数显深度表

近日，晶泰创新中心与北京大学国际癌症研究院舒绍坤课题组宣布建立合作，双方将基于舒老师课题组的高通量 CRISPR 技术，整合晶泰科技的细胞高内涵 Cell Painting 成像技术与深度学习方法，通过多模态数据融合，共同开展疾病机理及药物作用机制研究。药物发现是理性设计与实验探索相结合的工作，其成功极大依赖于科学家对于疾病机理的深刻理解。随着人工智能和大数据技术的快速发展，已有多家研究机构和公司利用多种维度的生物大数据与机器学习结合，实现多模态数据融合（Multimodal data fusion），并取得长足的发展。该技术能从多个维度对疾病及药物在复杂生物体系内的作用机理进行深入的研究，特别是在靶点发现、苗头化合物发现、药物重定向、活性与毒性评估等领域，拥有巨大的应用前景。然而生物大数据维度与复杂度的提高，使得其对模型的数据处理能力要求也更高。数据采集和处理中的噪音问题，限制了数据利用效率和模型表现，为多模态数据融合的应用带来挑战。本次合作中，北大舒绍坤课题组与晶泰科技将利用各自的技术优势，将多模态数据融合与深度学习算法高效结合。舒绍坤老师及其带领的课题组在肿瘤药物机制研究领域有丰富的经验与独到的见解，可通过高通量的 CRISPR 技术对细胞形成大规模的基因编辑扰动；而晶泰科技自主建立的细胞研发平台 X-Map，能够大规模收集细胞扰动后的高内涵图像数据和转录组数据。两者结合，能基于真实世界的多维度数据获得细胞水平的精确观测，从而建立起不同生理学变化与基因、药物调控之间的对应相关性。这一研究方法相较于动物模型，通量更高、成本更低，可以针对特定的研究体系，快速获得包含更大信息量的高质量研究数据，进一步提高药物研发的效率和成功率。算法方面，晶泰科技在深度学习算法与流程开发、图像分析领域具备独到的优势。配合其全新建立的细胞表型平台，晶泰创新中心自主研发了一套基于 Transformer 架构的 X-Profiler 算法，能针对特定的下游任务进行有效信息的提取，良好应对例如高内涵成像中因为孔板边缘高度变化导致的失焦模糊等问题，剔除数据噪音对模型的影响，提高信噪比（signal-to-noise ratio, SNR），并根据任务自适应调节数据质量控制策略，从而显著提高模型性能。X-Profiler在药物机理研究、毒性评估等多项下游任务中取得突破性结果，相关研究成果的预印版已发表在 BioRxiv 上。双方合作的第一阶段将聚焦于肿瘤治疗新靶点及肿瘤耐药机制的研究，目前已经取得了初步的进展。下一步，相关成果将应用于抗肿瘤耐药性药物的研发，以期为癌症患者带来更加有效的治疗选择。晶泰创新中心聚焦前瞻性核心技术的开发与应用落地，目前已建立 X-Map 细胞研发平台，整合了包括 Cell Painting 在内的细胞影像、转录组建库、自主研发的 X-Profiler 深度学习建模算法等技术。晶泰创新中心将基于 X-Map 细胞研发平台，持续在机理研究、药物筛选、临床前药物评价等领域与药企、科研机构合作，共同开展课题研究与研发合作。晶泰科技联合创始人、首席创新官赖力鹏博士表示，“高质量数据与人工智能技术的结合将成为驱动药物创新的主要力量之一。舒绍坤老师课题组在基于 CRISPR 高通量基因编辑和多组学实验技术的肿瘤机理研究方面有丰富的经验。这些技术和经验将为合作提供宝贵的知识及数据。结合晶泰自身的 X-Map 细胞表型研发平台，我们期待基因编辑、细胞高内涵技术、深度学习方法能在本次合作中展现出突破性价值，带来更好的创新肿瘤治疗方案。”北京大学国际癌症研究院研究员、博士生导师舒绍坤博士表示，“通过高通量CRISPR技术、细胞表型 Cell Painting 平台技术、多组学技术和深度学习多模态融合技术相结合，解析药物靶点功能和机制，能够充分发挥生物大数据和深度学习大模型的优势，是我们课题组和晶泰创新中心十分看好的方向。晶泰创新中心具有开放的合作模式与明确的算法技术优势，深刻理解现有表型技术的优点和瓶颈，为项目提供了高质量的细胞 Cell Painting 图像数据与建模解决方案，为项目推进提供了重要保障。期待两支团队能够在肿瘤药物作用机理的研究合作中获得更多有价值的成果。”● 关于晶泰科技创新中心 ●晶泰创新中心(XtalPi Innovatioin Center) 依托晶泰科技在人工智能、科学计算、自动化方面的技术积累，致力于通过前沿计算与实验技术的融合，推动更多从0到1的行业革新，持续发展AI和自动化实验技术在生命科学、生物材料、农业、能源等相关领域的应用。同时，晶泰创新中心将坚持推动底层科学探索和应用技术突破，加速产学研联合下的商业转化，不断为行业与社会创造价值。

上接：晶圆表面缺陷检测方法综述【上】4. 基于机器学习的晶圆表面缺陷检测机器学习主要是将一个具体的问题抽象成一个数学模型，通过数学方法求解模型，求解该问题，然后评估该模型对该问题的影响。根据训练数据的特点，分为监督学习、无监督学习和半监督学习。本文主要讨论这三种机器学习方法在晶圆表面缺陷检测中的应用。机器学习模型比较如表2所示。表 2.机器学习算法的比较。分类算法创新局限监督学习KNN系列对异常数据不敏感，准确率高。复杂度高，计算强度高。决策树-Radon应用Radon以形成新的缺陷特征。过拟合非常熟练。SVMSVM 可对多变量、多模态和不可分割的数据点进行高效分类。它对多个样本不友好，内核函数难以定位。无监督学习多层感知器聚类算法采用多层感知器增强特征提取能力。取决于激活函数的选择。DBSCAN可以根据缺陷模式特征有选择地去除异常值。样本密度不均匀或样本过大，收敛时间长，聚类效果差。SOM高维数据可以映射到低维空间，保持高维空间的结构。目标函数不容易确定。半监督学习用于增强标记的半监督框架将监督集成学习与无监督SOM相结合，构建了半监督模型。培训既费时又费时。半监督增量建模框架通过主动学习和标记样本来增强模型性能，从而提高模型性能。性能取决于标记的数据量。4.1. 监督学习监督学习是一种学习模型，它基于该模型对所需的新数据样本进行预测。监督学习是目前晶圆表面缺陷检测中广泛使用的机器学习算法，在目标检测领域具有较高的鲁棒性。Yuan，T等提出了一种基于k-最近邻（KNN）的噪声去除技术，该技术利用k-最近邻算法将全局缺陷和局部缺陷分离，提供晶圆信息中所有聚合的局部缺陷信息，通过相似聚类技术将缺陷分类为簇，并利用聚类缺陷的参数化模型识别缺陷簇的空间模式。Piao M等提出了一种基于决策树的晶圆缺陷模式识别方法。利用Radon变换提取缺陷模式特征，采用相关性分析法测度特征之间的相关性，将缺陷特征划分为特征子集，每个特征子集根据C4.5机制构建决策树。对决策树置信度求和，并选择总体置信度最高的类别。决策树在特定类别的晶圆缺陷检测中表现出更好的性能，但投影的最大值、最小值、平均值和标准差不足以代表晶圆缺陷的所有空间信息，因此边缘缺陷检测性能较差。支持向量机（SVM）在监督学习中也是缺陷检测的成熟应用。当样本不平衡时，k-最近邻算法分类效果较差，计算量大。决策树也有类似的问题，容易出现过度拟合。支持向量机在小样本和高维特征的分类中仍然具有良好的性能，并且支持向量机的计算复杂度不依赖于输入空间的维度，并且多类支持向量机对过拟合问题具有鲁棒性，因此常被用作分类器。R. Baly等使用支持向量机（SVM）分类器将1150张晶圆图像分为高良率和低良率两类，然后通过对比实验证明，相对于决策树，k-最近邻（KNN）、偏最小二乘回归（PLS回归）和广义回归神经网络（GRNN），非线性支持向量机模型优于上述四种晶圆分类方法。多类支持向量机在晶圆缺陷模式分类中具有更好的分类精度。L. Xie等提出了一种基于支持向量机算法的晶圆缺陷图案检测方案。采用线性核、高斯核和多项式核进行选择性测试，通过交叉验证选择测试误差最小的核进行下一步的支持向量机训练。支持向量机方法可以处理图像平移或旋转引起的误报问题。与神经网络相比，支持向量机不需要大量的训练样本，因此不需要花费大量时间训练数据样本进行分类。为复合或多样化数据集提供更强大的性能。4.2. 无监督学习在监督学习中，研究人员需要提前将缺陷样本类型分类为训练的先验知识。在实际工业生产中，存在大量未知缺陷，缺陷特征模糊不清，研究者难以通过经验进行判断和分类。在工艺开发的早期阶段，样品注释也受到限制。针对这些问题，无监督学习开辟了新的解决方案，不需要大量的人力来标记数据样本，并根据样本之间的特征关系进行聚类。当添加新的缺陷模式时，无监督学习也具有优势。近年来，无监督学习已成为工业缺陷检测的重要研究方向之一。晶圆图案上的缺陷图案分类不均匀，特征不规则，无监督聚类算法对这种情况具有很强的鲁棒性，广泛用于检测复杂的晶圆缺陷图案。由于簇状缺陷（如划痕、污渍或局部失效模式）导致难以检测，黄振提出了一种解决该问题的新方法。提出了一种利用自监督多层感知器检测缺陷并标记所有缺陷芯片的自动晶圆缺陷聚类算法（k-means聚类）。Jin C H等提出了一种基于密度的噪声应用空间聚类（DBSCAN）的晶圆图案检测与分类框架，该框架根据缺陷图案特征选择性地去除异常值，然后提取的缺陷特征可以同时完成异常点和缺陷图案的检测。Yuan， T等提出了一种多步晶圆分析方法，该方法基于相似聚类技术提供不同精度的聚类结果，根据局部缺陷模式的空间位置识别出种混合型缺陷模式。利用位置信息来区分缺陷簇有一定的局限性，当多个簇彼此靠近或重叠时，分类效果会受到影响。Di Palma，F等采用无监督自组织映射（SOM）和自适应共振理论（ART1）作为晶圆分类器，对1种不同类别的晶圆进行了模拟数据集测试。SOM 和 ART1 都依靠神经元之间的竞争来逐步优化网络以进行无监督分类。由于ART是通过“AND”逻辑推送到参考向量的，因此在处理大量数据集时，计算次数增加，无法获得缺陷类别的实际数量。调整网络标识阈值不会带来任何改进。SOM算法可以将高维输入数据映射到低维空间，同时保持输入数据在高维空间中的拓扑结构。首先，确定神经元的类别和数量，并通过几次对比实验确定其他参数。确定参数后，经过几个学习周期后，数据达到渐近值，并且在模拟数据集和真实数据集上都表现良好。4.3. 半监督学习半监督学习是一种结合了监督学习和无监督学习的机器学习方法。半监督学习可以使用少量的标记数据和大量的未标记数据来解决问题。基于集成的半监督学习过程如图 8 所示。避免了完全标记样品的成本消耗和错误标记。半监督学习已成为近年来的研究热点。图8.基于集成的半监督学习监督学习通常能获得良好的识别结果，但依赖于样本标记的准确性。晶圆数据样本可能存在以下问题。首先是晶圆样品数据需要专业人员手动标记。手动打标过程是主观的，一些混合缺陷模式可能会被错误标记。二是某些缺陷模式的样本不足。第三，一些缺陷模式一开始就没有被标记出来。因此，无监督学习方法无法发挥其性能。针对这一问题，Katherine Shu-Min Li等人提出了一种基于集成的半监督框架，以实现缺陷模式的自动分类。首先，在标记数据上训练监督集成学习模型，然后通过该模型训练未标记的数据。最后，利用无监督学习算法对无法正确分类的样本进行处理，以达到增强的标记效果，提高晶圆缺陷图案分类的准确性。Yuting Kong和Dong Ni提出了一种用于晶圆图分析的半监督增量建模框架。利用梯形网络改进的半监督增量模型和SVAE模型对晶圆图进行分类，然后通过主动学习和伪标注提高模型性能。实验表明，它比CNN模型具有更好的性能。5. 基于深度学习的晶圆表面缺陷检测近年来，随着深度学习算法的发展、GPU算力的提高以及卷积神经网络的出现，计算机视觉领域得到了定性的发展，在表面缺陷检测领域也得到了广泛的应用。在深度学习之前，相关人员需要具备广泛的特征映射和特征描述知识，才能手动绘制特征。深度学习使多层神经网络能够通过抽象层自动提取和学习目标特征，并从图像中检测目标对象。Cheng KCC等分别使用机器学习算法和深度学习算法进行晶圆缺陷检测。他们使用逻辑回归、支持向量机（SVM）、自适应提升决策树（ADBT）和深度神经网络来检测晶圆缺陷。实验证明，深度神经网络的平均准确率优于上述机器学习算法，基于深度学习的晶圆检测算法具有更好的性能。根据不同的应用场景和任务需求，将深度学习模型分为分类网络、检测网络和分割网络。本节讨论创新并比较每个深度学习网络模型的性能。5.1. 分类网络分类网络是较老的深度学习算法之一。分类网络通过卷积、池化等一系列操作，提取输入图像中目标物体的特征信息，然后通过全连接层，根据预设的标签类别进行分类。网络模型如图 9 所示。近年来，出现了许多针对特定问题的分类网络。在晶圆缺陷检测领域，聚焦缺陷特征，增强特征提取能力，推动了晶圆检测的发展。图 9.分类网络模型结构图在晶圆制造过程中，几种不同类型的缺陷耦合在晶圆中，称为混合缺陷。这些类型的缺陷复杂多变且随机性强，已成为半导体公司面临的主要挑战。针对这一问题，Wang J等提出了一种用于晶圆缺陷分类的混合DPR（MDPR）可变形卷积网络（DC-Net）。他们设计了可变形卷积的多标签输出和一热编码机制层，将采样区域聚焦在缺陷特征区域，有效提取缺陷特征，对混合缺陷进行分类，输出单个缺陷，提高混合缺陷的分类精度。Kyeong和Kim为混合缺陷模式的晶圆图像中的每种缺陷设计了单独的分类模型，并通过组合分类器网络检测了晶圆的缺陷模式。作者使用MPL、SVM和CNN组合分类器测试了六种不同模式的晶圆映射数据库，只有作者提出的算法被正确分类。Takeshi Nakazawa和Deepak V. Kulkarni使用CNN对晶圆缺陷图案进行分类。他们使用合成生成的晶圆图像训练和验证了他们的CNN模型。此外，提出了一种利用模拟生成数据的方法，以解决制造中真实缺陷类别数据不平衡的问题，并达到合理的分类精度。这有效解决了晶圆数据采集困难、可用样品少的问题。分类网络模型对比如表3所示。表3. 分类网络模型比较算法创新Acc直流网络采样区域集中在缺陷特征区域，该区域对混合缺陷具有非常强的鲁棒性。93.2%基于CNN的组合分类器针对每个缺陷单独设计分类器，对新缺陷模式适应性强。97.4%基于CNN的分类检索方法可以生成模拟数据集来解释数据不平衡。98.2%5.2. 目标检测网络目标检测网络不仅可以对目标物体进行分类，还可以识别其位置。目标检测网络主要分为两种类型。第一种类型是两级网络，如图10所示。基于区域提案网络生成候选框，然后对候选框进行分类和回归。第二类是一级网络，如图11所示，即端到端目标检测，直接生成目标对象的分类和回归信息，而不生成候选框。相对而言，两级网络检测精度更高，单级网络检测速度更快。检测网络模型的比较如表4所示。图 10.两级检测网络模型结构示意图图 11.一级检测网络模型结构示意图表4. 检测网络模型比较算法创新AccApPCACAE基于二维主成分分析的级联辊类型自动编码。97.27%\YOLOv3-GANGAN增强了缺陷模式的多样性，提高了YOLOv3的通用性。\88.72%YOLOv4更新了骨干网络，增强了 CutMix 和 Mosaic 数据。94.0%75.8%Yu J等提出了一种基于二维主成分分析的卷积自编码器的深度神经网络PCACAE，并设计了一种新的卷积核来提取晶圆缺陷特征。产品自动编码器级联，进一步提高特征提取的性能。针对晶圆数据采集困难、公开数据集少等问题，Ssu-Han Chen等首次采用生成对抗网络和目标检测算法YOLOv3相结合的方法，对小样本中的晶圆缺陷进行检测。GAN增强了缺陷的多样性，提高了YOLOv3的泛化能力。Prashant P. SHINDE等提出使用先进的YOLOv4来检测和定位晶圆缺陷。与YOLOv3相比，骨干提取网络从Darknet-19改进为Darknet-53，并利用mish激活函数使网络鲁棒性。粘性增强，检测能力大大提高，复杂晶圆缺陷模式的检测定位性能更加高效。5.3. 分段网络分割网络对输入图像中的感兴趣区域进行像素级分割。大部分的分割网络都是基于编码器和解码器的结构，如图12所示是分割网络模型结构示意图。通过编码器和解码器，提高了对目标物体特征的提取能力，加强了后续分类网络对图像的分析和理解。在晶圆表面缺陷检测中具有良好的应用前景。图 12.分割网络模型结构示意图。Takeshi Nakazawa等提出了一种深度卷积编码器-解码器神经网络结构，用于晶圆缺陷图案的异常检测和分割。作者设计了基于FCN、U-Net和SegNet的三种编码器-解码器晶圆缺陷模式分割网络，对晶圆局部缺陷模型进行分割。晶圆中的全局随机缺陷通常会导致提取的特征出现噪声。分割后，忽略了全局缺陷对局部缺陷的影响，而有关缺陷聚类的更多信息有助于进一步分析其原因。针对晶圆缺陷像素类别不平衡和样本不足的问题，Han Hui等设计了一种基于U-net网络的改进分割系统。在原有UNet网络的基础上，加入RPN网络，获取缺陷区域建议，然后输入到单元网络进行分割。所设计的两级网络对晶圆缺陷具有准确的分割效果。Subhrajit Nag等人提出了一种新的网络结构 WaferSegClassNet，采用解码器-编码器架构。编码器通过一系列卷积块提取更好的多尺度局部细节，并使用解码器进行分类和生成。分割掩模是第一个可以同时进行分类和分割的晶圆缺陷检测模型，对混合晶圆缺陷具有良好的分割和分类效果。分段网络模型比较如表5所示。表 5.分割网络模型比较算法创新AccFCN将全连接层替换为卷积层以输出 2D 热图。97.8%SegNe结合编码器-解码器和像素级分类层。99.0%U-net将每个编码器层中的特征图复制并裁剪到相应的解码器层。98.9%WaferSegClassNet使用共享编码器同时进行分类和分割。98.2%第6章 结论与展望随着电子信息技术的不断发展和光刻技术的不断完善，晶圆表面缺陷检测在半导体行业中占有重要地位，越来越受到该领域学者的关注。本文对晶圆表面缺陷检测相关的图像信号处理、机器学习和深度学习等方面的研究进行了分析和总结。早期主要采用图像信号处理方法，其中小波变换方法和空间滤波方法应用较多。机器学习在晶圆缺陷检测方面非常强大。k-最近邻（KNN）、决策树（Decision Tree）、支持向量机（SVM）等算法在该领域得到广泛应用，并取得了良好的效果。深度学习以其强大的特征提取能力为晶圆检测领域注入了活力。最新的集成电路制造技术已经发展到4 nm，预测表明它将继续朝着更小的规模发展。然而，随着这些趋势的出现，晶圆上表面缺陷的复杂性也将增加，对模型的可靠性和鲁棒性提出了更严格的挑战。因此，对这些缺陷的分析和处理对于确保集成电路的高质量制造变得越来越重要。虽然在晶圆表面缺陷分析领域取得了一些成果，但仍存在许多问题和挑战。1、晶圆缺陷的公开数据集很少。由于晶圆生产和贴标成本高昂，高质量的公开数据集很少，为数不多的数据集不足以支撑训练。可以考虑创建一个合成晶圆缺陷数据库，并在现有数据集上进行数据增强，为神经网络提供更准确、更全面的数据样本。由于梯度特征中缺陷类型的多功能性，可以使用迁移学习来解决此类问题，主要是为了解决迁移学习中的负迁移和模型不适用性等问题。目前尚不存在灵活高效的迁移模型。利用迁移学习解决晶圆表面缺陷检测中几个样品的问题，是未来研究的难题。2、在晶圆制造过程中，不断产生新的缺陷，缺陷样本的数量和类型不断积累。使用增量学习可以提高网络模型对新缺陷的识别准确率和保持旧缺陷分类的能力。也可作为扩展样本法的研究方向。3、随着技术进步的飞速发展，芯片特征尺寸越来越小、越来越复杂，导致晶圆中存在多种缺陷类型，缺陷相互折叠，导致缺陷特征不均匀、不明显。增加检测难度。多步骤、多方法混合模型已成为检测混合缺陷的主流方法。如何优化深度网络模型的性能，保持较高的检测效率，是一个亟待进一步解决的问题。4、在晶圆制造过程中，不同用途的晶圆图案会产生不同的缺陷。目前，在单个数据集上训练的网络模型不足以识别所有晶圆中用于不同目的的缺陷。如何设计一个通用的网络模型来检测所有缺陷，从而避免为所有晶圆缺陷数据集单独设计训练模型造成的资源浪费，是未来值得思考的方向。5、缺陷检测模型大多为离线模型，无法满足工业生产的实时性要求。为了解决这个问题，需要建立一个自主学习模型系统，使模型能够快速学习和适应新的生产环境，从而实现更高效、更准确的缺陷检测。原文链接:Electronics | Free Full-Text | Review of Wafer Surface Defect Detection Methods (mdpi.com)

