缩比模型的宽频时域太赫兹雷达散射截面(RCS)研究

本文首次以钛宝石飞秒激光振荡级为抽运源,搭建了国内首套宽频时域太赫兹雷达(带宽0.1—1.3 THz)并进行了基于标准球的系统校正验证.利用该雷达测量了太赫兹波段三种缩比模型的散射时域信号.通过改进后的后向投影算法对模型的轮廓外形进行了成像研究,验证了新型时域散射信号成像机理.太赫兹雷达更高的频率,宽谱的特征和高分辨率成像的能力有望用于隐形外形设计过程,成为新兴的太赫兹散射特征研究平台.     

基于热红外成像技术的油菜菌核病早期检测研究

将热红外成像技术和低空遥感技术相结合,基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。从冠层尺度分析,首先获取整株样本的温度值(平均温度与最大温差),并采集其生理指数(气孔导度、CO₂浓度、蒸腾速率及光合速率)。然后,将染病样本与健康样本的温度值进行判别分析,并对其进行单因素方差分析。从结果可知,平均温度和最大温差值都可以对染病样本与健康样本进行区分,且最大温差相较平均温度结果较明显。同时单因素方差分析也显示,最大温差三次检测中均存在显著性差异。对获取的生理指数进行分析,发现染病样本与健康样本之间可以通过生理指数进行明显区分。另外,将生理指数与叶片温度进行相关性分析,结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。基于叶片尺度,首先从单一叶片来看健康区域和染病区域的温度差异,可以明显区分出染病区域和健康区域的温度差异。然后,提取健康区域与染病区域的的温度值(最大温度、最小温度、平均温度以及最大温差)对进行对比分析,并对其进行单因素方差分析。结果表明,以上四个温度指标均可以区分叶片的染病区域和健康区域。但根据单因素方差分析结果可知,与冠层尺度相同,最大温差三次检测中均存在显著性差异,可以实现对油菜菌核病的早期识别。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

高光谱成像的垃圾分类识别研究

高光谱成像因光谱分辨率高、图谱合一、可实现快速无损检测等特点现已广泛应用于农业、医学、遥感等领域。现有的对可回收生活垃圾检测与分类的方法,都存在检测时间长,分类效率低,而大量多种垃圾无法同时快速分拣等问题。考虑到不同类别的生活垃圾由于其主要组成分子结构的差异,对不同波长的光有不同的吸收特性。高光谱图像在记录待分类垃圾的空间信息的同时,可以获得垃圾对不同波长的光的反射率光谱信息,通过建立识别分类模型对反射率光谱信息进行分析可以实现对高光谱图像中待分类垃圾的识别与分类。收集常见纸质、塑料、木质三种材料的可回收的垃圾样本,包括塑料瓶、食品包装袋、塑料玩具(饰品)碎片、一次性筷子、雪糕棒、木制家具碎片、木制包装盒、废旧课本、广告纸、办公用纸等多种物品共30个样本,进行清洗和裁剪处理,避免样本表面污渍对样本反射率产生影响。利用高光谱成像系统采集样本在近红外(780～1 000 nm)范围内的高光谱图像,其中18个样本做训练样本集,12个样本做测试样本集。对采集的样本图像数据做预处理,包括去噪声以及黑白校正反演反射率信息等处理;通过主成分分析(PCA)方法对训练样本集感兴趣区域(ROI)进行分析,提取到的特征波段为795.815,836.869,885.619,916.409,929.239,934.37,957.463,972.858和988.253 nm;在特征波段下分别提取这三种类别垃圾的参考光谱,通过光谱角度填图法(SAM)对测试样本ROI区域内提取的测试样本点集在特征波段下与参考光谱进行匹配,由匹配程度进行样本点归类,分析结果表明,测试样本集中纸制样本(A类别)、塑料样本(B类别)、木制样本(C类别)的分类准确度分别为100%,98%和100%,测试样本点集整体的分类准确度为99.33%;通过Fisher判别方法分析训练样本集得出判别函数式和判别准则,对测试样本点集分类,评价结果为A,B和C类样本分类准确度分别为100%,100%和97%,测试样本点集整体分类准确度为99%。通过SAM和Fisher两种判别方法对测试样本集的光谱图像进行目标物的检测与分类,结果表明,利用SAM判别方法在可回收垃圾的高光谱图像中实现检测与分类有更高的分类准确度,可达到99.33%。同时,也验证了使用高光谱成像进行可回收垃圾快速分类的科学性以及可行性,对未来系统化、机械化、智能化地解决生活中可回收垃圾的分类具有一定的实用意义。     

