飞秒激光的低热输入、极小热影响区的特点使其在微纳米尺度材料连接领域有明显的优势。
为了将石英玻璃与硅可靠地连接在一起，使用功率为4~30mW，频率为1kHz，波长为800nm的飞秒激光对石英玻璃与硅进行连接，测试了接头的剪切强度，对接头横截面进行腐蚀处理，观察截面，分析了接头断裂前后的形貌特征，研究了激光参数，如激光功率、扫描速度、聚焦物镜的数值孔径以及离焦量对接头强度的影响规律。
实验结果表明，根据焊接工艺的不同，接头强度分布在7~54MPa之间。
将激光准确定位到界面处，在合适的激光功率和扫描速度下可以降低焊缝缺陷，得到剪切强度较高的接头。

【大功率近红外半导体激光对蝗蝻致死作用的研究】这篇研究主要探讨了大功率近红外半导体激光对蝗蝻（Oedaleus asiaticus B.Bienko Nymphae）的致死效应，旨在寻找一种环保且高效的蝗虫防控方法，以替代传统的化学药剂。
研究中使用的激光器具有2W的功率和808nm的波长，这种类型的激光属于近红外范围，其热效应可能会对生物组织产生显著影响。
研究者针对三龄及以前龄期和三龄期后的亚洲小车蝗蝻进行了分组实验。
实验中，激光束直接照射蝗蝻的头部，以不同的功率密度和照射时间进行测试，并在照射后立即、5小时后以及次日观察蝗蝻的存活状态。
通过对比实验组和对照组，发现激光照射的蝗蝻在照射部位出现热损伤，活动能力显著下降。
随着激光剂量的增加和照射时间的延长，蝗蝻的活动能力进一步降低，死亡率逐渐升高。
研究结果显示，近红外激光对蝗蝻头部的照射具有良好的致死效果，且年龄较小的蝗蝻对激光的敏感度更高，致死效果更佳。
这是因为较年轻的蝗蝻身体结构相对脆弱，对热能的耐受性较低。
这一发现对于早期防治蝗灾具有重要意义，可以在蝗虫发育初期就有效控制其数量，防止其进一步扩散和造成更大的农作物损失。
激光作为一种非接触式杀虫手段，具有精准、快速和环境污染小的优点。
然而，该研究并未深入探讨激光对其他生物的影响，以及在实际操作中的可行性、成本效益和技术难题。
未来的研究可能需要考虑这些问题，同时，还需要进一步优化激光参数，以达到最佳的杀虫效果，同时避免对生态环境的潜在影响。
此外，该研究得到了高校博士点基金的支持，表明了学术界对这一领域的重视。
作者姚明印和周强分别是博士研究生和教授，他们的研究方向包括光机电生物诱导技术，这为理解激光在生物防治中的应用提供了专业背景。
这项研究为利用大功率近红外半导体激光控制蝗虫提供了理论基础，但实际应用仍需结合生物学、环境科学和技术工程等多方面的考量。
通过深入研究和优化，激光技术有望成为一种有效的生物控制策略，为全球的蝗虫防治提供新的解决方案。

连续投影算法(SPA)是一种使矢量空间共线性最小化的前向变量选择算法，它的优势在于提取全波段的几个特征波长，能够消除原始光谱矩阵中冗余的信息，可用于光谱特征波长的筛选。
近年来，国内外学者在利用光谱分析技术检测作物和食品中某些重要成分的含量时利用了连续投影算法作有效波长的选取。

YY0901-2013《紫外治疗设备》：紫外辐照强度、均匀性、照射剂量、非预期紫外辐射、紫外辐照度的稳定性、峰值波长、紫外残留辐射、电源电压波动的测试、紫外测试报告

基于强度可调导模共振滤波器的结构参数对半高宽和波长分离的影响

用于TriplexerMonitor的波长不敏感耦合器

以新疆红富士苹果为研究对象,探讨应用高光谱图像技术和最小外接矩形法预测其大小的研究方法。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。

