发布时间：
色谱分析技术能够实现原料分离，分析环节中同时完成多种任务，下面是我为大家精心推荐的色谱分析技术论文，希望能够对您有所帮助。
涂料检测中的现代色谱分析技术应用分析
摘 要：文章首先介绍了气相色谱法涂料检验的原理，并对检验环节中常见的问题以及解决对策进行分析。从技术的优缺点两方面进行。其次重点分析高效液相色谱法的应用原理，并对涂料检测环节的技术要点做出总结。帮助提升检测结果的准确性。
关键词：涂料检测;现代色谱;气相色谱法
1 高效液相色谱法
该种技术融合了传统工艺中的优点，同时也对存在的问题做出优化，更高效的解决检测期间的影响问题。这种技术能够实现原料分离，分析环节中同时完成多种任务，与传统方法相比较在时间上会有明显的减少，尤其是对受热程度的分析判断，更高效合理。检验环节中常见的加热问题，成为色谱分析的首要影响因素，如果不能合理的设置温度，很容易造成分析结合与实际情况不符合。大部分涂料都是液体形式的，在性质上更具有稳定性，原料选取的量也能得到控制。随着对环保和健康的日益重视，国家陆续出台了一些涂料相关的有毒有害标准，涂料的生产工艺和配方也随之调整优化。但也不乏有生产厂家使用现行标准中还未被限量的有毒有害物质来替代已被限量的物质。这就要求在检验工作中不仅要依照现行标准对涂料样品进行检验，还要积极发现还未被限量的有毒有害物质。涂料产品成分复杂多样，高效液相色谱法属于分离性分析方法，能够对绝大部分的有机物进行分析，尤其是对挥发性不强，高温易分解的物质，能获得比其他方法更好更稳定的结果。
涂料中含有的化学物质可能会对环境造成污染，因此目前的检测工作也大部分是针对生态环保来进行的，目的在于避免质量检测不达标的物质投入到使用中。因此检测工作要有明确的目标，对待检物质中可能会含有的污染物进行判断。有毒涂料防污剂有机锡的HPLC分析在船舶防污涂料抑制海洋生物污损中发挥了非常有效的作用，随着海洋监测技术的发展，有机锡的毒性和对生态系统的危害越来越多地被人类认识。海洋环境中的有机锡浓度很低(10-12～10-9)，而且种类繁多，因此用传统的仪器很难满足高灵敏度、高选择性的分析要求。其中较成熟的方法是以GC(凝胶色谱)为分离手段，配以适合金属离子分析的检测器。
HPLC能对不适应GC的有机锡进行分析，适用于大多数极性及非极性有机锡化合物的直接分离。不需萃取及衍生，在常温下可直接分离样品中不同形态的锡，不但缩短了分析时间，而且还减少了分析过程中可能的损失;可通过改变固定相和流动相获得最佳分离;尤其适用于具有生物活性化合物的分离与形态分析。凝胶色谱法是液相色谱法的一种，其分离原理与其他色谱法不同，是按分子体积的大小进行分离，所以也称为体积排阻色谱法。高效凝胶渗透色谱是20世纪60年代发展起来的一种液相色谱方法，主要用途是测定高聚物的相对分子质量及其分布。
2 气相色谱法
2.1 裂解气相色谱-傅里叶变换红外光谱联用
能够用来判断树脂涂料中的组成成分，同样是针对光谱来进行，该种技术方法在所得结果上更具有全面性，融合了两种技术方法中的优点，在对色谱类型进行判断时可以直接显示结果。生产工艺不断进步后，涂料中的含有成分也在逐渐复杂化，高分子结构在普通的红外光谱下不容易分析。关于该种色谱技术，在国内的研究起步较晚，应用环节也是根据已有的研究结果来探讨的。
我国学者在研究过程中，提取涂料中的成分，将检测得到的成分含量录入到计算机设备中进行分析，更准确的定位色谱表现形式与其中涂料含量的函数关系。该种技术可以选择任意部分涂料进行检测，不需要对测试点进行选取，节省时间的同时也能够减少标样点，对未来的工作开展有很大帮助。这一特征性也是该技术能够得到应用落实的原因。
红外光照作用下，涂料发生的裂解反应是检测开展的依据，不需要再次选择分析的样本，可以直接根据反应过程来分析结果。面对比较复杂的分析对象时，仅仅依靠简单的裂解很难实现目标，简单的升高温度能够促进涂料裂解，再根据反应发生的情况来判断是否达到可以检测的点。红外光照在其中发挥着催化的作用，可以应对化合物检测。但涂料的形式并不是如此简单，还包含了聚合物形式，红外光谱检测的效果便会受到阻碍。
2.2 裂解气相色谱-质谱联用
涂料由几大部分组成，树脂原料常常被应用在基料制作中。对于耐高温性质好，并且不容易分离的材料，不能再通过高温裂解的方式来检验。但检验方法在原理上都相同，遇到的难题是如何促使裂解反应发生。常见的方法是对分子结构链进行破坏，涂料中的成分自然分解，此时在对色谱表现形式进行分析，能更好的完成任务。裂变过程中会散发出能量，不同分子结构链变化期间所散发的热量也不相同，同时也与基料自身耐高温形式相关。
了解到裂变需要经过高温加热来实现分析检测时，关键技术是对温度的控制，如果加热温度超出了需求范围，很容易造成分子结构链过于零散，影响到结果的判断。不可忽略的一点是，涂料在高温状态下其中的一些物质容易发生氧化反应，分解出检测环节不需要的物质，对任务开展产生阻碍。由此可见，这种方法虽然操作过程简单，结果分析准确，但却容易受外界因素影响。
涂料在高温环境下发生反应变化需要一段融合的时间，而破坏结构链是在高温加热的瞬间完成的。检测环节中，可以在短时间内瞬间升高温度，这样能够避免物质的高温氧化反应，提升检测结果的可靠性。影响物质并不能被完全消除，只是尽可能的将生成量控制在合理范围内，不对检验分析造成影响。根据检验结果可以了解到，不同的基料材质对涂料色谱表现形式会产生影响，在检测环节需要对原料组成成分进行判断，明确高温状态下可能会发生的反应类型。任务进行期间，需要选取不同涂料的样品来测试，避免掺入其他杂质。所选取的量要均等，观察检测结果的同时将原始数据整理记录，用于后续的分析检验环节，可以更好的对比。根据反应发生的形式对检验技术进行选择，涂料色谱分析在流程上会有明显的进步。
3 结论
快速灵敏的仪器分析法在很大程度上取代了繁琐费时的化学分析法，打破了化学分析的局限，极大地提高了分析工作的效率、分析精度与可靠性，而先进的色谱技术已成为涂料成分检测不可缺少的重要手段。
参考文献
[1] 宋晓波，兰小军，丁立群.现代色谱分析技术在涂料检测中的应用[J].上海涂料，2013(03).
