-
题名液态奶中镉、铜等重金属的光谱智能检测新方法研究
被引量：2
- 1
-
-
作者
黄志轩
何天伦
郭祥
陈达
-
机构
天津大学精密仪器与光电子工程学院
中国民航大学天津市民航能源环境与绿色发展工程研究中心
-
出处
《分析测试学报》
CAS
CSCD
北大核心
2024年第7期1032-1038,共7页
-
基金
国家自然科学基金资助(21973111)。
-
文摘
该文针对传统重金属检测方法速度慢、通量低等问题,发展了表面富集扫描激光诱导击穿光谱(SES-LIBS)检测新方法,显著提升了液态奶中重金属的检测灵敏度和通量。SES-LIBS方法利用金属置换反应原理,将液态奶中游离的痕量重金属离子置换并富集到活性金属基底的特定区域表面,进而高效采集该区域表面的LIBS信号。SES-LIBS方法在有效避免液体离子猝灭效应的同时,显著提升了痕量重金属离子的检测灵敏度。为克服样品采集和基质的干扰,采用重加权特征光谱驱动的自编码孪生多网络算法(RCSD-ASMN)进行SES-LIBS信号解析,从复杂、变动的LIBS信号中准确提取出待测组分的光谱特征信息。SES-LIBS方法可同时检测Cd、Cu等多种重金属元素,检出限分别为0.11、0.13 mg/kg,R^(2)均不低于0.97。实验结果证明,SES-LIBS技术能有效克服不同品牌液态奶基底和重金属元素的交叉干扰,具备良好的检测精度和线性度,为液态样品中重金属的高通量检测提供了一种新手段。
-
关键词
液态奶
重金属
表面富集扫描激光诱导击穿光谱
重加权光谱
自编码孪生多任务网络
-
Keywords
liquid milk
heavy metals
surface enhanced scanning laser induced breakdown spectrum
reweighted characteristic spectrum
auto-encoder siamese multitasking network
-
分类号
O657.3
[理学—分析化学]
O658.9
[理学—分析化学]
-
-
题名基于显著性导引孪生网络的红外船目标跟踪
- 2
-
-
作者
李想
张婷
刘兆英
刘波
李玉鑑
-
机构
北京工业大学信息学部
桂林电子科技大学人工智能学院
-
出处
《智能系统学报》
CSCD
北大核心
2024年第6期1428-1437,共10页
-
基金
国家自然科学基金区域创新发展联合基金项目(U23A20357)
北京市教育委员会科技计划一般项目(KM202110005028)
+1 种基金
北京工业大学交叉科学研究院资助项目(2021020101)
北京工业大学国际科研合作种子基金项目(2021A01).
-
文摘
由于红外图像特征判别力低,现有方法很难从背景中分割目标。而受到红外成像机制的影响,红外目标通常具有较高的局部显著性,因此本文提出一种基于显著性导引孪生网络的跟踪方法,以目标的显著性信息为先验知识,引导跟踪模型准确地定位目标。本文提出显著性预测网络和显著性增强网络。显著性预测网络用于获得搜索区域的全局显著性图,并将其输入到显著性增强网络以增强目标,提高模型的判别能力;设计了一个共享互相关结构来计算模板图像特征与显著性增强后的搜索区域特征之间的相似度,通过分类和回归两个任务共享互相关特征图,同时提升模型的效率和性能;由于目前缺少公开的红外船跟踪数据集,本文构建了一个新的红外船目标跟踪数据集(infrared ship dataset,ISD),共包括16种不同类型的船,7800幅带有标签的视频帧。在ISD上的实验结果显示,与其他18个常用跟踪模型相比,本模型达到了最高的准确率和最高的期望平均交并比。
-
关键词
红外船跟踪
孪生网络
显著性目标检测
特征融合
共享互相关
多任务学习
卷积神经网络
深度学习
-
Keywords
infrared ship tracking
siamese network
salient object detection
feature fusion
shared correlation
multitask learning
convolutional neural network
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
