人们对鱼类的品质追求越来越高, 因此对于开发水产养殖中鱼类重要参数脂肪含量的检测显得愈发的重要, 传统的检测方法虽然经过许多研究人员的修改和改进, 但仍然存在费时费力, 需要专业的人员培训存在一些问题。 光谱技术也存在仅使用整条鱼片作为预测样本, 缺乏普遍性, 整个鱼片的成分分布不均匀, 采样时间过长等导致图像质量不高等问题, 该研究通过MCR-ALS算法重建后的数据和图像的增益效果, 评估了采用近红外高光谱成像技术预测并实现鲑鱼片重要参数（脂肪）可视化的可行性。 首先将购买的新鲜三文鱼按照背面和腹部切块分割, 每条三文鱼制作成20个样本, 共100个样本, 其中75个样本用于校正集, 25个样本用于预测集。 用高光谱成像系统采集三文鱼样本的光谱数据, 再通过索氏提取器测定三文鱼脂肪的含量, 并建立其理化值样本, 然后通过MCR-ALS对光谱数据进行重构, 发现重构后的光谱有效信息随着组分推荐评分上升, 通过连续投影算法（SPA）选择特征波长, 并建立最小二乘支持向量机（LS-SVM）模型评估两种预测效果（原始和重建数据）。 MCR-ALS-SPA-LS-SVM的预测精度最高, Rp=0.955 5, RMESP=1.650 5, RPD=3.389 9; 采用MCR-ALS和未处理的模型对鱼片脂肪进行视觉图像预测, 大大减少了噪音的输入, 有效还原了鱼片的轮廓, 并且令鱼的脂肪条纹更加的清晰, 图像质量更优。 进一步分析聚类图像, 通过不同成分的主成分贡献和相同成分的主成分贡献比, 发现类别为20种时, 样品与背景簇存在干扰, 然而采用少量的簇类分析发现, 仅5和10个种类即可完整描绘出整个样品的轮廓, 对于光谱强反应物质存在很好的聚类效果, 具有简化模型的可能。 无论是数据还是图像, 令人满意的预测结果证实了近红外高光谱成像用于鲑鱼脂肪定量和视觉图像预测的可行性, 并且算法的优化大大缩短了检测时间, 为实时在线检测创造了更好的条件。

重金属污染一直影响着人们的健康生活, 如镉, 铅和铜等的污染, 故而土壤重金属的快速检测和如何预防, 一直受各国学者关注和研究。 传统土壤重金属检测方法(如原子吸收光谱法、 X荧光光谱法等)样品预处理复杂, 分析成本较高, 易形成样品的二次污染, 不能满足快速分析的要求。 激光诱导击穿光谱(LIBS)是一种典型的原子发射光谱, 它是基于分析物质中原子和离子受激发而发射的特征谱线信息, 进而研究物质成分的分析方法。 LIBS技术能够快速检测任何状态(固、 液和气态)物质元素的成分和含量, 被看作是未来化学检测和快速绿色分析领域的新兴技术。 LIBS技术具有对样本简单预处理(或不需要处理)、 多元素同步分析、 远距离测量、 适用性广等优势, 被广泛用于生活生产的各个领域, 已成为近年来国内外学者广泛关注和研究的热点之一。 在农业信息快速感知的大背景下, 以激光诱导击穿光谱技术为技术手段, 以土壤重金属铅元素为研究对象, 运用理论分析和数学建模相结合, 建立了多种基于单变量定标曲线的土壤重金属铅检测模型, 并进行了模型验证。 自制15个已知的铅元素浓度梯度的谱线土壤样本, 在获取了土壤LIBS数据之后, 对其进行预处理对比, 建立了基于谱峰强度、 谱峰积分、 洛伦兹拟合强度三种定标曲线模型, 对土壤中铅元素含量进行定量分析, 得出基于三种定标曲线模型对土壤中铅元素含量的预测决定系数R2分别为0.918 0, 0.910 1和0.914 3, 三种定标曲线分析方法的预测结果都较好, 说明了LIBS结合单变量定标曲线法对土壤中铅含量的检测可靠性高。 最后选取部分样本数据进行验证, 结果较好。 研究结果为研发便携式农田土壤污染物检测技术与装备提供技术支撑, 也为农田精准管理和科学施肥奠定基础。

采用高光谱成像技术对鱼新鲜度进行检测研究。 首先, 提取鱼样本感兴趣区域(region of interest, ROI)光谱, 分别采用竞争性自适应重加权算法(CARS), 连续投影算法(SPA)和遗传算法(GA)提取特征波长, 三种算法分别得到57, 31和66个特征变量, 采用最小二乘支持向量机和SIMCA作为分类模型, 将57, 31和66个特征变量作为LS-SVM和SIMCA模型的输入变量建立分类模型, 基于SPA-LS-SVM和CARS-LS-SVM模型预测集识别率分别达到了98%和96%, 而采用SIMCA建立的模型取得了较差的预测结果, GA-SIMCA, SPA-SIMCA和CARS-SIMCA模型预测集识别率都只是达到了52%。 结果表明, LS-SVM作为分类模型优于SIMCA模型, SPA和CARS选择的特征波长, 不但可以简化模型, 还可以提高模型的预测精度, 采用高光谱成像技术可以有效检测鱼的新鲜度, 并能准确检测出鱼不同冻融次数和冷冻时间。

