李文鑫, 陳光輝，3, 曾慶棟，*, 袁夢甜，3, 何武光, 江澤方,劉 洋, 聶長江, 余華清, 郭連波

1. 湖北工程學(xué)院物理與電子信息工程學(xué)院，湖北 孝感 432000 2. 華中科技大學(xué)武漢光電國家研究中心，湖北 武漢 430074 3.湖北大學(xué)物理與電子科學(xué)學(xué)院，湖北 武漢 430062

引 言

鋼鐵行業(yè)是我國國民經(jīng)濟(jì)的支柱性產(chǎn)業(yè)，是關(guān)系到國計(jì)民生的基礎(chǔ)性行業(yè)。2018年我國全年鋼鐵產(chǎn)量已占世界總產(chǎn)量的50%。最近幾年由于產(chǎn)能過剩，中低端和粗鋼的生產(chǎn)所占比重很大，因此大部分鋼鐵行業(yè)都處于虧損狀態(tài)，未來加大高端鋼材的產(chǎn)量是改變嚴(yán)峻形勢的唯一方式。在實(shí)際生產(chǎn)中，根據(jù)不同用途需要向鋼內(nèi)加入不同的合金元素來改變鋼鐵的某方面的性能，比如硫(S)可以改善鋼的切削性、 加工性和磁性，但也會(huì)引起鋼的熱脆性，降低鋼的機(jī)械性能，如使疲勞極限、 塑性和耐磨性顯著下降等，影響鋼件的使用壽命； 磷(P)具有強(qiáng)烈的固溶強(qiáng)化作用，可以增加鋼的強(qiáng)度和硬度，但也會(huì)降低鋼的塑性和韌性等等。由于不能準(zhǔn)確識(shí)別廢材所含材料就無法合理的再利用，每年有大量的廢棄鋼鐵的堆積，這不僅污染環(huán)境也是資源的浪費(fèi)。為了提高鋼鐵廢棄物的回收利用率，如何對鋼鐵材料進(jìn)行快速檢測分類成為了一個(gè)新的研究熱點(diǎn)?，F(xiàn)有的元素分析方法有X射線熒光光譜分析方法、 原子吸收光譜分析技術(shù)和電感耦合等離子體-原子發(fā)射光譜分析技術(shù)等，由于這些技術(shù)都有各自的缺點(diǎn)和不足[1-4]，尚不能滿足快速檢測的需要，因此急需一種新的快速在線檢測技術(shù)。

激光誘導(dǎo)擊穿光譜(laser induced breakdown spectroscopy，LIBS)是一種近年來發(fā)展迅速的原子發(fā)射光譜技術(shù)，它采用高能量激光脈沖聚焦到樣品表面產(chǎn)生等離子體，通過對等離子體中原子和離子能級(jí)躍遷輻射出的特征光譜采集和分析，獲得被測樣品中所含的元素種類及其含量[5-6]。LIBS技術(shù)具有無需進(jìn)行樣品預(yù)處理，分析速度快，非接觸，對樣品幾乎無損等優(yōu)點(diǎn)，在工業(yè)生產(chǎn)實(shí)時(shí)在線監(jiān)測方面具有很大的發(fā)展?jié)摿7-9]。采用LIBS技術(shù)結(jié)合分類算法對材料進(jìn)行快速分類是當(dāng)前研究的一個(gè)熱點(diǎn)。

傳統(tǒng)的分類算法一般采用K臨近法，然而該算法的特征譜線選取較為復(fù)雜。由于鋼鐵合金中的基體元素為Fe元素，其中還含有Cr，Ni，C，Mn，Ti，Mo，Cu等多種元素，相比于其他類型材料，鋼鐵合金樣品的LIBS譜線異常豐富，各元素間的相互干擾更為復(fù)雜，為LIBS定量分析帶來了很多挑戰(zhàn)[10-11]。

