仪器网（yiqi.com）欢迎您！

Ocean HR2光纤光谱仪凭借其专有的CCD阵列探测器和低杂散光光学平台设计，为从等离子体监测到药物分析等各种应用提供了优异的光谱性能。本次测试，将聚焦海洋光学HR2光纤光谱仪的吸光度线性度以及高分辨率性能。

关于Ocean HR2

海洋光学Ocean HR2高分辨率光纤光谱仪结构紧凑，坚固耐用，积分时间快至1μs，热波长稳定性——漂移小于每摄氏度0.06个像素，可在温度变化时保证可靠的光谱性能。它涵盖 ~190-1150 nm 内各种波长范围，可选狭缝尺寸，以帮助用户控制光通量和光学分辨率。

Ocean HR2光谱仪可与海洋光学光源、附件和软件兼容，允许用户针对不同的应用优化。此外，每台HR2海洋光学光谱仪都配有Ocean Direct，这是个功能强大的跨平台软件开发工具包，带有应用程序编程接口。

吸光度测量：重铬酸钾标准品

为测试海洋光学HR2光纤光谱仪的吸光度线性度，测量了重铬酸钾吸光度标准品，每种样品的浓度水平都不同。

测量吸光度实验包括海洋光学HR2-UV-VIS光谱仪、带衰减器的DH-2000氘灯光源、两根400 μm光纤，石英比色皿、Square One比色皿支架和海洋光谱仪软件OceanView。

图1.重铬酸钾标准品的紫外吸光度

（浓度范围20.27-100.95 mg/L）

图1为使用Ocean HR2测得的紫外吸收谱，可看出Ocean HR2出色的低杂散光性能，特别是当绘制与浓度关系时，其吸光度线性度为0.9997（图2）。

图2.高吸光度线性度是海洋光学光谱仪HR2的一个特点。

蓝色线为重铬酸钾标准品的测量结果，基于该标准曲线，可预测该波长范围内1.5 AU以下几乎任何样品的浓度。

吸光度测量：牛血清白蛋白BSA

BSA常用作生化应用中的蛋白质浓度标准品。下面使用与重铬酸钾实验相同的Ocean HR2光谱仪配置，在蒸馏水中测量了质量同为503mg的30种不同浓度的BSA。

为确保获得更佳测量结果，建议在实验中应注意以下：

测量前，将光谱仪和光源预热30分钟。预热有助于光源达到热平衡状态，避免由于光源输出的微小变化而导致的测量偏差。

采样时避免取下石英比色皿，因为这样做可能会引入错误。正确的做法是，在比色皿中进行溶液稀释，使用一次性移液管吸取每个样品的一部分，然后在去离子水中混合，并对每个样品重复该过程。

同时，还建议避免测量中移动光纤。

图3. BSA样品在 279 nm 处有强烈的吸收峰。

使用BSA测量的吸光度线性度结果甚至比重铬酸钾更好。取279 nm处的吸收峰（图3），吸光度直至2.5AU，也能保证吸光度线线性度0.999（图4）。这种性能使Ocean HR2成为定量其他类型的蛋白质浓度及生物应用，如分析血液成分和对药物配方进行质量保证的理想选择。

