基于偏振光谱BRDF图像的物质分类

提出一种基于偏振光谱二向反射分布函数图像的物质自动分类方法,该方法主要选择偏振光谱二向反射分布函数信息作为新的特征用于物质自动分类.采用支撑向量机的分类方法对不同的天气条件（晴天、多云、阴天）下处于杂乱的自然草地背景环境中的典型目标进行分类,最后比较三种不同特征选择对于分类准确度的影响.采取三种不同的特征选取方法,分别为采用单一的光谱特征、偏振光谱特征及偏振光谱二向反射分布函数特征.最后通过实验得出：将偏振光谱二向反射分布函数作为分类特征在三种不同的天气情况下,分类准确度都较高,特别是在阴天天气条件下,分类准确度明显高于其它两种特征选择.即使是在阴天低照度下的场景中,当不同目标和背景之间的灰度很接近时,采用本文方法也能准确的进行自动分类.
关键词:     

基于偏振光谱BRDF图像的物质分类

提出一种基于偏振光谱二向反射分布函数图像的物质自动分类方法,该方法主要选择偏振光谱二向反射分布函数信息作为新的特征用于物质自动分类.采用支撑向量机的分类方法对不同的天气条件(晴天、多云、阴天)下处于杂乱的自然草地背景环境中的典型目标进行分类,最后比较三种不同特征选择对于分类准确度的影响.采取三种不同的特征选取方法,分别为采用单一的光谱特征、偏振光谱特征及偏振光谱二向反射分布函数特征.最后通过实验得出:将偏振光谱二向反射分布函数作为分类特征在三种不同的天气情况下,分类准确度都较高,特别是在阴天天气条件下,分类准确度明显高于其它两种特征选择.即使是在阴天低照度下的场景中,当不同目标和背景之间的灰度很接近时,采用本文方法也能准确的进行自动分类.     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

近红外光谱用于皮棉杂质含量预测和分类的研究

采用光纤漫反射光谱采集模式,采集未经预处理皮棉的近红外光谱,对比不同的光谱预处理方式,应用偏最小二乘回归建立皮棉杂质含量预测模型,判别分析法分类皮棉和杂质含量级别。采用一阶微分光谱预处理,使用3个主成分建立的杂质含量PLS模型预测相关系数r为0.906,RMSEC为0.440,RMSEP为0.823; 采用判别分析,分类含有植物性杂质皮棉和纯皮棉,使用15个主成分准确度达到95.4％; 判别含有多类杂质皮棉,分类准确率仅能达到80.9％。而杂质含量级别分类效果不佳。研究表明,皮棉近红外光谱可以预测皮棉中杂质含量等指标,但受到杂质含量、类型和均匀度的影响,后续研究应通过透射采集模式等方法,改善光谱质量,提高预测精度。     

基于近红外自相关谱检测奶粉中的三聚氰胺

发展了一种基于近红外自相关谱定性定量分析掺三聚氰胺奶粉的检测方法。分别配置40个纯奶粉样品和40个不同质量百分比浓度的掺三聚氰胺奶粉(10-4%～40%, w/w)样品,采集了所有样品的一维近红外漫反射光谱,以奶粉中掺入的三聚氰胺浓度为外扰进行相关计算,选择随浓度变化敏感的7 000～4 200 cm-1为建模区间。在提取自相关谱信息的基础上,建立了定性定量分析掺三聚氰胺奶粉的偏最小二乘模型,并与常规一维近红外谱模型的预测结果进行了比较。所建立的方法对未知样品的识别正确率为100%,预测均方根误差(RMSEP)为0.63%;而一维近红外谱的识别正确率为96.2%,RMSEP为0.84%。研究结果表明：相对于常规一维近红外谱,所建立的方法能提供更好的预测结果,其原因可能是自相关谱能提取更多的特征信息。     

