基于对抗迁移学习和近红外光谱预测不同物理形态和树种的纸浆原料组分含量

[目的]探索对抗迁移学习策略结合近红外光谱(NIRS)分析技术在纸浆原料组分(抽提物,Klason木质素和综纤维素)含量快速检测中应用的可行性。[方法]本研究选取代表性的 4 种常用制浆材为研究对象,包括 2 种针叶木制浆材(云杉,樟子松)和 2 种阔叶木制浆材(加杨,毛白杨)。对 4 种制浆材 2 种物理形态(木块,木粉)下的 3 种化学组分共 423 个样品组成的NIRS数据集进行波段分析、光谱预处理和样本集划分,分别建立各数据集的优化偏最小二乘回归(PLSR)校正模型和一维残差网络(1D-Resnet)模型。将各NIRS数据集按不同物理形态和树种进行成对排列组合,共组成 24 个数据集分组。令各分组中的数据集互为源域和目标域,分别采用斜率/截距校正算法(SBC)、分段直接校正算法(PDS)、迁移成分分析(TCA)、测地线流式核法(GFK)、微调(Fine-tuning)域对抗神经网络(DANN),域分离网络(DSN)和动态分布适配网络(DAAN)共 8 种方法进行模型迁移并对比了预测效果。[结果]对抗迁移学习方法(DANN,DSN,DAAN)不仅消除了木块和木粉光谱数据源(即域)之间的差异,还在跨树种域适配方面获得了理想的预测结果,而且迁移后模型的鲁棒性和稳定性在 24 个实验分组中均远超传统的模型传递(SBC,PDS)和迁移学习(TCA,GFK,Fine-tuning)方法。[结论]本研究引入的对抗迁移学习NIR模型可以有效适应多形态,多物种的纸浆原料光谱数据,能最大限度地降低生产成本,提高制浆效率,并具有扩展到其他原料属性光谱检测和反演的潜力。