利用油品紫外熒光特性的多光譜成像檢測

韓仲志,萬劍華,劉 杰,劉康煒

(1.中國石油大學(xué)(華東)地球科學(xué)學(xué)院,山東青島 266580; 2.青島農(nóng)業(yè)大學(xué)理學(xué)與信息科學(xué)學(xué)院,山東青島 266109; 3.中國石化青島安全工程研究院,山東青島 266071)

利用油品紫外熒光特性的多光譜成像檢測

韓仲志1,2,萬劍華1*,劉 杰2,劉康煒1,3

(1.中國石油大學(xué)(華東)地球科學(xué)學(xué)院,山東青島 266580; 2.青島農(nóng)業(yè)大學(xué)理學(xué)與信息科學(xué)學(xué)院,山東青島 266109; 3.中國石化青島安全工程研究院,山東青島 266071)

利用石油及其產(chǎn)品具有的紫外熒光特性,搭建了一套紫外誘導(dǎo)多光譜成像系統(tǒng)。該系統(tǒng)主要由3個紫外誘導(dǎo)光源、8個濾波片和1個彩色CCD相機組成。采集了6種油品的多光譜圖像,以有效光斑的24個顏色分量均值作為特征,提出了一種聯(lián)合熵最大化的獨立分量分析特征優(yōu)化方法。K均值聚類和支持向量機識別結(jié)果表明,較改進(jìn)前的ICA方法,該方法的特征優(yōu)化性能得到了有效提高,油種識別率達(dá)到了92.3％。

紫外誘導(dǎo);多光譜成像;聯(lián)合熵獨立分量分析;油品檢測

1 引 言

對油品的識別探測是石油工業(yè)的重要內(nèi)容。傳統(tǒng)對油品的探測,主要是基于以高效液相色譜法(Highperformanceliquidchromatography, HPLC)為代表的生化方法[1],該類方法的缺點是檢測速度慢、代價高。近年來光譜分析法[2-3]成為油品鑒別的新興手段,受到普遍關(guān)注。

Kim等[4]最早應(yīng)用近紅外光譜進(jìn)行石油產(chǎn)品的分類,他們利用主分量分析(Principle component analysis,PCA)和貝葉斯分類器實現(xiàn)了柴油、煤油、粗汽油等6個油種的識別;王麗等[5]利用近紅外光譜技術(shù)自行配制了56個汽油、柴油、潤滑油油樣,進(jìn)行油品種類鑒別。油品在紫外激發(fā)下具有熒光現(xiàn)象,可根據(jù)這一特性探測海洋溢油[6]。在實驗室情況下,王春艷等[7]提出使用基于濃度參量同步熒光光譜技術(shù),可以實現(xiàn)實驗室不同油的類型及不同油源原油的準(zhǔn)確分類。尹曉楠[8]利用小波分析方法分析了4大類6種油品的三維熒光光譜,并對油品種類進(jìn)行了識別研究。Xie等[9]將高光譜成像技術(shù)應(yīng)用到對油的種類識別中,可以正確探測油是否摻假。然而上述文獻(xiàn)技術(shù)中使用的儀器復(fù)雜,不能做到現(xiàn)場、快速的原位探測。

多光譜成像技術(shù)由于其結(jié)構(gòu)簡單、儀器攜帶方便而得到了廣泛的應(yīng)用。蔡健榮等[10]在可見光和近紅外區(qū)域選擇5個特征波長濾波片,采集得到5幅濾波后的圖像,并利用光譜角分類算法完成了柑橘識別,準(zhǔn)確度達(dá)到96％。雷鵬等[11]利用有機磷農(nóng)藥的熒光特性,結(jié)合多光譜成像技術(shù)和熒光激發(fā)技術(shù),研發(fā)了葉片農(nóng)藥殘留快速檢測的多光譜熒光成像系統(tǒng),有機磷農(nóng)藥氧樂果會在440 nm附近產(chǎn)生顯著的熒光發(fā)射,并且熒光發(fā)射光譜峰值與農(nóng)藥濃度具有良好的線性關(guān)系。上述研究為多光譜成像探測提供了一種便捷、可行的方法。

本文利用石油及其產(chǎn)品的紫外熒光特性,搭建了一套紫外誘導(dǎo)的多光譜成像系統(tǒng),并基于該系統(tǒng)采集了油樣的圖像,提出了一種基于聯(lián)合熵的核獨立分量分析方法進(jìn)行圖像特征提取,最后通過聚類和識別技術(shù)探討了搭建的系統(tǒng)與提出方法的有效性。

