微流控（microfluidics）技术是一种针对极小量的流体进行操控的系统科学技术。

行业环境

研究背景：

微流控（microfluidics）技术是一种针对极小量的流体进行操控的系统科学技术。微流控芯片（microfluidic chips）是微流控技术实现的主要平台和技术装置，其主要特征是容纳流体的有效结构（通道、反应室和其他某些功能部件）至少在一个维度上为微米级尺度。在这一尺度下，流体的运动具有自己的特点，与宏观尺度大不相同。与宏观尺度的实验装置相比，这一技术显著降低了样品的消耗量, 增大了流体环境的表面积，提高了反应效率, 同时也降低了实验产生废物对环境的污染；集成微流控芯片操作的并行性优势可以实现实验的高通量、自动化控制；并且通过微阀微泵等微细结构的精确控制，微流控芯片在提高生命科学研究的时间与空间分辨率上有很大的灵活性，具有不可替代的优势。

应用环境

• 样品：生物样品、异硫氰酸荧光素荧光标记的氨基酸等
• 待测成份：荧光物质、有吸光度的化学物质
• 样品形态：液体
• 应用背景：
  • 激光诱导荧光检测
  • 光度检测
  • 化学发光检测
  • 分子发射光谱检测
• 需要的整套方案：光源、光谱仪、光纤
• 定量/定性：定量

海洋的角色

• 海洋能解决的问题：光源、光纤和光谱仪的整体解决方案
• 测量类型：荧光、吸光度

技术细节

微流控分析 （microfluidic chemical analysis）是采用微加工技术制成具有微结构的芯片，把试样的采集、预处理、分离、反应、检测等部分集成在几平方厘米的面积内，从而高效、快速地完成试样的分离、分析及检测。

微流控的优点：

1. 更小的尺寸：便携性
2. 更快的处理速度
3. 更少的体积：减少昂贵试剂
4. 集成化和多功能
5. 更高的吞吐量
6. 更低的能源消耗
7. 新功能：尺度效应
8. 更安全：使用材料减少

液滴微流控技术：

微流控中的微尺度液滴领域，相比于传统的连续流，离散化的乳液以其试剂消耗量极小为显著特征，可以极大的降低昂贵试剂消耗成本。每一个形态稳定的液滴均可视为独立的微反应器，减少了交叉污染，便于操控，其很大的比表面积还能加快各种反应速度和传热传速度，因此是药物合成，单细胞分析，分子生物学，材料合成等领域的理想选择。液滴微流控相比于其他微流控技术逐渐成为生化分析的热门手段。

原理、系统介绍：

吸光度（Absorbance）：是指光线通过溶液或某一物质前的入射光强度与该光线通过溶液或物质后的透射光强度比值的以10为底的对数（即lg（I₀/I₁）），其中I₀为入射光强，I₁为透射光强，影响它的因素有溶剂、浓度、温度等等。荧光光照射到某些原子时，光的能量使原子核周围的一些电子由原来的轨道跃迁到了能量更高的轨道，即从基态跃迁到第一激发单线态或第二激发单线态等。第一激发单线态或第二激发单线态等是不稳定的，所以会恢复基态，当电子由第一激发单线态恢复到基态时，能量会以光的形式释放，所以产生荧光。

海洋光学仪器及配件：LED激发光光源、氘钨灯、光纤、光谱仪

微型光纤光谱仪优势：

1. 体积小巧，适合原位在线监测
2. 采样方便
3. 精度高
4. 光谱范围宽

微流控芯片及应用

图1. 不同微流控芯片类型

图2. 样品组分检测应用

图3. 微流控技术在细胞分离中的应用

图4. 海洋光学推荐应用

“蜜蜂在授粉作物中起至关重要的作用。随着蜜蜂死亡率的增加，学者们正研究使用光谱技术监测潜在有害杀虫剂的浓度水平。吡虫啉是与蜜蜂死亡有关的杀虫剂之一，本文分析了表面增强拉曼光谱（SERS）测量吡虫啉的痕量水平的有效性。”

背景

”蜜蜂是全球生态系统的重要组成部分，每年为欧盟和美国的农业经济贡献近250亿美元的价值。美国许多种植者依靠租用的蜂箱种植。美国EPA认为，吡虫啉是商业蜜蜂群的主要“杀手”。吡虫啉广泛用于农业，草皮管理和家庭保护应用中的害虫控制。根据美国EPA研究，吡虫啉痕量浓度大于25ppb可能对蜜蜂有害。“

“新烟碱类分子吡虫啉的球形模型”

SERS技术和痕量农药检测

”在SERS中，分析物会在分析前吸附在三维金表面上，从而产生等离子体共振效应，提高拉曼信号强度。来自海洋光学的SERS芯片将非常微弱的拉曼信号放大了多个数量级，从而能够检测到痕量水平的样品（如杀菌剂和农药）。”“凭借先前使用SERS来测定低浓度其他杀虫剂的成功经验，我们预想对吡虫啉会具有相似的结果。“

实验条件

”使用QEPro-Raman光谱仪，配置了包括拉曼激光器，拉曼探针和样品支架，使用785nm作为拉曼激发波长进行测量。我们分别在1000ppm，100ppm，10ppm，和1ppm的丙酮中加入吡虫啉，每个添加10µL，并让基底完全干燥。对于溶液的制备，丙酮是比水更好的选择。“

实验结果

“测试时的激光功率设置为15mW，积分时间设置为3s（图1）。金基底对吡虫啉浓度>4pg的效果最佳，这主要是因为金基底具有更强的背景信号，因此较低的浓度测量具有挑战性。”

”图1. SERS 基板显著增加拉曼信号强度“

“我们测得的最低吡虫啉浓度为4pg，转换为0.4ppb。这完全在美国EPA报告的对蜜蜂种群有害的25ppb浓度范围内。”

“本实验通过计算分析物的体积、浓度、SERS 基板的面积和激光光斑的大小提供更准确的分析。光斑大小从25μm到 158μm。同样，我们假设沉积和干燥后分析物的覆盖范围均匀。”

总结

“拉曼光谱是一种可实现快速，无损分析的技术，SERS基底具有高灵敏度，可检测痕量样品（如杀虫剂）。海洋光学模块化拉曼光谱仪和SERS基底已经证明对包括福美双，马拉硫磷，亚胺硫磷，毒死蜱和三硫磷在内的农药具有良好的测量结果。正如我们的测试所示，SERS基底是痕量水平检测的可行选择。而且，与市场上许多现有的SERS产品不同，Ocean Insight SERS基板易于使用，价格合理并且可大量生产，具有很高的可重复性，可以在实验室或现场进行常规部署。”

海洋光学亚洲 市场部08 十二月 2022

• 食品&农业
• 反射

烟叶成熟度分为田间成熟度和烘烤成熟度。田间成熟度是烟叶在田间的生长情况。烘烤成熟度是烤制后烟叶成熟的情况。

背景

合适的田间成熟度是获得高品质烟叶的基础。烟叶田间成熟度影响着烤后质量的好坏，包括色泽、香气、油分等。目前，鉴别烟叶田间成熟度的方法是通过烟农肉眼鉴别，鉴别质量参差不齐、效率低且可靠性差。因此，建立一种能直接在田间鉴别烟叶成熟度的方法很有必要。