2023年4月10日起，由中国细胞生物学学会主办的中国细胞生物学学会第十八次全国会员代表大会暨2023年全国学术大会，在江苏苏州盛大举行！宁波力显智能科技有限公司INVIEW作为专业从事超高分辨率显微成像产品生产研发的科技企业，受邀参会并作精彩亮相。值此盛会，力显智能发布了新品——细胞计数仪！正值春日好光景，展台前人才济济！嘉宾老师们都给了INCount极大的肯定，INCount也成为了本次会议吸睛的新起之秀！新品发布期间力显展位吸引了众多行业同仁的驻足参观和交流，吸引众多参展人员深入交流探讨，众多参展人员与代理商经过亲身试用体验和咨询信息后展现出浓厚的兴趣！INCount C全自动细胞计数仪是集高清成像、精准计数、智能分析为一体的细胞计数系统，搭载深度学习智能识别算法，准确分割细胞聚团，实现精准计数及数据可视化:一键开启、快捷方便、8s计数，让细胞计数快人1秒，胜人一筹!准（ACCURATE）1.高清成像600万彩色高帧率CMOS10倍标准物镜0.25 NA值2.智能识别算法确保计数结果准确稳定，准确分割细胞聚团，获得更准确的分析结果 识别重复精度CV5%。3.大样本量细胞统计分析一次可支持6样本各3个视野的成像统计，符合统计学，保障数据准确性。快（EFFICIENT）1.指尖触控触屏操作，简单方便。2.预设多种实验类型实验流程采取一键“宏”模式，预设了台盼蓝、AO/Pl等实验类型，简化手动操作步骤，提高实验效率。3.实现8s样本台盼蓝计数，35s双荧光AOPI计数。智（SMART）1.智能识别结合先进软件和深度学习的智能识别算法，可自动对焦、自动曝光、告别复杂参教设置,最大程度减少用户间操作差异。2.数据可视化内置多种可视化数据分析图像模式3.高性能硬件和配置12核酷睿isCPU,运算快速,分析流畅，智能分析不卡顿。＋（AND MORE）1.细胞转染效率分析、细胞周期分析在实现细胞计数的基础上，INcount还可以帮动用户进行组胞转染效率分析和细胞周期分析，精确定量、定性分析，无需第三方分析软件，大大提高实验者效率。2.支持定制支持用户定制，助力更多用户实验。力显的明星产品也是毫不逊色！力显也向业界同仁全面介绍了iSTORM超高分辨率显微成像系统及活细胞成像仪器赛乐微在生物医学领域的创新应用成果，收到了现场专家以及代表用户的一致好评。感谢客户们与专家们的认可客户都说好，才是真的好！在场的客户数就是对我们最好的肯定!关于我们About us 宁波力显智能科技有限公司（INVIEW）是专业从事超高分辨率显微技术和产品研发的科技企业，依托复旦大学的自动控制、新一代信息技术及香港科技大学的生物、光学、图像处理等的技术，拥有光学、生物、自控、机械、信息技术等多领域交叉学科技术团队，将2014年诺贝尔化学奖技术产业化，推出了超高分辨率显微成像系统iSTORM、细胞智能监控助手赛乐微等一系列产品，帮助人们以前所未有的视角观察微观世界，突破极限，见所未见。

抗体偶联药物（antibody-drug conjugate，ADC）是一类通过特定的连接子将靶向单克隆抗体与高杀伤性的细胞毒性小分子药物偶联起来的生物药，以单克隆抗体为载体将小分子细胞毒性药物高效地运输至目标肿瘤细胞中，起到治疗的目的。与传统抗体药相比，ADC药物的结构复杂度和异质性更高，因为添加了多变的有效载荷和连接子1。为确保药物安全性和有效性，ADC的深度表征在其开发过程中至关重要。这不仅包括对mAb的翻译后修饰（PTM）的鉴定和定位，还包括药物偶联的鉴定。由于质谱技术的飞速发展，质谱已经成为ADC药物表征中最广泛使用的方法。完整质量分析是用于确定小分子药物与抗体比率（DAR）的常规方法，而对结合位点的深入表征，通常依赖于bottom-up的方法。现在最广泛采用的碰撞诱导解离（CID）技术能够提供氨基酸序列确认，但是这种能量比较大的碎裂技术也将有效载荷碎裂为更小的片段，从这种方法获得的高度复杂的谱图可能很难解析。而能量更柔和的碎裂方法可以促进此类复杂样品的解析，一种基于电子活化裂解（EAD）2,3的创新、高度可重复的碎裂方法用于分析来自商业化ADC药物的偶联肽。使用10 Hz快速非靶向的数据依赖采集（DDA）方法采集数据，通过此工作流程，一次进样就可以应用基于EAD的碎片进行常规和高级表征。曲妥珠单抗美坦新偶联物（T-DM1）是最早的ADC治疗药物之一，于2013年获得FDA批准用于治疗人表皮生长因子受体2（HER2）阳性转移性乳腺癌。T-DM1是由单克隆抗体曲妥珠单抗和细胞毒素美坦新（DM1）通过不可裂解连接子共价偶联而成（图1）。将单克隆抗体（mAb）的靶标特异性与细胞毒性药物的高效率相结合，可充分利用两个方面的优势，最大限度地减少副作用3。T-DM1是与氨基连接，如连接在曲妥珠单抗的赖氨酸残基的侧链中。先前的完整质量研究表明，T-DM1的平均DAR约为3.5.1,4。但是曲妥珠单抗中有88个赖氨酸残基和4个N端基团，可能会出现450万个以上的不同分子形式1。有效载荷的位点和结构将直接影响药物的功效和安全性，因此将其归类为关键质量属性（CQA），并且需要在开发过程中进行全面表征和严格监控。图1. 细胞毒药物有效载荷和连接子与mAb偶联的示意图。T-DM1由DM1（黑色），靶向连接氨基残基的MCC连接子（linker，蓝色）和单克隆抗体组成。本研究选择了与Zeno&trade EAD相结合的DDA方法。采用这种方法，不仅可以执行常规的肽图分析，而且EAD可以在同一针分析中进行高级表征。此外，Zeno EAD增强了碎片离子的检测能力，从而正确鉴定了低丰度物质。图2展示了在偶联肽SCDK [DM1]THTCPPCPAPELLGGPSVFLFPPKPK上观察到的碎裂模式的例子。在分析中未观察到没有连接子和药物或其部分的肽，表明其完全偶联。获得了此肽段高质量的MS / MS谱图，从而使该特定肽段的MS / MS序列覆盖率达到96.6％。一个更占优势的碎片从 m/z大于500的有效载荷产生（请见图2中的标记）。观察到的有效载荷结构的主要裂解位点是DM1的COO-C键，这种碎裂模式与先前利用CID技术产生的一系列小碎片的数据不同1。较大分子量的药物碎片可以用作特征碎片，以更具体地确认有效载荷的存在，并可以用来确认有效载荷的结构。图2. 应用Zeno EAD得到的偶联肽SCDK [DM1] THTCPPCPAPELLGGPSVFLFPPKPK（z =+4）的碎片数据。来自肽段主链指定偶联肽段离子的全扫描MS / MS数据，以及有效载荷中的碎离子信息。此外，通过将Zeno EAD技术用于增强的碎片离子检测，还可以很好地检测到来自肽段主链的片段信息，从而提供有关肽段的分子完整性的信息。由于酶的空间位阻，抗体上偶联药物的存在会导致样品制备酶解过程中的更多漏切位点。另外，赖氨酸残基和有效载荷之间的结合过程是随机反应，偶联的比率并不总是100％，这导致了多样性和低丰度物质存在。当一个肽段中存在多个潜在连接形式时，鉴定正确的连接位点可能是一个挑战。肽段ASQDVNTAVAWYQQKPGKAPK是这种具有挑战性的另一个例子（图3）。它包含一个漏切位点和一个脯氨酸相邻的N端赖氨酸，导致偶联位点的多种选择。但是，有了从EAD技术碎裂得到丰富、高质量的MS / MS质谱图，就可以实现药物定位的自动匹配（图3A）。由于有效载荷靠近肽的C端，因此检测到的C离子比Z离子丰富（图3A），而未结合的肽显示出来自C端和N端的丰富片段（图3B）。众所周知因为电子活化解离技术不会解离脯氨酸的N端，我们还检测到了除了C15以外的从C3到C17的全系列C片段7。这提供了确凿的证据表明K15未与细胞毒药物偶联。此外，z4，z5和z7表明K18（而非K21）是药物偶联的正确位点。图3. 应用Zeno EAD得到的来自偶联/非偶联肽ASQDVNTAVAWYQQKPGK [DM1] APK（z =+3）的碎片的数据。A：来自肽段主链指定偶联肽段离子的全扫描MS / MS数据，以及有效载荷中的碎离子信息。B：来自肽段主链指定非偶联肽的全扫描MS / MS数据。 连接子显示为蓝色，DM1药物显示为黑色。结论：通过EAD的新型碎裂模式，实现了具有多个潜在位点的多肽中药物偶联的准确定位与传统的MS / MS分析相比，EAD技术获得更丰富的MS/MS碎片信息。应用Zeno EAD技术，即使对于中等强度或极低强度的母离子（例如低丰度的偶联肽），也能获得令人信服的二级碎片和出色的数据质量SCIEX ZenoTOF&trade 7600系统强大、高重现性且易于使用的多重碎裂技术，使用户能够以简单的方式解决具有挑战性的分析问题(CN)Characterization of an antibody-drug-conjugate (ADC) using electron activated dissociation (EAD).PDF点击下载声明：版权为 SCIEX 所有。欢迎个人转发分享。其他任何媒体、网站如需转载或引用本网版权所有内容须获得授权, 转载时须注明「来源：SCIEX」。申请授权转载请在该文章下“写留言”。

6月26日，复享光学深度光谱应用课堂清华篇在清华大学材料学院成功举办！本次活动由清华大学材料学院与复享光学联合主办，针对复享光学自主研发的显微角分辨光谱仪的原理和应用，以线下交流、线上同步答疑的形式为学校师生进行培训宣讲，并由复享光学应用专家提供设备操作教学，吸引了北京诸多著名高校老师学生前来交流学习。独出机杼，别出心裁；复享光学应用专家孙沛智博士以独到的见解和生动的比喻为大家阐述了显微角分辨光谱技术的科学背景及应用案例，大家纷纷表示“秒懂”、“已get”，并引发了在场师生们的广泛交流，针对复享光学显微角分辨光谱仪的强大功能产生了浓厚的兴趣，且对其广阔的应用领域进行了深入探讨。眼见为实，精密测量；在午后的上机演示环节，复享光学应用专家姜自敏博士详细介绍并演示了仪器的操作方法，系统性的讲述了相关应用的实验范例，让ARMS不再是学生们眼中“高冷”的测量仪器，许多同学对ARMS测量结果纷纷表示认可，相约测样。轻松驾驭，相约“顶刊”；复享光学一直以来致力于关注光子技术前沿，积极探索光谱技术的应用场景，通过结合多维光场的感知与关键物质特性的计算重构,再融合先进的深度学习技术,构建AI时代的全面深度光谱分析框架，为诸多先进制造应用场景提供强劲的光学分析引擎,并使之在科研创新、先进制造、薄膜光电和光子集成场景中得到应用普及。未来，复享光学将走进更多高校，与老师、学生们探讨各种专业光谱技术问题，交流最前沿的信息和成果，敬请期待我们的下一站吧~

近日，中科院自动化所研究员曾毅团队研究发现，从经典的到最先进的深度神经网络都难以像人一样具有较好的幻觉轮廓识别能力。相关研究成果发表于细胞出版社旗下期刊《模式》。神经网络和深度学习模型在过去十年中看似取得巨大成功，在许多给定的视觉任务中在指定方面超过了人类表现。然而，神经网络的性能仍然会随着各种图像扭曲和损坏而降低。一个非常极端的例子是对抗攻击，通过在图片上施加人眼难以察觉的微扰，能够使神经网络模型彻底失效。而人类的视觉系统在这些问题上具有高度鲁棒性，说明深度学习与生物视觉系统相比仍然存在根本性缺陷。为此，曾毅团队提出了一种名为交错光栅扭曲的图像干扰方法，作为量化神经网络模型幻觉轮廓感知能力的工具。结果表明，大多数预训练模型的表现接近随机。另外可以观测到当交错光栅之间的距离较小时，存在一些模型的结果与其他模型的分布有较显著的差别。他们最终发现，使用深度增强技术训练的模型相比其他模型能够显著增强模型对交错光栅扭曲数据集的识别。该研究还招募了24名人类受试者，以评估不同的参数设置下，人类的幻觉轮廓感知能力以及其对数字和图像识别的影响。研究发现，即使是当前最先进的深度学习算法在交错光栅效应的识别上也与人类水平相距甚远。论文第一作者、中科院自动化所工程师范津宇认为，该研究结合了认知科学和人工智能，提出了将传统机器视觉数据集转换成认知科学中的交错光栅幻觉图像，并首次对大量的公开预训练神经网络模型的幻觉轮廓感知能力的量化测量，从神经元动力学角度和行为学角度两个检验深度学习和神经网络模型对幻觉轮廓的感知。“这项研究从认知科学的角度检验和部分重新审视了当前看似成功的人工神经网络模型，并且证明人工神经网络模型与生物视觉处理过程仍然存在着很大差距，大脑运作的机理和智能的本质将继续启发人工智能，特别是神经网络的研究。”曾毅说。在他看来，要想从本质上取得突破，人工智能需要借鉴和受自然演化、脑与心智的启发，建立智能的理论体系，这样的人工智能才会有长远的未来。

摘要晶圆表面缺陷检测在半导体制造中对控制产品质量起着重要作用，已成为计算机视觉领域的研究热点。然而，现有综述文献中对晶圆缺陷检测方法的归纳和总结不够透彻，缺乏对各种技术优缺点的客观分析和评价，不利于该研究领域的发展。本文系统分析了近年来国内外学者在晶圆表面缺陷检测领域的研究进展。首先，介绍了晶圆表面缺陷模式的分类及其成因。根据特征提取方法的不同，目前主流的方法分为三类：基于图像信号处理的方法、基于机器学习的方法和基于深度学习的方法。此外，还简要介绍了代表性算法的核心思想。然后，对每种方法的创新性进行了比较分析，并讨论了它们的局限性。最后，总结了当前晶圆表面缺陷检测任务中存在的问题和挑战，以及该领域未来的研究趋势以及新的研究思路。1.引言硅晶圆用于制造半导体芯片。所需的图案是通过光刻等工艺在晶圆上形成的，是半导体芯片制造过程中非常重要的载体。在制造过程中，由于环境和工艺参数等因素的影响，晶圆表面会产生缺陷，从而影响晶圆生产的良率。晶圆表面缺陷的准确检测，可以加速制造过程中异常故障的识别以及制造工艺的调整，提高生产效率，降低废品率。晶圆表面缺陷的早期检测往往由经验丰富的检测人员手动进行，存在效率低、精度差、成本高、主观性强等问题，不足以满足现代工业化产品的要求。目前，基于机器视觉的缺陷检测方法[1]在晶圆检测领域已经取代了人工检测。传统的基于机器视觉的缺陷检测方法往往采用手动特征提取，效率低下。基于计算机视觉的检测方法[2]的出现，特别是卷积神经网络等神经网络的出现，解决了数据预处理、特征表示和提取以及模型学习策略的局限性。神经网络以其高效率、高精度、低成本、客观性强等特点，迅速发展，在半导体晶圆表面缺陷检测领域得到广泛应用。近年来，随着智能终端和无线通信设施等电子集成电路的发展，以及摩尔定律的推广，在全球对芯片的需求增加的同时，光刻工艺的精度也有所提高。随着技术的进步，工艺精度已达到10纳米以下[5]。因此，对每个工艺步骤的良率提出了更高的要求，对晶圆制造中的缺陷检测技术提出了更大的挑战。本文主要总结了晶圆表面缺陷检测算法的相关研究，包括传统的图像处理、机器学习和深度学习。根据算法的特点，对相关文献进行了总结和整理，对晶圆缺陷检测领域面临的问题和挑战进行了展望和未来发展。本文旨在帮助快速了解晶圆表面缺陷检测领域的相关方法和技能。2. 晶圆表面缺陷模式在实际生产中，晶圆上的缺陷种类繁多，形状不均匀，增加了晶圆缺陷检测的难度。在晶圆缺陷的类型中，无图案晶圆缺陷和图案化晶圆缺陷是晶圆缺陷的两种主要形式。这两类缺陷是芯片故障的主要原因。无图案晶圆缺陷多发生在晶圆生产的预光刻阶段，即由机器故障引起的晶圆缺陷。划痕缺陷如图1a所示，颗粒污染缺陷如图1b所示。图案化晶圆缺陷多见于晶圆生产的中间工序。曝光时间、显影时间和烘烤后时间不当会导致光刻线条出现缺陷。螺旋激励线圈和叉形电极的微纳制造过程中晶圆表面产生的缺陷如图2所示。开路缺陷如图2 a所示，短路缺陷如图2 b所示，线路污染缺陷如图2 c所示，咬合缺陷如图2d所示。图1.（a）无图案晶圆的划痕缺陷；（b）无图案晶圆中的颗粒污染。图2.（a）开路缺陷，（b）短路缺陷，（c）线路污染，以及（d）图案化晶圆缺陷图中的咬合缺陷。由于上述晶圆缺陷的存在，在对晶圆上所有芯片进行功能完整性测试时，可能会发生芯片故障。芯片工程师用不同的颜色标记测试结果，以区分芯片的位置。在不同操作过程的影响下，晶圆上会产生相应的特定空间图案。晶圆图像数据，即晶圆图，由此生成。正如Hansen等在1997年指出的那样，缺陷芯片通常具有聚集现象或表现出一些系统模式，而这种缺陷模式通常包含有关工艺条件的必要信息。晶圆图不仅可以反映芯片的完整性，还可以准确描述缺陷数据对应的空间位置信息。晶圆图可能在整个晶圆上表现出空间依赖性，芯片工程师通常可以追踪缺陷的原因并根据缺陷类型解决问题。Mirza等将晶圆图缺陷模式分为一般类型和局部类型，即全局随机缺陷和局部缺陷。晶圆图缺陷模式图如图3所示，局部缺陷如图3 a所示，全局随机缺陷如图3b所示。全局随机缺陷是由不确定因素产生的，不确定因素是没有特定聚类现象的不可控因素，例如环境中的灰尘颗粒。只有通过长期的渐进式改进或昂贵的设备大修计划，才能减少全局随机缺陷。局部缺陷是系统固有的，在晶圆生产过程中受到可控因素的影响，如工艺参数、设备问题和操作不当。它们反复出现在晶圆上，并表现出一定程度的聚集。识别和分类局部缺陷，定位设备异常和不适当的工艺参数，对提高晶圆生产良率起着至关重要的作用。图3.（a）局部缺陷模式（b）全局缺陷模式。对于面积大、特征尺寸小、密度低、集成度低的晶圆图案，可以用电子显微镜观察光刻路径，并可直接进行痕量检测。随着芯片电路集成度的显著提高，进行芯片级检测变得越来越困难。这是因为随着集成度的提高，芯片上的元件变得更小、更复杂、更密集，从而导致更多的潜在缺陷。这些缺陷很难通过常规的检测方法进行检测和修复，需要更复杂、更先进的检测技术和工具。晶圆图研究是晶圆缺陷检测的热点。天津大学刘凤珍研究了光刻设备异常引起的晶圆图缺陷。针对晶圆实际生产过程中的缺陷，我们通过设备实验对光刻胶、晶圆粉尘颗粒、晶圆环、划痕、球形、线性等缺陷进行了深入研究，旨在找到缺陷原因，提高生产率。为了确定晶圆模式失效的原因，吴明菊等人从实际制造中收集了811,457张真实晶圆图，创建了WM-811K晶圆图数据集，这是目前应用最广泛的晶圆图。半导体领域专家为该数据集中大约 20% 的晶圆图谱注释了八种缺陷模式类型。八种类型的晶圆图缺陷模式如图4所示。本综述中引用的大多数文章都基于该数据集进行了测试。图4.八种类型的晶圆映射缺陷模式类型：（a）中心、（b）甜甜圈、（c）边缘位置、（d）边缘环、（e）局部、（f）接近满、（g）随机和（h）划痕。3. 基于图像信号处理的晶圆表面缺陷检测图像信号处理是将图像信号转换为数字信号，再通过计算机技术进行处理，实现图像变换、增强和检测。晶圆检测领域常用的有小波变换（WT）、空间滤波（spatial filtering）和模板匹配（template matching）。本节主要介绍这三种算法在晶圆表面缺陷检测中的应用。图像处理算法的比较如表1所示。表 1.图像处理算法的比较。模型算法创新局限小波变换 图像可以分解为多种分辨率，并呈现为具有不同空间频率的局部子图像。防谷物。阈值的选择依赖性很强，适应性差。空间滤波基于空间卷积，去除高频噪声，进行边缘增强。性能取决于阈值参数。模板匹配模板匹配算法抗噪能力强，计算速度快。对特征对象大小敏感。3.1. 小波变换小波变换（WT）是一种信号时频分析和处理技术。首先，通过滤波器将图像信号分解为不同的频率子带，进行小波分解 然后，通过计算小波系数的平均值、标准差或其他统计度量，分析每个系数以检测任何异常或缺陷。异常或缺陷可能表现为小波系数的突然变化或异常值。根据分析结果，使用预定义的阈值来确定信号中的缺陷和异常，并通过识别缺陷所在的时间和频率子带来确定缺陷的位置。小波分解原理图如图5所示，其中L表示低频信息，H表示高频信息。每次对图像进行分解时，图像都会分解为四个频段：LL、LH、HL 和 HH。下层分解重复上层LL带上的分解。小波变换在晶圆缺陷特征的边界处理和多尺度边缘检测中具有良好的性能。图5.小波分解示意图。Yeh等提出了一种基于二维小波变换（2DWT）的方法，该方法通过修正小波变换模量（WTMS）计算尺度系数之间的比值，用于晶圆缺陷像素的定位。通过选择合适的小波基和支撑长度，可以使用少量测试数据实现晶圆缺陷的准确检测。图像预处理阶段耗费大量时间，严重影响检测速度。Wen-Ren Yang等提出了一种基于短时离散小波变换的晶圆微裂纹在线检测系统。无需对晶圆图像进行预处理。通过向晶圆表面发射连续脉冲激光束，通过空间探针阵列采集反射信号，并通过离散小波变换进行分析，以确定微裂纹的反射特性。在加工的情况下，也可以对微裂纹有更好的检测效果。多晶太阳能硅片表面存在大量随机晶片颗粒，导致晶圆传感图像纹理不均匀。针对这一问题，Kim Y等提出了一种基于小波变换的表面检测方法，用于检测太阳能硅片缺陷。为了更好地区分缺陷边缘和晶粒边缘，使用两个连续分解层次的小波细节子图的能量差作为权重，以增强每个分解层次中提出的判别特征。实验结果表明，该方法对指纹和污渍有较好的检测效果，但对边缘锋利的严重微裂纹缺陷无效，不能适用于所有缺陷。3.2. 空间过滤空间滤波是一种成熟的图像增强技术，它是通过直接对灰度值施加空间卷积来实现的。图像处理中的主要作用是图像去噪，分为平滑滤镜和锐化滤镜，广泛应用于缺陷检测领域。图6显示了图像中中值滤波器和均值滤波器在增加噪声后的去噪效果。图6.滤波去噪效果图：（a）原始图像，（b）中值滤波去噪，（c）均值滤光片去噪。Ohshige等提出了一种基于空间频率滤波技术的表面缺陷检测系统。该方法可以有效地检测晶圆上的亚微米缺陷或异物颗粒。晶圆制造中随机缺陷的影响。C.H. Wang提出了一种基于空间滤波、熵模糊c均值和谱聚类的晶圆缺陷检测方法，该方法利用空间滤波对缺陷区域进行去噪和提取，通过熵模糊c均值和谱聚类获得缺陷区域。结合均值和谱聚类的混合算法用于缺陷分类。它解决了传统统计方法无法提取具有有意义的分类的缺陷模式的问题。针对晶圆中的成簇缺陷，Chen SH等开发了一种基于中值滤波和聚类方法的软件工具，所提算法有效地检测了缺陷成簇。通常，空间过滤器的性能与参数高度相关，并且通常很难选择其值。3.3. 模板匹配模板匹配检测是通过计算模板图像与被测图像之间的相似度来实现的，以检测被测图像与模板图像之间的差异区域。Han H等从晶圆图像本身获取的模板混入晶圆制造工艺的设计布局方案中，利用物理空间与像素空间的映射，设计了一种结合现有圆模板匹配检测新方法的晶圆图像检测技术。刘希峰结合SURF图像配准算法，实现了测试晶圆与标准晶圆图案的空间定位匹配。测试图像与标准图像之间的特征点匹配结果如图7所示。将模式识别的轮廓提取技术应用于晶圆缺陷检测。Khalaj等提出了一种新技术，该技术使用高分辨率光谱估计算法提取晶圆缺陷特征并将其与实际图像进行比较，以检测周期性2D信号或图像中不规则和缺陷的位置。图7.测试图像与标准图像之间的特征点匹配结果。下接：晶圆表面缺陷检测方法综述【下】