图4. 近30个BSA样品上测得的吸光度线性度高达0.999。

高分辨率的Ocean HR2：识别谱线

由于光学平台优化设计，HR2海洋光学光谱仪的分辨率（FWHM）通常小于1nm。例如在测量汞氩灯气体放射光源时，在UV-VIS波段观察到很多明确的尖峰（图5）。

图5.根据配置，可使用海洋光学光谱仪Ocean HR2实现亚纳米级光学分辨率。

在测太阳辐照度时观察到类似的光学分辨率性能，25μm狭缝的Ocean HR2在其光谱范围内检测到光学分辨率小于1.2nm的光谱发射线（图6）。

采样配置包括一个连接到600μm VIS-NIR光纤的余弦校正器，该光纤被放置在反射探头支架中，并以90°对着天空。

图6. HR2海洋光学光谱仪在太阳辐照度测量中展示了其多功能性。

结语

从检测等离子体和气体中的窄发射线到确定蛋白质的浓度，Ocean HR2 光纤光谱仪在实验室或生产线上提供科研级光谱仪性能，能够胜任研究或系统集成的苛刻要求。

高速平均模式（HSAM）是一种硬件加速信号平均功能，需通过 OceanDirect 使用，可提高光谱仪的信噪比（SNR）。信噪比越好，光谱质量越高，结果越准确。

信噪比是几个因素的函数，有些因素比其他因素更容易管理。例如，可在主机的操作软件中进行信号平均，但处理时间可能比应用可接受的时间更长。HSAM硬件加速信号平均克服了这些限制，在给定时间段内实现了更多的光谱平均值，每单位时间产生更高的SNR，这对于高速或实时的应用非常重要。

我们通过使用600μm光纤和衰减器测量880nm LED的相对输出来测试 HSAM 提供的优势。这是评估的光谱范围内的有用区域，因为在某些硅基CCD阵列探测器中，随着光栅色散和探测器量子效率的下降，近红外波段的光谱响应可能会下降。

从某种意义上说，HSAM所做的是将信号从噪声中“拉出”。图1对此进行了演示，我们比较了单次平均扫描的结果，该信号非常嘈杂。然后进行 1000 次扫描（噪音更少）。最 后，对于 10，000 次扫描（最 小噪音）。

图1. 当在Ocean HR和OceanDirect中激活高速平均模式时，信噪比改善显着

与OceanView软件相比，在OceanDirect中运行的HSAM的最 大优势是，您可在更短的时间内执行更多的光谱平均。例如，OceanView可以在大约2秒内处理10，000个平均值。但是，由于HSAM直接在硬件上执行平均值，OceanDirect可以在200毫秒内处理10，000个平均值——速度提高了10倍。这可以显著提高现有应用的信噪比，并开辟新的可能性。

吸光度是用来衡量光被物质吸收程度的一个物理量。利用光谱技术测量吸光度简便高效，因此被广泛应用于液体和气体的吸光度测量，用于科研分析，还可集成至工业测试系统中。

为了评估新产品Ocean HR2吸光度测量性能，我们在蒸馏水中测量了近30种不同浓度的503mg牛血清白蛋白（BSA通常用作生化应用中的蛋白质浓度标准品）样品。

实验配置

本次实验的配置包括海洋光学Ocean HR2高分辨率光谱仪（190-880 nm）、一个带衰减器的氘钨卤素光源、一对400μm光纤和一个带比色皿支架的石英比色皿以及OceanView操作软件、 OceanDirect二次开发包。

数据及分析

为了确保最 佳的测量结果，我们首先将光谱仪和光源预热30分钟，使光源处于热平衡状态。此外，为了防止出现误差，我们无需将比色皿从比色皿支架上取下，而是在比色皿中直接进行稀释，使用一次性移液管加入部分样品，然后再加入去离子水混合，并针对每个样品重复该操作过程。

图1. 牛血清白蛋白样品在280nm处吸收峰

我们的测量集中在280nm处的BSA吸光度峰（图1），其吸光度线性为0.999，极限值高达2.5 AU（图2）。这种性能水平将有利于量化大多数类型的蛋白质浓度，所以非常适用于生物方面的应用，包括药物配方的质量监测。

图2. 在近30个BSA样品上测得的吸光度线性度高达0.999

高速平均模式提高信噪比

高速平均模式（HSAM）是通过OceanDirect二次开发包实现的一种基于硬件加强信号的功能，可提高海洋光学光谱仪的信噪比性能。信噪比越高，光谱质量越好，结果越准确。

高速平均模式可以在给定时间段内进行更多次的平均，从而提供更高的信噪比，OceanDirect设备驱动程序可以在200毫秒内处理10,000个平均值，速度提高了10倍。这对于时间要求高的应用和实时应用非常重要，在这些应用中，必须非常快速、准确地做出判断。

