模型校正集标准偏差 (RMSECV) 为0.003 55, 相关系数 (R) 为0.970 7, 验证集标准偏差 (RMSEPV) 为0.007 16, 相关系数 (R) 为0.8654;单酯型生物碱含量测定模型校正集标准偏差 (RMSECV) 为0.002 80, 相关系数 (R) 为0.937 0, 验证集标准偏差 (RMSEPV) 为0.002 91, 相关系数 (R) 为0.887 3。各参数均较优, 模型可准确预测未知样品。由表3、表4可以看出, 样品粒度越大, 预测值与化学值偏差越大, 样品粒度在中粉~极细粉粒度范围内测定结果稳定, 且接近化学测定 (HPLC) 值。

附子单酯型生物碱预测模型中, 主因子数为5, 低于最佳主因子数10, 说明模型未能代表附子所有产地和批次, 模型覆盖面较窄, 需在后期工作中补充样本量以增加模型数据库的全面性[7]。在表3与表4中, 样品粒度越大, 则误差越大, 可能与样品粒度越大, 漫反射光越少, 多数光为透射和折射有关[8]。双酯型生物碱预测结果误差值显著小于单酯型生物碱预测误差值, 可能与单酯型生物碱含量较少、数值较小有关。近红外光谱分析技术测定值本身与化学测定值存在一定误差, 故数值越小, 误差越大。

摘要：目的:观察样品粒度对附子近红外 (NIR) 定量模型准确性的影响。方法:采用近红外 (NIR) 光谱分析技术建立附子双酯型生物碱和单酯型生物碱含量测定模型, 对同批次同产地不同粒度附子样品生物碱含量进行预测, 并与化学测量值 (HPLC) 进行比较。结果:附子最粗粉与粗粉近红外 (NIR) 预测值与化学测量值 (HPLC) 误差较大, 双酯型生物碱含量分别为15.251 4%和8.716 9%, 单酯型生物碱含量分别为32.614 8%和17.946 7%, 中粉极细粉接近化学测量值 (HPLC) 且相差分别在5%和10%以内。结论:样品粒度对附子近红外 (NIR) 定量模型准确性存在一定影响, 粒度越大, 预测值与化学测量值 (HPLC) 误差越大, 中粉极细粉测定值较为稳定, 可作为样品测定前处理标准。

关键词：附子,粒度,近红外,模型

参考文献

[1]高学敏.中药学[M].北京:中国中医药出版社, 2002.

[2]国家药典委员会.中华人民共和国药典[M].北京:中国医药科技出版社, 2010:177.

[3]高荣强, 范世福.现代近红外光谱分析技术的原理及应用[J].分析仪器, 2002 (3) :9-12.

[4]全智慧.NIR分析技术在制川乌配方颗粒制备过程中的应用研究[D].广州:广州中医药大学, 2013.

[5]杜敏.中药近红外光谱检测影响因素的研究[D].北京:北京中医药大学, 2013.

[6]柳俊.近红外光谱分析技术在白芍中药配方颗粒制备过程中的应用研究[D].广州:广州中医药大学, 2011.

[7]黄礼丽.近红外光谱分析技术的应用研究[J].科技创新与应用, 2013 (24) :19.

红外模型 篇6

煤炭的灰分是煤质分析及煤炭分类的重要指标之一[1]。标准的煤炭灰分测定方法是采用马弗炉灰化灼烧,该方法存在分析时间长、破坏样本结构等缺点。中子γ辐射法是目前较为常用的灰分快速检测方法[2],但该方法操作复杂,对人体的危害大,且测量精度较低。

随着控制科学及光谱学的发展,近红外光谱分析(Near Infrared Spectroscopy, NIRS)技术突破了其技术应用发展的瓶颈,已初步用于高度复杂的煤炭质量评估。该技术可快速、全面、无损地检测煤的元素、发热量等指标[3,4],克服了传统分析技术的缺点,是一种新的煤质智能分析方法。由于该方法是一种间接分析技术,因此建模分析方法的适应性直接影响了其评估结果的准确性和稳定性。

受光谱分析仪本身及实验环境的影响,所采集的光谱信息含有大量的冗余信息和噪声,具有高维性和易干扰性。此外,煤炭的复杂性和多样性使分析样本变化幅度大,造成样本数据的定量对应关系偏离分析模型。上述问题导致光谱数据与灰分标准值间的相关性降低,严重影响定量分析模型的学习精度及运算时间。鉴此,本文采用主成分分析(Principal Component Analysis,PCA)方法提取光谱的特征信息,并通过对比分析主成分的特征值剔除煤炭样本集中可能存在的异常样本;综合应用竞争聚类和模糊聚类方法对建模样本进行优化,并排除具有争议性的可疑样本,然后针对每个样本子集建立单独的定量分析模型。

