CN114674783A - 一种基于近红外光谱检测沼液质量指标的方法 - Google Patents
一种基于近红外光谱检测沼液质量指标的方法 Download PDFInfo
- Publication number
- CN114674783A CN114674783A CN202210598710.3A CN202210598710A CN114674783A CN 114674783 A CN114674783 A CN 114674783A CN 202210598710 A CN202210598710 A CN 202210598710A CN 114674783 A CN114674783 A CN 114674783A
- Authority
- CN
- China
- Prior art keywords
- biogas slurry
- quality index
- sample
- near infrared
- optimization
- 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.)
- Pending
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 241000196324 Embryophyta Species 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 239000010902 straw Substances 0.000 claims abstract description 19
- 240000008042 Zea mays Species 0.000 claims abstract description 18
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims abstract description 18
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims abstract description 18
- 235000005822 corn Nutrition 0.000 claims abstract description 18
- 238000000855 fermentation Methods 0.000 claims abstract description 17
- 238000000411 transmission spectrum Methods 0.000 claims abstract description 15
- 210000003608 fece Anatomy 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 17
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- 239000000843 powder Substances 0.000 claims description 8
- 241000894006 Bacteria Species 0.000 claims description 7
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 6
- 230000001488 breeding effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 239000002054 inoculum Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 239000006228 supernatant Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 241000698776 Duma Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000004401 flow injection analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于近红外光谱检测沼液质量指标的方法，涉及沼液检测技术领域，所述方法包括采集玉米秸秆和牛粪样品，经厌氧发酵后，得到沼液样品；进行沼液质量指标的检测，获得沼液样品的质量指标初始值；进行透射光谱扫描，得到所述沼液样品的近红外光谱；基于反向区间偏最小二乘法以及入侵杂草优化算法进行特征波长优选，得到样品特征波长优选值；基于所述样品特征波长优选值建立定量检测模型；对目标沼液进行透射光谱扫描，得到目标特征波长优选值，根据所述目标特征波长优选值和所述定量检测模型，获得所述目标沼液的质量指标值。与现有技术比较，检测速度快、精度高，能够实现沼液质量指标的同步快速检测。
Description
技术领域
本发明涉及沼液检测技术领域，具体而言，涉及一种基于近红外光谱检测沼液质量指标的方法。
背景技术
厌氧发酵产生的沼液，可以用作肥料，用来浸种，防止病虫害，还可以用作畜禽饲料。因此，沼液的合理利用，能够有效促进农牧废弃物生物燃气化利用，而氮素、有机质和类大肠杆菌等沼液质量指标是检测沼液是否可用的重要指标。其中，类大肠杆菌属于细菌类微生物，其含量的检测对于沼液的质量有重要影响。但采用传统测定方法测定含量时存在测试成本高、速度慢的问题。
近红外光谱分析技术因其具有简便、快速、无损、低成本以及多组分同步快速检测的优势，在农产品及农牧业废弃物的定性分析和定量检测方面得到了广泛应用。但由于近红外光谱仪器采集的数据量大，在建立上述检测模型时以全谱波长点建模，计算量大，波长冗余严重，不相干和非线性的波长点对模型预测精度影响较大，因此，现有近红外光谱检测效率和精度普遍较低。
发明内容