田间烟叶图

研究方法

本实验采用近红外光谱技术和图像识别技术结合机器学习算法，建立相应的烟叶成熟度鉴别模型，最后通过分析对比各个模型的分类效果，寻找最合适的烟叶成熟度检测方法。

实验主要于2019年在大理两不同烘烤工场进行，选择烤烟品种K326，上、中和下部位各采集鲜烟叶样本2431、2401和2400个，共采集7232个样本，每个样本都进行了近红外光谱的采集。

图1. 光谱采集位置分布示意图

实验用海洋光学NIRQuest近红外光谱仪采集样本光谱，配件包含标准探头和漫反射白板，积分时间为5 ms，光谱范围为900-2500 nm，开机预热30 min，优化光谱仪扫描条件后进行近红外光谱扫描，扫描时每个样本在视线范围内避开主脉在左右两侧各取3个点扫描（见图1），所有点的平均值作为该烟叶的代表光谱。

数据采集及处理

近红外光谱含大量噪声，预处理有助于提取和分析有用信息。不同预处理方法导致不同的预测结果。因此，为探索不同预处理方法对模型构建的影响，试算了一阶导数、二阶导数、标准正态变换（SNV）四种经典预处理方法、多元散射校正（MSC）结合Savitz-Golay平滑和归一化进行对比分析。

图2. 烟叶近红外光谱图(a)原始光谱,(b)预处理后光谱

从上部烟叶样本训练集中随机抽取450个样本，按2:1比例分组，选择合适的预处理方法。实验随机重复五次，取平均值作为结果。发现与原始光谱比，预处理后的光谱鉴别准确度有所提高。

经对比发现一阶导数处理的光谱数据可获得更好的分类结果。因此，在随后的分类实验中，选择其作为上、中、下烟叶光谱的预处理方法。预处理前后的光谱如图2所示。

值得注意的是，不同的预处理方法对CNN模型的分类结果影响较小。这表明，与其他方法相比，用于开发NIR模型的CNN方法对预处理的依赖性较小。

表1. 不同预处理方法的判别准确率（%）

模型对比及结论

作者随后采用主成分分析法（PCA）对烟叶各成熟度水平的光谱数据进行聚类分析，发现样本数据显著重叠，无法分离。因此，有必要开发一种更强大的多分类方法来区分不同成熟度的烟叶。考虑到CNN强大的特征提取和学习能力，它可能是一个不错的选择。

图3. 上部烟叶五个成熟度水平NIR光谱方差的PCA得分图

为对比CNN模型的性能，建立了KNN、BPNN、SVM和ELM模型进行比较分析。证实了CNN模型在区分烟叶成熟度方面的出色分类能力。

表2. CNN和其他四种方法的预测结果（%）

结论

本实验研究了近红外光谱结合深度学习方法对新鲜烟叶成熟度水平进行分类的潜力。近红外光谱技术是一种非常有用的工具，可准确、无损地测定烟叶的内部和外部品质。实验表明，CNN方法具有很强的特征提取和学习能力，对分类精度有着有利的影响。为进一步准确识别烟叶成熟度、研制烟叶采收机奠定基础，从而提高烟叶的生产效益。

特别鸣谢

特别感谢云南烟草农业研究院陈颐老师及贵州大学烟草学院老师及其实验室其他成员的工作及对海洋光学的支持和信任。

量子点（Quantum dot，QD）又称半导体纳米晶，是导带电子、价带空穴及激子在三个空间方向上受束缚的半导体纳米结构，其三维尺寸通常在2-10nm范围内，呈近似球形，市场上使用的量子点材料多为核壳结构。

基本概念及特征

量子点：

（Quantum dot，QD）又称半导体纳米晶，是导带电子、价带空穴及激子在三个空间方向上受束缚的半导体纳米结构，其三维尺寸通常在2-10nm范围内，呈近似球形，市场上使用的量子点材料多为核壳结构。

分为元素半导体量子点、化合物半导体量子点、异质结量子点，常见的量子点由IV A、ⅡB-ⅥA、ⅢA-ⅤA或者ⅣA-ⅥA, 族元素组成，如Si,Ge,CdSe,CdTe, CdS, ZnSe,ZnS,InP,InAs,PbS, PbSe 等半导体材料。

量子点发光原理

量子点能把电子锁定在非常微小的三维空间内，电子运动受到限制，对其施加一定的电场或光照会发出特定频率的光，发光频率随着颗粒尺寸的改变而变化，通过调节量子点的尺寸可以控制其发光的颜色。

量子点背光源技术（QD LCD）：

是一种光致发光技术，利用量子点的发光特性，通过绿色、红色量子点将蓝色LED光转化为高饱和度的绿光和红光，并同其余未被转换的蓝光混合得到白光等各种颜色，在屏幕上显示宽广色域的颜色。

量子点发光二极管显示技术（QLED）

QLED全称是“Quantum Dot light Emitting Diode”，即量子点发光二极管，又名量子屏显示技术，其原理是是将量子点层臵于电子传输和空穴传输有机材料层之间，外加电场使电子和空穴移动到量子点层中，电子和空穴在这里被捕获到量子点层并且重组，从而发射光子。通过将红色量子点、绿色量子点和蓝光荧光体封装在一个二极管内，实现直接发射出白光。

量子点的光学特性

激发光谱宽：应用单一波长的激发光可激发多种量子点，使量子点达到激发态的光谱范围较宽，传统有机染料荧光分子激光谱较窄，须用合适能量的光来激发。

发射光谱窄：量子点发射光谱范围较窄且对称，不易重叠，可以使用小于其发射波长10nm的任意波长的光进行激发

发射波长可调：

荧光效率高、稳定、寿命长：荧光强度高，稳定性好，抗漂白能力强，可经受反复多次激发而不易发生荧光猝灭。可以对标记的物体进行长时间的观察，可用于研究细胞中生物分子之间长期相互作用。

生物兼容性好：经过各种化学修饰之后可以进行特异性连接，对生物大分子标本的活性无伤害。

应用

生物医学：量子点检测试剂通过结合抗原抗体反应的特异性与量子点荧光的敏感性，可以对抗体或抗原进行定性、定位或定量检测，提供改进的体内和体外生物学成像。

荧光标记（荧光探针）

活体/细胞成像：追踪药物的疗效，实时监测药物的作用机制，病理组织标本的检测以及疾病的诊断, 多种抗原的同时检测, 简化检测过程,缩短检测时间

新能源：

太阳能电池：量子点作为窄带隙材料，可大幅提高光能利用率，增加太阳能电池的转化效率。

光催化：

光电显示：

量子点器件

量子点显示（QD、LCD，QLED）

光谱仪用于量子点发光表征

紫外可见吸收谱

光致发光谱（PL）

光致发光量子效率（QY）

电致发光谱（EL）

辐照度/亮度/色度

电致发光量子效率(EQE)