[2] 尹洧.色谱分析技术在食品检测中的应用[J].农业工程，2012(08).
点击下页还有更多>>>色谱分析技术论文
这个东西你给的信息太少了拉曼属于振动-转动光谱，像红外一样，一般只能给出某些键振动的信息。只能通过拉曼光谱来指认某些键的存在，而难于指认某种分子的存在。首先你要知道你的待测样品可能包含什么，然后这些成分是否具有拉曼活性，如果有，那么特征是在哪个峰位，需要用哪个激发波长。液态样品的拉曼光谱通常强度比较弱，不知道你使用的是液池型的光谱仪还是显微拉曼光谱仪，测量的是纯的液体的混合物还是水溶液中的混合物。
原子吸收光谱法在环境常规监测中的应用 西南科技大学分析测试中心 张伟〔摘要〕原子吸收光谱分析法(AAS)在环境分析化学中广泛使用。本文简述了近年来AAS在环境常规监测中的应用进展。〔关键词〕原子吸收光谱法环境监测应用原子吸收光谱法（AAS），因其灵敏度高、干扰小、精密度高、准确性好及分析速度快、测试范围广等诸多优点，在环境分析化学中广泛使用。20世纪80年代末，国家环保局在《环境监测技术规范》中的地表水和废水、大气和废气、生物测定部分，就将原子吸收光谱法列为《环境监测技术规范》中有关金属元素的标准分析方法。1.水环境监测适时地对地表水质量现状及发展趋势进行评价，对生产和生活设施所排废水进行监视性监测是常规环境监测的两项基本任务。原子吸收光谱分析主要应用于水环境中重金属的监测。龙先鹏[1]采用火焰原子吸收光谱法直接测定水中微量铜、铅、锌、镉元素的含量，在0-1.00mg/L范围内，被测元素浓度与吸光度呈线性关系，相关系数不小于0.9990；最低检出限分别为0.001、0.01、0.0008、0.0005mg/L，相对标准偏差分别为1.16%、1.22%、1.15%、1.16%；该方法对标准样品的测试结果与国家标准方法基本一致，相对偏差均不大于7.0%。张美月等[2]以二乙胺基二硫代甲酸钠为配位剂、Triton X-114为表面活性剂，采用浊点萃取-火焰原子吸收光谱法测定水样中的痕量镉，检测限为0.238μg/L，富集倍数为55，加标回收率为98%-102%；分离富集方法简单、安全、快捷，结果令人满意。陆九韶等[3]利用Al3+与Cu(Ⅱ)-EDTA发生定量交换反应，通过测定水相残余铜，从而间接测定水和废水中的铝。在线富集是原子吸收光谱检测分析发展的热点之一。高甲友[4]用含黄原脂棉的微型柱对试样中的Cd2+在线富集、盐酸洗脱后，采用火焰原子吸收光谱法在线测定水中的镉离子。富集50 mL溶液时此方法灵敏度可提高68倍。陈明丽等[5]用溴化十六烷基三甲胺(HDTMAB)改性的天然斜发沸石微填充柱，建立了顺序注射在线分离富集电热原子吸收法测定水中Cr(Ⅵ)及铬形态分布的方法；测定铬的检出限达到0.03μg/L，精密度3.7%。用本法测定标准水样GBW08608中的铬，所得结果与标准值相符。冷家峰等[6]对螯合树脂富集-火焰原子吸收光谱法测定天然水体中痕量铜和锌的在线富集条件、干扰因素等进行研究,在线富集倍数达到两个数量级，在灵敏度与石墨炉原子吸收光谱法相当情况下，提高了测定准确度。痕量金属元素化学形态的分析比单纯元素的分析要复杂、困难得多，除要求测定方法灵敏度高、选择性好外，还要求分离效能高。联用技术，特别是色谱-原子吸收光谱联用，综合了色谱的高分离效率与原子吸收光谱检测的专一性的优点，是解决这一问题的有效手段。刘华琳等[7]自行设计了一种紫外在线消解氢化物发生接口，并将高效液相色谱-紫外在线消解-氢化物发生原子吸收联用仪器(HPLC-UV-HGAAS)用于砷的形态分析，以砷甜菜碱、砷胆碱、亚砷酸盐(As(Ⅲ))及砷酸盐(As(V))等进行了分离测定，实现了将分离后不能直接用于氢化物发生的大分子，通过紫外“在线”消解成小分子砷化合物的目的。李勋等[8]采用电化学氢化物发生与原子吸收光谱联用技术有效地实现了无机砷的形态分析。在电流为0.6 A和1A条件下，As(III)和As(V)在0-40μg/L浓度范围内均呈良好的线性关系。As(III)和As(V)检出限分别为0.3μg/L和0.6μg/L；该方法成功应用于食用鲜牛奶中无机砷的形态分析。2.土壤、底泥和固体物分析景丽洁等[9]采用微波消解法预处理待测土壤，火焰原子吸收分光光度法测定污染土壤消解液中的锌、铜、铅、镉、铬5种重金属。土壤中锌、铜、铅、镉、铬的相对标准偏差分别为1.2%、1.9%、1.2%、5.2%和1.8%。方法简便、灵敏、准确，适用于污染土壤中重金属含量的测定。卢卫[10]采用悬浮液进样平台石墨炉原子吸收法测定土壤的痕量汞，精密度为5.9%，检出限达到1.2×10-12g。宫青宇[11]采用直接固体进样、添加基体改进剂技术测定土壤中重金属铅含量，避免了土壤中复杂基体的影响，实现了土壤样品中铅的快速分析。王北洪等[12]采用了“硝酸-氢氟酸-过氧化氢”三酸消化体系和密封高压消解罐法对土壤样品进行消化，以原子吸收光谱法测定其中的铜、锌、铅、铬、镉。