楊思節(jié)，馮巍巍，蔡宗岐，王 清

1. 哈爾濱工業(yè)大學(xué)(威海)，山東 威海 264200 2. 中國科學(xué)院海岸帶環(huán)境過程與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室(煙臺海岸帶研究所)，山東 煙臺 264003 3.中國科學(xué)院海洋大科學(xué)研究中心, 山東 青島 266071 4.中國科學(xué)院大學(xué), 北京 100049

引 言

自從發(fā)現(xiàn)微塑料在海洋和海洋生物中無處不在，全球?qū)ξ⑺芰系年P(guān)注已大大增加[1-3]。2015年第二屆聯(lián)合國環(huán)境大會上，微塑料污染被列為與全球氣候變化、 臭氧耗竭和海洋酸化并列的重大全球環(huán)境問題[4]。研究表明微塑料已經(jīng)大量存在于各個大洋、 海灣中，例如在北冰洋中發(fā)現(xiàn)了高濃度的微塑料[5]，天津近岸海域微塑料污染嚴(yán)重[4]，山東桑溝灣微塑料豐度很高[6]。但是目前國內(nèi)還沒提出成熟的快速智能識別海水中微塑料的方法。

微塑料是指粒徑小于5 mm的塑料顆粒，由于其粒徑較小，微塑料的識別鑒定仍然是一個挑戰(zhàn)[2]。目前研究表明，光譜分析法(FTIR、 Raman)和熱分析法(Py-GC-MS、 TED-GC-MS)應(yīng)用于微塑料的識別檢測頻率最高。熱分析法容易破壞微塑料的屬性，紅外光譜分辨率較低且容易受海水的干擾，而拉曼光譜作為紅外互補(bǔ)光譜，近年來受到越來越多的關(guān)注。通過拉曼光譜的基團(tuán)頻率振動峰對微塑料進(jìn)行分類鑒別，指紋峰明確易于識別，而且不需要制樣、 為非破壞性，避免了樣品制備過程中可能造成的污染和保持樣品的完整性[7]。因此本文基于拉曼光譜探測技術(shù)，提出了一種結(jié)合小波處理、 隨機(jī)森林算法實(shí)現(xiàn)海水中微塑料快速識別的智能分類方法。

1 實(shí)驗(yàn)部分

激光拉曼系統(tǒng)可實(shí)現(xiàn)對微塑料的直接測量，不需要對樣品進(jìn)行預(yù)處理，并且檢測速度快，可以很好地實(shí)現(xiàn)微塑料的快速識別。圖1為激光拉曼探測系統(tǒng)完成微塑料光譜數(shù)據(jù)收集的過程。有光源控制電路、 探測單元和信號處理傳輸單元，其中探測單元包括激發(fā)光源、 入射光纖、 探頭、 接收光纖、 光譜采集模塊，信號處理傳輸單元包括光譜處理模塊、 光電轉(zhuǎn)換模塊、 數(shù)據(jù)處理模塊和數(shù)據(jù)傳輸接口。采用785 nm的激發(fā)光源。

1.1 原始拉曼數(shù)據(jù)獲取

選取環(huán)境中比較常見的六種微塑料： 丙烯腈(A)-丁二烯(B)-苯乙烯(S)的三元共聚物(ABS)、 聚酰胺(PA)、 聚對苯二甲酸乙二醇酯(PET)、 聚丙烯(PP)、 聚苯乙烯(PS)、 聚氯乙烯(PVC)。選取激發(fā)波長為785 nm的激光探測器固定在距離標(biāo)準(zhǔn)樣品2 cm處進(jìn)行測量，光譜采集模塊的光譜范圍為768～1 190 nm，拉曼光譜的積分時間為500 ms。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 標(biāo)準(zhǔn)差歸一化處理

標(biāo)準(zhǔn)差歸一化是對拉曼光譜數(shù)據(jù)進(jìn)行中心平移變換和無量綱壓縮處理，可以用來消除拉曼光譜中激光光源功率變化、 光強(qiáng)衰減等影響。分別取波數(shù)在0～4 000 cm-1共1 745個光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)差歸一化運(yùn)算。

1.2.2 小波分析處理

拉曼采集微塑料光譜數(shù)據(jù)時存在的噪聲和熒光背景是影響分析拉曼光譜的主要問題。本文利用小波分析來降低采集的微塑料拉曼光譜的噪聲。小波變換(wavelet transform, WT)通過伸縮平移運(yùn)算對信號(函數(shù))逐步進(jìn)行多尺度細(xì)化，可以局部化分析非平穩(wěn)信號[8]。根據(jù)常用去噪小波函數(shù)選取了Daubechies(DBN)小波。實(shí)驗(yàn)發(fā)現(xiàn)用DB7小波基，分解次數(shù)選擇3次分析微塑料的拉曼光譜最合適。圖2分別是聚丙烯(PP)原始光譜和經(jīng)過標(biāo)準(zhǔn)差歸一化、 DB7小波分析后的拉曼光譜圖。

