随着经济发展对石油资源需求量的不断增大, 各种石油污染问题日渐严重, 对生态环境及人类健康造成巨大威胁。 因此, 准确识别及时处理油类污染物对减轻溢油危害具有重要意义。 石油是一种复杂的有机化合物, 主要由较强荧光特性的芳香烃成分及其衍生物组成, 不同类型的石油所含多环芳烃的成分和含量不同, 三维荧光光谱3D-EEM在石油污染物的检测领域应用十分广泛。 基于三维荧光光谱技术, 采用BP神经网络结合自加权交替三线性分解（SWATLAD）算法对油类污染物进行定性定量的研究。 实验以0#柴油、 95#汽油和煤油为研究对象, 首先, 使用F-7000荧光光谱仪采集待测样品的光谱数据, 对得到的数据进行激发、 发射校正和去散射处理。 其次, 为解决小波阈值去噪阈值处信号不连续和过度收缩小波系数带来的难以准确还原真实信号的问题, 提出了一种改进的阈值函数, 去噪后的信噪比（SNR）和均方误差（MSE）分别为18.354 7和10.261 7, 更为真实的还原有用信号。 并通过基于误差反向传播的BP神经网络对预处理后的光谱数据进行训练, 训练后预测值与真实值的曲线拟合度较好, 表明后续经光谱仪采集的荧光数据直接输入神经网络即可输出预处理好的待测数据, 简化了实验操作步骤。 最后, 采用SWATLD对经小波变换和BP神经网络处理后的数据进行分解, 解析得到的0#柴油、 95#汽油和煤油的激发与发射光谱与真实光谱拟合度较高, 计算平均回收率分别为103.64%、 99.33%和97.85%, 经验证, 三维荧光光谱结合改进小波变换和BP神经网络的方法可以对荧光物质进行快速、 精确检测。

我国每年的钢铁生产与出口量位居世界前列, 而在钢铁生产过程中产生的废钢是一种重要的资源。 废钢的精准分类是电炉炼钢的关键环节, 对于环境能源的可持续发展也具有重要意义。 为了提高废钢回收利用的效率, 提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法, 与k最邻近算法（kNN）、 支持向量机（SVM）分类算法联合建立了XGBSFS-SVM、 XGBSFS-kNN两种优化模型。 首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170~400 nm范围内的激光诱导击穿光谱数据, 通过k值校验剔除光谱数据中的粗大误差, 并对剔除后剩余的数据进行平均, 每个样品28组共得到504组平均光谱数据; 然后对光谱数据进行基线校正、 归一化等预处理, 降低基体波动影响; 最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集, 剩余数据作为模型的训练集, 并提取光谱数据中Si, Cu和C等元素的16条特征谱线作为分类特征, 用于模型的输入, 经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后, 应用kNN、 SVM建立废钢智能识别模型。 XGBSFS-SVM、 XGBSFS-kNN算法模型在测试集上的准确率分别为100%和98.8%, 输入维数也均由16维降至2维, 且两种模型的建模时间分别由3.1下降至2.79 s, 3.26 s下降至1.64 s, 相较于单独使用SVM和kNN的算法模型, 提出的优化模型预测精度和建模效率较高, 且泛化能力较好。 经过对比建模时间和准确率综合效果, 选取XGBSFS-SVM模型用于不同废钢的智能快速识别。 实验结果表明, 该研究提出的LIBS与XGBSFS特征优选方法能够有效的对特征变量进行优化建模, 为工业生产中废钢种类的快速智能识别和钢铁的回收提供了一种新技术。

提出了一种基于快速特征点提取和描述（ORB）算法与色调、饱和度和明度（HSV）的图像特征点匹配算法，并进行了实验研究。首先利用双边滤波和均值滤波结合对图像进行预处理；然后使用ORB算法进行特征点提取；接着利用K维二叉树（K-D Tree）算法与汉明距离进行特征点粗匹配；再利用图像的HSV信息对匹配特征点对进行二次筛选。实验结果表明，在图像进行预处理阶段，采用方差、Vollath、信息熵的加权平均作为评价指标，与原图、直方图均衡化、双边滤波结果相比，双边滤波和均值滤波结合得到的图像指标值最佳；在特征点匹配和图像拼接阶段，利用HSV信息筛选后特征点匹配正确率提高了12.60个百分点，由此得到的图像拼接结果质量更好，其自然图像质量评价（NIQE）指数值更小。

无人机进行植保作业后, 要实现自主降落, 传统的无人机一般借助于自身的GPS系统进行辅助, 但该系统在小型无人机上进行精确定位时会存在较大误差。针对这一问题, 利用机器视觉系统对无人机定点识别方法展开了研究：设定特定的地标, 通过色值提取滤去该定点以外的其他颜色干扰信息, 展开形状分析排除掉除该定点形状以外的元素, 进行Canny边缘检测识别出地标的轮廓, 建立平面坐标系, 结合边缘检测获得的像素信息测算地标点的具体方位, 并通过试验验证了利用视觉系统可以较好地辅助无人机实现定点降落。