2 系統(tǒng)搭建與數(shù)據(jù)采集

2.1 多光譜成像系統(tǒng)搭建

實驗使用的多光譜圖像采集系統(tǒng)主要由紫外誘導(dǎo)光源、濾波片組、彩色CCD相機及計算機組成,圖1為該系統(tǒng)的示意圖。

圖1 紫外誘導(dǎo)多光譜成像系統(tǒng)示意圖Fig.1 Multispectral fluorescence imaging system

紫外誘導(dǎo)光源為紫外分析儀上所帶的光源,該儀器為上海光豪分析儀器有限公司生產(chǎn)的ZF-90B型暗箱式多功能紫外線反射透射儀,其中254 nm、365 nm光源分別為2只15 W的紫外燈管,302 nm為8只15 W的紫外燈管,可見光為2 W日光燈。302 nm為透射測量,254 nm和365 nm為反射測量。

濾光片共有8片,分別為:365,420,450 nm (帶寬:10 nm;峰值波長透光率Tmax:60％～65％)和404,410,435,546,577 nm(帶寬:20 nm,峰值波長透光率Tmax:70％)。將濾波片通過支架安裝在相機鏡頭前方。所使用的相機為Sony HDR-XR520。

2.2 樣品采集

實驗樣品共6種油樣(樣品編號:1:汽油;2:柴油;3:煤油;4:機油;5:原油;6:花生油)。

實驗時用吸管取樣品18 mL,滴定到圓形玻璃培養(yǎng)皿中。將樣品放置在相機下,打開紫外光源,進(jìn)行圖片采集,采樣時相機距離樣品26.0 cm。分別采集254反射、302透射、365反射紫外光激發(fā)情況下,在鏡頭前分別加裝8種濾光片的圖像,不同光源、不同濾光片下對每個樣品采集2張圖像,拍攝時選擇微距模式。共采集樣品圖像288幅(6個油種×3個波長光源×8種濾波片× 2副)。

對采集的圖像進(jìn)行編號,如4機油,光源254 nm,濾波片577 nm,第1張,編號為4-254-577-1. jpg。圖2為機油在3種紫外光8種波長下的圖像。

圖2 機油在3種紫外光8種波長濾波片下的照片,不同紫外激發(fā)下,可以看出部分波段下熒光現(xiàn)象較為明顯,用彩色相機拍攝時表現(xiàn)出不同的顏色。Fig.2 Images of engine oil of 8 wavelengths Edmund Optics under 3 UV lights.Under different excitation UV light,it is found that the fluorescence is obvious relatively under some bands.It presents different color shot by camera.

2.3 圖像預(yù)處理與特征提取

多光譜成像系統(tǒng)采集的圖像大小為3 000× 4 000=1.2×107像素,圖像中包括了背景、玻璃皿等信息,應(yīng)該去除。圖像預(yù)處理主要是對油樣的有效光斑信息進(jìn)行提取。使用略小于玻璃皿的內(nèi)接矩形將有效光板分割出來,大小為500× 500,然后將圖像分割成100×100的子圖像25副。由于每個油樣重復(fù)了兩次拍攝,所以可以得到50副子圖像,也就是50個樣本。求得50個樣本的24個特征,這24個特征為:RGB和HSV共6個分量的均值、方差、偏度、峰度。由此得到6個油種、個油種50個樣本、每個樣本24個特征的每特征矩陣,保存到Excel表格中,以備后面識別使用。Matlab2010a編程自動實現(xiàn)上述過程。

3種激發(fā)波長,每個波長8種濾波片情況下拍攝到的光斑圖像的均值分布圖如圖3所示,圖4為6種油樣特征數(shù)據(jù)分布的箱形圖。均值表和箱型圖反應(yīng)了光斑數(shù)據(jù)的大致分布。

圖3 圖像的均值表,RGB和HSV共6個分量的均值、方差、偏度、峰度,共得到24個特征,依次編號為1～24。這里的植物油以花生油為代表。Fig.3 Mean of features of different oil images,the mean, variance,skewness,kurtosis of RGB and HSV, which are numbered from 1to 24.Here,the peanut oil represents the plant oil.