1.2.3 數(shù)據(jù)壓縮預(yù)處理

原始拉曼光譜具有1 745個數(shù)據(jù)點(diǎn)，不同的屬性對光譜分析具有不同的重要程度，為了提高模型識別速度需要對原始光譜進(jìn)行數(shù)據(jù)壓縮。利用隨機(jī)森林算法能評估各個屬性在分類問題上的重要性程度，選出重要性重要程度高的屬性，達(dá)到數(shù)據(jù)壓縮的目的。

圖2 聚丙烯原始拉曼光譜和經(jīng)預(yù)處理后的拉曼光譜

1.3 構(gòu)建分類識別算法

選擇機(jī)器學(xué)習(xí)中的決策樹算法和隨機(jī)森林算法分別構(gòu)建識別模型，他們都比較適合小樣本集的分類識別。決策樹(decision tree，DT)算法實(shí)現(xiàn)分類的原理[9-10]： 構(gòu)造一種模型，使模型能夠從樣本數(shù)據(jù)的特征屬性中，通過學(xué)習(xí)簡單的決策規(guī)則，從而預(yù)測目標(biāo)變量的值。隨機(jī)森林(random forest，RF)算法是建立了多個決策樹，并將它們合并在一起，最終葉節(jié)點(diǎn)是分類問題的多數(shù)類。

利用訓(xùn)練數(shù)據(jù)根據(jù)損失函數(shù)最小化的原則建立決策樹模型。把輸入數(shù)據(jù)集劃分成訓(xùn)練集(train)和測試集(test)兩部分，模型通過fit方法從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)，然后調(diào)用score方法在測試集上進(jìn)行評估，打分； 從分?jǐn)?shù)上我們可以知道模型當(dāng)前的訓(xùn)練水平如何。用精度(accuracy)來判斷分類(classification)模型的好壞。其中決策樹分割算法選擇ID3。

隨機(jī)森林算法中樹的個數(shù)需要事先指定，這種需要人工選擇的參數(shù)稱為超參數(shù)。超參數(shù)選擇不恰當(dāng)，就會出現(xiàn)欠擬合或者過擬合的問題。使用網(wǎng)格搜索(GridSearchCV)來找到一個合適的樹個數(shù)。最終用GridSearchCV確定隨機(jī)森林算法中樹的個數(shù)為100個。為了調(diào)整超參數(shù)，測試集的數(shù)據(jù)會“泄漏”給模型。選擇交叉驗(yàn)證(cross-validation，CV)作為精度測試方法，可以很好的解決這些問題。常用k折交叉驗(yàn)證，即數(shù)據(jù)集被劃分成k個子集，每次訓(xùn)練的時候，用其中k-1份作為訓(xùn)練數(shù)據(jù)，剩下的1份作為測試，重復(fù)k次，然后取k次精度的平均值。交叉驗(yàn)證通過多次劃分，大大降低了這種由一次隨機(jī)劃分帶來的偶然性，同時通過多次訓(xùn)練，模型也能遇到各種各樣的數(shù)據(jù)，從而提高其泛化能力。

數(shù)據(jù)處理模塊流程圖如圖3所示。

圖3 數(shù)據(jù)處理模塊流程圖Fig.3 Flow chart of data processing module

2 結(jié)果與討論

采用精度(accuracy)、 交叉驗(yàn)證精度(CV accuracy)、 均方誤差(MSE)作為判定決策樹算法、 隨機(jī)森林算法識別模型的指標(biāo)，模型的普通精度、 交叉驗(yàn)證精度越接近1，均方誤差越接近0，表明模型具有越好的識別精度和性能。

2.1 數(shù)據(jù)壓縮結(jié)果與討論

利用隨機(jī)森林算法中的屬性重要性排列(feature_importances)返回特征的重要性，feature_importances越高代表特征越重要，然后保留重要程度高的屬性，去掉重要程度低的屬性，達(dá)到數(shù)據(jù)壓縮的目的。

利用拉曼光譜1 745個光譜點(diǎn)中的排名前64，128，256，512和1 024的光譜點(diǎn)分別形成的數(shù)據(jù)作為決策樹算法和隨機(jī)森林算法的訓(xùn)練數(shù)據(jù)集，結(jié)果如圖4所示，可以為實(shí)際工程應(yīng)用中選擇數(shù)據(jù)壓縮點(diǎn)數(shù)提供參考。