海洋方案

紫外-可见吸收谱

配置：

光谱仪(FLAME,MAYA,QE 系列等）

氘卤灯光源（DH系列，DT-MINI）

比色皿支架（CUV-UV,CUV-ALL-UV）

光纤（QP400-025-SR）

软件（OCEANVIEW）

光致发光谱（PL谱）

指物质在光的激励下，电子从价带跃迁至导带并在价带留下空穴；电子和空穴在各自的导带和价带中通过弛豫达到各自未被占据的最低激发态（在本征半导体中即导带底和价带顶），成为准平衡态；准平衡态下的电子和空穴再通过复合发光，形成不同波长光的强度或能量分布的光谱图。光致发光过程包括荧光发光和磷光发光。

配置：

光谱仪(FLAME,MAYA,QE, NIRQUEST系列）

单色光源（LED ,Laser, 氙灯+单色仪 ）

比色皿支架（CUV-ALL-UV）

滤光片（LFV长通/低通滤光片）

光纤（QP400-025-SR）

软件（OCEANVIEW）

光致发光量子效率（QY） 

用于表证样品的发光效率，即测量样品有效利用吸收光的效率，数学上表示为发射光子数和吸收光子数的比值。

测量样品的量子效率有两种方法：

相对量子效率测量：需要一种已知量子效率的标准品作为参照，通过对标准物和样品进行吸光度和荧光的测量换算得到样品的量子效率。只适用于液体样品。

绝对量子效率测量：不需要 标准样品进行对比，广泛适用于液体、薄膜和粉末样品。在进行测量时需要积分球附件；积分球内表面涂层一般是高反射性材料，比如硫酸钡和聚四氟乙烯。样品表面各个方向的激发光或者是发射光进行积分球均匀化后从出射口出来，并进入到单色器中最后被检测器检测到。

配置：

光谱仪(FLAME,MAYA,QE, NIRQUEST系列）

单色光源（LED ,Laser, XE+单色仪 ）

比色皿支架（CUV-ALL-UV）

滤光片（LFV长通/低通滤光片）

光纤（QP400-025-SR）

软件（OCEANVIEW）

电致发光谱（量子点器件EL谱）

配置：

光谱仪(FLAME,MAYA,QE系列）

积分球/CC-3（FOIS-1/大积分球）

光纤（QP系列）

标准光源（HL-3P-INT-CAL/大积分球）

源表（Keithley）

EL/PL量子点器件辐照度/亮度，色度[2]

检测参数：

色坐标：CIE XYZ,L*a*b*,xyz, uv, u’v’w’

色温CCT&显色指数CRI

光度量（Lum, Lux, Candela）

亮度

光功率

配置同EL&PL

电致发光量子效率

配置：

QEPRO光谱仪,积分球，

Keithley 源表，

LED光源/HPX2000-HP+MONOSCAN单色仪，

光纤

量子效率专用软件

海洋方案优势：

设备操作简单，无需经常校准

微型光谱仪体积小巧，易于搬运

测试系统可以实现原位测试，测试时样品无需取出手套箱

解决方案完善，可提供参考方案：

可参考文献：

[1] Dai X, Zhang Z, Jin Y, et al. Solution-processed, high-performance light-emitting diodes based on quantum dots[J]. Nature, 2015, 515(7525):96-99.

[2] Sun, C. , Zhang, Y. , Ruan, C. , Yin, C. , Wang, X. , Wang, Y. and Yu, W. W. (2016), Efficient and Stable White LEDs with Silica‐Coated Inorganic Perovskite Quantum Dots. Adv. Mater., 28: 10088-10094. doi:10.1002/adma.201603081

海洋光学亚洲 市场部08 十二月 2022

• 食品&农业
• 透射

近红外光谱技术作为一种快速、绿色的无损检测技术，因为其在常规光纤中良好的传输特性，使得近红外光谱在线分析技术得到很好的应用，并且取得了较高的社会和经济效益。

摘要

采用美国海洋光学公司的QE65000光谱仪取得了西红柿的漫透射光谱数据，采用日本柯尼卡美能达Ｒ-10反射式色差计取得了亮度、红绿色相、黄蓝色相和总色差颜色数据；通过标准数学建模方法建立了颜色模型，并通过偏最小二乘回归校正算法建立了近红外光谱模型。结果表明，两组模型都是以红绿色相指标建模时效果最佳，在99 个未知样品数据中，预测模型的颜色模型误判情况分别为未成熟0%、半成熟33.33%、成熟0%；而近红外预测模型的误判情况分别为未成熟32.14%、半成熟50%、成熟0%。该研究验证了近红外光谱技术对西红柿成熟度进行无损检测的可行性，这对实现西红柿的快速、批量分选具有一定的实际意义。

背景

目前，国内外研究工作者主要偏向于对西红柿品质、生长情况、储藏情况等的研究与实验，特别是对于西红柿栽培技术和病虫害防治技术研究较多，而对于西红柿分选的研究与实验较少。近红外光谱（Near-infrared Spectroscopy，NIRS）技术作为一种快速、绿色的无损检测技术，因为其在常规光纤中良好的传输特性，使得近红外光谱在线分析技术得到很好的应用，并且取得了较高的社会和经济效益。本文中主要提出了利用近红外光谱模型进行西红柿分选的方案，并且还对比了颜色指标模型。

实验及搭建

实验中选用美国海洋光学公司的QE65000光谱仪，其采集的光谱为短波近红外光谱，波长范围：350nm-1150nm；采样时间：100ms /次；光源：6 个12V/100W 钨卤灯。采用漫透射方式，并在每个样品的赤道部位采集光谱。

样品制备

实验中所采用的西红柿样品由河北省石家庄市某果园提供。实验前，挑选表面不畸形、无损伤的正常西红柿作为实验样品，放于22℃的实验室环境下保存12h。实验中共挑选出100 个西红柿样品，其中成熟果（红色）60 个，未成熟果（绿色）29 个，半成熟果（红绿相间）11个。在每个西红柿的4个赤道部位标号，即一共有4×100 个样品数据，依照基于光谱变量的Kennard-Stone（K-S）选择方法将样品集分成建模集（301个）和预测集（99个）2 组。其中，K-S方法基于变量之间的欧氏距离，在特征空间中均匀选取样本。光谱采集完后，在对应部位进行西红柿表面色泽测量，实验中采用国际照明委员会（International Commissionon Illumination，CIE）1976年推荐的均匀色度空间Lab色系。实验采用柯尼卡美能达CR-10反射式色差计（日本）测量样品的表面色泽，测量西红柿表面色泽之前，先测铁氟龙标准白板（亮度L = 90.6，红绿色相a = -3.0，黄蓝色相b = 0.5）作为样品的背景参比，再对水果表面进行测量，其结果通过L，a，b 和总色差ΔE这4 个指标记录。实验中通过美国海洋公司的光谱采集软件（SpectraSuite）采集西红柿样品的光谱，运用Excel-2016软件分析并建立4个颜色指标和对应类别的数学模型，并计算得出对应误判个数，应用偏最小二乘回归校正算法建立西红柿表面色泽的近红外校正模型。