1 实验数据

1.1 煤炭样本制备

实验采集了来自内蒙古自治区、河北省、浙江省等地区的230组煤炭样本,品种包括无烟煤、烟煤和褐煤等。煤炭样本的制备按照参考文献[5]的规定执行,空气干燥室的温度保持在20 ℃,空气湿度保持在10%。

1.2 光谱采集

采用傅里叶变换近红外光谱分析仪采集空气干燥基的煤样光谱,煤炭样本的粒度≤0.2 mm,分析仪波长范围为3 799.079 3～ 10 001.028 3 cm-1,波长点数为1 609个,分辨率为4 cm-1,扫描64次。随机选取10组煤炭样品的光谱,如图1所示,其中R为吸光度。

1.3 灰分标准值的测定

参考文献[6]规定,把煤样放入马弗炉中,加热至(815±15) ℃,灰化并灼烧到质量恒定,残渣的重量占分析煤样重量的百分比即为该煤样的灰分。实验采用AAF12/18灰化马弗炉灼烧煤样,称量灰化前后的煤样质量M、M1,计算灰分的含量Aad=M1/M×100%。该测量方法的测量精密度符合国家标准要求。

2 样本数据优化

2.1 基于PCA的光谱数据优化

PCA是一种反映光谱信息表征的经典降维方法[7],通过将原光谱变量转换成一个新的线性组合,选取新变量中能够尽可能多表征原变量的特征信息来代表原光谱信息。

受测量仪器、测试方法和环境等因素的影响或由于技术人员的操作失误,建模样本中可能会存在严重干扰建模的异常样本,因此在训练分析模型之前必须逐一排查煤炭样本集。本文通过分析对比主成分的特征值来检测样本的准确度。230组煤样光谱的第一、第二主成分的特征值如图2所示。

从图2可看出,第58组和第67组煤样的特征信息与其它样本差距较大,是相对孤立的离群点,视为异常样本。为了提高模型的学习精度,剔除这两组样本,煤炭样本变为228组。

剔除异常样本后,先利用标准化变换方法对光谱数据进行预处理,然后再次利用PCA方法提取特征信息,降低光谱数据的维数,以减少模型的运算时间。煤样光谱前5个主成分的累计贡献率高达99.985%(见表1),特征信息的集中度较高,几乎涵盖了所有的光谱信息。因此本文选取前5个主成分代替1 609个波长点的光谱,作为模型新的输入变量,完成样本数据的“横向”压缩。

2.2 基于双层聚类方法的样本优化

煤炭的复杂性和多样性使得光谱特征信息的分布比较分散。为改善样本变化幅度大而导致的分析模型偏离问题,采用聚类方法把多维空间中彼此距离较小的相似样本归为一类[8],并将原煤炭样本集分成若干个子集,建立定量分析的子模型。

自组织映射(Self-Organizing Map,SOM)神经网络是经过竞争学习和输出层神经元侧反馈过程而实现煤炭光谱聚类的方法[9]。模糊C均值(Fuzzy C-Mean,FCM)聚类算法是一种用隶属度确定每个光谱属于某个聚类的程度的算法[10]。这两种聚类算法都属于无监督学习方法[11],其聚类结果随参数的设置而改变。

为了获得适用性较强的分类效果,本文提出一种基于SOM神经网络和FCM聚类算法的双层聚类方法。该方法是一种自适应的聚类方法,通过分析对比聚类结果,判别是否存在类别不一致的争议点,以使其数目最小为目标函数,优化算法的参数设置。最终的争议点则视为可疑样本,不适于参加建模,必须从样本集中剔除。

2.2.1 实验参数优化

工业上依据Aad把煤划分为5个等级。本文据此将煤样分为5类,即CF(i)、CS(i) ∈{1,2,3,4,5},其中CF(i)、CS(i)为第i组煤炭样本FCM、SOM算法的聚类结果。经双层聚类方法自动调整优化,当FCM聚类算法的模糊加权参数m=4、SOM神经网络的训练步数为100时,争议点数目最小。FCM聚类算法在第14次迭代时收敛于最小值,收敛速度较快,如图3所示。

2.2.2 聚类结果

当可疑样本数最少时,基于SOM神经网络和FCM聚类算法的分类结果见表2。可见228组样本被分为5类,每个分类子集的样本数目相近,其中最大子集的样本数都为52组。

逐一对比分析两种聚类方法的分类子集中样本,可知第40、74、103、145、162、173组样本的分类出现分歧,如图4所示,其中D(i)=|CF(i)-CS(i)|。若D(i)≠0,则第i组样本为争议点,反之则为正常样本。虽然这种分类不明确的样本对模型的偏离影响不如可疑样本严重,但也会降低模型的学习精度,必须舍弃。双层聚类方法对煤炭样本进行了“纵向”压缩,进一步优化了建模数据。

