基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。     

持久性有机污染物荧光光谱检测技术研究进展

持久性有机污染物(POPs)种类繁多,分布范围广,对生态环境和人体健康的危害性已引起广泛关注。环境中POPs的监测分析对于污染评价、污染物修复和生产管理等有着重要的意义。基于色谱分离技术的传统检测方法具有检测限低、灵敏度高、稳定性好等优点,但也普遍存在周期长、消耗高、过程繁琐等弊端。荧光光谱分析法具有样品使用少、预处理简单、快速、无损等优势而发展迅速,国内外学者开展了大量研究工作,形成了比较完善的方法体系。介绍了我国现行环境标准中POPs的控制浓度和检测方法,综述了近年来直接/间接荧光、同步荧光扫描联用技术、化学多维校正-三维荧光光谱法和激光诱导荧光技术对POPs检测方面的应用和研究进展,重点包括土壤及水体中多环芳烃、多氯联苯、有机氯农药等,着重介绍了最新研究成果,总结了技术各自适用的情况,分析了不足与待完善之处,并针对POPs的直接荧光光谱检测技术今后的研究与应用方向提出了展望,为进一步发展POPs的荧光光谱快速检测技术提供参考。     

基于迭代逼近算法的土壤中机油和柴油混合物荧光信号重叠特性研究（英文）

随着我国经济的迅速发展,石油制品需求量与日俱增,伴随着工农业生产活动,大量石油制品进入土壤,造成严重的土壤石油污染。土壤中的石油污染物会对植物生长产生危害,并通过食物链威胁人类健康,因此需对土壤中的石油污染物进行现场、快速检测。激光诱导荧光技术(Laser-Induced fluorescence, LIF)具有检测速度快、灵敏度高、可现场检测等优点,但在检测土壤中有机污染物时,面临着荧光光谱重叠严重等问题。为了研究土壤中机油和柴油混合物荧光信号的重叠特性,制备了10种含有不同浓度机油、柴油混合物的土壤样品。通过搭建LIF实验系统,获取不同混合浓度的机油和柴油的荧光光谱,对油类荧光光谱进行了最大值归一化处理,建立土壤中机油、柴油混合光谱的反演关系,以最小残差平方和为指标,使用迭代逼近算法计算出土壤荧光光谱中柴油和机油样品的荧光贡献率。分别使用了全谱法和截取特征光谱两种方法计算机油和柴油的荧光贡献率。全谱法是在混合油样的全波段光谱(200~600 nm)范围进行迭代逼近,截取特征光谱方法是在截取油样光谱(330~460 nm)段进行迭代逼近。(330~460 nm)范围内包含了混合油样的所有光谱特征。用计算出的机油的荧光贡献率与机油样品浓度做线性拟合时发现,截取特征光谱法的拟合系数R为0.989,优于全谱法的0.923。分别用全谱法、截取特征光谱法计算出的荧光贡献率以及归一化机油、柴油光谱合成混合油归一化光谱,与实际归一化混合光谱比较,截取特征光谱法计算的平均相对误差为3.38%,优于全谱的8.79%,其原因是全谱法比截取特征光谱法引入了更多的噪声信号,所以在计算油类荧光贡献率时产生了较大的误差。选取机油和柴油归一化光谱上300, 350, 400, 450和500 nm等5个位置的荧光强度与归一化混合油光谱做多元线性回归拟合,计算出平均相对误差为10.31%。结果表明截取特征光谱方法优于多元线性回归方法;土壤中机油和柴油的荧光贡献率与自身的浓度之间成良好的线性关系,说明在土壤中机油和柴油混合后各自的化学性质保持稳定,在土壤中的荧光信号重叠特性是线性叠加的。这种这种方法同样可以用于其他石油类混合物的解离。通过该研究提高了LIF技术在土壤中石油烃类污染物定性与定量检测的准确性。为土壤中石油烃现场快速检测提供了方法支撑。     

离子液体作为添加剂的反向微乳毛细管电动色谱分析化妆品中的糖皮质激素

建立了以离子液体为添加剂的反向微乳毛细管电泳(IL-MEEKC)法分离测定化妆品中氢化可的松、泼尼松和醋酸氢化可的松3种糖皮质激素的方法.微乳毛细管电泳的最佳缓冲体系组成为:2.4% SDS+6.6%正丁醇+0.5%正辛烷+35 mmol/L BMIM-BF4+20 mmol/L磷酸二氢钠缓冲液(pH 2.2);运行电...     

