多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚固相微萃取涂层的制备及多环芳烃的检测

多环芳烃(PAHs)是持久性有机污染物中的一种，大部分具有较强的致癌、致畸和致突变性，对生态环境和人类健康易造成严重威胁。由于环境样品基质复杂且其中PAHs含量低，因此在仪器分析之前需要对环境样品进行必要的前处理。萃取材料的特性是决定大部分前处理技术萃取效率的关键。基于此，本文以低成本且富含较多官能团的吡咯(py)、2,3,3-三甲基吲哚(2,3,3-TMe@In)为单体，多孔氮化硼为掺杂物，采用电化学循环伏安法制备出多孔氮化硼掺杂聚吡咯-2,3,3-三甲基吲哚(Ppy/P2,3,3-TMe@In/BN)复合涂层，通过扫描电子显微镜、热稳定性分析、傅里叶红外光谱等手段对Ppy/P2,3,3-TMe@In/BN进行表征，结果表明：该涂层呈现出多孔、多褶皱的枝状结构，该结构有利于增加涂层的比表面积，从而实现对PAHs的大量富集；在320℃解吸温度下，涂层材料的色谱基线基本稳定，表明该涂层具有良好的热稳定性。将其修饰在不锈钢丝表面制成固相微萃取涂层，结合气相色谱-氢火焰离子化检测器，对影响萃取和分离萘(NAP)、苊(ANY)、芴(FLU)3种PAHs的条件进行优化，建立了用于以上3种PAHs...     

基于Parity-Time对称结构极点效应构建光学三极管模型

为了构建光学三极管模型,设计了一个基于半导体磁性材料InSb的PT(parity-time)对称耦合微腔的结构模型。通过结构参数优化,产生了PT对称结构磁场强耦合的极点效应。在极点频率附近,通过改变输入电流信号改变施加在磁性材料上的磁感应强度,实现极点状态下信号的放大输出。这种放大可以是同相,也可以是反相,该设计实现了特殊光学三极管模型。     

缅怀龚老一代“光纤人”,牢记使命,继续前进!纪念中国光学学会纤维光学与集成光学专业委员会成立36周年

20世纪50年代,光学纤维初问世之时,中国科学院学部委员龚祖同教授就敏锐地感觉到这种能"转弯抺角"传输光能的光纤是材料科技领域的一个重大革新!他决心在中国开展这方面的研究工作。1962年,龚老担任新成立的中国科学院西安光学精密机械研究所(后文简称"西安光机所")所长,立即组建了光学纤维研究室和光学玻璃研究组。     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

基于小波变换和概率神经网络的焊接接头类型识别

为了实现机器人自动焊接过程中快速、精确地提取焊缝特征信息,提出了一种基于小波变换和概率神经网络的焊接接头类型识别方法。先采用小波变换对由激光视觉传感器采集的焊接接头图像进行降噪和增强,对重构后的图像进行二值化,然后提取图像的特征信息,组成图像特征向量,最后构建概率神经网络分类器并进行测试。结合视觉传感器中激光器与摄像机的位置关系,最终识别出4种焊接接头。实验结果表明,所提出的方法特征提取简单,识别率高,并具有较好的实时性。     

红外动态场景生成装置空间分辨率的测试

建立了一套基于刀口灰度图红外探测的实验装置,对红外场景生成器的空间分辨率进行了测试。首先通过被测红外场景生成器产生带有刀口标志的红外图像,然后利用红外热像仪采集红外场景生成器所成的红外图像,通过对采集到的红外热图的数据处理,实现了对红外场景生成器空间分辨率的测量。测得的红外场景生成器的空间分辨率为5lp/mm,标准误差为0.04。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。