碲锌镉(Cd1-xZnxTe, 简称CdZnTe或CZT)是一种在室温下工作的半导体核辐射探测材料, 因其优越的光电特性近年来受到越来越多的关注, 在医学成像、环境监测和空间探测领域的应用也愈发广泛。移动加热器法(THM)被认为是目前生长CZT单晶最有前景的方法之一。晶体生长过程中, 合适的温场是获得优质晶体的前提条件。本文使用Fluent软件对电阻加热式THM生长CZT单晶生长系统展开热场研究, 首先建立描述系统热输运的物理和数学模型, 提出一种设立控温点的逆模拟方法解决了加热器功率并非既定值的模拟难点, 设定功率分别为225.6、343.7、1 045.9、92.5、199.6 W的5个加热器情况下的炉内温场计算值与实验测量值有了较好的吻合。进而研究加热器与炉膛管距离、散热区宽度等炉膛结构对坩埚内CZT原料区温度分布的影响。研究结果表明, Canthal炉管与加热器间距离由5 mm增大至10、15 mm后, 最高温度减小3.7％、5.6％, 散热区宽度由30 mm增大至50、80 mm后, 熔区宽度分别减小32.7％、50.0％。
碲锌镉晶体 移动加热器法 半导体 数值模拟 热场 炉膛结构 CdZnTe crystal traveling heater method semiconductor numerical simulation thermal field furnace structure
移动加热器法(THM)生长碲锌镉晶体时,界面稳定性对晶体生长的质量有很大影响。本文基于多物理场有限元仿真软件Comsol建立了THM生长碲锌镉晶体的数值模拟模型,讨论了Te边界层与组分过冷区之间的关系,对不同生长阶段的物理场、Te边界层与组分过冷区进行仿真研究,最后讨论了微重力对物理场分布的影响,并对比了微重力与正常重力下的生长界面形貌。模拟结果表明,Te边界层与组分过冷区的分布趋势是一致的,在不同生长阶段,流场中次生涡旋的位置会发生移动,从而导致生长界面的形貌随着生长的进行发生变化,同时微重力条件下形成的生长界面形貌最有利于单晶生长。因此,在晶体生长的中前期,对次生涡旋位置的控制和对组分过冷的削弱,是THM生长高质量晶体的有效方案。
碲锌镉 移动加热器法 数值模拟 Te边界层 组分过冷 微重力 CdZnTe traveling heater method(THM) Comsol Comsol numerical simulation Te boundary layer constitutional supercooling microgravity
1 南京农业大学人工智能学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 青海大学水利电力学院, 青海 西宁 810016
3 同济大学生命科学与技术学院, 上海 200092
黑枸杞具有较高的营养和医学价值, 不同等级的黑枸杞质量不同, 价格也具有显著差异, 但由于缺乏有效的检测分级手段, 造成黑枸杞市场鱼龙混杂、 以次充好, 影响黑枸杞市场质量监管。 为实现黑枸杞快速、 无损、 高精度分级检测, 提出基于高光谱和集成学习的黑枸杞快速无损分级方法。 首先, 选取诺木洪1级(NMH-grade1)、 诺木洪2级(NMH-grade2)、 诺木洪3级(NMH-grade3)、 诺木洪4级(NMH-grade4)黑枸杞各200颗, 在两种放置模式下(果柄朝上、 去柄后整体横放), 通过GaiaSorter-Dual宽波段高光谱分选仪得到光谱范围为391.6~2 528.1 nm的光谱图像立方体。 掩模处理后结合细胞计数算法实现单颗黑枸杞ROI高光谱信息的自动提取。 考虑噪声的影响, 截取500~2 400 nm范围内的黑枸杞光谱信息。 经过FD(first derivative), FFT(fast Fourier transform)、 HT(hilbert transform), SG(savitzky golay), Normalize, SNV(standard normal variate)预处理后, 再通过PCA(principal components analysis), SPA(successie projection algorithm), CARS(competitive adaptive reweighted sampling)提取特征波长的光谱信息。 然后分别建立LIBSVM, LDA(latent dirichlet allocation), KNN(k-nearest neighbor), RF(random forest), NB(naive Bayes)检测模型, 其中, 果肉-Normalize-SPA-LDA、 果肉-FD-CARS-RF和果肉-SNV-CARS-LIBSVM组合方式最优, 准确率分别为0.941 7, 0.941 7和0.937 5。 