作者： 时间：2023-11-07
水分的定量对于许多工业和研究应用至关重要。基于光谱学的定量模型，可以高效、无损且准确的监测水分含量。高光谱相机还可以显示水分的空间分布，而点光谱仪仅提供一般分布。在这项研究中，我们监测了棉片的水分含量及其干燥情况。
NIR = 近红外 （900 – 1700 nm）
PLS = 偏最小二乘
PLS DA = 偏最小二乘判别分析（PARTIAL LEAST SQUARE DISCRIMINANT ANALYSIS），一种数据降维及分类算法，通过引入类别信息，进行数据分类的技术
近红外光谱范围内的吸水峰值
监测生产中的水分至关重要，例如在食品、造纸和木材工业中。近红外（NIR）光谱广泛用于监测各种应用中的水分含量。
光谱学家依靠吸水峰值作为近红外光谱范围的一部分。如下图所示，水强烈吸收 970、1150 和 1450 纳米的光。Specim FX17相机的光谱范围覆盖900 – 1700 nm，非常适合检测吸水峰值。除了为水分量化提供相关数据外，嵌入的高光谱图像的空间维度还揭示了水分分布。
在这项研究中，我们监测和量化了棉片的干燥时间。我们将约5厘米的圆形化妆棉（通常用于卸妆）浸入水中，然后将其涂抹在标本实验室扫描仪40×20上。我们使用Specim FX17高光谱相机监测其干燥情况，并每4分钟进行一次测量，直到其完全干燥。它需要在 67 分钟内进行六十七 （264） 次测量。我们使用SpecimINSIGHT软件分析了数据。
RGB相机分析图像与高光谱相机图像的对比：
RGB 图像 空间选择的假 RGB 图像
Spectra related to each image, averaged over each
selection
数据建模 – PLS REGRESSION
建立了数据模型PLS REGRESSION来量化化妆棉的干燥水平。回归变量称为“干燥”，范围从0到264（对应于以分钟为单位的干燥时间）。请注意，使用Specim INSIGHT，无论背景如何，回归数据都只能建立在本次的样本上。为了训练模型，每秒钟的图像都被考虑在内。这样才能在所有其他模型的图像上有准确性。
回归的预测性能如图 2 所示。对于每个化妆棉，我们制作了代表干燥的热图，突出了高光谱成像与描绘可变分布的相关性。构建的模型具有非常高的精度，R2为0.98。查看实际值与预测值，非常潮湿的棉花的干燥更难以量化。图1C的光谱与此相关，表明在干燥开始时，与水相关的吸收峰深度仅观察到轻微变化。
我们构建了第二个模型，类似于之前介绍的模型，但这次是每分钟采集61张图像。R2 为 0.97。在第二个模型中，更多地关注湿样品，实际值与预测值表明，第二个模型在干燥过程开始时更准确。这突出表明，根据样本及其水分含量，训练样本的选择对于构建准确的模型至关重要。
PLS 回归热图（最小值 = 0;最大值 = 264）
第一个回归模型的回归图（每 1 分钟获取一次数据）
第二个回归模型的回归图（每 2 分钟获取一次数据）
图 2：“干燥”回归模型的预测性能。
结论
Specim
FX17适用于准确量化样品的水分含量。此外，Specim
INSIHGT是一个相关的软件，用于执行此类分析并构建适当的回归模型。这些模型可以加载到Specim CUBE中进行实时定量。
最后，研究表明，训练样本的选择强烈影响模型的预测性能。
