精密孔径测量仪计量检定方法研究

精密孔径测量仪是一台以长光栅为标准，利用光电瞄准技术进行非接触绝对测量的高精度测长仪器；主要用于测量内孔直径，还可以用于测量轴径、两平行平面距离及玻璃尺刻线间距等。文中主要研究测量范围为（0～200） mm，分辨力为0.1μm的精密孔径测量仪的检定方法。

双波长激光移频激发拉曼光谱测试系统设计

拉曼光谱检测常常受到荧光干扰,而移频激发拉曼差分光谱法(SERDS)是一种有效抑制拉曼光谱荧光背景的方法。基于该方法,采用两个波长相近、基于体布拉格光栅技术的固定波长激光器,设计了一套拉曼光谱测试系统。通过控制激光器的功率和温度,保证了输出波长的稳定性。采用高灵敏度的薄型背照式面阵CCD,设计了光谱数据采集光路和电路。同时,在软件上实现了差分光谱的三种重构算法,即简单积分算法、带数值插值的简单积分算法和多重约束解卷积算法。在实验中,利用文中系统对强荧光背景的某品牌香油进行了拉曼光谱测量,分别采用这三种算法处理差分光谱进行光谱重构,并对比了重构效果。实验结果表明,设计的系统能够有效抑制荧光对拉曼光谱检测的影响。

基于特征提取的低信噪比拉曼光谱去噪方法研究

为了提高拉曼光谱检测系统的时间分辨率,常常需要采用较短的采样积分时间,此时带有分子结构振动谱的有用拉曼信号可能完全淹没在噪声中,严重影响信号的进一步分析,因此有必要对测量所得的光谱信号进行噪声消除处理。传统的消噪方法是基于信号与噪声在频域或统计特性之间的差异,通过平滑滤波或取平均值的方法来消除噪声,一般适用于噪声强度不高的情况,对于信噪比较低的情况处理效果并不理想。针对传统去噪方法的不足,从信号重构的角度,利用基于小波变换的谱峰识别、半峰宽检测提取光谱特征参数,再利用最小二乘拟合的方法,能够有效地提取淹没于强噪声背景下的有用拉曼信号。在仿真中,运用该算法得到的光谱曲线光滑,峰位置准确,信噪比改善明显。在实验中,分别利用该方法处理头孢呋辛酯片和罗红霉素拉曼光谱数据,得到了清晰的谱峰位置、幅值及半峰宽信息,实现了对短积分时间、强噪声背景的拉曼信号的有效还原,提高了检测系统的时间分辨率。仿真和实验结果表明,该方法需要调整参数少,易于实现,在信噪比比较低的情况下依然能够得到良好的去噪效果,为进一步分析光谱数据提供准确可靠的信息。

壳层隔绝纳米粒子增强拉曼光谱测试系统设计

基于壳层隔绝纳米粒子增强技术,开发了一种新型的等离激元拉曼光谱测试系统,该系统能够有效地提高被测物质的拉曼反射信号强度。壳层隔绝纳米粒子增强技术采用包裹了极薄的二氧化硅或者氧化铝壳层的单层金纳米粒子,能够产生较强的表面增强效应。整个测试系统的硬件部分主要包括双处理器(ARM和DSP)主控板、半导体激光光源、光谱仪、光纤探头和粒子施加装置;软件部分能够自动获取被测物质的拉曼谱图。这里,粒子施加装置用于自动地将壳层隔绝纳米粒子施加到被测样本中。在实验中,将测试系统用于检测食品违禁添加物三聚氰胺和孔雀石绿,以验证壳层隔绝纳米粒子增强拉曼光谱技术。实验结果表明,该测试系统具有较高的测试灵敏度和较短的测试时间,广泛地适用于食品安全中痕量物质快速检测。

基于脉冲式U-I特性的高功率型LED热学特性测试

热学特性是影响功率型LED光学和电学特性的主要因素之一,设计了一套基于脉冲式U-I特性的功率型LED热学特性测试系统,可以测试在不同结温下LED工作电流与正向电压的关系,从而获得LED的热学特性参数。该系统通过产生窄脉冲电流来驱动LED,对其峰值时的电压电流进行采样,同时控制和采集LED的热沉温度,从而获得不同温度下LED的U-I特性曲线。与其他U-I测试系统相比,文中采用了窄脉冲(1μs)工作电流,LED器件PN结区处于发热与散热的交替过程,不会造成大的热积累,大大提高了测量精度。实验中,对某功率型LED进行了测试,获得了该器件的电压、电流和结温特性曲线,并利用B样条建立该器件的U-I-T模型,进而实现了对其结温的实时在线检测。

双脉冲注入式LD模块的红外能级寿命可见区测试系统

Er3+的4I 13/2能级寿命的长短对评估Er3+掺杂材料在光通讯波段的应用十分重要。基于980nm双脉冲注入式LD激发下的Er3+激发态吸收上转换发光,测量在不同双脉冲时间间隔下的上转换红光发光强度,再根据上转换红光的发光强度随双脉冲时间间隔的变化关系,推导出了Er3+红外4I 13/2能级寿命的拟合公式,实现了红外能级寿命的可见区测量。因此,结合兼具时间间隔可调和同步脉冲取样的双脉冲注入式LD模块和光电倍增管(R2658),就可以实现所有Er3+红外能级寿命的测量,这是一种十分经济的微秒量级荧光寿命测试系统。

基于B样条的拉曼光谱基线校正方法

基线漂移是光谱检测仪器普遍存在的现象,会对光谱信号的特征提取带来十分不利的影响,而基线校正是解决该问题的重要手段,也是拉曼光谱信号预处理的重要组成部分。基线校正的原理一般是通过拟合基线的方法来去除光谱信号中的基线漂移。传统的基线校正方法是利用多项式拟合的方法对拉曼光谱信号的基线进行拟合的,但是该方法容易出现过拟合和欠拟合现象,且拟合阶数难以确定。针对传统方法的缺点进行了改进,利用B样条方法对拉曼光谱信号的基线进行拟合,发挥B样条低阶光滑的优点,能够有效地克服多项式方法的缺陷。在实验中,利用该方法对孔雀石绿、罗丹明B的拉曼光谱信号进行了基线校正,观察并比较该方法和传统方法的校正结果。实验结果表明,该方法能够有效地消除拉曼光谱信号的基线漂移,在基线漂移较小和较大的位置,可以采用相同的拟合阶数,不会出现欠拟合和过拟合的现象,获得了良好的基线校正效果,为进一步分析光谱数据提供准确可靠的信息。

等离激元增强拉曼光谱食用合成色素快速检测系统设计

基于等离激元增强拉曼光谱技术,研制出适合现场分析检测的食用合成色素快速检测系统,适用于饮料、肉制品、蜜饯等食品中合成色素的快速检测。检测系统的硬件部分主要由双CPU(ARM和FPGA)主控板、样品前处理模块(含有增强粒子施加装置)、半导体激光光源、光谱数据采集模块构成;软件部分控制样品前处理模块自动运行,并可读取被测样品的拉曼谱图。利用快速检测系统对三种实际样品(蜜饯、汽水、火腿肠)中的食用合成色素胭脂红、柠檬黄、诱惑红进行检测,以验证该系统在食用合成色素检测中的性能。样品检测结果的相对标准偏差小于±5%,表明此检测系统具有良好的灵敏度和重现性,且检测时间短,能够满足食品中合成色素现场快速检测的要求。

基于SERS的食品中乌洛托品快速检测系统设计

基于表面增强拉曼光谱技术(surface enhanced Raman spectroscopy,SERS),研制出对食品中乌洛托品进行现场快速分析检测的系统。检测系统由多功能前处理模块、拉曼光学模块、嵌入式主控模块三部分组成,实现了待测样品的前处理,拉曼光谱数据的产生、收集、传输与处理。其中,多功能前处理模块将化学实验中经常用到的离心、超声、挥发三种功能集于一体,精简了前处理实验中需要用到的设备;拉曼光学模块采用探头光路与分光系统合为一体的整体式设计,并在探头光路中使用数值孔径为0.6的非球面透镜,同时利用交叉非对称Czerny-Turner结构对分光系统进行了设计;嵌入式主控模块采用自主研发的FPGA+ARM双核心主控电路,配合CCD的制冷电路与驱动电路,搭载μC/OS-Ⅲ操作系统,实现了对CCD上拉曼光谱数据的采集、传输与处理。利用柠檬酸钠制备纳米金(liquid colloidal gold nanoparticle,LCP-1)作为增强试剂对乌洛托品进行检测,将乌洛托品的拉曼特征峰选取在1 047cm^(-1)处,对乌洛托品标准品和含有乌洛托品的腐竹与米粉样品进行检测实验,实验结果表明所设计的检测系统可以实现对乌洛托品的准确识别,对乌洛托品标准品的检测限可达0.01 mg·L^(-1),对腐竹和米粉样品中乌洛托品的检出限可达0.5 mg·L^(-1),检测时间小于20min,实现了食品中乌洛托品的现场快速检测。

基于临近比较的快速拉曼光谱基线校正方法

拉曼光谱成像技术是基于拉曼散射效应所开发的一项现代检测技术,在现代生产、科学研究过程中使用非常广泛。拉曼光谱信号受荧光效应和仪器等方面的影响,往往会产生基线漂移,严重影响对信号特征的进一步提取。因此,必须对拉曼光谱信号进行基线校正。传统的基线校正方法,只针对单一光谱信号,计算量较大,在处理由大量拉曼信号组成的成像数据时,耗时较长且效果不佳。该文提出一种基于临近比较的快速基线校正方法,根据在相同背景下采集的光谱之间的相关性,实现快速基线校正,提高了拉曼成像数据的处理速度。

基于B样条的TERS形貌成像背景扣除方法

在针尖增强拉曼光谱(TERS)形貌成像过程中,由于针尖与扫描台无法绝对平行、样品电子密度骤变处针尖快速升降以及扫描控制系统响应时间特性差等综合原因的影响,往往使形貌图中带有倾斜或边界面卷曲的成像背景。成像背景对样品形貌的识别和分析带来十分不利的影响,而背景扣除就是解决该问题的重要手段,也是形貌成像预处理的重要组成部分。背景扣除的原理一般是通过拟合背景的方法来扣除成像中的背景。传统的背景扣除方法是利用多项式拟合的方法对成像进行逐行的基线校正,但是该方法在处理形貌成像时常常会由于过拟合而造成样品形貌的失真,同时容易在图片上留下明显的线条纹理。针对传统方法的缺点,本文提出采用B样条曲面拟合方法,直接对样品形貌图进行曲面背景拟合,发挥B样条低阶光滑的优点,能够有效克服传统方法的缺陷。在实验中,同时利用传统方法和该方法对金单晶和合成金片的形貌图进行背景扣除,实验结果表明,两种方法都能够扣除样品形貌图中的成像背景,但与传统方法相比,所提出的方法不会造成样品形貌的失真,且不会留下线条纹理,获得了更加良好的背景扣除效果,为进一步分析样品形貌特征提供了更准确可靠的信息,是一种更加有效的TERS形貌成像背景扣除算法。