支持向量機(jī)(support vector machine，SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，它能夠利用核函數(shù)變換將原始非線性數(shù)據(jù)轉(zhuǎn)化為高維線性數(shù)據(jù)，剔除大量冗余數(shù)據(jù)，具有很強(qiáng)的魯棒性和容錯(cuò)性。2015年，楊友盛等[12]利用SVM強(qiáng)大的分類功能，通過Si和Mn對應(yīng)的特征譜線波長和光譜強(qiáng)度，利用Si、 Mn含量和溫度來判定轉(zhuǎn)爐終點(diǎn)。結(jié)果顯示該模型的準(zhǔn)確率達(dá)98%以上，證明了在實(shí)驗(yàn)環(huán)境不變的情況下，SVM分類模型可以用在光譜定性分析上。2016年，谷艷紅等[13]對土壤中的Cr元素進(jìn)行定量分析，采用LIBS技術(shù)結(jié)合SVM的方法，相比于傳統(tǒng)定量分析方法，大大提高了定量分析的精度，其定標(biāo)曲線擬合相關(guān)系數(shù)由0.689提高到0.998，表明SVM算法具有良好的實(shí)用性。然而，在使用SVM算法時(shí)，當(dāng)直接輸入大量特征時(shí)容易發(fā)生過擬合，從而導(dǎo)致模型的泛化程度降低，此時(shí)需要對輸入向量進(jìn)行降維處理。合理地選擇樣品組成元素的特征譜線組合作為輸入，可降低輸入向量的維度。人工選擇特征譜線組合較耗時(shí)繁瑣且效果難以保證。采用譜線遍歷組合優(yōu)化輸入向量的降維方法可對所有組合測試，尋找最優(yōu)的輸入向量，但相關(guān)工作鮮有報(bào)道。

本工作采用基于光纖傳能的移動(dòng)式LIBS系統(tǒng)結(jié)合SVM算法對特種鋼材進(jìn)行快速檢測和分類，并提出一種基于預(yù)選譜線然后遍歷組合的方法對輸入向量進(jìn)行優(yōu)化降維，建立基于SVM算法的光譜識(shí)別模型，實(shí)現(xiàn)對不同牌號(hào)的特種鋼材的快速分類。

1 實(shí)驗(yàn)部分

1.1 儀器

基于光纖傳能的移動(dòng)式LIBS實(shí)驗(yàn)裝置如圖1所示，采用的激光器為一款緊湊型調(diào)Q的Nd∶YAG激光器(型號(hào)： Ultra 50，美國Bigsky公司生產(chǎn))，該激光器輸出波長為532 nm，脈沖重復(fù)頻率為10 Hz。輸出的激光脈沖經(jīng)過耦合模塊耦合進(jìn)一根芯徑為1 mm的傳能光纖，經(jīng)光纖輸出的最大單脈沖激光能量約為29 mJ，經(jīng)過準(zhǔn)直透鏡進(jìn)行準(zhǔn)直，然后被二向色鏡反射后，經(jīng)過聚焦透鏡聚焦在樣品靶材表面，激發(fā)產(chǎn)生等離子體光譜。等離子體光譜經(jīng)透鏡采集耦合到光纖，然后傳輸?shù)揭慌_(tái)緊湊型光纖光譜儀(型號(hào)為Avaspec-2048 USB2，10 μm狹縫，2 400線·mm-1(VE)光柵)。該光譜儀的光譜波長范圍約為290～1 020 nm，光譜分辨率為0.08～0.11 nm。配有一個(gè)門控2048像素的CCD陣列探測器(型號(hào)為Sony 554)，主要功能是將光信號(hào)轉(zhuǎn)換為電信號(hào)。光譜信號(hào)隨后通過USB接口傳輸并顯示在筆記本電腦上。每次光譜采集的積分時(shí)間設(shè)置為1.1 ms，采集延遲時(shí)間設(shè)為1.3 μs。

1.2 樣本

實(shí)驗(yàn)采用14個(gè)特鋼材料作為分析樣品，分別對其進(jìn)行編號(hào)，各樣品中各元素的參考濃度(Wt%)和對應(yīng)的編號(hào)如表1所示(該參考濃度由生產(chǎn)廠家采用火花直讀法測得，分析精度在5%以內(nèi))。實(shí)驗(yàn)參數(shù)設(shè)置如1.1節(jié)所述，對每個(gè)樣品采集30幅光譜，每幅光譜由10個(gè)激光脈沖產(chǎn)生的光譜經(jīng)過平均后得到，14個(gè)樣品共采集420幅光譜。

圖1 LIBS實(shí)驗(yàn)裝置(a)： 原理框圖； (b)： 樣機(jī)Fig.1 LIBS system(a)： Schematic； (b)： Prototype

