1 宁夏大学物理与电子电气工程学院, 宁夏 银川 750021
2 宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
利用近红外高光谱成像技术(NIR-HSI), 将采集的光谱信息融合图像纹理信息建立分类模型, 实现灵武长枣瘀伤等级的判别。 采用瘀伤装置获得瘀伤等级为Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ、 Ⅴ级的200个长枣样品, 并按3∶1的比例划分校正集和预测集。 采集不同瘀伤等级长枣的近红外高光谱图像, 使用ENVI软件提取感兴趣区域(region of interest, ROI)并计算平均光谱值。 为消除无用信息的干扰, 采用正交信号修正(OSC)、 基线校准(Baseline)、 多元散射校正(MSC)、 移动平均(MA)、 卷积平滑(S-G)和去趋势(De-trending)对原始光谱进行预处理并建立偏最小二乘判别分析(PLS-DA)模型; 基于最优预处理方法所得的全波段数据采用变量组合集群分析法(VCPA)、 无信息消除变量算法(UVE)、 竞争性自适应加权抽样算法(CARS)、 区间变量迭代空间收缩法(iVISSA)和连续投影算法(SPA)提取特征波长后建立PLS-DA模型; 将高光谱图像进行掩膜, 利用主成分分析(PCA)获取贡献率最高的主成分图像, 并在该图像上采用灰度共生矩阵(GLCM)提取纹理参数, 包括能量(ASM)、 熵(ENT)、 对比度(CON)和相关性(COR), 建立图谱融合的PLS-DA模型。 结果表明, 原始光谱数据建立的PLS-DA模型, 校正集和验证集准确率分别为89%和86%; 原始光谱经De-trending预处理后的PLS-DA模型效果最优, 校正集和预测集准确率均为90%, 较原始光谱模型分别提高了1%和4%; 基于SPA选择特征波长后建立的PLS-DA模型的校正集和预测集准确率均为90%; De-trending-SPA-COR-PLS-DA图谱融合模型效果最优, 模型校正集和预测集准确率均为92%。 因此, 利用近红外高光谱成像技术融合纹理信息可实现不同瘀伤等级灵武长枣的快速无损判别。
灵武长枣 高光谱 图谱信息融合 瘀伤等级判别 Lingwu long jujube Hyperspectral imaging Fusion of spectra and image information Discrimination of bruise grades 光谱学与光谱分析
2023, 43(8): 2644
光学 精密工程
2023, 31(11): 1593
1 宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
2 宁夏大学物理与电子电气工程学院, 宁夏 银川 750021
利用高光谱成像技术与二维相关光谱(2D-COS)结合化学计量学检测灵武长枣半纤维素含量。 采用定量瘀伤装置获得0, Ⅰ, Ⅱ, Ⅲ, Ⅳ级瘀伤长枣模型, 通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。 蒙特卡洛异常值检测法剔除异常样本后, 分别用随机划分法(RS), Kennard-Stone法(KS)、 光谱-理化值共生距离法(SPXY)和3∶1比例法对样本集划分校正预测。 采用基线校准(Baseline)、 去趋势(De-trending)和标准化(Normalize)对长枣原始光谱预处理后建立偏最小二乘回归模型(PLSR), 优选最佳样本集划分及预处理方法。 利用2D-COS将光谱信号扩展到第2维, 在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。 采用竞争性自适应加权算法(CARS)、 引导软收缩(BOSS)、 区间变量迭代空间收缩方法(iVISSA)、 变量组合集群分析法(VCPA)以及iVISSA+BOSS, iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取, 并建立基于特征波长的PLSR模型。 结果表明, 样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优, 故最佳样本集划分方法为3∶1, 预处理方法为Baseline, 用于后续特征波长提取。 