为了无损伤地检测苹果轻微机械损伤, 以我国最为常见的富士苹果为研究对象, 利用高光谱成像技术, 采集了完好、 刚损伤及损伤后1、 3、 6和24 h的样品光谱信息。 采用竞争性自适应重加权算法与连续投影算法分别提取苹果高光谱数据的特征波长, 并使用最小噪声分离变换方法对所选特征波长图像进行数据压缩, 用以后续研究。 采用随机森林（RF）、 支持向量机（SVM）、 光谱角算法（SAM）作为第一层训练器, 以逻辑回归算法（Logistic）作为第二层训练器, 建立了新的Stacking模型, 以提取苹果的轻微损伤区域。 通过建立训练集、 预测集并与第一层训练器中三个单一算法对比的方式, 对其性能进行评估, 结果表明: (1）损伤果品的分类检测, Stacking模型对于损伤的样本, 检测正确率达到了100%, 对于完好样本检测正确率为96.67%, 整体检测正确率为99.4%, 表明该模型能有效地适用于不同损伤程度的苹果损伤分类检测。 (2）损伤区域的检测, Stacking模型与其他三种单一的算法进行对比发现, 对于刚出现损伤的果品, 支持向量机算法以及光谱角算法的分类精度较差, 均低于60%, 随机森林算法分类精度相对较好达到了75%以上, 而Stacking模型分类精度对损伤和未损伤果品区域的分类精度分别达到了90.2%与92.3%; 对于损伤1～6 h的果品, Stacking模型的分类精度对于两种果品区域的分类精度均达到了92%以上, 明显优于其他分类模型; 对于损伤24 h的果品, 4种模型差距不大均具有比较良好的分类效果, 均达到97%以上的分类精度, 表明Stacking模型能相对准确地提取苹果轻微损伤区域, 对高光谱的果品损伤研究具有较高的参考价值。

通过可控的化学腐蚀法完成了对碳化硅量子点的制备，而后经超声空化作用及高速层析裁剪获得水相的碳化硅量子点溶液，利用化学偶联法，一步实现了SiC量子点的表面物化特性调控。通过对制备工艺参数调整前后量子点微观形貌、光谱特性的表征，结果表明：腐蚀次数、腐蚀剂组分及腐蚀剂配比是影响碳化硅量子点光致发光效率的主要因素，调整腐蚀次数与腐蚀剂组分的配比，同时加入偶联剂分析纯硫酸，当以V(HF)∶V(HNO3)∶V(H2SO4)=6∶1∶1(体积比)的组分及比例腐蚀球磨后的β-SiC粉体时，制备出的水相碳化硅量子点光致发光相对强度最为理想。同时对碳化硅量子点表面巯基的形成机制与修饰稳定性进行了初步分析。