在预处理方法中, FD, HT, Normalize和SNV效果较好; 在降维方法中, SPA和CARS的模型效果较好; 在LIBSVM, LDA, KNN, RF和NB所建立的模型中, 测试集精度不低于0.9的个数分别为2, 7, 0, 4和1, 因此LDA, RF和LIBSVM三个分类器效果最好。 为进一步提高黑枸杞的分级精度, 以LDA, RF, LIBSVM三个最优分类器为元模型, 通过Stacking集成学习建立黑枸杞快速无损分级模型, 使用果肉-FD-SPA-Stacking组合, 精度可从0.941 7提升到0.983 3, 此时共提取17个特征波长, 分别为: 591.6, 609.1, 721.6, 989.1, 1 083.3, 1 111.3, 1 296.1, 1 564.9, 1 844.9, 1 934.5, 1 996.1, 2 046.5, 2 130.5, 2 292.9, 2 315.3, 2 320.9和2 348.9 nm, 其中721.6, 1 083.3, 1 111.3, 2 130.5, 2 292.9, 2 315.3, 2 320.9和2 348.9 nm附近有C—H的倍频峰和吸收峰, 721.6, 989.1, 1 934.5, 1 996.1和2 292.9 nm附近有O—H的倍频峰和吸收峰, 2 130.5和2 292.9 nm附近有C—O的吸收峰。 研究结果表明基于高光谱结合集成学习进行黑枸杞快速无损分级是可行的。
光谱学 黑枸杞 集成学习 花青素 无损检测 Spectroscopy Black goji berry Ensemble learning Anthocyanin Non-destructive testing 光谱学与光谱分析
2021, 41(7): 2196
1 南京农业大学工学院/江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 John Innes Centre, Earlham Institute, Norwich Research Park, Norwich, NR4 7UH, UK
3 南京农业大学作物表型组学交叉研究中心, 江苏 南京 210014
针对土壤遮挡时根系图像信息不全的问题, 提出一种热红外成像根系表型检测方法, 结合Criminisi改进算法实现根系图像信息的增强和修复, 并研究玉米根系表型与种子活力之间的关系。 首先, 设计一种适应于玉米根系构型的环形双层石英培养装置迫使玉米根系贴壁生长, 分别将老化0, 1, 3和6 d的玉米种子种植在环形培养装置中。 基于水和土壤比热容具有显著差异的特点, 利用水对玉米苗根茎进行滴灌, 并通过热空气对培养装置中的玉米根系进行短时热激励, 再用红外热像仪采集根系红外热像, 利用土壤与根土间隙水流温度的差异实现土壤遮挡处根系的热成像。 其次, 对预处理后的根系热像, 进行端点和最佳匹配对判定, 并利用Criminisi改进算法对红外热像中的断根连接, 实现根系热红外图像的修补。 最后, 利用以上方法分别对不同老化天数的玉米种子幼苗进行根系表型检测验证。 结果表明, 所提出的热红外成像方法可有助于土壤遮挡处根系的表型图像信息增强, 比彩色图像提取的根系表型参数精度提高约0.5%~10%。 玉米种子老化1d后其根系表型参数总根长（RTL）和总根数（RTN）未见明显差异, 但老化3d和6d的种子其根系表型参数具有显著差异, RTL减少20%～35%, RTN减少10%～55%, 反映了玉米种子长时间老化后其活力存在显著下降。 不同老化天数的玉米根系表型参数RTL和RTN均与老化天数呈显著负相关, 可作为种子活力的重要指标参数, 其中, 种子根系RTN参数对老化更为敏感, 更能够直观反映种子的活力水平, 老化1和3 d的种子发根与未老化种子相比均推迟1 d; 老化6 d的种子其发根则推迟2 d, 且后续根系发育一直迟缓。 所提的基于热红外成像的根系表型检测结合Criminisi改进算法的根系表型检测方法, 可用于作物根系表型高通量无损检测, 具有广阔的应用前景。
根系表型 热红外成像 图像修复 种子 无损检测 Root phenotype Thermal infrared imaging Image restoration Seed Nondestructive detection 光谱学与光谱分析
2020, 40(9): 2845
江苏北方湖光光电有限公司,江苏 无锡 214028
为了提升军用车辆驾驶员环境感知能力, 特别是在夜晚或烟、雾、雨、雪等不同天候条件下提供更有效的观察手段, 增加远距离目标识别能力, 提高驾驶安全性, 作战部队对军用车辆驾驶员视觉增强系统提出了高效、灵活、精确的新要求。基于非制冷红外探测技术的军用车辆驾驶员视觉增强系统作为一类能够有效支持部队全天时、全天候作战的装备,既增强了车辆夜间隐蔽通行能力, 又有效保障了机械化部队的全天候机动能力。通过研究非制冷红外探测技术成像原理, 设计出一款模块化、体积小、功耗低、可靠性高的军用车辆驾驶员视觉增强系统, 有利于满足日益增长的陆军装备需求。其功能模块包括: 红外探测器模块、信号处理模块、图像处理模块、电子稳像模块、行人识别模块、录像模块、控制模块、显示模块, 各功能模块相对独立。
