古陶瓷是历史的遗存, 具有不可再生性, 因而理想的古陶瓷分析技术应该是无损的。 为客观、 有效地对古陶瓷窑口进行无损鉴定, 提出了一种基于紫外、 可见光和近红外的多波段漫反射光谱无损鉴定方法。 针对传统单一波段古陶瓷窑口鉴定对目标特征描述不足的问题, 即在可见光波段区域, 漫反射光谱数据可反映古陶瓷的颜色特征, 但在同一窑口烧制的陶瓷也会有不同的颜色属性, 仅仅根据可见光波段的漫反射反射率来鉴定窑口来源是不合理的, 在紫外与近红外波段, 古陶瓷内部分子与此波段光发生作用后的漫反射光谱数据, 可反映古陶瓷携带的丰富样品结构和物质属性信息, 结合紫外与近红外光谱漫反射光谱数据可有效提高特征的表达, 因此提出利用紫外、 可见光和近红外的多波段特征提取方法。 在实验过程中, 基于多波段线性特征融合窑口平均鉴定准确率为92.9%, 相比于单波段的窑口鉴定平均准确率91.1%提高了1.8%, 实验结果验证了所提多波段方法相对单波段方法的有效性; 在特征提取过程中, 常用小波变换对光谱信号进行处理, 但由于古陶瓷漫反射光谱波信号在紫外、 可见光与近红外波段形波动大, 频率变化大, 因此, 在小波基的选取上存在很大困难, 提出利用自适应时频分析特征提取方法, 其特点是可自适应分配不同频率子波本征模态函数, 通过选择合适的本征模态函数来提取古陶瓷不同波段的光谱特征, 但在分解过程中存在过分解现象, 即虚假的本征模态函数, 将所有样本与分解的本征模态函数的平均相关系数和平均方差贡献率作为选择本征模态函数的标准, 实验结果表明, 随着分解阶次的递增平均相关系数和平均方差贡献率递减, 当分解阶次为4时, 相关系数和方差贡献率都为0.30, 但当分解阶次为5时, 相关系数和方差贡献率仅为0.15和0.18, 因此选择4阶分解, 用于不同波段的特征提取; 所提取的特征给与分类器进行分类时, 不同波段的特征对分类的准确率贡献不同, 因此在此基础上, 计算不同光谱特征的散布矩阵, 利用类内与类间散布矩阵的迹, 计算特征融合时不同波段特征的权重, 自适应分配权重并进行非线性特征融合, 权重越大, 表明该类特征对鉴别的贡献越大, 非线性特征融合时, 平均鉴定准确率为94.5%, 相比于线性特征融合鉴定平均准确率92.9%提高了1.6%; 其中分类器采用k最近邻分类器对来自不同窑口的古陶瓷进行无损分类识别。 通过客观定量地将该方法与同类方法进行对比, 朱旭峰等利用非线性特征融合方法, 窑口平均鉴定准确率为86.97%, 该方法比其高7.53%。 刘峰等采用基于协方差阵进行特征级融合多波段方法, 窑口平均鉴定准确率为89.63%, 该方法比其高4.87%。 实验结果表明所提方法有效、 可行, 可作为古陶瓷窑口鉴定的有效辅助鉴定方法。

矿物颜料是古代壁画显色的物质基础, 其可见光谱反映自身物质和物理属性。 不同颜料对可见光吸收特性的差异导致光谱曲线形状不同, 同一种颜料因粒径等级差异引起光谱曲线幅值的规律性变化。 依据矿物颜料上述特性, 提出一种基于可见光谱的古代壁画颜料无损鉴别方法, 通过光谱归一化方法实现不同粒径等级的同一颜料光谱曲线叠合, 去除颜料粒径等级对光谱曲线幅值变化的影响, 然后提取表征光谱曲线在各波段增减性和凹凸性的一阶与二阶导数特征, 与光谱曲线组合得到颜料物质属性鉴别的光谱组合特征空间, 以光谱角和欧式距离为基础构建评价指标, 计算待鉴别颜料与数据库参考样本在光谱特征空间中的匹配误差(ME), 实现颜料物质属性的鉴别。 通过构建矿物颜料平均粒径大小和光谱反射率均值之间关系函数, 实现颜料平均粒径大小的鉴别。 基于构建的古代壁画常用颜料光谱数据库, 以莫高窟壁画为对象, 通过非接触式原位无损测量方法测量获得壁画颜料的可见光谱数据, 对本文方法进行了验证, 并以石绿和青金石颜料的鉴别结果为例, 对古代壁画颜料使用技法、 不同朝代颜料使用的差异性及原因进行了探讨。 该方法将为更加全面深入研究和保护古代壁画提供有效的理论与方法支撑。

利用超景深三维视频显微镜、 激光显微共聚焦拉曼光谱仪、 扫描电镜-能谱仪等, 对一张1945年银行票据样品的印刷颜料进行测试分析, 结果显示该票据印刷使用了颜料红146和颜料红53∶1等有机颜料, 以及朱砂、 碳黑、 普鲁士蓝、 副雄黄和χ构型雄黄等无机颜料, 并推测棕黑色手写字迹由蓝黑墨水老化褪色形成。 票据中各处色块多为单一呈色, 有两处印章由朱砂与不同晶型的雄黄共同呈色, 并且首次发现χ构型雄黄和副雄黄作为印刷颜料使用。 研究表明, 上述三项技术的联用可以成功地对纸质品上的有机及无机颜料进行无损鉴定, 在纸质文物研究中具有广阔的应用前景。

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。

对不同生长年限的林下山参96支(其中, 十五年生24支, 十二年生72支)和园参177支。 采集近红外光谱后, 应用主成分分析-马氏距离法进行判别分析。 采用原始光谱, 经过预处理后, 在全光谱范围内分别选择合适的主成分数, 对林下山参和园参以及不同生长年限的林下山参分别建立了判别分析模型。 所建立的两组模型对验证集的正确判别率均为100%。 表明该方法准确可靠、 快速无损, 可实际用于林下山参的质量控制。

优化处理绿松石的大量面市, 给绿松石的鉴定带来了挑战。 通过激光拉曼光谱测试分析、 压制及人工注塑处理绿松石为研究对象, 对优化处理绿松石的激光拉曼光谱特征进行了研究。 结果表明, 拉曼光谱技术是一种有效鉴别绿松石及其处理品的无损检测方法, OH, H2O, PO4 及CH2基团的振动模式和频率决定了优化处理绿松石的激光拉曼光谱特征。 优化处理绿松石除具绿松石典型拉曼光谱特征外, 在2 937和2 883 cm-1处普遍出现一组具鉴定意义的由外来添加物中CH2伸缩振动及CH2弯曲振动致拉曼谱带。 依据这些特征拉曼谱带, 有助于将天然绿松石与优化处理品区分开。 该研究为快速、 准确、 无损鉴别绿松石提供了一种新思路。