为了深入研究高频超声振动(high-frequency ultrasound vibration, HFUV)对飞机薄壁结构激光焊接微熔池的影响机理, 借助COMSOL软件, 建立了激光微熔池模型, 开展了旁触式单振源模式下振幅、超声加载位置等参数对熔池声压作用规律的仿真计算, 分析了超声空化效应和声流效应的产生条件, 并试验验证了超声功率对接头微观组织以及生成相的影响。结果表明, 高频超声振动使得激光微熔池内部声压产生正负交替变化, 温度场更加均匀, 有利于空化泡的形成、闭合和超声空化效应的产生, 降低残余应力; 超声加载位置、超声振幅与熔池输入声压成正比, 超声加载位置每靠近熔池10 mm, 熔池声压增大2~3倍, 每增大4 μ倍的振动幅值, 熔池输入声压增大10 Pa; 超声振动对熔池主要起搅拌作用, 当振幅>7 μm、加载位置到熔池距离<60 mm时可产生声流效应, 距离<15 mm时, 影响机制则以空化效应为主; 随着辅加超声振动场强度的增大, 焊缝组织的晶粒度呈单调增加的趋势, 即组织随超声功率的增加逐渐细化。
COMSOL数值模拟 高频超声振动 振幅 熔池声压 微观组织 晶粒度 COMSOL simulation high-frequency ultrasound vibration (HFUV) amplitude acoustic pressure of the molten pool microstructure grain size
西藏光信息处理与可视化技术重点实验室, 西藏民族大学, 陕西 咸阳 712082
对比3种类型高光谱数据以及2种分类算法, 从那曲地区HSI高光谱图像上识别4个草种。 结合实地踏勘从HSI高光谱图像上采集藏北嵩草、 紫花针茅、 高山蒿草和小嵩草这4个草种的原始光谱反射率数据, 并分别进行导数变换、 对数变换, 得到4个草种的原始光谱、 一阶导数光谱、 对数变换光谱。 对这3种光谱数据进行谱线波形分异特征比较、 单因素方差分析以及相关分析, 从这3种光谱数据中提取出各自适用的敏感谱段, 然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法, 通过对HSI图像分类识别出4个草种。 对比3种光谱数据各自分类图的识别精度, 评价3种光谱数据敏感谱段的适用性; 再将3种光谱数据的敏感谱段分别导入ICA-FCM算法, 与KICA-NFCM算法分类结果比较对4个草种的识别精度。 结果显示谱线波形分异特征比较、 单因素方差分析以及相关分析表明, 原始光谱、 一阶导数光谱、 对数变换光谱的敏感谱段分别为788~925, 711~742, 669~682与788~925 nm; 使用这3种光谱数据进行KICA-NFCM分类, 总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823; 使用3种光谱数据进行ICA-FCM分类, 总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。 比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异, 为通过谱线波形分异特征比较选取敏感谱段创造条件; KICA-NFCM算法可以优化输入特征、 并引入加权邻域空间信息计算隶属度函数, 针对性解决了标准FCM算法在处理高光谱图像时, 目标识别过程受邻域噪声影响, 分类图像“椒盐效应”显著、 同质区域连通性差的问题。 结果表明: 应用“对数变换光谱/KICA-NFCM算法”组合能够最准确的从HSI图像上识别4个草种, 有效减少混分误判现象, 为精准开展高寒草地成像高光谱观测提供技术基础。
成像高光谱 对数变换光谱 导数变换光谱 峰谷特征 敏感谱段 隶属度函数 Hyper-spectral imaging observation Logarithmic transform spectrum First-derivative spectrum Peak-valley characteristics Sensitivity bands Membership function 光谱学与光谱分析
2020, 40(7): 2200
在水果的品质检测和分级分选中, 存在不同仪器所建检测模型难以共享的难题。 为此, 以壶瓶枣为研究对象, 利用可见/近红外光谱技术探讨仪器间可溶性固形物含量(SSC)检测模型的传递方法。 首先, 采用美国ASD(Analytical Spectral Device)公司生产的两台仪器采集样本的光谱信息, 采用最小二乘支持向量机(LS-SVM)建立原始光谱、 Savitzky-Golay一阶导数处理、 标准正态变量变换后的SSC检测模型, 预测不同仪器采集的光谱时3种方法的预测能力均较差。 预测同一台仪器的光谱时, 基于原始光谱的主仪器所建模型最优, 预测集的决定系数(R2p)和均方根误差(RMSEP)分别为0.73和1.36%。 在此基础上, 采用Kennard/Stone算法选取标样, 利用专利算法(Shenk’s)、 直接标准化(DS)、 斜率/偏差算法(S/B)进行模型传递。 然后, 根据回归系数提取主仪器(24个)和从仪器(28个)的特征波长, 优选出单一变量(SV)24个、 共性变量(CV)23个、 融合变量(FV)29个, 均涵盖了SSC的主要吸收谱带。 利用优选的变量分别建立主仪器的LS-SVM检测模型, 采用主仪器的预测结果(R2p=0.78~0.80, RMSEP=1.07%~1.13%)明显好于全波段所建模型, 但预测从仪器时RMSEP为6.62%~7.88%, 模型失效。 最后, 基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正(CV-MC)、 单一变量优选结合差值补正、 融合变量优选结合差值补正、 共性变量优选结合波长补正算法(CV-WC)进行模型传递, 并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。 结果表明, 基于全波段进行模型传递时, 预测结果均较差(R2p=0.03~0.34, RMSEP=2.44%~4.67%); 基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差, 经其他算法传递后的结果(R2p=0.47~0.73, RMSEP=1.30%~1.90%)好于全波段; 基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳(R2p=0.73, RMSEP=1.30%), CV-WC传递后的预测结果(RMSEP=1.62%)与CV-DS和CV-S/B相近。 研究表明, CV-MC和CV-WC均是一种有效模型传递算法, 对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。
