随着经济水平的提升人们对大米品质要求越来越高, 由于不同大米品种之间价格差异也较大, 致使不少商贩以劣充优谋取利益, 有的掺和比例高达30%以上, 这种行为严重损害了消费者利益。 大米作为一种碳水化合物直接通过一维近红外光谱信息不易区分掺和米, 目前诸多研究集中在基于一维光谱的化学计量学判别模型建立。 二维相关光谱具有高分辨率、 解析峰的归属等优点, 可以挖掘出掺和米在一维光谱中隐藏的有效信息。 以五常大米作为研究对象, 选取难以用肉眼分辨的六种大米为掺入米, 分别制备5%～50%的不同掺和比例大米样品140个。 以五常大米近红外光谱的平均光谱作为参考谱, 掺和比例作为外部扰动因数, 将掺和米光谱和五常米光谱分别与参考谱进行二维相关运算, 通过解析不同掺和比例大米二维相关同步谱特性发现自相关谱1 420和1 920 nm两处自动峰值与同步谱(1 420, 1 920) nm和(1 920, 1 420) nm处交叉峰值强度均随掺和比例增加呈递增趋势, 其中1 920 nm自动峰值对掺和比例响应最显著。 通过对自相关谱1 420和1 920 nm两处自动峰产生机制的追溯并分析对应官能团归属, 发现大米中直链淀粉对掺和比例响应程度高于蛋白质及其他碳水化合物。 分别以五常大米同步谱中1 420和1 920 nm处自动峰值和(1 920, 1 420)nm处交叉峰值的最大值作为判别阈值, 对140个大米样品进行了判别试验。 结果显示, 基于1 920 nm自动峰值的判别效果最佳正确率达93.3%, 掺和比例20%及以上掺和米样品判别正确率为100%, 随着掺和比例降低判别正确率也逐渐下降, 掺和比例15%, 10%和5%样品判别正确率分别为91.7%, 66%和75%。 综上所述, 以掺和比例作为外部干扰因数解析不同掺和比例的大米二维同步谱特性, 通过特征峰值的差异可以简单有效区分掺和米, 与以往近红外判别模式相比不需要准备大量样品来训练模型, 为快速鉴别掺和大米提供一种新思路。

星光级宽光谱全彩色成像技术研究是针对当前夜间由于环境光照度低, 传统的可见光成像、激光成像、热成像等技术方法只能获取目标的灰度信息, 而不能获取目标的真彩色信息。据统计, 彩色图像包含的信息是灰度图像的30倍, 光谱信息在目标识别中极为关键。文中采用一种集超大像元、超薄工艺微透镜集光、大口径通光的成像方式, 并在此基础上设计深度学习图像处理算法, 对器件物理真彩色进行彩色增亮增强, 进一步提升图像信背比。最终将器件的感光能力提升50~100倍, 彩色夜视最低照度0.000 4 Lux@25 Hz, F1.0, 从而实现宽光谱全彩色成像, 为后续目标检测、识别和产业化应用提供技术基础。

马铃薯是与小麦、 稻米、 玉米协调发展的第四大主粮作物, 现阶段我国正积极推进马铃薯主食开发, 但马铃薯品质的参差不齐严重制约了马铃薯产业主食化进程, 马铃薯品质快速无损检测对其加工产业化进程有着重要意义。 国内外学者基于可见/近红外光谱对马铃薯内部品质检测进行了不少相关研究, 但迄今为止大部分研究都基于可见/近红外漫反射原理, 马铃薯粗糙的表皮对样品漫反射光谱影响较大。 近红外透射光谱能较好的反映样品的品质信息, 但马铃薯样品全透射光谱因样品大小不同, 导致光谱受光程差异的影响较大。 考虑到马铃薯样品整体质地较为均匀, 根据马铃薯的形状特性搭建了马铃薯局部透射光谱采集系统, 局部透射检测方式既能避免马铃薯表皮的影响, 又能在保证光程统一的情况下获得样品内部的信息。 该光谱采集系统由光谱采集单元(光谱仪、 耦合透镜)与光源单元(卤素灯、 灯杯)构成。 进行光谱采集时, 将二者贴紧马铃薯表面以确保光谱采集单元不会接收到来自马铃薯表面的反射光。 用该系统采集了120个马铃薯650~1 100 nm范围的局部透射光谱, 分别进行去趋势(detrend)、 多元散射校正(muliplication scattering correction, MSC)、 标准正态变量变换(standard normal variable transformation, SNV)和一阶导数(first Derivative, FD)预处理, 并建立了马铃薯干物质、 淀粉、 还原糖含量的偏最小二乘预测模型(partial least squares regression, PLSR)。 结果显示, 采用多元散射校正预处理的干物质和淀粉含量预测模型效果较好, 其验证集决定系数分别为0.854 0和0.851 0, 验证集均方根误差分别为0.521 9%和0.484 8%; 采用一阶导数预处理的还原糖预测模型效果最好, 其验证集决定系数为0.768 6, 均方根误差为0.025 1%。 为进一步优化模型采用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)等三种方法进行特征波长的筛选, 并建立了偏最小二乘预测模型。 结果显示, 马铃薯各品质参数的预测效果均得到了较大提升, CARS筛选波长后的干物质、 淀粉、 还原糖预测模型的验证集决定系数分别为0.877 6, 0.865 3和0.887 7, 验证集均方根误差分别为0.449 2%, 0.930 2%和0.016 7%。 采用CARS特征波长提取能够简化模型, 去除无关变量和共线性变量, 从而提高模型的精度和稳定性, 尤其是对低含量组分还原糖的预测模型效果显著。 最后, 为验证马铃薯各品质参数预测模型的精度及稳定性, 选取30个不同批次马铃薯样品对所建预测模型进行了外部验证。 马铃薯干物质、 淀粉、 还原糖含量的模型预测值与标准理化值决定系数分别为0.849 9, 0.867 1, 0.877 6, 均方根误差分别为0.660 9, 0.480 9, 0.016 9, 平均相对误差分别为2.03%, 1.77%, 7.58%。 研究表明, 局部透射光谱携带了马铃薯的内部信息, 与干物质、 淀粉、 还原糖含量有显著相关性。 该可见/近红外局部透射检测系统可以实现马铃薯多品质参数的快速无损预测, 特别是干物质含量及淀粉含量的预测效果较好, 但是对个别还原糖含量非常低的样品出现预测相对误差较大现象, 下一步研究中需要进一步优化完善。

为克服传统光电被动测距系统稳定性差、远距离条件下测距精度收敛性差、系统难以小型化等不足, 本文提出一种基于目标特征尺寸的可视化光电被动测距系统。建立了被动测距模型并分析测距原理, 从理论上分析获得距离反演公式和测距误差精度; 设计了被动测距算法并分析相关成像参数获取途径和方法; 通过高清成像器、半导体激光器和信号处理器等软硬件设计, 实现了系统的可视化被动测距功能和全天候图像信息获取; 最后通过目标特征尺寸及其成像系统参数反演目标距离, 实现了在成像过程中实时测距并进行被动测距实验验证。实验结果表明, 被动测距精度优于10%, 当前软硬件参数配置下, 目标的测距距离大于1 km, 测距鲁棒性好, 性能稳定, 可广泛应用于全天候目标图像信息获取和光电被动测距的实际工程实践中。