结果表明：采用该法测定土壤中的重金属时，测定结果准确可靠，实验条件易于控制，能够满足环境监测分析的要求，可以作为一种可行的土壤重金属元素分析方法。程滢等[13]把河流底泥经过氢氟酸和高氯酸消化，用火焰原子吸收法测定其中的铜，获得较好的结果。王畅等[14]利用流动注射系统中串联的阴、阳离子交换微型柱分离、NH4NO3+抗坏血酸和H2SO4两种洗脱液同时逆向洗脱，实现了对底泥可利用态铬中Cr(Ⅵ)和Cr(Ⅲ)同时在线分离和原子吸收光谱法测定。在交换时间2 min，洗脱50 s，Cr(Ⅵ)和Cr(Ⅲ)回收率分别为85.4%-94.8%和96.7%-106%。此法对实际样品中不同价态铬进行测定，铬回收率可达95%。Cr(Ⅵ)和Cr(Ⅲ)的检出限和最大相对标准偏差分别为0.9μg/L、6.4%和2.7μg/L、3.5%。王霞等[15]用冷原子吸收光谱法测定固体废物浸出液中的汞含量，检出限为0.02μg/L，回收率在91%-101%之间。方法简便快速，线性范围宽。3.大气环境质量监测邹晓春等[16]以微孔滤膜采样、钯或镍作改进剂，用石墨炉原子吸收光谱法测定居住区大气中硒，检出限为3.45ng/mL，线性范围为0-50ng/mL，回收率94.6%-102.0%；其中砷对测定硒有一定干扰，其它金属元素对测定无干扰。邹晓春在此基础上又对居住区大气中的镍进行了测定，检出限为0.12 ng/mL，线性范围为0-35 ng/mL，回收率为95.1-102.1%，其他金属元素对测定镍未见明显干扰[17]。冯新斌等[18]对原有的光谱仪器进行简单改装，建立了两次金汞齐-冷原子吸收光谱法测定大气中的微量气态总汞的方法，检出限达到0.05ng；100μL饱和汞蒸气连续测定结果表明其相对标准偏差<1.41%。在0-2.0ng汞量范围内标准工作曲线线性关系良好。并且运用该法，对贵州省万山汞矿、丹寨汞矿、清镇汞污染农田、省农科院和中国科学院地球化学研究所等地大气气态总汞进行了测定。综上所述，原子吸收光谱法在环境监测分析中应用取得了不少成果，但在应用范围上还有待扩大，如在污染物的化学形态研究上尚待深入等。总之，随着环境监测事业的发展，原子吸收光谱法因具有其它方法所不能比拟的优势，必将在环境化学分析中展现广阔的应用前景。参考文献〔1〕龙先鹏.火焰原子吸收分光光度法直接测定水中微量铜、铅、锌、镉〔J〕.化学分析计量,2008,17(1):53-54.〔2〕张美月,李越敏,杜新等.浊点萃取-火焰原子吸收光谱法测定水样中的痕量镉〔J〕.河北大学学报(自然科学版),2009,29(4)：407-411.〔3〕陆九韶,覃东立,孙大江等.间接火焰原子吸收光谱法测定水和废水中铝〔J〕.环境保护科学,2008,34(3)：111-113.〔4〕高甲友.流动注射在线富集-火焰原子吸收光谱法测定水中痕量镉〔J〕.冶金分析,2007,27(1)：61-63.〔5〕陈明丽,邹爱美,仲崇慧等.改性沸石填充柱在线分离富集电热原子吸收法测定水中铬(Ⅵ)及铬的形态分布〔J〕.分析科学学报,2007,23(6)：627-630.〔6〕冷家峰,高焰,张怀成等.在线鳌合树脂富集火焰原子吸收光谱法测定天然水体中铜和锌〔J〕.理化检验-化学分册,2005,41(8)：556-560.〔7〕刘华琳,赵蕊,韦超等.高效液相色谱-在线消解-氢化物发生原子吸收光谱联用技术〔J〕.分析化学,2005,33(11)：1522-1526.〔8〕李勋,戚琦,薛珺等.电化学氢化物发生与原子吸收光谱联用对鲜牛奶中无机砷的形态分析〔J〕.食品研究与开发,2007,28(11)：121-123.〔9〕景丽洁,马甲.火焰原子吸收分光光度法测定污染土壤中5种重金属〔J〕.中国土壤与肥料,2009,(1)：74-77.〔10〕卢卫.悬浮液进样平台石墨炉原子吸收法测定土壤中痕量汞〔J〕.化学工程与装备,2009,(3)：100-101.〔11〕宫青宇.直接固体进样-石墨炉原子吸收法测定土壤中铅含量〔J〕.内蒙古科技与经济,2009,6：69.〔12〕王北洪,马智宏,付伟利.密封高压消解罐消解-原子吸收光谱法测定土壤重金属〔J〕.农业工程学报,2008,24(Supp.2):255-259.〔13〕程滢,张莘民.火焰原子吸收分光光度法测定鱼内脏及河流底泥中的铜〔J〕.环境监测管理与技术,2003,15(2)：28-30.〔14〕王畅,谢文兵,刘杰等.流动注射分离-原子吸收光谱法测定底泥中生物可利用态Cr(Ⅵ)和Cr(Ⅲ〔)J〕.分析化学,2007,35(3)：451-454.〔15〕王霞,张祥志,陈素兰等.冷原子吸收光谱法测定固体废物浸出液中汞〔J〕.光谱实验室,2008,25(5)：981-984.〔16〕邹晓春,李红华,徐小作.居住区大气中硒的原子吸收光谱法研究〔J〕.现代预防医学,2004,31(6)：879-880.〔17〕邹晓春.石墨炉原子吸收光谱法测定居住区大气中镍〔J〕.职业与健康,2000,16(6)：36-37.〔18〕冯新斌,鸿业汤,朱卫国.两次金汞齐-冷原子吸收光谱法测定大气中的微量气态总汞〔J〕.中国环境监测,1997,13(3)：9-11.