3 灰分预测模型

采用BP神经网络方法搭建灰分预测模型。为了避免模型学习时陷入局部最小值,采用遗传算法(Genetic Algorithm,GA)优化网络的初始权值和阈值,以提高基础模型的学习能力[12]。

剔除经双层聚类方法优化后的6组可疑样本,煤炭样本集由228组变为222组,并分为5类,每个子集的样本数为36、39、47、49、51。针对不同分类子集训练相应的基础模型,训练集样本数与测试集样本数之比为9∶1,输入变量为前5个主成分,输出变量为灰分的含量。

5种子模型的预测误差如图5所示。可见除了第5子集的第4组测试集样本的误差较大外,其余样本的误差均小于3%。

每个子模型中测试集的相关系数RC及平均误差EM见表3。

将经PCA方法优化后的228组样本数据以9∶1的比例分为训练集和测试集,训练定量分析模型,预测结果见表4。

从表4可看出,预测模型采用双层聚类方法优化后,相关系数增加了0.060 6,平均误差降低了61.7%。可见预测模型的相关性得到显著增强,其预测精度也有了大幅度提高。此外,由于聚类优化前可疑样本的存在,使得测试集误差变化幅度较大:最大误差为16.118%,最小误差为0.045%,模型的稳定性和可靠性较差。而聚类优化有效地改善了这种不稳定情况,获得了可信度较高的预测结果。

4 结语

通过大量的实验数据分析对比可知,提出的样本优化方法采用标准化变换方法对初始光谱信息进行预处理,提高了光谱数据的准确度;利用PCA方法准确地剔除了原煤炭样本集中的异常样本,并降低了光谱信息的维数,减少了粗大误差对模型的负面影响,大幅度提高了模型的学习速度;利用基于SOM神经网络和FCM 聚类算法的集成优化方法将228组样本集分为5个子集,舍弃具有争议性的可疑样本,并采用GA-BP神经网络搭建各分类子集的定量分析模型,有效地提高了模型的学习精度。本文为近红外光谱煤质分析技术的发展应用提供了一种有效可行的新方法。

参考文献

[1]于实,李丰田.煤质检测分析新技术新方法与化验结果的审查计算实用手册[M].北京:当代中国音像出版社,2005.

[2]施玉英.煤炭分析试验仪器设备的使用与维修[M].北京:煤炭工业出版社,2007.

[3]刘浩民,宋兆龙.应用红外测量技术分析煤质成分的新方法[J].自动化仪表,2010,31(10):5-7.

[4]LI Ming,XU Zhibin,YU Lei,et al.ApplicationResearch on Coal Analysis of Near InfraredSpectroscopy(NIRS)by Intelligent Algorithms[C]//Chinese Control and Decision Conference,2010,Xuzhou:2416-2419.

[5]GB474—2008煤样的制备方法[S].北京:中国标准出版社,2009.

[6]GB/T212—2008煤的工业分析方法[S].北京:中国标准出版社,2008.

[7]BLANCO M,CUEVA-MESTANZA R,PEGUERO A.NIR Analysis of PharmaceuticalSamples without Reference Data:Improving theCalibration[J].Talanta,2011,85:2218-2225.

[8]APLAYDM E.机器学习导论[M].范明,牛常勇,译.北京:机械工业出版社,2009.

[9]KURDTHONGMEE W.Colour Classification ofRubber Wood Boards for Finger Joint ManufacturingUsing a SOM Neural Network and Image Processing[J].Computers and Electronics in Agriculture,2008,64(2):85-92.

[10]KANNAN S R,RAMATHILAGAM S,CHUNG PC.Effective Fuzzy C-means Clustering Algorithmsfor Data Clustering Problems[J].Expert Systemswith Applications,2011,DOI:10.1016/j.eswa.2011.11.063.

[11]MINGOTI S A,LIMA J O.Comparing SOM NeuralNetwork with Fuzzy C-means,K-means andTraditional Hierarchical Clustering Algorithms[J].European Journal of Operational Research,2006,174(3):1742-1759.