蛋白饲料原料粗蛋白含量近红外光谱模型转移研究

建立良好的蛋白饲料近红外光谱定量分析模型及实现在不同仪器间的模型共享,能极大提高模型的利用效率,满足饲料行业快速发展的需要。针对蛋白饲料原料粗蛋白含量近红外分析模型适用性问题,首次采用光谱差值转移、直接校正和分段直接校正法进行了三台不同类型的近红外光谱仪之间的模型转移研究。实验样品为四种蛋白饲料原料：玉米蛋白粉、菜粕、酒糟和鱼粉。实验仪器包括MATRIX-Ⅰ傅里叶变换型近红外光谱仪(主仪器),Spectrum 400傅里叶变换型近红外光谱仪(从仪器1)和SupNIR-2750光栅扫描型近红外光谱仪(从仪器2)。研究表明,同一样品体系在主仪器和从仪器2上所得光谱数据的差异性相对较小,且均与从仪器1所得光谱数据的差异性相对较大。除分段直接校正法对玉米蛋白粉从仪器2的预测结果无促进作用之外,其他模型的预测均方根误差和系统偏差均明显低于转移前。玉米蛋白粉、菜粕和酒糟样品采用三种方法转移后的模型预测相对分析误差(RPD)均大于3.0,预测效果良好。鱼粉样品模型转移后的预测RPD均大于2.5,预测效果较好。三种方法对于蛋白饲料原料不同仪器间的光谱差异进行了有效校正。该研究结果对于蛋白饲料品质近红外快速分析模型的广泛应用具有重要意义。     

波长漂移对近红外光谱PLSR分析模型的影响

在近红外光谱分析过程中,单台仪器在不同时间的波长变化及多台仪器间的波长一致与否会对化学计量学定标模型的校正及传递效果产生影响,上述问题可以统一为波长漂移对定标模型的影响。以分析小麦粉中粗蛋白含量为例,首先结合不同谱区光谱数据,利用偏最小二乘回归（PLSR）方法建立了两个定标模型。再由计算机生成不同类型、不同幅度的波长漂移信息,并叠加至验证集样品光谱中,使新光谱相对于定标集光谱产生波长漂移信息。通过考察原定标模型对新光谱的预测与校正情况,研究了波长漂移对PLSR定标模型的影响。结果表明：相对于定标集样品光谱,验证集光谱中无波长漂移信息时,模型的预测标准差（RMSEP）不超过0.3%,预测相关系数不小于0.98;验证集样品光谱在不同波长处的波长漂移信息为一恒定值时,模型的RMSEP会随波长漂移幅度的增大而增大,波长漂移量为-32 cm-1时对应RMSEP为3.69%,预测相关系数变化不大;当验证集样品光谱在不同波长处的波长漂移信息随机变化时,基于长波区光谱所得原始模型的预测结果几乎不受影响;当含有不同波长漂移信息的一系列样品光谱加入到定标集对长波区PLSR分析模型进行校正时,校正后模型的RMSEP为0.3%,几乎不受波长漂移信息的影响,但模型的回归因子数从3显著增大到8,其稳健性变弱;总的来说,当仪器存在波长漂移且幅度不大时,模型预测相关系数几乎不受影响,可通过对预测结果的校正来改善RMSEP,以保证分析结果的准确性。该研究为确定仪器设计参数及分析方法的操作规程,提高近红外光谱分析结果的可靠性提供了实验依据。     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

基于参数校正的近红外光谱模型转移新方法

模型转移是解决近红外光谱仪器间存在差异导致校正模型难以在多台仪器间通用问题的重要方法。利用主成分-马氏距离方法判断样品在不同仪器间的光谱差异性,然后通过吉洪诺夫正则化约束和校正模型参数,提出新的模型转移算法,实现模型在不同近红外光谱仪器上的共享和使用。首先使用一组标准样品光谱,建立主机和子机近红外光谱模型预测误差最小化函数。通过约束主机和子机的模型参数的差异,求出子机的模型参数,从而达到模型转移的目的。该方法应用于药物活性成分和烟叶中总植物碱与总糖的含量分析,结果表明使用15个标准样品时,子机光谱样本的预测均方根误差(RMSEP)分别从8.3 mg、 0.49%和1.91%降到3.9 mg、 0.09%和0.83%。转移后模型预测相对分析误差(RPD)均大于3.0,子机光谱样本的预测效果得到明显提高。该方法理论明确、直观,在实际应用中样品预测准确性较好,为具有标准样品的模型转移方法提供一种新思路。     

