红外察方法

微和纳米塑料(MNPs)是一种新兴的污染物分类，由聚合物产品直接释放或分解形成。近期已有报告指出在人体血液中发现了微和纳米塑料，对人类健康和环境构成了很大的风险。目前，对于降解的MNPs特征和量化分析研究又缺乏可靠的方法。 传统的光学和电子显微镜不能提供样品化学成分的详细信息；质谱方法可以表征聚合物类型但这些技术又具有破坏性，无法获得MNP大小或形态的信息；例如傅里叶变换红外(FTIR)等传统红外光谱虽可以提供化学成分、大小和形貌信息，但其空间分辨率受光学衍射极限限制，下限空间分辨率约为5 μm，无法分析各种尺寸复杂的微塑料颗粒。 非接触亚微米分辨红外拉曼同步测量系统-mIRage的出现有效解决了上述受限问题。设备基于光学光热诱导共振（O-PTIR）技术，突破了传统红外光谱衍射极限，空间分辨率可达500 nm，有效解决了基本全尺寸MNPs样品的化学成分信息、大小和形态信息测试问题。 近期，来自美国圣母大学的Kyle Doudrick，Masaru Kuno，Kirill Kniazev等人[1]使用非接触亚微米分辨红外拉曼同步测量系统-mIRage进行了与我们日常生活息息相关的食品-茶包内降解微塑料样品测试实验。 与传统SEM方法对比，mIRage系统可直观的观察到样品内微塑料（颗粒1、2、3）的形貌和大小信息，同时可获得三个微塑料颗粒的红外光谱成分结果。尤其是针对3号微塑料颗粒，在颗粒仅2 μm的粒径下，仍然获得了清晰的红外光谱图（O-PTIR光谱图）。有效解决了SEM无法测试成分信息、传统红外光谱无法分析5μm甚至10μm以下样品的严重弊端。非接触亚微米分辨红外拉曼同步测量系统-mIRage科研级别分析优势：☛ 可达500 nm左右的空间分辨率☛ 基本无需样品前处理，样品即放即测☛ 光源“探针”对样品无损伤☛ 同时、同位置进行红外和拉曼光谱测试，提供相互佐证的分析结果☛ 同时获得样品成分、形貌、大小等信息样机体验： 为满足国内日益增长的新型红外表征需求，更好的为国内科研工作者提供专业技术支持和服务，Quantum Design中国北京样机实验室引进了非接触亚微米分辨红外拉曼同步测量系统——mIRage，为您提供样品测试、样机体验等机会，欢迎各位老师垂询！ 参考文献：[1]. Kirill Kniazev, Ilia M. Pavlovetc, Shuang Zhang, Junyeol Kim, Robert L. Stevenson, Kyle Doudrick,and Masaru Kuno.Using Infrared Photothermal Heterodyne Imaging to Characterize Micro- and Nanoplastics in Complex Environmental Matrices: Environ. Sci. Technol. 2021, 55, 15891&minus 15899

提神醒脑——来看近红外如何帮您品鉴茶叶茶叶源于中国，早期是祭祀用品，随后用于烹饪和入药，最后才发展成为一种饮料。区别于风味多样的加工茶，传统的原叶茶主要可以分为绿茶、黄茶、乌龙茶、红茶、黑茶和白茶，而绿茶又是我国产量最多的一类茶，接近九成的产茶省区都生产绿茶，每年绿茶的产量占茶叶总产量的一半以上。绿茶不仅在国内深受欢迎，在全世界也是一种被广泛喜爱的无酒精饮品，出口茶叶中 80% 以上都是绿茶，由此可见一斑。特级绿茶属于绿茶中评价最高的一类，其不仅外形美观，而且所泡之茶茶汤清亮，香气浓郁，口感宜人。特级茶有着非常严格的采摘标准和明确的加工要求，通常只在春季由人工按照一芽一叶的标准进行采茶。尽管特级绿茶具有非常高的价值，但其与普通绿茶的区别，很难仅仅通过外观来判断。目前为止，若需要明确地鉴定出特级绿茶，最为权威的方法是由一组专业人士对标准品和样品进行感官评定，从而判断样品的优劣。这种鉴定方法条件相对苛刻，且费时费力，对于有大批量检测需求的情况就非常不友好且不现实。近红外光谱分析作为一种快速无损的分析技术，其在食品的质量控制中已被广泛应用。浙江大学范方媛课题组使用近红外分析建立了无损区分特级绿茶与其它等级绿茶的模型。 1样品准备从市场中购买 279 个绿茶样品，其中 127 个为特级， 152 个为其它等级，测量前用塑料袋密封并在 -20 ℃ 环境下储存。 