centerimg alt="" src="http://epaper.xiancn.com/newxarb/res/2018-03/02/07/res03_attpic_brief.jpg" height="272" width="400"//centerp　　西安军民融合产业创新发展的“西安模式”正在加速成型。/pcenterp style="text-align:center"img style="width: 400px height: 565px " title="" alt="" src="http://epaper.xiancn.com/newxarb/res/2018-03/02/07/res07_attpic_brief.jpg" height="565" hspace="0" border="0" vspace="0" width="400"//p/centerp style="text-align: center "strong　　漫画中国/东方IC/strong/pp　　春节期间一部《红海行动》在全国燃爆，热爱军事的影迷们更是从影片中领略到了无人机在现代战场上的风采。我市的潘祈帆是一名90后小伙子，受到不少军迷们的询问，因为他的公司曾参与了我军几款无人机的研发工作。“不能泄密是前提，但无人机作战的基本原理还是能给朋友们分享的。”/pp　　我市80后的女创业者刘晓雅则早在2015年的九三阅兵时便激动地拍下阅兵视频发了朋友圈：“我们做的，我骄傲。”她作为联合创始人的诺维北斗，早已成为我市“民参军”企业的代表之一。/pp　　西安，这座军工实力雄厚的城市，如今不仅拥有航空、航天、船舶、兵器、军工电子等优势军工主导产业，“军转民”、“民参军”也逐渐形成了全要素、多领域、高效益的发展格局，军民融合产业创新发展的“西安模式”正在加速成型。/pp　　随着西安获批建设国家中心城市，深化军民融合，辐射带动地方经济发展，打造以西安为中心、横贯关中平原的军民融合产业带，建设创新引领的现代产业体系，成为西安的新使命，也为军民融合深度发展指明了方向。/pp　　strong勇担国家使命 军民融合的西安实践/strong/pp　　早在2015年，西安就成为全国8个全面创新改革试验区域之一，这为我市建设发展提供了新的契机与动力。根据国务院批复的《西安市系统推进全面创新改革试验方案》，相关重点任务就包括以特色产业基地(园区)为平台，建设国家军民深度融合创新示范区。/pp　　肩负着军民深度融合发展的国家使命，西安的确有着自身的先天优势。国家发改委新闻发言人孟玮就认为“建设军民融合创新高地”是关中平原城市群发展规划中的一大亮点。因为从发展基础看，关中平原城市群工业体系完整、产业聚集度高，科教资源、军工科技等位居全国前列，航空航天、新材料、新一代信息技术等战略性新兴产业发展迅猛，是全国重要的装备制造业基地、高新技术产业基地、国防科技工业基地。而西安更是其中的龙头。/pp　　综观西安发展的诸多重大机遇，军民融合是国家赋予西安最鲜明的改革试验任务。我市要在军民融合体制机制创新、军民资源开放共享、军工科技成果转化、军民融合服务体系、军民融合产业发展等方面形成“西安模式”，加快建设国家军民深度融合示范城市。为不辱使命，将先天优势转化为现实动力，市第十三次党代会报告提出，建设国家军民深度融合示范城市。/pp　　为统筹我市军民融合发展，加强顶层设计和战略规划，我市成立了军民融合领导机构、常设办事机构。并出台了《西安市军民融合产业标准化项目扶持管理办法》、《西安市军工资源共享管理暂行办法》等一系列政策措施。同时，开展与本地军工企业、科研院所的干部交流。事实证明，人才的互动促进了信息交流、资源融合和项目合作，为全市军民融合的深度发展营造了良好的氛围。/pp　　为鼓励军民融合创新发展，在空间承载上，我市构建以高新区军民融合产业园、经开区军民融合装备制造园、西安国家民用航天产业基地、西安兵器工业科技产业基地等为基础的“两园四基地”。在公共服务上，西安科技大市场搭建了军民融合信息服务平台，汇聚了各类军工和国防类科技资源，吸收“军转民”“民参军”等企业超过350家，吸纳数以百计的科研院所开放共享大型仪器设备，积极促进“产—学—研—用”合作和协同配套。在政府综合配套支持上，我市试行军品研制生产单位政策普惠，帮助“民参军”企业申请预研资金、科研经费，以及技术改造等优惠政策。/pp　　经过全市共同努力，西安军民融合在体制机制、承载空间、公共服务、政府配套和主体活力等方面得到了明显优化。在军民深度融合的多个领域寻求重点突破，培育了一批重大创新平台、龙头工程、创新示范企业和新兴产业。/pp　　strong发挥三大基地优势 军民融合引领大西安现代产业体系构建/strong/pp　　“聚焦‘三六九’，振兴大西安”。盘点西安在军民融合行业中的产业亮点，西安依托西安装备制造业基地、高新技术产业基地、国防科技工业基地优势，不断深化军转民与民参军，军民融合产业园区功能日渐完善，带动作用愈发明显，基本形成了“以军带民、以民促军、军民融合”的多元化、集群化发展格局，创新引领着大西安现代产业体系的构建。据今年的市政府工作报告披露，我市民参军企业达到400家，军民融合产业营业收入突破2000亿元。/pp　　在以装备制造为代表的工业领域，我市六大千亿级产业集群加速壮大，汽车产业迈入千亿级。百亿级工业企业总数达到11家。规模以上先进制造业总产值3167.7亿元、增长20.6%。我市创建“中国制造2025”试点示范城市通过国家评估。国家通用航空产业综合示范区已经获批。特别是在航空制造业领域，我市重点发展大型运输机、新舟系列飞机、无人机等整机制造 在航天领域，将加紧实施新一代运载火箭、卫星测控等重大项目 在兵器领域，将重点发展装备制造、新材料、新能源等产业 在电子信息领域，将重点发展通信、集成电路等产业 在船舶领域，将重点发展水中兵器、舰船动力等产业 在核技术领域，将重点发展民用核技术、核燃料、核电设备等产业。以新能源汽车和航空制造等为主的万亿级先进制造业正在积极构建。/pp　　我市提出的重点打造“3+1”万亿级支柱性产业，除上述万亿级先进制造业，还包括“以电子信息为主的万亿级高新技术产业”。依托的也正是西安的科教资源优势和国防科技产业优势。/pp　　科教资源优势，历来是西安的重大优势，据统计陕西和西安各类科研机构达到1176家，各类高等院校116所，国家级重点实验室22个，国家级工程技术研究中心7个等。其中大量为国防科工院所。国防科技产业更是西安的传统优势产业。我市已经云集军工单位超过110家，从业人员超过20万人，行业门类齐全，基本涵盖了航空、航天、兵器、船舶、电子信息、核技术6大领域，国防科技工业研发和生产能力居全国前列。其中，航天科研生产力量占全国近1/3，航空产业资产规模、人才总量和科技成果占全国近1/4，被称为中国的“航天动力之乡”和“航空城”，拥有集科研、试验、生产于一体的完整军工产业链，具有发展军民融合产业的“先天优势”。“构建科技产业园区、创新基地、公共研发平台、加速器、孵化器、众创空间等多层次、全体系的创新创业载体”被写入了我市“十三五”规划纲要，大量科技创业者在西安的开放沃土上耕耘收获。在高新技术产业中，以人工智能、航空航天、光电芯片、新材料、新能源、智能制造、信息技术、生物医药等为代表的硬科技“八路军”在我市蓬勃兴起，这些既是优势产业关键领域的创新方向，也正是战略性新兴产业的发展方向，是军民融合的重点产业领域。/pp　　军民融合的深度发展正在推动传统优势产业转型升级，构建出富有竞争力的现代产业体系，为大西安乃至关中平原城市群追赶超越夯实产业基础。/pp　　strong新使命新征程 军民融合发展的 西安模式正在推向深入/strong/pp　　雄关漫道真如铁，而今迈步从头越。《关中平原城市群发展规划》提出，以西安全面创新改革试验为牵引，统筹推进军工、科研创新机制改革，做大做强航空、航天、船舶、兵器、军工电子等五大优势主导产业，创新军民融合发展路径，打造军民深度融合发展示范区，努力在创新驱动发展方面走在全国前列。/pp　　要打造以西安为中心、横贯关中平原的军民融合产业带，先要做强自身。将建设国家中心城市的使命扛在肩上的西安，在军民深度融合发展的创新之路上加快了脚步。/pp　　前不久，《西安市军民融合补短板促发展实施方案》出台，从加大体制机制改革力度、加快推进“军转民”步伐、支持军民融合公共服务平台建设、引进培育军民融合人才等9个方面发力。/pp　　刚刚结束的两会上，市政府工作报告指出，要加快推进“两区”建设。聚焦统筹科技资源、深化军民融合两大改革任务，坚持复制推广改革经验与深化提升创新成果同步推进，体现西安特色，形成“西安模式”，2018年我市将积极拓展科技大市场功能，推广“一院一所一校”改革经验，实现全市技术合同交易额达到 850亿元，就地转化率超过30%，研发投入占生产总值比重保持在5%以上的目标。同时，扎实推进国家知识产权强市和运营试点城市建设，支持建好国家知识产权军民融合运营平台和中国(西安)高端装备制造产业保护中心。推动军工企业混合所有制改革和军工科研院所事转企改革，统筹抓好军民融合“两园三基地”建设，积极创建“国家军民融合标准化试点城市”。全年军民融合产业营业收入达到2500亿元以上，民参军企业数达到430家以上。支持高新区自创、自贸“双自联动”发展，打造引领创新发展、支撑开放合作的“双示范”样板区。/pp　　为实现这一系列目标，我市计划在金融服务领域，围绕打造丝路国际金融中心的目标，加快建设科技、文化、军民融合3个金融示范区的建设，鼓励发展创业投资、私募股权投资、产业投资等基金，吸引更多境内外金融机构和高层次金融人才向西安聚集。在空间聚集上，坚持产业“特而强”、功能“聚而合”、形态“小而美”、机制“新而活”，突出生产、生活、生态“三生融合”，重点围绕硬科技、文化旅游、军民融合等优势资源，重点加快建设50个左右特色小镇。在产业规划上，推动物联网、虚拟现实、增强现实等新技术与实体经济深度融合。积极发展众创、众包、众扶、众筹等新模式，支持人工智能、增材制造、大数据等新产业聚集发展。/pp　　深化军转民民参军，发展五大产业，搭建军民深度融合新平台，以西安全面创新改革试验为契机，建立多层次对接协调机制，创新军民融合发展路径……/pp　　面对国家赋予西安的新使命，如今的西安已经在新的征程上，奋力奔跑，勇敢前行!/p

获取纳米颗粒定量化形貌信息，是科学家研究纳米颗粒材料性能的重要科研途径，对于推动纳米颗粒材料创新十分重要。扫描电子显微镜(SEM)和透射电子显微镜(TEM)是表征纳米颗粒材料形貌的重要工具。 　　然而，扫描电子显微镜和透射电子显微镜产生的图像，会因为较大的背景干扰和庞大的纳米颗粒数量，使获取纳米颗粒材料形貌信息变得困难。如何在海量而复杂的图像中实时准确地自动获取纳米颗粒定量化形貌信息成为挑战。 　　针对这一问题，中国科学院沈阳自动化研究所数字工厂研究室王卓课题组提出了一种基于深度学习的通用框架，用于对前述两种电子显微镜所产生图像中的纳米颗粒形貌进行快速、准确地在线统计分析。 该项研究近期获国际学术期刊Nanoscale (影响因子8.307)封面(Outside Front Cover)刊载，文章题目是A deep learning-based framework for automatic analysis of nanoparticle morphology in SEM/TEM images。 纳米颗粒分割模块结构示意图 　　该通用框架主要包括纳米颗粒分割模块、纳米颗粒形状提取模块和纳米颗粒形貌统计分析模块三个重要组成部分。其中，在纳米颗粒分割模块的设计中，研究人员将轻量化空洞空间池化金字塔模块、双注意力机制和改进的多尺度渐进融合解码器相融合，能够对纳米颗粒形貌特征进行多尺度多维度的快速捕获和融合，提高该通用框架的实时性和准确性。 　　试验结果表明，研究人员提出的模型在数据集上测试达到86.2%的准确率，并且将模型部署在嵌入式处理器上处理速度可达11FPS，可以满足电镜端的实时处理需求。

作者：荆淮侨 来源：中国科学报受SCIE期刊《极端制造》极端制造编辑部邀请，华中科技大学教授刘世元团队近日在该刊上发表了《10nm及以下技术节点晶圆缺陷光学检测》的综述文章，对过去十年中与光学晶圆缺陷检测技术有关的新兴研究内容进行了全面回顾。随着智能终端、无线通信与网络基础设施、智能驾驶、云计算、智慧医疗等产业的蓬勃发展，先进集成电路的关键尺寸进一步微缩至亚10nm尺度，图形化晶圆上制造缺陷的识别、定位和分类变得越来越具有挑战性。传统明场检测方法虽然是当前晶圆缺陷检测的主流技术，但该方法受制于光学成像分辨率极限和弱散射信号捕获能力极限而变得难以为继，因此亟需探索具有更高成像分辨率和更强缺陷散射信号捕获性能的缺陷检测新方法。据了解，晶圆缺陷光学检测方法的最新进展包含了缺陷可检测性评估、光学缺陷检测方法、后处理算法等三个方面。其中，缺陷可检测性评估，包含了材料对缺陷可检测性的影响、晶圆缺陷拓扑形貌对缺陷可检测性的影响两个方面。在多样化的光学缺陷检测方法上，目前，晶圆缺陷光学检测系统可根据实际使用的光学检测量进行分类。在后处理算法方面，根据原始检测图像来识别和定位各类缺陷，关键在于确保后处理图像中含缺陷区域的信号强度应明显大于预定义的阈值。在该综述研究中，也总结了代表性晶圆缺陷检测新方法。具体可划分为明/暗场成像、暗场成像与椭偏协同检测、离焦扫描成像、外延衍射相位显微成像、X射线叠层衍射成像、太赫兹波成像缺陷检测、轨道角动量光学显微成像。研究人员认为，基于深度学习的缺陷检测方法的实施流程非常简单。首先，捕获足够的电子束检测图像或晶圆光学检测图像。其次，训练特定的神经网络模型，从而实现从检测图像中提取有用特征信息的功能。最后，用小样本集测试训练后的神经网络模型，并根据表征神经网络置信水平的预定义成本函数决定是否应该重复训练。据介绍，尽管图形化晶圆缺陷光学检测一直是一个长期伴随IC制造发展的工程问题，但通过与纳米光子学、结构光照明、计算成像、定量相位成像和深度学习等新兴技术的融合，其再次焕发活力。该团队介绍，这一研究领域的前景主要包含以下方面：首先，为了提高缺陷检测灵敏度，需要从检测系统硬件与软件方面协同创新。同时，为了拓展缺陷检测适应性，需要更严谨地研究缺陷与探测光束散射机理。此外，为了改善缺陷检测效率，需要更高效地求解缺陷散射成像问题。除了IC制造之外，上述光学检测方法对光子传感、生物感知、混沌光子等领域都有广阔的应用前景。相关研究人员表示，通过对上述研究工作进行评述，从而阐明晶圆缺陷检测技术的可能发展趋势，将为该领域的新进入者和寻求在跨学科研究中使用该技术的研究者提供有益参考。华中科大机械学院研究员朱金龙、博士后刘佳敏为该文共同第一作者，华中科大教授刘世元以及朱金龙为共同通讯作者。相关论文信息：https://doi.org/10.1088/2631-7990/ac64d7

各种汞的化合物中，烷基汞类化合物（主要是甲基汞和乙基汞）因为毒性强，具有生物放大作用和生物累积效应，能够通过血脑屏障对哺乳动物尤其是人类造成潜在的威胁，因此被各级检测部门列为了重要的检测对象；同时国家也制定了相关的限值标准，如《地表水环境质量标准》（GB3838-2002），《污水综合排放标准》（GB8978-1996），《生活饮用水卫生标准》（GB 5749-2022）等，来对不同介质中的烷基汞的潜在风险进行控制和管理。在此基础上，与烷基汞相关的分析检测标准也陆续发布实施，其中包括了《水质烷基汞的测定 吹扫捕集气相色谱冷原子荧光光谱法》(HJ 977-2018) 、《土壤和沉积物　甲基汞和乙基汞的测定 吹扫捕集/气相色谱-冷原子荧光光谱法》 (HJ 1269-2022)、《生活饮用水标准检验方法 第6部分：金属和类金属指标 28氯化乙基汞：吹扫捕集气相色谱-冷原子荧光法》（GB/T 5750.6-2023）。由仪真分析提供的MERX全自动烷基汞分析系统，在这些分析方法标准的制定和验证过程中提供了重要的数据支撑。为了适应政策需要，进一步提升用户关于烷基汞标准分析方法的监测技术能力，我司于4月24-27日举办了“烷基汞标准宣贯高级培训班”。课程内容深度解析了上述标准分析方法，培训采用“理论授课”+“线下实操”的方式，旨在为学员们创造全方位系统地学习烷基汞标准分析方法监测技术的交流机会。在培训中，来自仪真分析的专家团队为学员们提供系统的授课和指导，深入解读了烷基汞相关分析标准，全面涵盖了烷基汞分析理论知识，帮助学员们更好地理解和应用。本次培训不仅注重理论知识的传授，更强调实践操作能力的培养，让学员们能够熟练掌握MERX全自动烷基汞分析系统的实验操作，并将其应用于实际工作中。结课后为每位通过考核的学员颁发了《培训证书》，获得了学员们的一致好评。仪真分析更加期待未来向更多学员提供学习和交流的机会！

