近年来, 猪饲料重金属超标问题屡禁不止, 严重危害食用人群健康与环境安全。 国家标准中所采用的干灰化-原子吸收光谱法存在耗时长、 需破坏样品、 试剂易造成环境污染等问题。 激光诱导击穿光谱(LIBS)以其快速、 近乎无损、 无需复杂制样的检测特性被誉为化学分析领域的“未来巨星”。 传统LIBS技术在应用于猪饲料安全品质检测时具有特征光谱强度弱, 检测精度较低等缺陷, 针对该缺陷, 提出LIBS技术与空间限域相结合, 采用空间限域方法提高分析谱线强度, 从而实现更低浓度样品的检出, 实现对猪饲料样品中Cu元素含量进行快速绿色检测。 以Cu Ⅰ 324.75 nm为分析谱线, 在优化后的能量下, 对比不同延时时间下加载不同高度和直径的圆柱形空间限域腔对分析谱线影响, 再选取对分析谱线整体增强效果最佳的空间限域腔对7组不同浓度猪饲料样品进行LIBS光谱采集, 结合采用国家标准方法获取的7组猪饲料样品中Cu元素参考浓度对LIBS系统检测灵敏度进行分析。 结果表明, 加载空间限域腔对分析谱线强度引起增强的同时不会对背景光谱造成明显影响, 分析谱线强度增强因子最大值为5.16, 空间限域腔直径为5.0 mm、 高度为2.0 mm情况下对分析谱线整体增强效果最佳。 在上述最佳试验参数基础上, 以Cu元素在324.75 nm处特征光谱峰值强度为参考, 对猪饲料进行定量分析。 结果发现加载空间限域腔后不同浓度下猪饲料样品中Cu元素浓度与分析谱线强度之间线性关系相较于传统LIBS提升明显, 其单变量定标模型R2从0.742提升至0.996, 检测限从6.21 mg·kg-1降低至1.61 mg·kg-1(《饲料添加安全使用规范》中猪类Cu元素日粮推荐含量为3~6 mg·kg-1), 检测灵敏度提高了2.86倍。 研究表明, 采用空间限域与LIBS技术相结合, 可以大幅提升系统检测精度与灵敏度, 使待测元素检测限降低至国家要求以下, 对于实现猪饲料中Cu元素含量较低样品的LIBS快速绿色检测具有较好的作用。

为提高激光诱导击穿光谱（LIBS）技术对猪饲料中重金属的定量分析精度，以市场常见猪饲料中的Cu元素为研究对象，采用偏最小二乘法（PLS）建立猪饲料中Cu元素定量分析模型，结合空间限域提高LIBS信号强度及定量模型精度，实验所用空间限域腔内腔直径和高度分别为4.5 mm和2 mm。采用九点平滑、标准正态变量变换、多元散射校正等方法对60组猪饲料样品的LIBS进行光谱预处理，并建立PLS预测模型。结果显示，基于圆柱形空间限域，利用九点平滑结合多元散射校正预处理效果最好。传统LIBS条件下预测集相关系数（R）为0.8684，预测均方根误差（RMSEP）为49.3，预测集平均相对误差（ARE）为43.95%；结合空间限域LIBS条件下R为0.9881，RMSEP为14.4，ARE为12.51%。研究结果表明，外加空间限域的LIBS技术能够明显提高猪饲料中Cu元素的光谱信号强度及PLS模型的精度，为猪饲料的精准安全检测提供较好的支持作用。

猕猴桃形状特征是猕猴桃在产后分级处理过程的一项重要指标, 不仅影响果实外观, 也决定果实等级高低的划分。 传统的形状分级方法大多采用人工分级, 存在耗时长、 效率低、 重复性差且易受人为主观影响等问题。 针对传统猕猴桃形状分级存在的问题, 研究利用高光谱成像建立猕猴桃正常果和畸形果的分类检测方法。 以成熟期的248个金魁猕猴桃（正常果107个, 畸形果141个）作为研究样本, 先利用可见-近红外高光谱成像系统采集猕猴桃样本的光谱数据, 再采用主成分分析法对光谱数据进行降维, 得到第一主成分图像。 随后提取第一主成分图像的3个特征波长（682, 809和858 nm）, 并对其进行融合计算, 生成新的光谱图像（融合图像）。 然后利用四叉树分解算法对融合图像进行分割处理, 并计算掩膜图像所对应的12组形状特征参数, 结合偏最小二乘线性判别分析（PLS-LDA）、 反向传播神经网络（BPNN）、 最小二乘支持向量机（LSSVM）建立判别模型, 对比分析, 最终得到猕猴桃形状特征的最佳分类模型。 结果表明, 所建立的三种分类模型中, BPNN和LSSVM模型的分类效果较好, 总体分类准确率均在95%以上; PLS-LDA的效果略差, 训练集和测试集的总体准确率分别为80.12%和76.83%。 其中BPNN模型训练集和测试集的总体分类准确率分别为98.19%和97.56%, 总体误判个数分别为3和2, 而LSSVM模型的总体准确率分别为97.59%和95.12%, 总体误判个数分别为4和4。 对猕猴桃正常果的检测, 三种模型的分类效果分别为: LSSVM最好、 BPNN其次、 PLS-LDA最差。 对猕猴桃畸形果的检测, 三种模型的分类效果分别为: BPNN最优、 LSSVM其次, PLS-LDA效果最差。 因此, 猕猴桃形状特征的最佳分类模型是BPNN模型。 试验结果说明, 可利用高光谱成像对猕猴桃形状特征进行分类判别。 为猕猴桃形状特征的快速、 准确无损检测研究提供了理论支持。

