基于化学计量学对药品铝塑包装片的差分拉曼光谱分析

目的 为快速无损地检验犯罪案件现场遗留的药品铝塑包装片。方法 采用最新的差分拉曼光谱仪,并基于化学计量学对收集的51个药品铝塑片样本进行分析。结果 共对收集的药品铝塑包装片样本提取出了9个有效光谱成分因子,累积占原始光谱数据99.54%的有效信息,并将51个样本分为4大类,通过相关性比较,可知分类结果较好。结论 实验方法简便,无损检材重现性实验结果较好,为药品铝塑包装片类物证的检验提供依据,可为公安工作的开展提供有效帮助。     

一种铝塑泡罩药品包装缺陷检测方法

目的针对铝塑泡罩药品人工检测时存在的包装缺陷,如效率低、成本高、稳定性差等,采用机器视觉技术对铝塑泡罩药品包装进行缺陷检测。方法采用快速鲁棒特征SURF提取算法、BOW算法和单分类支持向量机组成的缺陷检测算法框架,并完成铝塑泡罩药品包装缺陷检测系统的开发。通过搭建的实验平台获取280幅铝塑泡罩药品图像,并采用文中所提方法对180幅图像实施缺陷检测。结果实验结果显示,在阈值为1900、视觉单词数量为120、惩罚因子为0.9时,文中方法的准确率为99.4%。结论文中方法提高了铝塑泡罩药品包装缺陷检测的准确率和稳定性。     

药品铝塑泡罩包装及材料应用展望

药品的铝塑泡罩包装又称为水泡眼包装,简称“ＰＴＰ”（ＰｒｅｓｓＴｈｒｏｕｇｈＰａｃｋａｇｉｎｇ）。这种药品的包装形式具有多种优点,首先给患者提供了一次剂量的药品包装,既方便又经济;其次铝塑泡罩包装保护药品的性能好、生产速度快、成本较低、贮存占用空间小、重量轻、运输方便;第三是安全性能好,由于泡罩包装的铝箔上印有文字说明,发药者在多种片剂的发放中可避免错药、混药的发生。因此我国制药行业在“九五”期间将大幅度地增加优质的泡罩药品生产,预计用于药品泡罩材料的包装占未来药品片剂、胶囊包装的６０％～７０…     

药品铝塑泡罩包装新材料

药品泡罩包装亦称水泡眼包装．适用于片剂、胶囊剂丸剂、栓剂等固体制剂药品的机械化包装。药品泡罩包装的成泡基材通常为聚氯乙烯(PVC)硬片，但从20世纪90年代起国外采用先进技术进行包装的药品大量涌八国内为提高药品的阻隔性能．提升药品的档次新型的药品铝塑泡罩包装的成泡基材如聚偏二氯乙烯（PVDC)硬片、冷     

基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

基于改进支持向量机的药品包装纸盒快速鉴别研究

目的 为实现在司法鉴定中对药品包装纸盒类检材的简单快速无损检验。方法 利用X射线荧光光谱法,以Rh做阳极靶,在电压为50 kV、电流为30μA、功率为1.5 kW的条件下,对40组不同产地、不同厂家的药品包装纸盒样本进行检验。依据药品包装纸盒的化学元素组成对样本设置标签,建立蒙特卡洛算法（Monte Carlo Algorithm,MC）优化下的支持向量机（Support Vector Machine,SVM）分类模型,对惩罚因子进行仿真寻优,同时结合分治算法实现折半查找,使迭代过程具有自我学习能力,最终基于K-fold交叉验证,得到兼具拟合性和衍生性的惩罚因子组。结果 计算机模拟结果表明,当3组支持向量机惩罚因子设置为933、280、732时,MC-SVM模型可实现对100%的训练集的拟合以及90%的预测集的分类,Hinge Loss函数最低损失值为0.093 8。结论 此方法可为药品包装纸盒类物证的检验以及支持向量机的参数优化提供新思路。     

药品铝塑泡罩包装新基材

药品泡罩包装亦称水泡眼包装,适用于片剂、胶囊剂丸剂、栓剂等固体制剂药品的机械化包装。药品泡罩包装的成泡基材通常为聚氯乙烯(PVC)硬片,但从20世纪90年代起,国外采用先进技术进行包装的药品大量涌入国内为提高药品的阻隔性能,提升药品的档次,新型的药品铝塑泡罩包装的成泡基材如聚偏二氯乙烯(PVDC)硬片、冷冲压成型材料、聚丙烯(PP)硬片、环状烯烃共聚物(COC材料)正在逐步使用于药品的生产领域中。     

红外光谱法结合化学计量学对快递包装纸盒的检验研究

目的 研究一种红外光谱法与化学计量学相结合的方法，以对现场提取的快递包装纸盒样品进行快速检验分类。方法 利用红外光谱法对53个快递包装纸盒样品进行检验，依据其主要填料差异进行分类，并利用系统聚类进行分组。基于该分组，训练随机森林模型、多层感知器判别、Fisher判别3种预测模型，实现对新样品组别的分类预测。结果 53个快递包装纸盒样品被分为3类，而后进一步细分为9组，训练得到的3种判别模型中的Fisher判别预测准确率较高。结论 该检验方法快速、无损、准确，依据化学计量学实现对快递包装纸盒样品的快速检验，为公安机关检验此类物证提供依据。     

