CN114527087A - 一种尾砂成分含量估测方法及*** - Google Patents
一种尾砂成分含量估测方法及*** Download PDFInfo
- Publication number
- CN114527087A CN114527087A CN202210202060.6A CN202210202060A CN114527087A CN 114527087 A CN114527087 A CN 114527087A CN 202210202060 A CN202210202060 A CN 202210202060A CN 114527087 A CN114527087 A CN 114527087A
- Authority
- CN
- China
- Prior art keywords
- data
- absorbance
- tailings
- wavelength
- vis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003595 spectral effect Effects 0.000 claims abstract description 165
- 238000002835 absorbance Methods 0.000 claims abstract description 143
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000002310 reflectometry Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002329 infrared spectrum Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 62
- 230000005855 radiation Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 20
- LIVNPJMFVYWSIS-UHFFFAOYSA-N silicon monoxide Inorganic materials [Si-]#[O+] LIVNPJMFVYWSIS-UHFFFAOYSA-N 0.000 description 11
- 238000012795 verification Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 7
- 229910052681 coesite Inorganic materials 0.000 description 6
- 229910052906 cristobalite Inorganic materials 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 239000000377 silicon dioxide Substances 0.000 description 6
- 229910052682 stishovite Inorganic materials 0.000 description 6
- 229910052905 tridymite Inorganic materials 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000005457 Black-body radiation Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- -1 50W halogen Chemical class 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910018557 Si O Inorganic materials 0.000 description 2
- 238000004468 VIS-NIR spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 150000001768 cations Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种尾砂成分含量估测方法及***,涉及成分含量估测技术领域。先对待测尾砂进行光谱测量及吸光度转换,得到VIS‑NIR光谱数据对应的第一吸光度数据和TIR光谱数据对应的第二吸光度数据。然后将第一吸光度数据和第二吸光度数据进行融合,得到融合后数据。最后以融合后数据作为输入,利用回归模型得到待测尾砂的成分含量估测数据,进而本发明对VIS‑NIR光谱数据和TIR光谱数据进行融合,能够综合更多光谱信息来对尾砂成分含量进行估测,能够大大提高尾砂成分含量的估测精度。
Description
技术领域
本发明涉及成分含量估测技术领域,特别是涉及一种基于VIS-NIR和TIR融合数据的尾砂成分含量估测方法及***。
背景技术
尾砂是矿产资源开采过程中产生的废弃混合物,由尾砂堆积所形成的尾矿具有高势能特点,容易引发滑坡、泥石流等地质灾害,存在重大安全隐患。并且尾砂中含有多种有害物质,迁移到水体、大气中会对环境造成严重污染。基于尾砂成分的资源再利用技术是尾矿治理的重要手段,尾矿治理有利于改善区域生态环境,将促进资源与环境保护的协调发展。因此,开展尾砂成分含量定量估测方法研究具有重要意义,这直接决定了尾矿的再利用方式。
传统的尾砂成分化学测试分析方法成本高,费时费力且具有破坏性。高光谱遥感具有快速、无损、成本低等优势,其在岩矿中的应用是其最成功的应用领域之一。目前,仅基于VIS-NIR(可见光-近红外)光谱或者仅基于TIR(热红外)光谱对尾砂成分含量进行估测,然而单一光谱对尾砂成分含量的定量估测研究具有一定的局限性,仍需要寻找新的方法来对尾砂成分含量进行高精度估测。
基于此,亟需一种能够对尾砂成分含量进行高精度估测的方法及***。
发明内容
本发明的目的是提供一种尾砂成分含量估测方法及***,通过融合VIS-NIR和TIR光谱数据,以对尾砂成分含量进行高精度估测。
为实现上述目的,本发明提供了如下方案:
一种尾砂成分含量估测方法,所述估测方法包括:
对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
一种尾砂成分含量估测***,所述估测***包括:
光谱测量模块,用于对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
吸光度转换模块,用于将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
融合模块,用于将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
估测模块,用于以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种尾砂成分含量估测方法及***,先对待测尾砂进行光谱测量,分别得到待测尾砂的VIS-NIR光谱数据和TIR光谱数据,并将VIS-NIR光谱数据和TIR光谱数据分别进行转换,得到VIS-NIR光谱数据对应的第一吸光度数据和TIR光谱数据对应的第二吸光度数据。然后将第一吸光度数据和第二吸光度数据进行融合,得到融合后数据。最后以融合后数据作为输入,利用回归模型得到待测尾砂的成分含量估测数据,进而本发明对VIS-NIR光谱数据和TIR光谱数据进行融合,能够综合更多光谱信息来对尾砂成分含量进行估测,能够大大提高尾砂成分含量的估测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的估测方法的方法流程图;
图2为本发明实施例1所提供的示例的方法流程图;
图3为本发明实施例1所提供的尾砂样品VIS-NIR光谱数据的示意图;
图4为本发明实施例1所提供的尾砂样品TIR光谱数据的示意图;
图5为本发明实施例1所提供的尾砂样品VIS-NIR吸光度数据的均值和标准差曲线图;
图6为本发明实施例1所提供的尾砂样品TIR吸光度数据的均值和标准差曲线图;
图7为本发明实施例1所提供的尾砂样品融合后数据的均值与标准差结果示意图;
图8为本发明实施例1所提供的尾砂样品外积矩阵的均值结果示意图;
图9为本发明实施例1所提供的三种光谱数据与尾砂成分含量的相关系数结果示意图;
图10为本发明实施例1所提供的由三种光谱数据计算得到的估测值与尾砂成分含量实测值的散点图;
图11为本发明实施例2所提供的估测***的***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种尾砂成分含量估测方法及***,通过融合VIS-NIR和TIR光谱数据,以对尾砂成分含量进行高精度估测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
可见光-近红外(VIS-NIR)光谱能够揭示地物C-H、N-H、O-H、C-N和C-C等官能团和Fe2+、Fe3+等金属阳离子的特征信息,热红外(TIR)光谱能探测识别岩矿中Si-O键振动光谱特征,已经被证明可以有效的对地物进行精确的分类与定量估测,但目前将VIS-NIR和TIR光谱应用于尾砂光谱特征及成分机理的研究相对较少,尾砂的VIS-NIR和TIR光谱特征尚未明晰,且VIS-NIR和TIR光谱在特定的光谱范围内所包含的信息并不能包含足够的信息以进行所有矿物的成分含量估测,单一光谱对尾砂多种成分含量的定量估测研究具有一定的局限性。
将两个光谱数据进行联合是近些年研究的新方法,有学者发现使用热红外光谱与可见光-近红外光谱联合分析方法能够有效提高煤和矸石的分类准确率,但是这种方法本质上没有将两种光谱融合为一,仍然需要寻找新的方法来融合多源传感器数据,以对复杂混合物中的矿物成分进行高精度估测。但现有研究并未将VIS-NIR和TIR光谱数据二者融合起来确保尾砂成分的高精度反演。
基于此,本实施例用于提供一种尾砂成分含量估测方法,基于实测VIS-NIR和TIR融合数据对尾砂成分含量进行估测,以解决目前单一光谱数据对尾砂多种成分含量定量估测的局限问题。如图1所示,估测方法包括:
S1:对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
具体的,本实施例的尾砂可为高硅型铁尾砂。本实施例先对采集的尾砂进行烘干、研磨、筛分,放置在培养皿中,并将表面平整以降低粗糙度,得到待测尾砂,再进行后续的光谱测量。
S1可以包括:
(1)利用SVC-HR 1024光谱仪对待测尾砂进行光谱测量,得到待测尾砂的VIS-NIR光谱数据;
通过SVC-HR 1024光谱仪获取待测尾砂的VIS-NIR光谱数据的方法如下:VIS-NIR光谱测量在暗室中进行,将盛放待测尾砂的培养皿放置在观测台上,以一个50W卤素灯作为唯一光源,天顶角设置为30°,距离待测尾砂表面50cm。采用SVC-HR 1024光谱仪获取待测尾砂的反射率数据,其光谱范围为350-2500nm,视场角为4°,于待测尾砂正上方47cm处对待测尾砂进行垂直观测,使用具有100%反射率的白板作为参考光谱。重复观测4次,取4次测试的平均值作为待测尾砂的VIS-NIR光谱数据,VIS-NIR光谱数据包括多个第一波长对应的反射率。
需要说明的是,天顶角是指光源发出的入射光线与天顶方向的夹角,也即入射光线与地面法线间的夹角。视场角是指以光谱仪的镜头为顶点,待测尾砂的物像可通过镜头的最大范围的两条边缘线所构成的夹角。
(2)利用Turbo FT红外光谱辐射计对待测尾砂进行光谱测量,得到待测尾砂的TIR光谱数据。
通过Turbo FT红外光谱辐射计获取待测尾砂的TIR光谱数据的方法如下:TIR光谱测量在晴朗无云、无风的室外进行,将盛放待测尾砂的培养皿放置在观测台上,采用TurboFT红外光谱辐射计对待测尾砂进行热红外光谱测量。该Turbo FT红外光谱辐射计光谱的波长范围为2-16μm,光谱分辨率为4cm-1,镜头为4.8°,距待测尾砂50cm进行垂直观测。重复观测2次,取辐射亮度的平均值作为该待测尾砂的实际辐射亮度,以得到待测尾砂的TIR光谱数据,TIR光谱数据包括多个第二波长对应的辐射亮度。
此外,通过对漫反射金板的测量获得大气下行辐射,采用冷、热黑体对待测尾砂的辐射亮度和下行辐射亮度进行校准。