光照也是影响苹果酸甜度的一个因素，果实中蔗糖是由淀粉降解而成的，所以只有保证良好的果园光照条件，叶片光合效率高，淀粉积累于果实并逐步降解为糖的量也就多，果实甜度才能有充分的保障。
果园土壤条件和施肥也是很重要的一个因素，凡是果园土壤有效土层深厚，有机质含量高，常年施肥以有机肥为主，且肥料中氮磷钾及各种微量元素比例适当，则所结果实个大，风味浓甜。反之则小而味淡。
1测量苹果的质量；2测量苹果的体积；3用苹果的质量除以苹果的体积得到苹果密度。
现在许多种植户给果树用肥时，都选择化肥。即使一些甜度较高的品种，大量使用化肥后，其糖分含量下降，酸度逐渐增高。另外氮肥虽能促进营养生长，但不能促进生殖生长，从而使果实着色延迟，色泽变淡，果皮变厚等。因此要少施用氮肥及含有氮元素的肥。
1土壤光谱特性应用土壤反射光谱特性是土壤基本特性之一 与土壤物理性质有着密切关系 研究不同土壤的反射光谱特性监测土壤状况 是土壤遥感的一项基础工作 具有重要意义1.1土壤水分监测BoWers等发现土壤湿度增加引起反射率降低 为利用光谱监测土壤水分奠定了理论基础 之后学者对可见光与近红外光谱做了大量研究 但土壤类型 太阳高度 大气条件和地表状况等引起的误差 对其实际应用干扰太大 人们则更多地关注于红外波段的应用研究 1 Price等 Z首次引入地表综合参数和表观热惯量 利用热红外辐射温差计算热惯量估算土壤水分 李星敏等 3建立了真实热惯量 表观热惯量与土壤水分间的关系模型 随着理论日臻成熟 植被覆盖度较低时热惯量法监测土壤水分已得到认可 而云层覆盖较厚时 可见光 近红外及热红外监测土壤水分效果都不好 微波遥感则以较强的穿透力表现出其全天候 高精度的优越性 把微波资料全天候的特性和可见光 红外波光谱特征结合起来 将是监测土壤水分的一个新领域1.2土壤有机质测定及肥力分析土壤物质含量与光谱特征的研究开始于Z0世纪70年代各种土壤反射光谱曲线在红外波段分异较大 特别是近红外反射光谱NIrS NearInfraredreflectanceSpectroscopy 因其快速简便 无损和同时分析多种组分的 巨人 优越性被广泛应用 Ben－Dor等 4 用NIrS估算了粘土含量 表面积 阳离子交换量 湿度 有机质以及碳酸盐6种土壤重要属性 彭玉魁等5找到最佳脉冲点组合 对黄土高原土壤有机质和总氮量进行评价 填补了国内空白 研究发现 土壤颗粒大小 矿物质和粘粒等均会影响土壤对光谱的吸收强度和模式 宋晓宇等6分析了土壤有机质在光谱中的响应 建立数学模型模拟土壤有机质含量 实现了养分对作物长势的控制 光谱技术 特别是近红外反射光谱对土壤总碳 总氮量及有机质含量的预测都已成功验证 其他养分 土壤属性及微生物的预测尚缺乏不同类型土壤的系统研究 目前尚没有适于各种土壤类型的稳定定标库 应加强土壤物理化学特征对光谱影响的机理研究 结合化学计量学 建立科学的土壤定标库 以适应不同类型仪器间的同质传递 未来一段时间 土壤肥力评估将以遥感为主2植物光谱特性应用植物本身是不规则的自然灰体 对太阳辐射通过反射 穿透及吸收等产生特定的光谱 其光谱特性是植物生长过程与环境因子相互作用的综合结果 由生物物理和形态特征决定 与植物的生长条件和健康状况密切相关 某些胁迫因子可能导致光谱特性的改变 运用此原理 可以分析与判别植物光谱特征 监测作物长势 诊断水肥状况 估算产量和检测品质等 评估作物生长与环境的交感作用 提高作物管理水平 实现定时定位 处方农作2.1作物水分监测水分缺乏是影响植物原初生产力最普遍的因子之一 定量快速地获取植物水分状况 对农田灌溉和精确农业发展具有重要意义 通常用来解释植物水分状况的指标有相对含水量 水势等 测定复杂 不适于大田研究 依据光谱特性监测水分状况 以其非破坏性和快捷成为农业生产的研究热点 7 8叶片含水量下降时 光谱反射率在可见光和近红外波段有所增加 在中红外波段叶片的一阶导数反射光谱与叶片含水量高度相关 一些学者提出植被在0.97和1.9卜m附近的光谱反射率吸收峰反映着植物的水分状况9 王纪华等 10则认为1.45卜m处特征吸收峰是反映叶片水分含量的最佳波段 并进一步定量分析 建立了叶片水分与1.45卜m附近水的反射率特征吸收峰深度和面积回归模型 但1.45卜m处光谱特征吸收峰受大气层水干扰较大 测定困难 可以用受干扰较小的1.65～1.85卜m波段间接反映小麦水分状态 尤其在小麦生长中后期干物质比重增大 体内含水减少时应用效果更好 可以作为航空或卫星遥感探测指标 应用前景广阔 112.2作物营养诊断作物营养状况诊断 主要借助化学分析或依据叶面缺素症状 前者手续繁琐 破坏植株 后者仅凭经验目视观察 缺乏简便快速 科学有效 适宜大面积推广的诊断方法用作田间指导 Z0世纪60年代 学者开始研究植物体内营养元素和生化物质含量与植物反射光谱的关系 所有营养元素中 氮素对作物生长和产量影响最大 且与光谱特征相关关系良好 大田内可以测定光谱特性诊断作物营养状况 1Z 周启发等 13研究了水稻不同氮素水平的傅立叶转换红外光谱差异 证明了该方法诊断氮素的可行性 随施氮量增加 可见光光谱反射率降低 而近红外至中红外反射率升高 学者研究含氮量与光谱反射率或其演生量的关系 建立了模型估算田间作物氮素含量 张喜杰等 14 将高光谱遥感引入温室 建立了黄瓜光谱反射率与含氮量间的数学模型 与氮相比 光谱技术诊断作物磷钾的应用研究还较少 据报道 可见光波段磷的光谱特征与氮素变化相反 近红外波段趋势相似 低氮低磷水平 钾与氮胁迫的变化一致 高氮高磷水平相反 马超飞等 15 研究了微量元素的植物光谱响应 指出Co含量与0.56卜m附近反射率显著负相关 Mn B Mo和Zn分别与中心波长为0.4 1.16 0.47 0.88 Z.19 Z.34 其中1.6Z卜m和Z.34卜m的光谱反射峰位置相关较好叶绿素和叶面积指数分别表征了作物的生产能力和群体长势 反映了作物生长发育动态 也是反映物质生产和光谱关系的重要枢纽 利用光谱数据可以对叶片叶绿素含量和作物群体长势进行预测 日本MIN0LTA公司研制开发了SPAD叶绿素计诊断氮素 取得一定效果 但实际应用中受作物品种和环境条件影响大 需结合室内测定分析 并建立标准曲线校正Zhao等 16指出植物反射特征与叶绿素和氮含量成正比 王秀珍等17 研究了红边参数推算叶绿素含量和叶面积指数的简便Z光谱技术在农业领域的应用与展望张瑞美彭世彰徐俊增可行性 沈掌泉等 18]利用氮素胁迫下植物体内营养运移的原理 将上下部叶片光谱特性比值作为诊断氮素营养的指标 用光谱特性诊断作物营养状况 已经从定性走向了定量 涵盖了N~P~K及其他微量元素与生化物质含量 证实了温室~大田和盆栽等不同生长环境下的可行性 但测定时要注意不同环境~时间~部位及先后次序等均会对反射率产生影响2.3作物产量估测利用可见光及近红外波段数据定量地计算卫星植被指数并分析时空变化 建立农学参数与植被指数的定量关系 可以实现作物产量预报 随着高空间~高分辨率遥感的应用 光谱在作物长势监测和估产中表现出强大优势 19]作物遥感估产 首先要进行遥感估产区划 许红卫等 Z0]以稻作制度为主导因子分区指标将地理信息系统空间邻接分析与图论树算法相结合进行了估产区划研究 实际上 植被指数不仅受地表状况的影响 还与大气状况有密切关系 大气辐射校正一直是困扰高精度定量遥感的难题 黄敬峰等 Z1]研究了大气状况对Av~rr通道的影响 并将N0AA/Av~rr通道1和通道Z的大气校正简化为加法因子天空反照率和乘法因子透过率的计算 