近红外差谱法选择信息区提高同分异构体预测模型准确度

以短波近红外光谱法定量检测了二甲苯三种同分异构体混合溶液中各自的体积相对含量。分别采用全光谱、截取具有高相关系数的波段和差谱法选择光谱差异大的波段三种不同的建模方式建立偏最小二乘回归 (Partial L east- Squares Regression)预测模型并对被预测样品进行了相互验证 (Cross Validation)。实验表明 ,采用差谱法选择光谱差异大的波段建立的预测模型显著地克服了同分异构体光谱之间的相似性 ,其预测准确度优于前两者。     

土壤矿物对松嫩平原主要土壤类型反射光谱特征的影响机理

尽管纯矿物的反射光谱特征分析与数据库建设工作已经开展,但土壤中各原生矿物、粘土矿物的测试主要是定性的,即能测定土壤中含有何种矿物,但难以测定准确的矿物组分含量。土壤矿物是土壤学与地质学的交叉点,易被忽视,特别是已有研究忽略了土壤矿物对土壤反射光谱曲线的影响。探讨了土壤矿物在可见光-近红外光谱部分(400~2 500 nm)对土壤反射光谱特征的影响,明确影响土壤反射光谱特征的主要机理。土壤样本于2014年采集于松嫩平原黑龙江部分,包括4个土类和7个土属,共54个土壤样本。土壤样本通过研磨、过筛后,在室内暗室中测得反射光谱数据,土壤矿物的反射光谱数据在2017美国地质调查局(USGS)最新矿物光谱库Spectral Library Version 7中获得,对反射光谱数据进行九点平滑、10 nm重采样和去包络线处理。土壤矿物含量测试采用荷兰Philip X’ Pert Pro 型X射线衍射仪分析样品的矿物组成,测试了土壤中石英、长石、方解石和闪石等原生矿物和蒙脱石、伊利石和高岭石等粘土矿物的含量。首先分析7个土属的反射光谱特征,明确每个土属反射光谱曲线的形状特征和吸收位置,其次分析土属的矿物含量情况,找出不同土属各矿物含量的共性和差异;再次分析不同粘土矿物和原生矿物的反射光谱特征,确定不同土壤矿物反射光谱曲线的形状特征和特征吸收的位置;最后将不同土属的反射光谱特征、不同土属的矿物含量情况和土壤矿物的反射光谱特征结合,得到如下结论：(1)土壤矿物决定了土壤反射光谱的骨架特征,土壤矿物对土属的反射光谱影响最明显,由于土类存在多种反射光谱特征,土壤矿物对土类的影响不明显。(2)粘土矿物对土壤反射光谱特征的影响大于原生矿物,主要受蒙脱石和伊利石等粘土矿物的影响,但砂性土受部分原生矿物的影响,主要是长石类矿物和高岭石的影响。(3)蒙脱石和伊利石分别决定土壤反射光谱的第一个吸收谷和第二个吸收谷特征,高岭石决定1 400和1 900 nm前的两个小吸收谷特征,钾长石和钠长石决定了砂性土的前两个吸收谷特征。(4)蒙脱石含量足够高时,会完全掩盖高岭石和长石类的反射光谱特征,部分掩盖伊利石的反射光谱特征;随着蒙脱石含量降低,伊利石的反射光谱特征逐渐体现;蒙脱石和伊利石的含量降到很低时,高岭石和长石类矿物的反射光谱特征逐渐体现出来。研究结果揭示了不同土属反射光谱特征差异的原因,可以为土壤反射光谱分类、土壤精细制图和基于高光谱图像的矿物分布研究等提供理论依据。     