通过2D-COS分析发现3个与半纤维素相关的自相关峰(401, 641和752 nm); 在2D-COS敏感区域(401~752 nm范围内), 采用BOSS, CARS, iVISSA, VCPA, iVISS+BOSS, iVISS+CARS, iVISS+VCPA分别提取了14, 26, 39, 12, 15, 22和11个对应的特征波长, 占总波长的18.9%, 35.1%, 52.7%, 16.2%, 20.2%, 29.7%和14.8%。 对比2D-COS和特征波建立的PLSR模型, 2D-COS+iVISSA-PLSR模型效果较好, 其R2C=0.747 9, R2P=0.604 7, RMSEC=0.043 8, RMSEP=0.060 3。 研究表明, 利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。
灵武长枣 半纤维素 高光谱 二维相关光谱 化学计量学 Lingwu long jujube Hemicellulose Hyperspectral Two-dimensional correlation spectroscopy Chemometrics approaches 光谱学与光谱分析
2022, 42(12): 3935
强激光与粒子束
2022, 34(8): 082002
1 遵义师范学院 工学院, 贵州 遵义 563006
2 中国工程物理研究院 机械制造工艺研究所, 四川 绵阳 621900
3 华中光电技术研究所 武汉光电国家实验室, 湖北 武汉 430073
平面光学元件的浸入深度、凸球面光学元件的浸入深度、凸球面光学元件的曲率半径不同会使磁流变抛光入口区域剪切力场发生变化。为了研究磁流变抛光入口区域剪切力场的形成机制, 建立磁流变抛光过程中必要的流体模型, 对入口区域的几何特征进行分析; 通过数值计算平面光学元件不同浸入深度、凸球面光学元件不同浸入深度、凸球面光学元件不同曲率半径的影响, 得到对应的剪切力分布。得出结论,当平面光学元件一定浸入深度逐渐增加时, 抛光区域入口处的剪切力逐渐增大; 当凸球面光学元件的一定浸入深度逐渐增加时, 抛光区域入口处的剪切力逐渐增大; 凸球面光学元件的曲率半径对剪切力无显著影响, 不同曲率半径下的剪切力分布大致相同。
流变抛光 剪切力场 几何特征 抛光区域 magnetorheological polishing shear force field geometric characteristics polishing area
1 中国科学院空天信息创新研究院,北京 100094
2 中国科学院大学,北京 100049
3 中国科学院计算光学成像技术重点实验室,北京 100094
4 中国电子科技集团公司第三研究所,北京 100015
5 中国科学院西安光学精密机械研究所,陕西 西安 710119
介绍了一种基于多脉冲模式的皮秒激光脉冲沉积方法,采用该方法在玻璃基底和单晶硅基底上沉积了透明导电氧化锌(ZnO)薄膜,使用光谱椭偏仪、原子力显微镜、扫描电子显微镜、X射线衍射仪、分光光度计和四探针测试仪分析了激光的不同脉冲串模式对ZnO薄膜厚度、粗糙度、表面形貌、晶体结构、光学性能以及电学性能的影响。结果表明:沉积速率随着子脉冲串数量的增加而减小;随着子脉冲串数量的增加,薄膜表面粗糙度减小,颗粒尺寸减小,薄膜变得更加致密光滑;所有样品均呈现多晶结构;ZnO薄膜的透过率在可见光区域内高于92.95%,且禁带宽度在3.317~3.427 eV范围内;薄膜电阻率随着子脉冲数量的增加而减小。相比于单脉冲,利用多脉冲沉积产生的薄膜具有更高的表面质量、更好的光学性能和更低的电阻率。
薄膜 脉冲激光沉积法 脉冲串模式 皮秒脉冲激光 氧化锌薄膜
强激光与粒子束
2021, 33(10): 101003
1 宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
2 宁夏大学物理与电子电气工程学院, 宁夏 银川 750021
灵武长枣作为宁夏优势特色枣果, 具有重要的经济社会价值和科学研究意义。 利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像, 然后利用损伤装置对60颗完整长枣进行损伤实验, 最终得到60颗损伤(内部瘀伤)长枣, 高光谱成像系统采集损伤后五个时间段(损伤后2, 4, 8, 12和24 h)长枣的光谱图像。 对采集的长枣光谱图像用ENVI软件提取感兴趣(ROI)区域, 并计算完整长枣和每个时间段长枣的平均光谱值。 原始光谱利用Savitzky-Golay平滑的一阶导数(SG-1)和二阶导数(SG-2)、 标准正态变换(SNV)和去趋势(Detrending)、 以及SNV-SG-1、 SNV-SG-2、 Detrending-SG-1、 Detrending-SG-2算法进行预处理, 原始光谱和预处理光谱建立偏最小二乘判别分析(PLS-DA)分类模型。 