圖4 6種油樣數(shù)據(jù)的箱型圖,反應(yīng)了數(shù)據(jù)位置和分散情況的關(guān)鍵信息,編號為1和4的油品差異比較明顯。Fig.4 Boxplot of 6 kinds of oil samples,indicating the distribution and dispersion of the data.The difference of class 1 and class 4 is obviously

3 聯(lián)合熵獨立分量分析

3.1 ICA與K-ICA

獨立分量分析[9](ICA,Independent component analysis)最早用來解決盲源分離問題[10],是一種基于數(shù)據(jù)高階統(tǒng)計量(四階統(tǒng)計量)的非高斯信號處理方法。由于圖像滿足亞高斯分布,所以可用ICA對圖像進(jìn)行特征優(yōu)化,從中找到最為獨立的特征,這樣就從一定程度上減少了數(shù)據(jù)之間的冗余,提高了數(shù)據(jù)的可分性。

核獨立分量分析[11]算法是在特征優(yōu)化過程中利用了核函數(shù)的思想,核函數(shù)的作用是避免計算高維變換,直接用低維度的參數(shù)帶入核函數(shù)來計算高維度的向量的內(nèi)積?？蛇x擇的核函數(shù)有高斯核函數(shù)(Gaussian)、多項式核函數(shù)(Poly)、埃爾米特核函數(shù)(Hermite),本文使用的高斯核函數(shù),當(dāng)然用戶也可以根據(jù)自己的需要創(chuàng)建核函數(shù)。

另外在做數(shù)據(jù)的獨立分量分析之前需要先對數(shù)據(jù)進(jìn)行白化和中心化,可選擇使用主分量分析(PCA)對特征數(shù)據(jù)進(jìn)行去相關(guān)。獨立分量分析雖然能在最大程度上找到獨立分量,但是并沒有好的方法對獨立分量的順序和幅值方向進(jìn)行標(biāo)記,這往往會導(dǎo)致幅值是負(fù)的情況出現(xiàn),需要增加一些后處理手段進(jìn)行校正。

3.2 獨立分量分析的改進(jìn)

上述獨立分量分析算法所分離的獨立分量(ICs)是無序的,第一個分離的分量可能并不是最重要的,所以需要通過一個準(zhǔn)則來對獨立分量的重要性進(jìn)行排序,這里使用負(fù)熵來衡量其重要性,則最大化負(fù)熵的IC將會被首先分離出來。

這里的YGauss是與Y具有相同方差的隨機高斯信號, H(·)是隨機變量的微分熵。第i個ICs的熵值為:

然而即使將最大化負(fù)熵的獨立分量首先提取出來,也并不能代表前幾個獨立分量的信息貢獻(xiàn)率最大。這里我們進(jìn)一步將聯(lián)合熵最大化處理。一般來說聯(lián)合熵越大,則信息越豐富。兩個獨立分量的聯(lián)合熵為:

這里使得聯(lián)合熵最大的即為最優(yōu)特征組合。下文中將基于聯(lián)合熵的獨立分量分析方法表示為HICA,其中H表示熵的數(shù)學(xué)符號。

4 結(jié)果與討論

4.1 K均值聚類分析

聚類是根據(jù)樣本特征間的相似程度,相近的樣本首先聚為一類。圖5(a)、(b)、(c)是分別對特征矩陣未優(yōu)化、ICA優(yōu)化、H-ICA優(yōu)化后,使用K均值(K-means)聚類的結(jié)果,從圖5可以看出,原始特征的聚類效果不好,經(jīng)過ICA特征優(yōu)化后,出現(xiàn)了類間聚集的趨勢,經(jīng)過H-ICA變換后聚類效果最好,數(shù)據(jù)的可分性明顯增強,特征優(yōu)化后三維圖上顯示數(shù)據(jù)在三維空間可分性明顯增強。這里的初始聚類中心是系統(tǒng)隨機生成的。

圖5 3種方法的聚類效果圖。其中紅色o為第一類,藍(lán)色o為第二類,綠色*為第三類,黑色o為第四類,黃色*為第五類,粉色*為第六類。(a)原始特征K均值聚類;(b)ICA特征優(yōu)化后聚類;(c)H-ICA特征優(yōu)化后聚類。Fig.5 Cluster result of 3 methods.Here,red symbol“o”indicates class 1,blue symbol“o”indicates class 2, green symbol“*”indicates class 3,black symbol“o”indicates class 4,yellow symbol“*”indicates class 5,and pink symbol“*”indicates class 6. (a)Cluster of original features.(b)Cluster of ICA. (c)Cluster of H-ICA.

