基于CMOS探测器的静态光散射法能够实现水体悬浮颗粒物粒度分布的快速检测, 受探测器工作特性和面幅大小的限制, 前向光散射的CMOS粒度测量范围和精度难以提高。提出了颗粒前向光散射的双CMOS测量技术, 重点研究双CMOS散射信号拼接测量方法, 设计消除背景干扰的CMOS探测器分环方式, 实现宽粒径范围颗粒粒度的准确测量。实验结果表明: 基于CMOS探测器的颗粒粒度测量上限提高到了1000μm, 1000μm、500μm标样的D50测量相对误差分别为0.7%、0.1%, 大粒径颗粒粒度测量准确度高; 同时双CMOS探测的方式将单CMOS的粒度测量下限由5μm提高到了2μm, 5μm、2μm标样D50相对误差分别由单CMOS的15.0%、51.1%下降至双CMOS的1.4%、2.6%。

静态散射光蕴含颗粒尺寸的特征信息, 因此静态光散射法是快速测量水体悬浮物粒度的有效手段。然而由于颗粒侧向和后向散射光微弱, 不易探测; 前向散射受艾里斑影响, 存在测量盲区, 导致静态光散射法的小颗粒粒度测量精度不足。提出水体小粒径悬浮物粒度低位异面扫描光散射测量方法, 以光电倍增管为探测器, 采用多角度连续扫描方式探测颗粒的光散射信息: 通过缩短探测器到样品池距离, 提高相同角分辨率下的散射光强度, 提升侧向和后向散射光探测灵敏度; 将探测器偏离激发光轴, 避开艾里斑盲区, 在不改变前角小角度测量精度条件下, 实现前向大角度散射光探测。在此基础上, 结合米散射模型, 实现小粒径悬浮物粒度测量。不同粒度样品实验表明, 方法能准确测量350nm至2μm范围内颗粒的粒度, 2μm、1.5μm、500nm和350nm标物D50的测量相对误差均不超过5.61%, 均低于标物不确定度的相对误差, 且优于实验室内激光粒度仪的测量结果。

静态光散射法能够实现水体悬浮颗粒物粒度分布的快速检测，但测量精度易受背景干扰。传统的样品散射光减背景光方法无法有效消除背景干扰。提出了基于散射光基线的背景干扰消除方法，在样品散射光减去背景干扰的基础上，拟合出散射光强分布基线，进一步消除背景的干扰。120 μm及9.86 μm标准粒径样品的测量结果表明，相较于传统方法，120 μm样品的D₁₀、D₅₀以及D₉₀的测量相对误差分别由56.9%、17.2%、8.1%下降到0.4%、0.8%、2.8%；9.86 μm样品的D₁₀、D₅₀以及D₉₀的测量相对误差分别由17.2%、10.0%、0.1%变到11.6%、3.4%、0.1%。表明基线法能够大幅提升背景干扰的去除效果，提高颗粒物粒度测量的准确性。

为了检测金属材料生产、使用过程中的厚度损失及表面裂缝损伤,对比分析了激光干涉仪和电磁超声换能器(EMAT)对金属激光超声信号探测的准确度和实用性。采用激光干涉仪表面波信号与纵波信号相结合的方法探测了铝板厚度,并根据背面纵波信号测量了铝板表面裂痕缺陷深度;采用EMAT表面波信号确定铝板裂痕缺陷的位置,纵波信号确定铝板的厚度。结果表明,相比激光干涉仪的复杂激光超声信号接收光路,EMAT铝板测厚及裂痕缺陷位置检测的误差均在4%以下,且裂痕缺陷位置的预测值不会随着表面裂痕缺陷深度的减小而增加。可见,采用激光超声与电磁超声相结合的方法可有效地降低检测条件的复杂性,提高激光超声的实用性。

塑料具有成本低、 质量好, 可塑性强等优点被广泛用于生产生活等领域, 但废弃塑料处置不当容易引发二次污染。 回收再利用有望成为解决废弃塑料污染问题的关键手段, 其前提是对废料的准确分选。 传统分选手段耗费时间, 效率低下, 难以实现废弃塑料的快速、 经济、 有效分类。 激光诱导荧光技术是一种快速灵敏的光谱检测技术。 具有操作简便, 检测效率高, 样品使用量小等优点常被应用于水体、 土壤中油类, 多环芳烃等有机污染物的快速识别与定量分析。 利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱, 结合相应的模式识别算法, 可实现塑料材质的快速准确识别。 实验采集了8种塑料(ABS, HDPE, PA66, PLA, PP, PET, PS, PVC)共358组激光诱导荧光光谱, 依据特征峰信息构建358×10的光谱矩阵。 利用主成份分析法削减原光谱矩阵中的线性相关量, 提高数据精度。 结果显示前3个主成分的累计方差贡献值达98.085%, 足以表征原光谱矩阵的主要信息。 将降维的主成分PC1, PC2, PC3作为输入进行光谱分类, 其中同种塑料光谱聚合度高, 元素构成不同的塑料如PA66, PLA, HDPE和PVC的光谱分离度较好, 而元素构成相同的塑料如PET和PLA的光谱分离度较差。 PCA算法并不能准确的对未知塑料进行识别。 BP-神经网络具有收敛速度快, 预测精度高等特点被广泛用于模式识别和分类研究。 将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集, 其中随机抽取256组数据作为BP-神经网络算法模型的训练集, 剩余的102组数据作为模型检测集。 BP神经网络的隐藏层设定值为1, 激活函数选择双极性Sigmoid函数, 输出层为8种塑料样品。 识别结果显示, 102组数据中只有一组HDPE光谱数据被错识为PS, 其余101组数据全部正确识别。 8种塑料荧光光谱的综合识别准确率达到99%。 研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。 为实现废弃塑料的自动化智能分选, 降低回收成本, 减少废弃塑料危害提供新的参考。