椰糠基質有效氮近紅外檢測儀設計與試驗

魯 兵 王旭峰 何 珂 胡 燦 高 薪 湯修映

(1.中國農業大學工學院， 北京 100083； 2.塔里木大學機械電氣化工程學院， 阿拉爾 843300)

0 引言

椰糠基質是由椰子外殼經過粉碎、脫鹽和干燥等一系列加工形成的可再生栽培基質[1-2]。另外，椰糠基質具有較好的儲水、蓄肥、透氣性和重復使用等優點，被廣泛應用于我國設施農業番茄、黃瓜和草莓等作物的無土栽培[3-7]。氮是作物生長所必需的大量營養元素之一，土壤/基質是作物生長氮素供應的重要來源[8-9]。有效氮表征土壤/基質的近期氮肥供應能力，通過測量其含量可實現氮肥精量科學施肥[10]。由于傳統土壤養分檢測方法具有耗時、費力和操作專業性強等缺點，生產中常采用過量施加氮肥來保障種植效益，造成水體富營養化等嚴重的農業面源污染。因此，研究椰糠基質氮肥快速檢測技術十分必要。

近紅外作為一種快速無污染的光學檢測技術，近年來被廣泛應用于農業、食品、石油化工和醫學等領域的快速檢測[11-14]。目前，國內外學者對土壤指標近紅外光譜檢測開展了大量的研究工作，但利用近紅外光譜技術對栽培基質指標進行快速檢測的研究鮮見報道。例如，張東興等[15]、楊柳等[16]基于可見/近紅外光譜技術開發出土壤水分快速測量傳感器；焦彩霞等[17]利用可見-短近紅外成像光譜數據實現土壤有機質含量的快速檢測；周鵬等[18]基于土壤全氮和含水率檢測的7個敏感波長開發出車載式原位土壤參數檢測儀；劉燕德等[19]采用近紅外漫反射技術實現贛南臍橙園土壤全磷和全鉀同時快速檢測；YANG等[20]利用卷積神經網絡和遞歸神經網絡相結合，實現土壤有機碳、陽離子交換量和pH值等指標的高精度近紅外光譜預測；MUNNAF等[21]利用4種不同方法優化得到了土壤pH值和有機碳、磷、鉀含量的最佳在線可見/近紅外光譜預測模型；TARNIK等[22]提出最小方差結合貝葉斯算法實現土壤氮、有機碳和水分等9種指標的快速定量可見/近紅外光譜檢測；KODAIRA等[23]利用可見/近紅外微型光譜儀實現土壤中銨態氮、硝態氮和總氮等12種指標的快速精確定量檢測。綜上所述，采用近紅外光譜對椰糠基質有效氮含量進行快速光學檢測具有較大的可行性。由于椰糠基質與土壤的物理指標、化學指標和生物學指標均存在顯著性差異，土壤養分的可見/近紅外光譜預測模型并不能用于椰糠基質的養分評價。因此，采用近紅外光譜對椰糠基質有效氮含量進行快速檢測研究具有重要的實際意義。

本文基于近紅外漫反射光譜分析技術，設計椰糠基質有效氮近紅外光譜檢測儀，開發實時檢測及控制軟件，建立椰糠基質有效氮近紅外光譜檢測的最佳預測模型，并將建立的最優光譜預測模型嵌入到檢測儀器的軟件控制程序中，對檢測儀器的性能進行試驗驗證，以實現椰糠基質有效氮的快速實時檢測。

1 檢測儀硬件設計

1.1 整機結構與工作原理

圖1 椰糠基質有效氮近紅外光譜檢測儀Fig.1 NIR spectrum detecting instrument for available nitrogen in coco-peat substrate1.文丘里輸送管 2.粉碎室漏斗 3.粉碎室 4.高速交流電機 5.前處理裝置支撐架 6.前處理裝置 7.物料輸送軟管 8.氣力輸送裝置 9.氣流軟管 10.檢測機箱 11.樣品臺 12.光源 13.重力式沉降樣品室 14.光纖及光纖探頭 15.近紅外光譜檢測裝置 16.Flame NIR光譜儀 17.真空氣動上料器 18.樣品回收裝置 19.控制系統 20.PU管 21.空氣壓縮機

