摘要:铯134和-137在核事故期间普遍存在,长期寿命,可射线毒性污染物释放到环境中。在福岛daiichi核事故期间,大量不溶性,可呼吸CS的微粒(CSMP)释放到环境中。对环境样品中CSMP的监测对于了解核事故的影响至关重要。用于筛选CSMP的当前检测方法(磷光筛查放射自显影)慢效。我们提出了一种改进的方法:使用平行电离乘数气态检测器的实时放射自显影术。该技术允许对放射性的空间解决测量值,同时从空间异质样品中提供光谱数据,一种潜在的级别变化技术,可用于核事故后用于法医分析。使用我们的检测器配置,可检测到CSMP的最小可检测活动足够低。此外,对于环境样品,样品厚度不会对检测器信号质量造成不利影响。检测器可以测量和解决相距≥465μm的单个放射性颗粒。实时放射自显影是放射性颗粒检测的有前途的工具。
高光谱长波红外遥感与区域三维重建相结合,可提高探测可靠性,减少在山区和丘陵地区搜寻地下物体(杀伤人员地雷、简易爆炸装置和未爆炸弹药)时的误报频率,因为这些地区难以使用扫雷器。多角度遥感使我们能够排除被遮蔽并以一定角度放置的物体的跳跃,并将含有异常物体的土壤与普通土壤和表面不规则物分开。给出了用于雷区测绘的光学数字综合体的概念,其主要基础是高光谱设备,该设备从两个光学通道接收数据,并将它们分成长波红外范围内的数十个光谱通道。一个光学通道扫描天底,第二个通道以一定角度扫描土壤表面。该综合体还包括一个可见光范围的相机,用于接收不同空间平面中的一系列图像以进行进一步的三维重建。描述了一种获取分段高光谱数据并将其与重建的数字地形模型相结合的方法,用于解决隐藏地面和地下物体的探测、侦察以及在不同坡度地形上规划人道主义排雷任务的问题。
摘要。拉曼光谱对分子水平上物质化学成分的高灵敏度使其成为通过分析血清诊断慢性心力衰竭(CHF)的宝贵工具。拉曼光谱法提供了一种无标签,快速检测方法,与机器学习(ML)技术结合使用时具有高度特异性和准确的结果。但是,必须仔细选择适当的ML算法,以分析高维光谱数据,以获得可靠和正确的结果,这些结果主要基于所研究的样品,标本或结构的真实化学特征以及并非所有算法都可以提供高性能。在这项研究中,我们比较了四种方法:(1)多变量曲线分辨率与逻辑回归(MCR-LR)结合使用,(2)与线性内核支持向量机(MCR-SVM),(3)在潜在结构上的投影与歧视分析(PLS-DA)的投射(4)投影(4) (PLS-SVM)。这些方法适用于CHF患者的193例拉曼光谱,对照病例的78例。我们发现,PLS-DA和PLS-SVM证明了最佳的ROC AUC,平均值为0.950(0.91-0.97,0.95 CI)和0.99(0.94 - 1.00,0.95 CI),而MCR-LR和MCR-SVM仅实现了0.50(0.46- 0.53-0.95 CI),以及0.53,0.95 CI),并实现CI),分别。©2024生物医学光子学与工程杂志。
微塑料(MP)是多种多样的,并且存在于广泛的类型,尺寸,颜色,信息和组成中。因此,需要高准确性,选择性,灵敏度和效率来检测和量化MP的高级分析技术。几项研究已经发表了方法和结果。但是,很少有人提供精度,恢复测试和方法比较,以确保结果的正确性。量子级联激光光谱光谱(QCL-µ IR)是基于其独特的化学特征的颗粒对颗粒的无损鉴定。与用于识别的机器学习(ML)算法相结合,导致了快速,准确和稳健的分类。此外,使用热解气相色谱 - 质量光谱法(PY-GC-MS)可以根据其独特的化学成分对MP进行精确表征和定量。MP,以两步化的化学消化和45 µ µM不锈钢过滤器进行进一步过滤。使用随机森林算法重新处理了从QCl-µ IR(日光解决方案SPEROQT 340)获得的光谱数据。使用PY(前沿,实验室;日本福岛)GC-MS(Thermo Scientific,MA,USA)进一步分析了MP,对相关聚合物类型和样品矩阵进行了优化,可实现量化的低限制(在0.01和0.1 µ g之间),并控制恢复。
图3。监测骨髓瘤细胞中的蛋白质折叠率错折叠。a)LEN/BTZ治疗的骨髓瘤细胞。b)LEN/BTZ处理过的骨髓瘤细胞(红线)和未处理细胞(蓝线)的差异光谱。在1620 cm -1处的条带被分配给分子间分子β-分配给错误折叠蛋白的表。c)从(b)中的光谱数据中提取的非负矩阵分解(NMF)组件。d)小提琴图显示了NMF组分的时间演化系数2。E)T分布的随机邻居嵌入(T-SNE)图,代表了在LEN/BTZ处理过的5个成分和未经处理的骨髓瘤细胞中鉴定出的5个成分的分布。f)BTZ处理过的骨髓瘤细胞(红色)的差异光谱显示在1620 cm -1时分子间β-菜单带。g)LEN处理的骨髓瘤细胞(红色)的差异光谱显示了分子间β-片带。i)阿霉素(DOX)治疗的骨髓瘤细胞(红色)的差异光谱未显示分子间β-呈带。未处理的细胞为蓝色。
