水分的量化对许多工业和研究应用至关重要。基于光谱的定量模型能够高效、无损且准确地监测水分含量。高光谱相机还能揭示水分的空间分布，而点光谱仪只能提供总体分布。在本研究中，我们监测了棉田的水分含量及其干燥过程。

NIR = 近红外（900 – 1700 nm）

PLS = 偏最小二乘法

PLS DA = 偏最小二乘判别分析

近红外光谱范围内的水吸收峰

在食品、造纸和木材等行业，生产过程中的水分监测至关重要。近红外 (NIR) 光谱法广泛应用于各种应用中的水分含量监测。

光谱学家依赖于近红外光谱范围内的水吸收峰。如下图所示，水在970、1150和1450纳米处强烈吸收光。Specim FX17相机的光谱范围覆盖900至1700纳米，非常适合检测水吸收峰。除了提供水分定量的相关数据外，高光谱图像中嵌入的空间维度还能揭示水分的分布。

在本研究中，我们监测并量化了棉片的干燥时间。我们将一块约5厘米的圆形化妆棉（通常用于卸妆）浸入水中，然后将其放在Specim实验室的40×20扫描仪上。我们使用Specim FX17高光谱相机监测其干燥情况，并每隔4分钟进行一次测量，直至其完全干燥。总共需要进行67次测量，耗时264分钟。我们使用SpecimINSIGHT软件分析了数据。

干燥棉垫的光谱分析

首先，根据暗色和白色参考对每幅图像进行归一化。然后，将实验期间采集的所有 67 幅图像合并成一个文件，创建了一个马赛克图像。该马赛克图像描绘了棉垫在不同干燥阶段的状态，从右上角非常湿润时开始，到右下角干燥时结束。马赛克图像逐行填充，从左到右，从上到下。

如图 1A 所示，在干燥过程后，可以看到伪 RGB 马赛克图像的清晰渐变。光谱也显示出相同的趋势：湿润样品的光谱在 970、1150 和 1420 nm 处显示出最深的光谱吸收，而这些峰值会随着干燥时间的延长而消失。在 3.5 小时后（最近十次测量中），干燥速度也明显加快。

A）伪色彩 RGB 图像（红色：1133 nm；绿色：1280 nm 和蓝色：1488 nm）

B）带有空间选择的假 RGB 图像 [与 (A) 相同]

C) 与每幅图像相关的光谱，对每个选择取平均值 (B)

图 1 与化妆棉干燥相关的假 RGB 和 NIR 光谱

建模——偏最小二乘回归

我们构建了偏最小二乘回归模型来量化化妆棉的干燥程度。回归变量名为“干燥”，取值范围为 0 到 264（代表干燥时间，以分钟为单位）。需要注意的是，使用 SpecimINSIGHT 时，回归模型可以仅基于样本构建，而无需考虑背景。为了训练模型，我们每隔一张图像进行一次评估。模型的准确率则基于所有其他图像进行评估。

图2展示了回归的预测性能。我们为每块棉垫制作了一张表示干燥过程的热图，突显了高光谱成像在描绘变量分布方面的相关性。所构建的模型具有非常高的准确度，R2 为 0.98。对比实际值与预测值，量化非常湿润的棉垫的干燥过程更具挑战性。图1C的光谱与此相关，表明在干燥初期，与水相关的吸收峰深度仅略有变化。

我们构建了第二个模型，与之前提出的模型类似，但这次基于每隔一分钟采集的 61 张图像。R2 为 0.97。第二个模型更侧重于湿润样品，实际值与预测值的对比表明，第二个模型在干燥过程初期更准确。这凸显了根据样品及其水分含量，训练样本的选择对于构建准确的模型至关重要。

A）PLS 回归热图（最小值 = 0；最大值 = 264）

B）第一个回归模型的回归图（每4分钟获取一次数据）

C）第二个回归模型的回归图（每隔 2 分钟获取一次数据）

图 2 “干燥”回归模型的预测性能

结论

Specim FX17适用于精确量化样品（此处为化妆棉）的水分含量。此外，SpecimINSIGHT 是一款相关的软件，可以执行此类分析并建立合适的回归模型。这些模型可以加载到 SpecimCUBE 中进行实时量化。最后，本研究表明，训练样本的选择强烈影响着模型的预测性能。

（文章来源于撸陆，如有侵权，请联系删文）