结论

应用近红外光谱技术建立了西红柿成熟度的判别模型，该模型的预测效果较理想，能够很好地识别出成熟果。通过实验分析可知，近红外模型在识别西红柿是否处在半成熟这一过渡阶段的效果还不太理想，会出现将这类样品识别成未成熟果的情况。但总体来说，近红外光谱模型很适合用于大批量的西红柿成熟度分选上，能够很好地剔除非成熟果，避免在之后包装、销售等过程中的二次分选，也能减少人工分选的成本，加快分选速度。本研究可为其它农产品色泽近红外漫透射光谱在线无损检测提供参考依据。

海洋光学量子效率测量系统EQY 2.0正式上线， 在旧版的基础上进行了深度优化和升级。

量子效率测量系统重要更新

检测波段从可见光拓展到了近红外

升级后的EQY 2.0，一套系统可同时覆盖可见-近红外两个波段。

近红外应用领域

量子效率测量系统在近红外波段主要的应用领域包括荧光粉、量子点、有机电致发光材料、金属有机框架材料、PV敏化染料电池片、荧光探针、钙钛矿材料、上转换材料、AIE（聚集诱导发光）材料等。   

近红外量子点具有独特的光学性质和优势，如荧光量子产率高、寿命长、发射波长可调，半峰宽窄且斯托克斯位移较大，耐光漂白能力强以及“近红外生物窗口”等，使它们在生物荧光标记、太阳能电池、量子化计算、光催化、化学分析、食品检测及活体成像等领域具有巨大的潜在应用价值。

双通道检测

支持多台光谱仪连用和协同测量，支持拼谱功能。

支持多种型号的源表

EQY2.0支持Keithley 2400，2420和2450型号的源表。

全新的软件界面 完善的软件功能

新软件界面包括三个区域：工具栏，操作区，显示区。

• 支持64位系统
• 增加资料储存空间
• 增加谱图缩放、移动和寻峰功能
• 曲线图可直接保存成图片或保存数据到剪贴板
• 切换光谱仪无需重复激活/校准
• 启动自动连接光谱仪
• 支持光谱仪采集时暂停/单次采集
• 衰减测量时可选择多个结束条件

升级福利

“加量不加价”

在增加多种新功能的基础上

新版软件价格保持不变

此外

海洋光学可为老用户提供免费升级服务

详情请联系海洋光学销售工程师

关于量子效率测量EQY系统

EQY系统是由海洋光学开发的专用于测量、比较、处理和分析荧光材料量子效率的测量系统。该系统包括海洋光学提供的标准光源，积分球以及光谱仪等硬件设备；同时配套系统专用的量子效率测量软件OceanQY。该软件基于Windows操作系统，可直接进行光致和电致发光材料的量子效率测量，并提供计算结果。

海洋光学亚洲 市场部08 十二月 2022

• 半导体

激光诱导击穿光谱技术系统在进行元素分析的时候，需要样品量极少，对样品的破坏性小；几乎不需要样品制备；可以实现快速实时在线分析。

背景

随着我国半导体产业的快速发展，大型化、高速化、智能化、连续化将成为发展的必然趋势，这要求我们在生产前做好充分的准备。就比如硅晶片进行生产镀膜刻蚀之前，硅晶片上往往会有一些污染物的残留，这时，应使用相对应的清洗剂来对硅晶片进行清洗。那么， 如何选择合适的清洗剂呢？这就需要知道其硅晶片表面的污染物成分。而传统的检测技术大多都需要进行复杂的样品制备或对样品造成极大的破坏且检测时间较长。有没有一种技术，可以快速简便地进行检测，并尽量少地破坏样品呢？

激光诱导透蚀光谱技术（Laser Induced Breakdown Spectroscopy，简称 LIBS）是一种利用原子发射光谱来分析物质元素组成及其含量的技术。激光诱导击穿光谱技术系统在进行元素分析的时候，需要样品量极少，对样品的破坏性小；几乎不需要样品制备；可以实现快速实时在线分析。

海洋光学MX2500+八通道光谱仪

一体化激光诱导击穿光谱仪—ACCULIBS 2500

首先，我们将硅晶片放入样品仓样品台上。Nd:YAG脉冲激光器输出的脉冲光束经聚焦透镜聚焦到硅晶片表面污渍处，在样品表面形成高温高电子密度的等离子体的火花，并发射出包含原子和离子特征谱线的光谱，将等离子体光谱通过光纤导入到MX2500+八通道光谱仪平台中进行信号处理，并使用海洋光学LIBS软件进行污渍元素成分分析。

样本准备

本次样品为25x25mm的硅晶片，使用海洋光学LIBS系统进行其表面污染物的检测。其表面污染物主要为有机光刻胶质及未知成分的小颗粒污染物（厚度为几十nm、直径为几百μm左右）。另外，本次采样点选取随机的表面污染物颗粒点进行检测。

结论分析—光刻胶污染：

样品表面污染物会随着激光逐层的剥蚀效应，其元素被激发出的元素发射光谱信号会出现明显的减弱趋势，并在最初的几次激发后谱峰消失。有机光刻胶含C元素，如样品光谱中出现C元素原子谱线，且C元素峰的强度会随着后续脉冲次数的增加而减少，我们会怀疑样品有光刻胶污染。我们分析了单个样品在随机两处采样点光谱的247.85nm位置，可发现疑似C元素的原子谱线，经过观察发现谱线强度随着后续脉冲次数的增加逐次减弱之后消失。在另外一个采样点上也发现了相同的现象。

由于本次测试未安装气体扫吹系统，在进行测试时，空气中的元素会造成干扰，为了排除其影响，我们观察了O、N两种空气中常量元素的发射峰后，可发现元素峰强度随机波动且始终存在，因此可判定，247.85nm处的疑似C元素发射峰并非空气中的元素干扰。

由于LIBS技术原理影响，单次激发的光谱信号稳定性有限，为了排除由于样品本身或采样系统的影响，我们分析了样品光谱仪的基底Si元素谱线的变化趋势，发现Si元素的谱峰在第一次激发光谱中较弱，而后较强且持续存在。同时，我们测试了已知无光刻胶污染的同批次样品，并未在247.85nm处发现元素谱峰，因此我们认为此样品含有有机光刻胶污染情况。

结论分析—金属污染：

同C元素一样，我们分析了9号样品表面的疑似金属污染位置，并分析了激发光谱，通过软件进行快速元素辅助分析，在230.6nm处、325.6nm和325.85nm处，以及余下九处发现同一元素的原子谱线峰，通过对比标准原子光谱，我们发现这些谱线峰皆符合某种金属元素的标准原子发射谱线。且其变化趋势均为随着后续脉冲次数的增加而逐次减弱并消失。为了区分是否为表面污染物，我们并分析了样品基底的Si元素峰，发现其强度均为由弱至强，而后每次激发强度变化较小。对比空白样品，并未发现在如上的9个波长位置有光谱发射峰。由此推断检测采样处的颗粒污染物为含某元素的金属颗粒。（注：光谱上同颜色的光谱显示的是同一次激发的结果）。