红外模型 篇7

近红外光谱分析技术是一种新型的绿色分析技术, 具有快速、无损的特点[6,7]。经查询, 未见有利用近红外光谱法对益母草进行分析研究的文献报道, 现行药检车近红外模型库也无益母草及其制剂的近红外模型。本研究以国家药品评价抽验为契机, 利用近红外漫反射技术, 对样品批次较多的益母草片 (云南永安制药有限公司) 建立一致性检验模型, 扩充药检车模型库, 以快速、无损地鉴别该品牌益母草片的真伪, 同时有效区分出该品牌益母草片与其他厂家的同类药品, 既能有效保护品牌产品, 又能满足药品监管快速筛查、靶向抽样、目标检验的需要。

1 仪器与样品

1.1 仪器

傅里叶变换近红外光谱仪VERTEX 70 (德国BRUK-ER公司) 附有光纤探头, 铟镓砷 (InGaAs) 检测器;OPUS5.0软件 (德国BRUKER公司) 。

1.2 样品

云南永安制药有限公司生产的益母草片10批 (编号1-10, 批号:110602、110606、111001、111003、111004、111009、120101、120201、120202、120203) , 成都第一制药有限公司生产的益母草片1批, 广东环球制药有限公司生产的益母草片1批, 四川广元蓉成制药有限公司生产的益母草片1批, 桂林兴达制药厂生产的益母草片1批, 哈尔滨三木制药厂生产的益母草片1批, 浙江维康药业有限公司生产的益母草分散片1批, 广东罗浮山国药股份有限公司生产的宫炎平片1批 (编号:11-17, 批号:111008、110904、110507、111101、100101、20110604、L12A031) 。

2 近红外光谱采集与分析

2.1 采样方式

将光纤探头抵紧样品 (铝塑包装塑料一面) 直接测定。

2.2 测定条件

以仪器内置背景为参比, 波数范围12 000~4 000cm-1, 扫描累加次数32次, 分辨率8cm-1, Aperture Setting:4mm, Vcanner Velocity:10kHz。每批样品重复测定6次, 利用OPUS5.0软件计算平均光谱。

2.3 测定结果与分析

不同厂家的益母草片近红外图谱见图1。

通过图谱比对发现, 不同厂家的益母草片近红外图谱差异较大, 可针对不同厂家建立品牌的一致性检验模型。本实验拟对样品收集批次较多的云南永安制药有限公司生产的益母草片建立一致性检验模型。其他厂家的益母草片、分散片及功效相近的宫炎平片作为验证用样品。

3 近红外光谱一致性检验方法的建立和分析

3.1 光谱预处理方法

调取云南永安制药有限公司生产的编号1-10样品的原始光谱, 根据OPUS 5.0软件优化的结果, 选择一阶导数+矢量归一化作为光谱预处理方法, 见图2。利用OPUS软件在全谱范围分析和优化, 经综合考虑, 认为谱段参数在9 002~7 497.8cm-1、6 903.8~5 596.4cm-1和5 002.4~4 246.4cm-1范围内较理想;设置平滑点数17;采用CI限度控制法, CI限度值为7。

3.2 模型建立

按“3.1”最优参数建立益母草片 (云南永安制药有限公司) 一致性检验模型, 见图3。

3.3 模型专属性验证

调取编号10-17号样品的平均光谱作为验证光谱, 对益母草片 (云南永安制药有限公司) 一致性检验模型进行验证。验证结果见图4, 10号益母草片 (云南永安制药有限公司) 样品的验证光谱的CI值在7以内, 而其他厂家的益母草片、分散片及功效相近的宫炎平片 (11-17号样品) CI值均在7以外, 超出限定范围, 且差异明显, 分离良好。

3.4 模型耐用性验证

本试验考察了不同操作者、不同时间采集编号1-3号样品, 所得近红外图谱均能通过该一致性检验模型的检验。

4 讨论

近红外光谱分析技术具有快速、无损的特点。样品一般无需特殊处理, 铝塑包装的样品可以直接测定[8], 测定方法简单、易操作, 可实现对大批量样品的快速筛查, 大大降低了检测成本, 减少了工作量, 在现场监管工作中具有实际意义。

近红外光谱分析属于弱信号分析范畴, 对中药复杂体系中具体成分和含量的分析存在一定的困难, 但在快速鉴别中药、中成药真伪方面具有明显优势[9,10]。针对制假售假, 钻标避检的情况, 对品牌产品建立近红外一致性检验模型, 补充快检车近红外模型数据, 既可快速鉴别药品真伪, 满足药品监管快速筛查需要, 又能区分该品牌与其他同类产品, 对有效保护品牌产品、维护企业合法权益具有重要意义。

参考文献

[1]国家药典委员会.中国药典[M].一部.北京:化学工业出版社, 2010:272-273.

[2]李锟, 王树真, 李乐, 等.益母草的化学成分和药理作用研究进展[J].广东化工, 2014, 41 (2) :54-55.

