光谱处理技术对提升光丝诱导荧光光谱检测低浓度NaCl气溶胶能力的实验研究

大气污染对人类的生产生活有极大影响,气溶胶作为污染物的重要部分,不容忽视。提高对大气气溶胶浓度检测的精确性,尤其是低浓度气溶胶,具有十分重要的意义。本文基于光丝诱导荧光光谱技术,对NaCl气溶胶数据进行预处理,并结合偏最小二乘法建立预测模型,探索不同预处理方法对模型检测精度的影响。讨论如何科学合理地选择预处理方法,按照预处理方法效果分为散射校正、平滑去噪、基线校正3个方面,并提出波峰显著度算法。通过无预处理、单一预处理以及组合预处理进行最优预处理方法的选择,并分析其建模精度的影响。实验结果表明,应用多个预处理方法的组合,与无预处理相比,均方根误差降低至0.03,预测相对误差减少60%;与直接观察光谱信号选择预处理方法相比,根据光谱信噪比的提升及预测组分的建模效果可以更为准确地选择最佳预处理方法。该研究为开展低浓度大气污染物的分析研究提供了一定的参考。     

基于菲涅耳透镜和法布里-珀罗干涉仪的飞秒激光光丝NaCl气溶胶荧光光谱探测

设计并制备了口径为20 mm的法布里-珀罗干涉仪,该干涉仪在632.8 nm处的光谱分辨率为0.5 nm,自由光谱范围为9.0 nm。将口径为1.1 m的低成本菲涅耳透镜用作集光元件,使用自行搭建的法布里-珀罗干涉仪和工业电荷耦合器件(CCD)相机成功探测到30 m外平均功率为0.7 mW的汞灯光谱,实现了μlx量级的弱光光谱探测。采用增强型互补金属氧化物半导体(ICMOS)相机,可在10 m外检测到飞秒激光光丝诱导的质量分数为13×10^-6的NaCl气溶胶的时间分辨荧光光谱。建立的基于菲涅耳透镜和法布里-珀罗干涉仪的光谱测量装置在空气污染物和有害物质远程检测中具有广阔的应用前景。     

相向成丝荧光增强光谱检测技术研究

探索了一种基于两束相向传播飞秒光丝诱导荧光的光谱检测方法。实验结果表明,该方法能够延长荧光衰减时间,增强物质特征谱线强度。将该方法应用于盐水溶液中金属离子(K⁺、Na⁺、Mg²⁺)特征峰及含量的检测,其对Na⁺含量的检测灵敏度为4.3×10^-6,较相同激发脉冲能量下的单丝诱导荧光检测技术提升了4倍,且具有良好的线性度。该方法有望为污染物检测提供新途径。     

基于遗传神经网络的激光诱导击穿光谱元素定量分析技术

提出了一种基于遗传神经网络定量分析模型的激光诱导击穿光谱(LIBS)分析技术。采用误差反向传播(BP)算法构造三层神经网络(ANN)结构,通过遗传算法对神经网络权值和阈值进行优化,并将该定量分析模型与LIBS技术有机结合,实现了元素含量的高精度检测。对土壤中的Ba和Ni元素进行定量检测,平均相对误差分别为4.15%和6.06%,相关系数分别为0.983和0.990,检测精度明显优于BP-ANN方法和光谱分析中常用的内标法。研究表明遗传神经网络建模方法具有很好的预测效果,为LIBS技术进行元素高精度检测提供了一种新的建模方法。     

基于激光诱导击穿光谱的页岩与砂岩多元素定量分析

面向天然页岩与砂岩矿物元素组分快速定量分析的检测需求,笔者搭建了具有自动化分析功能的显微分析激光诱导击穿光谱系统,并采用该系统对油气页岩与砂岩天然岩石样本进行了快速检测。分析了砂岩与页岩光谱的不确定度差异,形成了流程化的包括光谱数据提取、筛选、校正、归一化的预处理方法,有效降低了单一样本与样本间光谱不确定度。基于偏最小二乘回归,形成了模型输入参数优化流程,避免了模型过拟合与欠拟合,提高了定量预测准确度。对岩石中的Si、Ca、Fe、Al、Mg等元素进行了定量分析,多数样本的平均预测均方根误差小于1%。本研究为天然岩石的矿物组分分析与岩性识别提供了技术支持。     

激光诱导荧光探测气溶胶装置的研制及实验研究

基于激光诱导荧光原理研制出一套激光诱导荧光探测气溶胶的装置。该装置采用Nd:YAG脉冲激光器产生355 nm波长脉冲激光,经过引导后进入样品池,激发出的荧光被系统收集后进入高分辨率光栅光谱仪,得到样品的荧光光谱图。选用还原型辅酶I（NADH）和核黄素两种典型的生物荧光物质对系统的性能进行测试,在355 nm激光激发下,获取了还原型辅酶I（NADH）、核黄素荧光光谱图;研究了样品浓度对于荧光光谱强度的影响,结果表明在低浓度范围荧光强度与浓度呈线性关系;考查了激光能量对荧光强度的影响,在一定能量范围荧光强度与激光能量呈线性关系,但当激光能量达到一定值后荧光强度会发生饱和。该装置所建立的生物性物质荧光数据库有利于了解和掌握生物荧光特性,对于进一步实现生物气溶胶远距离探测具有重要意义。     

