基于高光谱技术对饲料中总砷含量的反演模型研究OA

利用高光谱技术获取各种饲料样本的光谱信息,对信息进行分析处理建立饲料总砷含量模型并验证,旨在探究高光谱技术测定饲料总砷含量的可行性,及为饲料快速准确地检测总砷含量提供新的思路和依据。试验收集116份饲料样本(每份样本平均分为原样组与处理组),采用银盐法测定总砷元素的含量,利用高光谱仪获取饲料样本的光谱信息。以8∶2随机比例将样本集进行划分,采用归一化、一阶导数(FD)、二阶导数(SD)、多元散射校正(MSC)和标准正态变量变换(SNV)及其组合方法对光谱进行预处理;建立基于高光谱技术的饲料中总砷元素含量的偏最小二乘法(PLSR)和卷积神经网络(CNN)定量分析模型。通过验证,原样组CNN模型的总砷含量验证集决定系数R^(2)为0.72,均方根误差(RMSEP)为0.020%,相对分析误差(RPD)为1.87;PLSR模型的总砷含量验证集R^(2)为0.81,RMSEP为0.042%,RPD为2.31。处理组CNN模型的总砷含量验证集R^(2)为0.57,RMSEP为0.035%,RPD为1.52;PLSR模型的总砷含量验证集R^(2)、RMSEP、RPD分别为0.72、0.115%、1.94。比较原样组和处理组最优相对误差分析结果,原样组所构建模型RPD值均高于处理组。在原样组中PLSR可用于砷含量的反演,而CNN可用于砷的定性评估;对于处理组而言,PLSR和CNN均可用于砷的定性评估。