S2:将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
S2中,将VIS-NIR光谱数据进行转换,得到VIS-NIR光谱数据对应的第一吸光度数据可以包括:利用吸光度计算公式将VIS-NIR光谱数据中每一第一波长对应的反射率转换为第一波长对应的吸光度,所有第一波长对应的吸光度组成VIS-NIR光谱数据对应的第一吸光度数据。
吸光度计算公式如下:
Ai=log10(1/Ri); (1)
式(1)中,Ai为第i个波长对应的吸光度;Ri为第i个波长对应的反射率。
对于VIS-NIR光谱数据的每一第一波长,利用式(1)将第一波长对应的反射率转换为第一波长对应的吸光度,即可将漫反射光谱转换为表观吸光度,得到VIS-NIR光谱数据对应的第一吸光度数据。
作为一种可选的实施方式,在将VIS-NIR光谱数据和TIR光谱数据分别进行转换之前,本实施例的估测方法还可以包括:对VIS-NIR光谱数据进行预处理,具体的,可采用Savitzky-Golay(S-G)滤波算法对VIS-NIR光谱数据进行平滑去噪处理,得到平滑后光谱数据,并以平滑后光谱数据作为新的VIS-NIR光谱数据,执行S2。
S2中,将TIR光谱数据进行转换,得到TIR光谱数据对应的第二吸光度数据可以包括:
(1)利用发射率计算公式将TIR光谱数据中每一第二波长对应的辐射亮度转换为第二波长对应的发射率;
根据基尔霍夫定律可知,在近距离探测物体时,大气上行辐射可以忽略,因此传感器在波长λ,温度Ts时探测到的光谱辐射亮度可近似表示为:
Ls(λ)=εs(λ)B(λ,Ts)+[1-εs(λ)]LDWR(λ); (2)
式(2)中,Ls(λ)为传感器接收到的热辐射亮度,也即待测尾砂的辐射亮度;εs(λ)为地表发射率;B(λ,Ts)为地表温度下的普朗克函数,也即冷、热黑体辐射;LDWR(λ)为大气下行辐射。
将式(2)进行转换,即可得到发射率计算公式,如下:
将S1中TIR光谱数据的测量过程所得到的冷、热黑体辐射、大气下行辐射及待测尾砂的辐射亮度代入式(3),即可计算获得待测尾砂在每一第二波长的发射率。
(2)根据第二波长对应的发射率计算第二波长对应的反射率;
根据基尔霍夫定律可知,对于不透明物体,地表反射率可以表示为1减去发射率,据此可将每一第二波长对应的发射率转换为第二波长对应的反射率。
(3)利用吸光度计算公式将第二波长对应的反射率转换为第二波长对应的吸光度;所有第二波长对应的吸光度组成TIR光谱数据对应的第二吸光度数据。
通过式(1)将每一第二波长对应的反射率转换为第二波长对应的吸光度,以得到TIR光谱数据对应的第二吸光度数据。
S3:将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
具体的,可采用外部积分算法(OPA)对VIS-NIR和TIR的吸光度数据进行融合处理,得到融合后数据,则S3可以包括:
(1)将第一吸光度数据和第二吸光度数据相乘,得到外积矩阵;所述外积矩阵的第i行第j列的元素值为第一吸光度数据中第i个第一波长的吸光度与第二吸光度数据中第j个第二波长的吸光度的乘积;
即将VIS-NIR光谱范围内的所有吸光度数据与TIR光谱范围内的所有吸光度数据相乘,由两个光谱域所有的吸光度数据的所有可能的乘积组成外积矩阵。将m维的第一吸光度数据和p维的第二吸光度数据分别记为M和P,M和P这两个矩阵相乘即可得到m×p的外积矩阵K。
M=(m1,...,mi,...,mm)T; (4)
式(4)中,mi为第i个第一波长的吸光度;i=1,2,...,m。
P=(p1,…,pj,...,pp)T; (5)
式(5)中,pj为第j个第二波长的吸光度;j=1,2,...,p。
(2)将外积矩阵按列进行首尾相连,得到融合后数据;所述融合后数据的第(j-1)m+i个第三波长的吸光度等于外积矩阵的第i行第j列的元素值,m为第一波长的个数。
式(7)中,ψ为融合后数据。
S4:以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
在S4之前,本实施例的估测方法还包括训练得到回归模型,该步骤可以包括:
(1)获取训练数据集;所述训练数据集包括多个尾砂样品中每一尾砂样品对应的训练用融合后数据和尾砂成分含量实测值;
训练数据集的构建方法如下:
(1.1)尾砂样品的采集与处理;
选择合适的尾矿库区域采集样本,所采集的样本应具有随机性和代表性。将样本带回实验室后进行烘干、研磨、筛分,放置在培养皿中,并将表面平整以降低粗糙度,以获取光谱测量需要的尾砂样品,用于后续光谱曲线测量。
(1.2)对尾砂样品进行光谱测量,获取尾砂样品的VIS-NIR和TIR光谱数据;
利用S1所介绍的方法对每一尾砂样品进行光谱测量,得到每一尾砂样品的VIS-NIR光谱数据和TIR光谱数据。
(1.3)对测量所得VIS-NIR和TIR光谱数据进行预处理及吸光度数据转换;
利用S2所介绍的方法对每一尾砂样品的VIS-NIR光谱数据和TIR光谱数据分别进行预处理及吸光度数据转换,得到每一尾砂样品的第一吸光度数据和第二吸光度数据。
(1.4)采用外部积分算法(OPA)对VIS-NIR和TIR的吸光度数据进行融合处理,得到融合后的数据;
利用S3所介绍的方法对每一尾砂样品的第一吸光度数据和第二吸光度数据进行融合,得到每一尾砂样品对应的训练用融合后数据。
(1.5)利用X射线荧光光谱对尾砂样品进行化学成分检验,得到每一尾砂样品对应的尾砂成分含量实测值。
所有尾砂样品对应的训练用融合后数据和尾砂成分含量实测值即组成训练数据集。
(2)以训练数据集作为输入,利用相关系数法选取得到特征波长;将训练用融合后数据中与特征波长相同的第三波长的吸光度作为尾砂样品对应的训练用特征数据;
其中,以训练数据集作为输入,利用相关系数法选取得到特征波长可以包括:
(2.1)对于训练用融合后数据的每一第三波长,将所有尾砂样品中第三波长的吸光度和尾砂成分含量实测值进行相关性分析,得到第三波长的吸光度与尾砂成分含量之间的相关系数;
(2.2)对相关系数进行显著性检验,并将通过显著性检验的相关系数对应的第三波长作为特征波长。
对所有第三波长进行上述处理后,即可挑选出若干个特征波长。
更为具体的,第n个尾砂样品的训练用融合后数据ψn可表示为:
式(8)中,ψn为Kn按列首尾相连后展开得到的(m×p)×1的向量矩阵;Kn为第n个尾砂样品的外积矩阵;mi,n为第n个尾砂样品在VIS-NIR光谱第i个第一波长处的吸光度;pj,n为第n个尾砂样品在TIR光谱第j个第二波长处的吸光度。
其中,
式(9)中,Mn为第n个尾砂样品测量所得m维的VIS-NIR光谱数据对应的第一吸光度数据,Mn=(m1,n,...,mm,n);Pn为第n个尾砂样品测量所得p维的TIR光谱数据对应的第二吸光度数据,Pn=(p1,n,...,pp,n)。
将所有尾砂样品的训练用融合后数据并排排列,最终生成一个(m×p)×N(n=1,2,...,N)的矩阵,该矩阵即为所有尾砂样品的OPA融合数据结果,如式(10)所示:
式(10)中,ψT为所有尾砂样品的训练用融合后数据所组成的整体外部积分矩阵,即OPA融合数据结果。该整体外部积分矩阵的第1行即为所有尾砂样品的第1个第三波长对应的吸光度。
基于上述整体外部积分矩阵,利用相关系数法选择特征波长可以包括:分别将整体外部积分矩阵的每一行与尾砂成分含量进行相关性分析,以逐波长计算各波长吸光度数据与尾砂成分含量的皮尔森相关系数r,并进行显著性检验,若相关系数r通过了0.05水平的显著性检验,说明该波长与尾砂成分含量显著相关,将该波长作为特征波长挑选出来,用于后续的模型建立。
相关系数的计算公式如下:
显著性检验所用的公式如下:
T0.99=tinv(0.99,n); (13)
T0.95=tinv(0.95,n); (14)
上式中,n为样本个数,T为显著性检验的统计量,T0.99是在99%的显著水平下T的临界值,T0.95是在95%的显著水平下T的临界值。若T0.99>T>T0.95,标志着数据集在0.05水平上显著相关,用*表示。
在确定特征波长后,对于每一训练用融合后数据,将训练用融合后数据中与特征波长相同的第三波长的吸光度作为尾砂样品对应的训练用特征数据。举例而言,假设训练用融合后数据包括5个第三波长,而特征波长为第1个第三波长和第3个第三波长,则可选取训练用融合后数据中的第1个第三波长对应的吸光度和第3个第三波长对应的吸光度作为该尾砂样品对应的训练用特征数据。
(3)以所有尾砂样品对应的训练用特征数据和尾砂成分含量实测值作为输入,基于随机森林机器学习方法进行训练,得到回归模型。
本实施例的训练数据集可分为训练样本和验证样本。以训练样本为输入,基于随机森林机器学习方法建立训练样本的训练用特征数据(即优选特征波长)与尾砂成分含量的回归模型。在回归模型建立过程中,以特征波长对应的吸光度为自变量,以尾砂成分含量为因变量,基于随机森林算法进行训练和建模,得到回归模型。在得到回归模型之后,本实施例还可以验证样本为输入,对回归模型进行验证。
在得到回归模型后,S4可以包括:选取融合后数据中与特征波长相同的第三波长的吸光度,得到输入数据,以输入数据作为输入,利用回归模型得到待测尾砂的成分含量估测数据。
为了进一步说明本实施例所用的估测方法的优异效果,本实施例在此将本方法与单独采用VIS-NIR和TIR进行估测的方法进行比较,如下:
(1)构建第一数据集、第二数据集和第三数据集;第一数据集包括多个尾砂样品中每一尾砂样品对应的训练用第一吸光度数据(与VIS-NIR光谱数据相对应)和尾砂成分含量实测值;第二数据集包括多个尾砂样品中每一尾砂样品对应的训练用第二吸光度数据(与TIR光谱数据相对应)和尾砂成分含量实测值;第三数据集包括多个尾砂样品中每一尾砂样品对应的训练用融合后数据和尾砂成分含量实测值。
(2)采用相关系数法对VIS-NIR、TIR和融合后数据分别进行特征优选,首先将三种光谱数据分别与尾砂成分含量逐波长进行相关性分析,计算各波长吸光度数据与尾砂成分含量的皮尔森相关系数r,并进行显著性检验(利用式(12)-(14)),若相关系数r通过了0.05水平的显著性检验,说明该波长与尾砂成分含量显著相关,因此将该波长作为特征波长挑选出来,用于后续的模型建立,以确定三种光谱数据分别对应的特征波长。
(3)对于每一种光谱数据,将该光谱数据分别对应的数据集随机分为训练样本(75%)和验证样本(25%)。基于随机森林机器学习方法建立每一种光谱数据训练样本中的优选特征变量(即所有特征波长对应的吸光度数据)与尾砂成分含量数据的回归模型。在随机森林回归模型建立过程中,以优选特征变量为自变量,以尾砂成分含量为因变量,基于随机森林算法进行训练和建模,得到回归模型。
通过以上步骤,对光谱数据和尾砂成分含量进行相关性分析,将相关性高的波长作为优选出来的特征波长;以特征波长对应的吸光度数据为自变量,以尾砂成分含量为因变量,基于随机森林算法进行训练和建模,以利用基于特征优选的随机森林算法建立不同数据源训练样本的特征波长与尾砂成分含量的回归模型,即分别建立VIS-NIR光谱数据对应的回归模型,TIR光谱数据对应的回归模型和VIS-NIR和TIR融合后光谱数据对应的回归模型。
(4)基于验证样本数据进行模型验证,采用评价指标对模型精度进行合理评价,获取尾砂成分含量估测数据。
通过验证样本数据,评价并对比VIS-NIR、TIR和融合后三种不同数据源对应的回归模型的精度,验证融合后数据对尾砂成分含量估测精度的提升作用。评价时所采用的评价指标可以包括:决定系数R2、均方根误差RMSE和四分位数间距性能比RPIQ。其中,决定系数R2和四分位数间距性能比RPIQ越大,均方根误差RMSE越小,说明模型的建模和估测精度越高,反之,则说明模型的建模和估测精度越低。
经具体实验数据表明,本实施例所介绍的估测方法相较于单独采用VIS-NIR、TIR光谱数据进行估测的方法而言,估测精度得到明显提高。
本实施例提供了一种基于实测VIS-NIR和TIR融合数据的尾砂成分含量估测方法,采用外部积分算法将VIS-NIR和TIR数据进行融合,互相补充两个光谱数据的不同性质和信息,以此提高尾砂成分含量的估测精度。由于VIS-NIR光谱能够揭示地物C-H、N-H、O-H、C-N和C-C等官能团和Fe2+、Fe3+等金属阳离子的特征信息,而TIR光谱能探测识别岩矿中Si-O键振动光谱特征,经OPA算法融合后可以得到两个数据的共演化特征,融合并加强二者之间的有用变量,削弱无用变量,从而提高尾砂成分含量的估测精度。