相关产品

海洋光学亚洲 市场部08 十二月 2022

• 光源&照明
• 颜色

辐射颜色测量是光谱仪的一个重要应用。

白炽LED的色品与色温测量

LED生产商利用颜色测量对LED进行分选（分选的标准：功能好差、颜色亮度标准等等），来保证产品的一致性和质量稳定性。屏幕显示生产商使用辐射测量对屏幕的显色进行校准，判定其是否在标准范围。LED的辐射测量在园艺方面（1）也具有很大用处，因为LED也是植物研究和温室光源的主要部分；另外在生物医药应用方面，比如与NASA合作的项目，使用LED激发细胞生长（2）。

在这篇应用文章中，我们使用NIST校准过的两款海洋光学光谱仪（STS和Flame）对比辐射测量同一个白炽LED。Flame作为新一代高热稳定性、低台间差的光谱仪，还配备可更换狭缝、简单仪器连接件等等。

我们通过采集速度、准确度和重复性三方面对STS和Flame光谱仪进行对比。

颜色测量

颜色定义其实相对比较主观的，人眼对颜色的感知和获取是再平常不过但却是不可复制的。二十世纪，人类开发了很多方法对颜色进行定义。现在经常使用的CIE XYZ 1931坐标系统，使用X和Z指认为色品，Y作为亮度（强度）。图1就展示了CIE 1931 X和Y颜色空间。

CIE L*a*b*也是常见的定义方式，L*指认为亮度（强度），a*为红/绿色品，b*为黄/蓝色品。在这篇应用中，我们使用x和y，因为这两个指标是NIST可追溯的用来定义LED，这两个值是可以与CIE1931关联的，

比如：

图1. CIE1931 色品图

另外，色温（CCT）和主波长是对比校准LED的主要指标。通过x和y的值判定不同的LED，并以此作为LED的特征输出。更为重要的是，因为CCT定义了光颜色的表现性，所以对于照明应用非常重要。

当测量LED的颜色时，定义对于同一种颜色的LED，测量结果在xy色坐标中的可接受度是非常必要的。20世纪中叶，David MacAdam开发了一种对不同种颜色进行分类的方法，他定义了一个在xy坐标内一般人肉眼不能分辨色彩的椭圆饼图。通过该色品图可以衍生定义LED在CIE 1931颜色坐标系里的分布，并以此将LED进行分选。MacAdam色品图内xy坐标系的标准差就可以认定为可被感知的色差。

ANSI（美国国家标准组织）C78-377A号文件使用四步MacAdam椭圆定义的方法作为CFL（小型荧光灯）和卤素灯制造的标准。每一步代表了一片面积，该面积区域里的任何一个点都是离中心点一个标准差。

在大多数的工业应用中，LED制造商（3）定义了七步MacAdam椭圆作为一个常用的用来定义可接受范围的标准。如图二所示，LED的分选也是基于MacAdam七步椭圆的方法。

为了对同色LED进行分选，该图经常被用来作为相近颜色色差计算的指导工具。虽然在这篇文章中只使用了一个LED进行测试，但是我们仍然能预测此次分选的结果与测量过程使用的不同步骤之间的差异。

图2. 如何使用七步MacAdam椭圆来定义LED在CIE 1931色品图中的分割区域（3）。

颜色测量步骤

绝对辐射颜色测量可以通过以下几步完成：

1. 确定实验设置
2. 用校准光源对于实验设置进行绝对辐射校准
3. LED的颜色测量

在测量过程中，使用积分球（FOIS-1）加一根400µm 光纤连接到光谱仪上，整个配置使用校准卤素光源（HL-3P-INT-CAL）来进行绝对辐射校准。

结果：测量速度

如图3所示，是使用STS和Flame两种不同型号的光谱仪测量同一个NIST校准过白色LED光源的光谱，每一个光谱仪都先进行了绝对辐照度的校准。光谱仪都配置100 um 的狭缝，并且所有测试都进行50次平均值并平滑5次。为了达到同样信噪比，两台光谱仪的积分时间有所不同，Flame是20ms，STS是300ms。

图3. Flame和STS光谱仪测试出的白色LED光谱。优化光谱仪的积分时间来获得类似的信号长度。结果证明Flame拥有更好的输出性能，意味着测量时间更短。

更低的积分时间显示了Flame在灵敏度上优于STS，Flame能在20ms之内完成测试而STS需要300ms。所以Flame可以运用于需要快速测量的应用中，例如生产测试和质量监控。海洋光学还提供高通光量、低杂散光的Torus 和 Maya LsL光谱仪，实现更快的测量。

尽管Flame已经是一个小型的仪器，STS仍然有着体积小的优势。如果光谱仪需要集成到其他设备里，STS的小体积—只有40 mm x 42 mm x 24 mm—可以成为某些应用领域更好的选择。小体积，使得手持式仪器几乎能在所有领域广泛应用，包括研发实验室、过程环境监控、测试和监控以及一些农业方面的应用。

结果：绝对准确度

现在我们了解到Flame能取得和STS一样的信噪比但是只需要STS一部分的积分时间， 了解这样的情况会不会影响结果的一致性也很重要。这样的快速测量能在不牺牲精准度和重复性的前提下进行么？

为了测试该性能，我们选择四组样品每组20个进行80次测量，每一次测量的暗背景参考系数都被重新设定。这样的方式能够让数据包含系统的变化以及因为暗背景变化所导致的测量可重复性的变化。同时记录CCT，主要波长和x，y数值，并且用x，y值所作的图也用来展示测量中的变化过程（图4）。图4展示了每台光谱仪采集的x，y值的分布以及NIST LED校准过的值。

图4. 白色LED xy值。每台光谱仪进行的多次测量结果在图中显示，并和NIST校准值进行对比。 可以看出Flame 的测量值更靠近NIST值， 由此得出Flame比STS在该应用上有更好的精准度。

Flame的结果更接近于NIST真实校准值。表一展示了每一台光谱仪测量得到的平均值和NIST校准值之间的对比，Flame的平均值更接近于校准值。

	x	% error	y	% error	Dominant  λ (nm)	% error	CCT (K)	% error
NIST values	0.2850	—	0.2747	—	462.7	—	10349	—
Flame	0.2924	2.5%	0.2809	2.3%	447.2	3.2%	9089	12%
STS	0.2953	3.6%	0.2853	3.8%	439.9	6.4%	8596	17%

表1. Flame和STS颜色测量精准度于NIST标准值的比较

尽管每一种光谱仪测试结果都被很好地进行了分类，但是测量值和NIST值之间还是有明显的差异。该绝对但是重复的差别可能主要是源于在使用对辐射度校准过的光源对光谱仪校准后，Flame和STS的测量系统与得到NIST值的差距。