圖4 不同光譜點(diǎn)個數(shù)決策樹(DT)算法和隨機(jī)森林(RF)算法的交叉驗(yàn)證精度

由圖4可以看出光譜點(diǎn)個數(shù)在512之前，隨著光譜點(diǎn)個數(shù)的增多交叉驗(yàn)證精度增加幅度較大，而在512個光譜點(diǎn)之后隨著點(diǎn)個數(shù)的增加，決策樹算法和隨機(jī)森林算法的交叉驗(yàn)證精度都基本維持不變。最終選取512個光譜點(diǎn)，此時的光譜點(diǎn)個數(shù)較少，既能提高計(jì)算速度且又能保證微塑料識別的交叉驗(yàn)證精度，有利于實(shí)際工程應(yīng)用。

圖5 不同k值時決策樹(DT)算法模型和隨機(jī)森林(RF)算法模型交叉驗(yàn)證精度

2.2 折次(參數(shù)k)對模型精度影響分析

k折交叉驗(yàn)證中數(shù)據(jù)集被劃分成k個子集，每次訓(xùn)練的時候，用其中k-1份作為訓(xùn)練數(shù)據(jù)，剩下的1份作為測試，重復(fù)k次，然后取k次精度的平均值。不同模型具有不同的最優(yōu)k值。實(shí)驗(yàn)分別取k=4，7，10，15，20，25對比交叉驗(yàn)證精度，如圖5，來選取識別微塑料模型的最優(yōu)k值。

由圖5可以看出，不論決策樹算法模型還是隨機(jī)森林算法模型，并不是k值越高精度越高，而是隨著k值的增加精度都會出現(xiàn)拐點(diǎn)，具體模型出現(xiàn)拐點(diǎn)的k值可能會有差異。實(shí)驗(yàn)結(jié)果表明，針對微塑料拉曼光譜識別決策樹算法模型智能識別的最優(yōu)k值是10，此時交叉驗(yàn)證精度可以達(dá)到93.55%。隨機(jī)森林算法模型智能識別塑料拉曼光譜的最優(yōu)k值是20，此時交叉驗(yàn)證精度可以達(dá)到97.24%。

2.3 決策樹、 隨機(jī)森林算法比較分析

表1是選取5個不同的拉曼光譜數(shù)據(jù)集時，決策樹(DT)和隨機(jī)森林(RF)算法對同一數(shù)據(jù)集訓(xùn)練后的普通精度、 交叉驗(yàn)證精度和均方誤差結(jié)果對比。

表1 決策樹(DT)和隨機(jī)森林(RF)算法運(yùn)行結(jié)果對比Table 1 Comparison of operation results between decision tree (DT) and random forest (RF) algorithm

圖6 決策樹(DT)和隨機(jī)森林(RF)算法的運(yùn)行結(jié)果Fig.6 Operation results of decision tree (DT) and random forest (RF)

由表1和圖6可以看出，在同等條件下，隨機(jī)森林算法的普通精度和交叉驗(yàn)證精度始終都高于決策樹算法，且隨機(jī)森林算法的均方誤差低于決策樹算法。所以在基于拉曼光譜識別分類微塑料時，選取隨機(jī)森林算法來建立快速識別模型。這是由于隨機(jī)森林算法采用自舉隨機(jī)采樣技術(shù)，而且通過交叉驗(yàn)證避免隨機(jī)采樣結(jié)果的偶然性，對非平衡數(shù)據(jù)具有較好的模型預(yù)測性能。

3 結(jié) 論

利用激光拉曼檢測系統(tǒng)對海水中常見的六種微塑料樣品進(jìn)行了分析，利用DB7小波分析方法，標(biāo)準(zhǔn)差預(yù)處理對拉曼光譜數(shù)據(jù)集進(jìn)行了預(yù)處理，為了提高識別速度，同時對光譜數(shù)據(jù)進(jìn)行了數(shù)據(jù)壓縮，分別進(jìn)行了數(shù)據(jù)壓縮點(diǎn)為64，128，256，512和1 024點(diǎn)的數(shù)據(jù)壓縮比較，它們的決策樹算法識別精度分別為91.51%，91.67，92.35%，93.17%和93.21%，隨機(jī)森林算法識別精度分別為93.12%，93.92%，94.83%，96.81%和96.81%?；诰群托士紤]，最終光譜數(shù)據(jù)壓縮點(diǎn)數(shù)選擇512個點(diǎn)。研究了參數(shù)k對識別精度的影響。分別比較了決策樹、 隨機(jī)森林兩種算法識別微塑料。研究結(jié)果表明，針對海水中典型的微塑料樣品，當(dāng)k值為20，隨機(jī)森林算法可以達(dá)到97.24%?？梢詾閷?shí)際海水中微塑料的快速識別提供技術(shù)參考。