可见/近红外光谱 模型传递 鲜枣 无损检测 Near/infrared spectroscopy Calibration transfer Jujube Non-destructive detection 光谱学与光谱分析
2019, 39(4): 1041
为保证食品安全和消费者健康, 无损检测技术广泛应用于果蔬质量检测中。 光谱和图像技术可分别获取果蔬的内部和外部信息, 成为质量检测的有效工具。 为跟踪国内外研究进展并分析研究现况, 从果蔬外部品质(尺寸、 形状、 表面缺陷、 颜色、 纹理等)、 内部品质(内部缺陷、 可溶性固形物、 可滴定酸、 水分、 类胡萝卜素等单一品质及综合品质)、 成熟度、 货架期/贮藏期、 产品溯源、 生长监测、 安全(农药残留、 病虫和细菌侵染、 转基因产品等)检测及光学系统设计等方面综述了光谱和成像技术的应用, 分析了存在的图谱库不完善、 解混处理算法复杂、 高精度和便携式的光学系统开发力度不够、 校正模型的影响因素复杂等问题。 然后, 归纳了发展趋势, 指出了各组分可视化分析及交互作用机理解析、 光与果蔬组织的交互作用机理分析和光学特性参数反演等光学特性分析、 科学合理的综合评价体系的建立、 新算法的应用和多种算法的联合使用、 不同算法的可靠性和稳定性的提高、 稳定和普适模型的建立、 低成本和便携式等光学分析仪器的商品化开发和商业化应用等成为进一步探索的方向, 为基于光谱和成像技术的果蔬质量检测发展提供了参考。
光谱 图像 果蔬 质量 无损检测 研究进展 Spectrum Imaging Fruits and vegetables Quality Nondestructive detection Review 光谱学与光谱分析
2018, 38(6): 1779
为了实现鲜枣常温贮藏期的硬度实时监测并对贮藏时间进行预测, 建立了室温下壶瓶枣贮藏期的近红外光谱硬度动力学模型。 基于二维相关光谱技术, 分析综合浓度影响下的壶瓶枣敏感波段, 优选的敏感波段为904, 980, 1 072, 1 200, 1 630, 1 941和2 215 nm。 分析不同贮藏天数的壶瓶枣果肉平均硬度, 并拟合出零级反应方程, 模型的相关系数为0.991 3, 标准误差为6.116×10-4。 鲜枣的贮藏过程中, 由于复杂的生理化学反应, 主要物质的含量发生变化, 并通过宏观的信息光谱特征和硬度得以体现。 将敏感波段下的光谱信息和贮藏期的硬度指标进行信息耦合, 建立壶瓶枣果肉硬度的偏最小二乘模型(partial least square, PLS), 模型的预测精度RP为0.942 7, RMSEP为0.021 0。 进而以敏感波段的吸光度为自变量, 壶瓶枣果肉硬度指标为应变量, 进行多元回归定量分析, 建立近红外光谱硬度动力学模型, 模型的拟合优度即相关系数为0.983 9, 标准误差为0.024 9, 并在此基础上建立壶瓶枣贮藏时间与近红外光谱的线性回归关系。 研究表明, 基于二维相关光谱的硬度动力学模型可以实现对壶瓶枣果肉硬度指标的快速、 无损检测并实现其贮藏时间的预测。
近红外光谱 壶瓶枣 硬度 动力学模型 Near-infrared spectroscopy Jujube Hardness Kinetic model
为了建立稳定可靠的鲜枣品质检测模型, 利用光谱和水分补偿方法进行鲜枣内部品质的检测。 首先, 针对鲜枣各品质指标(水分含量、 可溶性固形物含量、 维生素C含量、 蛋白质含量、 硬度值), 采用回归系数法(RC)提取特征波段并建立最小二乘支持向量机(LS-SVM)检测模型, 预测集的决定系数(R2P)均在0.8261以上, 预测均方根误差(RMSEP)均在3.324 9以下。 在提取各项品质指标特征波段的基础上, 剔除其他四项单一品质特征波段中与水分特征波段(包含利用RC法所提取到的水分特征波长和鲜枣中具有明显水分特征的吸收峰)重叠或接近的波段, 并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模型。 结果表明, 硬度值的水分补偿模型精度有一定提高, R2P和RMSEP分别为0.830 5和0.055 3; 可溶性固形物含量、 维生素C含量、 蛋白质含量的水分补偿模型精度均有所下降, R2P分别为0.804 1, 0.878 2和0.837 8, RMSEP分别为1.347 3, 0.638 0和3.503 2。 然后, 分析各品质指标间的相关性, 结果表明, 水分含量在0.05水平上与硬度值呈现显著的相关性, 在0.01的水平上与其余三项品质指标之间存在极显著的相关性, 相关性强弱与水分补偿模型的建模结果相互支持。 研究表明, 水分补偿法所建的预测模型可用于鲜枣内部品质的检测, 水分含量与其他四项品质指标之间有相互作用并影响其他品质指标所建立的预测模型。 该研究为进一步探讨光谱检测中各内部品质指标间交互作用的解耦提供了新思路。
近红外光谱 水分补偿 内部品质 无损检测 Near-infrared spectroscopy Moisture compensation Internal quality Non-destructive detection 光谱学与光谱分析
2017, 37(8): 2513