2测量参数光谱范围：10000 cm-1-4000 cm-1，分辨率2 cm-1，使用漫反射测量方式，每次称重 10g 茶叶，每个样品测量三次取平均光谱。▲ 茶叶样品的原始近红外光谱 3光谱预处理光谱多元信号校正、中心化处理和 Savitzky-Golay 求导（一阶导和二阶导）。▲ 茶叶样品经预处理后的近红外光谱 4感官评价根据国标（GB/T23776）要求，一共六位评审专家对样品的外形、汤色、香气、滋味、叶底进行打分，然后根据每个维度不同权重综合计算最终得分，满分为 100。 5模型校正不同等级的样品分别分成两个数据集，其中 185 个样品用于交互检验校正，94 个样品用于验证模型效果。建模方法分别采用了经典偏最小二乘（PLS）以及优化的区间偏最小二次（siPLS）算法。使用均方根误差（RMSE）和预测偏差比（RPD）来评价模型的预测的准确性。▲ 最终优化模型对外部验证样品预测结果经过优化后的模型对 185 个建模样品和 94 个外部验证样品的预测准确度分别达到了 97% 和 93%，证明模型够较为精准地区分特级绿茶与其它等级绿茶，相比于传统的感官鉴定，近红外能够做到快速无损分析，对大批量的检测鉴定具备独特的优势。应用中采用的是步琦 NIRFlex 系列近红外光谱仪，多种配置和稳定性能助力科学研究。6参考文献Chunlin Li. Rapid and non-destructive discrimination of special-grade flat green tea using Near-infrared spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 206(5): 254-262.步琦傅里叶变换光谱仪 NIRFlex N-500 NIRFlex N-500 独特的偏振干涉仪设计，相比经典傅里叶近红外光谱仪，在简化光路空间的同时，极大地提升了设备的抗震能力，更能通过实验室、生产车间、仓库等多种复杂测量环境的考验。NIRFlex N-500 模块化的设计，4 种测量池以及多达近 20 种的测量附件，能够满足几乎所有的测量场景。更换快捷方便，一台机器就能完成多样品形态的测量分析工作。NIRFlex N-500 贴心的双灯源设计，一旦主灯能量降低到阈值之下，就自动切换至副灯，不会造成分析间断而影响生产效率。NIRFlex N-500 内置校准标准物，搭配功能全面且强大的软件套件，保证数据安全，满足 GMP 及 21 CFR Part 11 的要求，为制药行业提供安全稳定的分析手段。

现有国产非制冷红外探测器多采用挡板校正进行非均匀性校正，影响了红外探测器的观测效果与目标搜跟。近期，湖北久之洋红外系统股份有限公司的科研团队在《光学与光电技术》期刊上发表了以“国产非制冷红外探测器新型场景校正方法”为主题的文章。该文章第一作者为刘品伟，主要从事红外技术方面的研究工作。本文提出了基于国产非制冷红外探测器的新型场景校正方法。该方法包含两部分：第一部分是基于高频非均匀性的场景校正；第二部分是基于低频非均匀性的场景校正。通过对不同频域非均匀性分别进行处理来去除探测器响应的非均匀性。国产非制冷红外探测器非均匀性分析国产非制冷红外探测器工作过程中，探测器的状态参数会产生缓变，从而导致图像非均匀性的变化。图1所示是以黑体为目标的具有较强非均匀性的非制冷红外图像。图1 具有较强非均匀性的非制冷红外图像非均匀性包括低频非均匀性与高频非均匀性两部分。低频非均匀性表现为全局灰度分布不均匀，在图像中表现为平缓的明暗变化，如图像四周与中心灰度值差别大，如图2所示。低频非均匀性主要是由探测器及镜头不同位置温度变化不均匀引起的。高频非均匀性表现为局部区域灰度值剧烈变化，在图像中表现为亮暗点或条纹。高频非均匀性主要是探测器的响应不均匀引起的，如图3所示。图2 低频非均匀性的三维显示图3 9×9邻域内高频非均匀性的三维显示传统的场景校正方式很少涉及对低频非均匀性的消除，而对高频非均匀性的消除容易产生“鬼影“等副作用，同时消除低频与高频非均匀性才能真正提高图像质量。因此，本文将针对高频与低频非均匀性，采用不同的场景校正方法处理。基于高频非均匀性的场景校正国产非制冷红外探测器在工作过程中，随着探测器整体温度的变化，由于探测器响应的不均匀性，会出现较强的高频非均匀性，具体在图像上表现为散粒及细条纹，如图4所示。