表面增强拉曼光谱(SERS)是一种重要的高灵敏度分析技术。 基于SERS的技术特点, 建立了真实体系下孔雀石绿定性检测方法。 提出了一种光谱自动识别算法, 有机整合了稳健的傅里叶变换基线校正, 基于主成分分析的特征提取与人工神经网络分类器。 该方法结合基线的低频特征, 通过迭代傅里叶变换实现基线校正; 通过样本空间中类间与类内的欧氏距离判别自动获取拉曼光谱信号主成分的最优组合, 实现光谱数据的降维与特征提取; 最后构建三层反向传播神经网络分类器进行样本分类。 实验结果表明, 基线去除可排除基线变化对检测结果的影响; 光谱主成分的优化组合可减小基线校正残余及复杂体系中被测物以外的物质拉曼峰对检测结果的干扰, 同时实现了分类器最小化。 该方法用于养殖用海水中孔雀石绿的现场检测, 最低检出浓度0.1 μg·L-1。 该方法具有可拓展性, 可以直接应用于其他溶胶/凝胶体系中SERS光谱的定性分析。

建立了基于机器视觉的测量系统，实现了微型铣刀外径的在线测量，并对测量不确定度进行了分析。测量系统由背光源、夹头与旋转平台、旋转编码器、摄像机和相应的测量软件组成。系统运行时，铣刀匀速旋转，由旋转编码器触发相机对其进行采样拍照并完成测量。从照明光源平行性、摄像机的镜头畸变与CCD噪声、调焦效果、待测物体表面几何特性、算法设计5个方面分析了测量结果不确定度来源及其影响。实验表明，当系统采样率不足时，对于铣刀外径测量不确定度影响最大的是待测物体表面几何特性；在采样率足够大的情况下，外径测量不确定度主要由光源平行性确定。本文系统采样率为33 frame/circle，系统测量不确定度为4 μm，可满足生产要求。