基于比例特征的区域分割算法在药板缺陷检测中的研究

目的 为解决铝塑泡罩药板图像ROI区域定位慢、精度差等问题,本文提出一种基于比例特征的泡罩区域分割算法,该算法可以快速定位并分割泡罩ROI区域,结合图像相关性特征算法对铝塑泡罩药板进行缺陷检测。方法 首先通过工业相机采集药品包装生产线上的药板原始图像,接着使用Blob分析从原始图片中分离出铝塑泡罩主体部分,然后通过仿射变换将图像放置在中心区域,并使用比例特征分割算法对泡罩区域进行分割,最后通过金字塔加速的NCC算法完成缺陷检测。结果 实验结果表明,基于比例特征分割后的图像平均NCC匹配时间为9 ms,在缺陷样本占比20%的实验中误检率为0.167%,漏检率为0.556%。结论 通过比例特征分割出精准的泡罩ROI区域结合改进的NCC算法,在拥有较高准确率的同时大幅减少了缺陷检测时图像匹配的时间,能较好地完成铝塑泡罩药板的缺陷检测任务。     

基于因子分析和系统聚类的一次性纸杯XRF分析

目的 构建一次性纸杯物证分类新方法。方法 利用X射线荧光光谱法(X-ray fluorescence spectrometry，XRF)对31个不同公司的一次性纸杯样品进行检验，并利用因子分析法确定光谱数据的2个主因子，2个主因子包含原始光谱数据79.209%的信息;利用2个主因子分别建立4个因子分析模型和因子得分函数，计算因子得分，用因子得分代替原始数据进行系统聚类;最后利用Fisher判别分析验证聚类结果的准确性和合理性，并利用定性半定量分析法进一步将一次性纸杯样品进行分类。结果 将31个一次性纸杯样品分成3类时，同一公司的一次性纸杯样品聚为一类，样品的区分性较好，分类正确率为100%。结论 利用X射线荧光光谱法、因子分析和系统聚类可实现一次性纸杯物证的无损、快速且有效的检验和分类。     

基于随机森林利用差分拉曼光谱对塑料食品包装瓶的分类研究

目的 建立一种快速无损的检验塑料食品包装瓶的分析方法,提供一种快速分类模型。方法 利用差分拉曼光谱对100个塑料食品包装瓶样品进行检验,根据样品的差分拉曼特征峰可以对样品进行分类,样品可被分成聚对苯二甲酸乙二醇酯和聚丙烯两大类,对其中数目较多的第I类继续根据样品中所含填料的不同进行分类。利用贝叶斯判别、多层感知器和随机森林算法分别构建分类模型对继续分类结果进行分析验证。结果 第I类样本可继续被分为4类,贝叶斯判别结合留一交叉验证法分类正确率为71.7%,多层感知器神经网络分类模型的训练集和测试集分类正确率分别为100%和86.2%,随机森林分类模型的训练集和测试集分类正确率分别为100%和96.5%。通过比较发现,差分拉曼光谱与随机森林算法相结合可以对塑料食品包装瓶实现有效的分类。结论 该方法简单快速,样品用量少且无损样品,可为塑料食品包装品的物证鉴定提供科学依据。     

X射线荧光光谱结合聚类分析检验快递塑料包装袋

目的 针对现场经常提取到的快递塑料包装袋物证,建立一种快速检验分析、样本分类的方法.方法 采用X射线荧光光谱法对41个不同快递公司、不同来源地的快递塑料包装袋样品进行无机元素检验分析.根据不同样品的元素种类含量进行分类,并利用系统聚类和K-Means聚类,对样品进行聚类分析.结果 根据检验得出无机元素含量及其主要元素的比值,对各样品进行有效区分.通过系统聚类的方法,将样品成功聚为4类.用K-Mean算法对聚类结果进行检验,其分组结果基本一致,说明该方法的聚类效果良好.结论 利用X射线荧光光谱法结合聚类分析检验41个样品,结果表明,各类样品特征明显,具有较高的区分度,可以实现对不同公司、不同来源地的快递塑料包装袋进行区分.文中方法为公安工作中处理此类物证提供了一定的理论参考.     