基于激光诱导荧光的溢油厚度定量检测实验研究

海上溢油油膜厚度的定量检测是实现溢油量准确估计的重要依据和手段,为制定石油污染应急响应提供了基础数据。本文基于激光诱导荧光（LIF）的方法以柴油（0# diesel）、机油（Mobil motor oil 20w-40）、润滑油（Shell Helix 15w-40,Shell Helix 10w-40,Shell Helix 5w-40）为研究对象,重点分析了油膜厚度-荧光发射强度关系,检出限以及油膜厚度在不同水体中定量检测的准确性。结果表明：0#柴油和美孚机油20w-60的荧光光谱特征与润滑油的光谱特征有明显不同,柴油的荧光峰位于326 nm其FWHM为60 nm,美孚机油20w-60则具有三个荧光峰分别位于360 nm/375 nm/390 nm其FWHM为100nm。三种润滑油（壳牌润滑油15w-40、壳牌润滑油10w-40、壳牌润滑油5w-40）的荧光光谱重叠明显,荧光峰分别位于334,344和343 nm且FWHM分别为75,45和50 nm。5种油膜的荧光强度均随油膜厚度的增加而增加,校正曲线的相关性分别为0.997 8,0.997 9,0.996 4,0.997 8和0.996 0,均具有较好的相关性,5种油膜检出限分别为0.03,0.02,0.02,0.03和0.05 μm,0#柴油在合成海水A和B中的平均相对误差为5.04%和8.73%,平均相对标准偏差分别为4.37%和8.36%,美孚机油20w-40在合成海水A和B中的平均相对误差为7.99%和9.97%,平均相对标准偏差为4.78%和6.23%。壳牌润滑油15w-40在合成海水A和B中的平均相对误差为8.54%和13.69%,相对标准偏差为5.05%和9.08%。壳牌润滑油10w-40在合成海水A和B中的平均相对误差为6.33%和12.38%,平均相对标准偏差为2.85%和7.92%。壳牌润滑油5w-40在合成海水A和B中的平均相对误差为4.28%和11.57%,平均相对标准偏差为3.56%和7.73%。可见5种油膜在不同水体中定量检测的平均相对误差均小于14%,平均相对标准偏差均小于10%,研究结果可以实现对薄油膜的测量,为海上油膜厚度的在线监测提供了技术手段。     

细菌自体荧光检测装置的研究与设计

细菌感染会造成伤口愈合延迟，增加患者和医疗卫生系统的负担，因此非常需要对伤口细菌进行及时检测和适当的处理。基于细菌自发荧光原理，设计了一种对伤口常见细菌快速检测成像的系统，可用于辅助识别伤口细菌负荷和判断感染情况，无需采样培养或染色鉴定。使用智能手机采集细菌荧光图像，以405 nm LED作为细菌激发光源，配合荧光图像信息提取和定量算法能够快速识别提取图像上的感兴趣区域并对荧光信号进行量化，定位细菌荧光信号区域。梯度浓度实验证实了荧光强度与细菌浓度高度相关，荧光强度与浓度之间存在线性关系，随着细菌浓度的降低，荧光信号强度呈下降趋势，系统最小检测限约为10⁵ CFU/mL。与传统细菌检测方法相比，本装置具有操作简单、检测速度快、成本低等特点，为伤口细菌检测提供了一种新的手段。