深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点，特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点，需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支，它通过逐层抽取数据特征并进行组合、转换，形成更高层的语义特征，具有极强的建模能力，广泛应用于计算机视觉、语音识别等领域，而在药品NIR分析方面尚未见报道。基于深度卷积网络模型，对药品NIR多分类建模进行研究。针对药品NIR数据的特点，设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征，输出层连接softmax分类器，对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层，将特征图进行整体池化，形成一个特征点，用于解决全连接层存在的限制输入维度大小，参数过多的问题。同时，在网络模型中引入批处理操作和dropout机制，以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中，通过设计不同的卷积网络层数以及不同的卷积核尺寸大小，分析其对建模效果的影响，同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象， 建立药品的多品种、多厂商分类模型，该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中，当训练集与测试集比例为7∶3时，分类准确率为99.37±0.45，比SVM, BP, AE和ELM算法取得更优的分类性能。同时，深度卷积神经网络模型推理速度较快，优于SVM和ELM算法，但训练速度慢于二者。大量实验结果表明，深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类，且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

智能手机的主要叶类蔬菜品质和新鲜度指标的光谱检测

蔬菜品质和新鲜度的高低不仅影响食用时的口感，而且营养程度也不一样。作为蔬菜品质和新鲜度重要参考指标之一的叶绿素和含水量的检测，已经越来越受到国内外学者的重视。相比于传统的肉眼目视判断的检验方法，可见-近红外光谱分析具有快速高效、无损、非接触等独特的优势，更加适合蔬菜的实时检测。目前相关研究主要集中在生长中植被叶绿素和含水量的反演，对市场上成品蔬菜的研究较少，或者研究对象单一，缺乏市场普适性。此外，光谱数据的获取需要专业的光谱仪采集，费时费力，各种生理生化指标的研究离实用化还有很长的距离。为了与实际相结合，基于智能手机光谱系统（SCSS)建立了快速、准确、普适性强的反演蔬菜叶绿素和含水量的模型，并通过地面光谱仪SVC数据验证了该系统的可靠性。选取市场典型的五种蔬菜（菠菜、小油菜、油麦菜、生菜和娃娃菜）作为实验样本，分别进行常温保存和冷藏保存来模拟现实中菜市场和超市的蔬菜储存环境。每隔24 h进行一次数据采集。对获取的原始光谱数据进行波段选择和小波变换去噪的预处理。构建蔬菜叶绿素反演指数(VCRI_{（m, n）})和蔬菜含水量反演指数(VWRI_{(i, j)})，分别提取该两个指数与叶绿素和含水量实测值的相关系数R作为权重系数，最终建立了叶绿素和含水量的加权平均反演模型。实验结果表明，SVC仪器和SCSS两者数据针对蔬菜叶绿素和含水量的敏感波段基本一致，叶绿素反演的敏感波段在730~980 nm之间，反演精度R2分别为0.863和0.808 1，标准差为8.679 5和8.892 5；含水量反演的敏感波段在水汽吸收波段950~1 000 nm之间，反演精度R2分别为0.742 9和0.712 9，标准差为8.789 9%和8.861 4%。SVC实验数据跟SCSS实验数据结果十分接近，验证了新型智能手机光谱系统实时监测蔬菜叶绿素和含水量的有效性。智能手机光谱系统具有体积小、价格便宜的优势，结合网络云端服务和实时数据反馈的特点，能够实现蔬菜品质和新鲜度指标的智能检测，让光谱分析真正应用于人们日常生活中。     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重，研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别，并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先，采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品，以及6种常见糖浆样品按不同糖浆含量（10%，20%，30%，40%，50%，60%）配制的112个掺假蜂蜜样品，共计224个样品；通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）；然后，分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理；再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型，比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升，而对于SVM模型，惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中，经FD光谱预处理后建立的模型效果最好，最佳PLS-DA模型准确率为87.50%；在SVM算法中，经MSC预处理后，再通过GS寻优，获得惩罚参数c为3.0314，核函数参数g为0.3298的条件下所建立的模型效果最好，最佳SVM模型准确率为94.64%。由此可见，非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型，同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

高精度无损质子交换膜燃料电池膜电极Pt载量与分布测试方法

随着质子交换膜燃料电池商业化的推进,为提高膜电极制造的可重现性,保障膜电极制造工艺的产品控制,需要Pt载量和分布无损高精度在线检测提供技术支撑。根据欧姆定律与焦耳定律,利用质子交换膜燃料电池膜电极在直流激励电压下产生的电流密度和热分布信号可以对膜电极电阻进行分析,通过膜电极Pt载量与其电阻的关系就可以实现膜电极Pt载量和空间分布分析。通过不同直流激励电压下电流测试,证明了膜电极电阻与Pt载量反相关,Pt载量定量表征精度为0.0008～0.0025 mg/cm²;利用红外热成像法对直流激励电压下膜电极热分布信息的采集成功实现了Pt载量分布的定性分析;最后,通过直流激励前后膜电极性能的对比证明了该方法对膜电极性能是无损的。高精度无损的直流激励测试方法可以实现膜电极Pt载量的高效在线测试,提高膜电极质量和制造效率,降低膜电极制造成本,对于质子交换膜燃料电池大规模商用具有重要意义。     

矿物元素指纹图谱的建立及在西洋参产地鉴别中的应用研究

采用电感耦合等离子体质谱法测定了山东、吉林、美国和加拿大4个产地西洋参中50种矿物元素的含量,研究了不同产地西洋参矿物元素的差别和转换系数,构建了西洋参的矿物元素指纹图谱。以各产地矿物元素含量的平均值构建了山东、吉林、美国和加拿大产西洋参的矿物元素标准指纹图谱。采用SPSS 20.0计算了各西洋参矿物元素指纹图谱与其矿物元素标准指纹图谱的相似度,确定了山东、吉林、美国和加拿大产西洋参矿物元素指纹图谱的相似度阈值分别为0.93、0.91、0.98和0.93。通过比较未知产地西洋参矿物元素指纹图谱与矿物元素标准指纹图谱的相似度,进行西洋参的产地判别。采用20批未知产地西洋参样品验证模型的准确性,正确率为85%。此外,研究表明,不同生长年限和不同部位西洋参样品对所建立的西洋参产地鉴别方法无影响。     

不同产地黄芪的红外光谱鉴别研究

采用红外光谱、二阶导数红外光谱和二维相关红外光谱,对四种不同产地的黄芪原药材进行了鉴别研究。结果表明:不同产地黄芪的红外光谱和二阶导数红外谱具有一定的相似度,与淀粉的红外谱图比对,4个不同产地的黄芪均含有淀粉,其中陕西绥德产黄芪的淀粉含量比其它3个产地黄芪的都要高。山西浑源和山西天镇产黄芪谱图的1 510、1 425cm-1木质素特征峰比内蒙古固阳和陕西绥德产黄芪的更为明显,说明前二者产黄芪中木质素含量高于后二者产黄芪。在二维相关红外谱图上,根据4个产地黄芪的相对峰强度的差异,可进行产地的鉴别。研究结果表明对于不同产地黄芪的鉴别,红外三级鉴定法是一种快速有效的新方法。     

宽音频扫描加载的电子剪切散斑技术在多层粘接板结构无损检测中的应用

本文利用宽音频自动扫描加载的电子剪切散斑干涉技术对多层粘接板结构进行了时实检测，结果表明，这种方法能够同时测定板的多个位置、大小和形状各不相同缺陷，迅速准确地对多层粘接板结构质量作出判断，同时根据到试过程中记录的共振频率等各种信息，可以进一步对被测部分的振动位移及缺陷深度进行定量分析．