電話:86-0755-23229824
手機:18948346937 / 13510373651
地址:深圳市寶安區(qū)沙井街道后亭茅洲山工業(yè)園工業(yè)大廈全至科技創(chuàng)新園科創(chuàng)大廈11層C
微信:
微信客服號:
抖音官方號:
紫外/可見光下海洋溢油油種光譜識別方法
0 引言
近年來,海洋溢油事故頻發(fā),及時準(zhǔn)確地對溢油種類進行分析和鑒別,確定責(zé)任歸屬,采取合適的應(yīng)急響應(yīng),是一項復(fù)雜而具有挑戰(zhàn)性的工作。現(xiàn)行的溢油鑒別標(biāo)準(zhǔn)多以相色譜/質(zhì)譜分析為代表的實驗室化學(xué)鑒別手段,雖然能夠?qū)τ头N和組分進行精確解析,但檢測速度慢,代價高。
近幾年來,光譜分析成為溢油鑒別的新興手段,受到普遍關(guān)注。特別是近紅外光譜(NIR)應(yīng)用廣泛,可應(yīng)用于是由極其制品的組分預(yù)測中。Kim M等人最早應(yīng)用近紅外光譜進行石油產(chǎn)品的分類,他們利用PCA和貝葉斯分類器實現(xiàn)了柴油、煤油、粗汽油等6個油種的識別;王麗等人利用近紅外光譜技術(shù)鑒別模擬海面溢油,對自行配制的56個汽油、柴油、潤滑油的模擬海水樣品進行正確的溢油類別判別。油品在紫外光的激發(fā)下具有熒光現(xiàn)象,2011年《Science》報導(dǎo)了可根據(jù)這一特性探測溢油。在實驗室情況下,王春艷等人提出了使用基于濃度參量同步熒光光譜技術(shù),可以實現(xiàn)實驗室不同溢油類型及不同油源原油的準(zhǔn)確分類。尹曉楠利用小波分析方法分析了4大量6種油品的三維熒光光譜,并對油品種類進行了識別研究,三維熒光技術(shù)也是現(xiàn)行水上溢油快速鑒別規(guī)程的可選技術(shù)。上述的技術(shù)手段均不能從本質(zhì)上做到現(xiàn)場、快速的原位探測。
海洋溢油往往是突發(fā)事件,通過遙感手段進行海洋溢油的快速原位探測是快速響應(yīng)的重要組成部分。傳統(tǒng)的遙感手段,如星載、機載、SAR等,只能探測溢油面積,不能區(qū)分各個油種,且受環(huán)境影響較大。由于熒光很微弱,所以國內(nèi)外均開展了激光誘導(dǎo)熒光的探測方法,可同時實現(xiàn)面積和油種的探測,但該儀器太重(200kg),需要搭載海監(jiān)的飛機才可以使用,費用太高。
上述研究主要是通過常規(guī)可見光的光譜數(shù)據(jù)。由于油品具有紫外熒光特性,所以文本采集了紫外波段的三種光源以及常規(guī)日光燈和陽光不同光源下的光譜數(shù)據(jù),以期獲得更精細(xì)的光譜識別能力。本文利用小型化的地物光譜儀開展了紫外和可見光下的油種識別研究,不僅重復(fù)利用了無人機載和對油種的精細(xì)化遙感特測提供技術(shù)支持。
1 材料與方法
1.1 實驗數(shù)據(jù)
準(zhǔn)備5種油樣和海水(煤油、機油、93#汽油、0#柴油和花生油。其中汽油和柴油購置于青島當(dāng)?shù)啬臣佑驼?/span>,花生油購置于某超市,機油購置于某汽車修理廠,煤油購置于某化學(xué)品商店,海水取自膠州灣海域)。選擇45mm直徑的圓桶形玻璃皿5只,為避免光的干擾,桶壁用黑色膠帶貼上,為避免底部反射光影像,將玻璃皿放置在黑色膠皮墊上,用千分之一天平根據(jù)密度換算,分別量取海水5ml,量取各種(15:25~15:35),每個樣品的數(shù)據(jù)均控制在2min左右測量完畢,每次測量前對光譜儀進行白板矯正。計算機存儲光譜數(shù)據(jù)備用,光譜曲線如圖1所示。
1.2 方法
本文做識別時主要使用的是支持向量機算法。支持向量機算法可描述為