总结

高分辨率（<1.0 nm FWHM）

高速采集（1 μs 积分时间）

高信噪比（380: 1）

Ocean HR2 集“三高”于一身的特性，使其成为蛋白质样品浓度测量、分子诊断、制药材料污染物鉴定等多种应用的理想选择。

Ocean HR2 在实验室和生产线上的表现都相当出色，为客户提供科研级光谱仪的性能。既能作为独立设备使用，也可以作为集成设备中的关键子系统或组件。

背景
烟叶成熟度分为田间成熟度和烘烤成熟度。田间成熟度是烟叶在田间的生长情况。烘烤成熟度是烤制后烟叶成熟的情况。合适的田间成熟度是获得高品质烟叶的基础。

烟叶田间成熟度影响着烤后质量的好坏，包括色泽、香气、油分等。目前，鉴别烟叶田间成熟度的方法是通过烟农肉眼鉴别，鉴别质量参差不齐、效率低且可靠性差。因此，建立一种能直接在田间鉴别烟叶成熟度的方法很有必要。

研究方法

本实验采用近红外光谱技术和图像识别技术结合机器学习算法，建立相应的烟叶成熟度鉴别模型，最 后通过分析对比各个模型的分类效果，寻找最合适的烟叶成熟度检测方法。

实验主要于2019年在大理两不同烘烤工场进行，选择烤烟品种K326，上、中和下部位各采集鲜烟叶样本2431、2401和2400个，共采集7232个样本，每个样本都进行了近红外光谱的采集。

图1. 光谱采集位置分布示意图

实验用海洋光学NIRQuest近红外光谱仪采集样本光谱，配件包含标准探头和漫反射白板，积分时间为5 ms，光谱范围为900-2500 nm，开机预热30 min，优化光谱仪扫描条件后进行近红外光谱扫描，扫描时每个样本在视线范围内避开主脉在左右两侧各取3个点扫描（见图1），所有点的平均值作为该烟叶的代表光谱。

数据采集及处理

近红外光谱含大量噪声，预处理有助于提取和分析有用信息。不同预处理方法导致不同的预测结果。因此，为探索不同预处理方法对模型构建的影响，试算了一阶导数、二阶导数、标准正态变换（SNV）四种经典预处理方法、多元散射校正（MSC）结合Savitz-Golay平滑和归一化进行对比分析。

图2. 烟叶近红外光谱图(a)原始光谱,(b)预处理后光谱

从上部烟叶样本训练集中随机抽取450个样本，按2:1比例分组，选择合适的预处理方法。实验随机重复五次，取平均值作为结果。发现与原始光谱比，预处理后的光谱鉴别准确度有所提高。

经对比发现一阶导数处理的光谱数据可获得更好的分类结果。因此，在随后的分类实验中，选择其作为上、中、下烟叶光谱的预处理方法。预处理前后的光谱如图2所示。

值得注意的是，不同的预处理方法对CNN模型的分类结果影响较小。这表明，与其他方法相比，用于开发NIR模型的CNN方法对预处理的依赖性较小。

表1. 不同预处理方法的判别准确率（%）

模型对比及结论
作者随后采用主成分分析法（PCA）对烟叶各成熟度水平的光谱数据进行聚类分析，发现样本数据显著重叠，无法分离。因此，有必要开发一种更强大的多分类方法来区分不同成熟度的烟叶。考虑到CNN强大的特征提取和学习能力，它可能是一个不错的选择。

图3. 上部烟叶五个成熟度水平NIR光谱方差的PCA得分图

为对比CNN模型的性能，建立了KNN、BPNN、SVM和ELM模型进行比较分析。证实了CNN模型在区分烟叶成熟度方面的出色分类能力。

表2. CNN和其他四种方法的预测结果（%）

结论
本实验研究了近红外光谱结合深度学习方法对新鲜烟叶成熟度水平进行分类的潜力。近红外光谱技术是一种非常有用的工具，可准确、无损地测定烟叶的内部和外部品质。实验表明，CNN方法具有很强的特征提取和学习能力，对分类精度有着有利的影响。为进一步准确识别烟叶成熟度、研制烟叶采收机奠定基础，从而提高烟叶的生产效益。

特别鸣谢

特别感谢云南烟草农业研究院陈颐老师及贵州大学烟草学院老师及其实验室其他成员的工作及对海洋光学的支持和信任。

农残检测仪 吸光度 负数 正常吗?