為了實現椰糠基質有效氮含量的快速穩定檢測，基于漫反射測量原理設計了檢測波長范圍為950～1 660 nm的椰糠基質有效氮近紅外檢測儀。該檢測儀器主要由前處理裝置、氣力輸送裝置、重力式沉降樣品室、近紅外光譜檢測裝置、樣品回收裝置和空氣壓縮機等組成，總體結構如圖1所示。其中，前處理裝置主要由粉碎室、粉碎室漏斗、高速交流電機和前處理裝置支撐架等組成；氣力輸送裝置主要由軟管、文丘里輸送管、調壓閥和電磁閥等組成；近紅外光譜檢測裝置主要由Flame NIR光譜儀、光源、光纖及光纖探頭、樣品臺及檢測機箱等組成；樣品回收裝置主要由真空氣動上料器、軟管和旋風式除塵器等組成?？刂葡到y不僅實現樣本光譜數據采集及檢測，還可以通過控制各裝置的執行部件實現協同作業。

檢測儀工作流程包含以下4個步驟：①前處理裝置將采集的椰糠基質樣本進行快速粉碎/干燥前處理。②旋轉前處理裝置180°，使前處理完成的椰糠基質樣本顆粒從粉碎室漏斗出口處流出，利用氣力輸送裝置將樣本沿軟管輸送至重力式沉降樣品室。③重力式沉降樣品室將氣力輸送來的氣固二相流進行沉降分離，使樣本顆粒快速沉降到樣品室的底部，再利用近紅外光譜檢測裝置實現樣品有效氮含量的快速檢測。④利用樣品回收裝置將檢測完成的樣品從重力式沉降樣品室中氣力回收至旋風式除塵器，再利用旋風式除塵器完成樣本顆粒的高效氣固分離和樣本回收，從而準備下一個樣品的檢測。重復完成上述4個步驟，即完成椰糠基質有效氮含量的快速高精度檢測。

1.2 關鍵部件設計與選型

1.2.1前處理裝置

固體顆粒樣本粒度變化會引起不同程度的光譜散射現象，光譜散射對近紅外光譜檢測有顯著性影響。同時，近紅外光譜對水分中的羥基有敏感響應，樣本水分含量變化也會對近紅外光譜檢測有顯著性影響。實際采集椰糠基質樣本顆粒粒度及含水率均存在顯著性差異，上述樣本的差異性對其有效氮近紅外光譜檢測精度產生顯著性影響。為了快速高效地消除椰糠基質樣本顆粒粒度及含水率差異性的影響，本文研制了具有快速粉碎及干燥功能的椰糠基質前處理裝置，其結構如圖2所示。

圖2 前處理裝置Fig.2 Pretreatment device1.密封圈 2.陶瓷加熱片 3.粉碎刀固定件 4.40目篩網 5.粉碎室漏斗 6.粉碎室內腔 7.絕熱層 8.粉碎刀 9.粉碎室 10.高速交流電機 11.前處理裝置支撐架

由圖2可知，前處理裝置主要由粉碎刀、高速交流電機、陶瓷加熱片、絕熱層、粉碎室、粉碎室內腔、粉碎刀固定件、40目篩網、粉碎室漏斗、密封圈和前處理裝置支撐架等組成。為了提高椰糠基質樣本的前處理效率，在粉碎室內腔外壁安裝加熱部件，加熱部件通過熱輻射將熱量從粉碎內腔外側傳遞至粉碎室內腔中，實現椰糠基質快速粉碎及干燥一體化同時作業。加熱部件由5個陶瓷加熱片均勻布置在粉碎室內腔外側組成，陶瓷加熱片的中心加熱溫度為300℃。陶瓷加熱片與粉碎室之間填充納米氣凝膠絕熱材料，防止陶瓷加熱片產生的熱量向粉碎室外輻射。工作時，高速交流電機位于前處理裝置下方，將取樣器采集擠壓后的椰糠基質樣品加入前處理裝置中進行快速粉碎/干燥作業。每個樣品粉碎/干燥前處理6 min，再旋轉高速交流電機180°，前處理完成樣本通過40目篩網篩選進入粉碎室漏斗，并從粉碎室漏斗出口處進入文丘里輸送管，從而完成樣品快速高效物理前處理。