由于ICA算法本身的順序和幅值的不確定性[12-13],使得ICA特征優(yōu)化后樣本的順序發(fā)生了改變,不能對樣品的序號識別時做到一一對應(yīng),所以系統(tǒng)的輸出并不能按照識別序號從小到大排列,需要對識別結(jié)果進(jìn)行后處理,按照從小到大排列,識別結(jié)果按照投票方式進(jìn)行,取本類樣品識別最多的結(jié)果作為此類的識別結(jié)果進(jìn)行排序。表1為3種優(yōu)化方法的K均值聚類識別結(jié)果,但總體來看,只有少量的樣本聚類錯誤,絕大部分樣本聚類結(jié)果正確。

表1 聚類結(jié)果Table 1 Cluster result

4.2 SVM識別

選用的特征為對未優(yōu)化、經(jīng)ICA優(yōu)化和經(jīng)HICA優(yōu)化后,選用支持向量機進(jìn)行識別。選用的核函數(shù)是徑向基RBF核函數(shù),其中的兩個參數(shù)C和gamma可由系統(tǒng)網(wǎng)格法尋優(yōu)給出[15]。訓(xùn)練和測試過程采用5折交叉驗證法,即隨機選取50組數(shù)據(jù)中的40組作為訓(xùn)練集,10組作為測試集。圖6是該方法的識別相對誤差,可以看出SVM識別模型訓(xùn)練集誤差比測試誤差要小得多。H-ICA算法的相對誤差較小。

圖6 SVM識別相對誤差。經(jīng)H-ICA算法優(yōu)化后的特征的相對誤差變小。Fig.6 Relative error of SVM recognition.For the feature optimized using H-ICA algorithm,the relative error declined.

我們主要采用3個參數(shù)指標(biāo):平均平方誤差(Mean squared error,MSE)[16]、平均相關(guān)系數(shù)(Squared correlation coefficient,R2)[17]、識別率(Correct recognition rate,CRR,％),來比較SVM識別模型的預(yù)測性能。MSE越小、R2越接近于1,模型的性能越好。CRR用來評價衡量模型的識別性能。模型性能結(jié)果見表2。

表2 SVM模型預(yù)測性能指標(biāo)Table 2 Ultimate performance index of SVM model

表2中的模型預(yù)測性能指標(biāo)對模型的性能進(jìn)行了量化,從表中不難看出SVM的總體性能較好,訓(xùn)練集的性能普遍比測試集好,這是可以理解的。測試集預(yù)測性能表明了模型的泛化能力,從識別率上看,對預(yù)測集經(jīng)優(yōu)化后,識別率有所提高,但測試集的識別率有所下降,H-ICA的整體性能優(yōu)于ICA。

4.3 討 論

劉曉華等[18]利用誘導(dǎo)熒光技術(shù)對油種進(jìn)行了識別研究。他們以355 nm紫外激光誘導(dǎo)9種常見機油樣品發(fā)射熒光,共采集450組熒光光譜數(shù)據(jù),其中360組數(shù)據(jù)用于分類訓(xùn)練,90組數(shù)據(jù)用于識別。分析發(fā)現(xiàn),不同機油的熒光光譜特征有明顯差異。他們利用主成分分析結(jié)合聚類分析法實現(xiàn)了對90組待識別光譜數(shù)據(jù)的快速識別,識別率可達(dá)90％以上。他們的結(jié)論與本文一致,但本文使用的是不同波長的紫外光源誘導(dǎo)熒光,并使用了一種簡單的多光譜相機,儀器更為便宜、簡單,而且本文涉及的油種更為廣泛。

高光譜技術(shù)具有更精細(xì)的光譜分辨率,目前高光譜成像技術(shù)已廣泛應(yīng)用于物質(zhì)分析中,同樣也可以應(yīng)用于油品分析中[9]。然而高光譜成像需要配合高精度的液晶可調(diào)式濾波器或者光柵可調(diào)濾波模塊,成像的速度慢,代價高。準(zhǔn)確來講,多光譜成像是高光譜成像的一種合理的簡化,它通過面向?qū)ο筇卣鞯膸讉€波段成像從而實現(xiàn)大致高光譜的物質(zhì)分辨能力,提高了成像速度,更適合于現(xiàn)場應(yīng)用。但這是以犧牲識別精度為代價的,也就是說成像波段的減少會增大識別誤差?，F(xiàn)實中使用的技術(shù)應(yīng)該在效率與精度之間尋找一合理的平衡,從識別效果上來看,多光譜成像可以滿足對油品的識別需要。