为了更好的解释本实施例所述的估测方法,以便于本领域技术人员理解,下面将结合一具体示例,以对本实施例的估测方法进行详细描述:
如图2所示,该示例的估测方法包括如下步骤:
步骤101,尾砂样品的采集与处理。
本示例以辽宁省歪头山铁矿尾矿库为采样区,采样点遍布尾矿库从东到西的尾矿浆流经区域,具有代表性。在尾矿库表面共采集69个样本,每个样本约300克,用于室内模拟实验。将采集土样(样本)置于烘箱内,设置温度为65°进行烘干处理,研磨后用0.075mm筛子进行筛分,将处理后的样品放置在直径为7cm,深度为3-4cm的培养皿中,并将表面平整以降低粗糙度,得到69个尾砂样品,用于后续光谱曲线测量。利用X射线荧光光谱对尾砂样品进行化学成分检验,发现歪头山尾矿库尾砂的主要化学成分为TFe和SiO2,平均含量分别为11.63%和65.67%,因此本示例选择这两种主要成分进行估测。
步骤102,对尾砂样品进行光谱测量,获取尾砂样品的VIS-NIR和TIR光谱数据。
(1)通过SVC-HR 1024光谱仪获取尾砂样品的VIS-NIR光谱数据;
在暗室中使用美国SVC-HR 1024光谱仪测量尾砂样品的反射率数据,该仪器的光谱范围为350-2500nm,视场角为4°。将盛放样品的培养皿放置在观测台上,以一个50W卤素灯为唯一光源,天顶角设置为30°,距离样品表面50cm,将光谱仪置于样品正上方47cm处对样品进行垂直观测,使用具有100%反射率的白板作为参考光谱。每个尾砂样品重复观测4次,取4次测试的平均值作为该样品的实际反射率值,以得到尾砂样品的VIS-NIR光谱数据,测量所得尾砂样品的VIS-NIR光谱数据如图3所示。
(2)通过Turbo FT红外光谱辐射计获取尾砂样品的TIR光谱数据;
尾砂样品的TIR光谱测量在晴朗无云、无风的室外进行,采用美国Design&Prototypes公司生产的Turbo FT红外光谱辐射计对尾砂样品进行热红外光谱测量。该仪器光谱的波长范围为2-16μm,光谱分辨率为4cm-1,光谱仪镜头为4.8°,距样品50cm进行垂直观测。在测量前,在光谱仪中注入液氮并预热30min以上,使仪器内部达到平衡状态,再进行冷、热黑体的标定测量。为了获得尾砂样品热红外发射率,需要同时测定冷、热黑体辐射、大气下行辐射和尾砂样品表面辐射。大气下行辐射通过对漫反射金板的测量获得,冷、热黑体用于对样品表面辐射亮度和下行辐射亮度进行校准。每个样品连续观测2次,取辐射亮度的平均值作为该样品的实际辐射亮度值,以得到尾砂样品的TIR光谱数据,测量所得尾砂样品的TIR光谱数据如图4所示。
步骤103,VIS-NIR和TIR光谱数据预处理及吸光度数据转换,以计算VIS-NIR和TIR数据的吸光度数据。
(1)对于VIS-NIR光谱数据来说,首先用S-G滤波进行平滑预处理,再通过式(1)转换为吸光度数据,为了减少计算量,将吸光度数据重采样为25nm。
具体的,对VIS-NIR光谱数据进行预处理,并提取表观吸光度数据可以包括:
采用Savitzky-Golay(S-G)滤波算法对实测VIS-NIR光谱数据做平滑处理,通过式(1)计算反射率光谱数据的吸光度数据。为了减少数据冗余和融合计算量,将VIS-NIR吸光度数据重采样为25nm,得到最终VIS-NIR光谱的吸光度数据。本示例中VIS-NIR吸光度数据的均值和标准差曲线图如图5所示。
(2)对于TIR光谱数据来说,首先计算发射率数据,再将(1-发射率)带入式(1)计算吸光度数据。
具体的,基于TIR光谱数据计算发射率,并提取吸光度数据可以包括:
利用Turbo FT红外光谱辐射计测量得到的是尾砂样品的热辐射亮度值,根据上述测量过程中得到的冷、热黑体辐射和大气辐射及样品辐射数据,通过式(3)即可计算获得样品的发射率数据。由于8-13μm波长区间的大气窗口受到环境辐射的影响相对较小,并且包含石英发射率光谱的特征区间。因此,最终选择8-13μm波长的发射率数据来分析尾砂的光谱特征。根据基尔霍夫定律可知,对于不透明物体,地表反射率可以表示为1减去发射率,据此将(1-εS(λ))带入式(1)即可得到TIR光谱的吸光度数据。尾砂样品TIR吸光度数据的均值和标准差曲线图如图6所示。
步骤104,采用外部积分算法(OPA)对VIS-NIR和TIR的吸光度数据进行融合处理,得到融合后的吸光度数据。
通过上述步骤得到了VIS-NIR和TIR的吸光度数据,其中VIS-NIR吸光度数据包含86个波长,TIR吸光度数据包含168个波长,使用外部积分算法(OPA)将两种数据进行融合,得到的外积矩阵由两个光谱域所有样品的吸光度数据的所有可能的乘积组成,外积矩阵如式(9)所示。将乘积得到的每个外积矩阵根据式(8)展开为向量,然后根据公式(10)并排排列,最终生成一个(m×p)×N的矩阵,该矩阵即为最终的OPA融合数据结果,也即为VIS-NIR和TIR数据融合后的数据。在后续过程中,该矩阵首先与尾砂中TFe和SiO2成分含量进行相关性分析,选取相关系数(|r|≥0.8)的波长用于后续随机森林算法的建模过程中。本示例计算所得VIS-NIR和TIR吸光度数据经OPA融合后得到的融合后数据的均值与标准差结果如图7所示,外积矩阵的均值结果如图8所示。
步骤105,基于特征优选的随机森林(RF)算法,构建光谱数据训练样本的优选特征变量与尾砂成分含量回归模型。
采用相关系数法对VIS-NIR、TIR和融合后数据分别进行特征优选,首先将三种光谱数据分别与尾砂TFe和SiO2含量逐波长进行相关性分析,计算各波长吸光度数据与尾砂TFe和SiO2含量的皮尔森相关系数r(式(11)),并进行显著性检验(公式(12)-(14)),若相关系数r通过了0.05水平的显著性检验,说明该波长与尾砂成分含量显著相关,因此将该波长作为特征波长挑选出来,用于后续的模型建立。对于VIS-NIR和融合后数据,选择高度相关(|r|≥0.8)的波长作为优选波长。对于TIR数据,选择在0.05水平下显著相关的波长作为优选波长作为优选波长。三种不同数据源样本经过相关系数计算之后选取出来的优选特征变量(即优先波长对应的吸光度数据)在后续过程中作为自变量输入到随机森林回归模型中,以尾砂TFe和SiO2含量为因变量,通过随机森林算法建立二者的回归模型。如图9所示,其为三种光谱数据与尾砂成分含量的相关系数结果示意图,VIS-NIR、TIR和融合后数据与尾砂TFe和SiO2含量相关系数结果分别如图9(a)、9(b)和9(c)所示。
