1 北京科技大学科技史与文化遗产研究院，北京 100083
2 中国科学院古脊椎动物与古人类研究所 脊椎动物演化与人类起源重点实验室，北京 100044
3 中国科学院生物演化与环境卓越创新中心，北京 100044
4 中国科学院大学地球与行星科学学院，北京100049
新疆哈密地区翼龙化石具有极高的科学研究价值。 哈密翼龙动物群主要埋藏在早白垩世湖相地层形成的雅丹中, 富集在风暴沉积层。 化石一旦暴露地表, 就会发生不同程度的自然风化破碎, 尤其是见水或受潮后风化更为严重。 哈密大海道2号水源地附近的雅丹底部由于地下水和间歇性地表水的作用, 发生了严重的盐碱析出导致的强烈风化现象, 造成雅丹下部剥落侵蚀和上层雅丹重力坍塌, 从下到上不同地层的风化程度差异较大, 底部地层的风化最为剧烈。 对大海道雅丹地层剖面取样, 利用多种分析方法确定每一层的岩性和可溶盐种类, 从微观上揭示雅丹风化的机理。 偏光显微观察和X射线衍射(XRD)结果显示每一层都含有石英、 长石、 方解石和粘土矿物, 矿物组成无较大差异, 但粘土含量差别较大。 精确的可溶盐种类鉴别方法, 包括离子色谱(IC)确定出样品中可溶盐离子含量及种类, 拉曼光谱(Raman)和傅里叶变换红外光谱(FTIR)鉴别出样品中的硝酸盐和硫酸盐, 扫描电子显微镜能谱仪(SEM-EDS)鉴别出氯盐、 硝酸盐和硫酸盐。 结果显示雅丹各风化层中最底层可溶盐主要是NaCl和Na2SO4, 第二层是NaCl和CaCl2, 第三层是NaCl, 盐种类/含量的差别是此处雅丹从下到上发生不同风化现象的重要原因。 结合大海道雅丹所处的气候地理环境(极干旱高盐碱地区、 水源地附近), 探讨水盐活动规律并关联风化表现, 分析该处雅丹风化原因, 内因是每层沉积岩的岩性不同, 外因是水和盐(NaCl, Na2SO4, CaCl2)的共同作用下, 强烈的水盐活动造成了埋藏有哈密翼龙化石的雅丹严重化学风化。 这一风化机理也可很好地解释哈密翼龙化石及其围岩层受潮后的强烈风化破碎现象。
哈密翼龙 雅丹 风化机理 可溶盐 哈密 Hamipterus Yardang Weathering mechanism Soluble salts Hami 
1 石河子大学机械电气工程学院, 新疆 石河子 832003
4 农业部食品质量监督检验测试中心(石河子), 新疆 石河子 832000
针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题, 探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。 以哈密瓜为载体, 百菌清和吡虫啉农药为研究对象, 采集哈密瓜表面无残留、 百菌清和吡虫啉残留的可见-近红外漫反射光谱, 利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像, 构建GAF图像数据集。 设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别, 包括1层输入层、 3层卷积层、 1层融合层、 1层平坦层、 2层全连接层和1层输出层。 模型测试混淆矩阵结果表明, 格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。 此外, 构建AlexNet、 VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、 极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。 结果表明, 3种CNN模型对哈密瓜表面有无农药残留的判别效果较好, 综合判别准确率均高于SVM和ELM模型。 对比3种CNN模型性能, 多尺度CNN模型的性能最佳, 训练耗时为14 s, 综合判别准确率为98.33%。 多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1, 3×3和5×5)和并行卷积模块, 能够捕获不同层次和尺度的特征, 通过级联融合模式进行深度特征融合, 提高了模型的特征提取能力。 与传统深度CNN模型相比, 在保证计算复杂度不变的情况下, 多尺度CNN模型的精度得到了有效提高。 实验结果表明, GADF变换结合多尺度CNN模型可以有效进行光谱数据解析, 利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。 研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。
哈密瓜 格拉姆角场变换 可见-近红外光谱 多尺度卷积神经网络 农药残留判别 Hami melon Gramian angular fields transformation Visible/near infrared spectroscopy Multi-scale convolutional neural network Pesticide residue discriminant 光谱学与光谱分析
2021, 41(12): 3701
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 农业农村部西北农业装备重点实验室, 新疆 石河子 832003
3 石河子大学食品学院, 新疆 石河子 832003
水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。