一、合作新篇章 近日，科迈恩（北京）科技有限公司与安捷伦科技（中国）有限公司再度围绕基于高分辨质谱的聚合物精细表征技术应用签署深度战略合作。双方将共同致力于推广聚合型化合物智能分析系统Polymer Studio结合高分辨质谱对于药用辅料及其制剂中的复杂组分自动表征与鉴定技术，展示LC-HRMS在以吐温、司盘、脂质体等为代表的聚合型药用辅料的质量评价中的独特优势，为制药行业广大用户提供前沿技术手段及整体解决方案。该项产学研用一体化合作也得到了中国医学科学院/协和医学院药物研究所张金兰教授及其团队的大力支持和肯定。 全新的Polymer Studio药用辅料智能表征分析软件暨数据库的发布填补了现有各国药典关于聚合型药用辅料质量精细表征与一致性评价的空白；缓解了高级药用辅料长期依赖进口的卡脖子问题；提供了抗体药及mRNA疫苗制剂中广泛使用的吐温系列辅料潜在的因氧化等因素导致疫苗失效及细胞毒作用的杂质分析方法，将在聚合型组分复杂体系的高分辨质谱表征这一“聚合物组学”的全新应用领域发挥重要和积极的作用。二、产品亮点1. 可扩展的天然及合成高分子聚合物系列高分辨质谱（MSn）数据库2. 制药领域最全面的聚合型药用辅料及有关物质（杂质）数据库（收载多达2万个化合物单体）3. 专利的高分辨质谱复杂组分精细表征高性能识别算法4. 专业UI界面、丰富、直观的数据分析结果5. 辅料一致性评价报告智能生成三、行业新应用 下一阶段双方将围绕生物、制药、食品、材料等相关高分子聚合物精细表征领域开展深度合作，针对行业Q-TOF质谱重点客户提供差异化解决方案，满足辅料软件用户的品种定制化需求，充分挖掘该分析平台的技术潜力，共同致力解决行业辅料相关质量分析挑战，促进双方人员技术交流和能力提升。 同时，双方还将共同开展相关应用领域公开性质的市场活动，推动企业界领袖、中国科学家及药品监管部门之间的技术交流，引领药用辅料质量分析、评价与控制技术发展趋势，进一步扩大安捷伦科技和科迈恩科技在制药行业及药用辅料质量分析与评价领域的服务能力和影响力。 双方自2019年首次开展战略合作以来，在提升我国药用辅料质控水平方面取得一系列进展。未来，科迈恩科技也将进一步加深与安捷伦科技在制药行业及药用辅料质量分析与评价领域的合作，逐步优化服务水平，完善解决方案内容，持续为行业创新与高质量发展贡献力量。关于科迈恩科技科迈恩科技秉持“让AI为创新分析技术赋能”的愿景，致力于让广大用户受益于大数据和人工智能技术对于检测能力的创新和提高。目前科迈恩科技已在智能化仪器数据分析、快检技术、新药研发、精准医疗、感官评价等工业级AI建模等领域拥有系列化产品或解决方案，涵盖色谱、质谱、光谱、核磁共振等多维分析大数据的融合。所服务的客户覆盖制药、快消品、农产品、临床、石化、环保、交通、汽车制造等诸多领域。关注“科迈恩科技”公众号，了解更多分析检测行业的解决方案如您对科迈恩科技有更多想了解，可通过仪器信息网和我们取得联系！400-860-5168转3905

机械工业教育发展中心和全国机械职业教育教学指导委员会在发布的《关于公布2021年度机械行业职业教育校企深度合作项目的通知》(机教中函[2021]2号)文件中，公布确定了14个机械行业职业教育校企深度合作项目。“先临三维3D打印与三维数字化设计平台综合建设项目”成功入选。 先临三维申报的“先临三维 3D打印与三维数字化设计平台综合建设项目” 被遴选列入为2021年度14个机械行业职业教育校企深度合作项目之一。该项目将与合作院校，聚焦增材制造技术领域，基于“三维数字化与增材制造教学内容和课程共建”、“高水平师资培训”、“智能制造实训实践基地建设”、“创新创业人才联合培养”等项目设计，围绕重点建设方向开展深度校企合作。项目主要内容在三维数字化与增材制造教学内容和课程共建方向，将面向机电工程、工业机器人、工程创新、艺术设计等专业方向，在学校实现现有教学目标的基础上，将增材制造和三维数字化技术作为一种辅助教学的手段，融合进课程体系中，推动学生系统能力的培养，加强新型制造工艺下新的增材设计思维的培养；为推动与普及3D 打印技术及三维扫描技术在专业建设中起到积极作用而努力，设立课程体系建设和教材项目。通过该项目为合作院校提供课程研讨、校企共建、人才培养、教材开发等支持。在高水平师资培训方向，将围绕当前的三维扫描与增材制造技术热点及热门应用，以培养具有理论与实操基础知识、具备创新能力的职业院校教师为目标，开展院校师资培训、教学研讨会、企业工程师进高校课堂等活动，协助提升一线教学教师的技术和课程建设水平。在联合智能制造实训实践基地建设方向，将依托先临三维3D打印与三维数字化制造平台，为院校师生提供项目实训场地、实习实训岗位，配合学校理论授课环节，企业分阶段派遣经验丰富的工程师为学生讲解设备实操及实际生产应用中的问题，分享实际案例并实操，提升学生技术和项目的实践和创新能力以及职业应用与职场生存能力。在创新创业人才联合培养方向，将面向创新创业方向专业，基于增材制造及三维扫描技术，协助职业院校促进3D打印教育与创新创业教育有机融合，调整3D打印课程设置，挖掘和充实3D打印专业课程的创新创业教育资源，在传授专业知识过程中加强创新创业教育，为学生搭建3D打印创新创业必要的平台支持。先临三维将与院校协同建设三维数字化与增材制造相关专业，制定以三维数字化与增材制造为核心的复合型人才培养方案，开发符合现代学徒制人才培养需求的课程体系和课程资源。支持职业院校创新创业教育改革，协同开展职业素质教育，支持校内创客空间、项目孵化转化平台等项目。强化教学创新团队建设，通过组织师资培训，开展教学能力提升行动，打造新型“双师型”教师队伍。基于生产性实训基地，建成集人才培养、技术研究、员工培训、技术服务于一体的三维数字化与增材制造学院数百个，助力院校三维数字化与增材制造相关专业转型升级，提升我国三维数字化与增材制造类应用人才技能水平。

2024年8月14-15日，由全国化学标准化技术委员会石油化学分会主办，中石化（上海）石油化工研究院有限公司承办2024年轻质烯烃标准宣贯会在山东青岛召开。本次会议主要围绕工业乙烯丙烯中CO/CO2/C2H2/H2/痕量硫化物等杂质分析的八项标准（GB/T3392、GB/T3394、SH/T1844、SH/T1769等），由主要起草单位的专家进行深入解读，共有来自全国主要石化企业等单位约60人参会并进行经验交流。岛津受邀参加了本次盛会，与业界同仁一起进行了交流沟通。岛津分析计测事业部市场部李学伟先生以《以“芯”拓新，岛津气相色谱新技术助力石化化工分析》为题，分享了岛津近两年围绕石化化工分析领域推出的新技术和新方案，比如创新可视化进样技术的高压液体进样阀LSV-S，高精度气体稀释仪DLTR-2030，新中心切割单元HTCT-D等附件新品。岛津今年新发布甲烷转化器产品：Jetanizer通过内置在FID喷嘴内的创新型催化剂（无镍型），可以高效地将CO和CO2转化成CH4，从而简化分析CO和CO2的思路；Polyarc将含碳化合物全部转化成甲烷后检测，因此几乎对所有有机化合物的响应基本一致，增强了FID检测器的检测能力，提升分析效率，一套配置能够检测更多化合物。创新的甲烷转化器产品是拓宽FID应用宽度和深度的利器。最后李学伟先生介绍了本次重点发布的新技术——ELEM-SPOT有机物形态分析仪，这是一套专门针对复杂烃类样品中含氧/含氮化合物的高选择性和高灵敏度筛查的创新分析方案，能够为广大从事研究和开发生物质能源、化学回收利用等科研工作者提供微量含氧、含氮化合物快速准确的高灵敏度检测手段，助力GX绿色转型（Green Transformation）。岛津分析计测事业部市场部李学伟先生岛津LabTotal事业部李伟先生以《岛津气相色谱维护经验分享》为题，介绍了气相色谱使用经验、故障排查思路以及岛津维护保养服务，特别是针对FID数据不佳时的解决思路。岛津LabTotal事业部李伟先生此外，岛津在会议现场以实物或展板形式展示了多项创新技术和方案，受到与会代表的广泛关注，成为现场专家的热议话题。 岛津历来重视石化化工行业的需求，一直致力于新产品、新应用方案的创新，以成套成熟的大项目解决方案、完善的售前售后服务体系得到了越来越多石化化工用户的信赖。我们期待未来与全国化学标准化技术委员会石油化学分会的同仁和各界专家继续深入交流，就标准制修订及石化分析新进展展开深入探讨，共同推动行业标准化进程，同时岛津也将持续创新和推出满足石化化工市场需求的新技术和新方案。本文内容非商业广告，仅供专业人士参考。

从传统农业到现代农业，从“一窗办理”到“一指办理”，数字化改革的“星星之火”在中国农村正上演燎原之势。以浙江省为例，涌现出了一批新模式、新业态的“浙江样板”。 一直以来，托普云农全资子公司——浙江森特深度参与浙江省数字化改革，助力农业农村数字化转型。5月28日，“2022森特能力共享平台发布会暨生态合作伙伴大会”在杭举行，行业领导、专家齐聚杭州，线上线下结合，共商农业农村现代化发展之道。来自浙江省、市、县农业农村数字化改革的实践者，也带来了他们的精彩分享。2022森特能力共享平台发布会现场仙居“亲农在线”小程序化解农民心头事 在数字时代，传统产业数字化转型为实现共同富裕增添新的驱动力。仙居县委县政府和农业农村局携手浙江森特打造 “亲农在线”小程序，以赋能杨梅产业为切入口，聚焦农业生产中农技指导、涉农补贴、政策性保险等农民“心头事”，通过数据共享、流程再造、制度重塑，运用创新技术手段全面采集农业产业信息，打造“产业一件事”，构建“产业一张图”，为农户提供涉农补贴、农技咨询、掌上开票等数字化助农服务，让梅农办事优质高效。仙居县农业农村局信息中心副主任王鋆作案例分享 “亲农在线”打造了小农户与现代农业紧密结合的典范，探索走出了“数字赋能”共同富裕新路子。浦江“智慧葡农一键通”葡萄串起致富路 为解决葡农在葡萄生产过程中技术指导难、服务渠道少、政策了解少、应享尽享难、销售模式少、优质优价难等痛点、难点，打响浦江葡萄的全国知名度，浦江县以数字化改革为总抓手，联合浙江森特打造了“智慧葡农一键通”应用，以大数据、云计算等技术为手段，汇集浦江葡萄产业数据资源，打造科学生产、品牌管理、高效配套、惠农政策、优质优销的全产业链数字服务场景，帮助葡农“种好、管好、卖好葡萄”，实现产业促富。浦江县农业农村局信息中心主任潘青仙作案例分享 除了围绕葡萄产业的数字赋能，以浦江十里阳光农场作为超级农场试点，助力葡萄生产模式向“数字智慧”转型升级，为生产打造更优质的浦江葡萄提供有效路径。“蔬”香萧山拎稳人民的“菜篮子” 为加强蔬菜供应保障市场平稳供给，应对疫情、亚运会等特殊时期的供应需要，萧山农业农村局联合浙江森特打造“蔬”香萧山蔬菜保供数字化项目，以产业地图为基础，以政策补贴为抓手，聚焦蔬菜保供各环节的业务协作、保供监管、保供手段等问题，通过创新机制体制、拟定政策制度、重塑业务流程、共享蔬菜数据，进一步提升蔬菜保供跨部门联动能力，实现蔬菜产地高质量生产、政府保供精j准化管理。萧山区农业农村局农（林）业技术推广中心副主任傅潇霞作案例分享 “蔬”香萧山为市场提供了数字化蔬菜保供新模式，平时保障、战时应急，稳稳地拎住人民的“菜篮子”。“梅”好兰溪数字赋能“梅”好向未来 为全力打造“兰溪杨梅”金名片，推进兰溪杨梅产业高质量绿色发展，兰溪市农业农村局联合浙江森特构建“梅”好兰溪数字田园项目，通过人工智能、数字孪生、卫星遥感等数字化技术建成全产业链、功能协同的兰溪产业大脑，“梅”好产品、“梅”好服务、“梅”好管家、 “梅”好共富四大服务场景，更好地推动兰溪杨梅产业数字化转型，实现农民共富。兰溪市农业农村局农村大数据发展中心副主任江悦音作案例分享 创新打造首s个杨梅产业数字孪生应用场景，实现杨梅数字化管理；组建首s个杨梅指数研究团队，引领产业发展；使用主体信誉三色码管理模式，以数据分析赋能产业服务；人工智能应用于品质管理，以禁药期为切入点智能管控肥药使用，实行禁药期药桶场景化自动采集、预警、处置全闭环，精k准治理杨梅全产业链，实现品质共富。从树尖到舌尖，全力守护杨梅质量安全，保障消费者“舌尖安全”。 笃行不怠，擘画新蓝图。依托二十年的沉淀积累与创新研发，浙江森特将继续助力农业产业数字化转型，打造数字乡村建设新模式，将浙江模式复制到全国，为乡村振兴注智赋能。

来自瑞士苏黎世大学和苏黎世理工大学的研究人员开发出一种称为漫反射光学定位成像(DOLI)的新技术，利用它可以高分辨率、无创观察活体小鼠大脑深部的微血管。该技术具有卓越的分辨率，可看到深层组织，为观察大脑功能提供了强大的光学工具，在研究神经活动、微循环、神经血管耦合和神经退化方面具有广阔的应用前景。相关研究发表在近日的美国光学学会期刊《光学》上。　　这种技术利用了1000—1700纳米之间的第二近红外(NIR-Ⅱ)光谱，这一范围光谱的散射较少，可使显微荧光成像的深度达到光扩散深度极限的4倍。　　在各种疾病的动物模型中，荧光显微镜经常被用来对大脑的分子和细胞细节进行成像。但此前，由于皮肤和颅骨的强烈光散射影响，荧光显微镜仅限于小体积和高度侵入性的操作。此次研究首次表明，3D荧光显微镜可帮助科学家以非侵入性方式，高分辨率地观察成年小鼠大脑。该显微镜有效覆盖了大约1厘米的视野。　　研究人员首先在模仿人体平均大脑组织特性的组织合成模型中测试了这项技术，证明他们可以在光学不透明的组织中获得最深达4毫米的显微分辨率图像。然后，他们在活小鼠身上测试了这项技术。他们给活小鼠静脉注射了荧光微滴，追踪这些流动的荧光微滴可以重建小鼠大脑深部微血管的高分辨率图。观察发现，借助DOLI技术可以完全无创地观察到脑微血管以及血流的速度和方向。　　研究人员表示，这种方法消除了背景光散射，并可在头皮和头骨完好无损的情况下进行。他们还观察到相机记录的斑点大小与微滴在大脑中的深度有很大的关系，这使大脑深度分辨成像成为可能。　　“在生物医学成像领域，实现深部活体组织的高分辨率光学观测是一个长期的目标。”研究小组组长丹尼尔拉赞斯基说。　　现在，研究人员正在努力优化DOLI技术，以提高其分辨率。他们还在开发改进的荧光剂，这些荧光剂更小、荧光强度更高，且在体内更稳定，这将大大提高该技术在清晰度和成像深度方面的性能。

为进一步提高分析人员使用及维护液相色谱仪的水平，12月12~15日分别在常州、南通举办制药及相关行业液相色谱仪深度免费培训班，邀请对象为各药品生产经营企业、原料及中间体生产企业及其他相关单位中使用及维护液相色谱仪两年以上的人员。　　授课人员为岛津(中国)公司及普今公司液相色谱资深工程师。此次，交流培训班圆满结束!　　 　　 　　 　　 　　 　　 　　 　　 　　苏州普今生物科技有限公司　　2009-12-21

p　　一、人工智能：从概念提出到走向繁荣/pp　　1956年，达特茅斯会议上提出了“人工智能”的概念，直到2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法(深度学习)的出现，人工智能开始大爆发。/pp　　目前的科研工作都集中在弱人工智能这部分，并很有希望在近期取得重大突破，主要归功于一种实现人工智能的方法——机器学习。/pp　　二、机器学习：一种实现人工智能的方法/pp　　机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。/pp　　机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。/pp　　传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。/pp　　三、深度学习：一种实现机器学习的技术/pp　　深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出(如残差网络)，因此越来越多的人将其单独看作一种学习的方法。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。/pp　　四、三者的区别和联系/pp　　机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。/pp　　深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：/pp　　1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理 /pp　　2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法 /pp　　3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。/pp　　深度学习大佬 Yoshua Bengio 在 Quora 上回答一个类似的问题时，有一段话讲得特别好，大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。进入21世纪，纵观机器学习发展历程，可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢?深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。/p

新诺仪器为助力科研，尽一步之力2024年5月24日，由Energy Materials 主办，东南大学、OAE Publishing Inc.、西安艾克伦斯信息科技有限公司、江苏省能源研究会承办，上海交通大学、南京大学、西安交通大学、南京理工大学、南京航空航天大学、南京邮电大学、南京信息工程大学、江苏大学、南京工业大学、西安建筑科技大学、西安石油大学、中国检验检测学会新能源分会、江苏省能源研究会储能专委会、江苏省颗粒学会能源颗粒专委会共同协办的的第二届新能源材料创新发展论坛暨新能源产业发展深度赋能大会在南京富力万达嘉华酒店盛大开幕。会议以"能源材料创新与可持续发展"为主题，旨在搭建一个高端的学术交流平台，包括材料科学、能源工程、环境保护等领域的杰出代表在内的众多国内外专家学者汇聚一堂，就氢能与燃料电池、锂离子电池与固态电池、新型储能技术与器件、钠/钾电池材料与技术、光伏/光电催化转化材料与技术等热门议题展开深入探讨与交流。同时，本论坛不仅为参会者提供了一个学习、交流、借鉴的机会，还将进一步助推新能源材料领域的创新和可持续发展。精彩学术分享：上海新诺仪器集团有限公司新诺仪器很荣幸受邀参加此次会议，新诺仪器专注于粉未成型解决方案，是集实验室通用仪器的研发、生产、定制代理、销售和服务为一体的综合型科技公司。公司主营的压片机系列，等静压机系列，热压机系列及配套冷热压模具。新诺研发人员根具市场需求，使用人员反馈，不断研发更新，力求于所生产的设备实用性更强，操作更方便，让实验变的更简单，一直是我们奋斗的目标。新诺精彩花絮新诺还是那个新诺，产品不断更新，闪亮依旧闪学院的院士教授等齐聚新诺展位新诺代理商近距离了解新诺产品与东南大学吴宇平（大会主席）Kenneth I. Ozoemena院士（University of the Witwatersrand）合影新诺旗下：上海医诺凯生物技术有限公司自产：干燥箱、培养箱、试验箱、电阻炉等高端实验箱体设备的国产化研发智造商！

2020年9月8日，天美集团领导们来我司参观和培训演讲，谱标科技总公司全体业务、客户都参加了此次培训，接下来谱标科技将和天美集团深度合作，为研发实验室分析新仪器作准备，为国产仪器的发展作进一步的努力和推动，为解决实验室建设及检测遇到的一切难题~ 天美集团从事表面科学、分析仪器、生命科学设备及实验室仪器的设计、开发和制造及分销；为科研、教育、检测及生产提供完整可靠的解决方案。近年来天美集团积极拓展国际市场，先后在新加坡、印度、印尼、泰国、越南、美国、英国、法国、德国、瑞士等多个国家设立分支机构。公司亦先后收购了法国Froilabo公司、瑞士Precisa公司、美国IXRF公司、英国Edinburgh Instruments公司等多家海外知名生产企业和布鲁克公司Scion气相和气质产品生产线， 以及上海精科公司天平产品线, 三科等国内制造企业、加强了公司产品的多样化。 在这里我们可以更进一步了解SCION 456-GC产品的优势和进样口压力范围、分辨率情况： 实际样品定性定量分析白酒结果：436G有效解决了yi醛拖尾现象，436C-FID陶瓷喷嘴减少拖尾和溶解峰干扰。 - 独特的90°弯曲q0，保护四级杆不被污染- 独特的180°弯曲的碰撞池，提供更高的信噪比；大幅度消除中性噪音；减小交叉污染/串扰 创新是引领发展的第一动力，也是推进中间国制造迈向中间高端的重要手段。我们仪器企业通过科技创新提升资源、产品、服务的价值，减少无效供给，把科技创新真正落实到产业发展上，能真正实现国产仪器的产业化发展，同时也真正的满足市场的需求。 未来，国家将继续大力支持国产仪器企业发展，加大扶持力度，助力国产仪器企业成长壮大。所以国产仪器企业在扩大中、低端仪器领域优势的同时，还要积极提升高端仪器的技术实力与创新能力，不断调整新产品结构，全力推动中国仪器产业发展。