煤中激光诱导击穿光谱的碳元素定量分析

在定量分析煤样品中碳元素含量时,为了克服受基体效应影响较大且预测精度低的问题,在最优实验条件下,获得14个标准煤样品经激光诱导击穿光谱(LIBS)试验后的光谱数据,并选取独立性好、不受相邻谱线干扰的CⅠ193.09nm波长,将积分强度作为输入变量,采用基本曲线定标法以及神经网络定标法,对煤样品进行定量分析。结果表明,当采用基本定标曲线法时,受噪声干扰以及基体效应的影响较大,平均相对误差为15.39%;当采用神经网络定标法时,验证样品的相对误差平均降低了7.54%;采用神经网络定标法能有效减小定量分析误差,提高LIBS对煤中碳元素含量的预测能力。该研究可为定量分析煤中碳元素含量提供指导。     

基于多分支空洞卷积网络的光谱定量分析

卷积神经网络（CNN）近年来已经广泛应用在各种化学计量学任务中。然而,通过CNN从光谱中学习长程相关性仍然是一个挑战,为了避免过拟合,很多之前的工作中使用的CNN架构都很浅。本文提出了一种并行空洞卷积网络（ACPnet）的方法来学习定量光谱的长程相关性,该方法将具有不同空洞率的并行卷积分支组合在一起,以寻找近程和长程相关性的最佳平衡。并在片剂（拉曼光谱）、土壤（近红外光谱）和葡萄酒（核磁共振光谱）3个数据集上验证了该方法的通用性。结果表明,与偏最小二乘回归（PLS）、最小二乘支持向量机（LS-SVM）、常规CNN和级联模式空洞卷积网络（ACCnet）相比,ACPnet在3个数据集的回归精度都达到了最佳。此外,将ACPnet提取的特征输入到不同的回归器中进行分析,来评估该结构作为有监督特征提取器的性能。特征提取-回归模型的预测结果表明,ACPnet在3个数据集上提取的特征信息都要优于常规CNN。     

激光诱导击穿光谱对蕹菜中Pb元素定量分析研究

果蔬重金属污染日趋严重,急需发展一种绿色快速无损检测技术。激光诱导击穿光谱(LIBS)是一种新兴的快速检测技术,为了验证LIBS检测蔬菜中重金属含量的可行性,以新鲜蕹菜为样品,应用共轴双脉冲LIBS对比分析了有无Pb污染的蕹菜菜叶的特征光谱。实验选取铅405.78 nm处的特征谱线作为分析谱线,对7个样品的发射光谱进行研究,并得到了铅元素真实浓度与其LIBS强度拟合曲线,相关系数为0.9857。定标模型浓度预测的相对误差在0.928%~15.05%之间,平均为8.31%,而高浓度污染的测量相对误差均低于3%。试验结果表明,LIBS用于定量分析蕹菜中重金属元素含量是可行的。     

基于激光诱导击穿光谱和神经网络的蛋壳研究

为了研究残缺蛋壳的分类方法以及某些蛋制品中存在的食品安全问题,采用激光诱导击穿光谱技术(LIBS)和反向传播神经网络(BPNN)相结合的方法开展了对于蛋壳元素的探究、不同种类蛋壳的甄别以及蛋壳中污染元素的检测工作。结果表明,鸭蛋壳中含有Si,Cu,Ca,Mg,C,Na和Al等元素;采用LIBS测量并标定污染的皮蛋壳中的元素组成,成功探测到了明显的铅元素特征峰;对鸡蛋壳、鸭蛋壳和鹌鹑蛋壳进行快速的甄别,得到了94.167%的准确率;对鸭蛋壳和皮蛋壳进行不同制作方法的蛋壳分类,获得了97.5%的准确率。LIBS与BPNN的结合为蛋壳的分类与甄别提供了一个新的思路与研究方法。     

基于卷积神经网络的红外光谱建模分析综述

红外光谱技术存在着数据预处理复杂、预测精度不高,且难以处理大量非线性数据的问题,适于用卷积神经网络进行处理.本文首先分析了卷积神经网络应用在红外光谱上的优点,并对卷积神经网络结构组成进行简单的概述.然后针对卷积神经网络在光谱分析建模中的输入数据维度问题进行详细阐述;针对模型设计中卷积核参数的影响、多任务处理模型以及训练...     

用激光诱导击穿光谱技术定量分析矿石样品中Si和Mg

激光诱导击穿光谱(LIBS)技术被用来定量分析矿石样品元素成分.波长为1064 nm的Nd:YAG脉冲激光聚焦在样品表面后产生激光等离子体,等离子体原子发射谱由微型光谱仪记录.为了优化实验条件,研究了激光能量和延时时间等部分参数对谱线强度的影响.实验发现激光脉冲能量对光谱信号的影响大.在选定的变化范围内,改变延时对光谱的影响较小.实验中分别以硅(Si I谱线251.6 nm)和镁(Mg I谱线285.2 nm)为分析线,采用外定标法对硅和镁的含量进行了反演,测得的硅和镁元素含量值与标准值的相对误差分别为7%和3%.     

基于卷积神经网络的混叠光谱解调方法

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。