然而，既然这种误差一直重复存在，那我们就可以通过修正的方法可以将这种误差移除。事实上，这是在校准过程中使用NIST校准过的LED和电源原因，所以使用者能够通过这种方法对系统和系统之间变化以及光源校准中产生的不一致进行纠正。这也是为什么系统的重复性可能是衡量系统表现的重要标准，我们在稍后会继续讨论。

当使用之前描述过的LED分选法作为判断可接受结果散布的标准方法时，我们发现测量结果的精准度变化范围很小。STS和Flame都给出了在七步MacAdam椭圆（表2）内的结果。尽管STS和Flame的结果不能给出与NIST得出结果时使用的仪器和校准的差别，他们仍然证明了海洋光学的光谱仪在LED色彩分选方面拥有非常高的精确度。

表2计算了Flame和STS测量结果之间的差别以及与NIST标准值之间的差异。这些差异除以MacAdam椭圆表征的面积就可以得到Flame和STS光谱仪测量结果所在的MacAdams步数。

	Distance from NIST calibration values	MacAdam Steps calculated from ellipse estimate for this region
Flame	0.00965	3.92
STS	0.01478	6.00

表2. Flame和STS颜色测量精确度

表二中值的计算是使用一个位于NIST校准值中心的值来估算MacAdam椭圆。椭圆的参数：a=0.0024，b=0.0005，a是椭圆的长轴的一半长度，b是椭圆短轴的一半长度。Flame和STS测量结果点到中间点距离除以MacAdam椭圆的参数得到MacAdam步数。如表所示，Flame的结果在四个MacAdam椭圆步数内，而STS的测量结果在六个MacAdam椭圆步数内。

图5展示了我们的测试结果基本上覆盖了七个步数的切割区域，该结果还没有对校准中的误差进行纠正，所以我们能预计在纠正后结果会更加好。

图5. 白色LED的分选区域在xy图上的分布。使用的LED是一个白色冷LED光源并且覆盖了最高色温的对应区域。左图的斜率曲线源于LED制造厂商Gree，Inc(4)。

结果：重复性

正如我们所看到的，我们能够通过Flame和STS得出很好地绝对精准度，那么测量的重复性怎么样呢？

两台仪器的重复性差异通过肉眼就能分辨出。如图5所示，光谱仪测量结果分散性较小，说明了比较好的重复性，图6展示了Flame测量结果的非常接近。

图6. Flame测量结果在xy坐标系内的离散分布

另外，下表内的数据显示了每台光谱仪测量的标准差，它体现了每个变量的变化。

Standard Deviations
	x	y	dominant λ	CCT
Flame	5.55E-17	2.47E-05	0.054138	1.312791
STS	7.71E-05	1E-04	0.432337	11.34189

这些数据都可以看出Flame的测量偏差低于STS，所以Flame光谱仪有更好的重复性。

这种离散结果也可以通过使用MacAdam椭圆进行定义。每一个光谱仪的结果都在一个单步数MacAdam椭圆区域里。这个结果证明了一旦对光谱系统的设置和归零误差进行校准，每一台光谱仪都拥有区别高于人类极限的色差的能力。

表3所示，每一组测量值的测量偏差，再用该偏差除以这一区域预估的MacAdam椭圆，得到每台光谱仪的MacAdam步幅。

	Deviation	MacAdam Steps calculated from ellipse estimate for this region
Flame	0.00002	0.01
STS	0.00013	0.05

表3. Flame和STS测量辐射颜色的重复性

总结：Flame和STS光谱仪如何比较

在使用Flame和STS光谱仪测量LED辐射颜色的对比中，我们发现Flame光谱仪有更好的灵敏度和快速测量优势。Flame只需要STS一小部分的积分时间就能达到和STS一样的信噪比，这在以快速测量为主的应用中是一个很大的优势。另外，Torus和Maya LSL是快速测量应用中，高通光量的光谱仪选择。

另外，STS和Flame的测量结果在与LED的NIST校准值的比较中拥有很高的绝对精确度。使用海洋光学现有仪器得出的绝对辐射颜色结果在七步数MacAdam椭圆区域之中。MacAdam椭圆也是许多LED制造厂商用来定义单个LED色彩分选的依据。（该结果还是没有对STS和Flame光谱仪与NIST设置差异进行纠正过的。）

每一台光谱仪都证明了它的重复性，每一次测量结果都在一个MacAdam椭圆之内。 Flame的测量结果有更低的标准差，其中色温标准差是STS的10%。重复性是一个重要的参考标准，因为绝大多数的绝对误差可以作为系统误差在计算时进行校准。重复性意味着使用者每次使用相同的仪器都会得到相似的结果，这证明了光谱技术在分辨LED微小色差上拥有超越人类极限的能力。

不同的应用领域可以选配不同类型的光谱仪(表4)。Flame光谱仪在适用性大小和强大的表现能力上脱颖而出，STS可能在精确度和重复性方面不如Flame，但是仍然在小巧和高性价比表现能力上胜出。

	Measurement Speed (integration time needed to acquire comparable amount of data)	Dimensions and Weight	Repeatability	Price
Flame	20 ms	88.9 mm x 63.5 mm x 31.9 mm, 265 g	Excellent	$$
STS	300 ms	40 mm x 42 mm x 24 mm, 68g	Good	$

表4. Flame和STS光谱仪的主要衡量标准对比

因为颜色没有绝对值，所以它不是一个容易被量化的概念。光谱技术的使能用让用户更客观地定义颜色，海洋光学的光谱仪，光源，配件以及软件能对绝对辐射颜色进行精确的测量。

References

1. Light Environmental Management for Artificial Protected Horticulture (Review Article). Liu, Wenke. Beijing, China: Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, 2012, Agrotechnology.
2. The NASA Light-Emitting Diode Medical Program – Progress in Space Flight and Terrestrial Applications. Whelen, H. T., Houle, J. M., Whelen, N. T., Donohoe, D. L., Cwiklinsky, J., Schmidt, M. H., Gould, L., Larson, D. L., Meyer, G. A., Cevenini, V., Stinson, H. s.l.: American Institute of Physics, 2000, Space Technology and Applications International Forum.
3. American National Standard for Electric Lamps – Specifications for the Chromaticity of Solid State Lighting (SSL) Products. ANSI (American National Standards Institute) C78.377-2011 . May 2012, http://webstore.ansi.org/RecordDetail.aspx?sku=ANSI+ANSLG+C78.377-2011
4. Cree, Inc. Technical Article. LED Color Mixing: Basics and Background. 2010.

