近年来, 猪饲料重金属超标问题屡禁不止, 严重危害食用人群健康与环境安全。 国家标准中所采用的干灰化-原子吸收光谱法存在耗时长、 需破坏样品、 试剂易造成环境污染等问题。 激光诱导击穿光谱(LIBS)以其快速、 近乎无损、 无需复杂制样的检测特性被誉为化学分析领域的“未来巨星”。 传统LIBS技术在应用于猪饲料安全品质检测时具有特征光谱强度弱, 检测精度较低等缺陷, 针对该缺陷, 提出LIBS技术与空间限域相结合, 采用空间限域方法提高分析谱线强度, 从而实现更低浓度样品的检出, 实现对猪饲料样品中Cu元素含量进行快速绿色检测。 以Cu Ⅰ 324.75 nm为分析谱线, 在优化后的能量下, 对比不同延时时间下加载不同高度和直径的圆柱形空间限域腔对分析谱线影响, 再选取对分析谱线整体增强效果最佳的空间限域腔对7组不同浓度猪饲料样品进行LIBS光谱采集, 结合采用国家标准方法获取的7组猪饲料样品中Cu元素参考浓度对LIBS系统检测灵敏度进行分析。 结果表明, 加载空间限域腔对分析谱线强度引起增强的同时不会对背景光谱造成明显影响, 分析谱线强度增强因子最大值为5.16, 空间限域腔直径为5.0 mm、 高度为2.0 mm情况下对分析谱线整体增强效果最佳。 在上述最佳试验参数基础上, 以Cu元素在324.75 nm处特征光谱峰值强度为参考, 对猪饲料进行定量分析。 结果发现加载空间限域腔后不同浓度下猪饲料样品中Cu元素浓度与分析谱线强度之间线性关系相较于传统LIBS提升明显, 其单变量定标模型R2从0.742提升至0.996, 检测限从6.21 mg·kg-1降低至1.61 mg·kg-1(《饲料添加安全使用规范》中猪类Cu元素日粮推荐含量为3~6 mg·kg-1), 检测灵敏度提高了2.86倍。 研究表明, 采用空间限域与LIBS技术相结合, 可以大幅提升系统检测精度与灵敏度, 使待测元素检测限降低至国家要求以下, 对于实现猪饲料中Cu元素含量较低样品的LIBS快速绿色检测具有较好的作用。

为提高激光诱导击穿光谱（LIBS）技术对猪饲料中重金属的定量分析精度，以市场常见猪饲料中的Cu元素为研究对象，采用偏最小二乘法（PLS）建立猪饲料中Cu元素定量分析模型，结合空间限域提高LIBS信号强度及定量模型精度，实验所用空间限域腔内腔直径和高度分别为4.5 mm和2 mm。采用九点平滑、标准正态变量变换、多元散射校正等方法对60组猪饲料样品的LIBS进行光谱预处理，并建立PLS预测模型。结果显示，基于圆柱形空间限域，利用九点平滑结合多元散射校正预处理效果最好。传统LIBS条件下预测集相关系数（R）为0.8684，预测均方根误差（RMSEP）为49.3，预测集平均相对误差（ARE）为43.95%；结合空间限域LIBS条件下R为0.9881，RMSEP为14.4，ARE为12.51%。研究结果表明，外加空间限域的LIBS技术能够明显提高猪饲料中Cu元素的光谱信号强度及PLS模型的精度，为猪饲料的精准安全检测提供较好的支持作用。