近红外光谱 哈密大枣 水分含量 特征波长 极限学习机（ELM） Near infrared spectroscopy Hami big jujubes Water content Characteristic wavelengths Extreme learning machine
1 华南理工大学广州学院, 广东 广州 510800
2 中国地质大学(北京)珠宝学院, 北京 100083
3 中国科学院理化技术研究所, 北京 100190
4 中国科学院大学, 北京 100049
5 国家珠宝玉石质量监督检验中心, 北京 100013
6 北大宝石鉴定中心, 北京 100871
7 中国地质科学院地质研究所, 北京 100037
8 中国地质大学(北京)地球科学与资源学院, 北京 100083
最近在新疆哈密发现了可规模开采的宝石级绿松石矿床。 采用X射线粉晶衍射仪、 激光剥蚀电感耦合等离子体质谱仪、 扫描电子显微镜、 傅里叶变换红外光谱仪、 拉曼光谱仪、 紫外-可见光谱仪等测试方法, 对该地绿松石的化学成分、 矿物组成、 表面微形貌、 红外吸收光谱、 拉曼散射光谱、 紫外-可见吸收光谱等矿物学和光谱学特征进行了系统对比研究。 新疆哈密绿松石的主要化学成分以富Cr (1 617 ppm), V (435 ppm), Ti (428 ppm), 贫Ba (99.9 ppm)为特征, 随着Fe2O3/CuO比值的递减, 绿松石的色调由绿变蓝。 由磷酸根、 羟基和结晶水引起的特征峰出现在该地绿松石的拉曼光谱和红外吸收光谱, 其中磷酸根的振动峰位于1 000~1 200和420~650 cm-1, 羟基的振动峰出现在3 400~3 600 cm-1, 而结晶水引起的振动峰位于3 000~3 300 cm-1。 此外, 该地绿松石的紫外-可见吸收光谱显示, 在600~700和430 nm处分别有由Cu2+和Fe3+引起的吸收峰, 这两处的峰强与绿松石的蓝绿色调之间的关系, 和新疆哈密绿松石成分中Fe2O3/CuO的比值与颜色之间的关系对应一致。
新疆哈密 绿松石 矿物学研究 谱学特征 Turquoise Mineralogy Spectroscopy Hami Xinjiang Province 光谱学与光谱分析
2018, 38(4): 1231
1 石河子大学食品学院, 新疆 石河子 832000
2 石河子大学机械电气工程学院, 新疆 石河子 832000
3 中国农业大学工学院, 北京 100083
可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。
高光谱 哈密瓜 可溶性固形物 硬度 成熟度 特征波长 判别分析 Hyperspectral imaging technology Hami melon Soluble solids content Firmness Maturity Characteristic wavelengths Discriminant analysis 光谱学与光谱分析
2017, 37(7): 2184
1 石河子大学机械电气工程学院
2 石河子大学新疆兵团农业机械重点实验室，新疆 石河子 832003
提出利用高光谱对哈密瓜坚实度进行检测的方法，对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明，在500~820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18N，预测集相关系数为0.646，预测均方根误差为6.40N.研究表明，应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.
光谱学 高光谱成像技术 无损检测 偏最小二乘法 坚实度 哈密瓜 Spectroscopy Hyperspectral imaging technique Nondestructive detection Partial least square Firmness Hami melon
1 石河子大学机械电气工程学院, 新疆 石河子832003
2 新疆兵团农业机械重点实验室, 新疆 石河子832003
利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息, 选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。 对比了多元散射信号修正和标准正则变换校正方法, 原始光谱、 一阶微分、 二阶微分光谱预处理方法对建模精度的影响; 采用偏最小二乘法、 逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。 结果表明, 对原始光谱经过MSC和一阶微分光谱处理后, 采用PLS和SMLR方法均可取得很好的建模效果, 应用PLS法检测带皮哈密瓜糖度是可行的, 其校正集相关系数（Rc）为0.861, RMSEC为0.627, 预测集相关系数（Rp）为0.706, RMSEP为0.873; 应用SMLR法检测去皮哈密瓜糖度效果最佳, 校正集相关系数(Rc)为0.928, RMSEC为0.458, 预测集相关系数(Rp)为0.818, RMSEP为0.727。 研究表明, 应用高光谱成像技术检测哈密瓜糖度具有可行性。
高光谱成像 漫反射 哈密瓜 糖度 无损检测 Hyperspectral imaging Diffuse reflection Sugar content Hami melon Nondestructive detecting 光谱学与光谱分析
2012, 32(11): 3093