图4 高频非均匀性的不同类型目前常用的场景校正算法有恒定统计法、时域高通滤波法、神经网络校正算法、基于图像配准的校正算法等。这些算法能够在一定程度上根据场景的信息自适应地补偿热像仪的增益和偏置的漂移，但是在实际使用过程中，这类算法存在各种各样的使用限制条件。以传统的神经网络场景校正算法为例，该算法要求场景信息不断变化，否则会造成图像退化或者模糊，并且如果图像中存在较强边缘信息，该算法容易导致图像出现“鬼影”现象，严重影响图像质量。对此，提出了一种基于神经网络的新型场景校正算法来消除图像退化和“鬼影”现象。首先分析图像退化与“鬼影”现象产生的原因。当原始图像中存在较强的边缘信息时，低通滤波会使边缘信息产生损失，预测图像会产生模糊失真现象。若场景保持静止不动，随着场景校正参数的不断更新，图像就会逐渐退化失真；若场景长期静止后开始运动，图像就会包含静止图像中损失的边缘信息，也就是“鬼影”现象，如图5所示。图5 传统场景校正算法产生的“鬼影”现象为了解决传统场景校正算法存在的问题，提出了一种基于中值滤波=2。同时采用时空联合阈值作为校正判断条件，选择更新系数与校正区域。时空联合阈值分为两个阈值条件：时域连续运动条件与空域邻域均匀性条件。针对高频非均匀性的场景校正算法流程图如图6所示。的自适应场景校正算法。由于高频非均匀性中包含大量的散粒非均匀性，同时为了更好地保留图像的边缘信息，该算法采用中值滤波作为滤波器，中值滤波半径r。图6 高频非均匀性场景校正算法流程图分别用此算法与传统神经网络场景校正算法对原始图像进行处理，比较两种算法是否具有“鬼影”现象。将热像仪静止工作500帧后，观察两种方法处理后的运动图像。可以看到，该算法基本没有“鬼影”现象，而传统算法“鬼影”现象严重。因此，该算法能够有效地抑制“鬼影”现象。图7 本文方法与传统神经网络“鬼影”现象比较基于低频非均匀性的场景校正高频非均匀性去除后，图像仍残留有大量的低频非均匀性。低频非均匀性在非制冷探测器开始工作时较弱，随着探测器及镜头温度的变化，图像的低频非均匀性会逐渐增加，在图像上表现为四角与中心灰度值差别较大。如图8所示，可以看到，图像灰度分布不均匀，四周有明显的光圈，影响图像观感与图像质量。图8 低频非均匀性对图像的影响这里提出了一种基于时空联合低频滤波的场景校正方法，通过在时域和空域同时进行低通滤波，分离出图像的固定低频非均匀性并进行去除。由于探测器输出图像的低频非均匀性在短时间内位置保持不变，当图像产生运动时，可以通过时域低频滤波对低频非均匀性进行分离去除，因此首先需要判断场景是否处于运动中。这里仍采用上节提到的连续运动条件来判断场景是否处于连续运动中。当场景处于连续运动时，采用基于自适应时间常数的时域低频滤波来筛选图像的低频信息。时域滤波结果包含低频非均匀性与部分边缘细节信息，因此还需要对在空域上进行低通滤波，以消除存在的边缘信息细节，达到获取低频非均匀性的目的。采用均值滤波进行空域的低通滤波。为了验证此场景校正算法的效果，对仅处理高频非均匀性的图像与高频低频非均匀性均处理的图像进行比较，如图9所示。可以看到，此算法对低频非均匀性有良好的处理效果，能够有效地减少图像四周与中央灰度差异较大的问题。图9 运动200帧后是否处理低频非均匀性图像对比为进一步验证此场景校正算法的效果，使用两台相同规格的红外机芯，第一台仅对高频非均匀性进行处理，第二台对高频低频非均匀性都进行处理，均在运动条件下连续工作1 h后，对同一温度黑体成像，计算其图像非均匀性。结果表明，仅处理高频非均匀性的图像非均匀性为2.3%，而对高频低频非均匀性都进行处理的图像非均匀性为0.5%，该算法有利于提高输出图像的均匀性。算法总体流程及效果图本文算法首先通过连续运动条件判断场景是否处于连续运动中，若处于运动过程则分别更新高频与低频非均匀性处理模块校正参数，然后进行非均匀性校正；否则直接进行非均匀性校正，整体流程如图10所示，最终效果如图11所示。图10 本文算法流程图图11 最终校正输出结果结论本文提出了一种基于非制冷红外探测器的新型场景校正方法。首先通过改进的神经网络场景校正方法滤除高频非均匀性，在此基础上通过时空联合的低频滤波去除低频非均匀性，得到最终校正结果。该方法具有良好的校正效果，并且能够有效地抑制“鬼影”现象，有利于非制冷红外探测器的推广应用。