基于多阶权重组合和PROMETHEE Ⅱ的饮品包装评估模型

目的 对多种可行的饮品包装方案进行评估,选择出最佳方案,从而满足消费者市场的多方位需求,促进饮品销售,提高饮品企业的市场占有率.方法 在价值工程驱动下构建饮品包装功能层次结构评估指标体系,通过模糊群决策法求解各饮品包装方案的指标值;使用多阶权重组合来融合赋权有效信息,采用PROMETHEEⅡ对多个饮品包装方案进行评估,以避免决策补偿性.结果 对各饮品包装方案的净流量排序,进行数据的分析与对比,4种饮品包装方案的优劣性排序为J2>J4>J1>J3,最优方案为易拉罐包装方案(J2).结论 通过某款果汁4种包装方案的评估案例,验证了文中所提饮品包装方案评估模型的有效性,表明该模型能够应用于饮品包装的综合评估与优选,可为饮品包装的设计提供支持.     

红外光谱结合主成分分析对纸质快递文件袋的分类研究

目的 建立一种快速无损的检验纸质快递文件袋的分析方法。方法 利用傅里叶变换红外光谱对63个纸质快递文件袋样品进行检验，分析样品的红外光谱吸收峰的峰位，结合主成分分析对光谱数据进行了降维处理并分类。利用费歇尔判别对快递文件袋的分类结果进行分析和验证。同时建立多层感知器神经网络和径向基函数神经网络2种分类模型，进行分析和验证。结果 63个纸质快递文件袋样品可被分成四大类，利用费歇尔分类模型进行验证，准确率为100%；多层感知器神经网络分类模型准确率为95.23%，径向基函数神经网络分类模型准确率为92.06%。通过比较发现，费歇尔判别可以实现对纸质快递文件袋更加有效地分类。结论 该方法简单快速，样品用量少且无损样品，可为快递文件袋类的物证鉴定提供科学依据。     

差分拉曼光谱结合XRF对塑料药瓶的多元分类研究

目的 构建一种药瓶的分类及预测模型。方法 利用差分拉曼光谱和X射线荧光光谱对54个不同品牌和产地的塑料药瓶进行分析检验。结果 得到了54个样品的差分拉曼谱图及Cl、Ca、Ti、Fe、Zn等元素的含量。利用主成分分析对差分拉曼光谱数据进行降维,再利用系统聚类将降维后的数据分为8类,并以此为依据建立判别分析模型,最终判别模型经交叉验证可知准确率达到90.7%,多层感知器的分类准确率为100%,分类效果较好。结论 差分拉曼光谱可以根据谱图中的特征峰推断样品的分子结构,并且可以根据峰位对样品进行分类,并建立分析模型,X射线荧光光谱可以通过各元素的种类和含量的不同对样品进行区分,实现组内的细化。差分拉曼光谱和X射线荧光光谱可以分别从有机和无机的角度对药瓶进行分类,在分析上可以优势互补,可为公安机关实际办案探索出一种新的光谱联用角度和方法。     

用于锂电池包装的铝塑膜印刷封装新工艺

目的研发一种铝塑膜印刷封装的新工艺,提高锂电池包装的生产效率。方法通过对铝塑膜表面先涂布、再印刷、后封装的工艺替代行业内铝塑膜包装锂电池的传统工艺,测试新工艺条件下铝塑印刷膜的耐化学性、耐磨性、附着力及光泽度等指标。结果采用新工艺后,不仅可以拓宽印刷种类,提升生产效率,而且能够实现高精度印刷作业,提高铝塑膜的印刷质量。试验表明,该工艺条件下的铝塑印刷膜耐化学性和耐磨性优良,附着牢度可达100%,平均光泽度为8.4。结论新工艺相比传统工艺具有较强的先进性,可适用于手机锂电池的铝塑膜印刷封装作业。     

Chemometric classification of several olive cultivars from Trás-os-Montes region (northeast of Portugal) using artificial neural networks

This work aimed to use artificial neural networks for fruit classification according to olive cultivar, as a tool to guarantee varietal authenticity. So, 70 samples, each one containing, in general, 40 olives, belonging to the six most representative olive cultivars of Trás-os-Montes region (Cobrançosa, Cordovil, Madural, Negrinha de Freixo, Santulhana and Verdeal Transmontana) were collected in different groves and during four crop years. Five quantitative morphological parameters were evaluated for each fruit and endocarp, respectively. In total, ten biometrical parameters were used together with a multilayer perceptron artificial neural network allowing the implementation of a classification model. Its performance was compared with that obtained using linear discriminant analysis. The best results were obtained using artificial neural networks. In fact, the external validation procedure for linear discriminant analysis, using olive data from olive trees not included in the model development, showed an overall sensibility and specificity in the order of 70% and varying between 45 and 97% for the individual cultivars. On the other hand, the artificial neural network model was able to correctly classify the same unknown olives with a global sensibility and specificity around 75%, varying from 58 and 95% for each cultivar. The predictive results of the artificial neural network model selected was further confirmed since, in general, it correctly or incorrectly classified the unknown olive fruits in each one of the six cultivars studied with, respectively, higher and lower probabilities than those that could be expected by chance. The satisfactory results achieved, even when compared with previous published works, regarding olive cultivar's classification, show that the neural networks could be used by olive oil producers as a preventive and effective tool for avoiding adulterations of Protected Designation of Origin or monovarietal olive oils with olives of non-allowed cultivars.