原子光谱/元素质谱在生命分析中的应用进展

原子光谱/元素质谱是元素分析的强有力手段,其在生命分析领域的应用也越来越广泛。在单细胞元素分析方面,相关研究工作主要关注元素在单细胞中的分布和形态变化;在元素标记策略分析领域,利用原子光谱（atomic spectrometry, AS）和电感耦合等离子体质谱（inductively coupled plasma mass spectrometry, ICP-MS）实现对小分子、核酸、蛋白质等目标分析物的高灵敏检测是研究热点;在金属药物分析领域,ICP-MS为研究金属药物在生物体中的摄入、分布、代谢和排泄等过程提供了便利,也为进一步阐明药物作用机理以及金属药物的设计和改进提供了数据支持;在生物元素成像领域,ICP-MS与激光剥蚀技术（laser ablation, LA）联用,可以对生物样品进行原位分析和微区分析,结合有机质谱实现元素相关生物过程的分子机制研究;与相关分离方法联用,原子光谱和元素质谱还可以对生物组织中元素进行形态分析,研究其在相关过程中的生物转化过程。本文从单细胞元素分析、元素标签标记策略、金属药物转运与代谢以及生物组织中元素分布分析等方面,评述了原子光谱和ICP-MS在生命分析中的应用实例,并对该领域的发展前景进行了展望。     

可见/近红外光谱图像在作物病害检测中的应用

农作物病害严重影响了我国正常的农业生产,现代农业迫切需要快速、准确、高效的作物病害诊断方法。首先简单介绍了常用病害检测技术,如：聚合酶链式反应技术、人工感官判定技术、统计学方法等,这些方法或是比较费时、或是只能用于产生明显病斑后的病害诊断,而光谱技术在植物病害的快速检测方面有一定的潜力,目前已有大量的研究成果。主要围绕可见/近红外光谱图像在病害检测的应用展开分析和讨论,讨论了该技术所涉及的仪器,并从细胞、植物组织、冠层及更大尺度层面分析了该技术在病害检测中的现况。目前大部分与植物病害有关的可见/近红外光谱研究都以植物叶片为对象,而在更小尺度（细胞至显微尺度）和更大尺度（冠层至航空/航天遥感方面）上的研究较少,特别是单细胞级别的病害研究,只在动物细胞领域展开,而且以荧光、拉曼、红外光谱为主。可见/近红外在以植物叶片为主要研究对象的器官尺度上有大量的成功应用,目前的研究已涉及了大部分的常见作物及其主要病害,包括真菌性、细菌性等各种病原引起的病害的检测。植物叶片尺度的研究主要从以下三个方面展开：(1）基于计算机图像处理和模式识别的病害信息自动快速判断;(2）基于化学计量学方法的高光谱或高光谱图像病害程度模型;(3）建立与作物病害有关的叶片某些理化参数的光谱模型,从而量化病害的程度。在植物叶片这一尺度相关研究的主要问题是：研究过于碎片化,往往只研究了某一种或少数几种病害,所建的模型只能用于特定实验条件,无法直接自动判断任意田间样本的染病种类与程度。在近地冠层尺度,植株的三维形态对光谱模型有较大的干扰,有文献表明以植株近地冠层2D图像作为病害检测数据,偏差较大,所建模型不稳定,基于卫星影像的病害模型较少。还讨论了常用光谱及光谱图像建模与分类方法。目前可见/近红外光谱在农作物病害方面有一定的应用潜力,但存在研究内容的不平衡、研究系统性不够、各学科合作研究不够深入等几大问题。最后提出可见/近红外光谱在病害检测领域中应更注重多学科的深入合作,并急需相关的仪器设备、方法模型方面的突破。     

高光谱吸收微纳结构表面提高太阳能温差发电性能的研究

采用飞秒激光等离子体丝（飞秒光丝）在金属铝箔表面以不同飞秒光丝扫描速度（5,15,25,35和45 mm·s-1）制备了微纳结构表面,并在太阳光能量主要覆盖的光谱范围（330～890 nm）内对其进行了反射率测量,发现飞秒光丝制备的微纳结构表面具有显著的高光谱吸收特性,并且飞秒光丝扫描速度越慢,光谱吸收率越强,5 mm·s-1条件下微纳结构表面光谱吸收率达97%以上。将制备的高光谱吸收微纳结构表面作为温差发电片（TEG）光吸收体,以此为基础构建了考虑太阳光辐照及温差发电模块（即TEG模块：结合微纳结构表面的TEG）散热情况的仿真实验环境并进行发电功率测量。研究结果表明,具有微纳结构的铝表面（5 mm·s-1制备条件下）与抛光铝箔或裸发电片相比,光电转化效率（发电效率）可分别提高43.3和10.7倍。进一步研究了TEG模块的温差发电的过程与机理,将TEG模块的温差发电过程分为光热（光能转化为热能）与热电（热能转化为电能）两个转化过程分析：首先在光热转化过程中,微纳结构表面增强了太阳光吸收效率,为光热转化提供更多的光子能量,实现了其在表面更多的热量沉积,进而在之后的热电转化过程中,更多的热能沉积使得TEG模块的载流子迁移率得到了很大提升,这样在同样的温差（发电片冷热端的温度差值）条件下,微纳结构表面与普通表面相比可以获得更高的热电转化效率。因此,微纳结构表面的高光谱吸收性能使得TEG模块经光热转化后得到的高热能沉积使载流子迁移率得到了提高,进而显著提升了TEG模块发电性能,这是微纳结构表面增强TEG温差发电效率的主要原因。这一机理的揭示,为TEG模块发电性能的进一步优化和提升提供了理论依据,对TEG模块的实际应用具有重要的意义。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