本发明解决的问题是现有传统沼液质量指标含量测试成本高、速度慢，或近红外光谱检测效率和精度普遍较低中的至少一个方面。
为解决上述问题，本发明提供一种基于近红外光谱检测沼液质量指标的方法，包括如下步骤：
步骤S1，采集玉米秸秆和牛粪样品，经厌氧发酵后，得到沼液样品；
步骤S2，分别取所述沼液样品的上清液进行沼液质量指标的检测，获得沼液样品的质量指标初始值，所述沼液质量指标包括氮素、有机质或类大肠杆菌；
步骤S3，对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱；
步骤S4，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值；
步骤S5，基于所述样品特征波长优选值建立定量检测模型；
步骤S6，对目标沼液进行透射光谱扫描，基于所述样品特征波长优选值得到所述目标沼液的质量指标的目标特征波长优选值，根据所述目标特征波长优选值和所述定量检测模型，获得所述目标沼液的质量指标值。
可选地，步骤S1中，所述厌氧发酵包括：分别以玉米秸秆段、玉米秸秆粉、牛粪、玉米秸秆粉牛粪混合物为厌氧发酵原料，以常年驯化正常产气的牛粪厌氧发酵液为接种物，混合后进行所述厌氧发酵。
可选地，步骤S3中，所述对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱，包括：对所述沼液样品进行透射光谱扫描，得到原始光谱后进行光谱预处理，得到所述沼液样品的近红外光谱。
可选地，步骤S4中，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S41，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果；
步骤S42，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值。
可选地，步骤S41中，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果，包括：
步骤S411，根据预设标准波长点数将所述沼液样品的近红外光谱划分为多个子区间；
步骤S412，将交叉验证均方根误差最小的所述子区间的组合确定为所述初步优选结果。
可选地，步骤S42中，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S421，基于所述初步优选结果中包含的初始特征波长点，进行二进制编码和种群初始化，并根据所述沼液样品的质量指标初始值计算初始种群中每个杂草在所述初始种群中的适应度值；
步骤S422，所述初始种群依次经过种群繁殖和空间扩散后，根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖；
步骤S423，确定适应度值最小的杂草个体以得到优选特征波长点，将多次重复得到的所述优选特征波长点确定为所述样品特征波长优选值。
可选地，步骤S422中，所述种群繁殖过程中，每个杂草所产生的种子个数为：
其中，f为当前杂草的适应度值；fmin为当前种群中杂草的最小适应度值；fmax为当前种群中杂草的最大适应度值；Smax为单个杂草所能产生种子的最大值；Smin为单个杂草所能产生种子的最小值。
可选地，步骤S422中，所述空间扩散包括：将产生的种子按正态分布随机扩散在所述初始特征波长点周围。
可选地，步骤S422中，所述根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖，包括：在所述空间扩散后计算海明距离，判断所述海明距离是否满足多样性阈值，若满足，进行步骤S423；若否，重新进行所述种群繁殖。
可选地，所述海明距离的计算公式如下：
其中，diver为海明距离，weedi是父代杂草i的遗传信息编码，weedt是杂草i繁殖的第t个子代杂草的遗传信息编码，sum是二进制变量中编码为1的个数。
本发明所述的基于近红外光谱检测沼液质量指标的方法相对于现有技术的优势在于：
本发明先采用反向区间偏最小二乘法进行特征波长初步优选，进行特征光谱区间的初步定位。在特征波长初步优选的基础上，再使用入侵杂草优化算法对结果进行二次优选，进一步剔除相关性较弱的波长点。因此，反向区间偏最小二乘法联合入侵杂草优化算法进行波长选择，在兼顾波长优选性能的同时简化算法结构提高搜索效率，有效减少搜索时间，检测速度快，精度高，能够实现沼液氮素、有机质和类大肠杆菌等质量指标的同步快速检测。
附图说明
图1为本发明实施例中基于近红外光谱检测沼液质量指标的方法流程图；
图2为本发明实施例中基于反向区间偏最小二乘法以及入侵杂草优化算法得到所述沼液样品的质量指标的样品特征波长优选值的流程图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。
在本申请实施例的描述中，术语“一些实施例”的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
如图1所示，本发明实施例提供一种基于近红外光谱检测沼液质量指标的方法，包括如下步骤：
步骤S1，采集玉米秸秆和牛粪样品，经厌氧发酵后，得到沼液样品；
步骤S2，分别取所述沼液样品的上清液进行沼液质量指标的检测，获得沼液样品的质量指标初始值，所述沼液质量指标包括氮素、有机质或类大肠杆菌；
步骤S3，对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱；
步骤S4，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值；
步骤S5，基于所述样品特征波长优选值建立定量检测模型；
步骤S6，对目标沼液进行透射光谱扫描，基于所述样品特征波长优选值得到所述目标沼液的质量指标的目标特征波长优选值，根据所述目标特征波长优选值和所述定量检测模型，获得所述目标沼液的质量指标值。
