以典型的20 m²小型定日镜为对象，采用光-机集成建模方法，研究了自重和风载荷联合作用下定日镜的服役光学精度特性，综合考虑了定日镜工作高度角、风压大小和关键结构参数的影响。结果表明，沿镜面横向的斜率误差分量D_x要明显大于沿其竖向的D_y，螺栓数量N增加对D_x影响不显著，但能显著减小D_y，反射镜面自身刚度弱是其服役光学精度下降的主要原因；机架中角钢型材的边长a在30~50 mm之间对光学精度影响较小，但厚度t对光学精度的影响较为显著。定日镜结构变形与镜面斜率误差均随着风压载荷的增加而线性增加，且不同高度角β下总镜面斜率误差变化曲线斜率基本一致；仅在自重作用下，高度角0°~90°内总斜率误差能控制在1.45 mrad以内；镜面变形与其斜率误差分布规律完全不同，镜面斜率误差与镜面变形之间并非呈线性正比关系，采用光学精度进行评价或指导定日镜结构优化设计是最佳途径。

碲是新型先进铝合金的微合金化元素, 可提高合金强度、 塑性、 耐热性和耐蚀性。 针对先进铝合金研发、 生产和应用过程提出的微量碲的准确、 快速检验需求与国内外检测标准缺乏铝合金中碲元素分析方法的现状, 基于电感耦合等离子体原子发射光谱法开展了铝合金中碲的分析方法研究。 研究确定了样品消解方法, 考察优化了分析谱线、 观测方式、 射频功率与雾化气、 等离子体气和辅助气流量等光谱仪的工作参数。 确定的条件参数如下, 射频功率: 1.20 kW, 雾化气流量: 0.75 L·min-1, 等离子体气流量: 12.5 L·min-1, 辅助气流量: 1.0 L·min-1, 轴向观测方式, 选择214.282 nm作碲的分析谱线。 准确称取0.10 g铝合金试样, 加入5.0 mL高纯水、 5.0 mL盐酸和1.5 mL硝酸加热溶解后定容至100.00 mL。 以0.100 g高纯铝为基体, 采用基体匹配法建立铝合金中碲校准曲线溶液, 校准曲线线性相关系数达0.999。 方法的检出限为0.002%, 定量限为0.005%, 测定结果的相对标准偏差（RSD）不大于5%, 方法加标回收率为96%~109%, 合成样品的测定结果与理论值相符, 偏倚小于GB/T 20975.25—2020规定的再现性限。 该方法具有灵敏、 准确、 快速、 绿色等优点, 可用于铝合金中微量碲的分析, 填补了国内外铝合金中碲元素分析的方法空白, 为含碲新型先进铝合金的研发与应用过程的质量控制提供了技术支撑。

稻米霉变会引起营养物质流失, 同时产生有毒物质, 不仅降低其自身品质, 还会感染其他正常稻米。 为减少霉变引起的稻米损耗, 需及时分离霉变稻米。 高光谱技术具有快速、 无损的特点, 因此, 尝试利用高光谱技术对稻米霉变情况进行检测。 发芽稻米与发霉稻米具有相似的光谱特征, 易被误判为发霉稻米, 影响后续稻米霉变程度的检测, 因此, 提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米, 并对不同霉变程度的稻米进行判别。 将正常、 发芽、 发霉和发芽发霉的稻米样本建立模型进行区分检测, 并对轻度、 中度、 重度和完全发霉的稻米样本进行判别。 利用高光谱采集仪器对正常、 发芽、 发霉和发霉发芽的稻米样本进行光谱图像采集, 提取采集图像感兴趣区域（ROI）的光谱, 以ROI内光谱的平均反射率作为稻米样本的光谱特征。 对提取的光谱数据进行SNV、 Normalize和MSC等预处理; 利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集; 分别建立PLSR、 SVM和RF模型, 以3种模型的预测集正确率评价各模型预测效果, 挑选出效果最优的判别模型。 在正常、 发芽、 发霉和发芽发霉稻米的检测中, 得到最优的判别模型为基线校正法预处理后的随机森林（Baseline-RF）模型, Baseline-RF模型的预测集判别准确率为100%; 在稻米霉变程度的检测中, 通过对不同模型的预测结果进行比较得出, SNV-RF模型的预测集中未出现误判样本, 表现出最优的判别效果。 为简化模型, 在冗长的原始光谱中提取特征波长, 以特征波长光谱建立SNV-RF模型, 结果显示利用CARS算法挑选后的特征波长具有较好的判别能力, 整体的判别准确率为97.5%。 实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度, 为霉变稻米的快速判别提供一定的理论基础和实验参考, 对提高稻米品质、 减少稻米浪费具有重要意义。