[3]李建芳.益母草药学研究进展[J].内科, 2013, 8 (5) :533-535.

[4]汪云伟, 钟恋, 焦小珂, 等.益母草及其制剂的质量控制研究进展[J].中国医药导报, 2014, 11 (3) :153-156.

[5]李昂, 胡翮, 徐平声.近红外光谱快速鉴别左炔诺孕酮片的真伪[J].中南药学, 2010, 8 (7) :522-525.

[6]虞科, 胡楚楚, 程翼羽.近红外光谱法测定复方丹参滴丸中的3种有效成分[J].中国药学杂志, 2006, 41 (3) :226-229.

[7]陆凯.近红外相关系数法鉴别消渴丸真伪[J].淮海医药, 2013, 31 (1) :68-68.

[8]耿仲乐, 王静, 张瑞, 等.利用近红外图谱比对法及一致性检验模型鉴别健胃消食片[J].中国药事, 2012, 26 (8) :898-901.

[9]胡昌勤, 冯艳春.近红外光谱假药识别系统的设想及可行性探讨[J].中国药事, 2004, 18 (4) :250-250.

红外模型 篇8

关键词：毛白杨,综纤维素含量,数学模型,近红外光谱

由于近红外光谱技术具有快速、准确、低成本分析等优点,近年来应用于木材材性分析,已经建立了部分树种化学成分的近红外数学模型[1,2,3,4]。但几种红外光谱的数据处理方法还有不足之处。如主成分回归方法虽可有效解决共线问题、变量数使用限制问题,并在一定程度上解决了噪音滤除问题,但不能保证参与回归的主成分一定与被测组分的性质有关。而偏最小二乘法把数据分解和回归相融合,得到的特征值向量直接与被测组分或性质有关,适于非线性数据的建模,但是建模过程极其复杂。人工神经网络法只适用于谱峰重叠严重、有用信号较弱、噪音较大的谱图。因此,有必要依据朗伯—比尔(Lambert-Beer)定律的原理建立新模型[5,6,7]。

在众多树种中,三倍体毛白杨具有其优越的纸张性能,其抗张指数、撕裂指数、耐破指数、耐折度等物理性能没有因速生而降低。从边材到心材色度洁白,质地细腻,具有潜在的可漂性,漂白浆的机械强度也较好。因此,其作为造纸原料具有良好前途[8,9]。该文通过朗伯—比尔(Lambert-Beer)定律[10],建立一种新的预测毛白杨杂交子代综纤维素含量的数学模型。目前,用此数学模型预测毛白杨综纤维素含量未见报道,并且模型普适性好,推广有可行性,今后有益于纸浆性能预测。

1 材料与方法

1.1 试验材料

原材料为毛白杨原木,取材于北京市海淀区,为毛白杨杂交子代。每棵样品树从胸高1.3 m处截取高为15 cm的圆盘,将其磨碎后通过40目筛,但留于60目的木粉用于化学分析和采谱用[11],共制得70个样品。

1.2 试验仪器

近红外光谱仪(德国BRUKER光谱仪器公司生产),带有配套的OPUS 6.5软件。

1.3 试验方法

综纤维素含量测定按照国标GB/T 2677.10—1995进行。用近红外光谱仪对毛白杨木粉进行扫描,扫描范围为波数4 000～12 000 cm-1,每个样品采谱3次,取平均值,且间隔30min进行1次背景扫描,对样品谱图进行噪声滤除、归一化处理、数据筛选和光谱范围优选及中心化及标准化等预处理。

1.3.1光谱数据的分组方法及预处理。将70个光谱数据分成2组,用60个构成校正集,其余10个构成验证集。设YA=(y1A,y2A,…,y60A)为校正集的综纤维素含量向量,将校正集的吸光值向量按波长从小到大的次序排列,依次记为x1A,x2A,…,x A2 074,这样可以制成2 074×70的一张光谱数据Excel工作表,它囊括了随机选取的校正集与验证集的所有光谱数据。

由于波长较小的吸光值噪音成分稍高,所以该文对xi进行了预处理,方法是用x Ai-2,x Ai,x Ai+2的平均值代替xi A(经过预处理后的吸光值向量仍记为x Ai)(i=1,2…,800)[11]。对于x A801,x A802,…,x A2 074该文未进行预处理,以免有用信息的丢失。

将验证集的综纤维素含量向量和吸光值向量类似地记为YB和x1B,x2B,…,x B2 074,并对吸光值向量做类似的预处理。将x Ai,x Ai+50,x Ai+150,x Ai+100,x Ai+200,……分为一组(1≤i≤50)。可将每组吸光值如下排列xk1,xk2,…,xkrk,其中(k=1,2……,50)。