露天煤矿排土场地表的光谱特征和土壤参数分析

以辽宁海州煤矿露天排土场为研究对象,分析了地表土壤光谱特征以及反射光谱与地表土壤参数的相关性。土壤反射光谱分析结果表明：不同排土年限光谱反射率随排土年限的增长而降低;不同土质中灰土和混合土的水分吸收谷表征不明显,红壤土、黄土和红砂土光谱反射率以红壤土为最高, 以下依次为黄土和红砂土。土壤反射光谱与土壤参数相关性分析结果表明：有机质含量与反射光谱相关性最高处的相关系数为-0.76,其他参数与反射光谱相关系数较低。建立土壤有机质含量预测模型(建模R2_C=0.737 4,模型检验R2_V=0.682 4)满足检测要求。分析了1 910和1 943 nm处光谱反射率与土壤含水量之间的关系,结果表明由于排土场土壤的多样性和复杂性,土壤全样本光谱反射率与土壤含水量之间呈非线性相关,分别依年代、土质分组后,土壤光谱反射率与土壤含水量均呈线性相关。     

基于反射光谱特性的土壤分类研究

选取中国松嫩平原吉林省农安县主要土壤(黑土、黑钙土、草甸土、风砂土、冲积土)室内光谱反射率作为研究对象,利用去包络线方法提取反射光谱特征指标,作为输入变量建立BP神经网络模型,进行土壤分类研究,探索利用表层土壤反射光谱特性进行土壤分类的可行性。结果表明:(1)包络线去除后的曲线使土壤可见光近红外波段的吸收特征显著增强;农安县不同土壤在400～2500nm范围内主要有5个光谱吸收谷,前2个吸收谷主要是由于土壤有机质、铁及土壤机械组成引起的,后3个是土壤水分吸收光谱能量引起的;不同土壤类型反射光谱的差异主要表现在前2个吸收谷。(2)由于输入变量的选取客观准确,基于前2个吸收谷形状特征的BP神经网络模型的土壤分类精度显著优于以反射率或5个吸收谷形状特征为输入变量的模型,可以用于土壤分类。     

Mid‐ and Near‐Infrared Spectroscopic Determination of Carbon in a Diverse Set of Soils from the Brazilian National Soil Collection

Abstract

Calibrations for soil carbon content measured by combustion (total carbon, TC) and chromate oxidation by a modified Walkley‐Black method (Walkley‐Black carbon, WBC) from the Brazilian National Soil Collection were made using Fourier‐transform near (1100 to 2500 nm; NIRS) and mid‐infrared diffuse reflectance (2,500 to 25,000 nm; DRIFTS) spectroscopy combined with partial least squares (PLS). Calibration sets of sample populations of different carbon ranges, soil taxonomic classes, and soil textural groups were established. These are for TC ranges between 0.4 to 555.0, 0.4 to 99.1, and 0.4 to 39.9 g kg^?1: for WBC 0.2 to 401.0, 0.2 to 66.0, and 0.2 to 66.0, and 0.2 to 30.0 g kg^?1: for soil taxonomic classes Ferralsols and Acrisols; and for soil textural groups very clayey, clayey, and medium textures were examined. Calibrations obtained for the largest TC and WBC ranges were better compared to the lower ones, but lower root mean squared deviation (RMSD) and relative difference (RD=RMSD/mean value) were found for the lower carbon ranges. Taxonomic soil class was not an adequate criterium for calibration set formation. Soil texture had effect on calibrations, especially using NIR, because of the particle size effect to which NIR was more sensitive than mid‐IR. In general, DRIFTS showed better performance than NIRS. NIRS only outperformed DRIFTS when used with calibration set fairly homogeneous in its particle size distribution. Results demonstrated that while calibrations can be developed using either DRIFTS or NIRS for even a very diverse set of soil samples, which will determine C over a wide range of concentrations inherent in such a diverse set, it is desirable to seperate sample populations by soil textural properties and choose the adequate spectral range (NIR or mid‐IR) based on the textural group, for calibration development to achieve more accurate results.     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