1.3 SVM算法簡介

SVM算法是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上發(fā)展起來的一種機(jī)器學(xué)習(xí)算法，是一種二分類模型，其基本模型是定義在特征空間上的最大間隔分類器，在解決小樣本、 非線性及高維模式識(shí)別問題時(shí)具有許多特有的優(yōu)勢。本工作使用中國臺(tái)灣大學(xué)林智仁(Lin Chih-Jen)教授等開發(fā)設(shè)計(jì)的一個(gè)簡單易用和快速有效的SVM軟件包libsvm-3.23進(jìn)行數(shù)據(jù)處理。將數(shù)據(jù)分為兩部分： 訓(xùn)練集和測試集，訓(xùn)練集與測試集設(shè)置相同的標(biāo)簽，每個(gè)輸入都是一組特征向量與一個(gè)判斷樣品屬性的標(biāo)簽值。SVM工具箱先通過訓(xùn)練集計(jì)算出一個(gè)分類模型，然后對測試集進(jìn)行預(yù)測，并將預(yù)測的標(biāo)簽與真實(shí)標(biāo)簽做出對比，以驗(yàn)證模型的準(zhǔn)確性。

在等離子體光譜中，由于激光能量的波動(dòng)、 樣品的不均勻性和激光與物質(zhì)相互作用過程的復(fù)雜性，單一元素的校準(zhǔn)模型往往不能滿足定量分析的要求，特別是基體元素為Fe時(shí)，譜峰重疊嚴(yán)重，導(dǎo)致單一元素的特征譜線強(qiáng)度穩(wěn)定性較差[15]。因此難以用單一元素的特征譜線作為SVM的特征參數(shù)來建立定量分析模型去準(zhǔn)確識(shí)別鋼鐵種類，而采用多元素的多條譜線信息輸入支持向量機(jī)模型時(shí)，模型訓(xùn)練效果較好，主要是因?yàn)槎喾N譜線信息的輸入可以有效校正基體效應(yīng)的影響。

表1 14個(gè)鋼鐵樣品中各元素的含量信息(Wt%)Table 1 The concentration information of each element in 14 types of steel samples

2 結(jié)果與討論

2.1 特征光譜的選取

以美國國家標(biāo)準(zhǔn)與技術(shù)研究院(National Institute of Standards and Technology，NIST)的原子光譜數(shù)據(jù)庫為參照，結(jié)合課題組自主研發(fā)的LIBSystem軟件自帶的光譜數(shù)據(jù)庫，對14種鋼鐵的等離子體發(fā)射光譜進(jìn)行采集與分析，其光譜如圖2所示。

建模前，首先預(yù)選出Mn，Ni，Cr，Mo和V元素的共計(jì)51條待測譜線(見表2)，然后，用Fe： 404.58 nm的譜線作為參考線，對51條譜線進(jìn)行歸一化處理。預(yù)選譜線的原則是，以NIST光譜數(shù)據(jù)庫為依據(jù)，同時(shí)挑選譜線強(qiáng)度較高、 波形完整、 沒有自吸收現(xiàn)象和不被其他元素干擾的譜線作為分析線，這樣有利于建立多元素變量的分析模型來識(shí)別不同牌號(hào)的鋼鐵。

在統(tǒng)計(jì)學(xué)習(xí)中，各類變量經(jīng)常存在相關(guān)性導(dǎo)致輸入向量的維度過高，造成訓(xùn)練模型出現(xiàn)過擬合問題，需要對輸入變量進(jìn)行降維處理。常見的降維方法有人工選取、 PCA和線性判別分析(linear discriminant analysis，LDA)等。但傳統(tǒng)的降維方法常常會(huì)在降維的過程中丟失信息，導(dǎo)致模型準(zhǔn)確度不理想，而人工選譜則過于麻煩，測試結(jié)果有可能出現(xiàn)誤判。測試覆蓋度有限及人力成本有限是測試技術(shù)所面臨的瓶頸。上述難題表明了對實(shí)現(xiàn)自動(dòng)化選譜處理的渴望。本工作在分類前首先預(yù)選出可能的理想譜線，然后通過計(jì)算機(jī)將預(yù)選譜線隨機(jī)組合，并且將這些組合作為輸入特征建立多個(gè)SVM分類模型，以尋找到一個(gè)理想可靠的模型對鋼鐵進(jìn)行分類識(shí)別。

