烤烟香型的判别一直是烟草行业的关注焦点。 利用中红外和近红外光谱对189份不同香型的烟叶进行分析。 分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素。 通过主成分分析方法分别对选取的中红外、 近红外数据进行烟叶清香型、 中间香型和浓香型三种香型风格的定性分析。 结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重, 区分界面不清晰。 随后, 将中红外、 近红外数据进行融合, 将提取的34个特征波数处的吸光值同时代入主成分分析, 得到基于中红外和近红外融合数据的PCA投影图。 该投影图可以将不同香型的烟叶明显地区分出来。 随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择, 后退法选择出了24个变量, 遗传算法选择出了19个变量。 对比34, 24和19个变量的烟叶三种香型风格的主成分投影图, 遗传算法虽然选择了比较少的变量, 但其仍然可以将烟叶进行准确的分类。 利用遗传算法对中红外和近红外融合后数据进行变量选择, 剔除对烟叶香型分类影响小的因素。 最后, 利用支持向量机建立烟叶清香型、 中间香型和浓香型分类判别模型。 该模型的建模结果准确率为92.72%, 其中清香型、 中间香型和浓香型的准确率分别为93.75%, 92.11%和91.84%。 内部交叉验证留一法结果准确率为88.74%, 其中清香型、 中间香型和浓香型的准确率分别为90.63%, 86.84%和87.76%。 对未知样本预报结果的准确率为86.84%, 其中清香型、 中间香型和浓香型的准确率分别为88.24%, 85.71%和85.71%。 无论是建模结果、 留一法结果和预报结果其准确率都大于85%。 研究结果表明中红外和近红外数据融合可以提供更多的特征信息, 利用这些信息可以建立烟叶香型风格的分类判别模型, 为烟叶香型风格快速鉴别提供帮助。
中红外光谱 近红外光谱 烤烟 数据融合 Middle infrared spectrum Near infrared spectrum Tobacco flavor Data fusion
1 浙江工业大学激光加工技术工程研究中心, 浙江 杭州 310014
2 浙江省高端激光制造装备协同创新中心, 浙江 杭州 310014
在医用钛合金(TC4)表面采用激光熔覆的方法制备了硬质颗粒增强金属间化合物基复合涂层, 采用光学显微镜(OM)、扫描电子显微镜(SEM)、能谱(EDS)定量分析、X射线衍射仪(XRD)、显微硬度计(HV)、极化曲线分别分析了硬质颗粒增强金属间化合物复合涂层的组织形貌、相结构与成分、硬度分布和耐蚀性能。研究结果表明, 涂层厚度可达1～2 mm, 涂层内部有TiNi和Ti2Ni韧性相及TiC、TiB/TiB2和B4C硬质颗粒生成, 并且涂层内部组织均匀致密, 无裂纹与气孔等缺陷, 硬质颗粒增强金属间化合物基复合涂层的硬度可达HV 0.3 899, 是基体的近3倍, 涂层的耐蚀性是医用钛合金基体的近3倍。
医用钛合金 激光熔覆 金属间化合物 原位合成 biomedical titanium alloy laser cladding intermetallic composite in-situ synthesis
1 中国科学院,长春光学精密机械与物理研究所,吉林,长春,130022
2 中国科学院,研究生院,北京,100039
3 长春工业大学,吉林,长春,130012
为提高TDI-CCD的工作性能,根据TDI-CCD器件的工作原理,较完整地分析了TDI-CCD图像的噪声组成,给出了其噪声的详细分类.TDI-CCD 的噪声主要来自两个方面,一个是TDI-CCD器件本身所固有的噪声,如霰粒噪声、非均匀性噪声、暗电流噪声、固定图形噪声、转移噪声等,另一个是TDI-CCD工作过程中的各种噪声干扰,如复位噪声和1/f噪声等.根据各种噪声的特点,提出了相应的噪声处理技术,并针对KTC噪声,给出了双相关采样电路处理方式,提高了器件的信噪比,输出信噪比达到53.8 dB.
图像传感器 暗电流噪声 KTC噪声 相关双采样 TDI-CCD