为了达到快速识别和检测油类污染物的目的,以激光诱导荧光技术为基础搭建了荧光光谱检测系统,得到0 #柴油、95 #汽油和普通煤油3种不同油种的荧光光谱,然后从荧光光谱信息中提取特征参量,将标准差、中心距和荧光峰的峰度系数作为敏感特征参量进行聚类分析,最后采用拟合曲线法求得待测样品的质量浓度。实验结果表明,LIF技术结合特征参量提取法和拟合曲线法可用于不同油类污染物的定性和定量检测,为快速识别和检测油类污染物提供了一种新思路。

针对油类污染物成分复杂, 光谱重叠难以识别的问题, 提出采用三维荧光光谱结合组合算法对油类污染物进行了定性和定量分析。 荧光光谱中存在的瑞利散射对三维荧光光谱检测有较大影响, 提出了缺损数据修复-主成分分析(MDR-PCA)方法对矿物油三维荧光光谱的瑞利散射进行处理, 原理是单个荧光光谱激发发射矩阵符合双线性, 可用主成分分析(PCA)法来解析。 MDR-PCA法首先将荧光数据中的散射干扰数据全部扣除, 之后利用主成分分析(PCA)迭代过程对扣除数据进行重构修复后补全数据。 该方法在消除散射干扰的同时充分利用了荧光物质光谱矩阵中的有效信息。 利用不同浓度的矿物油的激发-发射荧光光谱构建了三维数据。 样品数据来源于柴油、 汽油和煤油三种溶质的四氯化碳溶液。 常用于三维荧光光谱数据分析的三线性分解算法有平行因子分析(PARAFAC)、 交替三线性分解(ATLD)和自加权交替三线性分解算法(SWATLD)等。 PARAFAC基于严格意义上的最小二乘原则, 具有抗噪声强、 模型稳定、 微小预期误差等优点, 可以实现三维数据阵列的最佳拟合, 但该算法收敛速度较慢, 对组分数敏感。 ATLD算法通过提取对角主元和切尾奇异值求解广义逆, 极大提高了收敛速度并降低了对组分数的敏感度, 从而实现三线性分解。 然而, 取对角元时易使ATLD方法对噪声敏感。 SWATLD算法既继承了对组分数不敏感、 收敛速度快等优点, 又降低了噪声水平的影响。 但是在抗共线程度方面, SWATLD算法在抵抗共线性程度方面的能力较ATLD略有降低。 基于此, 论文根据三线性分解算法迭代过程中损失函数的变化, 对迭代过程进行划分, 提出了三线性迭代方法的组合算法(algorithm combination methodology, ACM)—将ATLD, SWATLD与PARAFAC组合在一起, 充分发挥各算法的优点, 实现二阶校正算法的优势互补。 采用ACM算法对两组分及三组分矿物油样品的三维荧光光谱数据进行解析, 并对三种矿物油的回收率进行了计算。 柴油的回收率为97.08%, 汽油的回收率为97.34%, 煤油的回收率为97.25%。 解析光谱和回收率表明, ACM算法能够实现油类污染物的种类识别及浓度测量。

三维荧光光谱结合多元校正分析对石油类污染物复杂多组分体系测定方法多谱图混叠, 且易受到空白荧光和干扰物荧光影响降低了测定准确性。 提出在三维荧光光谱中增加一维温度信息构造激发波长-发射波长-温度-样品(EEM-temperature data array)的四维荧光光谱数据阵列, 应用四线性成分模型建立高维荧光光谱定性定量分析的方法。 实验证明在15～25 ℃温度范围内, 矿物油荧光光谱轮廓形状不随温度变化, 而其强度随温度线性变化, 满足四线性要求, 这为构建四维荧光光谱发展高维数据的三阶校正提取更丰富的有效信息提供了可能。 三阶校正不仅可以在干扰物共存的情况下对感兴趣组份进行定量测定, 即具有“二阶优势”, 还具有更高的选择性和灵敏性, 可以对高共线性和背景干扰的重叠光谱表现更好的解析能力, 即“三阶优势”。 对0#柴油、 97#汽油和机油为混合油待测组分, 腐殖酸为水体干扰组分组成的复杂体系污染油样品为进行实验, 得到的三维荧光光谱利用平行因子(PARAFAC)算法和交替惩罚三线性分解(APTLD)算法进行二阶校正分析, 将三维荧光光谱在温度方向上堆叠构成增加温度维度的四维荧光光谱数阵, 并将其利用四维平行因子算法(4-PARAFAC)和交替惩罚四线性分解(APQLD)算法进行三阶校正分析, 比较, 0#柴油、 97#汽油和机油的预测结果表明增加了影响荧光光谱的温度因素构造的四维荧光光谱提高了有效信息提取能力, 四维荧光光谱结合高阶校正算法能提高油种光谱识别和浓度精确检测, 较传统的三维荧光光谱分析提高了回收率(recovery rate)和预测均方根误差(root mean square error of prediction, RMSEP), 有利于石油类污染物的有效, 准确, 实时, 绿色环保检测。 同时指出了4-PARAFAC和APQLD算法各自的特点及其不同适用环境, 为油类污染物检测具体情况提供算法选择依据。 引入温度参量的四维荧光光谱结合三阶校正算法的检测技术较三维荧光光谱技术, 在组分光谱定性分辨和浓度定量检测方面能对复杂体系油类污染物实现快速有效, 绿色无污染地检测, 实现“数学分离”更有效代替“化学分离”。