全国人大代表、华中科技大学校长 尤政“进一步完善相关机制，让领军企业充分发挥‘出题人’‘阅卷人’作用，以研发投入为‘指挥棒’，引导高校主动打破信息差，让应用研究成果适应产业需求，赋能壮大企业的科技创新主体地位。”近日，全国人大代表、中国工程院院士、华中科技大学校长尤政在接受上海证券报记者采访时表示，建设未来产业科技园，是解决科研供需对位、探索更高效科研成果转化的全新载体，让一流高校的创新链、人才链优势与一流企业在产业链、资金链的优势共同促进“四链”深度融合。今年全国两会，尤政准备了《依托未来产业科技园 以四链深度融合促战略性新兴产业培育》《加快完善卓越工程师培养机制 筑牢现代化产业体系发展根基》等建议。尤政说，当前，新一轮科技革命和产业变革正重塑全球经济结构，战略性新兴产业成为各国角力的新赛道。我国发表在高水平国际期刊论文数量及被引用次数居于全球前列，如何及时将这些创新成果应用到具体产业和产业链上，培育发展新质生产力，对改造提升传统产业、培育壮大新兴产业、布局建设未来产业、完善现代化产业体系至关重要。　　科研成果转化仍存在堵点尤政通过深入调研了解到，近年来，高质量发展已成为经济社会发展的主旋律，创新驱动发展成效日益显现，但是，在科研成果高效转化推进产业升级的这个链条上，仍有一些堵点。首先，科研产出与市场需求的信息不对称。从发明专利的数量上看，我国专利申请量、授权量连续多年位居世界第一，但存在海量的“沉睡专利”等待转化利用。国家知识产权局发布的一项数据显示，2020年，我国有效发明专利产业化率为34.7%。其中，企业为44.9%，科研单位为11.3%，高校为3.8%。与之对应的是，美国高校专利转化率约为50%。其次，专利转移转化的渠道不畅。过去一段时间，高校和科研机构的研究成果，是企业技术创新的来源。除了专利质量、权益分配机制等因素外，转移转化的平台模式不够健全，抬高了专利转让和专利许可的交易成本。最后，缺少满足企业需求的转化平台。当前我国“四链”深度融合的创新生态尚未形成，企业参与“四链融合”的内驱动力不足、研发效率和成果转化率低、科技型企业融资渠道不畅、人才培养与产业需求相对脱节等问题仍较为突出。尤其作为国民经济“压舱石”的国资国企，在科技研发投入和投向方面虽有明确目标，但高效发现并识别符合企业需求的项目并不容易，限制了企业发挥创新主体作用。尤政说，加快国内传统产业向价值链高阶跃升进程，推动新旧动能接续进程，需要企业与高校创新合作方式，组成创新联合体，打造原创技术策源地，以新技术培育新产业，进而推动产业升级。打造科研成果转化全新载体2022年以来，有关部门启动了国家未来产业科技园试点及培育工作，依托高校优势学科，既联系产业需求侧，又连接科技供给侧，通过探索“学科+产业”的创新模式，构建未来产业应用场景，加快集聚人才、技术、资金、数据等创新要素，让一流高校的创新链、人才链优势与一流企业在产业链、资金链的优势结合，共同促进“四链”深度融合。“建设未来产业科技园，是解决科研供需对位、探索更高效科研成果转化的全新载体。”尤政说。围绕为更好发挥平台功能、释放校企联合创新的动能活力，尤政提出相关建议：一是“用为导向”，在研发投入渠道和评价机制上，为科研成果涌现和转化护航。释放创新活力，离不开体制机制的保障，需要教育、科技等主管部门进一步完善相关机制，让领军企业充分发挥“出题人”“阅卷人”作用，以研发投入为“指挥棒”，引导高校主动打破信息差，让应用研究成果适应产业需求，赋能壮大企业的科技创新主体地位。高校自身也在科教协同、产教融合中，壮大学科发展，形成产学研之间的良性循环。二是畅通渠道，为领军企业参与并发挥作用提供便利。实现产业整体跃升的战略目标，关键在于领军企业的牵引。其中，国资央企肩负着科技创新、产业控制、安全支撑的任务，需要瞄准国家重大需求，加强重点领域研发投入，提高应用基础研究投入占比，以颠覆性技术和前沿技术催生新产业、新模式、新动能。无论是在功能实现，还是关注的重点产业领域方面，都与未来科技产业园高度一致。因此，加强领军企业与高校等创新环节的互动，并形成创新联合体，有助于更高效地开展关键核心技术协同攻关，以应用为牵引，加速产品迭代升级，培育壮大经济增长新引擎。三是金融支持，建立基础研究经费的多元化投入机制。以政府引导和金融服务为抓手，建立健全科研成果作价入股等配套机制，精准引导金融机构和社会资本加大产业创新链的资金投入，引导金融机构对重点产业创新链项目给予股权融资支持，促进产业链、创新链、资金链的供需精准对接，为创新驱动发展提供资本支撑。

安徽理工大学地球与环境学院青年教师陶晨与加拿大滑铁卢大学工程学院教授Wayne Parker和不列颠哥伦比亚大学教授Pierre Berube课题组合作，针对安大略省多伦多市Keswick污水回用中心冬季深度处理污染加剧的问题，进行了前期历史数据分析和后期实验研究，厘清了二级生物处理运行温度和深度处理超滤运行温度对膜污染的影响机制。相关研究成果发表于《分离纯化杂志》。二级和深度处理运行温度对膜污染影响机制的示意图 安徽理工大学供图污水深度处理是指城市污水经一级、二级处理后，为了达到一定的回用水标准，使污水作为水资源回用于生产或生活的进一步水处理过程。超滤被认为是一种非常有前景的污水回用处置方式，然而膜污染问题一直是限制其长期稳定运行以及运营成本管控的瓶颈性问题。 “因为膜污染会造成跨膜压差的上升，在维持目标处理效率的前提下，需要提高膜清洗与更换的频率，从而增加运营成本和能源消耗。一般来说，膜污染控制成本占运行成本的20%-30%；其中，膜清洗和膜更换成本分别占膜污染控制总成本的9%-30%和40%-65%。而对于污水深度处理的运行场景来说，这些数据会随着冬季温度的降低，进一步升高。”陶晨向《中国科学报》介绍。近年来，各国学者针对温度对膜污染的影响展开了相关研究，然而研究对象多为膜生物反应器（MBR）工艺。一方面，在深度处理中，因为膜不直接与污泥混合液接触，所以膜污染机理与MBR有很大区别；另一方面，深度处理中膜过滤过程与二级生物过程分开进行，温度对二者造成的影响程度不同且存在交叉影响，值得分别去探讨。此次研究中，陶晨等提出了活性污泥模型与实验结合的方法，通过新颖的实验设计，评价了温度通过影响二级生物过程及其代谢产物，以及温度影响膜固有性质对深度处理膜污染的影响机制。“我们研究发现，将二级生物处理运行温度从20℃降低到8℃，且超滤运行温度为20℃不变时，总膜阻力大幅度增加。这主要是由于二级生物过程在低温下产生的可溶性微生物产物大量增加导致，其中与生物质衰减相关的有机质（BAP）是最主要膜污染物质。”陶晨说。进一步地，降低超滤运行温度时，总膜阻力增加了122%，这一部分膜阻力的增加是由于膜孔径的减小和液体黏度的增加。研究发现，总膜阻力的增加并不是各部分影响的简单叠加，而是存在复杂的交互影响。陶晨说，该工作全面探讨了运行温度对膜污染的影响，为不同温度运行条件下设计膜污染缓解措施提供了理论基础，也为探讨其他极端运行条件下二级生物过程与膜污染间的关系提供了方法借鉴。”审稿人认为：作者研究了实际污水处理厂运行温度对深度处理膜污染的影响机制，区分了造成低温条件下总膜阻力上升的不同原因，是一项有趣的研究工作，对缓解膜污染并减少运行成本提供了理论参考，具有实际意义。

摘要：本文首先简单回顾了辉光放电光谱仪（Glow Discharge Optical Emission Spectrometry，GDOES）的发展历程及特性，然后通过实例介绍了GDOES在微米涂层以及纳米超薄膜层深度剖析中的应用，并简介了深度谱定量分析的混合-粗糙度-信息深度（MRI）模型，最后对GDOES深度剖析的发展方向作了展望。1 GDOES发展历程及特性辉光放电发射光谱仪应用于表面分析及深度剖析已经有近100年的历史。辉光放电装置以及相关的光谱仪最早出现在20世纪30年代，但直到六十年代才成为化学分析的研究重点。1967年Grimm引入了“空心阳极-平面阴极”的辉光放电源[1]，使得GDOES的商业化成为可能。随后射频（RF）电源的引入，GDOES的应用范围从导电材料拓展到了非导电材料，而毫秒或微秒级的脉冲辉光放电(Pulsed Glow Discharges，PGDs)模式的推出，不仅能有效地减弱轰击样品时的热效应，同时由于PGDs可以使用更高激发功率，使得激发或电离过程增强，大大提高了GDOES测量的灵敏程度，极大推动了GDOES技术的进步以及应用领域的拓展。GDOES被广泛应用于膜层结构的深度剖析，以获取元素成分随深度变化的关系。相较于其它传统的深度剖析技术，如俄歇电子能谱（AES）、X射线光电子能谱（XPS）和二次离子质谱（SIMS）或二次中性质谱（SNMS），GDOES具有如下的独特性[2]：（1）分析样品材料的种类广，可对导体/非导体/无机/有机…膜层材料进行深度剖析，并可探测所有的元素(包括氢)；（2）分析样品的厚度范围宽，既可对微米量级的涂层/镀层，也可对纳米量级薄膜进行深度剖析；（3）溅射速率高，可达到每分钟几微米；（4）基体效应小，由于溅射过程发生在样品表面，而激发过程在腔室的等离子体中，样品基体对被测物质的信号几乎不产生影响；（5）低能级激发，产生的谱线属原子或离子的线状光谱，因此谱线间的干扰较小；（6）低功率溅射，属层层剥离，深度分辨率高，可达亚纳米级；（7）因为采用限制式光源，样品激发时的等离子体小，所以自吸收效应小，校准曲线的线性范围较宽；（8）无高真空需求，保养与维护都非常方便。基于上述优势，GDOES被广泛应用于表征微米量级的材料表面涂层/镀层、有机膜层的涂布层、锂电池电极多层结构和用于其封装的铝塑膜层、以及纳米量级的功能多层膜中元素的成分分布[3-6]，下面举几个具体的应用实例。2 GDOES深度剖析应用实例2.1 涂层的深度剖析用于材料表面保护的涂层或镀层、食品与药品包装的柔性有机基材的涂布膜层、锂电池的多层膜电极，以及用于锂电池包装的铝塑膜等等的膜层厚度一般都是微米量级，有的膜层厚度甚至达到百微米。传统的深度剖析技术，如AES，XPS和SIMS显然无法对这些厚膜层进行深度剖析，而GDOES深度剖析技术非常适合这类微米量级厚膜的深度剖析。图1给出了利用Horiba-Profiler 2（一款脉冲—射频辉光放电发射光谱仪—Pulsed-RF GDOES，以下深度谱的实例均是用此设备测量），在Ar气压700Pa和功率55w条件下，测量的表面镀镍的铁箔GODES深度谱，其中的插图给出了从表面到Ni/Fe界面各元素的深度谱，测量时间与深度的转换是通过设备自带的激光干涉仪（DIP）对溅射坑进行原位测量获得。从全谱来看，GDOES测量信号强度稳定，未出现溅射诱导粗糙度或坑道效应（信号强度随溅射深度减小的现象，见下），这主要是因为铁箔具有较大的晶粒尺寸。同时还可以看到GDOES可连续测量到~120μm，溅射速率达到4.2μm/min（70nm/s）。从插图来看， Ni的镀层约为1μm，在表面有~100nm的氧化层，Ni/Fe界面分辨清晰。图1 表面镀镍铁箔的GODES深度谱，其中的插图给出了从表面到Ni/Fe界面的各元素的深度谱图2给出了在氩-氧（4 vol%）混合气气压750Pa、功率20w、脉冲频率3000Hz、占空比0.1875条件下，测量的用于锂电池包装铝塑膜（总厚度约为120μm）的GODES深度谱，其中的插图给出了铝塑膜的层结构示意图[7]。可以看出有机聚酰胺层主要包含碳、氮和氢等元素。在其之下碳、氮和氢元素信号的强度先降后升，表明在聚酰胺膜层下存在与其不同的有机涂层—粘胶剂，所含主要元素仍为碳、氮和氢。同时还可以看出在粘胶剂层下面的无机物（如Al，Cr和P）膜层，其中Cr和P源于为提高Al箔防腐性所做的钝化处理。很明显，图2测量的GDOES深度谱明确展现了锂电池包装铝塑膜的层结构。实验中在氩气中引入4 vol%氧气有助于快速溅射有机物的膜层结构，同时降低碳、氮信号的相对强度，提高了无机物如铬信号的相对强度，非常适合于无机-有机多层复合材料的结构分析，而在脉冲模式下，选用合适的频率和占空比，能够有效地散发溅射产生的热量，从而避免了低熔点有机物的碳化。图2一款锂电池包装铝塑膜的GDOES溅射深度谱，其中的插图给出了铝塑膜的层结构示意图[7]2.2 纳米膜层及表层的深度剖析纳米膜层，特别是纳米多层膜已被广泛应用于光电功能薄膜与半导体元器件等高科技领域。虽然传统的深度剖析技术AES，XPS和SIMS也常常应用于纳米膜层的表征，但对于纳米多层膜，传统的深度剖析技术很难对多层膜整体给予全面的深度剖析表征，而GDOES不仅可以给予纳米多层膜整体全面的深度剖析表征，而且选择合适的射频参数还可以获得如AES和SIMS深度剖析的表层元素深度谱。图3给出了在氩气气压750Pa、功率20w、脉冲频率1000Hz、占空比0.0625条件下，测量的一款柔性透明隔热膜（基材为PET）的GODES深度谱，如图3a所示，其中最具特色的就是清晰地表征了该款隔热膜最核心的三层Ag与AZO（Al+ZnO）共溅射的膜层结构，如图3b Ag膜层的GDOES深度谱所示。根据获得的溅射速率及Ag的深度谱拟合（见后），前两层Ag的厚度分别约为5.5nm与4.8nm[8]。很明显，第二层Ag信号较第一层有较大的展宽，相应的强度值也随之下降，这是源于GDOES对金属膜溅射过程中产生的溅射诱导粗糙度所致。图3（a）一款柔性透明隔热膜GDOES深度谱；（b）其中Ag膜层GDOES深度谱[8]图4给出了在氩气气压650Pa、功率20w、脉冲频率10000Hz、占空比0.5的同一条件下，测量的SiO2(300nm)/Si(111)标准样品和自然生长在Si(111)基片上SiO2样品的GODES深度谱[9]。如果取测量深度谱的半高宽为膜层的厚度，由此得到标准样品SiO2层的溅射速率为6.6nm/s（=300nm/45.5s），也就可以得到自然氧化的SiO2膜层厚度约为1nm（=6.6nm/s*0.15s）。所以，GDOES完全可以实现对一个纳米超薄层的深度剖析测量，这大大拓展了GDOES的应用领域，即从传统的钢铁镀层或块体材料的成分分析拓展到了对纳米薄膜深度剖析的表征。图4 （a）SiO2(300nm)/Si(111)标准样品与（b）自然生长在Si(111)基片上SiO2样品的GDOES深度谱[9]3 深度谱的定量分析3.1 深度分辨率对测量深度谱的优与劣进行评判时，深度分辨率Δz是一个非常重要的指标。传统Δz(16%-84%)的定义为[10]：对一个理想（原子尺度）的A/B界面进行溅射深度剖析时，当所测定的归一化强度从16%上升到84%或从84%下降到16%所对应的深度，如图5所示。Δz代表了测量得到的元素成分分布和原始的成分分布间的偏差程度，Δz越小表示测量结果越接近真实的元素成分分布，测量深度谱的质量就越高。但是随着科技的发展，应用的薄膜越来越薄，探测元素100%（或0%）的平台无法实现，就无法通过Δz(16%-84%)的定义确定深度分辨率，而只能通过对测量深度谱的定量分析获得（见下）。图5深度分辨率Δz的定义[10]3.2 深度谱定量分析—MRI模型溅射深度剖析的目的是获取薄膜样品元素的成分分布，但溅射会改变样品中元素的原始成分分布，产生溅射深度剖析中的失真。溅射深度剖析的定量分析就是要考虑溅射过程中，可能导致样品元素原始成分分布失真的各种因素，提出相应的深度分辨率函数，并通过它对测量的深度谱数据进行定量分析，最终获取被测样品元素在薄膜材料中的真实分布。对于任一溅射深度剖析实验，可能导致样品原始成分分布失真的三个主要因素源于：①粒子轰击产生的原子混合（atomic Mixing）；②样品表面和界面的粗糙度（Roughness）；③探测器所探测信号的信息深度（Information depth）。据此Hofmann提出了深度剖析定量分析著名的MRI深度分辨率函数[11]： 其中引入的三个MRI参数：原子混合长度w、粗糙度和信息深度λ具有明确的物理意义，其值可以通过实验测量得到，也可以通过理论计算得到。确定了分辨率函数，测量深度谱信号的归一化强度I/Io可表示为如下的卷积[12]： 其中z'是积分参量，X(z’)为原始的元素成分分布，g(z-z’)为深度分辨率函数，包含了深度剖析过程中所有引起原始成分分布失真的因素。MRI模型提出后，已被广泛应用于AES，XPS，SIMS和GDOES深度谱数据的定量分析。如果假设各失真因素对深度分辨率影响是相互独立的，相应的深度分辨率就可表示为[13]：其中r为择优溅射参数，是元素A与B溅射速率之比（）。3.3 MRI模型应用实例图6给出了在氩气气压550Pa、功率17w、脉冲频率5000Hz、占空比0.25条件下，测量的60 Mo (3 nm)/B4C (0.3 nm)/Si (3.7 nm) GDOES深度谱[14]，结果清晰地显示了Mo (3 nm)/B4C (0.3 nm)/Si (3.7 nm) 膜层结构，特别是分辨了仅0.3nm的B4C膜层， B和C元素的信号其峰谷和峰顶位置完全一致，可以认为B和C元素的溅射速率相同。为了更好地展现拟合测量的实验数据，选择溅射时间在15~35s范围内测量的深度剖析数据进行定量分析[15]。图6 60×Mo (3 nm)/B4C (0.3 nm)/Si (3.7 nm) GDOES深度谱[14]利用SRIM 软件[16]估算出原子混合长度w为0.6 nm，AFM测量了Mo/B4C/Si多层膜溅射至第30周期时溅射坑底部的粗糙度为0.7nm[14]，对于GDOES深度剖析，由于被测量信号源于样品最外层表面，信息深度λ取为0.01nm。利用（1）与（2）式，调节各元素的溅射速率，并在各层名义厚度值附近微调膜层的厚度，Mo、Si、B（C）元素同时被拟合的最佳结果分别如图7（a）、（b）和（c）中实线所示，对应Mo、Si、B(C)元素的溅射速率分别为8.53、8.95和4.3nm/s，拟合的误差分别为5.5%、6.7%和12.5%。很明显，Mo与Si元素的溅射速率相差不大，但是B4C溅射速率的两倍，这一明显的择优溅射效应是能分辨0.3nm-B4C膜层的原因。根据拟合得到的MRI参数值，由（3）式计算出深度分辨率为1.75 nm，拟合可以获得Mo/B4C/Si多层薄膜中各个层的准确厚度，与HR-TEM测定的单层厚度基本一致[15]。图7 测量的GDOES深度谱数据(空心圆)与MRI最佳拟合结果(实线)：(a) Mo层，(b) Si层，(c) B层；相应的MRI拟合参数列在图中[15]。4 总结与展望从以上深度谱测量实例可以清楚地看到，GDOES深度剖析的应用非常广泛，可测量从小于1nm的超薄薄膜到上百微米的厚膜；从元素H到Lv周期表中的所有元素；从表层到体层；从无机到有机；从导体到非导体等各种材料涂层与薄膜中元素成分随深度的分布，深度分辨率可以达到~1nm。通过对测量深度谱的定量分析，不仅可以获得膜层结构中原始的元素成分分布，而且还可以获得元素的溅射速率、膜层间的界面粗糙度等信息。虽然GDOES深度剖析技术日趋完善，但也存在着一些问题，比如在GDOES深度剖析中常见的溅射坑底部凸凹不平的“溅射坑道效应”（溅射诱导的粗糙度），特别是对多晶金属薄膜的深度剖析尤为明显，这一效应会大大降低GDOES深度谱的深度分辨率。消除溅射坑道效应影响一个有效的方法就是引入溅射过程样品旋转技术，使得各个方向的溅射均等。此外，缩小溅射（分析）面积也是提高溅射深度分辨率的一种方法，但需要考虑提高探测信号的强度，以免降低信号的灵敏度。另外，GDOES深度剖析的应用软件有进一步提升的空间，比如测量深度谱定量分析算法的植入，将信号强度转换为浓度以及溅射时间转换为溅射深度算法的进一步完善。作者简介汕头大学物理系教授 王江涌王江涌，博士，汕头大学物理系教授。现任广东省分析测试协会表面分析专业委员会副主任委员、中国机械工程学会高级会员、中国机械工程学会表面工程分会常务委员；《功能材料》、《材料科学研究与应用》与《表面技术》编委、评委。研究兴趣主要是薄膜材料中的扩散、偏析、相变及深度剖析定量分析。发表英文专著2部，专利十余件，论文150余篇，其中SCI论文110余篇。代表性成果在《Physical Review Letters》，《Nature Communications》，《Advanced Materials》，《Applied Physics Letters》等国际重要期刊上发表。主持国家自然基金、科技部政府间国际合作、广东省科技计划及横向合作项目十余项。获2021年广东省科技进步一等奖、2021年广东省高校科研成果转化路演赛“新材料”小组赛一等奖、2021年粤港澳高价值大湾区专利培育布局大赛优胜奖、2020年广东省高校科研成果转化路演赛“新材料”小组赛一等奖、总决赛一等奖。昆山书豪仪器科技有限公司总经理 徐荣网徐荣网，昆山书豪仪器科技有限公司总经理，昆山市第十六届政协委员；曾就职于美国艾默生电气任职Labview设计工程师、江苏天瑞仪器股份公司任职光谱产品经理。2012年3月，作为公司创始人于创立昆山书豪仪器科技有限公司，2019年购买工业用地，出资建造12300平方米集办公、研发、生产于一体的书豪产业化大楼，现已投入使用。曾获2020年朱良漪分析仪器创新奖青年创新入围奖；2019年昆山市实用产业化人才；2019年江苏省科技技术进步奖获提名；2017年《原子发射光谱仪》“中国苏州”大学生创新创业大赛二等奖；2014年度昆山市科学技术进步奖三等奖；2017年度昆山市科学技术进步奖三等奖；多次获得昆山市级人才津贴及各类奖励项目等。主持研发产品申请的已授权专利47项专利，其中发明专利 4 项，实用新型专利 25项，外观专利7项，计算机软件著作权 11项。论文2篇《空心阴极光谱光电法用于测定高温合金痕量杂质元素》，《Application of Adaptive Iteratively Reweighted Penalized Least Squares Baseline Correction in Oil Spectrometer 》第一编著人；主持编著的企业标准4篇；承担项目包括3项省级项目、1项苏州市级项目、4项昆山市级项目；其中：旋转盘电极油料光谱仪获江苏省工业与信息产业转型升级专项资金--重大攻关项目（现已成功验收，获政府补助660万元）、江苏省首台（套）重大装备认定、江苏省工业与信息产业转型升级专项资金项目、苏州市姑苏天使计划项目等；主持研发并总体设计的《HCD100空心阴极直读光谱仪》、《AES998火花直读光谱仪》、《FS500全谱直读光谱仪》《旋转盘电极油料光谱仪OIL8000、OIL8000H、PO100》均研发成功通过江苏省新产品新技术鉴定，实现了产业化。参考文献：[1] GRIMM, W. Eine neue glimmentladungslampe für die optische emissionsspektralanalyse[J]. Spectrochimica Acta, Atomic Spectroscopy, Part B, 1968, 23 (7): 443-454.[2] 杨浩，马泽钦，蒋洁，李镇舟，宋一兵，王江涌，徐从康，辉光放电发射光谱高分辨率深度谱的定量分析[J]，材料研究与应用, 2021, 15: 474-485.[3] Hughes H. Application of optical emission source developments in metallurgical analysis[J]. Analyst, 1983, 108(1283): 286-292.[4] Lodhi Z F, Tichelaar F D, Kwakernaak C, et al., A combined composition and morphology study of electrodeposited Zn–Co and Zn–Co–Fe alloy coatings[J]. Surface and Coatings Technology, 2008, 202(12): 2755-2764.[5] Sánchez P, Fernández B, Menéndez A, et al., Pulsed radiofrequency glow discharge optical emission spectrometry for the direct characterisation of photovoltaic thin film silicon solar cells[J]. Journal of Analytical Atomic Spectrometry, 2010, 25(3): 370-377.[6] Zhang X, Huang X, Jiang L, et al. Surface microstructures and antimicrobial properties of copper plasma alloyed stainless steel[J]. Applied surface science, 2011, 258(4): 1399-1404.[7] 胡立泓，张锦桐，王丽云，周刚，王江涌，徐从康，高阻隔铝塑膜辉光放电发射光谱深度谱测量参数的优化[J]，光谱学与光谱分析,2022,42:954-960.[8] 吕凯, 周刚, 余云鹏, 刘远鹏, 王江涌, 徐从康，利用ToF-SIMS 和 Rf-GDOES 深度剖析技术研究柔性衬底上的隔热多层膜[J], 材料科学,2019,9:45-53.[9] 周刚, 吕凯, 刘远鹏, 余云鹏, 徐从康, 王江涌，柔性功能薄膜辉光光谱深度分辨率分析[J], 真空, 2020,57:1-5.[10] ASTM E-42, Standard terminology relating to surface analysis [S]. Philadelphia: American Society for Testing and Materials, 1992.[11] Hofmann S. Atomic mixing, surface roughness and information depth in high‐resolution AES depth profiling of a GaAs/AlAs superlattice structure[J]. Surface and interface analysis, 1994, 21(9): 673-678.[12] Ho P S, Lewis J E. Deconvolution method for composition profiling by Auger sputtering technique[J]. Surface Science, 1976, 55(1): 335-348.[13] Wang J Y, Hofmann S, Zalar A, et al. Quantitative evaluation of sputtering induced surface roughness in depth profiling of polycrystalline multilayers using Auger electron spectroscopy[J]. Thin Solid Films, 2003, 444(1-2): 120-124.[14] Ber B, Bábor P, Brunkov P N, et al. Sputter depth profiling of Mo/B4C/Si and Mo/Si multilayer nanostructures: A round-robin characterization by different techniques[J]. Thin Solid Films, 2013, 540: 96-105.[15] Hao Yang, SongYou Lian, Patrick Chapon, Yibing Song, JiangYong Wang, Congkang Xu, Quantification of high resolution Pulsed RF GDOES depth profiles for Mo/B4C/Si nano-multilayers[J], Coatings, 2021, 11: 612.[16] Ziegler J F, Ziegler M D, Biersack J P. SRIM–The stopping and range of ions in matter[J]. Nuclear Instruments and Methods in Physics Research Section B: Beam Interactions with Materials and Atoms, 2010, 268(11-12): 1818-1823.

