磷含量的圖片比色法測定與人工神經網絡模擬

高光芹， 李瑞歌， 謝普會， 黃家榮， 李 偉

(河南農業大學 a.理學院；b.林學院，鄭州 450002)

0 引 言

傳統檢測磷含量的方法有紫外-可見分光光度計、氣相色譜(GC)、高效液相色譜(HPLC)、氣相色譜-串聯質譜GC-MS)、液相色譜-串聯質譜(LC-MS)等[1-3]，其中最具代表性的是分光光度計。這些方法具有適用范圍廣、準確、靈敏、重復性好等優點，但儀器設備昂貴、不方便攜帶、操作復雜、耗時長等不足，因此難以滿足現場實時在線快速檢測。與傳統色譜法和光譜法相比，基于比色法分析更加直觀，本文通過對數字圖片檢測區域色度的分析與人工神經網絡模型模擬，可以更加便捷、準確地實現磷含量的檢測，且兩者結合，可開發出計算機或智能手機實驗應用軟件。

近年來，國內外研究人員利用手機內置/外置傳感器或附加組件，將普通的智能手機變身為“功能手機”，并開發適用于不同目標物的智能手機軟件，如“顏色識別器”“顏色掃描器”“Palette”等，從而將手機打造成一個功能強大的數字圖片比色檢測平臺，并實現了數據采集、分析、顯示以及數據共享等多種功能[4-8]，廣泛應用于醫療診斷、食品安全、環境監測等重要領域的實時快速檢測[9-11]。

顏色識別器中，主要包括RGB、CMYK、HSV、CIE-XYZ、Lab等幾種顏色模型。色彩圖片采用RGB空間顏色模型，也叫加色混色模型，它使用紅色(R)、綠色(G)、藍色(B)三原色復現人眼所能識別的所有顏色，灰度值區間在0～255之間[12-13]。RGB 的顏色空間，3種分量均是相互獨立的，采用不同的線性數學模型探討RGB 三通道的顏色值與樣品濃度之間的關系。本研究在用圖片比色法測定實驗數據的基礎上，采用人工神經網絡建立檢測物的濃度與RGB的數值的非線性關系[14-16]。

1 實驗材料與方法

1.1 實驗儀器和試劑

儀器：智能手機(帶顏色識別器APP),三角支架，721分光光度計，比色皿，移液槍，白色卡紙，容量瓶，洗耳球。

試劑：鉬酸銨-鹽酸，氯化亞錫-鹽酸溶液，磷標準溶液，待測磷溶液，抗壞血酸溶液(所用試劑均為分析純，水為去離子水)。

1.2 實驗方法

1.2.1 溶液的配制

(1) 4%HCl-鉬酸銨溶液。稱取2 g鉬酸銨溶解于30 mL 4%的鹽酸中，加蒸餾水至50 mL；

(2) 2%抗壞血酸(Vc)溶液。稱取0.1 g抗壞血酸(Vc)加5 mL蒸餾水；

(3) 2.5%氯化亞錫溶液。稱取2.5 g的氯化亞錫溶解于10 mL的濃鹽酸中，待溶解完之后，溶液澄清，加蒸餾水至100 mL，注意用100 mL玻璃燒杯配，沉淀24 h再分裝，用的時候取上清液；

(4) 20μg/mL磷標準溶液。稱取2 g的磷酸二氫鉀溶解于1 L蒸餾水中，取1 mL，加99 mL蒸餾水，置于100 mL燒杯中，得到20 μg/mL磷標準溶液。

1.2.2 “顏色識別器”比色法測定

所有的溶液配置好之后，向0～20號50 mL容量瓶中分別移入磷標準溶液(見表1)，20號容量瓶中移入待測液。向0～20號瓶分別加水稀釋至約25 mL,再加入鉬酸銨-鹽酸混合液2.5 mL，搖勻后加入SnCl2-鹽酸溶液4滴，抗壞血酸溶液4滴，搖勻，加蒸餾水至刻度線，充分搖勻后靜置10～12 min。固定手機于三腳架上，打開“顏色識別器”APP，固定容量瓶位置，采用實時識別逐個掃描，測定結果如表1所示。

表1 磷鉬藍濃度與紅綠藍(RGB)色度表

1.2.3 可見分光光度法測定

所有溶液配置好之后，向21～27號50 mL容量瓶中分別移入上述磷標準溶液0.00、2.00、4.00、6.00、8.00、10.00 mL，27號容量瓶中移入待測液。向21～27號瓶分別加蒸餾水稀釋至約25 mL,再加入鉬酸銨-鹽酸混合液2.5 mL，搖勻后加入SnCl2鹽酸溶液4滴，抗壞血酸溶液4滴，搖勻，加蒸餾水至刻度線，充分搖勻后靜置10～12 min。在690 nm波光下,以21號瓶中的溶液作為參比液，測定22～27號溶液的吸光度,測定結果如表2所示。

表2 不同磷鉬藍濃度下吸光度值

1.3 實驗數據分析

用表1數據繪制的圖1散點圖顯示，紅(R)、綠(G)、藍(B)三種色的色度值，在磷鉬藍濃度為0時呈最大值(172，173，168)；在濃度大于4時，慢慢趨于最小值(9，10，20)；在濃度為(0，4)之間，呈反“J”形遞減趨勢曲線。