实验小组构建了一个基于无人机的水环境激光诱导荧光监测系统。

在固定范围内进行遥感演示测量，并记录了天然河水的荧光特性，无人机在飞行高度10m处采集了浮油和染料标记的自然水量。我们的荧光传感器重量只有1.5kg，由一架商用无人机携带，说明了基于荧光的机载遥感如何仅在目前低光照水平条件下，能够具有成本效益且易于应用。

实验介绍

石油泄漏对海洋生态系统的重大影响引起了全世界的关注。海上钻井平台和船舶事故是溢油的主要来源[1]。石油是由环烷烃、烷烃和芳香烃组成的富烃聚合物混合物，具有非常复杂的物理化学性质。在石油泄漏的最初几天，石油浮在水面上。然后在物理输送、溶解、乳化、氧化和降解的作用下，其组分发生变化。快速、可靠的溢油检测与识别对海洋溢油控制至关重要，遥感技术为溢油检测的发展做出了重要贡献[2,3]。有几个可用的测量方法，例如红外/紫外线传感器和雷达系统，已经被证明能够在飞机上检测溢油。此外，还引进了MODIS和MERIS卫星等太空设备，实现了溢油检测，并具有厚度测量能力[4]。油液快速可靠的检测和识别是海洋溢油控制的关键，遥感技术为溢油检测的发展做出了重要的贡献[2，3]。几种现有的测量方法，例如IR/UV传感器和雷达系统，已被证明能够在飞机上操作时检测漏油。此外，还引进了MODIS和MERIS卫星等太空设备，并启用了溢油探测，并具有厚度测量能力[4]。

激光诱导荧光(LIF)技术为环境监测提供了一种新的、更为强大的技术手段。可以利用藻类和石油泄漏的荧光特征来研究水体。在[5-8]中介绍和回顾了一些早期的工作，随后的事态发展在[9-14]中得到例证。使用LIF技术的EMETE传感仪器主要采用波长在308至355nm之间的脉冲激光源进行激发，这种仪器也可用于植被监测（参见15]），并且在文化遗产领域也有应用（参见[16]）。激光诱导荧光法利用特定的光谱特征，提供了识别不同类型的释放油和研究风化等作用的影响的可能性[17-20]。

现有的油液检测方法主要是为机载或星载应用设计的。被动成像相机严重依赖于日光条件。现有的基于激光的机载荧光监测系统比较复杂，且要求较高。尽管一个单独的机载激光雷达系统可以应用在相当大的范围内[14]，但它体积庞大，不易操作。这在很大程度上与通常使用脉冲激光的事实有关，导致系统沉重而昂贵，即使根据[20]中的分析，适用于无人机（UAV）运行的最新轻量化解决方案现在看来是可行的。

利用荧光进行的石油污染遥感几乎完全是利用脉冲激光系统进行的，因此，使用门控和增强型探测器可以方便地抑制背景辐射。随着基于半导体材料[21]的连续波蓝光和紫外激光器的发展，我们有可能制造出简单的荧光传感器，首先用于实验室研究[22]，然后用于遥感荧光应用[23]。基于连续波激光的非弹性高光谱激光雷达系统识别石油污染，在实验室[24]中使用了一个类似于先前用于对水中藻类和浮游动物进行距离分辨监测的系统[25]。我们在这里报告关于一个功能齐全、结构紧凑、成本低廉的激光诱导荧光系统的构筑，该系统由现成的商用无人机操作。我们最近描述了一个基于无人机的、具有距离分辨能力的高光谱连续波激光雷达系统，并展示了树木的荧光高度剖面图[26]。携带激光雷达系统的无人机已被广泛使用，也有商业用途，如[26]所述，但似乎仅适用于弹性后向散射地形和城市剖面。由于表面监测（例如水面上的油）不需要测距，因此光学系统可以调整到合适的固定飞行高度，荧光监测系统可以变得更简单、重量更轻。

下面，我们将介绍使用这种新型荧光传感器进行的初步实验室测试，它被部署在跨河大桥上，使用无人机对自然水域和污染物的进行空中监测。

仪器说明

图1a 显示了与无人机集成的系统。利用工业计算机进行系统控制和数据存储。图1b为激光诱导荧光系统示意图。

利用海洋光学USB4000小型光谱仪对光谱信号进行连续检测。光谱仪操作的狭缝宽度为200μm，光谱分辨率为10nm。利用标准钨光源校准光谱检测响应。无人机配备了用于无人机推进和LIF系统运行的电池，并允许25分钟的连续检测。荧光传感器的总重量为1.5kg。

测量方法

固定范围测试测量

首先，我们从三楼的窗户向下，在11米固定的传感器-目标分离距离下测试了我们的荧光传感器系统。如图2a所示，该系统垂直俯视位于楼下地面的水桶。直径为53cm的水桶中装满90cm深的自来水。然后,我们研究了添加碳氢油时光谱的变化。原油和船用柴油是海洋环境中最相关的油品。然而，出于实际的原因，我们在试验中使用了机油。我们研究了不同油脂的荧光特性，如我们的早期工作，参见[8]。

在不搅动水的情况下加15次机油，使浮油层越来越厚。每次往桶里倒入40毫升纯油。然后，总含量从0到520毫升，相应的层最终达到2.4毫米的厚度。适当设置分光计的曝光时间，平均每个光谱记录15次。0-320毫升的时间为1s。为了避免过度曝光，将360到520毫升的曝光时间设置为0.5s。最后，在曝光时间设置为0.3s的情况下对纯油进行测量。对于列出的曝光时间，测试测量的结果如图2b所示。

在没有油的情况下记录的光谱（下方蓝色曲线）对应于水的自然背景荧光，归因于溶解的有机物(DOM)，峰值接近500nm。此外，在480nm激励下，我们观察到与H2O水分子的O-H伸缩振动相对应的激光诱导拉曼峰，其斯托克斯位移约为3350/cm。在440nm处出现较宽的峰值是由用来截断412nm强激发激光的长通滤波器的固有荧光引起的。在随后的现场测量中，滤波器被移除，因此产生了这种杂散信号。

对于0–320毫升的记录，曝光时间为1.0s，但对于360–520毫升的曲线，曝光时间减少到0.5s，最后将纯油设置为0.3s

从光谱曲线上可以观察到机油的特性和荧光峰的增加，在500nm左右再次达到峰值。它叠加在宽的DOM荧光分布上。随着油量的增加，水拉曼峰变小，在强烈的油荧光的作用下难以分辨。这是因为412nm辐射的吸油作用，阻止了光线到达水下。同时，油的荧光增强，并很快强烈地控制了DOM荧光。为了显示光谱的发展，形成F500和F480强度之间的比率，如图3b所示。从光谱中提取的油荧光峰强度如图3c所示，水拉曼峰强度如图3d所示。

记录数据的处理方法如图3a所示。C（F500）是500 nm处的油荧光。A（F480）为480nm处的荧光强度，B为独立的水拉曼信号。在图3b中观察到F500和F480之间的增加比率，其中在单独的试验中测量了10 ml和20 ml数据点。随着更多的油的加入，这个比例会饱和。在评估油荧光时，如图3c所示，直接使用500 nm处的荧光强度，由于较厚的层对DOM的作用很微弱，所以直接使用了500 nm处的荧光强度。为了从我们的测量结果中得到绝对的（独立的）水拉曼峰强度，首先，我们将水拉曼带(470-490 nm)的强度值设置为零。然后我们采用插值的方法将曲线拟合到非拉曼部分的合成光谱中，同时考虑滤波后的荧光，实现了背景光谱。然后，从测量光谱中减去所得到的背景光谱，得到绝对拉曼峰。结果如图3d所示。为了补偿不同的曝光时间以使得所有的东西都在同一尺度上，光谱强度被归一化为2.1节开头所述的不同曝光时间。我们注意到，即使对于相对较厚的油膜，油的荧光仍会增强，并且仍然存在剩余的水拉曼信号，这反映了油在412nm波长处吸收相对较低的事实。这些曲线有一些不规则之处，很可能是由于超过三层楼的实验装置可能不稳定。

