專利名稱：一種堆肥產(chǎn)品品質(zhì)的無損檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種有機(jī)肥料產(chǎn)品的檢測方法，特別是關(guān)于一種堆肥產(chǎn)品品質(zhì)的無損檢測方法。

背景技術(shù)：
隨著畜牧養(yǎng)殖業(yè)的集約化發(fā)展，我國畜禽糞便年產(chǎn)量呈現(xiàn)不斷增長的趨勢。大量的畜禽糞便若處理不當(dāng)，極易造成生態(tài)和環(huán)境污染。近年來，高溫好氧堆肥化處理方法已經(jīng)成為我國大量畜禽糞便無害化和資源化利用的重要途徑。含水率、有機(jī)質(zhì)、總養(yǎng)分含量(氮、磷、鉀含量)和酸堿度等是衡量堆肥產(chǎn)品品質(zhì)的重要技術(shù)指標(biāo)。傳統(tǒng)的堆肥產(chǎn)品品質(zhì)檢測方法操作步驟繁瑣、費(fèi)時、費(fèi)力且存在一定的污染性。


發(fā)明內(nèi)容
針對上述問題，本發(fā)明的目的是提供一種快速、高效的堆肥產(chǎn)品品質(zhì)無損檢測分析方法。
為實現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，它包括以下步驟1)利用近紅外漫反射光譜采集裝置采集堆肥產(chǎn)品代表性樣品的近紅外漫反射光譜，并將光譜信息轉(zhuǎn)換成對應(yīng)的數(shù)字信息；2)根據(jù)農(nóng)業(yè)行業(yè)相關(guān)標(biāo)準(zhǔn)方法，測定步驟1)中所選定代表性樣品的主要技術(shù)指標(biāo)含量作為建模的標(biāo)準(zhǔn)含量；3)對步驟1)得到的近紅外漫反射光譜進(jìn)行特征光譜的提取和預(yù)處理，得到近紅外漫反射光譜中的最優(yōu)光譜數(shù)據(jù)信息；4)將步驟3)優(yōu)選出的光譜數(shù)據(jù)點(diǎn)組合作為輸入向量，利用支持向量機(jī)回歸法結(jié)合留一法交互驗證的方法，結(jié)合步驟2)中測得的樣品標(biāo)準(zhǔn)含量，建立一堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型；5)對步驟4)得到的堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型的性能進(jìn)行評價；6)采集待測堆肥產(chǎn)品的近紅外漫反射光譜，輸入步驟4)中所建立的校正模型中，計算出預(yù)測待測樣品的主要技術(shù)指標(biāo)含量。
所述步驟4)中的堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型包含的參數(shù)有校正集樣品數(shù)nc，驗證集樣品數(shù)nv，第i個樣品的化學(xué)分析值即實際值yi，第i個樣品的近紅外測定值zi，校正集樣品實際值的平均值yc，驗證集樣品實際值的平均值yv，實際值的平均值y，近紅外預(yù)測值的平均值

模型使用的主成分因子數(shù)k。
在所述步驟3)中，光譜預(yù)處理采用平滑、一階或二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化、數(shù)據(jù)中心化中的至少一種。
在所述步驟1)中，近紅外漫反射光譜采集裝置包括傅里葉變換近紅外光譜儀和積分球漫反射測樣器件。
每個樣品重復(fù)裝填掃描3次，取3次光譜的平均光譜作為對應(yīng)樣品的最終光譜。
每次掃描32遍，掃描的分辨率為8cm-1，光譜掃描范圍為10000～4000cm-1。
本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)1、由于本發(fā)明首先是廣泛收集堆肥產(chǎn)品代表性樣品，使用傅里葉變換型近紅外光譜儀采集樣品的近紅外漫反射光譜，對得到的光譜數(shù)據(jù)利用遺傳算法進(jìn)行特征光譜的優(yōu)選和光譜數(shù)據(jù)預(yù)處理，然后采用標(biāo)準(zhǔn)方法測定樣品的主要技術(shù)指標(biāo)含量作為標(biāo)準(zhǔn)含量，利用支持向量機(jī)作為回歸算法建立堆肥產(chǎn)品主要技術(shù)指標(biāo)標(biāo)準(zhǔn)含量近紅外光譜校正模型，因此不僅可以準(zhǔn)確地提取堆肥產(chǎn)品光譜特征信息，顯著減少參與建模的信息量，大大提高運(yùn)算效率，而且還可以快速、無損和高精度地對堆肥產(chǎn)品主要技術(shù)指標(biāo)進(jìn)行定量檢測，結(jié)果表明，基于遺傳算法和支持向量機(jī)的堆肥產(chǎn)品品質(zhì)近紅外光譜速測分析方法可以實現(xiàn)堆肥產(chǎn)品主要技術(shù)指標(biāo)的快速和高效定量分析。