抽穗期光谱反映了营养生长的好坏 灌浆期光谱反映茎~叶营养成分向穗部的转移状况 蜡熟期光谱则反映了青秆黄熟~贪青徒长与早衰状况 黄敬峰等 ZZ]首次提出遥感估产最佳时相分为种植面积估算和产量预报两部分 指出孕穗期到抽穗期是建立水稻遥感估产模型的最佳时期 并建立了遥感估产比值模型和回归模型 近红外波段的光谱反射率越高 与可见光及短波红外波段的光谱反射率差异越大 作物产量也越高 刘良云等Z3]利用近红外波段890nm反射峰~980nm与1Z00nm弱水汽吸收谷和短波红外1650nm~ZZ00nm反射峰 设计归一化差值光谱指数CNDvI> 改善了冬小麦估产精度 抽穗期-灌浆期-蜡熟期多时期复合估产模式更符合水稻产量形成机理 效果优于单时期估产模式Z4]2.4籽粒品质检测作物籽粒品质的影响因素众多 指标测定一般用生化方法 费时费力~且不能在收获前预测 光谱技术特别是近红外反射光谱技术在籽粒品质检测 尤其是含量较高的蛋白质和直链淀粉含量测定中 Z5] 得到了较好的应用 王纪华等 Z6]基于开花期叶片含氮量与籽粒品质指标的关系 建立了小麦籽粒蛋白质含量等品质指标的回归预测方程;肖昕等 Z7]分析籽粒的直淀粉含量和蛋白质含量指标 根据定标集样品化学分析数据和吸收光谱建立了定标模型;魏良明等 Z8]采用偏最小二乘回归法 建立了测定玉米混合籽粒样品蛋白质~淀粉含量的校正模型 舒庆尧 Z9]等研究了不同光谱预处理和回归统计方法对建立回归方程的影响 得出最佳效果 有研究指出 在光栅单色仪测量光路中增设截止滤光片部分能够消除各种成分光谱间的相互干扰 提高测量分辨率 唐延林等 30]研究了稻米品质与原始高光谱反射率及其一阶导数光谱的相关性 认为利用导数光谱估测效果优于原始光谱 光谱对含量较少的氨基酸的应用有人做了尝试 31] 油料作物的脂肪测定也有应用 唐绍清 3Z]等则对光谱技术测定稻米脂肪开始尝试 建立精米中脂肪含量数学模型2.5病虫害及农药残留监测植物遭受病虫害侵染后 外部形态和生理效应发生变化 研究和利用受害植物光谱特性的变异信息 为大规模监测植物病虫害提供了依据 美国利用红外遥感成功探测到玉米枯萎病~山核桃丛枝病和松材线虫的发生和发展;FA0沙漠蝗虫防治委员会通过植被色调变化监测和预报蝗虫 吴曙雯等 33]研究稻叶瘟对水稻光谱特性的影响 发现绿光区~红光区和近红外区的水稻冠层光谱反射率随病情程度的加重分别呈现下降~上升和下降的趋势;何国金等 34]分析叶绿素含量与麦蚜量间的动态关系提出基于地面光谱测试的麦蚜虫情预报~虫害监测的方法 目前农药残留检测主要有气~液相色谱 质谱 以及气~液相色谱-质谱联用等方法 前处理过程繁琐 难以现场快速检测 光谱技术则易处理分析速度快 且对环境无污染 可以同时进行农药残留多组分测定 应用潜力大 李文秀等35]对高残留农药中红外衰减全反射光谱数据进行研究 通过农药在水中的吸收建立模型模拟其在蔬菜体内的吸收 为实现对蔬菜农药残留进行快速检测提供了一条新途经3冠层光谱特性应用冠层光谱特性是植物与土壤光谱特性的综合 随冠层发育土壤光谱作用下降 而植物衰老时 土壤背景作用又逐渐增大田永超等 36 37]建立了不同水氮条件下作物叶水势和含水率与冠层反射光谱的定量化关系 指出rC610 560>/NDC810 610>和r810/r460分别是预测小麦~水稻水分状况的最佳光谱植被指数 与叶片光谱特性一样 氮素营养对冠层光谱特性影响的研究最为系统深入 孙莉等 38]开展了高光谱红边参数与叶片全氮量的研究 建立了红边积分面积与叶片全氮量的数学模型 薛利红等 39 40]指出小麦叶片含氮量同光谱指数的关系要优于叶片氮积累量 对水稻则叶片氮积累量效果更佳 研究认为水稻叶片氮素含量与绿光~黄光波段反射率相关性最大~短波近红外光相关性最小 41] 对冬小麦则是红光~近红外波段最为敏感 4Z]通过某生育期光谱特征直接预测作物产量和籽粒品质还存在局限性 但利用冠层反射光谱特征反演作物叶片氮素状况 可间接对产量和籽粒品质监测预报 薛利红等 43]建立了水稻的光谱植被指数-累积叶面积氮指数-产量估测模型;唐延林等 44]指出高光谱差值植被指数r990－r440和r1Z00－r440的估产效果最佳最高精度达95% 田永超等 45]综合预测出小麦叶片氮含量~积累量和籽粒蛋白质含量~积累量;黄文江等 46]运用开花期的光谱结构不敏感植被指数反演叶片类胡萝卜素与叶绿素a的比值 反演叶片全氮和籽粒品质指标遥感获取的冠层反射光谱信息中上层叶片的光谱贡献率较大 中下层叶片信息量不足 王纪华等47]考察了田间条件下冬小麦主要生育阶段冠层氮素~叶绿素的垂直分布及其光谱响应并指出利用近红外大多数波段的冠层反射光谱反演中下层叶片的叶绿素含量可能获得较高的精度 而对氮素的反演需要从可见光波段或短波红外波段中筛选 植冠并非光滑平面体 冠层光谱的测定有甚多影响因子必须考虑 增加分析及判读的困难 然而其应用的效率确也极高 进一步研究~建立更多的资料 积累丰富的经验 将来一定能成为广域的生态及逆境判别的极佳利器
title: 植被指数总结笔记 tags: 新建,模板,小书匠 grammar_cjkRuby: true
植被指数是不同遥感光谱波段间的线性或非线性组合，被认为能作为反映绿色植被的相对丰度和活性的辐射量值（无量纲）的标志，是绿色植被的叶面积指数（LAI）、盖度、叶绿素含量、绿色生物量以及被吸收的光合有效辐射（APAR）的综合体现。目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。 植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响
公式： RVI=ρNIR/ρRED(近红外波段反射率/红光波段反射率) 特征： 植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；值的范围是0-30+，一般绿色植被区的范围是2-8。RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 应用： ①利用比值植被指数研究城市建设用地扩张速率，预测或规划城市未来今年的发展前景。不同用地的地表温度由高到低排序是城镇用地、工矿与交通用地、农村宅基地、林地、旱地，说明建设用地的地表温度较高，其比值植被指数较非建设用地小。RVI的平均值 M和标 准 差 D 可以作 为定量指标来提取建设用地：RVI ≤M-D/2为建设用地；RVI＞M-D/2为非建设用地。 ②可用于实时、快速、无损监测作物氮素状况，这对于精确氮肥管理有重要意义。利用高光谱比值指数RSI(990,720)来估算小麦叶片氮积累量为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。
公式： DVI=NIR-R 特征： DVI能很好地反映植被覆盖度的变化，但对土壤背景的变化较敏感，当植被覆盖度在15%~25% 时，DVI随生物量的增加而增加，植被覆盖度大于80% 时，DVI对植被的灵敏度有所下降。
公式：