针对油类污染物成分复杂、光谱重叠难以识别的问题,提出三维荧光光谱结合组合算法(ACM)。将交替三线性分解(ATLD)、自加权交替三线性分解(SWATLD)与平行因子分析(PARAFAC)算法组合,实现3种算法的优势互补。通过配制以四氯化碳为溶剂的不同质量浓度的柴油、汽油和煤油的混合溶液,利用F-7000荧光光谱仪测量混合溶液的三维荧光光谱,采用空白扣除法与缺损数据修复——主成分分析法进行预处理消除散射干扰,对三维光谱数据矩阵进行分解,并与以上3种算法解析结果进行对比。结果表明,ACM对组分数不敏感,且解析结果更准确,样本中对柴油、汽油和煤油的平均回收率分别为 96.68%、97.83%、97.11%。实现了混合油类物质的定性、定量分析,具有一定的普适性。

苯酚和麝香草酚等酚类化合物对人体和动植物有着严重危害, 且这些酚类化合物往往同时存在于水体。 由于苯酚和麝香草酚的激发和发射光谱重叠严重, 常规荧光方法不能实现直接快速测定。 基于三维荧光光谱结合四维平行因子（4-PARAFAC）算法, 对存在未知干扰物的湖水中苯酚和麝香草酚进行定性和定量分析。 利用三维平行因子和四维平行因子算法分解光谱数据, 探索三阶校正算法的“三阶优势”。 通过引入温度维来构建四维数据阵, 将不同温度下扫描得到的激发发射矩阵沿样本维叠加得到四维数据阵, 结合基于四维平行因子的三阶校正算法对目标分析物进行定性定量分析。 为避免溶剂散射和仪器的影响, 需要对扫描得到的激发发射矩阵信号进行预处理。 通过空白扣除法和Delaunay三角内插值法去除激发发射矩阵中散射信号, 再进一步进行激发发射校正, 得到真实光谱。 然后分别使用基于平行因子的二阶校正算法和基于四维平行因子的三阶校正算法对光谱数据进行分析, 对比两种算法的分析结果。 结果表明, 四维数据阵并不是三维激发发射矩阵简单的叠加, 得到的四维数据可能含有丰富的高维信息, 有助于改善对分析物的测量结果。 四维平行因子算法解析得到的湖水中苯酚和麝香草酚的平均回收率分别为97.7%±9.2%和96.5%±8.8%, 预测均方根误差为0.047和0.057 μg·mL-1, 预测相对误差低于10%, 分析结果优于三维平行因子（平均回收率分别为105.7%±15.3%和111.0%±3.6%, 预测均方根误差为0.090和0.056 μg·mL-1, 预测相对误差高于10%）。 实验表明, 样本中存在复杂干扰背景和数据共线性严重时, 三阶校正算法能够得到比二阶校正算法更满意的结果, 为复杂体系中苯酚和麝香草酚的检测提供了可靠方法。

采用平行因子分析(PARAFAC)和交替残差三线性(ART)算法,对石油类污染物进行测量与识别,重点对比分析了两种算法对油种鉴别的差异。在实验中,将以CCl4为溶剂的95号汽油、0号柴油与普通煤油溶液作为研究对象,以不同浓度的石油类物质混合液作为实验样本,利用F-7000荧光分光光度计对样本进行检测,以得到各样本的三维荧光数据。测量样本的组分数估计值预设为3时,采用PARAFAC算法得到的柴油、汽油和煤油样品的回收率分别为(95.60±3.60)%、(94.67±3.66)%和(95.49±4.49)%;ART算法无需预设组分数,其测量得到的柴油、汽油和煤油样本的回收率分别为(96.58±2.17)%、 (95.17±9.17)%和(95.90±8.90)%。结果表明:两种算法都可用于三组分石油类污染物的识别与测量,均能得到较高的回收率;ART算法因无需预先设定组分数而更具优势。