圖1 色度-濃度關系

用表2數據繪制的圖2散點圖顯示，A在磷鉬藍濃度為0時呈最大值(100)；濃度大于4時，趨于最小值(0.9)；濃度為(0，4)之間，A隨濃度的增大而減小，也呈反“J”形遞減趨勢曲線。該對比分析結果表明：①用智能手機的“顏色識別器”APP能快速測定樣品的紅綠藍(RGB)色度值與濃度的關系數據，其變化規律與721分光光度計測定的吸光度-濃度關系一致；②紅綠藍(RGB)色度值與濃度的關系是非線性關系，必須用非線性模型來模擬，才能準確定量分析有關關系，人工神經網絡模型是最好的非線性模型。

圖2 吸光度-濃度關系

2 人工神經網絡模型構建

圖3 磷鉬藍濃度檢測的人工神經網絡模型

(1) 輸入層。向網絡輸入數據的節點層，節點數目等于輸入變量數3，其作用是將輸入變量經1層權值(w1i,j,i=1,2,…,s;j=1,2,3)作用后傳遞給隱含層，下標“i,j”表示向隱層i神經元傳遞輸入層j節點變量。

(2) 隱含層。神經元個數s可變，在模型訓練中，用變結構法確定；神經元的傳輸函數為tansig函數；神經元邊上的b1i為1層神經元的閾值，用定值“1”將其引入；hi表示隱含神經元的輸出，其數學表達式為：

(1)

i=1,2,…,s

(3) 輸出層。即網絡輸出模型運行結果的出口層，只有一個神經元，其閾值為b2，傳輸函數也為tansig函數；輸出值Y為：

(2)

i=1,2,…,s

式(1)、(2)合為磷鉬藍濃度檢測的人工神經網絡模型。

3 模型訓練與分析

3.1 模型訓練

用表1的實驗數據為輸入樣本RGB=[172,157,…,9;173,162,…,10;168,160,…,20]和輸出樣本Y=[0.00,0.01,0.02,…,14.00,16.00]，在MATLAB的神經網絡工具箱(NNTOOL)中對以上模型進行訓練，設置模型名為RGBPMB，其參數矩陣如下：

輸入層到隱含層的權值矩陣

IW{1,1}=[ -1.266 5,-1.703 7,-1.067 7;

0.546 2,1.321 7,1.574 5;-1.306 5,

-1.242 5,-1.430 4;-2.450 1,1.376 6,

0.718 7;9.979 2,-0.335 0,7.213 3]

隱含層到輸出層的權值矩陣

LW{2,1}=[2.553 9,-1.578 1,1.391 5,
-1.811 5,-8.952 7]

隱含層神經元的閾值矩陣

b{1}=[2.409 4;-1.578 9;1.177 9;
-0.790 8;18.174 6];

輸出層神經元的閾值矩陣

b{2}=[2.037 4]。

這些訓練矩陣表明，RGBPMB是一個結構為3∶5∶1的BP人工神經網絡模型：

Y=tansig(2.553 9h1-1.578 1h2+1.391 5h3-

1.811 5h4-8.952 7h4+2.037 4)

(3)

式中：

3.2 模型擬合分析

直接用MATLAB的仿真函數作擬合計算式：

Y=sim(RGBPMB,RGB)

(4)

式中:sim( )為MATLAB的仿真函數；RGBPMB表示已經建好的網絡模型，它儲存了網絡結構、屬性等全部參數；RGB,Y為檢測模型的輸入、輸出向量，與建模樣本同維。用式(4)進行檢測計算時，代入的RGB是紅(R)、綠(G)、藍(B)3個色度值構成的一維立向量或多維立向量(矩陣)，計算出的Y是一個標量或向量。

用式(4)計算的擬合曲線如圖4所示。結果表明，模型充分擬合了圖1實測點的變化規律。

圖4 模擬曲線

訓練好模型后，就可用來檢測樣品的濃度。表1中20號樣品，濃度未知，用“顏色識別器”測得紅綠藍的3個色度值為14、18、38，代入模型(4)得：

Y=sim(RGBPMB,[13 19 38]′) =2.015 8

(5)

根據表2的分光光度計測定數據，當濃度為1.6時，吸光度為18.1；濃度為2.4時，吸光度為12.3；測得20號樣品的吸光度為15.0。按比例法求得該樣品的濃度為2.027 6 μg/mL。與式(5)的結果比較一致，得模型RGBPMB的相對精度為99.42%。

4 結 語

(1) 用數字圖片比色法能夠實現精確定量快速檢測，本研究用智能手機的“顏色識別器”APP快速測定了紅綠藍(RGB)色度值與濃度的關系數據，其變化規律與721分光光度計測定的吸光度-濃度關系一致。

(2) RGB色度值與濃度的關系是非線性關系，用非線性模型來模擬更精準，人工神經網絡模型對非線性映射能任意逼近。

(3) 以RGB的色度值為輸入變量，磷鉬藍濃度Y為輸出變量，構建了結構為3∶S∶1的BP人工神經網絡模型；用實驗數據訓練了模型的參數矩陣，得具體的模型結構為3∶3∶1，模型命名為RGBPMB；用仿真函數作擬合計算式，模擬曲線充分擬合了實測數據的變化規律。

(4) 待測磷溶液濃度，用分光光度計測算為2.027 6 μg/mL；用模型計算為2.015 8 μg/mL，其相對精度為99.42%。所以，本文提出的教學實驗改進方案(用顏色識別器測定溶液的色度值，用人工神經網絡模型計算溶液的濃度)是實用、可行的。

(5) 研究特色：綜合應用圖片比色法、顏色識別器、人工神經網絡等信息技術進行教學實驗改進，并取得理想效果，對教學與科研都是新的嘗試。