近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。

我国南方丘陵山区大面积种植油茶果, 而目前油茶果的采摘期主要根据节气和经验来判断, 过早和过晚采摘油茶果皆会带来经济损失。 旨在探索高光谱成像技术准确鉴别油茶果成熟度的可行性, 应用波段范围为400～1 000 nm的高光谱成像(HSI)系统采集了不同成熟度油茶果共480个样本的高光谱数据。 基于SNV、 SNV-detrend、 SG、 一阶导和二阶导5种不同预处理建立PLS-DA和PSO-SVM判别模型。 选择最优预处理数据进行特征波长筛选, 发现相比于SPA, CARS筛选特征波长建立的简化模型性能更优, CARS-PLS-DA和CARS-PSO-SVM模型预测集分类准确率为92.5%和89.2%, Kappa系数均超过0.86。 采用颜色矩的方法提取高光谱图像中颜色特征值结合特征波长建立PLS-DA和PSO-SVM组合模型, 发现仍是经CARS筛选特征波长建立的模型性能最优, 其中CARS+颜色-PLS-DA和CARS+颜色-PSO-SVM模型预测集分类准确率分别为94.2%和93.3%。 特征波长融合颜色特征值的组合建模比单一特征波长建模分类效果好, 预测集分类准确率分别提高了1.7%和4.1%。 CARS+颜色-PLS-DA模型显示出最佳预测性能, 其Kappa系数为0.923 1。 研究表明利用高光谱成像技术结合化学计量学方法可用于油茶果成熟度检测, 为实现快速、 无损、 准确鉴别油茶果成熟度提供了科学依据。

介绍一种在真空环境下利用激光快速扫描或激光蒸发沉积等工艺手段,在金属、半导体和陶瓷材料表面,制备非晶、准晶和纳米晶等新型材料的装置.并报道了利用本装置对高速钢W18Cr4V进行真空激光熔凝硬化处理以及真空激光熔凝生成Al-Cu-Fe 非晶态合金相的实验结果.