枇杷果味甘酸, 供生食、 蜜饯、 酿酒用, 有化痰止咳、 和胃降气之效, 是春夏之交的度淡水果。 枇杷皮薄、 质细、 松软多汁, 在采摘及藏运过程中极易发生碰伤, 造成经济损失, 因此对碰伤枇杷的高精度快速分级检测处理至关重要。 针对几种碰伤程度的枇杷可以选用不同的方法以减少经济损失, 轻度碰伤的可以制作枇杷汁、 枇杷膏等; 中度碰伤的可以去除损伤部分制作枇杷罐头进行保存; 重度碰伤的直接处理掉节约仓储成本。 目前枇杷的碰伤程度主要通过操作员的肉眼进行损伤辨别, 受到个人习惯、 光线强度和主观心理因素影响, 会对不同碰伤程度的枇杷造成误分类。 故此提出基于高光谱成像技术图谱特征融合的方法对枇杷碰伤程度进行高精度、 快速、 无损分级。 首先, 利用自由落体碰撞装置制备轻度、 中度、 重度碰伤三组样品, 并利用高光谱成像系统采集各样品数据; 其次选用感兴区内100个像素点的平均光谱作为样本光谱并用多元散射校正(MSC)对光谱进行预处理, 作为光谱特征用于后续模型使用; 最后将光谱数据结合枇杷样品的颜色特征, 利用随机森林(RF)、 偏最小二乘法判别分析(PLS-DA)、 极限学习机(ELM)、 最小二乘支持向量机(LS-SVM)分别建立基于枇杷光谱特征、 RGB颜色特征结合光谱特征、 HSI颜色特征结合光谱特征、 混合颜色特征结合光谱特征的枇杷碰伤程度模型, 在所有模型中混合图像特征结合光谱特征的枇杷碰伤程度模型预测效果最好, 利用RF、 PLS-DA、 ELM、 LS-SVM算法的模型整体识别准确率分别为91.11%、 86.67%、 95.56%、 100%, 其中基于RBF核函数的LS-SVM碰伤枇杷模型准确率最高。 研究结果说明: 单一光谱特征模型准确率最低, 结合RGB颜色特征、 HSI颜色特征后具有更高的准确率, 光谱特征结合混合颜色特征建立的模型准确率最高, 该研究为水果碰伤程度判别提供了一定的理论参考和实验依据。

油茶（Camellia oleifera）炭疽病是油茶产业普遍发生的一种破坏性极强的病害， 严重制约了油茶产业的发展， 油茶患炭疽病初期只需及时修除树上的患病部位， 随着病情的加重需铲除患病枝干， 患病严重的病株要及时砍伐。 针对目前检测油茶炭疽病等级的实验复杂、 判定精度不高等问题， 提出采用激光诱导击穿光谱（LIBS）结合傅里叶变换近红外光谱检测油茶叶片炭疽病等级判定的方法， 以实现油茶炭疽病等级的快速、 高效和高精度判定。 健康和感染不同程度炭疽病油茶叶片的LIBS光谱中Fe、 Ca、 Mn、 CaⅡ等元素健康油茶叶片与患病油茶叶片存在显著差异， 且随着患病程度的增加元素的特征峰强度逐渐降低， 主要原因是这几类元素都是油茶生长所必需的元素; 健康油茶叶片与患不同程度炭疽病油茶叶片的傅里叶变换近红外光谱的吸光度也存在差异， 随着油茶叶片炭疽病等级的加重傅里叶变换近红外光谱的吸光度逐渐降低， 主要是由于傅里叶变换近红外光谱能够反映样品的物理特性。 分别采用归一化（Normalization）、 多元散射校正（MSC）、 标准正态变换（SNV）预处理方法结合竞争自适应重加权采样（CARS）、 连续投影算法（SPA）变量筛选方法建立了偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的油茶炭疽病等级的融合光谱分类模型。 PLS-DA模型中LIBS(Normalization-CARS)-NIR(Normalization-CARS)-PLS-DA的预测集RMSEP=0.173, R2p=0.987, 误判率为0; SVM模型中LIBS-NIR-CARS-SVM的建模集精度100%， 预测集精度为97.59%。 实验结果表明: 基于LIBS与傅里叶变换近红外光谱融合检测油茶叶片炭疽病等级中PLS-DA模型比SVM模型的定性分析精度更高， 模型更稳定。 研究表明: LIBS光谱联合傅里叶变换NIR光谱可高效、 快速、 高精度地区分健康油茶叶片与各个等级的炭疽病油茶叶片。

糖度是评价苹果内部品质的重要指标之一。 建立苹果糖度预测模型时， 建模样本和波长的质量影响模型的准确性和后期的更新维护。 以90个苹果样本为研究对象， 采集350~1 150 nm波段共1 044个波长的苹果近红外漫透射光谱， 研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。 结合使用Norris平滑、 一阶微分和归一化变量排序对光谱预处理。 根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个)， 使用LASSOLars建立优选训练集， 对比LASSOLars和蒙特卡罗无信息变量消除、 竞争性自适应重加权法， 从样本、 波长的数目和分布以及模型的结果进行对比分析。 结果表明， 优选训练集压缩了原始训练集16%的样本， 在不改变原始训练集平均水平的前提下， 更接近预测集分布， 没有削弱模型质量。 优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491， 交叉验证决定系数R2CV分别为0.913和0.916， 预测集均方根误差RMSEP分别为0.462和0.471， 预测集决定系数R2P分别为0.909和0.906。 LASSOLars筛选出40个信噪比高的波长， 数目最少， 建立的模型效果最好， RMSECV， R2CV， RMSEP， R2P和RPD分别是0.933， 0.400， 0.944， 0.373和2.838。 基于LASSOLars优化建模样本和波长建立苹果糖度预测模型， 拓展了LASSOLars算法在子集选择方面的应用， 为优化、 更新和维护模型提供思路。

针对基于静态结构特征的机器学习方法对门级硬件木马检测结果检测率不高的问题，提出了一种基于级联结构特征的硬件木马检测方法。利用共现矩阵进行特征构建，并使用多对多结构的堆叠式长短期记忆网络(Long Short-Term Memory，LSTM)进行木马特征的训练与识别。实验结果表明，该方法在Trusthub的15个基准网表中获得了93.1%的平均真阳性率(TPR)、99.0%的平均真阴性率(TNR)和79.3%的F1-score。实验结果优于现有方法。