选择最优的预处理光谱数据, 利用连续投影算法(SPA)、 间隔随机蛙跳(IRF)、 无信息消除变量(UVE)、 变量组合集群分析法(VCPA)、 区间变量迭代空间收缩法(IVISSA)和IRF-SPA、 UVE-SPA、 IVISSA-SPA等算法进行特征变量选择, 对选择的特征变量建立PLS-DA、 线性判别分析(LDA)和支持向量机(SVM)分类判别模型。 结果表明, 在原始光谱建立的PLS-DA模型中, 模型校正集和预测集准确率分别为82.96%和90%。 光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型, 模型校正集和预测集准确率分别为91.11%和96.67%。 在特征变量建立的分类模型中, SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%; SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%; SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。 对于分类模型来说线性分类模型(PLS-DA、 LDA)分类结果优于非线性分类模型(SVM)分类结果, 在线性分类模型结果中PLS-DA优于LDA分类结果, PLS-DA可以更好的提供分类效果。 研究表明, 利用高光谱结合偏最小二乘判别分析分类模型, 可以有效的实现灵武长枣损伤后随时间变化的快速检测, 为灵武长枣在线检测提供理论依据。
灵武长枣 高光谱 偏最小二乘判别分析 线性判别分析 支持向量机 Lingwu long jujube Hyperspectral Partial least squares-discriminant analysis Linear discriminant analysis Support vector machine 光谱学与光谱分析
2021, 41(9): 2879
利用可见近红外(Vis-NIR)高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。 采用定量损伤装置得到损伤Ⅰ, Ⅱ, Ⅲ, Ⅳ和Ⅴ级的灵武长枣, 借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。 提取感兴趣区域(region of interest, ROI)并计算样本平均光谱值。 利用光谱-理化值共生距离算法(SPXY)将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。 灵武长枣原始光谱建立偏最小二乘判别分析(PLS-DA)分类模型, 得到校正集和预测集准确率分别为72.70%和86.67%; 灵武长枣原始光谱数据采用移动平均(MA)、 卷积平滑(SG)、 多元散射校正(MSC)、 正交信号修正(OSC)、 基线校准(baseline)和去趋势(de-trending)等方法进行光谱预处理并建立PLS-DA分类判别模型。 通过分析比较, 得到MSC-PLS-DA为最优分类判别模型, 校正集准确率为76.19%, 预测集准确率为86.67%, 其中校正集比原始光谱建模准确率提高了3.49%, 预测集准确率较原始光谱建模结果未提高; 为了提高建模效果, 对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法(SPA)、 无信息变量消除(UVE)、 竞争性自适应加权抽样(CARS)和区间变量迭代空间收缩法(iVISSA)等算法提取特征波长, 建立PLS-DA分类判别模型, 结果表明, MSC-CARS-PLS-DA为最优模型组合, 校正集准确率为77.14%, 预测集准确率为89.52%, 建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。 结果表明, Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。
灵武长枣 高光谱 定量损伤 等级判别 偏最小二乘判别分析(PLS-DA) Lingwu long jujube Hyperspectral Quantitative damage Level discriminant Partial least squares-discriminant analysis (PLS-D 光谱学与光谱分析
2021, 41(4): 1182