光在水中大尺度气泡上散射特性的研究多是基于Davis模型。
该模型没有考虑到吸附膜层对光在气泡上散射的影响,而海水中的大多数气泡都有膜层附着,这些膜层会影响到气泡的光散射特性。
本文从几何光学的角度出发,建立了吸附膜层气泡的体积散射函数简化公式。
在此理论基础上,模拟计算了尺度远大于入射光波长的大气泡散射光强分布曲线,得出光照射下气泡上散射光强的远场特性,讨论了影响气泡散射光强分布的主要因素。
并与无膜气泡光散射分布曲线比较,讨论了油膜膜厚、折射率等参量对气泡的光散射特性影响。
得出结论：吸附膜层气泡的光强分布曲线与无膜气泡相似,但吸附膜层会削弱前向散射光,增强后向散射光。

我们提出了一种混合波导-磁共振系统，该系统具有周期性布置在波导层顶部的裂环谐振器（SRR）。
由于在SRR中生成的与磁共振模式的电耦合与波导层所支持的TE/TM波导模式之间的相消干扰，因此在红外波长下可获得双等离激元诱导的透明性。
此外，可以通过入射角动态调整PIT共振。
在1.448μm的波长处观察到具有7nm的FWHM的超窄PIT窗。
在较窄的PIT窗口处的组指数可以达到100。
我们还证明，在感测范围内，折射率灵敏度和品质因数值分别可以达到640nm/RIU和64。
提出的具有高品质因数PIT窗口的混合波导-磁共振系统有望用于有效的光学传感，光学开关和慢光设备设计。
（c）2015年美国眼镜学会

Houston 2013数据集是一个结合了高光谱成像（HSI）与激光雷达（LiDAR）技术的数据集，主要用于遥感与地理信息系统研究领域。
该数据集针对地理信息的精确分析，包含了丰富的空间维度信息和光谱维度信息，使得它在地表覆盖分类、城市环境监测、农业遥感等多个领域具有重要的研究价值。


具体来说，高光谱成像技术能够在连续的光谱波段范围内获取地物的光谱信息，HSI数据集因而包含了成千上万的光谱波段，能够反映出地物在不同波长下的反射特性。
这些信息对于识别和分类不同的地物类型，如植被、水体、人造地物等具有重要意义。


另一方面，激光雷达技术通过发射激光脉冲并测量反射回来的信号来获得地表的高精度三维结构信息。
LiDAR数据集通常包括地物的高度信息、形状细节以及地表粗糙度等特征，这些信息对于地形分析、建筑物建模以及树木高度测量等方面至关重要。


Houston 2013数据集将HSI与LiDAR数据集分别划分为测试集和训练集，这样的划分可以用于开发和评估地表分类和遥感影像解译算法。
在遥感影像解译中，测试集用于验证算法的准确性，而训练集则用于训练分类器或机器学习模型，使得模型能够学习如何区分不同的地物类别。


该数据集的文件名称列表揭示了数据集的结构，其中HSI_TeSet.mat和HSI_TrSet.mat分别代表了高光谱成像数据集的测试集和训练集，LiDAR_TeSet.mat和LiDAR_TrSet.mat分别代表了激光雷达数据集的测试集和训练集。
TeLabel.mat和TrLabel.mat则可能包含了对应测试集和训练集的标签信息，即每一块地物的具体类别标签。


在处理这些数据集时，研究者需要熟悉遥感影像分析的常用工具和方法，例如使用ENVI、ArcGIS、ERDAS Imagine等软件对HSI数据进行预处理和分析，以及使用Terrascan、LIDAR360等软件对LiDAR数据进行点云处理。
除此之外，深度学习方法，特别是卷积神经网络（CNN）在处理HSI数据中也显示出强大的能力，它可以自动提取和学习光谱特征，对于提高分类精度具有显著效果。


Houston 2013数据集通过提供两种不同的遥感技术所获得的综合数据集，为遥感领域的研究者提供了一个宝贵的实验平台，使得他们可以在此基础上开发和测试新的地表分类算法和模型，进而推动遥感技术在环境监测与分析中的应用与发展。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。