优选的实施例中，步骤S1中，所述厌氧发酵包括：分别以玉米秸秆段、玉米秸秆粉、牛粪、玉米秸秆粉牛粪混合物为厌氧发酵原料，以常年驯化正常产气的牛粪厌氧发酵液为接种物，混合后进行所述厌氧发酵。
本实施例中，玉米秸秆段是由玉米秸秆风干后切成10mm段获得；玉米秸秆粉是由玉米秸秆风干后粉碎成秸秆粉获得，方法简便，容易实施。
优选的实施例中，步骤S2中，类大肠杆菌采用T6新世纪紫外可见分光光度计测定，有机质的含量采用FOSS FIAstar 5000流动注射分析仪测定，氮素采用Dumas定氮仪测定。
一些实施例中，步骤S3中，所述对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱，包括：对所述沼液样品进行透射光谱扫描，得到原始光谱后进行光谱预处理，得到所述沼液样品的近红外光谱。
优选的实施例中，采用Nicolet公司的Antaris Ⅱ型傅里叶近红外光谱仪对采集样品进行透射光谱扫描，光谱采集范围4000-10000cm-1(1000-2500nm)，分辨率为8.0cm-1，样品扫描32次，数据保存格式为log1/R，背景每小时扫描一次。保持室内温湿度基本稳定的情况下，每个样品装样3次，取3次扫描平均值作为样品的原始光谱，每个样品原始光谱的波长点数为1557个。
优选的实施例中，所述光谱预处理的方法包括光谱平滑、多元散射校正、标准正则变换和导数处理中的一种或几种。通过光谱预处理完成光谱基线校正，并去除光谱中的无关信息和高频噪声。
一些实施例中，步骤S4中，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S41，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果；
步骤S42，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值。
本实施例先采用反向区间偏最小二乘法进行特征波长初步优选，进行特征光谱区间的初步定位。在特征波长初步优选的基础上，再使用入侵杂草优化算法对结果进行二次优选，进一步剔除相关性较弱的波长点，利用反向区间偏最小二乘法联合入侵杂草优化算法进行波长选择，在兼顾波长优选性能的同时简化算法结构提高搜索效率，有效减少搜索时间。
如图2所示，一些实施例中，步骤S41中，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果，包括：
步骤S411，根据预设标准波长点数将所述沼液样品的近红外光谱划分为多个子区间；
步骤S412，将交叉验证均方根误差最小的所述子区间的组合确定为所述初步优选结果。
优选的实施例中，步骤S411中，按30、40、50、60、80、100、120个波长点将所述沼液样品的近红外光谱划分为62、39、31、26、20、16、13个子区间。
一些实施例中，步骤S42中，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S421，基于所述初步优选结果中包含的初始特征波长点，进行二进制编码和种群初始化，并根据所述沼液样品的质量指标初始值计算初始种群中每个杂草在所述初始种群中的适应度值；
步骤S422，所述初始种群依次经过种群繁殖和空间扩散后，根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖；
步骤S423，确定适应度值最小的杂草个体以得到优选特征波长点，将多次重复得到的所述优选特征波长点确定为所述样品特征波长优选值。
本实施例中，入侵杂草优化算法的空间扩散服从高斯分布的扩散策略，扩散标准差随着迭代次数变化，将算法搜索由大范围局部搜索转变为精细的局部搜索，能够有效剔除反向区间偏最小二乘法优选谱区内存在的弱相关性波长变量。
优选的实施例中，步骤S421中，二进制编码中，“1”和“0”分别表示特征波长点对应的数据“是”、“否”选中参与运算。
优选的实施例中，步骤S422中，所述种群繁殖过程中，每个杂草所产生的种子个数为：
其中，f为当前杂草的适应度值；fmin为当前种群中杂草的最小适应度值；fmax为当前种群中杂草的最大适应度值；Smax为单个杂草所能产生种子的最大值；Smin为单个杂草所能产生种子的最小值。
一些实施例中，步骤S422中，所述空间扩散包括：将产生的种子按正态分布随机扩散在所述初始特征波长点周围。
一些实施例中，步骤S422中，所述根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖，包括：在所述空间扩散后计算海明距离，判断所述海明距离是否满足多样性阈值，若满足，进行步骤S423；若否，重新进行所述种群繁殖。
优选的实施例中，所述海明距离的计算公式如下：
其中，diver为海明距离，weedi是父代杂草i的遗传信息编码，weedt是杂草i繁殖的第t个子代杂草的遗传信息编码，sum是二进制变量中编码为1的个数。
具体地，本实施例中以初步优选结果中包含的初始特征波长点的数量为码长L，并选取五倍码长5L为种群最大数，当生成的种群数量超过5L时，对繁殖得到的种群按适应度值由小到大进行排序，选取适应度较好的L个个体作为保留种群。以保留种群中的L个个体继续进行下一轮生长繁殖、竞争择优进化，直到达到最大进化代数。保留最后种群中适应度值最小的个体作为最优解，其对应的二进制编码中值为1的点即为选中的特征波长。
一些实施例中，步骤S5中，基于所述样品特征波长优选值建立定量检测模型，还包括：用验证集对定量检测模型的精度进行评测，若验证集的评测结果不满足测试精度要求，重新执行步骤S4，进行特征波长优选，得到样品特征波长优选值，直至定量检测模型的精度满足测试精度要求。
一些实施例中，步骤S6中，根据所述目标特征波长优选值和所述定量检测模型，获得所述目标沼液的质量指标值，包括：将所述目标特征波长优选值输入所述定量检测模型，获得所述目标沼液的质量指标值。
优选的实施例中，在步骤S6之后，还包括：将目标沼液的质量指标值与沼液的标准质量指标进行比对，以确认沼液的标准程度，若达标，则可以使用，否则，不能使用。