式中αk為拉格朗日乘子;K(x,xk)為核函數(shù),本文選自RBF核函數(shù);b為偏置系數(shù)。支持向量的兩個參數(shù)C和gamma的參數(shù)尋優(yōu)主要使用網(wǎng)格化尋優(yōu)方法,做特征優(yōu)化和選擇主要涉及主分量分析算法,這些算法的詳細(xì)解釋可參見文獻(xiàn)[13],算法全部通過自編的Matlab程序測試,開發(fā)版本為Mat-lab 2010(b),處理計算機為聯(lián)想ideaCentreKx8160。
2.1 特征和參數(shù)優(yōu)化
特征優(yōu)化和選擇在一定程度上可以降低數(shù)據(jù)維數(shù),提高算法的效率,本節(jié)主要使用主成分分析(PCA)進行特征優(yōu)化。
圖2 是陽光下測量數(shù)據(jù)采用PCA算法進行特征提取進行數(shù)據(jù)降維的主分量貢獻(xiàn)和累計貢獻(xiàn)率
從圖中可以看出,第1主分量貢獻(xiàn)最大,已超過58%,前10個主分量的累計貢獻(xiàn)率已達(dá)到了95%以上,這樣就將原始特征數(shù)據(jù)1646個點降到10個特征主分量,數(shù)據(jù)壓縮后不到原來的1%。采用PCA數(shù)據(jù)特征優(yōu)化降維,表1是在不同紫外波長和可見光情況下使用前10個主分量的累計貢獻(xiàn)率表。
通過PCA和SPA優(yōu)化后的訓(xùn)練樣本和測試樣本,其均方誤差(MSE)均有所升高,平均相關(guān)系數(shù)R2均有所降低,表明模型的預(yù)測性能有所下降,然而總體最佳均方誤差有所降低。雖然SPA對訓(xùn)練集效果很好,但測試性能較差,總的來看PCA的泛化能力要優(yōu)于SPA的性能。維數(shù)的降低使得兩種方法的測試時間變短,測試所用的時間短將有益于將來應(yīng)用到石油工業(yè)在線快速的場合,提高全程監(jiān)測的自動化。
表1 列出了各種光照情況下前10個主分量的累積貢獻(xiàn)率,陽光的前10個主分量的累積貢獻(xiàn)率最大,達(dá)到了95.5%,燈光最差,僅為67.5%,說明陽光前10個主分量包含的信息量最大。
SVM模型懲罰參數(shù)C和RBF核函數(shù)gamma是采用支持向量機進行預(yù)測的兩個關(guān)鍵參數(shù),參數(shù)的選擇直接影響到模型的預(yù)測性能。目前主流的參數(shù)優(yōu)化方法是網(wǎng)格法(Grid)尋優(yōu)的方法[14]。
采用網(wǎng)格法優(yōu)化的最佳參數(shù)C(Best-C)和最佳參數(shù)gamma(Best-g)如表2所示。由于采用的是5折交叉驗證法,所以每次取的訓(xùn)練機和測試集均不同,優(yōu)化的參數(shù)和得到的模型性能也不盡相同。但也發(fā)現(xiàn)多數(shù)情況下優(yōu)化參數(shù)表現(xiàn)出一定的一致性。
圖3形象地表示了陽光下數(shù)據(jù)使用網(wǎng)格法尋優(yōu)的過程,其中圖3(a)為二維圖,圖3(b)為三維圖。
2.2 識別模型
在構(gòu)建SVM模型時,支持向量機模型選用C-SVC模型,選用的核函數(shù)是徑向基RBF核函數(shù),其中兩個參數(shù)C和gamma可由系統(tǒng)的上述步驟給出。
訓(xùn)練和測試過程采用5折交叉驗證法,即隨機選取50組數(shù)據(jù)中的40組作為訓(xùn)練集,10組作為測試集。
圖4顯示了其中一次訓(xùn)練集和預(yù)測識別結(jié)果,
