基于局部线性关系的扇束X射线荧光CT几何校正研究

基于X射线管的X射线荧光计算机断层扫描术(CT)受多种因素影响,成像质量不佳,几何参数误差是制约其高质量图像重建的重要因素之一.本文分析成像二维平面模体与探测器相对位置偏移对投影数据的影响,并基于原始投影数据和原始重建图像再投影数据的局部线性关系实现几何偏移参数校正;利用Geant4模拟存在偏移参数的扇束X射线荧光CT系统,使用模拟投影数据验证校正方法.研究结果表明:该方法能计算出相对精确的几何偏移量,有效消除几何参数误差对重建图像的影响,校正后的重建图像信息熵降低,平均梯度和标准差提高,图像质量提升.     

直接光谱法水体COD检测多场景优化方法

提出一种多场景优化的光谱分类建模解算方法:首先,通过颗粒物Mie散射仿真分析,构建幂函数修正方程,以直接拟合法对样本光谱进行精确浊度校正;然后,利用吸光度归一化法获取不同场景的线性特征光谱,形成场景特征库;使用偏最小二乘法(PLS)为每个场景建立解算模型,形成化学需氧量(COD)解算模型库.对未知水样本进行COD检测时,先通过杰卡德(Jaccard)相似性理论将其归一化光谱与场景库线性特征谱进行匹配,识别其归属场景,再获取解算库中的最优解算参数来计算COD浓度.实验结果表明,所提方法可获得较高的场景匹配精度,有效降低多场景条件下的COD解算误差,具备良好的实用价值.     

基于高光谱成像的纸质文物“狐斑”检测方法研究

受保存条件影响,很多纸质文物表面会形成狐斑（foxing）,如果不能进行有效监测和科学判断,会进而影响纸质文物安全。纸质文物狐斑病害检测存在滞后性、主观性等问题,对于书画藏品被墨色、颜料及印章等覆盖的区域更是难以通过肉眼进行识别,因此,基于文物的预防性保护理念,亟待开发对于狐斑高效、精确识别的无损检测技术。可见光-近红外高光谱图像结合了光谱和图像,包含丰富的空间信息与光谱信息,可以实现无损批量地平面采集样本光谱信息。该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法,获取模拟纸质文物在360～970 nm的高光谱图像,因360～450 nm受噪声影响过大,所以选择剔除这部分光谱数据;选取感兴趣区域并获取相应的平均光谱反射率,比较健康区域与被狐斑感染区域,发现两者的光谱曲线存在差异;在450～600 nm附近,受狐斑影响区域比健康区域的光谱反射率偏高,并在600 nm附近出现波峰形态;而在600～900 nm范围内,被感染区域与健康区域的光谱都趋于平稳,两者之间差异逐渐减小。选取从特征波长对应的图像中提取的特征信息建立图像识别模型,运用波段运算观察狐斑图像特征,狐斑的大小和分布情况都能清晰地显示,但与印章和墨迹重叠部分,狐斑被印章和墨迹遮盖,难以识别;利用最小噪声分离,虽然不同部分有重叠,但能发现仅凭肉眼难以识别的隐藏的狐斑;180条高光谱数据（450～970 nm）建立狐斑判别模型,随机地分为120条数据为训练集,60条数据为测试集,应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型,总体上两种方法对狐斑判别率分别达到73.3%和85%;BP神经网络相较于K-近邻模型,总体判别率更高,识别效果也更好。结果表明,利用高光谱成像可高效准确识别纸质文物狐斑,为后续研究狐斑分布发展提供可靠的技术手段,也为博物馆馆藏文物的保存提供指导意见。     

卷积神经网络的紫外-可见光谱水质分类方法

水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求，为解决地表水实际水样高锰酸盐指数准确分类的实际问题，以光谱降噪和光谱有效信息提取为切入点，根据紫外-可见光谱数据的特点，提出使用一维卷积神经网络处理紫外-可见光谱数据。为验证检测一维卷积神经网络对地表水光谱信号分类的可行性，选取长江的某段流域作为取样点。采集当天的长江上游水、某河水、嘉陵江水，生活污水、 500 mg·L^-1邻苯二甲酸氢钾溶液来模拟污染水源。将几种水样按不同的配比来模拟当天该流域的水污染变化情况。采集现有的单一水样及混合配比水样的光谱数据，根据各类水样的特征光谱信息进行区分，实现地表水高锰酸盐指数的预测分类，快速确定异常水样的污染来源，通过仿真实验，优化模型参数并完成优化训练。与K最邻近法、支持向量机等传统分类方法相比，该算法在光谱预处理复杂度和定性分析准确度方面有较大优势，在没有复杂的数据预处理前提下，将获取的350条光谱数据建立水质分类模型，随机选择其中245条数据作为训练集，另105条数据作为测试集，模型的混淆矩阵分类精度达99.0%。不仅简化了整个光谱分析流程，...     

基于荧光光谱的水体分类与荧光组分识别方法

提出了一种基于MobileNetV2和VGG11组分拟合（CF-VGG11）卷积神经网络（CNN）与平行因子分析（PARAFAC）结合的水样分类和荧光组分拟合方法，通过输入单个三维荧光光谱（3D-EEM）数据来预测水样类别、溶解性有机物（DOM）质量浓度等级和荧光组分。算法以PARAFAC结果为基础建立荧光光谱数据集，分两步完成类别与组分的预测：第一步使用MobileNetV2算法对不同水样进行类别预测和DOM质量浓度分级；第二步使用CF-VGG11网络拟合荧光组分。采集地表水、工业废水处理水、污水处理厂进出口水和乡村饮用水4种类型的水样构建数据集，获得了95.83%的分类精度和98.11%的组分拟合精度。实验结果表明，所提方法可对不同水样和DOM质量浓度等级进行准确分类，拟合特定荧光组分，精确定位污染源，并能进行超标预警。