基于桥梁的河水测量

我们在广州珠江大桥上用荧光传感器进行了测量，以获得更真实的情况。探测距离为9m，在曝光时间为0.5s的条件下，测量了天然珠江水和一个装满纯油的浅浮筒，容器直径为90cm，高度为25cm。在容器的底部，放了一块黑布。与所有后续的登记中一样，测量结果是在没有阻挡有色玻璃滤光片的情况下获得的，测量结果如图4所示。

图4a为桥基布置示意图，图4b为激光束照射河面的照片。图4c为荧光传感器记录的光谱。由于富营养化水体中含有丰富的微藻，天然河流深水荧光显示出强烈的DOM信号，并在680nm左右出现明显的叶绿素峰值。在480nm处观察到由412nm激光诱导的水拉曼峰，由于探测到的水体积相同，提供了方便的校准，这使得我们可以观察到，河水的DOM信号强度是广州自来水的6倍左右，其光谱如图2b所示。将浮油容器置于荧光传感器激光束下，其宽带荧光增强约5倍，拉曼和藻类信号如预期般消失。值得注意的是，在开放的海洋环境中，随着DOM信号的降低，与溢油的对比明显增强，可以通过选择一个优化的、相当低的激发波长进一步增强，其中石油有更强的吸收。

基于无人机的河水测量

基于无人机的测量在珠江上空进行，在无人机下方安装了荧光传感器。曝光时间设置为0.5s。为了避免污染河流，我们再次将两个浮式容器固定在河流表面，如图5a所示。黄色斑点标记的是装满1L纯油的容器，导致典型的层厚为1 – 2毫米。红点表示另一个装满10升浓度为0.03 g/l的罗丹明610染料稀溶液的容器。染料溶解在天然珠江水中，所得层厚为1-2厘米。飞行路线设置为四次往返，飞行面积10m×20m(长×宽)，无人机平均飞行速度约3 km/h。测量场景如图5b所示。

测量结果如图6a中的四个典型光谱所示。在两个浮式容器上的测量中观察到500 nm处的油荧光和580 nm处的染料特征峰。无人机扫描还覆盖了河边的灌木丛，记录到685nm和745nm处的强叶绿素峰，这是陆地植被的特征。自然珠江深水LIF光谱在图6b中扩大，水拉曼峰为480nm。水体中的DOM荧光和藻类叶绿素信号突出出现，如图4b所示，与水拉曼峰上归一化类似。

图7显示了无人机在珠江充油集装箱上空飞行的慢速线性扫描结果。持续时间为50s，每次记录的曝光时间为0.5s。我们注意到，与周围的水叶绿素信号相比，油荧光信号非常显著（当油信号消失时出现）。

在进一步的测量中，我们监测了染料的局部释放扩散到珠江的地表水。一桶罗达明610染料浓度为0.03 g/L的4.5L水从桥上倒入珠江，同时无人机在下游盘旋，荧光传感器不断记录。光谱仪的曝光时间设为0.5 s。无人机在距离染料注入点10 m和5 m的高度飞行，如图8a所示。图8b显示了来自测量序列的光谱记录示例。

图9显示了一个完整的基于无人机的珠江水的时间记录，同时一桶含染料的水（0.03 g/l）以类似的方式倒入江中。时间持续约80s，光谱仪的曝光时间为0.5s，将图9中的染料信号与图6a中的染料信号进行比较，与典型的询问层厚度进行标度，并对合理稳定的河藻荧光进行归一化处理，得到10μg/L左右的灵敏度，如果选择一个能更好地重叠染料吸收谱的激发波长，可以使其提高一个数量级。

我们描述了一种体积小、重量轻的荧光传感器，它提供了高质量的浅水水层荧光光谱，具有来自石油、溶解有机物（DOM）、藻类等的光谱特征，并允许使用水拉曼信号进行内部校准[27，28]。整个系统的重量只有1.5kg，使用高功率连续波半导体激光器和小型数字光谱仪就可以实现。

该系统与一艘小型无人机航母集成。为了获得无人机飞越水面上方几米处的测距光谱，如我们最近的论文[26]中对植被监测所述，基于Scheimpflug原理的CW激光雷达系统可用于水生应用，在水生应用中存在许多挑战，例如水生动物[29]。然而，对于水上石油的研究和染料弥散的水文研究[30]，本文所描述的小型系统提供了传统脉冲激光荧光传感器和连续激光Scheimpflug系统的良好替代，并且在性能和简单方面具有一定的优势。

如果连续波半导体激光器工作在400nm以下，就可以实现眼睛安全系统。当前版本的荧光传感器系统只能在夜间使用，这与带范围选通、允许在白天使用、同时在低环境光照条件下仍能更好地工作的脉冲激光雷达系统相比，是一个明显的缺点。利用足够高的连续波功率，并结合合适的调制方案进行背景减除，日光操作应该是可行的，大大扩展了现有的能力。显然，有限的射程和飞行时间限制了大面积的监视。然而我们的研究表明，机载荧光成像的成本可以显著降低，使得基于无人机的远程LIF技术成为一种可行的诊断选择，特别是在有限区域的研究中。

本文摘自：

Zheng Duan, Ying Li, Jinlei Wang,等. Aquatic environment monitoring using a drone-based fluorosensor[J]. Applied Physics B, 2019, 125(6).

参考文章:

S.E. Chang, J. Stone, K. Demes, M.Piscitelli, Consequences of oil spills: a review and framework for informingplanning. Ecol. Soci. 19, 26 (2014)R. Goodman, Overview and future trendsin oil spill remote sensing. Spill Sci. Technol. Bull. 1, 11 (1994)M. Fingas, C.E. Brown, Chap. 6. Oilspill remote sensing: a review, in Spill science and technology, ed. by M.Fingas (Gulf Professional Publishing, Boston, 1990)A. Pisano, F. Bignami, R. Santoleri, Oil spill detection inglintcontaminated near-infrared MODIS imagery. Remote Sens. 7,1112 (2015)X. Wang, Z. Duan, M. Brydegaard, S.Svanberg, G.Y. Zhao, Drone-based area scanning of vegetation fluorescenceheight profiles using a miniaturized hyperspectral lidar system. Appl. Phys. B124, 207 (2018). (APHB-D-18-00319)M. Brydegaard, S. Svanberg, Photonicmonitoring of atmospheric and aquatic fauna. Lasers Photon. Rev. 12, 1800135 (2018)

您可能会感兴趣…