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。     

紫外可见偏振成像光谱仪的光谱定标与匹配方法

紫外可见偏振成像光谱仪中沃拉斯顿棱镜的色散效应会导致探测器同一空间通道的中心坐标发生偏移，影响目标信号探测精度。根据偏振解调算法，利用沃拉斯顿棱镜出射的两正交分量调制光谱(S光和P光)实现偏振信息解调时，还需要完成光谱匹配。针对这一问题，提出了一种光谱定标与匹配方法。首先利用平行光源标定了仪器视场角与空间维像元的对应关系，提取出各空间通道对应的像元坐标集合并确定了视场定标方程；在同一空间通道内，通过低压汞灯标准光源对波长与像元的对应关系进行标定，得出光谱定标方程；利用视场定标和光谱定标结果完成正交分量光谱的匹配；最后利用太阳光谱中Fraunhofer线的特征波长对定标结果进行了检验。结果表明：紫外可见偏振成像光谱仪正交分量的光谱吸收峰位具有较好的一致性，定标值和标准值的偏差在0.1 nm以内，这验证了定标结果的准确性。     

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。     

紫色球杆菌视紫红质光谱特性的机器学习研究

近年来，机器学习等人工智能技术被应用于蛋白质工程，其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下，将蛋白质序列和功能特性与机器学习相结合，基于序列-活性关系（innovative sequence-activity relationship，ISAR）算法，将蛋白质氨基酸序列数字化，用快速傅里叶变换（fast four transform，FFT）进行预处理，再进行偏最小二乘回归建模，可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质（gloeobacter violaceus rhodopsin，GR）的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模，获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R² 为0.944，均方误差E为11.64。用小波变换进行的预处理，其R² 虽也约为0.944，但E大于11.64，不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题，在蛋白质工程中可为预测更优的突变体提供支持。     

静止轨道星载差分吸收光谱仪CCD成像系统设计

静止轨道卫星差分吸收光谱仪采用摆扫成像方式对大气进行探测,针对其工作时CCD成像系统信噪比大于1 000、高速探测模式下探测周期小于10min、高分辨率模式下探测周期小于1h的要求,进行CCD成像系统设计.选取CCD47-20作为探测器,设计成像电路实现光谱图像信号的采集和上传.分析了帧叠加和像元合并对时间、空间分辨率的影响.结合帧转移CCD的特点设计了每个位置最后一帧读出时摆镜转动的成像方式,并合理设置了帧叠加数和像元合并数,达到优化成像周期的目的.1s曝光时间条件下,该CCD成像系统的高速、高分辨率模式探测周期分别为515s和3 315s,图像信噪比均大于1 000,污染物观测实验中未出现失帧或重复的现象.该CCD成像系统方案满足静止轨道星载差分吸收光谱仪的探测需求,为静止轨道环境监测仪器设计提供参考.     

QEPAS系统中石英音叉模态仿真计算与研究

对石英音叉增强型光声光谱(QEPAS)系统中常用的石英音叉进行了有限元模态计算，获得石英音叉前6阶振型与模态频率，认知了第4阶对称摆动振型为有效振动，利用单因素法分析了石英音叉的音臂长度l₁、音臂宽度w₁、音臂厚度t、音臂切角θ、音臂圆孔直径d及音臂圆孔高度h对低阶有效共振频率(Fre)的影响，敏感度依次为： l₁> w₁>d>θ>t>h，考虑实际设计情形，筛选出了l₁，w₁，d与h四个石英音叉设计变量，采用Box-Behnken实验设计方案与RSM(response surface methodology)方法，以Fre为函数目标，建立l₁，w₁，d与h的二次回归响应面模型，得到了参数之间的交互作用，利用Design-Expert软件对响应面模型进行设计参数反求，结果表明，在15 000 Hz≤Fre≤25 000 Hz计算区域内误差较小，基本满足QEPAS系统的计算需求，所提出的研究与设计方法具有一定通用性，可为QEPAS系统中石英音叉结构参数设计提供参考。     

基于吸收系数的生脉注射液中聚山梨酯80含量测定新方法

聚山梨酯80又名吐温80，为一种亲水型非离子表面活性剂，是食品、保健品和药品中常用的辅料，作为增溶剂和澄清剂广泛用于中药注射剂。近年来，不良反应的发生使得聚山梨酯80的质量和应用愈加受到重视，有研究认为其加入可能引起注射剂不良反应增加。为避免超量使用，有必要对该辅料的投料加以严格控制。中药注射剂中聚山梨酯80的含量测定是当下研究的热点和难点，可以通过分光光度法、分子排阻-蒸发光散射检测法(SEC-ELSD)、液质联用法(LC-MS)直接测定，也可以水解后法经液相色谱-紫外检测法(HPLC-UV)或气相色谱法(GC)间接测定。但由于聚山梨酯80为聚氧乙烯聚合数目不同的混合物、不同厂家生产的聚山梨酯80化学组分及比例存在较大差异，难以采用统一的转换公式或对照品准确定量。此外，中药注射剂的复杂基质造成的假阳性干扰也对定量提出了挑战。为解决以上问题，以生脉注射液为例，提出基于吸收系数的中药注射剂中聚山梨酯80含量测定新方法。优化检测波长、显色剂种类、液液萃取过程振荡和静置时间，在6个不同品牌仪器上测得聚山梨酯80-硫氰酸钴配合物的吸收系数(E1%_{1 cm})为104.23，相对标准偏差(RSD)为2.08%。生脉注射液稀释10倍后，精密量取供试品溶液1.0 mL，精密加入硫氰酸钴溶液10 mL，二氯甲烷20 mL，涡旋振荡3 min。将混合液移至分液漏斗中，静置30 min，取下层二氯甲烷液，将前1 mL弃去，接收约15 mL，在320 nm处测定吸光度，再根据Lambert-Beer定律，利用获得的吸收系数计算得到聚山梨酯80的含量。方法阴性无干扰，精密度和重复性相对标准偏差均低于3%，平均回收率为98.42%。为进一步验证方法的准确性，分别采用吸收系数法和标准曲线法测定了2个厂家的10批生脉注射液，并与实际投料量比较。配对t检验结果表明，当置信度为95%时，两种方法无显著性差异，吸收系数法测得结果与企业生产中聚山梨酯的实际投料量也无显著性差异。研究采用前人未采用的、灵敏度更高的320 nm为检测波长，显著降低了基质干扰，克服了中药注射剂中聚山梨酯80测定结果与实际投料量难以吻合的问题。吸收系数法无需使用对照品，亦不用制备标准曲线，可为中药注射剂中聚山梨酯80的检查标准提供切实可行的解决方案。所建方法灵敏、准确、快速、简便，为含聚山梨酯80制剂的质量控制提供了关键常数及新的思路。