2.2 直接SVM分類結(jié)果

實(shí)驗(yàn)中，采用交叉驗(yàn)證法獲得SVM算法中懲罰因子C和核函數(shù)參數(shù)g的最優(yōu)值，由前文可知，每個(gè)鋼鐵樣品采集30組光譜數(shù)據(jù)，隨機(jī)選擇其中20組作為訓(xùn)練集，另10組作為測試集。因此訓(xùn)練集有280組，測試集有140組光譜數(shù)據(jù)。同時(shí)，依據(jù)表1的樣品編號(hào)分別設(shè)置特鋼的標(biāo)簽值為1～14。首先，用訓(xùn)練集的280組光譜數(shù)據(jù)訓(xùn)練SVM模型，再將測試集中的140組光譜數(shù)據(jù)輸人該SVM模型進(jìn)行預(yù)測。預(yù)測結(jié)果如圖3所示，圖中，符號(hào)“°”代表每組光譜數(shù)據(jù)的實(shí)際標(biāo)簽，符號(hào)“×”代表預(yù)測的標(biāo)簽，當(dāng)“°”與“×”重合時(shí)，表示預(yù)測值與實(shí)際值一致； 相反，“°”與“×”不重合時(shí)，表示未能正確識(shí)別。

圖2 14種特鋼樣品的等離子體發(fā)射光譜Fig.2 The emission spectra of 14 types ofspecial steel samples

表2 選擇的特征譜線Table 2 The selected emission lines

圖3 SVM的預(yù)測結(jié)果Fig.3 The prediction results by SVM

由圖3可見，當(dāng)將14個(gè)鋼鐵樣品的測試集140個(gè)光譜數(shù)據(jù)直接輸入訓(xùn)練后的SVM模型時(shí)(選取的譜線為表2中的Mn，Mo，V，Cr和Ni的強(qiáng)譜線，共51條)，圖中出現(xiàn)了124個(gè)誤判點(diǎn)，僅11號(hào)樣品的分類效果較好，可能的原因是原始光譜的總體波動(dòng)過大，導(dǎo)致預(yù)測結(jié)果趨于一個(gè)樣品，即14號(hào)樣品。而11號(hào)樣品的波動(dòng)對分類結(jié)果影響可能不是特別大，使得部分?jǐn)?shù)據(jù)被正確預(yù)測。可見，采用51條金屬元素的特征譜線作為SVM分類器模型的輸入向量時(shí)，14種鋼鐵的平均識(shí)別正確率僅為11.43%，此時(shí)的模型并不理想。

2.3 歸一化光譜數(shù)據(jù)后SVM分類結(jié)果

為了減小光譜數(shù)據(jù)波動(dòng)的影響，進(jìn)一步的提高SVM分類算法的準(zhǔn)確率，以Fe： 404.58 nm的譜線作為參考線，對所選的待測元素的特征譜線光譜強(qiáng)度做歸一化處理，將歸一化后的光譜強(qiáng)度作為SVM分類模型的輸入量進(jìn)行訓(xùn)練和預(yù)測，預(yù)測結(jié)果如圖4所示。結(jié)果表明，譜線強(qiáng)度做歸一化處理后可以校正實(shí)驗(yàn)測量條件的擾動(dòng)造成的偏差，減小實(shí)驗(yàn)條件波動(dòng)的影響。

由圖4可見，將歸一化處理后的測試集共140個(gè)光譜數(shù)據(jù)輸入訓(xùn)練后的SVM模型時(shí)，圖中出現(xiàn)了6個(gè)誤判點(diǎn)。由圖可見，出現(xiàn)誤判的點(diǎn)為5，6和11號(hào)樣品，根據(jù)表1各樣品的元素濃度可知，5，6和11號(hào)樣品所含Mn，Cr，Ni，Mo和V元素的濃度極其相似，例如，對Cr元素而言，6號(hào)與11號(hào)Cr元素含量分別為1.02%和1.05%； 對Ni元素而言，5和6號(hào)樣品所含的濃度含量都為0.02%； 對V元素而言，5和6號(hào)樣品中所含的濃度含量分別為0.006%和0.005%。以上元素濃度差別十分微弱，并且由于目前絕大多數(shù)的激光器能量并不十分穩(wěn)定，導(dǎo)致某些樣品中相似濃度的元素譜線做歸一化后強(qiáng)度值極為接近，系統(tǒng)模型受此影響從而發(fā)生了誤判。