2、由于本發(fā)明近紅外漫反射光譜的采集裝置包括傅里葉變換近紅外光譜儀和積分球漫反射測樣器件，掃描次數(shù)為32次，分辨率為8cm-1，光譜掃描范圍為10000～4000cm-1，每個樣品重復(fù)裝填掃描3次，取3次光譜的平均光譜作為對應(yīng)樣品的最終光譜，而本發(fā)明方法正好利用了近紅外光譜分析技術(shù)的操作簡單，樣品無需繁瑣的預(yù)處理，短時間內(nèi)可以同時完成樣品多個技術(shù)指標(biāo)的檢測，分析檢測過程環(huán)保無污染，而且可以用于樣品的在線檢測等優(yōu)點(diǎn)。3、由于本發(fā)明的光譜預(yù)處理方法為平滑、一階或二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化、數(shù)據(jù)中心化中的至少一種，因此可以確保最大程度地去除干擾并提取到光譜的有效信息。本發(fā)明可以對高溫好氧堆肥后有機(jī)肥產(chǎn)品的品質(zhì)進(jìn)行快速、高效的檢測，適用于農(nóng)林剩余物高溫好氧堆肥后有機(jī)肥產(chǎn)品主要技術(shù)指標(biāo)的快速、無損和高精度定量檢測。



圖1是本發(fā)明一實施例的堆肥產(chǎn)品樣品的近紅外漫反射光譜圖 圖2是本發(fā)明對應(yīng)圖1中的堆肥產(chǎn)品有機(jī)質(zhì)含量校正集和驗證集化學(xué)分析值與光譜測定值的關(guān)系散點(diǎn)圖
具體實施例方式 下面結(jié)合附圖和實施例對本發(fā)明進(jìn)行詳細(xì)的描述。
本發(fā)明包括以下步驟 1)利用近紅外漫反射光譜采集裝置采集堆肥產(chǎn)品代表性樣品的近紅外漫反射光譜，并將光譜信息轉(zhuǎn)換成對應(yīng)的數(shù)字信息。
該步驟具體操作為先進(jìn)行近紅外漫反射光譜采集裝置背景光譜的掃描，然后將粉末狀或顆粒狀堆肥產(chǎn)品代表性樣品置于樣品杯中，掃描代表性樣品的近紅外漫反射光譜，再將光譜信息轉(zhuǎn)換成對應(yīng)的數(shù)字信息。
每個代表性樣品重復(fù)裝填掃描3次，每次掃描32遍，取3次近紅外漫反射光譜的平均光譜作為對應(yīng)樣品的最終近紅外漫反射光譜，掃描的分辨率為8cm-1，光譜掃描范圍為10000～4000cm-1。
近紅外漫反射光譜采集裝置包括傅里葉變換近紅外光譜儀、積分球漫反射測樣器件及計算機(jī)。近紅外漫反射光譜的采集和處理可以借助Matlab7.0平臺及其軟件包，利用SPECTRUM ONE NTS信號采集軟件和QUANT+和Unscrambler 9數(shù)據(jù)處理軟件獲得。
堆肥產(chǎn)品代表性樣品是指能涵蓋我國農(nóng)業(yè)行業(yè)相關(guān)標(biāo)準(zhǔn)如《有機(jī)肥料》和《生物有機(jī)肥》要求的各技術(shù)指標(biāo)含量或大小范圍且分布均勻的有效樣品。
2)根據(jù)農(nóng)業(yè)行業(yè)相關(guān)標(biāo)準(zhǔn)方法，測定步驟1)中所選定代表性樣品的主要技術(shù)指標(biāo)含量作為建模的標(biāo)準(zhǔn)含量。
3)對步驟1)得到的近紅外漫反射光譜進(jìn)行特征光譜的提取和預(yù)處理，得到近紅外漫反射光譜中的最優(yōu)光譜數(shù)據(jù)信息。
該步驟中，提取特征光譜的方法為遺傳算法；預(yù)處理可以依據(jù)光譜質(zhì)量及干擾的情況，選擇平滑、一階或二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化、數(shù)據(jù)中心化等中的至少一種。提取特征光譜和光譜預(yù)處理的先后順序小定，以交互驗證標(biāo)準(zhǔn)差(SECV)最小為準(zhǔn)則。由于近紅外漫反射光譜中包含了很多個數(shù)據(jù)點(diǎn)，提取特征光譜和進(jìn)行光譜預(yù)處理的目的是為了得到對堆肥產(chǎn)品品質(zhì)各技術(shù)指標(biāo)定量分析貢獻(xiàn)率最大的數(shù)據(jù)點(diǎn)組合，從而使得預(yù)測精度更高。
4)將步驟3)優(yōu)選出的光譜數(shù)據(jù)點(diǎn)組合作為輸入向量，利用支持向量機(jī)回歸法和留一法交互驗證的方法，并結(jié)合步驟2)中測得的樣品標(biāo)準(zhǔn)含量，建立一堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型。支持向量機(jī)回歸法和留一法兩種方法的交互使用可以避免模型“欠擬合”或“過擬合”現(xiàn)象的發(fā)生。
堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型包含的參數(shù)有校正集樣品數(shù)nc，驗證集樣品數(shù)nv，第i個樣品的化學(xué)分析值即實際值yi，第i個樣品的近紅外測定值zi，校正集樣品實際值的平均值yc，驗證集樣品實際值的平均值yv，實際值的平均值y，近紅外預(yù)測值的平均值

模型使用的主成分因子數(shù)k。
5)評價模型對步驟4)得到的堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型的性能進(jìn)行評價。
評定的步驟如下 a、計算出決定校正集決定系數(shù)R2和驗證集決定系數(shù)r2，分別表示預(yù)測值與實際值之間關(guān)系的擬合程度 或 b、計算校正集的預(yù)測值與實際值間的偏差SEE，以及驗證集的預(yù)測值與實際值間的偏差SEP c、計算留一法交互驗證時預(yù)測值與實際值間的偏差，即交互驗證標(biāo)準(zhǔn)差SECV d、計算驗證集樣品實際值的標(biāo)準(zhǔn)偏差與驗證標(biāo)準(zhǔn)差的比值，即相對分析誤差RPD RPD＝SD/SEP e計算化學(xué)分析值與近紅外測定值均值的差，即系統(tǒng)誤差Bias 評定原則是R2和r2越接近1，SEE、SEP、SECV和Bias越小，RPD值越大，表明模型的預(yù)測精度越高。
6)采集待測堆肥產(chǎn)品的近紅外漫反射光譜，輸入步驟4)中所建立的校正模型中，計算出待測樣品的主要技術(shù)指標(biāo)含量。
下面是一具體實施例。
將本發(fā)明方法應(yīng)用在畜禽糞便堆肥產(chǎn)品中有機(jī)質(zhì)含量的測定。
1)如圖1所示，采集畜禽糞便堆肥產(chǎn)品代表性樣品的近紅外漫光譜。
儀器PE公司SPECTRUM ONE傅里葉變換近紅外光譜儀、積分球漫反射測樣器件。
掃描條件每個代表性樣品重復(fù)裝填掃描3次，每次掃描32遍，取3次近紅外漫反射光譜的平均光譜作為對應(yīng)樣品的最終近紅外漫反射光譜，掃描的分辨率為8cm-1，光譜掃描范圍為10000～4000cm-1，每條光譜包含3001個數(shù)據(jù)點(diǎn)。
2)利用農(nóng)業(yè)行業(yè)相關(guān)標(biāo)準(zhǔn)，測定建模用畜禽糞便堆肥產(chǎn)品樣品的主要技術(shù)指標(biāo)含量統(tǒng)計結(jié)果見表1，單位為g kg-1。
表1 3)對樣品光譜進(jìn)行預(yù)處理及提取特征光譜。
先進(jìn)行樣品光譜預(yù)處理，最優(yōu)方法為一階導(dǎo)數(shù)處理；再進(jìn)行特征光譜的遺傳算法優(yōu)選，優(yōu)選全譜中的500個數(shù)據(jù)點(diǎn)作為回歸建模輸入量。
4)運(yùn)用支持向量機(jī)建立畜禽糞便堆肥產(chǎn)品中有機(jī)質(zhì)含量回歸模型。
運(yùn)用高斯核函數(shù)(RBF核)非線性支持向量機(jī)回歸方法(v-SVM regression)建立畜禽糞便堆肥產(chǎn)品有機(jī)質(zhì)含量回歸模型，所選回歸參數(shù)和建模結(jié)果如表2所列。
表2 5)對步驟4)中的模型的評價。
如圖2所示，模型的評價參數(shù)如下驗證集決定系數(shù)r2、驗證標(biāo)準(zhǔn)差SEP、相對分析誤差RPD和系統(tǒng)誤差Bias。在圖2中，橫坐標(biāo)代表化學(xué)分析值，縱坐標(biāo)代表光譜測定值，三角形表示校正集，圓圈表示預(yù)測集。
可以看出，所建立模型具有很好的預(yù)測能力，精度較高，可以很好的進(jìn)行實際工況應(yīng)用。
權(quán)利要求
1.一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，它包括以下步驟
1)利用近紅外漫反射光譜采集裝置采集堆肥產(chǎn)品代表性樣品的近紅外漫反射光譜，并將光譜信息轉(zhuǎn)換成對應(yīng)的數(shù)字信息；
2)根據(jù)農(nóng)業(yè)行業(yè)相關(guān)標(biāo)準(zhǔn)方法，測定步驟1)中所選定代表性樣品的主要技術(shù)指標(biāo)含量作為建模的標(biāo)準(zhǔn)含量；
3)對步驟1)得到的近紅外漫反射光譜進(jìn)行特征光譜的提取和預(yù)處理，得到近紅外漫反射光譜中的最優(yōu)光譜數(shù)據(jù)信息；
