基于高光譜成像技術(shù)的厭氧發(fā)酵液理化性質(zhì)的快速檢測研究.pdf

1、在厭氧發(fā)酵過程中，需要實時監(jiān)測反應(yīng)器溫度、有機負(fù)荷率、pH、揮發(fā)性脂肪酸等發(fā)酵環(huán)境參數(shù)和發(fā)酵液理化性質(zhì)，以保證發(fā)酵穩(wěn)定順利地運行。應(yīng)用傳統(tǒng)化學(xué)分析方法檢測發(fā)酵過程發(fā)酵液重要物理化學(xué)性質(zhì)耗時費力，不能滿足實際需要。光譜法具有快速、簡便，能夠?qū)崿F(xiàn)發(fā)酵過程的在線實時監(jiān)測，是一種具有廣泛應(yīng)用前景的過程監(jiān)測技術(shù)手段。本文采用了近紅外高光譜成像技術(shù)結(jié)合相關(guān)化學(xué)計量學(xué)方法和圖像處理方法，建立了稻草秸稈和水葫蘆混合厭氧發(fā)酵過程底物及液相產(chǎn)物中的重要參數(shù)

2、的預(yù)測模型及部分參數(shù)的高光譜圖像可視化，以期實現(xiàn)采用高光譜成像系統(tǒng)進行在線監(jiān)測厭氧發(fā)酵的目標(biāo)。
　　(1)采用近紅外高光譜（波長范圍874-1734nm）結(jié)合化學(xué)計量學(xué)方法實現(xiàn)發(fā)酵底物中總固體含量(TS)和揮發(fā)性固體含量(VS)的預(yù)測。首先，獲取發(fā)酵液樣本的高光譜圖像，應(yīng)用移動平均平滑法(MAS)進行光譜預(yù)處理，并采用競爭自適應(yīng)加權(quán)采樣算法(CARS)、連續(xù)投影算法(SPA)和Random frog算法進行特征光譜信息的提取?；?/p>

3、CARS、SPA和RF算法分別得到關(guān)于預(yù)測TS含量的特征波長個數(shù)分別為11，5，8;用于預(yù)測VS含量的特征波長個數(shù)分別為17，14，7。然后分別建立全波段和特征波段建立TS和VS的偏最小二乘回歸(PLSR)和最小二乘-支持向量機(LS-SVM)的預(yù)測回歸模型。結(jié)果表明:SPA-LS-SVM模型的預(yù)測結(jié)果最好，對于TS含量的預(yù)測均方根誤差（RMSEP）及相關(guān)系數(shù)(R)分別為0.0058、0.841;VS的預(yù)測均方根誤差、相關(guān)系數(shù)分別為0.

4、0041和0.874。因此，利用近紅外高光譜可以較為準(zhǔn)確地檢測厭氧發(fā)酵過程中的固形物含量，可為厭氧發(fā)酵過程中的固形物含量的檢測提供理論和實踐依據(jù)。
　　(2)采用近紅外高光譜結(jié)合化學(xué)計量學(xué)方法檢測發(fā)酵液pH及總無機碳(TIC)含量的預(yù)測模型。首先，獲取發(fā)酵液樣本的近紅外高光譜圖像信息，應(yīng)用小波變換(WT)進行光譜圖像去噪預(yù)處理。然后采用SPA、Random frog算法和變量重要性投影算法（VIP）對pH進行特征波長提取并分別得到

5、了8，15和20個特征波長;應(yīng)用CARS、RF和SPA提取TIC光譜特征信息并分別得到了14，8和11個特征波長。然后分別基于全波長和特征波長建立pH的偏最小二乘回歸模型和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPNN)的預(yù)測模型;建立TIC的PLS和BPNN的預(yù)測模型。其中，用SPA-BPNN模型進行發(fā)酵液中pH含量的預(yù)測效果最好，RMSEP及R分別為0.0516、0.911;TIC預(yù)測模型中RF-BPNN預(yù)測結(jié)果最好;而用于TIC含量預(yù)測得到的預(yù)測

6、均方根誤差、相關(guān)系數(shù)分別為142.088mg/L和0.736。結(jié)果表明，利用近紅外高光譜可以較為準(zhǔn)確地檢測厭氧發(fā)酵過程中的pH和TIC濃度，對實現(xiàn)在線監(jiān)測厭氧發(fā)酵過程中pH和TIC含量，以確保發(fā)酵過程順利穩(wěn)定進行具有重要意義。
　　(3)分別建立的關(guān)于pH的SPA-BPNN模型和關(guān)于TIC的RF-BPNN模型應(yīng)用于預(yù)測pH和TIC的高光譜圖像每一個像素點的理化性質(zhì)，并得到了發(fā)酵液pH和TIC的高光譜圖像反演分布圖。由分布圖可知，p