取69个尾砂样品的75%作为训练样本(51个),25%作为验证样本(18个),基于随机森林机器学***均值作为随机森林算法的估测值。本示例中随机森林算法中树的数量设置为500。
步骤106,基于验证样本数据进行模型验证,采用评价指标对模型精度进行合理评价,获取尾砂成分含量估测数据。
通过验证样本数据,评价并对比VIS-NIR、TIR和融合后三种不同数据源通过特征优选和随机森林回归模型的精度,验证融合后数据对尾砂TFe和SiO2含量估测精度的提升作用,进一步获取尾砂成分含量估测数据。
采用的评价指标具体包括:决定系数R2、均方根误差RMSE和四分位数间距性能比RPIQ,计算公式如下:
IQ=Q3-Q1; (18)
其中,模型决定系数R2和四分位数间距性能比RPIQ越大,均方根误差RMSE越小,说明模型的建模和估测精度越高,反之,则说明模型的建模和估测精度越低。图10为由三种光谱数据计算得到的估测值与尾砂成分含量实测值的散点图;图10(a)、10(b)分别为本示例提供的基于VIS-NIR光谱建立的尾砂TFe、SiO2实测值和估测值散点图,图10(c)、10(d)分别为本示例提供的基于TIR光谱建立的尾砂TFe、SiO2实测值和估测值散点图,图10(e)、10(f)分别为本示例提供的基于融合后光谱建立的尾砂TFe、SiO2实测值和估测值散点图。如图10(a)-10(f)所示,基于VIS-NIR光谱的TFe含量验证集精度为R2=0.86,RMSE=1.08,RPIQ=2.05,SiO2含量验证集精度为R2=0.86,RMSE=1.51,RPIQ=4.15;TIR光谱TFe含量验证集精度为R2=0.54,RMSE=1.88,RPIQ=1.18,SiO2含量验证集精度为R2=0.67,RMSE=2.49,RPIQ=2.52;融合后光谱TFe含量验证集精度为R2=0.91,RMSE=0.96,RPIQ=2.31,SiO2含量验证集精度为R2=0.94,RMSE=1.00,RPIQ=6.27。由此可见,本实施例建立的VIS-NIR和TIR光谱融合算法模型精度相较于单一光谱所建模型精度有一定的提升,表明本实施例提出的基于实测VIS-NIR和TIR融合光谱能够有效提升尾砂成分含量的估测精度。
实施例2:
本实施例用于提供一种尾砂成分含量估测***,如图11所示,所述估测***包括:
光谱测量模块M1,用于对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
吸光度转换模块M2,用于将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
融合模块M3,用于将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
估测模块M4,用于以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种尾砂成分含量估测方法,其特征在于,所述估测方法包括:
对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
2.根据权利要求1所述的估测方法,其特征在于,所述对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据具体包括:
利用SVC-HR 1024光谱仪对待测尾砂进行光谱测量,得到所述待测尾砂的VIS-NIR光谱数据;
利用Turbo FT红外光谱辐射计对所述待测尾砂进行光谱测量,得到所述待测尾砂的TIR光谱数据。
3.根据权利要求1所述的估测方法,其特征在于,将所述VIS-NIR光谱数据进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据具体包括:
利用吸光度计算公式将所述VIS-NIR光谱数据中每一第一波长对应的反射率转换为所述第一波长对应的吸光度;所有所述第一波长对应的吸光度组成所述VIS-NIR光谱数据对应的第一吸光度数据。
4.根据权利要求1所述的估测方法,其特征在于,将所述TIR光谱数据进行转换,得到所述TIR光谱数据对应的第二吸光度数据具体包括:
利用发射率计算公式将所述TIR光谱数据中每一第二波长对应的辐射亮度转换为所述第二波长对应的发射率;
根据所述第二波长对应的发射率计算所述第二波长对应的反射率;
利用吸光度计算公式将所述第二波长对应的反射率转换为所述第二波长对应的吸光度;所有所述第二波长对应的吸光度组成所述TIR光谱数据对应的第二吸光度数据。
5.根据权利要求1所述的估测方法,其特征在于,在将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换之前,所述估测方法还包括:对所述VIS-NIR光谱数据进行平滑处理,得到平滑后光谱数据,并以所述平滑后光谱数据作为新的VIS-NIR光谱数据。
6.根据权利要求1所述的估测方法,其特征在于,所述将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据具体包括:
将所述第一吸光度数据和所述第二吸光度数据相乘,得到外积矩阵;所述外积矩阵的第i行第j列的元素值为所述第一吸光度数据中第i个第一波长的吸光度与所述第二吸光度数据中第j个第二波长的吸光度的乘积;
将所述外积矩阵按列进行首尾相连,得到融合后数据;所述融合后数据的第(j-1)m+i个第三波长的吸光度等于所述外积矩阵的第i行第j列的元素值,m为第一波长的个数。
7.根据权利要求1所述的估测方法,其特征在于,在以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据之前,所述估测方法还包括训练得到回归模型,具体包括:
获取训练数据集;所述训练数据集包括多个尾砂样品中每一所述尾砂样品对应的训练用融合后数据和尾砂成分含量实测值;
以所述训练数据集作为输入,利用相关系数法选取得到特征波长;将所述训练用融合后数据中与所述特征波长相同的第三波长的吸光度作为所述尾砂样品对应的训练用特征数据;