4)將步驟3)優(yōu)選出的光譜數(shù)據(jù)點(diǎn)組合作為輸入向量，利用支持向量機(jī)回歸法結(jié)合留一法交互驗證的方法，結(jié)合步驟2)中測得的樣品標(biāo)準(zhǔn)含量，建立一堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型；
5)對步驟4)得到的堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型的性能進(jìn)行評價；
6)采集待測堆肥產(chǎn)品的近紅外漫反射光譜，輸入步驟4)中所建立的校正模型中，計算出預(yù)測待測樣品的主要技術(shù)指標(biāo)含量。
2.如權(quán)利要求1所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于所述步驟4)中的堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型包含的參數(shù)有校正集樣品數(shù)nc，驗證集樣品數(shù)nv，第i個樣品的化學(xué)分析值即實際值yi，第i個樣品的近紅外測定值zi，校正集樣品實際值的平均值yc，驗證集樣品實際值的平均值yv，實際值的平均值y，近紅外預(yù)測值的平均值
模型使用的主成分因子數(shù)k。
3.如權(quán)利要求1所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于在所述步驟3)中，光譜預(yù)處理采用平滑、一階或二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化、數(shù)據(jù)中心化中的至少一種。
4.如權(quán)利要求2所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于在所述步驟3)中，光譜預(yù)處理采用平滑、一階或二階導(dǎo)數(shù)、多元散射校正、變量標(biāo)準(zhǔn)化、數(shù)據(jù)中心化中的至少一種。
5.如權(quán)利要求1或2或3或4所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于在所述步驟1)中，近紅外漫反射光譜采集裝置包括傅里葉變換近紅外光譜儀和積分球漫反射測樣器件。
6.如權(quán)利要求1或2或3或4所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于每個樣品重復(fù)裝填掃描3次，取3次光譜的平均光譜作為對應(yīng)樣品的最終光譜。
7.如權(quán)利要求6所述一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，其特征在于每次掃描32遍，掃描的分辨率為8cm-1，光譜掃描范圍為10000～4000cm-1。
全文摘要
本發(fā)明涉及一種堆肥產(chǎn)品品質(zhì)的無損檢測方法，它包括以下步驟1)利用近紅外漫反射光譜采集裝置采集堆肥產(chǎn)品代表性樣品的近紅外漫反射光譜，并將光譜信息轉(zhuǎn)換成對應(yīng)的數(shù)字信息；2)確定建模的標(biāo)準(zhǔn)含量；3)對步驟1)得到的近紅外漫反射光譜進(jìn)行特征光譜的提取和預(yù)處理，得到近紅外漫反射光譜中的最優(yōu)光譜數(shù)據(jù)信息；4)將步驟3)優(yōu)選出的光譜數(shù)據(jù)點(diǎn)組合作為輸入向量，利用支持向量機(jī)回歸法結(jié)合留一法交互驗證的方法，結(jié)合步驟2)中測得的樣品標(biāo)準(zhǔn)含量，建立一堆肥產(chǎn)品近紅外漫反射光譜主要技術(shù)指標(biāo)含量校正模型；5)評價模型；6)采集待測堆肥產(chǎn)品的近紅外漫反射光譜，輸入步驟4)中所建立的校正模型中，計算出預(yù)測待測樣品的主要技術(shù)指標(biāo)含量。本發(fā)明可以對高溫好氧堆肥后有機(jī)肥產(chǎn)品的品質(zhì)進(jìn)行快速、高效的檢測，適用于農(nóng)林剩余物高溫好氧堆肥后有機(jī)肥產(chǎn)品主要技術(shù)指標(biāo)的快速、無損和高精度定量檢測。
文檔編號G01N21/47GK101769867SQ20101003376
公開日2010年7月7日 申請日期2010年1月8日 優(yōu)先權(quán)日2010年1月8日
發(fā)明者黃光群, 韓魯佳, 楊增玲, 劉賢, 陳龍健 申請人:中國農(nóng)業(yè)大學(xué)