因此，本实施例先采用反向区间偏最小二乘法进行特征波长初步优选，进行特征光谱区间的初步定位。在特征波长初步优选的基础上，再使用入侵杂草优化算法对结果进行二次优选，进一步剔除相关性较弱的波长点。因此，反向区间偏最小二乘法联合入侵杂草优化算法进行波长选择，在兼顾波长优选性能的同时简化算法结构提高搜索效率，有效减少搜索时间，检测速度快，精度高，能够实现沼液氮素、有机质和类大肠杆菌等质量指标的同步快速检测。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种基于近红外光谱检测沼液质量指标的方法，其特征在于，包括如下步骤：
步骤S1，采集玉米秸秆和牛粪样品，经厌氧发酵后，得到沼液样品；
步骤S2，分别取所述沼液样品的上清液进行沼液质量指标的检测，获得沼液样品的质量指标初始值，所述沼液质量指标包括氮素、有机质或类大肠杆菌；
步骤S3，对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱；
步骤S4，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值；
步骤S5，基于所述样品特征波长优选值建立定量检测模型；
步骤S6，对目标沼液进行透射光谱扫描，基于所述样品特征波长优选值得到所述目标沼液的质量指标的目标特征波长优选值，根据所述目标特征波长优选值和所述定量检测模型，获得所述目标沼液的质量指标值。
2.根据权利要求1所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S1中，所述厌氧发酵包括：分别以玉米秸秆段、玉米秸秆粉、牛粪、玉米秸秆粉牛粪混合物为厌氧发酵原料，以常年驯化正常产气的牛粪厌氧发酵液为接种物，混合后进行所述厌氧发酵。
3.根据权利要求1所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S3中，所述对所述沼液样品进行透射光谱扫描，得到所述沼液样品的近红外光谱，包括：对所述沼液样品进行透射光谱扫描，得到原始光谱后进行光谱预处理，得到所述沼液样品的近红外光谱。
4.根据权利要求1所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S4中，根据所述沼液样品的质量指标初始值，并基于反向区间偏最小二乘法以及入侵杂草优化算法对所述沼液样品的近红外光谱进行特征波长优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S41，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果；
步骤S42，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值。
5.根据权利要求4所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S41中，基于反向区间偏最小二乘法对所述沼液样品的近红外光谱进行特征区间优选，得到初步优选结果，包括：
步骤S411，根据预设标准波长点数将所述沼液样品的近红外光谱划分为多个子区间；
步骤S412，将交叉验证均方根误差最小的所述子区间的组合确定为所述初步优选结果。
6.根据权利要求4所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S42中，根据所述沼液样品的质量指标初始值，并采用入侵杂草优化算法对所述初步优选结果进行二次优选，得到所述沼液样品的质量指标的样品特征波长优选值，包括：
步骤S421，基于所述初步优选结果中包含的初始特征波长点，进行二进制编码和种群初始化，并根据所述沼液样品的质量指标初始值计算初始种群中每个杂草在所述初始种群中的适应度值；
步骤S422，所述初始种群依次经过种群繁殖和空间扩散后，根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖；
步骤S423，确定适应度值最小的杂草个体以得到优选特征波长点，将多次重复得到的所述优选特征波长点确定为所述样品特征波长优选值。
7.根据权利要求6所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S422中，所述种群繁殖的过程中，每个杂草所产生的种子个数为：
其中，f为当前杂草的适应度值；fmin为当前种群中杂草的最小适应度值；fmax为当前种群中杂草的最大适应度值；Smax为单个杂草所能产生种子的最大值；Smin为单个杂草所能产生种子的最小值。
8.根据权利要求7所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S422中，所述空间扩散包括：将产生的种子按正态分布随机扩散在所述初始特征波长点周围。
9.根据权利要求8所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，步骤S422中，所述根据扩散后种群规模的判断结果，确定进行步骤S423或重新进行所述种群繁殖，包括：在所述空间扩散后计算海明距离，判断所述海明距离是否满足多样性阈值，若满足，进行步骤S423；若否，重新进行所述种群繁殖。
10.根据权利要求9所述的基于近红外光谱检测沼液质量指标的方法，其特征在于，所述海明距离的计算公式如下：