以所有所述尾砂样品对应的训练用特征数据和尾砂成分含量实测值作为输入,基于随机森林机器学习方法进行训练,得到回归模型。
8.根据权利要求7所述的估测方法,其特征在于,所述以所述训练数据集作为输入,利用相关系数法选取得到特征波长具体包括:
对于所述训练用融合后数据的每一第三波长,将所有所述尾砂样品中所述第三波长的吸光度和所述尾砂成分含量实测值进行相关性分析,得到所述第三波长的吸光度与尾砂成分含量之间的相关系数;
对所述相关系数进行显著性检验,并将通过所述显著性检验的相关系数对应的第三波长作为特征波长。
9.根据权利要求7所述的估测方法,其特征在于,所述以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据具体包括:
选取所述融合后数据中与所述特征波长相同的第三波长的吸光度,得到输入数据;
以所述输入数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
10.一种尾砂成分含量估测***,其特征在于,所述估测***包括:
光谱测量模块,用于对待测尾砂进行光谱测量,分别得到所述待测尾砂的VIS-NIR光谱数据和TIR光谱数据;
吸光度转换模块,用于将所述VIS-NIR光谱数据和所述TIR光谱数据分别进行转换,得到所述VIS-NIR光谱数据对应的第一吸光度数据和所述TIR光谱数据对应的第二吸光度数据;
融合模块,用于将所述第一吸光度数据和所述第二吸光度数据进行融合,得到融合后数据;
估测模块,用于以所述融合后数据作为输入,利用回归模型得到所述待测尾砂的成分含量估测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202060.6A CN114527087B (zh) | 2022-03-03 | 2022-03-03 | 一种尾砂成分含量估测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202060.6A CN114527087B (zh) | 2022-03-03 | 2022-03-03 | 一种尾砂成分含量估测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114527087A true CN114527087A (zh) | 2022-05-24 |
CN114527087B CN114527087B (zh) | 2023-06-23 |
Family
ID=81626815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210202060.6A Active CN114527087B (zh) | 2022-03-03 | 2022-03-03 | 一种尾砂成分含量估测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114527087B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11304698A (ja) * | 1998-04-16 | 1999-11-05 | Natl Food Res Inst | 米のアミロース含量測定方法、及び米のアミロース含量測定装置 |
CN105319179A (zh) * | 2014-06-30 | 2016-02-10 | 中国石油化工股份有限公司 | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 |
CN109540832A (zh) * | 2018-11-23 | 2019-03-29 | 天津农学院 | 一种基于融合近-中红外光谱规模化奶牛场粪液中总氮的检测方法 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN112488978A (zh) * | 2021-02-05 | 2021-03-12 | 湖南大学 | 基于模糊核估计的多光谱图像融合成像方法及*** |
CN112949681A (zh) * | 2021-01-27 | 2021-06-11 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的盐渍土电导率估算方法 |
CN114047156A (zh) * | 2021-10-09 | 2022-02-15 | 中南民族大学 | 一种霍山石斛栽培方式和年限的鉴别方法 |
-
2022
- 2022-03-03 CN CN202210202060.6A patent/CN114527087B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11304698A (ja) * | 1998-04-16 | 1999-11-05 | Natl Food Res Inst | 米のアミロース含量測定方法、及び米のアミロース含量測定装置 |
CN105319179A (zh) * | 2014-06-30 | 2016-02-10 | 中国石油化工股份有限公司 | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 |
CN109540832A (zh) * | 2018-11-23 | 2019-03-29 | 天津农学院 | 一种基于融合近-中红外光谱规模化奶牛场粪液中总氮的检测方法 |
CN109669023A (zh) * | 2018-12-05 | 2019-04-23 | 浙江大学 | 一种基于多传感器融合的土壤属性预测方法 |
CN112949681A (zh) * | 2021-01-27 | 2021-06-11 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的盐渍土电导率估算方法 |
CN112488978A (zh) * | 2021-02-05 | 2021-03-12 | 湖南大学 | 基于模糊核估计的多光谱图像融合成像方法及*** |
