红外光谱分析具有快速、 精确度高等优点, 在分类鉴别领域中发挥着重要作用。 红外光谱在生活垃圾分类领域的应用主要集中在塑料等可回收垃圾而忽略了对不可回收垃圾的深度分选。 现行生活垃圾的四分法分类中, 源头分类得到的其他垃圾中含有多种具有高值化利用潜力的组分, 可分为纤维素类、 烯类聚合物、 木竹类等。 这些垃圾的成分和结构不同, 因此具有不同的红外谱图, 基于其红外谱图特征波段利用机器学习建立相应的分类模型可以将上述几类垃圾从其他垃圾中分选出来。 本研究收集了纤维素类、 烯类聚合物、 木竹类及低值类垃圾, 并采集红外光谱数据共72组, 对比分析了预处理方式、 降维程度和建模算法对模型分类准确率的影响。 利用标准正态变量变换(SNV)、 多元散射校正(MSC)、 求导(DC)和平滑滤波(Smooth)方法对数据进行预处理, 然后利用主成分分析法(PCA)对预处理后的数据进行降维, 获得72×8和72×5的数据集。 分别利用概率神经网络(PNN)、 广义回归神经网络(GRNN)、 支持向量机(SVM)和随机森林(RDF)算法进行建模。 分析结果表明, 经PCA降维后的数据用于后续建模时, 5维数据比8维数据得到的分类效果更好, 平均准确率上升2.4%~4.4%。 基于5维降维数据, DC/Smooth预处理方法比SNV和MSC预处理得到的平均准确率更高, 达到了96.5%; PNN模型比其他三类模型的平均准确率高4.2%~6.5%, 可达98.1%; 针对四类垃圾, 除烯类聚合物的平均判别率只有93.8%外, 纤维素类及木竹类的平均判别率均在95%以上, 低值类最高可以到达100%。 验证了红外光谱结合机器学习实现其他垃圾深度分选的可能性及科学性, 为未来开发快捷深度分选设备提供参考。

养分亏缺是作物产量和质量提升的重要限制因子。 我国砖红壤植胶区钾、 镁缺乏及其低的有效性长期制约天然橡胶的产、 质量。 以“热研7-33-97”橡胶幼苗为研究对象, 利用傅里叶变换红外光谱(FTIR)对钾、 镁胁迫下橡胶树叶片物质组成特征进行研究, 分析不同钾、 镁胁迫条件下叶片红外光谱图谱特征峰的变化及其差异, 探讨钾、 镁胁迫对叶片物质成分和结构的影响, 以期为钾镁缺乏影响橡胶树生长与生理代谢的机理研究提供参考。 结果表明: (1)缺钾条件下, 1 554, 1 519和1 075 cm^-1处的吸收峰缺失, 表明橡胶叶片中蛋白质酰胺Ⅱ带、 酚类物质、 碳水化合物的化学结构受到破坏, 并且其他特征峰吸光度与正常处理相比均有不同程度的升高, 表明缺钾造成蛋白质、 碳水化合物等物质在叶片中大量积累, 物质转运效率降低; (2)缺镁条件下, 1 554 cm^-1处吸收峰向高频方向位移了6 cm^-1, 说明缺镁造成蛋白质酰胺Ⅱ带的结构发生改变, 同时, 1 550~1 350 cm^-1波数范围内吸收峰相对吸光度明显下降, 说明缺镁降低了细胞壁多糖以及含油脂化合物的含量, 且该波数范围内的三个吸收峰较其他吸收峰变化敏感, 表明该波段可以较好地指示橡胶叶片镁营养状况; (3)钾镁同时缺乏条件下, 各吸收峰的相对吸光度和强度明显减弱, 1 554, 1 519和1 075 cm^-1处的吸收峰缺失, 说明蛋白质酰胺Ⅱ带、 酚类物质、 碳水化合物的化学结构受到破坏, 1 057 cm^-1处吸收峰向高频方向位移了11 cm^-1, 表明橡胶叶片中果胶类多糖分子结构发生了变化。 综上所述, 缺钾造成橡胶叶片蛋白质、 糖类物质的含量的大量积累, 缺镁造成叶片细胞壁多糖和油脂化合物下降, 而钾镁同时缺乏时蛋白质、 脂类、 糖类物质等物质含量均明显下降。 研究表明, 使用FTIR技术对养分缺乏下的橡胶叶片物质成分定性分析具有一定的可行性, 同时可为橡胶钾、 镁营养生理代谢的机制研究提供新的思路和方法。

Depth from focus (DFF) is a technique for estimating the depth and three-dimensional (3D) shape of an object from a multi-focus image sequence. At present, focus evaluation algorithms based on DFF technology will always cause inaccuracies in deep map recovery from image focus. There are two main reasons behind this issue. The first is that the window size of the focus evaluation operator has been fixed. Therefore, for some pixels, enough neighbor information cannot be covered in a fixed window and is easily disturbed by noise, which results in distortion of the model. For other pixels, the fixed window is too large, which increases the computational burden. The second is the level of difficulty to get the full focus pixels, even though the focus evaluation calculation in the actual calculation process has been completed. In order to overcome these problems, an adaptive window iteration algorithm is proposed to enhance image focus for accurate depth estimation. This algorithm will automatically adjust the window size based on gray differences in a window that aims to solve the fixed window problem. Besides that, it will also iterate evaluation values to enhance the focus evaluation of each pixel. Comparative analysis of the evaluation indicators and model quality has shown the effectiveness of the proposed adaptive window iteration algorithm.