摘要:对植物疾病的早期和准确检测对于确保农业生产力和粮食安全至关重要。传统的疾病检测方法通常是劳动密集型,耗时的,容易出现人为错误。近年来,机器学习(ML)已成为提高植物性疾病检测的精度和效率的强大工具。本文对机器学习技术在识别植物疾病中的应用进行了全面综述。我们探讨了各种ML算法,包括卷积神经网络(CNN),支持向量机(SVM)和随机森林,及其在分析来自图像,光谱数据和环境因素等各种数据源的复杂植物疾病模式中的作用。ML与高级成像技术和物联网(IoT)的集成可以实时监测和快速诊断,从而大大改善了响应时间并减少了作物损失。我们讨论与在农业环境中实施ML解决方案相关的挑战,例如数据采集,模型培训和可扩展性。此外,我们重点介绍了案例研究和最新进展,这些进步证明了ML在不同类型的农作物中疾病检测中的有效性。我们的发现强调了机器学习彻底改变植物性疾病管理的潜力,为更具韧性和可持续的农业实践铺平了道路。
一些最引人注目的天体物理问题,如加速宇宙膨胀或星系形成的暗能量的性质,在很大程度上依赖于获取大量光谱数据样本的可能性。十八世纪的天文学家设想了经典的客观棱镜法,即通过与望远镜孔径大小相同的棱镜对天体进行成像。该方法可产生天体中每个光源的光谱。它特别适合明亮的光源,因为它有几个缺点:1) 整个光谱上积分的整个天空背景落在每个像素上,增加了噪声; 2) 如果不同光源的光谱沿色散方向排列,则它们的光谱会重叠; 3) 由于没有狭缝,有效分辨率取决于天体的表观大小。尽管存在这些问题,客观棱镜光谱法仍然在使用,因为它很简单,因为它可以使用光栅添加到传统成像仪中,光栅是一种表面蚀刻有光栅的棱镜,可保持所选中心波长的光不偏离。由于与地面相比,天体背景较低,因此它对于太空应用特别方便。哈勃太空望远镜上的成像仪器通常配备一个或多个光栅。还提出了以客观棱镜模式进行全天空勘测的专用卫星。1
摘要:通过从宽频率范围内捕获光谱数据以及空间信息,高光谱成像 (HSI) 可以检测到温度、湿度和化学成分方面的细微差异。因此,HSI 已成功应用于各种应用,包括用于安全和防御的遥感、用于植被和农作物监测的精准农业、食品/饮料和药品质量控制。然而,对于碳纤维增强聚合物 (CFRP) 的状态监测和损伤检测,HSI 的使用是一个相对未触及的领域,因为现有的无损检测 (NDT) 技术主要侧重于提供有关结构物理完整性的信息,而不是材料成分。为此,HSI 可以提供一种独特的方法来应对这一挑战。本文以欧盟 H2020 FibreEUse 项目为背景,介绍了使用近红外 HSI 相机将 HSI 用于 CFRP 产品无损检测的应用。详细介绍了三个案例研究中的技术挑战和解决方案,包括粘合剂残留物检测、表面损伤检测和基于 Cobot 的自动化检测。实验结果充分证明了HSI及相关视觉技术在CFRP无损检测方面的巨大潜力,特别是满足工业制造环境的潜力。
全球人口增长已导致许多自然生态系统的土地利用 (LU) 发生变化,从而导致影响土壤质量的环境条件恶化。在缺水且土壤有机资源不足的系统中,土地利用对土壤质量的影响尤为显著。因此,本研究的主要目标是使用成像光谱 (IS) 评估人类活动(即土地利用,如放牧、现代农业和径流收集系统)对以色列干旱地区土壤质量的影响。为此,选择了 12 种物理、生物和化学土壤特性,并将其进一步整合到土壤质量指数 (SQI) 中,以此作为评估以色列南部干旱地区土地利用变化的显著影响的方法。AisaFENIX 高光谱机载传感器的飞行活动用于开发区域范围内 SQI 的 IS 预测模型。使用偏最小二乘判别分析 (PLS-DA) 分类方法 (OA = 95.31%,Kc = 0.90),从高光谱图像本身提取的光谱特征在四个 LU 之间可以很好地分离。使用多元支持向量机回归 (SVM-R) 模型对光谱数据和测量的土壤指标以及总体 SQI 进行相关性分析。SVM-R 模型与几种土壤特性显著相关,包括总体 SQI (R 2 adj Val = 0.87),成功预测了 r
紫外光可以选择性激发QD供体,而FP和FD表现出的相对较窄的吸光度带通常会导致受体的直接激发。相比之下,QD-QD FRET在传感应用方面的研究不如QD-FP(D) FRET深入。14,15QD吸光度曲线的宽带性质使直接激发不可避免,干扰了基于观察受体敏化发射的分析。可以通过评估供体荧光寿命的变化来规避这个问题,因为它不直接受到高受体背景信号的影响,但是这些测量的实验设置和分析可能比收集和分析光谱数据更困难且更耗时。此外,PL寿命仪器不太普及,很少配备有助于测量多种样品条件的读板机。最近,QD已非常成功地用作镧系元素配合物的FRET受体。 16 在这些系统中,可以使用时间门控 PL 测量,这比寿命测量简单得多,并且可以通过许多商用平板读数器进行测量。然而,由于其出色的亮度,QD – QD FRET 的开发对于具有易于读取的视觉输出的即时诊断传感器 (POC) 可能很有意义 — 特别是,† 提供电子补充信息 (ESI)。参见 DOI:10.1039/d0an00746c