今天七月，Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上发表了一个来自安徽大学周胜副教授课题组的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此项工作将深度学习应用在激光光谱气体分析技术上的Savitzky-Golay（简称S-G）滤波抗噪算法，并通过仿真和实验证实该方法能够提升痕量NO2气体分析中光谱信号的信噪比，有助于实现更高灵敏度的气体分析。激光光谱分析是一个很强大的气体分析技术，能够实现非接触式、高精度、高灵敏度、高选择性的痕量气体分析（ppm或ppb量级）。然而，实际操作中所测得的吸收光谱会受到噪声的干扰，导致不准确的测量结果。过去的研究工作中提出了一些抑制噪声的算法，其中S-G滤波算法由于速度快、无需提供过多的参数、且能较好的保留原始光谱的形状和高度，成为近年来较受关注的方法，并且已经在某些应用场景（例如连续血糖监测）证明其面对各类噪声的有效性。S-G滤波算法的性能决定于两个参数：多项式阶数（k）和平均计算的窗口大小（b）。但是，噪声源和吸收光谱在实际应用中是未知的，因此难以获得固定的参数值使得滤波效果达到优。为了解决这个问题，研究人员提出了一种优化的自适应S-G算法，将深度学习网络与传统的S-G 滤波相结合，以提高测量系统的性能。深度学习网路以其非线性映射和建模能力对数据的规律性进行研究，并实现出色的“自我调整”和“跟踪反馈”。相较于传统的S-G算法，经过优化的算法可以调整滤波参数以实现光谱的佳信噪比。图一展示了用于训练S-G滤波算法参数的深度学习网络。这个具有多层感知器的人工智能网络提供了设计上的弹性，可以通过调整层数、神经元数量、和一些优化指标以达到所需的性能。用庞大的数据集进行高效训练后，相应的网络模型将达到最状态。接着，经过训练的网络模型将使用变量数据输入找到好的 k 和 b。 与此同时，输入数据集也将按传统方式计算以获得佳参数k 和 b。通过比较模型预测和人机计算的结果，由人工决定出佳的网络参数。图一 用于计算S-G滤波算法参数的深度学习网络 研究组以NO2为目标气体，选取波数位于1630.1至1630.42 cm-1的吸收谱线，进行了软件仿真和实验测量作为新方法（adaptive S–G filtering, 以下称ASGF）的验证，同时与另一常用的multi-signal averaging filtering（MAF）方法作比较。MAF计算时间长且主要用于白噪声的抑制。仿真结果显示在白噪声干扰的条件下（图二），MAF将信噪比从原始的6.58 dB提升至12.62 dB，新的ASGF算法则能提升至15.51 dB。图三则显示了非白噪声的背景噪声干扰，MAF方法将信噪比从原始的7.14 dB提升至13.22 dB，新的ASGF算法则提升至了更高的17.37dB。 图二 仿真验证ASFG算法在白噪声干扰下的性能表现 图三 仿真验证ASFG算法在其他背景噪声干扰下的性能表现 图四展示了实际实验的设置，它由一个光源、一个带压强控制器的多通气体吸收池、一系列反射镜、一个碲镉汞光电探测器和一台计算机组成。昕虹光电为此项研究工作提供的激光源为Q-Qube型量子级联激光发射头，这是一款热电冷却，空气制冷型，内准直输出的连续波CW室温分布反馈型量子级联激光（DFB-QCL）源，最峰值输出功率为 30 mW，由QC750-Touch型一体化激光驱动器，集温度控制器和低噪声恒流电流控制器驱动于一身，使光源系统发出6.2 μm波长的激光。极低的光学噪声和驱动器稳定性为此实验奠定了高质量信号基础。激光通过多通池由热电致冷型的碲镉汞光电探测器接收，信号传输至电脑后进行数据处理与分析。 图四 用于验证ASGF算法用于痕量NO2气体分析的实验设置 实验设置在压力0.1 atm和温度296 K的氮气中对4 ppm NO2的测量。其测量和过滤后的吸收光谱如图五(a)所示，原始数据测吸收特性淹没在噪声中，而经ASGF算法过滤后的频谱已显着平滑，使识别更容易。研究组对吸收光谱数据与理论Voigt 函数拟合，图五(b)结果表明拟合的R平方值高达0.99934，表明滤波后的吸收光谱与理论形状吻合良好。 图五 实测NO2的吸收光谱和经ASFG算法后的吸收光谱，可以看到滤波后的吸收光谱与理论形状吻合良好 结合了深度学习的神经网络技术，研究组提出的自适应S-G滤波算法表现出显着的滤波效果，在激光光谱气体分析领域中能够大幅改善光谱信号的信噪比。面对大气环境中具有挑战性的痕量气体分子检测，将能提供更优异的灵敏度和可靠性。

9月16日，以智能影像技术发展趋势及产学研用探讨为主题的2022年未来影像行业峰会在北京召开，峰会由智能图像处理北京市工程研究中心（以下简称“中心”）举办，邀请院士专家以及50余家企业的近百位行业精英，进行了12场专题分享。工程研究中心主任、小米集团高级副总裁曾学忠介绍了中心过去一年取得的成绩，并对未来影像技术在手机、机器人、汽车、XR（扩展现实）以及AIoT等多个行业出现的新需求做了深入分析，并提出对于未来影像的三个思考点：在多维传感，增强影像方向，拓宽影像传感的维度，突破视觉的限制；在AI赋能，计算摄影领域，用AI算法与硬件进行深入结合，突破硬件的限制；在影像互联，计算互通技术上，用互联互通的计算，打破影像采集以及计算的限制。中国工程院院士、中心专家委主任丁文华院士肯定了中心在影像行业的科研牵引作用，并指出影像多媒体领域对前端基础图像处理技术存在极大需求及市场空间，希望今后中心能够持续发挥平台作用，加深影像行业的产学研用协同创新的深度与广度，为产业的进一步发展起到示范带头作用。中心研究中心常务副主任、清华大学脑与认知科学院院长季向阳教授分享了计算影像的技术发展，介绍了计算影像在光谱成像，多传感器融合，光路编码等多个维度上的突破建议，后续将利用中心的平台创新科研机制，更好地将高校科研技术转化到行业。影像硬件技术企业豪威科技、丘钛微电子、奥比中光分别从图像传感器、相机模组、3D相机领域进行了专题分享。豪威科技总经理刘志碧梳理了当前各个行业对图像传感器的技术需求，并对全局快门、Hybrid EVS、微型化相机等行业新技术做了全面分享。丘钛微电子副总裁胡三木分享了相机模组硬件的发展趋势，并对大光圈、防抖、大推力马达、moding等模组工艺的演进进行了分析。奥比中光高级副总裁江隆业分享了3D视觉在各新兴行业的应用情况，并对3D视觉未来的技术发展方向进行展望。新型影像技术企业与光科技、灵明光子、普诺飞思分别从光谱相机、深度相机及动态相机的技术发展路线以及应用场景切入，进行了专题分享；与光科技CEO王宇认为小型化的光谱传感器是未来的技术趋势，并详细介绍了小型化光谱传感器在辅助色差还原、健康检测上的重要作用；灵明光子CTO张超阐述了dToF替代iToF在远距离深度探测场景的明确趋势，并介绍了dToF在汽车、消费、工业等多个领域的应用价值。普诺飞思中国区GM杨雪飞阐述了这种新型传感器相比于FBS相机的巨大优势，并介绍了DVS在超慢动作检测、边缘跟踪以及高级驾驶辅助等场景下的价值。北京邮电大学、极感科技、黑芝麻智能就影像算法进行了主题分享。北京邮电大学计算机学院执行院长马华东教授就视频处理各算法的发展状况做了介绍，并指出了AI视频算法模型轻量化的发展路径。极感科技高级总监林曦在深度计算和分割算法的现状和发展做了分享，提出了未来影像算法芯片化和工程化的方向。黑芝麻智能总监王超就视觉算法在自动驾驶上的应用做了技术分享，从低噪声、大动态、低延迟等场景举例，提出了视觉算法的需求方向。小米手机部副总裁、相机部总经理易彦博士分享了小米在手机、机器人、XR、智能汽车、智能制造五大主要应用场景中影像技术的深度积累，他表示，未来将依托中心持续加大资源投入，联合更多的上下游产业伙伴，围绕影像行业的系统性需求，做好产业协同，提升行业整体竞争力。据了解，智能图像处理北京市工程研究中心由小米集团牵头，联合清华大学等高校与企业于2021年共同组建，该中心的主要发展目标为联合上下游企业、高校和科研院所等机构，开展图像处理软硬件核心技术的开发、验证以及成果转化等全链路的创新，以推动行业共同发展。

在机械众多行业中,需要对重要零部件进行表面硬化处理,尤其是那些高速负荷等受力复杂而繁重条件下的工作零件,如钢件.通过适当的表面热处理方法(以渗碳为例)，使零件表层成为高碳层,以便得到高强度、高硬度、高耐磨性和高接触疲劳强度,并与低碳心部的塑性，韧性良好配合,以便改善零件的耐磨性和耐疲劳性,由此提高零部件的质量及寿命。常见的表面处理有：渗碳、氮化、碳氮共渗、火焰淬火、高频淬火、硬质阳极氧化、镀铬等。表面硬化层深度是评判工件表面质量好坏的重要指标,所以测量工件表面硬化层深度尤为重要。钢件硬化层深度测定包括总硬化层深和有效硬化层深度的测定总硬化层深: 从零件表面垂直方向测量到与基体金属间的显微硬度或显微组织没有明显变化的那一硬化层的距离。有效硬化层深: 当钢进行渗碳或碳氮共渗处理后，回火温度不超过200℃，从硬化层表面垂直向心部位置检测至HMV值550的距离。硬化层深度 常用标准如下:ISO2639-2002GB/T9450-2005GB/T5617-2005ISO3754:1976GB/T9451-2005等硬化层深度 -CHD计算方法确定硬度限值的方法有很多。因此，计算 CHD 值的方法也有很多。您选择的程序取决于所采用的硬化工艺。常见的计算方法如下:渗碳或碳部件 (EN ISO 2639)硬度限值 = 550 HVCHD (Eht) = 从表面到硬度为 550 HV 位置点的距离感应淬硬或火焰淬硬部件（EN 10328 和 ISO 3754）硬度限值 = 80％ × 表面硬度（min）CHD (Rht) = 从表面到硬度为表面硬度（min） 80% 位置点的距离氮化部件 (DIN 50190-3)硬度限值 = 核心硬度 + 50 HVCHD (Nht, NCD) = 从表面到硬度为核心硬度 + 50 HV 位置点的距离（max）硬化层深度测量选 择 的 测量方法及精确度取决于硬化层的性质和估计的厚度。本篇以轶诺FALCON5000G2为例,介绍显微硬度测量法轶诺FALCON5000G2的IMPRESSIONS 智能软件有内置的CHD/SHD/NHD模板,根据标准规定进行规范化的硬度测试。该测试既可在显微图像下，也可在全景图像下直接开始测试。可单独为 NHD测试设置额外的硬度核心点。按照标准，为了确保测试正确进行，测试点的间距会按照最小距离自动设置。省时测试模式在完成所有压痕后，会自动开始测量，当硬度值达到设置下限后，测试序列会自动停止。智能软件 轶诺IMPRESSIONS软件的目的是让复杂性可控优化操作舒适度轶诺的IMPRESSIONS软件具有一系列标准功能,例如自动测量、自动对焦、报告、测试程序存储等。IMPRESSIONS软件智能图表型用户界面包含了先进的应用程序和易学易用的工作流控制系统，只需3秒即可完成一次简单的设置。IMPRESSIONS 的布局和功能不仅能与您特定的应用要求相匹配，还能满足操作人员的偏好和需求。用户分级管理系统也使工作更加舒适和高效。15英寸纵向电容触摸屏为所有可能的应用程序创造了空间。针对有特殊需求的客户，可再选配一个15英寸纵向或24英寸横向的第二屏幕。针对有教学目的的用户（如高校等），也可通过机器标配的HDMI接口外接高清投影仪。“A P P"型的IMPRESSIONS 4对于应用要求更高的用户, 也许标准应用程序还不够用, 那么, 可以选择“A P P"型的应用式软件IMPRESSIONS 4 .

近日，中国科学院沈阳自动化研究所机器人学国家重点实验室智能腔道手术机器人研究组在单目内窥镜深度估计方面研究方面取得新进展。相关研究成果以A Geometry-Aware Deep Network for Depth Estimation in Monocular Endoscopy为题，发表在Engineering Applications of Artificial Intelligence（EAAI）上。　　该研究组提出了几何感知深度估计的框架，设计了梯度、法向和几何一致性损失函数，加强了几何一致性约束并提高了管腔结构的三维重建性能。此外，该团队提出了一套内窥镜合成RGB-D数据集。该数据集描述了在严重的反射和光照变化下的几何解剖结构，并提升了在合成的和真实数据领域的泛化学习能力。 　　科研人员运用这一方法在EndoSLAM数据集、Colondepth数据集和临床图像上进行详细的实验和分析。实验表明，相比于当前较多使用的SOTA方法，该方法生成了更一致的深度图和更加合理的解剖结构。该研究提出的合成数据集和源代码已开源（https://github.com/YYM-SIA/LINGMI-MR）。 　　该研究组致力于消化、腹腔、呼吸等人体腔道手术机器人的关键技术及系统研发，先后承担国家重点研发计划和国家自然科学基金重点项目等，在手术机器人的构型创成、感知、控制、手术导航以及智能化等方面取得了多项成果，并完成多台套的典型手术机器人系统，且部分成果已进入临床应用阶段。　　研究工作得到国家自然科学基金、国家重点研发计划、辽宁省自然科学基金和沈阳医工结合协同创新项目的支持。几何感知深度估计网络框架

2023年8月8日，应脉医疗科技(上海)有限公司(下称：应脉医疗)与上海康昱盛生物科技有限公司(下称：康昱盛)在上海签署战略合作协议，合作推广美国Seer公司的高深度无偏蛋白质组学新技术，助力基于血液的蛋白质组学精准医疗进入新时代，这是应脉医疗继2021年宣布与Seer达成合作进军中国蛋白质组学市场后的又一战略合作。　　生物信息巨头布局中国蛋白质组学市场　　2021年，Seer宣布与应脉医疗达成独家经销协议，重点是加速公司蛋白质图谱产品套件（Proteograph系统平台）的商业扩张。根据协议条款，应脉医疗将负责Seer Proteograph系统平台在中国的销售、市场营销和客户服务，并为在中国拓展这一颠覆性技术铺平道路。Seer公司拥有专有的纳米粒子(Nanoparticle, NP)技术，让血液蛋白质组在实现深度和通量上的“非特异性选择”方法成为可能。Seer公司提供的Proteograph™XT平台利用经过特殊制作的纳米粒子磁珠，在跨数十个数量级丰度之间，非特异性地结合各类蛋白，无需额外去除高丰度蛋白，再利用高性能的质谱技术，达到高精度测量。在兼顾深度，增强蛋白组分析通量的情况下，实现对大规模血液蛋白的可重复性定量分析，创造了无偏差高通量探寻生物标记物的机会。　　作为Seer在中国市场的独家经销商，应脉首席运营官边英男博士表示，非常高兴能与康昱盛达成本次合作，康昱盛具有丰富的客户资源，专业的技术支持。双方将发挥各自在擅长领域的优势，产生一加一大于二的倍增效果，推动创新的血浆蛋白质组学技术在生命科学、医疗健康领域的应用。　　康昱盛总经理林建成先生表示，应脉医疗的资源丰富、市场洞察力敏锐。相信高深度无偏蛋白质组学技术具有非常巨大的市场潜力，期待与应脉医疗共同为基于质谱的血浆/血清蛋白质组学研究与应用开启新的篇章。　　中国的生命科学和医药市场是世界上规模最大、增长最快的市场之一，并且拥有蛋白质组学的巨大潜力。 随着肿瘤学、神经学和免疫学在全球卫生保健需求的激增，我们需要新的工具来加速对生物学的见解，识别生物标志物，并开发新的治疗方法。Seer提供的无偏、深入和大规模的蛋白质组学平台解决了这一需求，使制药和生物医学研究人员能够发现新的生物标记物，用于诊断和治疗癌症及其他疾病，并更好地了解健康细胞的功能。　　关于康昱盛　　康昱盛是一家专门提供生物制药领域科学信息整体解决方案的公司。公司由一批多年从事生物医药信息学前沿技术研究、科学咨询、技术服务以及产品研发的科学家于2009年创立。经过10多年的技术积累并得益于我们与国内优秀科研机构的紧密合作，我们拥有一支专业的技术服务团队和资深的专家咨询团队，服务于生物医药领域的各种创新研发型公司、学术科研机构、大学以及政府部门，提供从药物设计分子模拟、生物信息学、化学信息学与研发信息管理系统、化合物毒性预测分析、蛋白质组学、代谢调控分析、二代测序变异与疾病关联分析，到临床前、临床的数据分析以及管理等一系列国际知名的科研软件产品、平台以及成熟的科学信息解决方案。我们目前在中国服务超过900家生物医药行业的企业与学术客户，竭诚为他们研发创新提供强有力的技术服务与产品支持!

