针对空气静压主轴气膜刚度不高, 在工作中易受自身及外部激励的影响, 从而产生不平衡振动的现象, 设计了一种基于压电陶瓷的可控空气静压径向轴承, 研究了压电陶瓷的相关特性。结合气体主轴建立了轴承-转子-压电陶瓷的耦合模型, 并在此基础上建立了基于扩张观测器的滑模控制器, 同时将压电陶瓷综合控制器串联其中, 在限制条件内利用控制器使压电陶瓷挤压气膜为主轴提供有效的主动控制力, 从而抑制空气静压主轴的振动。研究结果表明, 利用压电陶瓷对空气静压主轴系统的振动进行抑制取得了良好的效果, 对于主要控制点可使其振动位移减小99.17%, 对于次要控制点均有不同程度的减振效果, 最多可减少94.36%。

针对主动太赫兹成像中存在的图像品质差以及藏匿物品类别多样、训练样本稀缺且类别不平衡等问题,提出了基于用条件生成对抗网络构建的Mask-CGANs模型的目标分割网络和基于RetinaNet的目标检测识别网络,实现了太赫兹图像中藏匿物品的多目标分割和检测识别。针对分割任务提出的约束损失函数和网络结构,使模型在召回率和虚警率之间达到平衡且降低了对训练样本规模的要求。针对检测任务采用的损失函数提高了训练样本不平衡条件下的检测精度。

对多相移光纤光栅滤波器的光谱进行了理论仿真。理论结果证明:通过精确设计多相移光纤光栅的相移点数目、相移位置分布、耦合系数、长度等参数,可以获得窄带平顶滤波响应的光谱;而实际制备中引入的误差会导致滤波器光谱性能恶化。随后采用紫外辐照后处理的方式,制备了多相移光纤光栅滤波器,并对其光谱进行了测试。结果表明:当多相移光纤光栅滤波器带宽较宽时,实测光谱与理想仿真结果较为吻合;增大耦合系数以减小带宽时,滤波器的性能对工艺误差更敏感。最后对误差项进行了深入的分析与讨论,结果证明,采用较长的多相移光纤光栅可以有效地增大相移点位置和相移差的容限,减弱光致损耗对其性能的影响。

湖泊蓝藻水华的精准动态监测, 可为水利及环保部门评价污染水体的防治效果、优化和调整防治政策提供依据。论文以巢湖为研究对象, 利用Landsat TM/OLI、HJ-1B CCD/IRS和NPP-VIIRS三种不同空间分辨率的影像数据, 通过归一化水体指数(Normalized Difference Water Index, NDWI)实现巢湖水域范围提取, 利用归一化植被指数(Normalized Difference Vegetation Index, NDVI)和浮游藻类指数(Floating Algae Index, FAI)提取2010~2014年共22景巢湖蓝藻的爆发区域。进一步的, 对NDVI和FAI两种方法计算的蓝藻爆发区域进行对比分析, 评价Landsat、HJ-1B以及VIIRS三种影像数据对巢湖蓝藻水华空间和时间的监测效果及适用性,进而结合气象因素分析不同气象因子对蓝藻水华爆发的影响。研究结果表明: (1) 相比NDVI指数, FAI指数(Landsat和HJ-1B数据为主, VIIRS数据辅助)能降低薄云对蓝藻水华提取效果的影响, 可提高蓝藻水华爆发区域、程度的识别能力; (2) 气象因子中气温和日照时长加重了蓝藻水华爆发的严重程度, 降水则对蓝藻水华的爆发起到一定的抑制作用。综上所述, 论文引入VIIRS卫星影像研究巢湖蓝藻水华爆发, 利用FAI指数降低薄云对蓝藻水华爆发面积提取精度的影响, 取得的研究结果可为基于多源卫星遥感数据的巢湖蓝藻水华动态监测系统开发提供重要的方法支持, 有利于推进卫星遥感技术在安徽省“河长制”和“湖长制”中发挥重要作用。

