近紅外光譜分析中溫度影響的修正

孫彥華，范永濤*

1.中國科學院上海光學精密機械研究所微納光電子功能材料實驗室，強激光材料重點實驗室，上海 201800 2.中國科學院大學材料與光電研究中心，北京 100049

引 言

近紅外光譜分析由于具有快速、無損、高效檢測的優點，被廣泛應用于各個領域[1-4]。隨著科學家對于近紅外光譜儀研究的深入，出現了許多新型近紅外光譜儀，并大大拓展了近紅外光譜儀的應用場景,已經由實驗室檢測走向現場檢測[5-6]。

由于近紅外光譜屬于分子振動光譜，溫度改變時，樣品內分子的振動加劇或減弱，分子間的作用力發生變化，進而影響到分子振動或轉動狀態在不同能級之間的躍遷，從而影響分子的振動光譜[7]，所以當近紅外光譜儀由溫度精確的實驗室環境進入到現場檢測環境時，檢測結果易受溫度變化的影響。本課題研究發現，當溫度在0～25 ℃的范圍內變化時，粗蛋白含量為6.04%的樣品的預測值與實測值之間的最大偏差為1.12%。已有報道的研究工作也表明樣品溫度的不同會對檢測結果產生影響，如王冬[8]等研究了樣品溫度對復配乳油的近紅外光譜定量分析模型的影響；Li[9]等對不同溫度下的花生油、豆油、玉米油的混合物的吸光度光譜進行分析，結果發現，溫度對光譜的影響隨著體積比的增加越來越明顯。因此溫度對吸光度光譜的影響不容忽視，在檢測過程中需要去除溫度的影響。

常用的溫度修正方法有化學計量學方法、全局隱含或顯式溫度補償[8]、去除對溫度敏感的波長[10]等?；瘜W計量學方法適用于含水量較大的樣品，具有局限性；全局隱含或溫度補償方法在建模時需要測量不同溫度下的光譜及樣品實測值，加大了工作量；去除對溫度敏感的波長會降低模型的精度。以上方法雖然在特定的條件下可以對溫度產生的影響進行修正，但都存在一定的缺陷；為了解決溫度產生的影響，本課題探究了溫度與光譜之間的關系，提出了溫度修正理論，從近紅外光譜分析的本質上對溫度產生的影響進行了修正，有效提高了模型的預測結果。

1 實驗部分

1.1 樣品

玉米樣品來自上海嘉定區某飼料廠，不同品牌、不同產地、籽粒大小均勻、表面無霉斑的玉米樣品總計97個。其中63個樣品作為建模用。將樣品使用粉碎機粉碎，過40目篩子篩選后，每個樣品一分為二，分別裝入密封的自封袋中進行保存，做好標記。將其中一份自封袋中樣品放在室溫環境(24 ℃)內一晚，另一份的樣品放置在冰箱冷凍室內使樣品的溫度達到-5 ℃，保障玉米樣品的溫度保持一致，以備用；另外34個樣品用作驗證本溫度修正理論的正確性，對其作與建模樣品相同的處理。

1.2 手持式近紅外光譜采集系統

近紅外光譜采集系統為本課題組自行研發的手持式近紅外光譜儀，該手持式近紅外光譜儀形狀區別于目前市場上存在的“手槍狀”手持式近紅外光譜儀[11]，為“萬用表”操作模式，儀器整體結構如圖1所示，儀器整體大小與手持式萬用表相當，可單手操作，非常方便攜帶。此檢測儀采用直接從透明樣品杯底部采集光譜的方法，采樣過程中樣品與檢測儀的位置、角度始終保持一致，完全不受使用者操作方式的影響，大幅提高了檢測儀的采樣精度，并降低了使用難度，解決了現有手持式近紅外光譜儀測量結果易受其光學窗口與樣品角度及貼合度的細微差別的影響。

圖1 手持式近紅外光譜儀Fig.1 Handheld near infrared spectrometer

該手持式近紅外光譜儀的波長范圍在900～1 700 nm，波長分辨率為16 nm，積分時間設置為80 ms，平均次數為10次。該儀器自帶溫度傳感器，可以在采集光譜的同時測量該條光譜相對應的樣品溫度。