數(shù)據(jù)分布箱形圖反映了范圍的不同。在進(jìn)行識別時,由于特征量綱的不同,數(shù)據(jù)之間沒有可比性,因此需要對數(shù)據(jù)進(jìn)行歸一化,將所有數(shù)據(jù)都?xì)w一化到相同的范圍。然而這樣操作隱含著一個前提假設(shè)是,各個特征對品種識別的貢獻(xiàn)是相同的。事實上,各個特征對品種識別的貢獻(xiàn)率是不同的,因此可考慮特征加權(quán),例如單特征ROC曲線下面積可作為權(quán)值的一種參考,方法有待進(jìn)一步研究。

本文是使用了每個樣品的24個顏色均值作為識別的特征,ICA和H-ICA也是將特征優(yōu)化為24個而進(jìn)行的識別,這從本質(zhì)上沒有發(fā)揮ICA和H-ICA的優(yōu)勢。這兩種方法的特征優(yōu)化可將特征優(yōu)化為比較少的幾個特征,這樣在做識別時可充分利用這些特征進(jìn)行識別,從而提高了效率。交叉驗證法(Cross validation,CV)是廣泛采用的模型驗證方法,本文采用的是5折交叉驗證,沒有特別說明,本文是其中1次的結(jié)果。目前獨立分量分析已經(jīng)應(yīng)用于近紅外物質(zhì)的組分解析中[19],結(jié)合油品的多光譜成像數(shù)據(jù),對物質(zhì)組分進(jìn)行精確解析是下一步要做的工作。

誠然本文在進(jìn)行油種識別時使用了6個油品,所采集的樣本數(shù)量較少且是在實驗室情況下的識別。如果增加更多的實測現(xiàn)場數(shù)據(jù),研究將更有意義。系統(tǒng)聚類與識別不同的是,聚類并不能直接給出識別的結(jié)果,需要對聚類結(jié)果與品種之間進(jìn)行對應(yīng),本文是采用投票的方法對聚類結(jié)果與品種間建立對應(yīng)關(guān)系,將本類中最多的族作為類別品種,當(dāng)然也可以通過模式識別后處理的方式對聚類結(jié)果進(jìn)行自動化判別。

5 結(jié) 論

基于一臺自制的紫外可見光區(qū)的多光譜相機,利用實驗室環(huán)境下3個紫外光源(254,302, 365 nm)采集了6個油品(汽油、柴油、煤油、機油、原油、花生油)在8個濾波片(365,404,410, 420,435,450,546,577 nm)下的圖像。以采集到的圖像光斑24個顏色分量均值作為特征進(jìn)行油種的識別。提出了一種通過聯(lián)合熵最大化的ICA方法進(jìn)行特征優(yōu)化,特征優(yōu)化后的K均值聚類和SVM識別的效果,較未優(yōu)化、ICA優(yōu)化效果都有一定程度的提高。本文提供了一種快速對油種進(jìn)行識別的方法,該方法對油種的快速識別和分析具有積極意義。

[1]Bonaccorsi I L,McNair H M,Brunner L A,et al.Fast HPLC for the analysis of oxygen heterocyclic compounds of citrus essential oils[J].J.Agric.Food Chem.,1999,47(10):4237-4239.

[2]Hahn S,Yoon G.Identification of pure component spectra by independent component analysis in glucose prediction based on mid-infrared spectroscopy[J].Appl.Opt.,2006,45(32):8374-8380.

[3]Wang G,Sun Y,Ding Q,et al.Estimation of source spectra profiles and simultaneous determination of poly component in mixtures from ultraviolet spectra data using kernel independent component analysis and support vector regression[J]. Anal.Chim.Acta,2007,594(1):101-106.

[4]Kim M,Lee Y H,Han C.Real-time classification of petroleum products using near-infrared spectra[J].Comput.Chem. Eng.,2000,24(2):513-517.

[5]Wang L,Zuo L,He Y,et al.Recognition of simulated spilled oil at sea by near-infrared[J].Spectrosc.Spect.Anal.(光譜學(xué)與光譜分析),2004,24(12):1537-1539(in Chinese).

[6]Kessler J D,Valentine D L,Redmond M C,et al.A persistent oxygen anomaly reveals the fate of spilled methane in the deep Gulf of Mexico[J].Science,2011,331(6015):312-315.