杀螟硫磷是一种在农作物上广泛使用的有机磷杀虫剂, 常用于玉米上害虫的防治。 过量或者不合理施用导致的残留积累关系到食品安全和人体健康。 常规检测杀螟硫磷的方法有气相色谱-质谱法、 高效液相色谱法, 其准确性虽好, 但存在需要专业人员介入、 样品前处理复杂、 检测时间长等缺点。 表面增强拉曼光谱(SERS)法具有分析速度快、 检测灵敏度高和特异性好等优点, 被广泛应用于农产品中痕量残留的快速检测。 利用表面增强拉曼光谱结合化学计量学方法实现玉米中杀螟硫磷残留的准确检测。 以两步种子生长法合成的纳米金棒作为拉曼增强基底, 测量600～1 800 cm-1范围内的拉曼光谱。 对比杀螟硫磷乙醇溶液和金棒的光谱, 确定杀螟硫磷的特征峰在650, 830, 1 082, 1 241, 1 344和1 581 cm-1处。 采用简单预处理方法快速提取玉米中的杀螟硫磷残留。 将受污染的玉米样品粉碎后, 利用乙醇溶剂对残留进行两次提取, 每次获取的提取液经离心获得上清液, 将上清液合并混匀, 在水浴中蒸发浓缩, 浓缩后的上清液用于采集SERS光谱。 每个浓度制备50个平行样本。 各浓度残留提取液中的残留参考值采用色质联用方法测定。 对比残留提取液的光谱, 1 082, 1 241和1 581 cm-1处特征峰强度随残留浓度的降低而迅速变弱甚至消失, 650, 830和1 344 cm-1处的特征峰直至残留浓度为0.48 μg·mL-1时依然可见。 当浓度低至0.37 μg·mL-1时, 所测光谱与空白提取液光谱相似。 采用主成分分析(PCA)提取不同浓度杀螟硫磷残留光谱的主体信息, 其中残留为0.37 μg·mL-1和空白提取液光谱的主成分得分重叠, 进而判断SERS方法对玉米中杀螟硫磷残留的检测限可达到0.48 μg·mL-1, 低于国家规定的农作物中最大残留限, 体现出SERS检测的高灵敏性。 选取浓度为14.25 μg·mL-1的50个样本分析其650, 830和1344 cm-1处的特征峰强度变化可知, 所采集的光谱呈现出较好的重复性, 相对标准偏差(RSD)值仅为3.12%。 对杀螟硫磷残留的定量分析采用支持向量机回归(SVR)实现, Savitzky-Golay卷积平滑和小波变换(WT)用于本次光谱数据的预处理。 校正集和预测集样本的划分采用Kennard-Stone算法实现, 模型的性能采用校正均方根误差(RMSEC)、 校正集决定系数(R2c)、 预测均方根误差(RMSEP)和预测集决定系数(R2p)评估。 最优模型为SVR结合WT所构建的, 具有最小的预测误差, 其中校正集的RMSEC=0.103 2 μg·mL-1, R２ｃ=0.999 74, 预测集的RMSEP=0.134 1 μg·mL-1, R２p=0.999 60。 同时, 最优模型的预测值与色质联用法所测值基本一致, 其预测回收率为95.31%～100.66%。 以上表明, SERS结合化学计量学方法检测玉米中杀螟硫磷残留是准确可行的, 且有望推广到农作物中多种农药残留的检测, 为农产品的安全检测提供一种新思路。

病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度, 成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病——白粉病和条锈病, 采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据, 通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后, 得到识别病斑准确率达到97%; 进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异, 选择第二主成分图像筛选两种病害的敏感波段, 得到识别白粉病的敏感波段为519、643、696、764、795、813 nm, 条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证, 得到两种病害的区分精度为92%。综上, 利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别, 这为开发病害区分仪器提供了重要的理论基础。

叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、739、802、895 nm，对应尺度分别为8、4、9和8，对应小波系数的LAI回归确定系数(R²)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的SVR模型的反演精度最高，模型实测值与预测值的检验精度(R²)为0.86，均方根误差(RMSE)为0.43；而常用植被指数(归一化植被指数，NDVI；比值植被指数，RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R²<0.76，RMSE>0.56)。因此利用连续小波变换进行数据预处理，能更好地筛选出对叶面积指数敏感的信息，LAI回归方法比较结果表明，SVR比PLS更适合于LAI的估测，通过将CWT与SVR结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。

作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义.本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法.分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型.针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R700/R670比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型.建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。

冬小麦叶面积指数（leaf area index, LAI）是进行作物长势判断和产量估测的重要农学指标之一， 高光谱遥感技术为大面积、 快速监测植被LAI提供了有效途径。 在探讨利用最小二乘支持向量机（least squares support vector machines, LS-SVM）方法和高光谱数据对不同条件下冬小麦LAI的估算能力。 在用主成分分析法（principal component analysis, PCA）对PHI航空数据降维的基础上， 利用实测LAI数据和高光谱反射率数据， 构建LS-SVM模型， 采用独立变量法， 分别估算不同株型品种、 不同生育时期、 不同氮素和水分处理条件下的冬小麦LAI， 并与传统NDVI模型反演结果对比。 结果显示， 每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。 NDVI模型对不同株型品种、 不同氮素和水分条件下冬小麦LAI估算精度不稳定，　LS-SVM则表现出较好的稳定性。 表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。