1.3.2数学模型的建立。使用校正集中的数据进行建模。为了便于使用拟合方法,然后对每组数据建立子模型,设x Ak1,x Ak2,…,x Akrk为第k组的吸光值向量(k=1,2…,50),参考物理光学中的朗伯—比尔定律,其表达式为:

式中,A为吸光度;T为透射比,是透射光强度与入射光强度的比值;c为吸光物质的浓度;b为吸收层厚度。该文设YA可由非线性表达式近似表示,其中cki(i=0,1,…,rk)为待定常数,,其中εk=(εk(1),εk(2),…,εk(60))为误差向量,IA是分量均为1的60维向量。计算子模型的平均相对误差:

最后,对YAk进行加权平均,即可得到YA的估计值向量,其中qk为权重系数,由经验公式确定,即

对验证集的吸光值向量做完全相同的分组,令

式中,IB是分量均为1的10维向量,则就是Yk B的估计值向量[11,12]。

2 结果与分析

2.1 模型准确性分析

表1给出了上述模型的误差情况。可以看出,用作为YB的预测值所产生的平均相对误差为0.006 0[11],实验值与预测值之间的相关系数r=0.945 5,模型的拟合优度R2=0.894 0。预测值与实验值的对比情况见图1。误差原因在于基础数据的准确性,基础数据越准确,所建立模型的精度越高,其对未知样本的预测结果也越精准[13,14,15]。

从所建模型的角度,为减小误差:文中不限定cki的正负,用Matlab软件求出常数,cki(i=0,1,…,rk)中rk范围为0≤rk≤rn的值,由于所建数学模型的预测效果主要取决于子模型的数量和每个子模型的好坏[11],每个子模型的的计算与筛取是实现模型稳健、提高模型精度的核心,所以也常用来评价子模型的好坏。此外,如果某些波长的吸光值对子模型的影响太小(即cki太小),可考虑将这些吸光值向量从小组中剔除掉[11],剔除部分不重要的吸光值向量往往可以改进子模型的预测效果,但需要权衡和rk的值,即在追求值尽可能小的同时,可使16≤rk≤22,rk决定子模型吸光值向量的参与水平。

2.2 吸光度与综纤维素含量

对模型的预测值有:

一般情况下,由于cki有正负之分,可用表示吸光值的选取的权重,实质上每个子模型运算后会有一个相应吸光值的选取,cki决定子模型吸光值向量的参与水平,但需具体到rk个吸光值为哪些,每个子模型中取绝对值最大的rk个,但不能认为相应的吸光度就是对综纤维素含量、纸浆造纸最有贡献,而是本身第k个子模型中qkcki=Qki为多大才能判断哪些吸光度与综纤维素含量息息相关。

3 结论

模型预测值所产生的平均相对误差为0.006 0,实验值与预测值之间的相关系数r=0.945 5,模型的拟合优度R2=0.894 0。预测结果表明:用近红外光谱数据建立的以朗伯—比尔(Lambert-Beer)定律为理论依据的数学模型,可用于快速分析毛白杨杂交子代的综纤维素含量,对推广毛白杨其他品系模型建立提供可行性,同时也为纸浆造纸性能预测提供支持。

4 致谢

红外模型 篇9

近红外光谱分析技术是20世纪70年代后期迅速发展起来的一项测试技术。在欧美等国,近红外光谱分析技术已成为农产品品质分析的重要手段。在中国,使用近红外光谱技术进行农产品品质检测尚处于研究阶段。

在近红外光谱分析中,由近红外光谱仪采集得到的光谱除包含有样品的自身信息外,还包含一些无关信息和噪声(噪声主要来源于3个方面:仪器、样品以及操作)。如果直接使用这些原始光谱信号进行定量分析,必然会影响最终所建模型的准确性与精度。因此,通过光谱预处理,对原始光谱进行适当变换和处理,来减弱以至于消除各种非目标因素对光谱的影响,尽可能地去除无关信息变量,这对于提高校正模型的预测能力和稳健性是非常必要的。

要得到一条高质量的近红外光谱往往需要综合各种预处理算法,但是在使用光谱预处理算法时,会存在引入其它噪声的情况或是导致样品光谱信噪比下降的情况,并且现有的光谱预处理算法部分是非线性的,因此算法组合的先后顺序[1]问题也将会影响模型质量。本文以132个小麦样品集为实例,考察几种光谱预处理算法对原始和按不同比例加噪的小麦样品光谱集建模的影响,以期寻找出在不同噪声含量情况下适当的光谱预处理的选择方法和组合方法,从而能够进一步提高谷物品质近红外模型的准确度,使其能更接近实用程度。