圖4 歸一化后SVM的預(yù)測結(jié)果Fig.4 The prediction results of normalized spectra by SVM

采用歸一化處理后的51條特征譜線作為SVM分類器模型的輸入向量，14種特鋼的平均識(shí)別正確率為95.71%，此時(shí)的分類模型雖能識(shí)別大多特種鋼材，但精準(zhǔn)度還并不理想。

2.4 譜線遍歷組合后SVM分類結(jié)果

為了進(jìn)一步提高分類的準(zhǔn)確性，使用MATLAB程序遍歷不同譜線的組合作為輸入變量，進(jìn)行多次建模，最終挑選出最優(yōu)的輸入特征，即6條最優(yōu)特征譜線組合(如表3所示)，此時(shí)的SVM判斷準(zhǔn)確率達(dá)到了100%，其實(shí)驗(yàn)結(jié)果如圖5所示。

表4為不同輸入特征下的準(zhǔn)確率與建模時(shí)間的比較。由表4可知，采用數(shù)據(jù)歸一化處理+遍歷組合選出的6條最優(yōu)特征譜線作為輸入向量時(shí)，SVM模型識(shí)別準(zhǔn)確度達(dá)到100%。這是由于在眾多譜線中，算法通過遍歷各種組合，只余下辨識(shí)度高、 代表性強(qiáng)的譜線作為輸入向量，使得模型的精準(zhǔn)度得到大幅提升。從平均建模時(shí)間來看，對數(shù)據(jù)采用歸一化+遍歷組合的算法處理后，其建模時(shí)間也大大縮短，相比于使用原始光譜的SVM分類模型，其建模時(shí)間減小了37%。

表3 SVM預(yù)測準(zhǔn)確度達(dá)100%的6條特征譜線Table 3 The 6 spectral lines with SVM predictionaccuracy of 100%

圖5 挑選6條特征譜線后SVM預(yù)測結(jié)果Fig.5 The SVM prediction results using selecting6 special spectral lines

表4 不同輸入下SVM的平均預(yù)測準(zhǔn)確率和平均建模時(shí)間Table 4 The average prediction accuracy and mean modelingtime of SVM with different inputs

3 結(jié) 論

基于光纖傳能的移動(dòng)式LIBS樣機(jī)平臺(tái)，采用預(yù)選譜線+遍歷組合的降維方法與SVM算法相結(jié)合，對14個(gè)特鋼材料的LIBS光譜進(jìn)行快速分類。SVM算法計(jì)算簡單、 訓(xùn)練速度快、 并且每次訓(xùn)練的模型穩(wěn)定。然而，當(dāng)單獨(dú)將51條預(yù)選譜線作為輸入特征輸入到SVM算法時(shí)，測試集中140組光譜數(shù)據(jù)在直接輸入大量特征時(shí)發(fā)生了過擬合，導(dǎo)致模型的泛化程度降低，預(yù)測準(zhǔn)確度僅為11.43%，此時(shí)，對14種特鋼材料的分類精度并不理想； 當(dāng)采用歸一化光譜數(shù)據(jù)作為輸入特征輸入到SVM算法時(shí)，預(yù)測準(zhǔn)確度提高到95.71%，說明對光譜數(shù)據(jù)進(jìn)行歸一化處理可以顯著提高SVM模型的分類準(zhǔn)確性； 而當(dāng)51條預(yù)選譜線經(jīng)過譜線遍歷組合降維之后，僅剩6條被選擇的譜線作為輸入特征時(shí)，此時(shí)的SVM模型預(yù)測準(zhǔn)確度達(dá)到了100%。實(shí)驗(yàn)結(jié)果表明，采用譜線遍歷組合的方法是一種行之有效的降維方法。同時(shí)，該降維方法相對于人工選取特征譜線來說，方便快捷，操作簡單，對模型的優(yōu)化程度高。當(dāng)面臨大量特征數(shù)據(jù)時(shí)，機(jī)器自動(dòng)選取特征與人工挑選譜線相比具有明顯優(yōu)勢?？梢钥闯觯谧V線遍歷組合降維方法的SVM算法模型結(jié)合LIBS技術(shù)，在材料快速分類方面具有很好的工業(yè)應(yīng)用前景。