圖4(a)為訓(xùn)練集數(shù)據(jù)識別結(jié)果,圖4(b)為測試集數(shù)據(jù)識別結(jié)果。總體來看訓(xùn)練集識別效果均比較好。圖4(c)是訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的相對誤差,其中前200個數(shù)據(jù)為訓(xùn)練數(shù)據(jù),后50個數(shù)據(jù)為測試數(shù)據(jù),可以看出訓(xùn)練數(shù)據(jù)的預(yù)測誤差比較小,絕對值均小于0.1,但是測試誤差普遍較大,有的甚至達(dá)到了0.5。
為了詳細(xì)比較SVM模型的預(yù)測性能參數(shù),主要采用兩個參數(shù)指標(biāo),即均方誤差MSE和平均相關(guān)系數(shù)R2來衡量模型對識別問題的性能。MSE越小、R2越接近于1,模型的識別性能越好。模型的性能結(jié)果見表3。
表3列出了5次優(yōu)化后的預(yù)測平均性能指標(biāo)。從總體來看,最優(yōu)均方誤差(BestCVmse)和GA算法最優(yōu)秀,其次是Gird,最差是PSO。另外,分別從訓(xùn)練集(Train)和測試集(Test)的MSE和R2來看,采用GA方法優(yōu)化參數(shù)優(yōu)于Gird,PSO最差。
表4中的模型預(yù)測性能指標(biāo)對模型的性能進行了量化。從表中不難看出,SVM的總體性能好,
訓(xùn)練集的性能普遍比測試集好。測試集預(yù)測性能表明了模型的泛華能力,SVM訓(xùn)練集性能的相關(guān)系數(shù)R2為0.999以上,其最小均方誤差為0.0001,測試集性能的相關(guān)系數(shù)R2普遍也達(dá)到了90% 以上,只是燈光下的測試效果較差。說明在日光燈下對油種進行識別難度較大。
實驗室模擬只是海洋溢油的一種理想情況,通過在玻璃皿中布置海水油膜是對海洋溢油模型的合理簡化,在這個過程中既沒有考慮海上自然環(huán)境的風(fēng)、浪、流等復(fù)雜自然情況對識別效果的影響,同時也沒有考慮海洋基底反射光、天空光等對溢油光譜的影響。要想得到實際的可推廣應(yīng)用的結(jié)果,必然 需要對實驗結(jié)果進行海試,今后我們將進一步進行實驗驗證。本文是在實驗室模擬海洋溢油的場景,真實的溢油場景數(shù)據(jù)可遇不可求,只有在發(fā)生溢油事故中才能采集。另外,在真實溢油場景中較難搭建負(fù)責(zé)的紫外光譜采集系統(tǒng),對海洋溢油的一些關(guān)鍵要素進行合理的簡化是一種很好的選擇,有助于對油種識別性能進行定量化分析,進而在溢油場景發(fā)生時推廣應(yīng)用。
油的光譜表現(xiàn)型反應(yīng)的是某波長的吸光度,它是油的不同組分以及每個組分的不同含量的綜合表現(xiàn)結(jié)果,它與組分及含量、產(chǎn)地及其產(chǎn)地底層地質(zhì)環(huán)境、存放環(huán)境、風(fēng)化光照時間、數(shù)據(jù)采集儀器及采集裝置、操作環(huán)境等多種因素相關(guān)。本文只是將油種的識別歸類為汽油、柴油、煤油、機油、植物油等,然而各種油的采集區(qū)域不同,采集環(huán)境不同都會影響到識別結(jié)果。對采用高光譜方法對油的亞類的識別,比如不同作物的植物油的識別,汽油的不同號牌和不同產(chǎn)地的識別,都有待深入的研究。原油的不同井號是原油開采不同地質(zhì)環(huán)境底層的反應(yīng),我們將在今后做進一步的研究。