CN114047156A (zh) * | 2021-10-09 | 2022-02-15 | 中南民族大学 | 一种霍山石斛栽培方式和年限的鉴别方法 |
Non-Patent Citations (1)
Title |
---|
宋亮;刘善军;虞茉莉;毛亚纯;吴立新;: "基于可见-近红外和热红外光谱联合分析的煤和矸石分类方法研究", 光谱学与光谱分析, no. 02, pages 416 - 419 * |
Also Published As
Publication number | Publication date |
---|---|
CN114527087B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration | |
Garrido et al. | Automatic detection of moistures in different construction materials from thermographic images | |
Sandak et al. | Characterization and monitoring of surface weathering on exposed timber structures with a multi-sensor approach | |
Shabanov et al. | Effect of foliage spatial heterogeneity in the MODIS LAI and FPAR algorithm over broadleaf forests | |
US7919753B2 (en) | Method for performing IR spectroscopy measurements to quantify a level of UV effect | |
CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
Bricklemyer et al. | Comparing vis–NIRS, LIBS, and combined vis–NIRS‐LIBS for intact soil core soil carbon measurement | |
CN107478595B (zh) | 一种快速鉴别珍珠粉真伪及定量预测掺伪贝壳粉含量的方法 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
CN110108658B (zh) | 一种污染气体红外光谱识别方法及*** | |
Moreno-Sáez et al. | Modelling the distribution of solar spectral irradiance using data mining techniques | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
Sandak et al. | Multivariate analysis of multi-sensor data for assessment of timber structures: principles and applications | |
Zhu et al. | Estimating soil water content from surface digital image gray level measurements under visible spectrum | |
Li et al. | Hyper-spectral estimation of wheat biomass after alleviating of soil effects on spectra by non-negative matrix factorization | |
CN111999258A (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
Song et al. | Solar infrared radiation towards building energy efficiency: measurement, data, and modeling | |
Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
Qi et al. | Prediction of soil calcium carbonate with soil visible-near-infrared reflection (Vis-NIR) spectral in Shaanxi province, China: soil groups vs. spectral groups | |
Danesh et al. | Modeling of soil sand particles using spectroscopy technology | |
Wang et al. | An efficient method for the rapid detection of industrial paraffin contamination levels in rice based on hyperspectral imaging | |
Zhao et al. | Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
Zhang et al. | Retrieval of sun-induced chlorophyll fluorescence using statistical method without synchronous irradiance data | |
Zhou et al. | Applications of near infrared spectroscopy in cotton impurity and fiber quality detection: A review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |