详情

原文传递一种基于高光谱图像技术的牡蛎重金属含量测定方法

专利名称：	一种基于高光谱图像技术的牡蛎重金属含量测定方法
摘要：	本发明提供的一种基于高光谱图像技术的牡蛎重金属含量测定方法，包括：重金属污染样本制备；通过高光谱图像采集系统采集重金属污染样本的高光谱图像；进行光谱数据的提取及预处理；获取重金属离子敏感特征波段子集；构建基于极限学习机的重金属离子含量测定模型；将待测的牡蛎样本的高光谱数据输入到重金属离子含量测定模型中，输出牡蛎重金属含量的测定。本发明提供的基于高光谱图像技术的牡蛎重金属含量测定方法，通过提取重金属离子敏感特征波段子集，构建重金属离子含量测定模型对牡蛎重金属污染含量进行检测，在检测过程中无需对样品做复杂的预处理，分析过程中不需要任何化学试剂辅助，对环境无污染，并可同时分析多种重金属的复合污染。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	岭南师范学院
发明人：	刘瑶;王润涛;王树文;孟祥丽;李明
专利状态：	有效
申请日期：	2019-04-17T00:00:00+0800
发布日期：	2019-06-18T00:00:00+0800
申请号：	CN201910309870.X
公开号：	CN109900645A
代理机构：	广州粤高专利商标代理有限公司
代理人：	刘瑶云;陈伟斌
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	524037 广东省湛江市赤坎区寸金路29号
主权项：	1.基于高光谱图像技术的牡蛎重金属含量测定方法，其特征在于，包括以下步骤： S1：进行重金属污染样本的制备； S2：通过高光谱图像采集系统采集每个重金属污染样本的高光谱图像； S3：根据高光谱图像进行光谱数据的提取及预处理； S4：基于邻域信息熵的波段选择算法，根据光谱数据得到重金属离子敏感特征波段子集； S5：根据重金属离子敏感特征波段子集构建基于极限学习机的重金属离子含量测定模型； S6：将待测的牡蛎样本的高光谱数据输入到重金属离子含量测定模型中，输出牡蛎重金属含量的测定。 2.根据权利要求1所述的基于高光谱图像技术的牡蛎重金属含量测定方法，其特征在于：在所述步骤S1中，所述样本包括单一污染样本、未污染样本和复合污染样本；其中：所述单一污染样本为铜、锌、铅或镉的单一污染样本，所述复合污染样本为铜、锌、铅或镉的复合污染样本。 3.根据权利要求1所述的基于高光谱图像技术的牡蛎重金属含量测定方法，其特征在于：在所述步骤S3中，所述光谱数据的预处理包括基线校正、变量标准化、多元散射校正和求导处理。 4.根据权利要求1所述的基于高光谱图像技术的牡蛎重金属含量测定方法，其特征在于：所述步骤S4具体为： S41：根据光谱数据建立高光谱信息矩阵，设牡蛎光谱数据有m个波段，记为C＝{c1,c2,L,cm}，有n个样本，记为U＝{x1,x2,L,xn}，则对应的高光谱波段信息矩阵为W＝{wij\|i＝1,2,L,n；j＝1,2,L,m}，其中，wij为第xi个样本在第cj个波段下的光谱值；其中xi∈U，cj∈C； S42：基于邻域粗糙集理论，建立邻域决策系统，具体为：将实验室中化学方法测定的牡蛎中重金属含量作为决策属性集D，将波段信息作为条件属性集C，条件属性和决策属性共同构成邻域决策系统NDT＝； S43：计算邻域决策系统的信息熵，利用邻域互信息度量属性集的预测能力，具体为： S431：决策属性集D将样本U划分成N个等价类，设属性集属性集S中的样本xi的邻域记为δS(xi)，则样本xi的邻域不确定性定义为：则样本的平均邻域不确定性为：其中，\|δS(xi)\|是集合δS(xi)的基； S432：设属性集则样本xi在属性集S∪R的邻域记为δR∪S(xi)，则属性集S与属性集R的邻域互信息定义为：若样本xi∈U的决策是δ邻域一致的，则其中其中，是属性集R中包含决策属性集D的信息量，也是已知属性集R后，决策属性集D的不确定性减小的量，故用邻域互信息来评价属性集的有效性； S44：根据邻域互信息的变化来衡量属性的重要度，应用前向贪心搜索属性约简算法，删除冗余属性，得到条件属性最小约简，即为重金属离子敏感特征波段子集C，具体为：对于邻域决策系统NDT＝，属性集属性a∈C-B，将属性a的重要度定义为： SIG(a,B,D)＝NMIδ(B∪{a}；D)-NMIδ(B；D)；其中，SIG(a,B,D)的值越大，说明在已知条件属性集B的情况下，对于决策属性集D来说，属性a越重要；前向贪心搜索属性约简算法的具体步骤为：从空集开始进行搜索，计算每一个波段和决策属性的邻域互信息值，选择邻域互信息值最大的波段；向选中的波段子集中添加重要度值最大的新的波段，直到所添加的新波段重要度增加小于ε，算法停止；其中，ε为重要度阈值；当ε取值为0时，表示当添加的新波段不能带来任何邻域互信息的增加时算法停止；这里令ε＝0.001；由前向贪心搜索属性约简算法得到的波段子集C作为极限学习机的输入特征，进行重金属含量值的预测。 5.根据权利要求4所述的基于高光谱图像技术的牡蛎重金属含量测定方法，其特征在于：所述步骤S5具体为包括： S51：牡蛎样本数据由两部分组成，一部分是波段子集C*对应的光谱反射值，即条件属性，另一部分为利用实验室的化学分析方法测量牡蛎样本中的铜、锌、镉、铅四种重金属离子含量值，即决策属性；取整体牡蛎样本数量的三分之二作为训练样本，剩余三分之一作为测试样本； S52：基于极限学习机的重金属离子含量测定模型的构建和训练，具体为：随机产生输入层与隐含层间连接权值ωi和隐含层神经元阈值b；选择隐藏层神经元个数L和激活函数g(x)，具体为：给定N个学习样本矩阵(pi,qi)，向量pi＝[pi1,pi2,Λ,pin]T∈Rn，向量qi＝[qi1,qi2,Λ,qin]T∈Rn，i＝1,2,Λ,L，模型的L个单隐层节点和隐层节点激励函数设为g(x)，极限学习机模型的数学表示为：其中，j＝1,2,L,N，βi为第i个隐层节点；i＝1,2,L,L，模型的输入权重向量ωi＝[ωi1,ωi2,L,ωin]T表示输入节点与第i个隐层节点之间的连接权重；模型的输出权重向量βi＝[βi1,βi2,L,βin]T表示第i个隐层节点与输出节点之间的连接权重；其中，p为输入特征向量，b为隐含层神经元的阈值，ω为隐含层与输入层间的连接权值；故Hβ＝Y，其中：隐含层输出矩阵H为：当任意给定ω和b时，由Moore-Penrose广义逆定理求得H-1，则β＝H-1Y； S53：基于极限学习机的重金属离子含量测定模型训练结束后，将测试用的数据的输入量输入训练模型中进行测试，若测试效果达到要求，则完成模型的构建。
所属类别：	发明专利