1.3 標準理化值測量方法

粗蛋白理化值測量使用凱氏定氮法[12-13]，將玉米樣品與硫酸和催化劑一同放入消化爐(HYP-340,上海纖檢儀器有限公司)內加熱消化，使粗蛋白分解，然后將消化后的樣品使用定氮儀(KDN818,上海纖檢儀器有限公司)進行測量，在測量的過程中每個樣品做了3個平行樣，取3次測量的平均值作為每個樣品的實測值，該方法通過理化分析含氮量來確定樣品的粗蛋白含量，耗時相對較長，但精度較高，玉米粗蛋白含量測定結果如表1所示。

表1 玉米粗蛋白的測定結果Table 1 Statistics results of corn crude protein content measurement

1.4 光譜采集

將手持式近紅外光譜儀預熱10 min，先進行暗光譜和參考光譜的采集，然后將常溫下的樣品裝入樣品杯，放置在光譜儀上，每次旋轉30°，測量6次，6次測量光譜的平均光譜代表樣品真實光譜。

采集不同溫度下的樣品光譜時，將樣品依次快速從冰箱中取出進行裝樣，然后在樣品溫度上升的過程中連續進行光譜的掃描并把各個光譜的相應溫度使用儀器自帶的溫度傳感器記錄下來。

對預測集樣品進行光譜采集時，早上8點將樣品放置在室外，然后在下午13點至14點之間進行光譜的采集。

1.5 模型的建立

將63個樣本按照2∶1的比例分為校正集和驗證集，使用室溫(24 ℃)下采集的樣品的光譜建立偏最小二乘回歸(partial least squares regression,PLS)模型，該模型校正集和驗證集的相關系數(coefficient of determination，R)分別為0.988 2和0.993 0，校正集標準差(root mean square error of calibration，RMSEC)為0.144，驗證集標準差(root mean square error of prediction，RMSEP)為0.213。

2 結果與討論

2.1 溫度對光譜的影響

不同于臺式設備，手持設備經常在戶外使用，氣溫波動范圍一般達到-10～35 ℃，若不加處理，將對測量精度產生嚴重影響。待測樣品的反射光譜受環境溫度影響劇烈，我們將不同溫度下的同一樣品的吸光度光譜進行預處理，排除噪聲及光程差帶來的光譜變化，只考慮溫度對吸光度光譜的影響，試驗結果如圖2(a)所示。圖2(b)為同一樣品相同溫度下的光譜，由圖2(a)和圖2(b)對比可知，溫度對光譜的影響十分明顯。

2.2 溫度對預測結果的影響

選取粗蛋白含量為6.04%的樣品，溫度從0 ℃變化至24 ℃過程中一共采集了23條光譜，將這23條不同溫度下的光譜依次代入建立好的模型中進行預測，預測結果如圖3所示。從圖中可以看出樣品溫度與建模溫度相差越大時預測結果與實測值之間的誤差也越大，預測值與實測值之間最大的偏差為1.12%，已超出國標所允許范圍[14]。

圖2 溫度對樣品光譜的影響(a)：不同溫度下同一樣品的光譜；(b)：相同溫度下同一樣品的光譜Fig.2 The effect of temperature on sample spectrum(a)：Spectra of the same sample at different temperatures;(b)：Spectra of the same sample at the same temperature

圖3 粗蛋白含量為6.04%的樣品不同溫度下的光譜得到的預測值Fig.3 Predicted values of spectra at different temperatures for samples with a crude protein content of 6.04%

2.3 溫度修正原理

該溫度修正原理是基于吸光度的校正，宏觀上，溫度對樣品的吸光度的影響是一個小量；通過試驗對溫度和光譜之間的關系進行探究，試驗結果如圖4所示。

圖4 溫度與吸光度的關系Fig.4 The relationship between temperature and absorbance

由圖4可知，溫度與吸光度在一定范圍內滿足線性關系?；诖?，將同一波長點處不同溫度下的吸光度值AλiTi與溫度Ti進行一元線性回歸

AλiTi=bλj0+Tibλj1

(1)

式中，AλjTi為同一樣品同一波長點處不同溫度下的吸光度值，Ti為不同的溫度，λj為不同的波長，bλj1為線性回歸系數，bλj0為線性回歸常數項，表示除自變量以外其他因素對因變量的平均影響量。其最小二乘解為