1.2.2氣力輸送裝置

氣力輸送裝置主要由文丘里輸送管、調壓閥、電磁閥和軟管等組成，其結構如圖3所示。空氣壓縮機產生的壓縮氣體經調壓閥進入氣力輸送管道，通過控制系統控制電磁閥可實現樣品氣力輸送過程的啟/停控制。輸送氣體流經文丘里輸送管時，在文丘里輸送管與粉碎室漏斗連接處產生局部負壓，使粉碎室漏斗中的樣品連續進入文丘里輸送管中，并與輸送氣體一起形成氣固二相流繼續向前輸送。輸送氣壓是樣品平穩輸送以及后續順利沉降的關鍵參數，通過試驗確定氣力輸送的最佳氣流壓力為0.1 MPa，利用調壓閥調節氣流輸送壓力至最佳值。

1.2.3重力式沉降樣品室

重力式沉降樣品室是椰糠基質有效氮近紅外光譜檢測儀的核心部件之一，其主要作用是將氣力輸送過來的氣固二相流進行氣固沉降分離，使粉塵顆粒樣本沉降到樣品室底部的待檢測部位，未分離的粉塵顆粒樣本隨氣流繼續向前輸送。本文采用重力沉降原理設計了重力式沉降樣品室，其結構如圖4所示。另外，重力式沉降樣品室的底部采用高透過率的光學玻璃進行密封。檢測光源透過光學玻璃照射到重力式樣品室內部樣品的下表面，光纖及光纖探頭位于光學玻璃的正下方。通過固定重力式沉降樣品室與光纖及光纖探頭的相對位置，即可保證每個檢測樣品待檢測表面與光纖及光纖探頭距離的一致性，也保證了兩個檢測光源的照射焦點始終位于樣品待檢測表面上。

圖4 重力式沉降樣品室Fig.4 Gravity settling sample chamber1.沉降樣品室 2.光學玻璃

重力沉降主要利用椰糠基質粉塵樣本顆粒與空氣的密度存在顯著差異，使椰糠基質樣本顆粒在輸送過程中自然沉降，從而實現樣本氣固分離[24-25]。為了實現椰糠基質粉塵顆粒的自然沉降，樣品沉降室的長度和高度必須滿足

(1)

(2)

式中L——沉降樣品室的長度，m

V——氣固二相流流速，m/s

H——沉降樣品室的高度，m

VS——椰糠基質樣本粉塵顆粒沉降速度，m/s

g——重力加速度，m/s2

ρ1——椰糠基質粉塵顆粒密度，kg/m3

ρ0——空氣密度，kg/m3

φ——椰糠基質粉塵顆粒直徑，m

μ——空氣粘度，Pa·s

將式(2)代入式(1)，再進行不等式變換可得

(3)

根據沉降樣品室的實際安裝空間尺寸要求，首先確定重力式沉降樣品室的高度H為0.01 m。通過查閱相關文獻資料和實際測量得出，空氣粘度μ取0.000 180 8 Pa·s，氣固二相流流速V為1.15 m/s，重力加速度g取9.8 m/s2，椰糠基質密度ρ1為95.6 kg/m3，空氣密度ρ0為1.29 kg/m3，椰糠基質粉塵顆粒樣本平均直徑φ取0.000 38 m。根據式(3)，沉降樣品室的長度L≥70.1 mm。

重力式樣品沉降室的氣固二相流沉降分離量為Q，則沉降樣品室的寬度B為

(4)

通過測量，重力式沉降樣品室需要處理的氣固二相流沉降分離量Q為0.000 36 m3/s。根據式(4)，沉降樣品室的寬度B=0.000 36/(1.15×0.01)=0.031 3 m。綜上所述，對上述設計得到的數據進行取整，則沉降樣品室的長L、寬B和高H分別為71、31、10 mm。

