1 天津大学精密仪器与光电子工程学院，天津 300072
2 天津大学光电信息技术教育部重点实验室，天津 300072
从实验上研究了干涉粒子成像技术（IPI）的最大可测粒子尺寸。分析了同一视场中不同物面导致的物距变化对IPI最大可测粒径的影响。搭建了单光束照射的IPI实验系统，对粒子直径为51 μm和110 μm的聚苯乙烯混合粒子场进行测量，分析了同一视场内不同采集区域的最大可测粒径。实验结果表明，IPI技术最大可测粒径受实验系统物距影响，对于一固定参数的实验系统，同一视场内不同采集区域的最大可测粒径不同。
散射 干涉粒子成像 离焦条纹图 粒子尺寸测量 最大可测粒径 激光与光电子学进展
2023, 60(6): 0629001
1 安徽大学 物质科学与信息技术研究院 安徽省信息材料与智能感知实验室, 安徽 合肥 230601
2 中国科学院安徽光学精密机械研究所 中国科学院环境光学与技术重点实验室, 安徽 合肥 230031
3 合肥学院, 安徽 合肥 230601
4 中国科学技术大学 环境科学与光电技术学院, 安徽 合肥 230026
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%。
粒度测量 Mie散射理论 CMOS图像传感器 图像处理 particle size measurement Mie scattering theory CMOS image sensor image processing
1 中国科学院 安徽光学精密机械研究所 中国科学院环境光学与技术重点实验室, 安徽 合肥 230031
2 合肥学院, 安徽 合肥 230601
3 安徽大学 物质科学与信息技术研究院 安徽省信息材料与智能感知实验室, 安徽 合肥 230601
4 中国科学技术大学 环境科学与光电技术学院, 安徽 合肥 230026
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。
光学测量 小粒径 悬浮颗粒物 粒度测量 静态光 低位异面测量 optical measurement small particle size suspended particulate matter particle size measurement static light low position out-of-plane measurement
光子学报
2022, 51(11): 1101002
上海理工大学上海市介入医疗器械工程研究中心，上海 200093
提出一种基于连续透射消光光谱的粒径测量方法。基于Mie散射理论和人工蜂群算法对颗粒粒径进行反演，结果表明，单峰分布时颗粒的体积频率分布曲线相对均方根误差（RRMSE）低至0.08%，双峰分布时颗粒的体积频率分布曲线RRMSE低至3.49%。用编号为GBW120134、GBW120024和GBW120041的聚苯乙烯乳胶标准颗粒进行了对比实验。结果表明，单峰分布时D50粒径的相对误差在10%以内，双峰分布时D50粒径的相对误差在20%以内。
散射 消光法 光谱 粒径测量 人工蜂群算法 激光与光电子学进展
2022, 59(21): 2129002
1 上海理工大学能源与动力工程学院，上海 200093
2 上海市动力工程多相流动与传热重点实验室，上海 200093
针对双相机成像系统所获取的颗粒离焦图像，搭建了基于Faster-RCNN和VGG16卷积神经网络（CNN）的颗粒粒径与位置同步预测模型。在75~95 mm（约9~10倍的成像系统景深）深度范围内，拍摄直径为50~350 μm的9种不同圆点用于所提模型的训练，并将所提模型与基于离焦测距（DFD）理论模型的处理方法进行了比较分析。测量结果表明，与基于DFD理论模型的处理方法相比，CNN模型的颗粒深度测量范围有所提高，直径测量误差有所降低，但深度测量误差有所增大。进一步采用双相机系统拍摄在循环样品池内流动的粒径为120 μm的标准颗粒，应用所提CNN模型对相应图片进行处理，粒径预测结果的相对误差范围为-8%~8%。
测量 卷积神经网络 双相机离焦成像系统 位置测量 粒径测量 光学学报
2022, 42(19): 1912006
华中科技大学 光学与电子信息学院, 武汉 430074
粒径测量技术广泛应用于能源、材料、医药、化工、冶金、电子、机械、轻工、建筑等诸多领域, 对于改善产品质量、提高生产效率、降低能源消耗、实现精准医疗、监测环境污染等具有十分重要的意义。基于光学原理的粒径测量方法具有响应速度快、粒径测量范围可达纳米级等优势, 但也存在一些问题, 需要不断完善。总结了基于光学原理的3类粒径测量方法, 即显微镜法、光散射法、激光成像法; 介绍了各种方法的测量原理和应用领域, 对比分析了不同粒径测量方法的测量范围和优缺点。在此基础上对粒径测量方法的发展方向进行了展望。
激光技术 粒径测量 显微镜 光散射 激光成像 laser technique particle size measurement microscope light scattering laser imaging
1 中国科学院安徽光学精密机械研究所中国科学院环境光学与技术重点实验室，安徽 合肥 230031
2 合肥学院生物食品与环境学院，安徽 合肥 230601
3 合肥学院先进制造工程学院，安徽 合肥 230601
4 中国科学技术大学环境科学与光电技术学院，安徽 合肥 230026
5 安徽大学物质科学与信息技术研究院，安徽 合肥 230601
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。
测量 背景干扰 悬浮颗粒物 粒度测量 CMOS探测器
1 上海理工大学能源与动力工程学院/上海市动力工程多相流动与传热重点实验室, 上海 200093
2 上海航天动力技术研究所, 上海 201109
光谱消光法广泛应用于颗粒粒径测量领域, 在利用光谱消光法对颗粒粒径进行反演的过程中, 由于颗粒的消光系数存在理论复杂、 计算繁琐、 收敛速度慢以及求解不稳定等问题, 很大程度上影响了整个反演过程的快速性和准确性。 且在众多波长的消光数据中, 存在较多重复冗余的信息, 也很大程度上增加了反演算法的时间。 针对光谱消光法粒径反演算法计算繁琐、 反演效率低的问题, 提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。 基于Mie散射理论对不同粒径、 不同波长下的光谱消光值进行了仿真计算, 通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算, 实现了最优特征波长的选取, 利用降维后的光谱消光数据训练了PCA-BP神经网络模型, 并利用该网络模型计算了粒径颗粒分布。 通过仿真计算, 比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度, 并分析了波长数目对两种神经网络模型预测结果的影响。 针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验, 搭建了光谱消光法颗粒粒径参数测量实验系统, 测量了粒径范围在0.5~9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。 仿真和实验结果表明: 基于主成分分析方法可确定各个波长向量之间的相关性, 利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性, 可实现光谱数据的降维。 相比传统的BP神经网络模型, 基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高, 对于较分散颗粒系的分布参数的预测有更加明显的优势。 而且, 被选取的波长数较少时, PCA-BP神经网络模型依然有较高的预测精度。 利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证, 预测结果可瞬时输出, 颗粒粒径分布误差在5%以内, 验证了该算法的可行性。
粒径测量 光谱消光法 最优特征波长 PCA-BP神经网络 Particle size measurement Spectral extinction method Optimal characteristic wavelength PCA-BP neural network 光谱学与光谱分析
2021, 41(11): 3639