（近红外区与红光区的反射率差值/近红外区与红光区的反射率和值） 特征： 值的范围是-1-1，一般绿色植被区的范围是0.2-0.8。负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。 NDVI是最常用的植被指数，虽然NDVI对土壤背景的变化较为敏感，但由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，是目前已有的40多种植被指数中应用最广的一种。 NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；对大气干扰处理不足，大气残留噪音对NDVI指数影响严重；易受土壤背景干扰，特别是中等植被覆盖区，当土壤背景变暗时，NDVI指数有增加的趋势。 应用： ①对NDVI曲线进行定量分析,研究植被分类和植被动态变化；利用NDVI时间序列来得到植被生长气候和植被覆盖的信息等（植被的类型较为复杂,而且任一种反映到NDVI数据的植被特征也不是单一的,植被类型分类在不同的地区有不同的定义和标准,有待于更深入的研究。） ②植被指数转换即通过对各像元中植被类型及分布特征的分析,建立植被指数与植被覆盖率的转换关系,直接估算植被覆盖率，进而分析生态系统的状况，例如植被的生长状况等。但该方法受到受分辨率的限制,一些重要参数无法准确测定。植被动态的变化也会对估算带来一定难度。 ③通过分析基于多时相环境减灾卫星 NDVI 值拟合的 NDVI 时序曲线上提取的各特征参数建立作物单产估测模型，可用于农业生产的估测。 ④建立模型反演地物类型及土壤水分等。
公式：
特征： 值的范围是-1-1，一般绿色植被区的范围是0.2-0.8。ARVI是NDVI的改进，它使用蓝色波段矫正大气散射的影响（如气溶胶），把蓝色光和红色光通道的反射率的差值作为衡量大气影响的指标。 局限性：RVI的抗大气影响是通过两个步骤实现的:首先以近似的辐射传输方程的数值解消除部分由于大气分子的光学厚度造成的影响,然后以蓝、红波段的大气影响相关性消除一般直径气溶胶的影响(大直径的尘埃气溶胶除外)。如果不经过5s模型的预处理,就达不到好的效果。 应用： ARVI常用于大气气溶胶浓度很高的区域，如烟尘污染的热带地区或原始刀耕火种地区。
公式：
特征： ①SAVI必须预先已知下垫面植被的密度分布或覆盖百分比，因而仅适合于提取某一小范围植被覆盖度变化较小区域的下垫面的植被信息。 ②SAVI目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0-1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 ③SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。
公式：
a，b 分别为土壤线的斜率和截距，0.08 则是土壤调节参数。
公式：
公式：
X 为土壤调节参数。X 的最佳取值为 0.16。
公式：
Z 是正土壤调节参数，恒等于土 壤 线 与 R轴的交 点 的 相 反 数，即 Z ≡-cross。 特征及适应环境： 在单一植被类型下，OSAVI 与 TSAVI 有较好的抗土壤干扰的能力，但是这种能力在不同 LAI 下的变化较大。相对的，在土壤背景信息已知的情况下，SA-VI，MSAVI 和 GESAVI 在不同植被类型下，表达植被信息的能力较为稳定，便于对不同 LAI 下的信息进行一致处理以提取植被信息，也更适合探测植被组成混杂时的植被信息。因此，OSAVI、TSAVI 可能更适合耕地、人工林地植被的监测，而 MSAVI、SAVI、GESAVI 更适合植被自然生长地区的植被监测。
公式：
特征： EVI常用于LAI值高，即植被茂密区。值的范围是-1~1，一般绿色植被区的范围是0.2-0.8。增强植被指数（EVI）算法是遥感专题数据产品中生物物理参数产品中的一个主要算法，可以同时减少来自大气和土壤噪音的影响，稳定地反应了所测地区植被的情况。基于 MODIS 的 EVI 植被指数具有较高的空间分辨率，可详细地反映地表植被特征。红光和近红外探测波段的范围设置更窄，不仅提高了对稀疏植被探测的能力，而且减少了水汽的影响，同时，引入了蓝光波段对大气气溶胶的散射和土壤背景进行了矫正。 应用： ①运用影像数据通过植被指数的提取分析来分析植被变化；按照增强植被指数的算法，通过对来自大气和土壤噪音的处理，生产出 EVI.tif。 ②EVI可以描述特定气候带内植被在不同季节的差异。采用EVI来分析植被变化及与气候的变化，能反映研究区域内植被空间差异。通过分析不同生态分区EVI变化特征与气象因子的相关性为环境监测，治理及植被控制决策提供数据参考和理论基础。
公式： （-0.283MSS4- 0.66MSS5+ 0.577MSS6+ 0.388MSS7) 特征： GVI是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。
公式： （-0.283MSS4- 0.66MSS5+ 0.577MSS6+ 0.388MSS7)
公式：
特征： 低LAI时，效果较好；LAI增加爱时对土壤背景敏感 。
类胡萝卜素反射指数1(Carotenoid Reflectance Index 1——CRI1) 类胡萝卜素反射指数2(Carotenoid Reflectance Index 2——CRI2) 花青素反射指数1(Anthocyanin Reflectance Index 1——ARI1) 花青素反射指数2(Anthocyanin Reflectance Index 1——ARI2) 特征： 叶色素指数用于度量植被中与胁迫性相关的色素。叶色素指数要求反射率数据范围在0~1。 应用： 叶色素指数应用于农作物监测、生态系统研究、冠层胁迫性分析和精细农业。
水波段指数（Water Band Index——WBI） 归一化水指数（Normalized Difference Water Index——NDWI） 水分胁迫指数(Moisture Stress Index——MSI) 归一化红外指数（Normalized Difference Infrared Index——NDII） 特征： 冠层水分含量指数用于度量植被冠层中水分含量。水分含量是一个重要的植物指标，较高的水含量表明健康植被、生长快及不易着火。冠层水分含量指数基于水在近红外和短波红外范围内的吸收特征，以及光在近红外范围的穿透性，综合起来度量总的水柱含量。
光化学植被指数（Photochemical Reflectance Index——PRI） 结构不敏感色素指数（Structure Insensitive Pigment Index——SIPI） 红绿比值指数（Red Green Ratio Index——RG） 特征： 光利用率指数是用来度量植被在光合作用中对入射光的利用效率。光的利用效率直接与碳吸收效率、植被生长速度和光合有效辐射（fAPAR）有很大的关系。
归一化木质素指数（Normalized Difference Lignin Index——NDLI） 纤维素吸收指数（Cellulose Absorption Index——CAI） 植被衰减指数（Plant Senescence Reflectance Index——PSRI） 特征： 干旱或碳衰减指数是用来估算纤维素和木质素干燥状态的碳含量。干旱或碳衰减指数是基于纤维素和木质素在短波红外波段吸收特性而计算。 应用： 干碳分子大量存在于木质材料和衰老、死亡、或休眠的植被，可以使用这些指数可以做植被着火性分析和检测森林的枯枝落叶层。
