基于近红外光谱和机器学习算法的料中微塑料的快速检测
Yinuo Liu1, Zhengting Huo1, Mingyue Huang2
1College of Engineering and Technology, Tianjin Agricultural University, Tianjin 300392, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|December 29, 2024
概括
近红外 (NIR) 光谱与机器学习相结合,有效检测料中的微塑料 (MP). 该SPA-SVM模型实现了96.26%的准确性,提供了快速可靠的分析方法.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 动物料中的微塑料 (MP) 污染对食品安全和动物健康构成风险.
- 对料中的MPs进行准确和快速检测的方法对于风险评估和缓解至关重要.
研究的目的:
- 评估近红外 (NIR) 光谱学与机器学习相结合的潜力,以检测料中的MPs.
- 开发和优化分类模型,用于识别受MP污染的料样本.
主要方法:
- 从未被污染的和被MP污染的 (聚烯,PVC,PET) 料样本中收集了NIR扩散反射光谱.
- 数据预处理包括多倍散射校正 (MSC) 和标准正常变量 (SNV) 转换.
- 使用竞争性适应性重权取样 (CARS) 和连续预测算法 (SPA) 选择了特征波长.
- 四个机器学习模型 (PLSDA,BPNN,SVM,RF) 为MP分类而构建.
主要成果:
- 主要成分分析 (PCA) 揭示了MPs对料的光谱影响.
- 连续投影算法 (SPA) 证明了在选择特征波长时的有效性.
- 该SPA-SVM模型表现出最佳性能,在未知样本上达到96.26%的分类准确性.
结论:
- 结合NIR光谱学和机器学习,为快速检测料中的微塑料提供了可行和高度准确的方法.
- 开发的SPA-SVM模型为识别家禽料中的MP污染提供了出色的分析结果.