非制冷红外 视觉增强系统 夜视技术 图像处理 数字视频 uncooled infrared vision enhancement system night vision technology image processing digital video
南京农业大学工学院, 江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
针对传统稻种发芽率检测效率低、 精度差、 专业化要求高等问题, 通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。 首先, 将连粳7号和武运粳均分别老化0~7 d后, 以5 min为间隔在纯净水中分别浸泡5~30 min。 然后用荧光光谱仪检测浸泡液的荧光光谱, 光谱数据经中心化后用集合经验模态分解(EEMD)去噪, 并通过主成分分析法提取441.5 nm的特征荧光波长。 最后, 利用偏最小二乘回归(PLSR), 反向传播神经网络(BPNN), 径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。 比较后得出, DBN模型在少数据、 弱信号情况下的预测精度最高, 预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。 同时, 通过分析混合稻种荧光数据Rp的变化趋势, 得到最佳浸泡时间为22.1 min, 实际上, 精确度超过0.95(Rp)需要5 min左右。 研究结果表明, 结合荧光光谱法和EEMD-DBN模型, 非破坏性地预测水稻种子发芽率具有可行性和高准确性, 并且适用于不同颜色和污染水平的水稻种子的检测。
荧光 稻种 发芽率 Fluorescence Rice seed Germination EEMD EEMD DBN DBN 光谱学与光谱分析
2018, 38(4): 1303
1 南京农业大学工学院/江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院/作物遗传与种质创新国家重点实验室, 江苏 南京 210095
基于稻种老化时间不同时的物理学和生理学差异, 提出一种基于红外热成像技术及广义回归神经网络的快速、 无损检测稻种发芽率的检测方法, 解决传统稻种发芽率检测方法操作复杂、 实验周期长等问题。 在温度为45 ℃、 湿度为90%的条件下, 将水稻种子依次老化0, 1, 2, 3, 4, 5, 6和7 d, 得到不同发芽率的种子; 采集稻种红外热图像, 然后提取稻种胚芽部位数据, 总计144份, 随机分为校正集和预测集, 其中校正集96份, 预测集48份; 分析和比较不同老化天数稻种红外热差异, 从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系, 结合偏最小二乘算法（partial least squares, PLS）、 BP（back propagation, BP）人工神经网络和广义回归神经网络(general regression neural network, GRNN), 建立稻种发芽率的红外热模型。 结果表明, 利用GRNN建立的发芽率预测模型效果最优, 其中校正集的RC（相关系数）和SEC（标准偏差）分别为0.932 0和2.056 0, 预测集RP（相关系数）和SEP（标准偏差）分别为0.900 3和4.101 2, 相关性均达到较高水平且校正集与预测集的标准偏差均较小。 实验结果表明, 采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的, 且所建模型在稻种发芽率快速测定方面有较高的精度。
红外热成像技术 稻种 发芽率 无损检测 Infrared thermal imaging technology Rice seed Germination rate Nondestructive detecting GRNN GRNN 光谱学与光谱分析
2016, 36(8): 2692
1 南京农业大学工学院, 江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院, 作物遗传与种质创新国家重点实验室, 江苏 南京 210095