其中，diver为海明距离，weedi为父代杂草i的遗传信息编码，weedt为杂草i繁殖的第t个子代杂草的遗传信息编码，sum是二进制变量中编码为1的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210598710.3A CN114674783A (zh) | 2022-05-30 | 2022-05-30 | 一种基于近红外光谱检测沼液质量指标的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210598710.3A CN114674783A (zh) | 2022-05-30 | 2022-05-30 | 一种基于近红外光谱检测沼液质量指标的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114674783A true CN114674783A (zh) | 2022-06-28 |
Family
ID=82080998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210598710.3A Pending CN114674783A (zh) | 2022-05-30 | 2022-05-30 | 一种基于近红外光谱检测沼液质量指标的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114674783A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115639160A (zh) * | 2022-12-23 | 2023-01-24 | 东北农业大学 | 一种无人值守的沼液指标在线同步速测装置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104539331A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 一种基于改进的混合入侵杂草算法阵列天线波束合成方法 |
| CN109507143A (zh) * | 2018-10-29 | 2019-03-22 | 黑龙江八农垦大学 | 沼液理化指标近红外光谱同步快速检测方法 |
| CN110426367A (zh) * | 2019-08-28 | 2019-11-08 | 农业农村部环境保护科研监测所 | 规模化奶牛场粪水处理全链条环节的粪水中总磷含量的快速预测方法 |
| CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
| WO2021212649A1 (zh) * | 2020-04-20 | 2021-10-28 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
-
2022
- 2022-05-30 CN CN202210598710.3A patent/CN114674783A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104539331A (zh) * | 2015-01-09 | 2015-04-22 | 哈尔滨工程大学 | 一种基于改进的混合入侵杂草算法阵列天线波束合成方法 |
| CN109507143A (zh) * | 2018-10-29 | 2019-03-22 | 黑龙江八农垦大学 | 沼液理化指标近红外光谱同步快速检测方法 |
| CN110426367A (zh) * | 2019-08-28 | 2019-11-08 | 农业农村部环境保护科研监测所 | 规模化奶牛场粪水处理全链条环节的粪水中总磷含量的快速预测方法 |
| CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
| WO2021212649A1 (zh) * | 2020-04-20 | 2021-10-28 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| HAITAO ZHAO等: "Application of invasive weed optimization and least square support vector machine for prediction of beef adulteration with spoiled beef based on visible near-infrared(Vis-NIR) hyperspectral imaging", 《MEAT SCIENCE》 * |
| 刘金明 等: "玉米秸秆纤维素和半纤维素NIRS特征波长优选", 《光谱学与光谱分析》 * |
| 张华强等: "IWO-PSO-SVR算法在甲烷检测中的应用", 《中国环境科学》 * |
| 李雅静: "基于改进入侵杂草算法的有源配电网重构", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115639160A (zh) * | 2022-12-23 | 2023-01-24 | 东北农业大学 | 一种无人值守的沼液指标在线同步速测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gattullo et al. | Cover crop for a sustainable viticulture: Effects on soil properties and table grape production | |
| Qiao et al. | Impact of fruit-tree shade intensity on the growth, yield, and quality of intercropped wheat | |
| Lemus et al. | Effects of nitrogen fertilization on biomass yield and quality in large fields of established switchgrass in southern Iowa, USA | |