植被指数没有一个统一的值。受到大气状况、传感器观测条件、太阳照明几何、土壤湿度、颜色和亮度、不同植被类型及覆盖率的不同特征、分辨率等各种状况的约束，植被指数在使用时要结合实际情况以及研究和应用目标来选择，并且植被指数本身存在一定的误差。超(高)光谱遥感技术及热红外多光谱遥感技术的发展将拓宽植被指数的研究领域,并将成为新的研究生长点。关于植被指数的优化和深入研究仍旧在进行。
原文： Scalable Object Detection using Deep Neural Networks——学术范 最近，深度卷积神经网络在许多图像识别基准上取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文，但如果不天真地复制每个实例的输出数量，就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型，它预测了一组与类无关的边界框，每个框有一个分数，对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例，并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器，并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中，以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加，这个挑战变得更加困难，因为大多数方法都训练每个类单独的检测器。为了解决这个问题，人们提出了多种方法，从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多，在本节中，我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型，最近由于有区别学习和精心设计的特征，已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板，这是非常昂贵的。此外，它们在类的数量上是可伸缩的，这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题，Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题，Song et al.使用了一个低维部件基，在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作，与我们的工作更接近，是基于对象可以本地化的想法，而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机，Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分，并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型，分割作为第一层，分割分类作为后续层。尽管它们编码了已证明的感知原理，但我们将表明，有更深入的模型，充分学习可以导致更好的结果。 最后，我们利用了DeepLearning的最新进展，最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而，基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能，但由于单个掩模回归的成本，不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说，我们使用了深度神经网络(DNN)，它输出固定数量的包围盒。此外，它为每个盒子输出一个分数，表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想，我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值，可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸，以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的，后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1，…K}为一个线性层。同样，我们可以将所有置信区间ci,i∈{1，…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时，我们的算法生成kbound盒。在我们的实验中，我们使用ek = 100和K= 200。如果需要，我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此，它们可以通过后续的分类器进行分类，实现目标检测。由于盒子的数量非常少，我们可以提供强大的分类器。在我们的实验中，我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分，以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子，对象被标记为boundingboxesgj,j∈{1，…，M}。在实践中，pre- dictionary的数量远远大于groundtruthboxm的数量。因此，我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置，以提高他们的匹配度，最大化他们的信心。与此同时，我们将剩余预测的置信度最小化，这被认为不能很好地定位真实对象。为了达到上述目的，我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1，如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中，我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外，我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子，我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体，是一种多项式复杂度匹配。在我们的应用程序中，匹配是非常便宜的——每幅图像中标记的对象的数量少于一打，而且在大多数情况下只有很少的对象被标记。然后，通过反向传播优化网络参数。例如，反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的，但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类，并找到这样的聚类/质心，我们可以使用这些聚类/质心作为每个预测位置的先验。因此，鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配，而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成，就会像之前一样计算目标的置信度。此外，位置预测损失也不变:对于任何一对匹配的(目标，预测)位置，其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配，并假设它促进了预测的多样化。 需要注意的是，尽管我们以一种与类无关的方式定义了我们的方法，但我们可以将它应用于预测特定类的对象盒。