真菌感染是柑橘的一种常见病害, 是柑橘腐烂的主要因素, 自动化检测出柑橘真菌感染可以有效提高柑橘的商品价值和市场竞争力。 运用高光谱成像技术对真菌感染柑橘腐烂部位的缺陷特征进行了快速识别检测。 基于ROI提取柑橘真菌感染光谱曲线, 对光谱矩阵进行主成分分析, 分析权重曲线后得到4个特征波段, 分别为615, 680, 710和725 nm, 然后对这4波段组合分别做主成分分析, 通过分析权重曲线提取到615和680 nm两个特征波段, 基于这两个特征波段做主成分分析, 以第2主成分图像为基础识别柑橘真菌感染部位, 识别率达到了100%。 高光谱成像技术可用于快速检测柑橘真菌感染引起的腐烂缺陷, 为开发水果分级和缺陷检测等相关仪器设备的研究提供了理论方法和依据。

应用遗传算法结合连续投影算法近红外光谱检测土壤有机质研究。 采集浙江省文城地区农田土壤样品近红外光谱数据, 土壤样品数为394个。 为简化模型, 采用遗传算法结合连续投影算法挑选出18个特征波长建模, 应用偏最小二乘回归建立有机质预测模型, 建模集的决定系数为081, 均方根预测误差为022, 剩余预测偏差为231, 预测集的决定系数为083, 均方根预测误差为020, 剩余预测偏差为245。 研究发现, 遗传算法结合连续投影算法在简化模型同时, 模型的预测评价指标同采用全谱波长建模并没有明显降低。 因此, 遗传算法结合连续投影算法挑选的特征波长可以应用于近红外光谱检测土壤有机质含量。

高光谱成像技术具备图像和光谱的双重优势, 作为一种快速无损检测分析技术, 检测过程无损、 无污染和无接触。 高光谱成像数据包括样本的图像信息和光谱信息, 采集样本高光谱成像数据时, 样本的每个像素点都有一条光谱与之对应, 样本的每个波长都有一幅灰度图像与之对应。 研究采用高光谱成像技术无损检测不同稀释浓度的农药在赣南脐橙样品表面残留随时间变化的关系。 用蒸馏水把农药分别配置成1∶20, 1∶100和1∶1 000倍的溶液。 然后把不同浓度的溶液滴到30个洗净的脐橙表面, 将涂有农药的脐橙分别放置0, 4和20 d, 然后采集在900～1 700 nm波长范围的高光谱成像原始数据。 通过主成分分析获取930, 980, 1 100, 1 210, 1 300, 1 400, 1 620和1 680 nm共8个特征波长, 基于这些特征波长做第二次主成分分析, 应用PC-2图像并经过适当的图像处理方法对不同浓度及放置不同天数的农药残留进行无损检测。 采用高光谱成像技术检测三个时间段较高稀释浓度的果面农药残留都比较明显。 高光谱成像技术作为一种检测方法, 可用于评价各个时间段较高浓度的农药残留。

为了实现对不同品种白菜种子的快速无损鉴别, 应用近红外光谱技术获取白菜种子的光谱反射率, 首先采用变量标准化校正和多元散射校正对原始光谱进行预处理; 其次, 采用主成分分析法（PCA）对光谱数据进行聚类分析, 从定性分析的角度得到三种不同白菜种子的特征差异, 并采用连续投影算法（SPA）选取特征波长; 最后, 分别基于全波段光谱、 PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长, 建立了最小二乘支持向量机（LS-SVM）和偏最小二乘判别（PLS-DA）模型进行白菜种子不同品种的鉴别。 从主成分PC1、 PC2得分图中可以看出, 主成分1和2对不同种类白菜种子具有很好的聚类作用。 基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型, 其中基于特征波长建立的LS-SVM模型识别效果最优, 建模集和预测集的品种识别率均达到100%。 结果表明, 通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息, 提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果, 为白菜种子品种的识别提供了一种新方法。

采用紫外可见光谱(UV-Vis)与极限学习机算法检测水体化学需氧量(chemical oxygen demand, COD)含量研究。 采集135份水样进行紫外可见波段全光谱扫描, 结合变量标准化(standard normal variate, SNV), 多元散射校正(MSC)和一阶微分(1st D)对原始数据进行预处理, 然后采用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、 随机青蛙(Random frog)算法和遗传算法进行特征波长选择。 基于全光谱建立了偏最小二乘回归(partial least squares, PLS)和基于特征波长建立了极限学习机算法(extreme learning machine, ELM)模型。 结果表明: 使用CARS提取的9个特征波长建立的ELM模型的预测效果最优, 决定系数R2为0.82, 预测均方根误差RMSEP为 14.48 mg·L-1, RPD值为2.34。 说明使用CARS变量选择算法获取UV-Vis光谱特征波长, 应用极限学习机建模, 可以准确、 快速的检测养殖水体中COD含量, 为实现养殖水体COD的动态快速检测以及水体其他微量物质含量参数检测打下基础。