烟火剂爆燃光谱示温反演研究

如何在高温、高压、高辐射状态下准确测温一直是一个难题,为解决该难题,以辐射光谱测温技术为基础,实现对多元烟火剂爆燃过程的非接触温度测量,为进一步明确烟火剂的反应步骤与爆燃产物提供了基础参数。通过建立多元烟火剂与示温颗粒的辐射光谱测温模型,给出基于凝聚相小灰体颗粒的发射率计算方法,开展凝聚相颗粒辐射谱线获取实验并进行连续热辐射谱线的示温反演。为提高反演的准确性,提出了一种方法以降低在多元烟火剂爆燃时出现的离子峰展宽影响,该方法采用维恩变换分析光谱曲线,使用Bisquare算法和最小二乘算法的双平方加权拟合去除非热辐射谱线,开展热辐射温度的反演。发现了烟火剂爆燃二次升温规律,温度出现升温-降温-再升温-再降温的二次放热的现象。该研究为炸药一类物质爆燃的温度场温度变化检测提供了一种新的反演思路和方法。

高光谱成像技术在粮食品质检测中的应用

高光谱成像技术因具有快速、客观、范围广、非破坏性等优点,已被广泛应用于食品安全、医学诊断、工业检测等领域。为全面认识高光谱成像技术在粮食品质检测中的应用现状,归纳了高光谱成像技术的基本原理、主要构成及其数据处理与分析,并针对其在粮食品质检测中的应用,重点总结了在粮食检测中水分含量、蛋白质、淀粉及不完善粒的应用研究进展。同时,比较了深度学习与传统的机器学习在粮食品质检测中的应用,探讨高光谱成像技术在样本数据库构建、测量灵敏度、仪器便携化方面所面临的问题与挑战,进而提出改进措施,旨在为粮食的品质评价提供参考。

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生,目前我国小麦质量检测多以人工分选为主,但存在人主观性较强,肉眼易疲劳,且费时费力等问题,因此,如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2nm共256个波段的高光谱反射图像,其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒,提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理,将原始光谱数据的隐藏信号放大并消除随机误差;在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取,降低数据的冗余度;最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明,采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%,分析结果可知,利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果,但高光谱成像设备较为昂贵,获取高光谱全波段光谱信息数据量较大,无法满足对现场设备运算速度的高要求,因此,采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择,使波段数量由256维降低到10维,从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型,实验结果表明10个特征波段的平均识别精度仅为83.2%,分析结果可知,尽管采用10个特征波段提高了系统实时性,但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果,利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型,将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合,实验结果表明,10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%,此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性,通过分析以上实验可知,基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果,在有效的提高运算速度的同时也保证了系统的鉴别精度,为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。

小麦不完善粒的高光谱图像检测方法研究

为了实现高光谱图像处理技术对小麦不完善粒的快速准确鉴别,研究了一种基于小麦不完善粒高光谱图像的光谱和图像特征,结合多分类支持向量机的不完善粒的识别方法。实验采集小麦不完善粒的高光谱图像,对图像进行图像增强、阈值分割等处理后,提取7个纹理特征和5个形态特征作为分类器的输入,应用多分类支持向量机分别建立并比较基于光谱特征、基于图像特征以及基于光谱和图像特征组合的不完善粒识别模型的分类精度。基于光谱特征建立的4分类模型总识别率达94.73%,黑胚粒与正常粒的识别率分别为100%、98.63%,效果较好,但虫蚀粒与破损粒的识别精度均低于90%;基于图像特征的不完善粒识别率相对较低;融合光谱与图像特征建立的4分类支持向量机模型总识别率达97.89%,其中虫蚀粒识别率从89.79%提高到95.91%,破损粒识别率从84%提高到94%,识别效果最佳。实验结果表明,高光谱成像技术可以快速、无损鉴别单籽粒小麦不完善粒,该技术在小麦种子质量快速、高通量、无损检测领域具有的应用潜力。

基于高光谱融合图像的小麦不完善粒识别

在小麦不完善粒识别中,高光谱图像的光谱特征信息与高分辨率图像的空间结构信息对不同类别小麦的识别有着各自的优势。单纯地利用一种图像源进行小麦识别,无法解决单种数据源的信息局限性。首先通过将高光谱图像进行波段选择和分段主成分分析(PCA)数据降维,然后与高分辨率图像进行配准融合,用新的融合图像作为数据源来进行小麦分类识别。最后新的数据源在结合特征金字塔改进的VGG卷积网络识别算法中,平均识别率相较于高光谱图像和高分辨率图像分别提高6.08%以及3.34%。新数据源有效地融合两种信息源识别小麦的优势,提升识别准确率,进一步推进小麦不完善粒检测技术的发展。

基于CNN神经网络的小麦不完善粒高光谱检测

利用高光谱成像技术对小麦不完善粒进行无损检测。以932个小麦为样本,其中正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个为研究对象,通过高光谱图像采集系统采集样本的光谱信息,然后从每个样本的116个波段中选取30个波段,建立基于深度学习的卷积神经网络(convolutional neural networks,CNN)模型。实验中的CNN采用2个卷积层,第1层采用大小为3×3的32个卷积核,第2层采用大小为5×5的64个卷积核,池化层采用最大池,激活函数采用修正线性单元,为避免过拟合,在全连接层后面接入dropout层,参数设置为0.5,其他卷积参数均为默认值,得到校正集总识别率为100.00%,测试集总识别率为99.98%。最后,以支持向量机(support vector machine,SVM)为基线模型进行对比,从116个波段中选取90个波段进行建模,测试集总识别率为94.73%。通过实验对比可以看出,CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测。

结合高光谱与CNN的小麦不完善粒识别方法

通过结合高光谱数据与卷积神经网络(CNN)实现小麦不完善粒(黑胚粒、虫蚀粒及破损粒)的快速准确鉴别。实验采集小麦正常粒(484粒)、黑胚粒(100粒)、虫蚀粒(100粒)及破损粒(100粒)在493~1 106 nm的116个波段的高光谱图像,每间隔5个波段抽取1个图像,分别建立24个波段的训练集,应用CNN建立不完善粒小麦的识别模型。实验结果显示,利用该识别模型,黑胚、虫蚀和破损粒的识别率分别保持在94%、95%和92%以上。在上述工作的基础上,进一步通过修改学习率和迭代次数改进CNN模型。优化后,黑胚、虫蚀及破损粒在各波段下的平均识别率分别提高了0.624%、0.47%和0.776%。将24个波段高光谱图像混合重新构建训练集,并重新训练CNN模型,黑胚、虫蚀及破损粒的总识别率则分别提高了0.31%、0.13%和0.46%。综上所述,基于高光谱数据和改进CNN模型可以有效提高小麦不完善粒的识别精度。

高光谱成像技术在小麦不完善粒检测中的应用研究进展

本文主要介绍了高光谱成像技术及其在小麦不完善粒检测中的应用,指出了现阶段在不完善粒检测中存在的主要问题,并对今后的研究方向进行了展望,以期推动高光谱成像技术在不完善粒检测中的应用发展。

太阳选择性吸收涂层与物理定律

详细介绍了太阳辐射能量谱的相关知识,依次讲解了基尔霍夫定律、维恩定律和普朗克定律三大热物理定律,叙述了太阳选择性吸收涂层发展的相关背景。

基于黑体辐射原理的简易温度测量仪

利用维恩位移定理及光栅的分光原理,制作了简易的温度测量仪.利用此测量仪测量了太阳表面的温度为5 794K,实验结果与太阳表面的理论温度5 692K基本一致.