對石油及其產(chǎn)品組分的精確解析一直是石油工業(yè)的重點和難點,是準(zhǔn)確識別油種、鑒別產(chǎn)地和真?zhèn)蔚闹匾侄危瑴?zhǔn)確識別石油的組分有助于同時對石油關(guān)鍵組分的解析,有助于石油生產(chǎn)工藝的在線同質(zhì)化生產(chǎn),同時還有助于對海洋溢油違法油源的快速鑒定。石油是一種復(fù)雜的混合物,其光譜應(yīng)該是其各個組分的綜合反映,光譜與某種組分間存在著復(fù)雜的非線性映射,理論上能夠通過非線性回歸分析找到這種非線性回歸的精確表達(dá)式。運用光譜技術(shù)對油組分的分析,往往是基于一個基本的假設(shè),也就是組分光譜之間滿足Beer-Lambert定律,即組分光譜滿足線性疊加原理,然而由于石油組分的復(fù)雜性,組分光譜之間往往存在著光譜耦合現(xiàn)象,并不是嚴(yán)格滿足這一定律,這在光譜分析上往往存在著一定的模型誤差。
溢油的發(fā)生時間具有不確定性,既可能發(fā)生在白天,也可能發(fā)生在夜間,因此研究不同光照情況下的油種識別更具有意義。本文的研究表明,在夜間檢測溢油,使用可見光的日光燈光源進行油種識別的效果較差,是不可取的,原因可能是由普通日光燈管的光譜不確定性引起的,其機理有待深入的探討。
另外,由于紫外分析儀器本身的限制,我們在做不同波長的實驗時,302nm紫外燈選用的是透射光譜,當(dāng)然只有都在反射光下才有可比性,但從另外一個角度也說明,透射光譜在一定程度上具有更強的區(qū)分能力,可有效地應(yīng)用到油種識別中。但在現(xiàn)實海洋溢油中,透射檢測在工程上實現(xiàn)起來是比較困難的。
為了研究不同光源下的海洋溢油油種的識別問題,本文搭建了模擬的實驗室環(huán)境,在不同紫外波長和可見光下,使用地物光譜儀進行光譜測量,并基于次光譜進行油種識別。篩選了對油種識別有意義的光源,這對溢油的油種識別具有一定的意義。
iSpecField-WNIR地物光譜儀是萊森光學(xué)(LiSen Optics)專門用于野外遙感測量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品,由于其操作靈活、便攜方便、光譜測試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。iSpecField- WNIR便攜式地物光譜儀采用了工業(yè)級觸控顯示屏手柄探頭,手柄探頭同時采用了獨有光學(xué)設(shè)計內(nèi)置攝像頭(相機)、GPS、激光指示器、內(nèi)置光學(xué)快門控制,同時地物光譜儀主機與工業(yè)級觸控顯示屏手柄探頭一體化設(shè)計,可野外現(xiàn)場直接進行地物光譜操作測量,使野外操作更加便捷方便,非常適合復(fù)雜的野外地物光譜測量。
iSpecField-WNIR便攜式地物光譜儀光譜范圍250-2500nm,獨有的光路設(shè)計,可以實時自動校準(zhǔn)暗電流, 采樣了固定全息光柵一次性分光,測試速度快,最短積分時間最短可達(dá)30微秒,測試動態(tài)范圍廣,同時采用雙路高像素探測器同步測量,光譜數(shù)據(jù)分辨率高,廣泛應(yīng)用于礦物鑒定、土壤研究、遙感測量、農(nóng)作物監(jiān)測、森林研究、海洋學(xué)研究和礦物勘察等各領(lǐng)域。
典型應(yīng)用
1.植被研究、農(nóng)作物健康、森林樹冠研究
2.林業(yè)科學(xué)、環(huán)境調(diào)查、農(nóng)業(yè)調(diào)查
3.水體研究、氣候研究、生態(tài)研究
4.氮含量測量、葉片葉綠素含量
5.土壤分析、生物質(zhì)研究、海洋監(jiān)測
技術(shù)優(yōu)勢特點
1. iSpecField-WNIR光譜范圍250-2500nm,固定全息光柵一次性快速掃描分光
2. 2048像素面陣BT-CCD,256/512像元InGaAs,高像素雙路探測器同步測量,光譜精度高、分辨率高
3. 主機與工業(yè)級觸控顯示手柄探頭一體化結(jié)構(gòu),野外測量無需額外電腦,操作靈活
4. 最短積分時間30微秒,測量動態(tài)范圍大