均匀背景中的动态小目标光谱数据获取方法研究

光谱是一种可以表征物质特性的光学信息,利用光谱成像仪可以获取处于视场范围内的物质的光谱图像,成熟的光谱成像技术均需要通过多次采集才能够获取完整的光谱图像数据立方体,相应系统的时间分辨率比较低,不适用于动态目标的光谱获取。快照式光谱成像在动态目标光谱成像方面具有较大的优势,其中编码孔径快照光谱成像技术是一种将压缩感知计算方法融入到光谱成像过程和图谱重构过程中的光谱成像技术,在采样过程中完成数据压缩,具有高通量优势,可以利用单次曝光的混叠数据,重构出目标光谱数据立方体,实现快照式成像,使得对动态的目标进行监测成为可能。实现监测需要目标的信息满足稀疏性的假设,实际目标很难满足这样的条件,重构误差比较大,不利于对动态的小目标进行监测和识别。针对均匀背景中动态小目标的光谱数据获取,提出一种双色散通道的编码孔径光谱成像方法,系统由两个通道组成,每个通道均包含一个光谱仪,其色散方向互相垂直,并共用一个前置望远镜系统和编码孔径。该系统可以实时观测均匀背景区域中的动态小目标。由于两个通道的色散方向互相垂直,可以从背景中分离出小目标的位置和相对应的编码。假设目标出现在视场中前后,背景的辐射特性变化很小,利用目标出现前的数据计算出背景光谱;目标出现后,通过帧间差分运算,消除背景辐射的影响,提取出目标位置对应色散区域中数据,利用约束最小二乘算法,重构运动小目标的光谱数据立方体。进行光谱数据重构,进行背景光谱补偿后,获得完整的动态小目标光谱数据。文章对成像过程建立了数学模型,并对重构方法进行了仿真验证,结合编码孔径的统计特征,使目标随机出现在不同的位置,统计重构光谱的峰值信噪比概率分布,并调整目标尺寸,分析目标尺寸对重构精度的影响,最后与编码孔径成像系统的两步软阈值迭代算法重构结果进行了对比。结果表明,这种方法在均匀背景中,采用随机编码矩阵进行编码,目标尺寸小于5×5个像元时,相对于编码孔径成像系统,提高了目标的信息重构精度和概率,并且极大的减小了运算量,可以实现对运动目标的实时监测。     

碳纤维复合材料的激光清洗等离子体光谱在线检测研究

近年来碳纤维复合材料（CFRP）由于性能优异,受到工业领域广泛关注。采用激光清洗技术预处理碳纤维复合材料表面的污染物和环氧树脂等杂质,有利于改善碳纤维复合材料表面性能,提高碳纤维复合材料胶接界面的结合强度。在线检测激光清洗过程,实时判断碳纤维复合材料的表面清洗质量,是保证激光清洗效果的关键环节,也是激光清洗装置自动化、集成化的核心技术。激光诱导等离子体光谱技术可以快速分析材料表面元素变化,实现在线检测激光清洗表面状态,在激光清洗领域有很广的应用前景。采用Nd∶YAG高能量脉冲激光器产生的1 064 nm激光在空气环境中诱导产生等离子体,利用改进型光栅光谱仪(ME5000)获取等离子体光谱,在线检测激光清洗碳纤维复合材料。研究外界空气环境对等离子体光谱检测结果的影响,发现350~700 nm波段的元素谱线可用于碳纤维复合材料表面物质成分分析;采用电子扫描显微镜观测的激光清洗表面形貌和X射线电子能谱仪测得的元素变化共同表征等离子体光谱检测的有效性,通过采集不同激光能量以及不同作用次数的等离子体光谱图,获得碳纤维复合材料表层树脂物质通过激光单次清洗干净的阈值,研究激光清洗质量与激光诱导等离子体谱线成分及其强度变化的关系。结果表明：在获取的激光诱导等离子体光谱中,光谱图中谱线波长在393.3 nm的S(Ⅱ)和589.5 nm的S(Ⅱ)谱线可有效在线表征碳纤维复合材料表面清洗质量;激光单次去除干净表面环氧树脂的阈值为10.68 mJ;低激光能量时需要清洗多次可以去除干净表面树脂;高激光能量时清洗单次可使表面树脂去除干净,多次清洗易造成基体损伤。实验结果为激光清洗碳纤维复合材料的智能集成化应用提供工艺依据和技术支持。