土壤氧化铁的高光谱响应研究

通过分析野外采集的13个土种的不同氧化铁含量原始土样和人工配制不同氧化铁含量土样的高光谱特征,研究了氧化铁对土壤反射率、土壤线参数、土壤有机质高光谱特征、土壤反射率光谱曲线形态的影响。研究结果表明,随氧化铁含量的增加,350～570 nm波段反射率降低,570～2 500 nm波段的反射率增加,氧化铁去除量与反射率变化量之间的相关性不明显;氧化铁含量与土壤线斜率呈线性负相关,与截距呈线性正相关,且均达到极显著相关水平,表明利用土壤线参数反演氧化铁含量具有可行性;在622～851 nm波段,氧化铁对有机质的高光谱特征具有明显的抑制作用;通过去包络线和统计F值与光谱角值表明,氧化铁对土壤反射光谱曲线形态有影响。     

基于近红外光谱的土壤参数快速分析系统

应用面向对象的软件开发理念开发了基于近红外光谱的土壤参数快速分析系统。系统设计了SOIL类,SOIL类的实例化对象即为具有某种特定类型、特定物理性质以及光谱特性的土壤样本。系统主要包括文件操作、光谱预处理、样品分析、建模和验证以及样品测定等子功能。系统首先接收土壤标定样本集的目标参数及光谱数据文件,并对其进行各种预处理,将处理结果显示在终端,并将建立的模型保存在模型数据库。系统通过预测土壤参数界面读取模型数据库中保存的各种模型及其参数,并将读入的待测样本光谱信息代入选定的模型,从而实现土壤参数分析功能。系统采取Visual C++ 6.0和Matlab 7.0协同完成功能开发,并采用Access XP来建立和管理模型数据库。     

基于光谱和图像特征的阔叶木材与针叶木材同时分类算法研究

木材是人们生活中必不可少的可再生资源,同时在建筑、工艺、家具、结构材料等方面有着举足轻重的地位。市场中常见的木材品种繁多,其品质和价格千差万别,使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”,也可以大幅度降低木材分类人员的工作难度。通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果,这类方法识别工艺相对复杂,对非专业人员并不友好。借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类,然而由于不同种木材之间存在的近似性,这类方法往往分类精度不高或只适用于某些阔叶木材。提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法,首先分别采集木材横切面的光谱信息以及图像信息;再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组,并对含管孔样本组中的木材进行管孔分割;然后对含管孔样本组中的木材提取管孔特征、光谱特征以及纹理特征,对无管孔样本组木材提取光谱特征和纹理特征;最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果,对分类结果不一致的样本使用相似性判据判断最佳分类结果。为了验证该方法的有效性,以20种常见的阔叶木材和针叶木材的混合样本集为研究对象,对其进行了分类。实验结果显示三种特征均可以对木材进行分类,单独使用光谱特征、纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%,89.33% 和69.23%,通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率,最高正确率可达98.00%。综上所述,该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类,木材横切面的光谱特征、纹理特征以及管孔特征可以相互补充,从而使分类正确率进一步的提高。与目前的主流木材分类方法进行对比,发现该算法的分类正确率高于其他算法。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

砷化镓光电阴极光谱响应与吸收率关系分析

为了研究砷化镓(GaAs)光电阴极光谱响应与吸收率曲线间的关系,采用分子束外延法(MBE)和金属有机化合物化学气相沉积法(MOCVD)制备了两类GaAs光电阴极,并测试得到了样品吸收率和光谱响应实验曲线.对每个样品的这两条曲线在同一坐标系中做最大值归一化处理,将归一的光谱响应曲线与归一的吸收率曲线做除法,得到了类似光电阴极表面势垒的形状.结果表明,两种方法制备的光电阴极光谱响应曲线相比吸收率曲线都发生了红移,MBE样品偏移量稍大于MOCVD样品.短波吸收率不截止,光谱响应截止于500 nm左右;可见光波段上,光谱响应曲线的峰值位置相比吸收率曲线红移了几百meV;近红外区域,光谱响应曲线的截止位置相比吸收率曲线红移了几个meV.MOCVD样品中杂质对带隙的影响更小,光谱响应相比吸收率发生的能量偏移更小.这些结论对提高GaAs光电阴极光电发射性能有指导意义.