5. 工業(yè)級觸控顯示手柄探頭內(nèi)置攝像頭(相機)、GPS、激光指示器、內(nèi)置光學(xué)快門控制
6. SpecAnalysis專用地物分析軟件,兼容ENVI、TSG、Arcgis等第三方工具軟件
7. 嵌入了USGS數(shù)據(jù)庫和NDVI等19個植被指數(shù)
8. 帶觸控顯示手柄探頭可擴展接口靈活,匹配豐富測量光學(xué)配件:包括葉片專用透射夾、礦物專用反射探頭、室內(nèi)太陽光源、視場角鏡頭、透反射實驗室支架裝置等可滿足野外和實驗室測量需求,可實現(xiàn)透射反射率、輻照度、輻亮度等功能測試
9. 大容量電池,續(xù)航時間4-5小時,供電電池模塊可拆卸,帶備用電池模塊,滿足長時間野外測量
10. 整機重量不超過4.5公斤、便攜方便
SpecAnalysis地物光譜分析處理軟件
典型地物光譜
植被
硫磺
橄欖石
應(yīng)用案例
主要技術(shù)指標(biāo)
型 號 | iSpecField-WNIR-SRs | iSpecField-WNIR-HRs |
波長范圍 | 250-2500nm | 250-2500nm |
波長精度 | ± 0.5nm | ± 0.5nm |
波長重復(fù)性 | ± 0.1nm | ± 0.1nm |
光譜分辨率 | 1.5nm @250-1000nm 15nm @1000-2500 nm | ≤1nm @250-1000nm ≤6nm @1000-2500 nm |
光譜波長采樣間隔 | 1nm @250-2500 nm | 1nm @250-2500 nm |
光譜通道數(shù) | 2200 | 2200 |
等效噪聲輻射 | 1.0×10-9W/cm2/nm/sr@700nm 1.2×10-9W/cm2/nm/sr@1500nm 5.8×10-9W/cm2/nm/sr@2100nm | 0.8×10-9W/cm2/nm/sr@700nm 0.3×10-9W/cm2/nm/sr@1500nm 1.8×10-9W/cm2/nm/sr@2100nm |
探測器/掃描方式 | 2048像素面陣BT-CCD/256像素InGaAs-TEC致冷:固定全息光柵分光 | 2048像素面陣BT-CCD/512像素InGaAs-TEC致冷:固定全息光柵分光 |
檢測器陣列通道數(shù) | ≥512@350-1000 nm; ≥530@1001-1800nm; ≥530@1801-2500 nm | |
雜散光 | ≤0.02% @350-1000 nm; ≤0.01% @1000-2500nm | |
輻射校準(zhǔn)精度 | <5%@400 nm;<5%@700 nm;<5%@2200 nm | |
最短積分曝光時間 | 30μs | |
最大輻射 | VNIR 2 倍太陽光,SWIR 10 倍太陽光 | |
內(nèi)存 | 16GB/32GB/64GB(儲存數(shù)據(jù)>100萬組) | |
GPS | Yes | |
攝像頭(相機)分辨率 | >800萬像素自動對焦 | |
瞄準(zhǔn)方式 | 內(nèi)置激光指示器 | |
光閘控制 | 自動 | |
通信方式 | PDA觸控顯示/WIFI傳輸 | |
光譜軟件 | 內(nèi)置iSpecField-Soft測量軟件、SpecAnalysis后處理分析軟件 | |
電池續(xù)航時間 | 充電電池持續(xù)工作時間:4-5 小時 | |
光學(xué)附件 | 葉片專用透射夾、全天光余弦探頭、手柄式光纖探頭、礦物專用反射探頭、室內(nèi)太陽光源、視場角鏡頭、透反射實驗室支架裝置、標(biāo)準(zhǔn)白板、標(biāo)準(zhǔn)灰板等 | |
尺寸/重量 | 340(長)× 300(寬)× 143(高)mm/4.5KG |