近三年光谱结合化学计量学分析技术综述文献的评述（一）Commentary on the review articles of spectroscopy technology combined with chemometrics in the last three years褚小立（中石化石油化工科学研究院有限公司，北京，100083）摘要：近些年，现代光谱分析技术得到了迅猛发展，该技术的一个关键特征是采用化学计量学方法对光谱数据进行处理，从而尽可能多地获得有用信息，并且，该技术可直接对不同形态的复杂混合物进行定性和定量分析，在检测速度、成本、效率、通用性、自动化和便携性等方面表现出优于多数传统方法的特殊优势，在农业、食品、制药、石油、化工、烟草、环保和医学等各个领域得到了广泛的应用。因此，现代光谱分析技术也日益得到关注和重视。本文对近三年（2020-2022年）发表的涉及光谱结合化学计量学为主题的综述论文进行评述，主要论述了这类技术的发展现状、存在的挑战以及未来的发展方向，引用文献351篇。1引言现代光谱分析技术，如紫外可见光谱（UV-vis）、中红外（MIR）、近红外（NIR）、拉曼光谱（Raman）、三维荧光光谱（EEM）、太赫兹（THz）光谱、核磁共振（NMR）光谱、激光诱导击穿光谱（LIBS）等，可直接对不同形态的复杂混合物进行定性和定量分析，具有速度快，效率高，可无损和在线分析等优势，在农业、食品、制药、石油、化工、烟草、环保和医学等各个领域得到了广泛的应用（图1）。该技术的一个显著特点是借助化学计量学方法从光谱数据中尽可能多的提取详细的有价值的化学信息，其目的是为了显著提高分析结果的稳健性和准确性，使传统光谱技术不可实现的应用成为现实。图1 光谱结合化学计量学方法的分析技术框架图近年来，随着人工智能、大数据、云计算等，尤其是深度学习的快速发展，为化学计量学注入了新思路、新途径和新方法，用于光谱分析的新型化学计量学方法如雨后春笋般涌现出来，成为国内外本领域专家学者的重点和热点研究方向。借助材料学、MEMS制造技术、计算机技术等的进步，光谱类仪器及其应用也得到了长足发展。近三年（2020-2022年），光谱结合化学计量学的综述论文也如井喷式般的出现，涉及到光谱学、光谱仪器、化学计量学（机器学习）方法、以及在诸多领域的应用研究等方方面面。本文以“化学计量学（chemometric）” 或“机器学习（machine learning）”，“光谱（spectroscopy）”或“光谱技术（spectroscopic technology）”或“光谱仪（spectrometer）”，以及“综述（review或overview）”为关键词，以2020年至今为时间段，在Science Direct、Scopus、Web of Science、Google Scholar和知网（CNKI）上进行检索，对检索到的351篇综述类论文进行了整理、归纳和评述。2 光谱学与光谱技术2.1近/中红外光谱Beć等综述了量子计算化学在近红外光谱解析方面的进展，指出振动光谱学与计算化学形成的显著的协同作用，随着理论方法和计算机技术的进步，将大大提高振动光谱，特别是近红外光谱的应用潜力[1]。在另一篇综述中，他们论述了明确且详细的谱带归属研究对深入认识和理解近红外光谱的重要意义，解释了不同微型光谱仪所提供的化学信息贡献的差异的原因[2]。水光谱组学是一门研究水和水系统分子间氢键组成形态的新兴科学，它通过观察近红外光对水的作用所表征特征峰的变化来分析水系统中溶剂与溶质间的作用关系，具有非侵入性、分析速度快和定性定量等特点。孙岩等总结了用于温控近红外光谱分析的化学计量学方法，以及利用温控近红外光谱技术研究小分子的结构和蛋白质、温敏聚合物结构转变过程等方面的研究工作，利用随温度变化的水光谱信息，可实现对含水混合物的定性和定量分析[3]。陈定芳等梳理了水光谱组学的历史沿革、研究方法及其应用现状，阐明了水光谱组学用于测定人体经络脏腑的超分子结构特征的可行性[4]。褚小立等从振动光谱基础理论、光谱仪器硬件和化学计量学3个方面对近红外光谱分析技术的最新进展进行了综述，认为以近红外光谱为核心的商业产品将在不同应用领域进一步提供深化和细化的服务，近红外光谱有望成为与时代发展特征（如人工智能、大数据、云计算和物联网等）最相关的一项分析技术[5]。王家俊等探讨了在网络化应用环境中，近红外光谱仪器设备存在的硬件差异以及传统化学计量学方法在建模、数据处理存在的不足对近红外光谱的深度应用产生的影响，提出了云计算应用的解决思路，并对大数据时代近红外光谱分析网络化模式的应用前景进行了展望[6]。Fakayode等介绍了近红外光谱、傅里叶变换红外光谱仪器和拉曼光谱的最新技术创新进展，对2015-2018年期间近红外光谱、傅里叶变换红外光谱仪器和拉曼光谱在药品、食品等质量控制和保证等方面的应用现状进行了探究[7]。霍学松等综述了近些年新型的商品化微小型（便携式、手持式和袖珍式）近红外光谱仪器及其应用进展，指出物联网技术在智能农业、智能工厂、智能医疗和智慧城市等众多领域的兴起，成为推动近红外光谱传感器向着微型化方向发展的主要力量[8]。Zhu等综述了商品化便携式近红外光谱仪的主要类型，总结并比较了它们的性能指标，还介绍了促进小型化的新技术，对仪器未来发展的前景进行了展望[9]。表面增强红外吸收（SEIRA）是一种超灵敏的红外光谱技术，能够实现亚单层膜水平的表面选择性探测。Zhou等对SEIRA传感机制和理论模型的进展进行了综述，从结构设计、材料选择到结合机器学习算法等方面讨论了优化SEIRA性能的方法[10]。2.2拉曼光谱Pan等综述了人工智能方法结合拉曼光谱用于分析复杂混合物的进展，包括化学品、食品、药品和医学诊断等，指出拉曼光谱如SERS可以与红外光谱相结合，以增强物质识别能力[11]。Orlando等综述了拉曼光谱在先进材料科学表征中的应用进展，认为随着现场拉曼分析的推广应用，该技术在未来有望成为材料表征的常规分析技术[12]。Löbenberg等系统比较了不同拉曼分析技术的特点，介绍了拉曼光谱作为过程分析技术（PAT）工具在医药产品和工艺开发中的应用进展[13]。图2 用于体内上皮组织诊断的快速光纤共焦拉曼光谱系统Heng等综述了现代拉曼仪器、微型光纤拉曼探针设计和制造的最新进展（图2），论述了实时光纤拉曼光谱在临床内窥镜检查期间改善体内癌前病变和癌症早期诊断等方面具备的潜力[14]。Barik等概述了用于体内测量的不同光纤探针，重点介绍了用于生物医学的拉曼光谱探头，并对影响探针提取最佳光谱特征的各种方面，如光纤探头、辐射源、探测器和光谱仪等进行了探究[15]。 图3 基于SERS的传感器在农业应用示意图表面增强拉曼光谱（SERS）是一种高度灵敏的技术，可增强由某些纳米结构材料支撑的分子的拉曼散射。Han等概述了SERS设备、SERS活性材料制备和SERS测量的详细信息，重点介绍了SERS与化学计量学结合在多个研究领域的最新应用，包括探测表面反应和界面电荷转移、结构表征和化学/生物传感。此外，还讨论了SERS光谱再现性、技术局限性和可能的优化方法[16]。Liu等对目前SERS农业传感器现状和发展进行了总结，较全面地阐述了SERS在农产品质量安全控制中，对农药残留等有害物质检测的发展和应用（图3），介绍了SERS 传感器/基底在不同应用场景中的优势和价值[17]。空间偏移拉曼光谱（SORS）技术可在一定程度上克服通过包装对材料进行定性或定量分析的问题。Arroyo-Cerezo等综述了SORS结合化学计量学方法在食品和农业领域的应用，比较了商业和工业分析仪以及实验室规模的食品和饮料SORS实施情况，讨论了未来在农业食品供应链中的部署途径[18]。低频拉曼光谱（LFR）探测与长程有序（即结晶度）相关的振动模式，该模式可提供固态结构特征和其他特性的独特信息。Bērziņš等详细讨论了LFR的基础理论、仪器和数据分析（包括化学计量学和计算技术的应用）的各个方面，并总结了LFR在药物分析中的新应用[19]。2.3太赫兹光谱随着光源和探测器组件的迅猛发展，太赫兹（THz）谱技术最近在医学、材料、生物传感和制药工业等多个领域都得到了较快发展。Feng综述了太赫兹光谱与化学计量学结合的最新进展，以及太赫兹谱在评估食品质量和确保食品安全方面中的应用，并讨论了太赫兹谱的优势和一些固有的局限性[20]。Rawson等讨论了太赫兹光谱的原理和仪器，重点介绍了太赫兹技术在水分监测、土壤传感、种子分类、品种来源鉴别、残留检测、微生物、毒素和食品腐败检测、食品掺假鉴定、食品或农产品中的异物检测等方面的应用[21]。2.4 LIBS光谱激光诱导击穿光谱法（LIBS）是一种简单、直观、多用途的原子发射光谱法，它将快速脉冲激光束聚焦到样品上，形成含有其组成元素的等离子体，然后使用发射光的光谱分析检测存在的元素。激光诱导击穿光谱技术具有多元素同时检测、结构简单、检测速度快、不受样品形态影响等特点，在诸多领域展现出广阔的应用前景。Andrade等综述了近些年LIBS样品制备、定性分析、校正策略以及提高LIBS分析灵敏度方法的进展，指出现场应用、在线应用、以及与化学计量学方法的深度融合是未来LIBS技术的主要发展趋势[22]。李祥友等综述了激光诱导击穿光谱技术的机理、装置类型、基础研究进展（信号增强方法、定性定量分析方法），以及在深空探测、地质勘探、环境污染、食品安全、工业冶金和生物医疗等领域的应用进展，指出为了实现海量材料的快速、高灵敏度检测，在线 LIBS 装置的研制将是未来的发展趋势[23]。Harmon等论述了实验室和现场LIBS分析技术，综述了LIBS在大气、天然水、矿物、岩石、沉积物和土壤等地球科学领域中的应用研究进展[24]。Wang等总结了LIBS定量分析技术的最新进展，包括不确定性和误差产生机制、硬件改进和定量校正方法（包括基于物理原理的校正模型、基于数据驱动的校正模型和混合模型），解释了信号不确定性和矩阵效应对LIB定量分析性能的影响，提出了LIBS定量分析的改进策略框架[25]。Chen等综述了激光诱导击穿光谱（LIBS）与机器学习相结合在地球化学和环境资源勘探中的最新进展，提出了LIBS在未来发展中的潜在应用，包括现场快速筛选和极端环境下的远程探测等。由于LIBS可同时分析轻元素和重元素含量，在工业中，特别是在钢铁、汽车和飞机制造业中变得非常流行[26]。Velásquez-Ferrín 论述了LIBS在分析食品微量营养素、基本成分和有毒物质的应用进展，包括谷物、蔬菜、盐、酒精饮料、烟草、糖、肉、鱼、咖啡、茶和水等[27]。Legnaioli等综述了激光诱导击穿光谱（LIBS）在工业应用中的进展，包括能源工业、制药业、金属工业、建筑业、食品和饲料工业、资源回收工业等[28]。图4 激光诱导击穿光谱成像技术的应用示意图曾庆栋等综述了便携式LIBS的发展历程，对各种激光光源（小型 Nd:YAG固体激光器、二极管泵浦固体激光器、微片激光器、光纤激光器以及光纤传能的方案）应用于便携式LIBS系统的最新研究进展进行了综述和分类讨论，提出在应用领域应当从“专机专用”的角度着手，即一个样机只针对某个领域的某几种元素，甚至是某几个谱线来设计[29]。Limbeck等综述了LIBS成像仪器和相关化学计量学方法的最近进展，总结了LIBS成像在生命科学、地质学和材料科学领域的应用实例（图4），展示了LIBS在空间分辨分析中的优势，还讨论了该技术的未来前景和潜在应用[30]。2.6微型光谱仪光学、半导体、智能手机和许多其他制造技术的最新进展促进了光谱仪器的小型化和微型化。从未来的角度来看，这些传感器的小型化和性能改进将导致广泛的传感网络与物联网相结合，提供前所未有的现场诊断，从而为医疗保健和环境监测等许多其他应用提供实时分析。Yang等对光谱仪微型化的技术路线、技术突破及其后续应用进行了系统的分析，总结了过去三十年中所发展的四种微型光谱仪（图5），即色散型（dispersive optics）、窄带滤光型（narrowband filters）、傅里叶变换型（Fourier transform）和计算光谱（reconstructive）。论文指出了微型光谱仪发展历程中的重要技术突破，认为微型光谱仪的发展主要依赖于加工技术的进步和计算能力的提升[31]。图5 超小型微型光谱仪的四种策略示意图Biswas等概述了智能手机光谱仪的最新发展，重点是光收集、色散、检测和光谱校准，这些光谱仪可以利用实时物联网将边缘数据传输到云端，在未来，该仪器或将为使用者提供前所未有的现场诊断[32]。Zhi等总结了国内外微型光谱仪的发展现状，重点介绍了微型光谱仪在精准农业中的应用研究进展，指出随着新原理、新工艺和新材料的发展，微型光谱仪在提高特异性的同时，正朝着高性能、高集成度和单芯片方向发展[33]。荧光传感器有着高灵敏度和特异性的优点，Shin等论述了便携式不同类型荧光传感器的特点，并讨论了其在水质监测、生物医学等领域的应用进展[34]。Zhang等从理论、实现和性能指标方面系统地回顾了芯片傅里叶变换光谱仪（FTS）的进展，尤其是芯片静态FTS，包括空间调制、时间调制和空时共调制FTS，指出芯片FTS的应用将会逐渐扩展到食品安全、健康分析和大气探测等领域[35]。Ravindran评述了用于微光谱仪的光栅技术的新研究趋势，探究了评估光栅性能的主要参数，发现光栅效率、凹槽密度、自由光谱范围和分辨率对光栅性能有重要影响[36]。王飞等论述了片上光谱成像系统的分光原理、集成方式，展望了片上光谱成像系统在生物医疗、环境监测、军事装备和智能消费电子等领域的应用前景，指出未来基于片上光谱成像系统的各种光谱成像设备将真正进入掌上时代，深度融入个人日常生活，在食品安全、移动健康等方面展现出其独特的魅力[37]。3 化学计量学算法与策略3.1概述Wang等从实用性的角度综述了近十年来在现代光谱分析中应用的各种化学计量学方法，包括光谱预处理、波长（变量）选择、数据降维、定量校正、模式识别、模型传递、模型维护和多光谱数据融合等[38]。Houhou等重点介绍了化学计量学、机器学习和深度学习等人工智能方法用于光谱和成像分析的最新研究和趋势，包括核磁共振、质谱、振动光谱、X射线、原子力显微镜、电子显微镜和二维色谱等，他们认为深度学习在生物医学中的应用，以及数据融合方法，是未来研究的主题之一[39]。Zhang等汇总了用于LIBS多元定量和定性分析的机器学习方法（图6），讨论了模型可解释性、数据集大小、过拟合以及噪声、干扰等问题和挑战[40]。Costa等也综述了用于LIBS的化学计量学方法，比较了多种定量校正方法的优缺点[41]。图6 人工智能、机器学习、化学计量学之间的关系示意图图7 用于电化学、光谱学和联用质谱学中的化学计量学方法框架图Peris-Díaz等引用300多篇文献回顾了2018～2020期间化学计量学方法在电化学、光谱学和联用质谱学中的应用研究和发展趋势（图7），并论述了使用这些方法时要避免的潜在陷阱[42]。图8 光谱分析中常用的化学计量学方法工具箱Meza Ramirez等介绍了应用于光谱分析的机器学习和人工智能背景、概念和方法，及其在生命科学和医疗领域的最新研究进展，并给出了光谱分析中常用的机器学习和人工智能工具箱（图8）[43]。Oliveira等综述了各种分析技术与化学计量学方法结合用于石油泄漏研究中的应用和研究进展，讨论了化学计量学方法的一些概念性和不当使用等问题[44]。Aleixandre-Tudo等对化学计量学在食品科学和技术研究领域的应用进行了文献计量学评估，结果表明，化学计量学是一个内容丰富且发展快速的领域，广泛应用于食品领域[45]。Rocha等综述了2008-2018年期间非线性方法（人工神经网络、支持向量机、自组织映射等）在食品（蔬菜、水果、食用油和奶制品等）分类和预测分析中的应用，讨论了非线性方法相对于传统多元分析方法的优缺点[46]。Carolien等用实例对用于食品质量评估的多种化学计量学方法进行了探究，指出食品科学家和统计学家之间需要跨学科合作，以便正确使用数据分析方法并合理解释结果[47]。Ma等全面综述了神经网络在食品分析（如食品识别、食品供应链安全和组学分析等）中的应用进展，提出友好界面软件包的空白、难以解释的模型行为、多源异质数据等是阻碍神经网络广泛推广应用的主要挑战[48]。3.2光谱预处理与波长选择由于测量模式、样品状态和其他外部物理、化学和环境因素，光谱仪等分析仪器产生的数据可能包含不必要的变化。数据预处理的总体目标是从信号中去除不必要的变化或影响，以便与感兴趣属性相关的有用信息可用于有效建模。基线漂移是拉曼、中红外、近红外以及激光诱导击穿光谱等光谱仪器测量过程中经常出现的问题，会对光谱的定量和定性分析产生不利影响。王海朋等系统评述了光谱基线校正的基本算法、改进算法和新型算法及其应用研究进展，认为目前的基线校正算法大都没有从机理或光谱本质方面对基线漂移做出解释，在具体应用时应根据具体的对象加以选择和改进[49]。Mishra等系统介绍了用于光谱预处理的方法，重点论述了新出现的集成融合预处理方法，并归纳出了三种基于集成融合的预处理策略[50]。波长（变量）选择是近红外光谱（NIR）多元校准的重要步骤，也是近红外光谱研究的一个热点。现如今，已经开发了大量的变量选择方法，由于其原理和应用范围的不同，它们具有不同的优点和缺点。Fu等归纳了基于联合策略开发的变量选择方法，联合方法的目的是应用两种或多种变量选择算法，利用它们各自的优势，从高维NIR数据集中更有效地选择特征波长[51]。de Araújo Gomes等则概述了用于食品光谱数据分析中的波长变量筛选方法，并通过定量校正和分类识别实例论述了变量选择的重要性[52]。3.2多维高阶算法化学多维校正方法具有突出的“二阶或更高阶优势”，被视为借助绿色智能的“数学分离”来替代或增强传统的“物理/化学分离”，这避免或显著简化了样品预处理过程，减少了分析时间。此外，可以消除背景基体和干扰信号的影响，即使在存在未知干扰的情况下，也可以实现对感兴趣的多个分量的同时、快速和准确的定量分析。Wu等综述了基于各种高阶分析数据的多维校正的理论和分析应用的最新进展，重点讨论了多线性模型及其扩展、具有二阶或高阶优势的多维校正算法以及其他基本问题，并着重介绍了它们对绿色分析化学的贡献，例如在环境样品定量分析中的应用[53, 54]。在另一篇综述中，吴海龙等则系统综述了近5年来二阶、三阶、四阶校正方法与不同高阶分析仪器相结合的代表性应用，强调了多维校正方法对绿色分析化学的贡献[55]。图10 近红外光谱成像与高阶化学计量学算法用于药物杂质测定和有效期估计的分析流程图Sun对用于化学和生物制造过程中张量数据分析的方法进行了综述，指出张量数据分析是一种有前景的过程理解和优化工具，为提取有用的过程信息开辟了新的可能性[56]。Vignaduzzo等讨论了高阶化学计量学与多种仪器技术（如紫外-可见光谱、荧光、色谱、电化学等）相结合解决药学定性和定量问题的研究进展，是解决包括降解研究、杂质和原料药测定（溶解试验、均匀性试验等）等问题的有力工具（图10），还讨论了该策略在药物鉴定、PAT和QbD中的应用潜力[57]。Yu等综述了多维校正算法与近红外光谱结合在食品工业过程控制、质量评价、欺诈识别和分类、以及图像分析等方面的应用进展，作者认为，多维算法与光谱数据的结合可以将食品加工数据信息转化为操作知识，能进一步提高对食品系统和食品过程的理解[58]。Mazivila等论述了如何利用多维分辨方法从基于分析物触发的半导体量子点（QD）荧光调制（猝灭/增强）的传感平台中体现激发发射荧光矩阵（EEFM）的二阶优势，包括平行因子分析（PARAFAC）、多元曲线分辨交替最小二乘（MCR-ALS）和基于残差双线性的未展开偏最小二乘（U-PLS/RBL）[59]。de Juan等系统论述了多元曲线分辨（MCR）方法50年的发展历程，重点介绍了MCR在组学、成像或多维色谱等领域的新应用[60]。Mazivila 等则重点论述了MCR-ALS结合光谱和色谱技术在过程分析化学（PAC）和过程分析技术（PAT）中用于实时过程监测和控制的进展[61]。Park等系统综述了二维相关光谱在概念、实验方法和应用研究等方面的进展，强调了二维相关光谱与多元分辨和多元校正方法的结合[62]。Yang等重点综述了二维相关光谱结合多维化学计量学方法在乳制品、酒精饮料、食用油等食品质量检测中的应用[63]。Liu等综述了二维相关光谱在水环境、土壤环境和大气环境检测和分析中的应用，特别是在研究环境中有机物的分子特性以及与金属离子的相互作用机理等方面的进展[64]。Rutherford等讨论了应用于生物流体红外光谱分析的机器学习分类算法，强调了二维红外光谱的多维性及其具有的丰富信息，其与分类算法结合具有令人鼓舞的潜力[65]。3.3多数据融合多光谱融合技术是将不同类型的光谱进行优化和整合，实现单光谱优势互补，以获得更全面、更可靠、更丰富的特征数据，达到提高模型预测准确性和稳定性的目的。戴嘉伟等对近年出现的多光谱数据融合技术的新策略和新方法进行了综述，作者认为将多光谱仪器硬件与多光谱数据融合算法结合是未来的发展趋势，通过云平台可将多光谱数据的采集和数据的融合处理进行集成，进一步节约人力物力，提高分析效率[66]。图11 低级、中级和高级数据融合的建模策略（包括深度学习）示意图Calvin等综述了用于评估食品质量的电子鼻（ENs）、电子舌（ET）和电子眼（EEs）组合系统开发的最新进展，特别讨论了不同数据融合策略的应用（图11）[67]。Azcarate等系统论述了数据融合的不同策略，强调数据结构对选择融合策略的重要性，以及如何将它们合并到不同的数据分析场景中[68]。Mishra等概述了多块数据分析的概念、可执行的各种任务（包括探索性数据分析、预测建模、变量选择、预处理优化和模型转移）以及不同方法的优缺点[69]。3.4深度学习图12 人工神经网络家族的Venn图深度学习是近年来非常活跃的一支人工神经网络方法（图12），主要包括CNN、ResNets、自动编码器、GAN、RNN等，在光谱分析中主要有四种应用场景：光谱预处理、分类、回归和光谱特征提取。Debus等综述了深度学习方法及其在分析化学中的应用，包括定量分析、混合物中特定化合物的识别、光谱重建、图像分析和样品分类等[70]。数据规模的增长和计算能力的提高促进了深度学习在光谱及医学影像分析中的应用，但深度学习模型可解释性的不足是阻碍其应用的关键因素。刘煦阳等从算法角度介绍了深度学习及三类可解释性方法的原理，综述了深度学习及可解释性方法在光谱及医学影像分析，提出基于小规模数据的训练策略、增强模型可解释性的方法及可解释模型的构建仍是未来的发展趋势[71]。光谱数据的深度学习建模中的一个主要主题是选择和优化适用于光谱建模特定任务的深度神经网络架构。Passos等基于实现和优化光谱回归和分类两个实例，介绍了一套旨在优化深度学习模型超参数的方法[72]。图13 传统人工神经网络与深度神经网络的区别Mishra等就深度学习在近红外光谱数据建模中的主要优点和潜在缺陷进行了批判性和全面的论述（图13），介绍了深度学习在回归、分类、模型更新、模型转移和光谱图像处理等方面的应用，作者认为具有广泛变异性的大光谱数据集是训练更复杂、准确和稳健模型的关键。尽管该文是针对近红外光谱评述的，但许多观点也可扩展适用于其他光谱技术[73]。Nikzad-Langerodi等从化学计量学和分析化学角度概述了迁移学习的理论、概念和应用，并将其与校正模型更新/适应和模型转移向联系，提出了未来的应用前景[74]。Luo等在综述中讨论了深度学习算法在拉曼光谱分析中的最新发展以及这些算法存在的挑战[75]。Mozaffari等综述了一维卷积神经网络在便携式拉曼光谱仪中识别未知物质的研究进展，指出缺乏可用于深度学习的大型拉曼光谱数据库是当前面临的最大挑战[76]。Lussier等论述了应用于拉曼和SERS的深度学习和人工智能方法，涉及食品和饮料，病毒和细菌，刑侦、医疗等领域的定性和定量分析[77]。Cobas等论述了机器学习（ML）和深度学习（DL）方法在核磁共振信号处理和小分子分析领域的各种应用，包括结构自动验证和溶液中NMR观测值的预测等[78]。Chen等总结了深度学习方法在核磁共振（NMR）光谱学中的应用，认为深度学习方法有可能将NMR光谱学转化为化学和生命科学中更高效和强大的技术[79]。图14 用于LIBS的ANN方法Li等综述了用于激光诱导击穿光谱（LIBS）分析的人工神经网络（ANN）方法（图14），包括反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）、自组织映射（SOM）和卷积神经网络（CNN）等，比较了这些有代表性人工神经网络方法的网络结构原理及其特点，以及它们在LIBS分析中的应用，深入讨论了变量选择、网络构建、数据集利用、网络训练、模型评估等具体实施时的策略性问题，指出了ANN方法在过拟合和可解释性等方面的局限性，展望了多光谱融合、全谱建模、广义谱、多算法组合等方面的发展[80]。赵文雅等总结了LIBS结合ANN模型在地质、合金、有机聚合物、煤炭、土壤及生物等领域的具体应用，展望了ANN在LIBS光谱深度信息挖掘、便携式专用型设备开发、技术联用等方面的发展前景[81]。Cui等讨论了卷积神经网络（CNN）和递归神经网络（RNN）等深度学习方法在电化学生物传感器、可穿戴电子器件、SERS和基于其他光谱的生物传感器、荧光生物传感器和比色生物传感器中的应用，提出在这些应用程序中，所建模型必须是可解释的（而不是黑匣子）。医疗专业人员和决策者必须能够理解机器决策。同时，人类的知识和推理规则需要以透明的方式纳入深度学习系统，以强制和规范其学习和决策过程。此外，将人类知识和推理规则纳入机器学习过程可以显著减少训练模型所需的样本量[82]。Pradhan等讨论了深度学习在生物光子领域的可能性，包括图像分类、分割、配准、伪染色和分辨率增强，以及深度学习在光谱数据中的潜在用途，如光谱数据预处理和光谱分类，并对深度学习在振动光谱应用面临一些挑战进行了讨论，例如数据的缺乏、光谱的复杂性、光谱内的类间和类内差异以及深度学习模型的可解释性[83]。Nayak等论述了从人工神经网络到深度学习在智能食品加工中的应用进展，包括了该领域从浅层学习到深度学习的详细过程[84]。Liang等论述了近红外光谱和红外光谱与人工神经网络（浅层神经网络和深层神经网络）相结合用于食品质量和安全认证以及品种和产地的可追溯性的研究进展，指出不应盲目追求复杂的神经网络结构，应根据测量数据集的复杂性设计网络，并应专注于研究神经网络轻量级结构和算法[85]。Zhang等的综述侧重于深入学习算法在食品和农产品质量评估中的应用、当前研究的经验教训和未来展望，深度学习方法能够平滑光谱数据并提取信息特征，所以其主要优点之一是通过端到端分析可在很大程度上减少对领域知识的依赖[86]。Mishra等综述了用于高光谱图像特征提取和分类的4种深度学习方法，并归纳了它们在常用数据集中获得的对比结果[87]。Ozdemir等综述了用于高光谱图像特征提取和分类的深度学习算法[88]。Kassem等系统综述了用于图像视觉诊断皮肤病变的机器学习和深度学习方法，认为小数据集、特殊图像选择和种族偏见是当前面临的主要挑战[89]。Zhu等则综述了应用于食品加工领域机器视觉技术的传统机器学习和深度学习方法，应用领域包括食品安全检测、食品加工监控和异物检测等[90]。Jaiswal等综述了高光谱成像结合深度学习在多领域的应用进展，包括生物医学、食品质量、农业、生态、采矿、林业和国防等领域，提出应在高光谱解混合、异常检测、模式识别和数据融合等方面进行深入研究，以有效利用高光谱数据立方体[91]。Wang等从深度学习模型和特征网络两个方面综述了高光谱图像分析在农业中的应用，包括品种分类、成熟度和成分预测、遥感图像分类和植物病害检测，提出了迁移学习、生成对抗网络、半监督学习和主动学习是应对有限标记训练样本挑战的有前景的技术[92]。Odebiri等论述了从传统神经网络向深度学习的过渡，并讨论了遥感数据预测土壤有机碳（SOC）带来的应用潜力和主要挑战[93]。Yang等概述了深度学习技术在园艺领域中的应用场景，以及应用的模型和框架、使用的数据和总体性能结果，包括品种识别、产量估计、质量检测、病虫害管理、生长监测等[94]。3.5标准与规范拉曼光谱越来越多地应用于生物学、法医学、诊断学、药剂学和食品科学。这种增长不仅是由仪器设备和实验方法的改进引起的，也是由化学计量学技术的发展引起的。Guo等概述了拉曼光谱分析中的化学计量学过程，包括实验设计、数据预处理、数据学习和模型传递，讨论了可能遇到的方法陷阱问题及解决办法，在此基础上提出了化学计量学方法用于拉曼光谱分析的标准化流程，其目的是将基于化学计量学方法的拉曼分析技术从概念验证研究进一步推向实际应用[95]。Barton等论述了用于拉曼光谱分析的化学计量学方法进展，尤其是与仪器和数据校准相关的方法，概述了使用拉曼光谱创建、验证和传递化学计量学模型所需的步骤和应注意的问题[96]。Ntziouni等全面分析了与拉曼光谱相关的标准方法、指南和规范，指出制定通用标准方法对进一步促进拉曼光谱技术的发展和应用至关重要，尤其是对于表面增强拉曼光谱和低分辨率便携式分析仪来说[97]。结合化学计量学的光谱分析方法在疾病筛查和诊断、微生物学研究、法医学和环境调查中非常有吸引力，其中快速、准确和可靠的分类模型是基础。Morais等编写了用于振动光谱数据（FTIR、Raman和近红外）的多元分类分析规程，重点介绍了一系列关键步骤，如预处理、数据选择、特征提取、分类和模型验证[98]。Afara等提出了近红外光谱和成像表征生物组织的工作流程规范，并展示了近红外光谱和成像在探索和诊断生物组织应用中的分析能力[99]。Yang等系统总结了世界范围内的近红外光谱相关的标准，涉及仪器、建模通则和应用方法等[100]。3.6其他随着校正样本数据集的日益增大、样本来源日益广泛及光谱采集条件日益复杂，非线性方法的使用越来越普遍。Zareef等概述了近红外光谱应用于食品分析的非线性定量和定性校正算法，包括ANN、AdaBoost、SVM、ELM和局部校正方法（LA），讨论了各种方法的优缺点[101]。李明等针对近红外光谱通用模型在农产品和食品检测中的研究进行综述，通过比较传统模型建模方法与通用模型建模方法，分别就建立通用模型过程中样品信息的获取、模型的建立以及样品信息的预测三大建模步骤中使用的方法进行总结，并归纳了近红外光谱通用模型在建模步骤中的要点[102]。Dorantes等针对土壤的光谱分析，综述了校正集大小的选择、通过子集构建目标校正模型，以及通过加标方法实现库转移等建模优化方法和策略[103]。模型转移是用于在光谱仪之间转移光谱校正模型的一类化学计量学方法。传统模型转移方法对标准样品的要求一直是一个挑战，因为此类测量在现实应用中存在困难。Mishra等论述了近年来在模型转移领域取得的研究进展，提出随着人工智能、深度学习和计算能力的不断进步，无标样算法将会得到越来越多的应用[104]。在模式识别中，单类分类方法（one-class classification）是一种只针对一类实例建模分析，以特定的置信水平固定目标样本类的边界，对新样本的类别进行判定的方法，利用这一特点能有效区分不同于真实样本的数据，大大减少了检测的工作量，在食品掺假检测应用领域有一定的发展潜力。唐逸芸等对单类分类方法进行了综述，重点介绍了几种常见的单类分类方法如数据驱动的簇类独立软模式（DD-SIMCA）、单类偏最小二乘（OCPLS）、单类支持向量机（OCSVM）以及单类随机森林（OCRF），论述了该方法在食品真实性鉴别中的应用，包括食用油、乳制品、饮料、保健品、香辛料及谷物等[105]。Lavine等论述了红外光谱两种相似性比对方式（库搜索算法和模式识别方法）的优劣，强调了在使用统计方法比较光谱时，光谱专家参与认证以及光谱高质量的重要性[106]。Ferguson等综述了傅里叶变换红外光谱（FTIR）和量子级联激光红外光谱（QCL）结合机器学习方法在检测和分类不同癌症组织的进展，论文强调了F1得分可作为直接比较模型性能的定量指标，并指出基于集成策略的识别方法往往能得到较好的结果，而且识别技术正在朝着可以捕捉组织复杂性的分层建模方向发展[107]。独立分量分析（ICA）是一种概率方法，其目标是从混合观测信号中提取最大独立和非高斯的基本分量信号。由于分析化学中许多应用获取的数据是成分信号的混合物，因此这种方法非常有用。Monakhova等综述了近年来ICA在荧光、UV-VIS、NMR、振动光谱以及色谱中定量和定性分析的应用，提出了进一步的研究方向[108]。图15 光谱解混技术的研究现状Research status of spectral unmixing technology光谱成像中，低空间分辨率和物质异质性等因素造成的图像混合像元问题，使像元级的数据处理和应用难以满足实际需求。光谱解混提取亚像元尺度上的端元和丰度信息，为现实应用的数据精细化定量分析提供技术支撑。杨斌等介绍了近些年光谱解混理论方法和应用的相关研究进展（图15），总结了光谱解混技术与应用研究中的不足和构建二者协同发展的必要性[109]。本文为评述第一部分，第二部分查看请点击此处