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。

运用激光诱导击穿光谱(LIBS)技术对赣南脐橙橙汁进行了快速绿色鉴别。实验分别测定了健康和黄龙病脐橙果汁的糖度及Ca、K、Zn元素含量,并分析了糖度及元素含量差异。采集了脐橙果汁的LIBS光谱数据,运用九点平滑(9SM)法并结合多元散射校正(MSC)对数据进行了预处理,最后运用主成分分析(PCA)法并结合多层感知器(MLP)神经网络和径向基函数(RBF)神经网络模型对健康和黄龙病脐橙进行了快速判别。结果表明,PCA-MLP模型对健康和黄龙病脐橙的判别效果优于PCA-RBF模型,其训练集对健康脐橙和黄龙病脐橙的判别准确率分别为93.8%和93.4%,预测集对健康脐橙和黄龙病脐橙的判别准确率分别为93.9%和94.8%。LIBS检测结果证明了黄龙病导致脐橙果肉品质发生了变化;进一步利用光谱预处理方法和分类模型,从品质上区分了黄龙病脐橙果汁和健康脐橙果汁,提高了出厂橙汁的产品合格率。

饲料中添加铜元素对猪生长速度的促进效果明显,因而铜元素在猪饲料中的超标情况非常普遍,但其带来的危害也非常严重。利用共线双脉冲激光诱导击穿光谱(DP-LIBS)技术对猪饲料中的铜元素进行快速定量分析,采用竞争自适应重加权采样(CARS)算法筛选出与猪饲料中铜元素相关的22个重要变量,压缩率为1.1%;基于筛选出来的22个重要波长变量,利用偏最小二乘(PLS)回归方法建立猪饲料中铜元素含量的预测模型,并对预测集猪饲料样品中的铜元素含量进行预测。结果表明:与全光谱-PLS模型相比,CARS-PLS模型具有更高的预测精度和预测能力,模型相关系数、交叉验证均方根误差、平均相对误差分别为0.978、19.25、5.59%。CARS算法可以有效地优化猪饲料中铜元素的激光诱导击穿光谱在线检测模型,并可以提高模型的预测精度。

基于单脉冲激光诱导击穿光谱(LIBS)检测技术, 以Cu在324.74 nm处和Ca在317.95 nm处的两条特征谱线强度作为多元非线性定标的自变量, 饲料中Cu含量作为因变量, 对猪饲料中Cu元素的含量进行了定量分析。比较了单变量分析方法、交叉降维近似多元非线性模型、多元二次非线性模型和平方降维近似多元非线性模型的分析结果, 并对验证样品进行预测分析。结果表明, 交叉降维近似多元非线性模型与其他三种分析方法相比预测效果更好, 建模集预测浓度与实际浓度的相关拟合系数为0.9799, 预测集的相关拟合系数为0.8597, 平均相对误差为8.12%。

近年来搭载先进光电侦察系统的“全球鹰”无人机严重威胁我沿海重要目标的保密安全。针对其光电侦察系统具有可见光和红外探测器双模块工作的特点,提出了采用强激光进行追踪干扰的对抗方法,并理论分析了电饱和效应对光电探测器激光干扰阈值的影响,最后通过模拟实验和光谱响应曲线理论计算得出了强激光干扰“全球鹰”可见光和红外探测器的光谱饱和阈值曲线。

现有的矢量辐射输运(VRT)理论无法分析有限孔径条件下水下无线光通信信道特征,因此VRT误码率计算结果并不能很好地与实际系统相符。在分析水下光OOK信号激光传输模型的基础上,根据水下有限孔径光信道的特征,对三类海水中可见光水下通信系统的误码率进行了仿真和评估。仿真结果表明,水下光OOK系统可靠视频传输距离上限分别为远洋108 m,近海65 m和海湾11 m,该结果为水下实时高码率激光通信系统设计提供了参考。

The extraction of stable local features directly affects the performance of infrared face recognition algorithms. Recent studies on the application of scale invariant feature transform (SIFT) to infrared face recognition show that star-styled window filter (SWF) can filter out errors incorrectly introduced by SIFT. The current letter proposes an improved filter pattern called Y-styled window filter (YWF) to further eliminate the wrong matches. Compared with SWF, YWF patterns are sparser and do not maintain rotation invariance; thus, they are more suitable to infrared face recognition. Our experimental results demonstrate that a YWF-based averaging window outperforms an SWF-based one in reducing wrong matches, therefore improving the reliability of infrared face recognition systems.