A hyperspectral imaging system is developed to detect dichlorvos residue on the surface of navel orange. After acquiring hyperspectral images of 400 navel oranges, the actual content of dichlorvos residue is measured by gas chromatography. Optimal wavelengths are extracted using the regression coefficients of partial least squares (PLS), and a PLS model with 12 factors is established. In the prediction set of 0.2282?11.652-mg/kg pesticide residue, the correlation coefficient and the root mean standard error are 0.8320 and 1.3416, respectively. The hyperspectral imaging technology can meet the requirement of online fast nondestructive detection.

应用可见/近红外光谱结合遗传偏最小二乘法（GA-PLS），建立了柑桔类水果可溶性固形物（SSC）的快速无损检测模型。应用光纤光谱仪采集脐橙的可见/近红外光谱，其光谱范围为350~1800 nm。把脐橙的可见/近红外光谱划分成15个光谱区间，通过GA-PLS方法，选出5个光谱区间（包含波段446个，对应波长范围为554~643 nm，1000~1088 nm，1089~1177 nm，1445~1533 nm和1623~1711 nm）建立了预测脐橙可溶性固形物的模型。验证组的最佳预测结果为相关系数和均方根误差分别为0.9132和1.2579。实验结果表明，应用GA-PLS方法选出的可见/近红外特征光谱区域，不仅提高了脐橙可溶性固形物模型的预测精度，而且使模型更加简洁。

以表面经过喷施不同浓度农药后的脐橙为研究对象,采用可见/近红外漫反射光谱技术定性检测脐橙农药污染的程度。采集脐橙350~1 800 nm范围的光谱。应用多元散射校正(MSC),标准正态变量(SNV)变换,一阶微分和二阶微分四种不同预处理方法,分别在430~1 000 nm、1 000~1 800 nm和430~1 800 nm三个光谱范围内建立识别脐橙污染程度的偏最小二乘法(PLS)数学模型。比较分析得出试验结果:波谱范围取430~1 000 nm,采用一阶微分的预处理方法时应用PLS校正方法的结果最优,其预测值和真实值之间的相关系数和预测均方根误差分别为0.983 0和0.148 2。研究结果表明,可见/近红外漫反射光谱技术可以定性检测脐橙的农药污染程度。

以支持向量机(SVM)的算法为基础，建立了近红外光谱识别脐橙表面被农药污染的定性分析模型。168个脐橙实验样本被随机的分为两组，第一组为建模集包含112个，用来建立SVM分类预测模型；第二组为预测集包含56个，用来对建立的模型验证其准确性。实验结果，该方法对脐橙是否被农药污染的正确识别率为100%(二类分类)，对被不同浓度农药污染脐橙的正确识别率为87.5%(多类分类)。

以脐橙为研究对象,初步探讨了应用高光谱图像技术检测水果表面农药残留的方法。用蒸馏水把农药分别配置成1:20,1:100和1:1000倍的溶液。然后把同种不同浓度的溶液滴到10个洗净的脐橙表面,溶液量约为120 μL,200 μL和400 μL,脐橙表面形成一个3×3的矩阵形状。将水果放置到通风阴凉处放168 h后,拍摄图像。采集脐橙在625～725 nm范围的高光谱图像,应用主成分分析方法(PCA)获得特征波长的图像,应用第三主成分图像(PC-3)并经过适当的图像处理方法对脐橙表面的农药残留进行检测。检测结果表明,高光谱技术对检测较高浓度农药残留非常明显。