1 近红外光谱预处理方法应用进展

现有的光谱预处理方法,可以大致分为两类。一类是只对谱图本身数据进行处理,并未考虑浓度矩阵的影响的预处理,常用的方法有导数、光程校正以及消噪[1,2]等。现有的光谱预处理算法较多,如消噪有小波变换(WT)[3,4,5]算法,Savitzky-Golay卷积平滑法;光程校正有多元散射校正(MSC)算法,标准正态变量变换(SNV)和去趋势(de-trending)算法,矢量归一化(Normalize)等[6];实现导数的算法有Savitzky-Golay一阶(二阶)卷积求导算法等。该类光谱预处理算法在很多文献[1,2,6]中都有详细讲述,这里就不再赘述。

另一类是在谱图处理中,考虑浓度矩阵影响的光谱预处理,如谱区优化,正交信号校正算法(OSC)[7,8,9,10,11]等。

2 实验样品集

小麦是我国具有代表性的谷物之一,因此本文采用小麦为实验样品。小麦样品集是由中国农业机械化科学研究院提供的132份小麦样品及其籽粒干基蛋白含量标准值。采用的仪器是德国Bruker公司的MATRIX-I型傅里叶变换近红外光谱仪。仪器参数设定如下:光谱波数范围:4 000～12 500cm-1,分辨率:16cm-1,每个样品重复扫描次数为64次,采样点:1 102。

每个样品重新装样扫描3次。在132份小麦样品中根据Kennard-Stone法挑选出23份小麦样品作为预测集,剩下的109份样品作为定标集,如图1所示。

本实验采用的近红外光谱仪性能较好,且实验中采用了大样品杯旋转方式扫描样品,减少了样品状态对光谱的影响。由于实验采用的是整籽粒样品,每个样品都重新装样3次扫描得到其近红外光谱,减少装样对建模的影响,因此采集的光谱信号较好。

这里为了考察在不同情况下光谱预处理的有效性,因此在原始光谱集人为添加不同比例的高斯白噪声。高斯白噪声是近红外光谱分析中最常见和最主要的一类噪声。图2就是样品集中的一个样品光谱按不同比例添加高斯白噪声的谱图。

3 实验结果与分析

目前检验模型常用如下几个指标:测定系数R2;交叉校验标准差SECV;预测标准差SEP。R2越高、SECV越小,表示模型自预测能力越强;SEP越小,表明该模型对未知样品的预测能力越强。

针对上述3种情况下的样品光谱集采用偏最小二乘法建模,表1列出了采用几种代表性的光谱预处理方法后所建模型的指标。实验中用到的光谱预处理:除了GA算法在Windows 2000操作系统下,VC6.0下实现,其他算法都在Windows 2000操作系统下,Matlab6.5中编程实现。计算结果如表1所示。

SG1:n,Savitzky-Golay一阶卷积求导,差分宽度为n个数据点;WT:n,小波变换(这里专指小波重构),分解层数为第n层;GA:n,遗传算法挑选出n个谱区。

3.1 谱预处理对模型优化的影响分析

从表1中可以看出,在不采用光谱预处理的情况下,随着噪声比例的增大,模型质量迅速下降。对于一个固定的光谱集建立模型时,预处理方法的选择直接影响到了模型的质量,如在原始光谱集中,当选用光程校正、导数、小波重构(这里使用的是db2小波函数)等预处理方法时,模型不但没有得到改善,反而使模型的各项指标下降;而选用GA谱区挑选时,模型的各项指标都有所改善。其原因如下:大部分光谱预处理方法在运算时,会引入或放大噪声,或是减少光谱真正的样品信息,最终导致光谱信噪比下降。因此,如果预处理方法选择不当,则将导致模型质量下降。另外,从表1中也可以看出,将光谱预处理方法合理组合,能够使模型质量得到进一步改善。如在两个加噪的光谱集中,预处理组合都使模型的预测能力有了较大的提高。

3.2 噪声对光谱预处理方法有效性的影响分析

在噪声比例不断加大的情况下,分析表1中5种光谱预处理方法的有效性。这里所用的光程校正算法:MSC,SNVDE,Normalize。表1中所列出的是这3种算法中所建模型预测能力最强的算法。在加噪光谱集中,使用该类算法都在一定程度上提高了模型的预测能力,尤其是Normalize,能有效地去除高斯白噪声。在原始光谱集中,由于光谱信号较好,使用该类算法使样品信息丢失,直接导致了光谱信噪比下降,使得模型质量下降。