1.2.4樣品回收裝置

樣品回收裝置主要由真空氣動上料器、軟管、旋風式除塵器和樣品回收箱組成，其結構如圖5所示。該裝置主要利用高速氣體在經過真空氣動上料器時產生負壓，再利用負壓將重力式沉降樣品室中的樣品進行氣動清理，清理后的樣品隨高速氣流一起向前輸送至旋風式除塵器。通過旋風式除塵器將樣品與高速氣體進行高效分離，最終實現樣品回收和潔凈氣體返回大氣[26-27]。另外，重力式沉降樣品室中未能實現沉降分離的氣固二相流也通過旋風式除塵器進行二次氣固分離。根據重力式沉降樣品室對樣本的實際清理需求，選取ZG3/8型雙頭真空氣動上料器作為樣品回收裝置的氣力回收動力源部件，該真空氣動上料器的耗氣量為0.25 m3/min。

圖5 樣品回收裝置Fig.5 Sample recycling device1.重力式沉降樣品室 2.軟管 3.真空氣動上料器 4.旋風式除塵器 5.樣品回收箱

本文設計的旋風式除塵器主要利用氣固二相流在除塵器內部進行高速旋轉產生的離心力使椰糠基質粉塵樣本顆粒從氣固二相流中分離，其結構如圖6所示。根據椰糠基質粉塵顆粒樣本回收的氣固分離要求，選取切線進口的斯維夫特型旋風分離器作為旋風式除塵器的最終結構，其各部分結構尺寸比例如表1所示[28-30]。

圖6 旋風式除塵器Fig.6 Cyclone dust collector

根據旋風式除塵器需要分離的氣固二相流處理量，旋風式除塵器圓柱體直徑可表示為[28]

(5)

式中D——旋風式除塵器圓柱體直徑，m

Q1——旋風式除塵器的最大氣固二相流處理量，m3/s

V1——旋風式除塵器入口處的氣固二相流速度，m/s

進一步分析可知，樣品回收裝置的最大氣固二相流為自真空氣動上料器氣力輸送的樣品，則Q1取0.25 m3/min。采用風速計測得旋風式除塵器入口處的氣固二相流流速約為25 m/s。將Q1和V1的取值代入式(5)，可得旋風式除塵器的圓柱體直徑D約為40.8 mm。根據直徑D的取值，通過表1中的比例關系可確定旋風式除塵器各部分的具體結構參數。

2 椰糠基質有效氮光譜預測模型建立

2.1 試驗材料

采用Sail Substrates椰糠磚制備試驗樣品，該椰糠磚產自印度。試驗前通過去離子水將椰糠磚浸泡成松散狀態，再通過晾曬形成風干的基質樣本。利用微型粉碎機對風干樣本進行快速粉碎處理，粉碎后的樣本過40目標準篩網以供制備不同有效氮含量樣本使用。為了制備有效氮含量覆蓋范圍廣的椰糠基質樣本集，在相同質量的空白椰糠基質樣本中依次添加等體積不同濃度的氮肥溶液，再將樣品靜置吸收24 h，從而完成不同有效氮含量的試驗樣本制備。靜置完成的椰糠基質樣本在105℃條件下進行干燥處理，以供光譜建模使用。試驗共制備不同有效氮含量的椰糠基質樣本135份，每份樣品質量約為10 g。

表1 斯維夫特型旋風式除塵器結構尺寸比例Tab.1 Structure dimensions of Swift type cyclone dust collector

2.2 光譜采集及參考值測定

試驗采用設計的椰糠基質有效氮近紅外檢測儀硬件系統進行漫反射光譜數據采集。開啟檢測儀光源預測30 min，待檢測光源穩定之后再進行光譜數據采集。另外，在采集樣本光譜數據之前，采用聚四氟乙烯標準白板進行檢測儀黑/白參考校正。每個樣本采集3個點的光譜數據，將3個點的光譜數據求平均值作為該樣品的最終原始光譜數據。試驗最終成功獲取135個樣本的漫反射光譜數據，如圖7所示。