| Baxter et al. | Single-kernel ionomic profiles are highly heritable indicators of genetic and environmental influences on elemental accumulation in maize grain (Zea mays) | |
| Norman et al. | Broad near-infrared spectroscopy calibrations can predict the nutritional value of> 100 forage species within the Australian feedbase | |
| Hassan et al. | Performance of sorghum cultivars for biomass quality and biomethane yield grown in semi-arid area of Pakistan | |
| CN107548915B (zh) | 基于草地生态系统的牧草新种质资源、新品种评价方法 | |
| Ward et al. | An African grassland responds similarly to long-term fertilization to the Park Grass experiment | |
| CN109214635A (zh) | 一种堆肥腐熟度的评价方法 | |
| CN114674783A (zh) | 一种基于近红外光谱检测沼液质量指标的方法 | |
| Wang et al. | Rapid determination of ammonia nitrogen concentration in biogas slurry based on NIR transmission spectroscopy with characteristic wavelength selection | |
| US7842510B2 (en) | Method for measuring maturity degree of compost and measuring solution | |
| Nguyen et al. | Comparison of paddy soil fertility under conventional rice straw application versus cow dung compost application in mixed crop–livestock systems in a cold temperate region of Japan | |
| Masoero et al. | NIRS footprint of bio-fertilizers from hay litter-bags | |
| da Silva et al. | Leaf area of sugarcane varieties and their correlation with biomass productivity in three cycles | |
| Sharma et al. | Baby corn-legumes intercropping systems: I. Yields, resource utilization efficiency, and soil health | |
| Ceotto et al. | Biomass and methane yield of giant reed (Arundo donax L.) as affected by single and double annual harvest | |
| Varshitha et al. | An AI solution for Soil Fertility and Crop Friendliness Detection and Monitoring | |
| Kong et al. | Applicability and limitation of compost maturity evaluation indicators: A review | |
| CN109507143B (zh) | 沼液理化指标近红外光谱同步快速检测方法 | |
| Lecarpentier et al. | Genotypic diversity and plasticity of root system architecture to nitrogen availability in oilseed rape | |
| Lima et al. | Epigeal fauna and soil attributes in a cover-cropped organic vegetable system | |
| Niu et al. | Genome wide association analysis of acid detergent fiber content of 206 forage sorghum (Sorghum bicolor (L.) Moench) accessions | |
| Vandecasteele et al. | Fast screening of total nutrient contents in strawberry leaves and spent growing media using NIRS | |
| Wijayanti et al. | Deep sea phytoplankton community of the Sangihe-Talaud Islands waters. |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220628 |
|
| RJ01 | Rejection of invention patent application after publication |