针对目前传统稻种发芽率检测方法周期长、 精度低的问题, 提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、 无损检测的方法。 以不同老化天数稻种为检测目标, 10 min为检测时间点, 使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液, 而后以5°为间隔旋转检偏器, 并通过光纤光谱仪检测透射的光谱, 对检测的偏振光谱通过归一化预处理后, 根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长, 特征偏振角为0°, 5°和25°, 特征波长为576, 620和788 nm, 将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入, 构建稻种发芽率检测模型。 分别比较运用偏最小二乘法回归(partial least squares regression, PLSR)、 BP神经网络(back propagation neural network, BPNN)、 径向基神经网络(radial basis function neural network, RBFNN)三种建模方法建立稻种发芽率检测模型。 分别用老化天数为0, 2, 4, 6 d的稻种, 在不同的偏振角共测量1 520组实验数据, 其中912组数据作为校正集, 608组数据作为预测集, 建模结果表明三种模型预测精度较高, 其中RBFNN模型预测精度最高, 其相关系数r为0.976, 均方误差RMSE为0.785, 平均相对误差MRE为0.85%。 表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、 准确检测。
连续偏振光谱 稻种 发芽率 无损检测 Continuous polarization spectroscopy Rice seed Germination rate Nondestructive detection 光谱学与光谱分析
2016, 36(7): 2200
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 南京农业大学农学院作物遗传与种质创新国家重点实验室, 江苏 南京 210095
为实现稻种品质的快速鉴定，以稻种最重要的品质参数之一——发芽率作为主要评价指标，通过高光谱成像技术结合视觉词袋(BoVW)模型的方法进行稻种发芽率的分级评价。挑选Y 两优302、两优108 和内5 优8015 三个品种的杂交水稻种子各100 粒，在温度40 ℃、相对湿度100%条件下对三种稻种分别老化处理0、1、2、3、4 d，得到5 个活力梯度的稻种。采集300 粒稻种的高光谱图像，随机分为训练集(200 份)和测试集(100 份)。图像采集完毕后，进行稻种发芽实验，第14 天时计算发芽率。采用主成分分析(PCA)方法选取特征波长，利用密集尺度不变特征变换(SIFT)算法提取稻种图像局部特征，再根据K-means 算法聚类生成视觉词典。利用以径向基(RBF)核为核函数的支持向量机(SVM)分类器建立稻种发芽率分级预测模型，判别精度为95.65%。结果表明，采用高光谱成像技术结合视觉词袋模型进行水稻发芽率的快速、无损预测是可行的。
图像处理 高光谱成像 视觉词袋 稻种 发芽率 支持向量机 激光与光电子学进展
2016, 53(1): 011003
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 中国科学院南京土壤研究所土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
传统活力检测方法存在操作复杂、耗时长、可重复性差、对种子造成损伤且不可逆等不足，基于此，提出一种基于光声光谱结合最小二乘支持向量机回归(LS-SVR)的稻种活力快速、无损检测方法。在温度为45 ℃、相对湿度为90%的条件下，对南粳46(粳稻)和内5 优8015(杂交稻)进行高温高湿人工老化处理，依次老化0，24，48，72，96 h，获得不同活力的稻种；采集2类稻种光声光谱数据，总计100份，其中校正集样本60个，预测集样本40个；采用小波包对原始光谱数据进行预处理，通过协方差分析和主成分分析(PCA)对光谱进行降维；分别通过偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和LS-SVR 建立稻种活力预测模型。其中，采用协方差分析结合LS-SVR 建立的模型性能最优，该模型不仅适用于单一稻种，而且适用于不同种类稻种活力的预测。研究表明，采用光声光谱技术结合LS-SVR 对稻种活力进行测定是可行的，且所建模型在稻种活力预测方面具有较好的预测精度，为便携式水稻活力光声光谱仪的研制提供了理论依据。
光谱学 光声光谱 稻种 活力 小波包 最小二乘支持向量机回归 中国激光
2015, 42(11): 1115003