圖7 椰糠基質漫反射光譜Fig.7 Diffuse reflectance spectrum of coco-peat substrate

由圖7可知，不同椰糠基質樣本的反射率隨波長變化的趨勢基本相同，不同樣本光譜曲線差異主要體現在各波長對應反射率幅值的變化，該結果表明采集的樣本光譜數據不存在明顯的異常數據。上述光譜曲線在965、1 120、1 450、1 570 nm處存在光譜能量吸收。965 nm和1 570 nm處的吸收峰與NH基團的倍頻振動吸收有關，其變化反映了椰糠基質氮含量[31-32]；1 450 nm處的吸收峰主要反映水或纖維素中的OH基團信息，或者表示椰糠基質木質素中的CH2基團信息[33]；1 120 nm處的吸收峰與C—H(CH2，CH3)中的二級倍頻和組合頻的振動吸收有關[31]。試驗樣本完成光譜數據采集以后，采用國家林業標準LY/T 1229—1999中規定的化學方法進行樣品有效氮參考值測量[34]。

2.3 光譜預處理與模型建立

2.3.1樣品集合劃分

采用國家林業標準LY/T 1229—1999對135個椰糠基質樣本進行有效氮含量(質量比)參考值測量，并根據濃度梯度法以比例3∶1對全部樣本進行校正集和驗證集樣本劃分，其劃分結果如表2所示。

表2 椰糠基質校正集和驗證集樣本有效氮含量參考值分布情況Tab.2 Reference measurement of available nitrogen content of coco-peat substrate samples in calibration and prediction sets

由表2可知，校正集有效氮含量參考值范圍包含驗證集范圍，并且校正集和驗證集的平均值和標準差之間無明顯差異。上述樣本集劃分滿足建立預測性能較優模型的基本要求。

2.3.2光譜預處理

試驗采集的椰糠基質有效氮近紅外光譜數據中還包含一些與檢測指標無關的噪聲和干擾信息，如樣品背景、基線漂移、散射和電噪聲等[35-36]。為了減小上述因素的干擾和提高獲取數據的信噪比，采用導數、S-G平滑(Savitzky-Golay smooth)、標準正態變量變換(Standard normal variable transformation, SNV)和多元散射校正(Multiplicative scatter correction, MSC)等對采集的光譜數據進行預處理[37-38]。

2.3.3有效氮光譜預測模型建立

利用獲取的全部椰糠基質樣本光譜數據組合形成光譜矩陣X，采用國標法測量全部樣本的有效氮參考值組合形成有效氮參考值矩陣Y。利用偏最小二乘回歸(Partial least square regression, PLSR)建立原始和各種預處理光譜矩陣X與有效氮參考值矩陣Y之間的定量預測模型。主成分數選取是建立預測性能穩定的PLSR模型的關鍵，采用交互驗證法來選取椰糠基質有效氮PLSR模型的最佳主成分數。利用校正集相關系數(Correlation coefficient of calibration,RC)、驗證集相關系數(Correlation coefficient of validation,RV)、校正集均方根誤差(Root mean square error of calibration, RMSEC)、驗證集均方根誤差(Root mean square error of validation, RMSEV)和殘差預測偏差(Residual prediction bias, RPD)等指標對預測模型性能進行評價。不同預處理光譜數據建模結果如表3所示。

由表3可知，光譜預處理對椰糠基質有效氮光譜預測模型性能有顯著性影響，所有預處理均對模型的預測性能有不同程度的提升效果。一階導數、MSC和SNV預處理對模型的預測精度改善效果不明顯，二階導數預處理對模型的預測精度略有提高。導數結合S-G平滑預處理對模型的精度有較為明顯的提高。SNV和MSC預處理的主要作用是消除檢測樣本固體顆粒粒度差異和表面散射的影響，故SNV和MSC預處理后的光譜建模結果相近。試驗的椰糠基質樣本均采用微型粉碎機進行粉碎和40目標準篩網過篩處理，椰糠基質樣本粒度差異性和表面散射影響均較小，故MSC和SNV預處理效果不顯著。對比上述各種預處理方式的建模結果，采用S-G平滑預處理結合PLSR可建立椰糠基質有效氮的最優光譜預測模型。最優模型的RC和RV分別為0.973和0.965，RMSEC和RMSEV分別為14.025 mg/(100 g)和15.757 mg/(100 g)，模型的RPD為3.72。上述結果表明，采用近紅外光譜技術可實現椰糠基質有效氮的高精度快速檢測。