[7]Wang C Y,Shi X F,Li W D,et al.Concentration dependent synchronous fluorescence oil spill fingerprinting identifica-tion based on principal component analysis and support vector machine[J].J.Instrum.Anal.(分析測試學(xué)報),2014, 33(3):289-295(in Chinese).

[8]Yin X N.Studies on The Identification of Oil Types Base on 3D Fluorescence Spectroscopy and Wavelet Analysis[D]. Qingdao:Ocean University of China,2012(in Chinese).

[9]Xie C,Wang Q,He Y.Identification of different varieties of sesame oil using near-infrared hyperspectral imaging and chemometrics algorithms[J].PloS one,2014,9(5):1-8.

[10]Cai J R,Wang J H,Chen Q S,et al.Recognition of mature citrus in natural scene using spectral imaging and spectral angle mapper[J].Acta Photon.Sinca(光子學(xué)報),2009,38(12):3171-3175(in Chinese).

[11]Lei P,Lyu S B,Li Y,et al.Multispectral fluorescence imaging technology for pesticide residues detection[J].Chin.J. Lumin.(發(fā)光學(xué)報),2014,35(6):748-753(in Chinese).

[12]Hyviirinen A,Karhunen J,Oja E.Independent Component Analysis[M].New york:Wiley and Sons.,2001.

[13]Hyviirinen A,Oja E.A fast fixed-point algorithm for independent component analysis[J].Neur.Comput.,1997,9(7): 1483-1492.

[14]Bach F R,Jordan M I.Kernel independent component analysis[J].J.Mach.Learn.Res.,2003,3:1-48.

[15]Chang C C,Lin C J.LIBSVM:A library for support vector machines[EB/OL].2011-10-05.http://www.csie.ntu. edu.tw/-cjlin/libsvm.

[16]Hansen B E.The integrated mean squared error of series regression and a Rosenthal Hilbert-space inequality[J].Econom.Theory,2015,31(2):337-361.

[17]Soja M J,Persson H,Ulander L M H.Estimation of forest height and canopy density from a single InSAR correlation coefficient[J].IEEE Geosci.Remote Sens.Lett.,2015,12(3):646-650.

[18]Liu X H,Chen S Y,Zhang Y C,et al.Rapid recognition of common machine oils based in laser induced fluorescence [J].Spectrosc.Spect.Anal.(光譜學(xué)與光譜分析),2014,34(8):2148-2151(in Chinese).

[19]Fang L M,Lin M.A method of near infrared multi-component analysis based on independent component analysis and neural networks model[J].Chin.J.Anal.Chem.(分析化學(xué)),2008,36(6):815-818(in Chinese).

韓仲志(1981-),男,山東莒南人,副教授,2006年于廣西師范大學(xué)獲得碩士學(xué)位,主要從事光學(xué)信息處理方面的研究。

E-mail:hanzhongzhi@qau.edu.cn

萬劍華(1963-),男,山東單縣人,教授,博士生導(dǎo)師,2001年于武漢大學(xué)獲得博士學(xué)位,主要從事石油分析與探測方面的研究。

E-mail:ywjh66310@163.com

Multispectral Imaging Detection Using The Ultraviolet Fluorescence Characteristics of Oil

HAN Zhong-zhi1,2,WAN Jian-hua1*,LIU Jie2,LIU Kang-wei1,3
(1.School of Geosciences,China University of Petroleum,Qingdao 266580 China; 2.Information College,Qingdao Agricultural University,Qingdao 266109 China; 3.Sinopec Safety Engineering Institute,Qingdao 266071 China) *Corresponding Author,E-mail:wjh66310@163.com

Based on the UV fluorescence phenomena of oil and its products,a multispectral imaging system was constructed.This system was composed of 3 UV excitation light sources,8 optics filters and a CCD camera.Using this system,multi-spectral images of 6 kinds of oil were collected.The mean of 24 color features of effective light spots was used as the feature set.Then,a novel method called maximize the joint entropy of independent component analysis(ICA)was proposed for K-mean cluster and SVM recognition.It is proved that this method is better than traditional ICA for feature optimized,and the identification rate is 92.3％.This result has positive significance for oil detection.

UV excitation light;multi-spectral imaging;joint entropy of independent component analysis;oil identification

O439

:ADOI:10.3788/fgxb20153611.1335

1000-7032(2015)11-1335-07

2015-08-11;

:2015-09-16

國家自然科學(xué)基金(31201133);青島市科技發(fā)展計劃(14-2-3-52-nsh)資助項目