要做到这一点，我们只需要在类的边框上训练我们的模型。此外，我们可以预测每个类的kbox。不幸的是，这个模型的参数数量会随着类的数量线性增长。此外，在一个典型的设置中，给定类的对象数量相对较少，这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此，我们认为我们的两步过程——首先本地化，然后识别——是一个更好的选择，因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减，128的小批量，以及使用多个相同的网络副本进行并行分布式训练，从而实现更快的收敛。如前所述，我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 0.3来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外，使用非最大抑制对盒进行修剪，Jaccard相似度阈值为0.5。然后，我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络，我们从训练集中生成了大约3000万幅图像，并对训练集中的每幅图像应用以下步骤。最后，样品被打乱。为了训练我们的本地化网络，我们通过对训练集中的每一幅图像应用以下步骤，从训练集中生成了大约3000万幅图像。对于每幅图像，我们生成相同数量的平方样本，使样本总数大约为1000万。对于每幅图像，样本被桶状填充，这样，对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例，都有相同数量的样本，其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中，我们没有探索任何非标准数据生成或正则化选项。在所有的实验中，所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成，其中包含了20种不同的对象类别的边界框。在我们的评估中，我们关注的是2007版VOC，为此发布了一个测试集。我们通过培训VOC 2012展示了结果，其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器，该数据集重叠的对象至少为0.5 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有0.2个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中，定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络，我们就可以得到上百个候选日期框。在对重叠阈值为0.5的非最大抑制后，保留评分最高的前10个检测项，并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估，并用于计算精确查全曲线。 首先，我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量，正如Pascal检测标准所定义的那样，与生成的包围框的数量相对比。在图1中，我们展示了使用VOC2012进行训练所获得的结果。此外，我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的，当使用10个边界框的预算时，我们可以用第一个模型本地化45.3%的对象，用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能，例如对象度算法达到42%[1]。此外，这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象，但当使用更高分辨率的图像作物时，我们获得了额外的提升。进一步，我们用21-way分类器对生成的包围盒进行分类，如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是0.29，与先进水平相当。注意，我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是，可视化检测是通过仅使用最大中心方形图像裁剪，即使用全图像获得的。然而，我们设法获得了相对较小的对象，例如第二行和第二列的船，以及第三行和第三列的羊。 在本工作中，我们提出了一种新的方法来定位图像中的对象，该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下，对1000个盒子进行非max-suppression，使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则，并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果，在这两个基准上，所提出的方法具有竞争力。此外，该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明，deepmultibox的方法是可扩展的，甚至可以在两个数据集之间泛化，就能够预测感兴趣的定位，甚至对于它没有训练的类别。此外，它能够捕获同一类物体的多种情况，这是旨在更好地理解图像的算法的一个重要特征。 在未来，我们希望能够将定位和识别路径折叠到一个单一的网络中，这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下，双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估，每个评估的速度大约为1个CPU-sec(现代机器)。重要的是，这个数字并不与要识别的类的数量成线性关系，这使得所提出的方法与类似dpm的方法非常有竞争力。
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
2.1 指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
2.2 人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
2.3 文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K K.Information Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
社会经济的不断发展，人们对饮食的要求也随之不断提高，然而越来越多的食品安全问题给人们的生活带来了不小的压力，食品安全问题对于社会的和谐稳定也会产生一定的影响。所以，研究食品检测的方法，对于保障食品安全有着重要的意义，本文就以此为切入点展开对食品检测中红外光谱技术的应用研究。
拉曼光谱在食品中的应用现状如下：1、以拉曼效应为基础建立起来的分子结构表征技术其信号来源于分子的振动和转动，提供不同食品成分的信息，是测定固体和液体样品结构信息的有效方法之一。2、在对食品主要成分的结构与功能特性的变化测定上，拉曼光谱技术比传统化学方法具有更强的优势。3、通过拉曼谱图不仅可以定性分析被测物质所含成分的化学结构和化学键的变化，还可以定量检测食品某些成分的含量。