导数算法,这里采用Savitzky-Golay一阶卷积求导算法。导数算法需要选择合适的差分宽度。表1中所列的差分宽度都是经过优选的(根据所建模型预测能力最强的)。在本文中,导数算法没有表现出明显的优势。原因在于导数光谱在提高分辨率和灵敏度的同时,会引入噪声,降低信噪比。对于分辨率较高的原始光谱而言,导数算法有“画蛇添足”之嫌,其引入的噪声反而导致光谱信噪比下降。而在噪声较大的情况下,直接进行导数算法,更加放大了噪声,导致所建模型的质量下降。

本文采用了小波消噪,表2中所列的小波的分解层数是根据所建模型预测能力强弱优选出的。从表2中可以看出,直接使用小波消噪重构光谱所建模型质量没有得到改善,原因在于小波消噪丢弃的高频部分包含了样品信息。以下式来定义小波消噪时丢弃的高频信息比例,即

undefined

其中,Xrec为小波消噪后的光谱集,Xoriginal为小波消噪前的光谱集,N为样品数,M为变量数。以下在表2中列出了使用小波消噪在4个分解层下的丢弃的高频信息比例。

从表2中可以看出,针对一个光谱集,随着分解层数增大,丢弃的高频信息比例增大;在同一分解层数下,噪声越大的光谱集,丢弃的高频信息比例也越大。因此,在本文中出现的噪声较大的光谱集进行小波消噪时,其丢失的高频信息较多,则可能导致包含在高频信息中的样品信息丢失较多,因此所建模型质量较差。

谱区挑选使用了GA算法。从表2中可以看出,对于信号较好的原始光谱集,GA谱区挑选直接滤除了噪声比较大的波段,从原始光谱中挑选出适合于建模的波段,组合后的光谱比原始光谱信噪比更好。因此,GA谱区挑选后所建的模型质量得到了较大的改善。对于加噪光谱集,直接使用GA法所建模型的质量改善不多。

DOSC无论在光谱信号好或是差的情况下,其模型自预测能力较强,但是对未知样品的预测能力较差。因此,该方法还得进一步完善才能在光谱预处理中得到更好的应用。

4 结论

1)光谱预处理方法的选择将直接影响模型质量。从本文实验中可以得出,在光谱信号较好(如本文中不加噪)的前提下,谱区挑选首选的能比较直接有效地改善模型指标的方法。不当的预处理方法则可能导致光谱信噪比下降,模型质量变差。

2)在光谱信号较差(如文中加噪比例为2.0%)情况下,光谱优化是首要的。本文实验中发现Normalize能够有效地去除高斯白噪声。光谱预处理组合可以使模型得到较大改善。在光谱信号极差(如本文中加噪比例为3.3%)的情况下,应该慎重选择和比较消噪算法。从本文的实例中可以发现,所谓的噪声中可能包含真正的样品信息,在消噪的过程中,很有可能滤除了有用的样品信息。

3)本文实例表明光谱预处理组合可以使模型得到较大提高,但是光谱预处理方法的组合及运算顺序仍需要尝试优化[1],这一问题有待进一步探索。

参考文献

[1]褚小立,袁洪福,陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展,2004(4):528-542.

[2]陆婉珍,袁洪福,徐广通,等.现代近红外光谱分析技术[M].北京:中国石油化工出版社,2000.

[3]许禄.化学计量学—一些重要方法的原理及应用[M].北京:科学出版社,2004.

[4]祝诗平,王一鸣,张小超.小波消噪及其在小麦蛋白质含量近红外光谱分析中的应用[J].西南农业大学学报,2003(6):522-525.

[5]高荣强,范世福,严衍禄,等.近红外光谱的数据预处理研究[J].光谱学与光谱分析,2004(12):563-565.

[6]Galactic Industries Corp.Partial Least Squares[EB/OL].2002-11-15.http://www.galactic.com/Algorithms/.

[7]Wold S,Antti H,Lindgren F.Orthogonal signal correctionof near-infrared spectra[J].Chemom.Intell.Lab.Syst.,1998(44):175-185.

[8]Tom Fearn.On orthogonal signal correction[J].Chemom.Intell.Lab.Syst.,2000,50:47-52.

[9]O.Sevensson,T.Kourti,J.F.MacGragor.An investigationof orthogonal signal correction algorithms and their character-istics[J].J.Chemometrics,2002,16:176-188.

[10]Johan A.Westerhuis,Sijmen de Jong,Age K.Smilde.Di-rect orthogonal signal correction[J].Chemom.Intell.Lab.Syst.,2001,56:13-25.

[11]毕贤,李通化.基于正交投影校正的算法及其应用[J].计算机与应用化学,2003(6):750-754.