(2)

以建立模型時樣品的溫度為基準，求取要預測樣品的溫度與基準溫度的差值ΔTi，代入式(1)求得由于溫度的影響，吸光度的改變值ΔAλj。校正之后的吸光度與原始吸光度存在式(3)關系

Aλj1=Aλj0-ΔAλj

(3)

通過以上操作，不同溫度下的樣品吸光度Aλj0將會被修正為統一溫度下樣品的吸光度Aλj1，以Aλj1代入模型進行計算，一定程度上可以消除環境溫度對樣品吸光度的影響。

2.4 溫度修正試驗結果

利用提出的溫度修正理論，以該樣品的建模溫度為基準，將不同溫度下的光譜分別進行修正，修正后的光譜圖如圖5所示，從圖中可以看出，不同溫度下的樣品的光譜之間的差異和未修正時相比已經有了顯著改善。

為了驗證溫度修正理論的正確性，還需要將修正后的光譜代入室溫(24 ℃)下已建立好的的模型進行預測，預測結果如圖6所示。通過比較光譜修正前后各個溫度下的預測結果，對溫度修正理論的效果進行評價。

圖中實橫線為樣品的實測值，兩條虛線為國家標準允許的誤差范圍的臨界值，預測值越接近實橫線說明模型預測效果越好，在兩條虛線之間的預測值可以滿足國家標準的要求。由圖6可知，樣品不同溫度下的近紅外光譜經過溫度修正后的預測結果大部分都已符合國家標準所要求的誤差范圍，對比圖3和圖6發現，粗蛋白含量為6.04%的樣品的預測值與實測值的誤差范圍從未修正前的±1.12%下降為±0.5%，由此可以看出，此溫度修正理論可以很好地修正溫度對近紅外光譜產生的影響。

圖5 經過溫度修正理論修正后的光譜圖Fig.5 Spectra obtained by temperature correction theory

2.5 預測模型驗證

為驗證本文中提出的溫度修正模型的正確性，將采集得到的34個不同含量的預測集樣品的未經過溫度理論修正的光譜和經過溫度理論修正后的光譜分別代入已建立好的模型進行預測，分別與利用標準方法測定的理化值進行比較分析。

圖6 經過溫度修正理論修正后的不同溫度下的預測值Fig.6 Predicted values at different temperatures obtained by temperature correction theory

如圖7所示，玉米樣品粗蛋白含量的模型預測值與標準理化值決定系數分別為0.910和0.982，均方根誤差分別為0.558和0.172，最大相對誤差(maximum relative error，MRA) 分別為15.21%和5.01%，平均相對誤差(average relative error，ARE)分別為6.05%和1.75%?；谔岢龅臏囟刃拚碚摽梢院芎玫南郎囟葘︻A測結果產生的影響，可以實現手持式近紅外光譜儀現場檢測的需求。

圖7 溫度修正前后玉米外部驗證模型效果(a)：光譜未進行修正的預測模型； (b)：光譜經過溫度修正之后的預測模型Fig.7 Effect of the external validation model of corn before and after temperature correction(a)：A prediction model in which the spectrum is not corrected; (b)：A prediction model after the spectra corrected by this proposed method

3 結 論

利用自主研制的手持式近紅外光譜儀采集玉米樣品的近紅外光譜，研究樣品溫度變化對模型預測結果的影響。通過分析發現樣品吸光度光譜與溫度之間存在線性關系，利用這一關系提出了溫度修正理論，試驗結果證明，該溫度修正理論可以對光譜進行修正，修正后的光譜代入已建立好的模型預測結果有了很大的改善。最后，使用34個樣本對溫度修正理論進行了檢驗，光譜修正前后粗蛋白的模型預測值與標準理化值決定系數分別為0.910和0.982，均方根誤差分別為0.558和0.172，平均相對誤差分別為6.05%和1.75%。表明，溫度修正理論可以很好的修正溫度對樣品光譜產生的影響，可以實現樣品的快速無損檢測。由于該溫度修正理論簡單易懂并從近紅外光譜分析的本質上對溫度進行了修正，所以方法穩定可靠。該方法不僅可以為修正其他樣品溫度對模型預測結果的影響提供重要的參考，而且也可以推動手持式近紅外光譜儀的發展。