36氪获悉，杭州深度视觉科技有限公司（以下简称“深度视觉”）宣布完成过亿元的A轮融资，本轮融资由通用技术创投领投，惠友资本、中关村发展启航投资、高通创投跟投。势能资本担任独家财务顾问。领投方通用技术创投是通用技术集团的全资公司，专注于科技创新领域股权投资，具有明确的产业属性和布局能力，目前培育了一批上市公司和细分行业龙头。深度视觉创始人王帅林表示，本轮融资资金将用于产品研发和市场拓展等业务方面。深度视觉成立于2017年，是一家工业领域高精度智能视觉检测方案供应商。深度视觉拥有智能AI相机&3D相机整机的自主研发能力、光学设计能力、多重算法库的研发能力、FPGA平台图像采集处理系统的研发能力及自动化设备的设计制造能力，其一体化检测设备已经应用于多个工业细分领域。深度视觉产品利用机器视觉技术完成产品自动化检测是企业智能化生产必备的能力，同时也是一个高速增长的市场。据前瞻产业研究院相关数据显示，2019年，我国工业机器视觉市场规模已达到139亿元，同时在光源、镜头、相机及分析软件上，国产品牌的占优趋势持续升高。深度视觉创始人王帅林表示，我国是一个工业大国，制造业水平在不断提升，可以为视觉检测设备创造很多应用场景；同时国产厂家可通过快速迭代打造出超越国外产品的设备，解决行业痛点，这对国产品牌是一个好的市场机会。目前 工业领域的产品检测环节主要面临几类痛点：人工成本逐渐升高，招工难；产品复杂程度提高，人眼或常规检测手段效率降低；产品价值较高，出现漏检可能会带来严重后果等。深度视觉打造了多款一体化自动检测设备，用以对高反光、高曲率的产品进行检测，目前主要用于机加工及汽车领域，检测产品包括轴承、滚针、套圈及其他汽车零部件。王帅林告诉36氪：“机加工零件和汽车零部件的生产环境并不是无尘的，很多时候零件会沾有灰尘、污渍或油泥，但其加工质量却是合格的，这就对检测设备提出了更高的要求。此外机械零部件往往是大批量生产，检测准确度也会影响生产效率。”王帅林毕业于北京邮电大学，曾在SEED、中国兵器等企业担任算法工程师，拥有丰富的FPGA、ISP算法开发经验。在技术上，深度视觉进行了图像采集-数据分析-设备一体化的产品布局。在图像采集层面，深度视觉进行了特殊的光源和光路的设计，以及光学透镜组的设计，解决了金属零件表面高反光带来的过度曝光问题，同时通过明场和暗场结合的方式，满足了机加工零部件及汽车零部件特殊位置的图像拍摄要求。在数据分析层面，与传统的视觉检测设备依靠工控机进行集中式运算不同，深度视觉采用了分布式运算的方式，这样做的好处是可以将整台设备的算力更好的分配，完成在不同光照条件下对目标进行多次检测，提高检测精度。深度视觉的分布式运算架构使相机拥有了边缘计算能力，一幅零件图像首先由相机进行处理，处理后的结果以数据形式嵌入图像，并传至后方工控机，工控机综合相机的处理结果应用深度学习算法对图像进行进一步的分析。王帅林表示，除了算法及检测逻辑的创新外，对机加工工艺的理解也十分重要，深度视觉需要充分理解工艺特性，判断出正常加工痕迹和缺陷，并以此来进行数据标定和建立算法库，这种know-how能力同样是企业的壁垒。从相关资料来看，深度视觉打造了滚动体智能外观检测机、磨加工内外圈外观检测机、车加工内外圈外观检测机、成品轴承外观检测机、电池壳外观检测机等多类型产品，每一类产品拥有多款不同型号。目前深度视觉的客户已经超过300家，其中包括舍弗勒集团、不二越、人本集团、五洲新春等国内外知名企业。王帅林表示，目前深度视觉的产品年出货量为近千台，且均为直销渠道，这样可以使深度视觉更好地理解客户需求并快速迭代产品。此外，深度视觉也正在建设自己的生产基地。在发展战略上，除了机加工市场和汽车零部件市场，深度视觉正在积极拓展纺织、医药等领域，并持续落地行业标杆客户，将检测设备和技术发挥出最大效能。投资者说：“深度视觉是一家技术驱动型的公司，具备从相机、光场、算法到机械自动化等全套底层技术自研能力，其提供的AOI检测产品及解决方案已在轴承和金属零部件领域得到全球头部客户的高度认可，并在新能源领域也逐步打开局面。我国正在产业升级的关键期，相信在王总的带领下，深度视觉能成为中国的‘基恩士’，为我国制造业转型升级助力。”——惠友资本投资总监杨扬“高通公司一直通过研发、投资、合作等方式持续引领AI技术和产业的发展。高通创投作为深度视觉最早的机构投资人已陪伴深度视觉三年有余。三年来，我们见证了深度视觉团队从初创走向成长，见证了深度视觉产品从轴承检测拓展至周边行业，也见证了AI在高精密智能制造中的巨大潜力。我们深切期待深度视觉能在AI技术上持续创新，在应用场景上持续发掘，不断取得进步。”——高通创投风险投资高级总监毛嵩“投资一年来，我们欣喜的看到了团队的持续进化和公司的不断成长，在持续巩固金属表面缺陷检测优势的同时，在新能源、医药等方向陆续也有不错的落地，期待公司抓住产业数智化浪潮的际遇，继续稳扎稳打，做大做强。”——中关村发展启航投资合伙人马建平 “疫情的肆虐让机器替人、自动化及智能化提高生产效率保证产品质量的重要性提到更高的位置，深度视觉的自研相机、自研算法及整体解决方案，在轴承及其他金属制品行业得到客户认可，我们也相信团队的能力会打开更大的市场空间。”——老股东祥峰投资执行合伙人夏志进