表3 不同預處理光譜數據的建模結果Tab.3 Modeling results of different preprocessed spectral data

3 檢測儀軟件開發

基于Microsoft Visual Studio中的MFC開發工具，利用OmniDriver和aaeonEAPI二次開發包中的封裝函數編寫了檢測儀的控制系統軟件，如圖8所示。整個控制系統軟件包括數據顯示模塊、參數設置模塊、光譜檢測模塊、前處理模塊、輸送模塊和無線傳輸模塊。數據顯示模塊主要用于顯示采集樣品的光譜數據曲線；參數設置模塊對光譜采集的積分時間、平均次數和平均寬度等參數進行人機交互設置；光譜檢測模塊實現光譜儀通信連接控制、黑/白校正和檢測觸發；前處理模塊主要實現前處理時間設置及前處理操作控制；輸送模塊主要實現樣品氣力輸送以及氣力清樣過程控制；無線傳輸模塊主要用于將檢測結果無線發送至下位機。整個軟件程序的流程如圖9所示。

圖8 椰糠基質有效氮近紅外檢測儀軟件界面Fig.8 Software interface of coco-peat substrate available nitrogen NIR detecting instrument

圖9 椰糠基質有效氮近紅外檢測儀工作流程圖Fig.9 Working flowchart of coco-peat substrate available nitrogen NIR detecting instrument

4 檢測儀性能測試

為了驗證檢測儀的實際檢測性能，采用蛇形取樣法在廣東省農業技術推廣總站溫室采集實際種植番茄的椰糠基質樣本，每次采集樣本15個，每間隔5 d采集一次試驗樣本，試驗共采集3次樣本，總共獲取45個椰糠基質樣本。通過對采集的椰糠基質樣本進行有效氮光譜檢測驗證檢測儀的檢測性能。所有采集樣品在進行近紅外光譜檢測之前，均采用椰糠基質有效氮近紅外檢測儀的前處理裝置進行粉碎/干燥前處理。最終，45個椰糠基質樣本有效氮國標測量值與儀器檢測值的散點分布圖如圖10所示。

圖10 檢測儀測試結果散點圖Fig.10 Scatter plot of test results of detecting instrument

將上述45個試驗樣本形成測試集，并對椰糠基質有效氮近紅外檢測儀進行性能測試。由圖10可知，測試集樣本的有效氮儀器檢測值與國標測量值之間的相關系數(Correlation coefficient of prediction,RP)為0.883，測試集均方根誤差(Root mean square error of prediction, RMSEP)為18.605 mg/(100 g)。結果表明，測試集樣本的實際檢測精度較高，所研制的椰糠基質有效氮近紅外檢測儀性能滿足實際快速檢測要求。

5 結論

(1)采用近紅外光譜漫反射測量原理，研發了椰糠基質有效氮近紅外檢測儀，主要包括前處理裝置、氣力輸送裝置、重力式沉降樣品室、近紅外光譜檢測裝置、樣品回收裝置和空氣壓縮機等。通過該儀器可實現椰糠基質樣本前處理、氣力輸送裝樣、有效氮光譜檢測和檢測樣本高效氣力回收等功能。

(2)基于椰糠基質有效氮檢測儀硬件系統，采集了椰糠基質950～1 660 nm的漫反射光譜數據。利用導數、S-G平滑和MSC等方法進行光譜預處理，建立椰糠基質有效氮含量的PLSR模型。椰糠基質有效氮最優模型的RC和RV分別為0.973和0.965，RMSEC和RMSEV分別為14.025 mg/(100 g)和15.757 mg/(100 g)，RPD為3.72。

(3)基于MFC開發工具，采用C/C++語言開發了檢測儀硬件控制及檢測分析軟件界面，并將建立的椰糠基質有效氮最優光譜預測模型移植到軟件程序中。通過軟件界面可實現對檢測儀前處理裝置、氣力輸送裝置和氣力回收裝置的操作控制和有效氮光譜檢測的一鍵式操作。

(4)驗證了所研制椰糠基質有效氮近紅外檢測儀的檢測性能。有效氮的測試集相關系數RP和均方根誤差(RMSEP)分別為0.883和18.605 mg/(100 g)。結果表明，該檢測儀可實現椰糠基質有效氮含量的快速實時檢測。