为实现干制红枣的快速鉴别, 提出了一种基于近红外高光谱成像技术的鉴别方法。 采集四个品种共240个样本干制红枣的近红外高光谱图像(1　000～1　600　nm)。 通过主成分分析法(principal component analysis, PCA)、 载荷系数法(x-Loading Weights, x-LW)和连续投影算法(successive projections algorithm, SPA)分别提取7个、 8个和10个特征波长; 基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。 分别以光谱特征、 纹理特征、 光谱和纹理融合特征作为输入, 建立偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 反向传播神经网络(back-propagation neural network, BPNN)和最小二乘支持向量机(least squares support vector machines, LS-SVM)模型。 结果显示, 基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率; 基于融合特征的BPNN模型的结果最优, 对预测集样本鉴别正确率为100%。 说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。

β-胡萝卜素作为一种重要的营养元素, 其在果蔬活体内的测定方法通常必须对样品进行破坏, 并且耗时、 费力。 采用拉曼光谱技术预测活体枇杷果实内β-胡萝卜素含量, 以高效液相色谱法(HPLC)检测值作为参考值, 采用高斯平滑对光谱数据进行预处理, 同时使用多项式拟合（PF）的方法对光谱数据进行背景荧光扣除, 以标准β-胡萝卜素的拉曼图谱为基础, 选取了三个特征频移, 以特征频移和截取的光谱建立了MLR模型、 PLSR模型以及LS-SVM模型, 取得了比较好的预测精度。 其中LS-SVM模型的预测精度最高, 其预测相关系数R2p达到了0.91, 表明通过拉曼光谱对活体枇杷内β-胡萝卜素的含量检测是实际可行的。

微藻-生物柴油转化生产要求产油微藻细胞内大量积累脂肪, 而藻类脂肪的积累受外界环境影响较大, 因此, 微藻生长过程中对藻体脂肪变化进行快速检测和分析有着非常重要的意义。 以小球藻（Chlorella sp.）为研究对象, 利用可见/近红外光谱技术和高光谱成像技术对不同光源培养条件下微藻生长过程脂肪动态变化和脂肪含量分布可视化分析进行了研究。 研究结果表明, 虽然利用两种技术获取的小球藻透射光谱和反射光谱有差异, 利用连续投影算法进行特征波长也不完全相同, 但基于两种技术获得的对于脂肪含量的特征波段光谱建立的小球藻脂肪含量多元线性回归模型的预测结果接近, 分别为rpre＝0.940, RMSEP＝0.003 56和rpre＝0.932, RMSEP=0.004 23。 研究中小球藻接种初期至生长指数期初期藻体内脂肪含量相对平稳, 积累增加发生在生长对数期的末期, 而在生长平稳期时的小球藻藻液中, 脂肪含量较高的藻体呈现出聚集生长的状态。 小球藻生长过程中生命信息快速无损检测方法的实现为微藻实际生产培养和收获策略的制定提供了理论依据和技术手段。

微藻高效培养是微藻生物能源开发利用的关键和前提, 而在营养充足的培养条件下生长迅速但较易受到环境污染和影响, 因此微藻生长过程中对其生长状况进行监测意义重大。 高光谱成像技术同时拥有丰富物质品质信号的优点和图像包含丰富品质分布空间信息的优点, 可为微藻的快速无损检测提供新的方法和手段。 分别采集小球藻、 球等鞭金藻和螺旋藻三种微藻各45个样本的高光谱图像, 并提取样本感兴趣区域（ROI）的平均光谱。 利用连续投影算法（SPA）波长优选之后, 取30个建模集样本的光谱数据与其相应的生物量建立多元线性回归（MLR）模型, 对15个预测集样本的生物量进行预测, 小球藻、 球等鞭金藻和螺旋藻预测相关系数（r）分别为0.950, 0.969和0.961, 预测均方根误差（RMSEP）为0.010 2, 0.010 7和0.017 1, 获得了较好的预测精度。 最后, 用所建MLR模型对预测集图像上每个像素点的生物量加以预测, 采用Matlab图像编程处理将不同的生物量用不同的颜色表示, 最终以伪彩图的形式实现藻液生物量的可视化。 研究结果表明, 高光谱成像技术对小球藻和螺旋藻藻液生物量的可视化效果较好, 对球等鞭金藻的预测效果还需要进一步改进。 本研究为实现微藻生长信息的快速获取和进一步开展微藻生物质能源利用奠定了一定的研究基础。

种子纯度是衡量种子品质的重要指标。 提出一种基于近红外(874～1　734 nm)高光谱技术实现玉米种子可视化鉴别的方法。 采集4个品种共384个玉米种子样本的高光谱图像数据, 随机选择288个样本作为建模集, 剩余96个样本作为预测集。 对玉米种子光谱曲线进行分析后, 通过连续投影算法（SPA）选取7个特征波段作为输入, 结合偏最小二乘法判别分析(PLS-DA)模型, 对预测集进行预测, 获得较好的分类效果, 其中RC=0.917　7, RMSECV=0.444　2; RCV=0.911　5, RMSECV=0.459　9, 建模集和预测集的总体鉴别率分别为78.5%和70.8%。 通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据, 输入建立的SPA-PLS-DA模型, 在计算生成的鉴别图中以不同颜色标识不同类别, 实现了混杂玉米种子样本的可视化鉴别。 对3份不同组成的混杂种子样本进行鉴别, 达到了较好的可视化效果。 结果表明, 通过可视化鉴别技术, 可以直观方便地观察混杂种子样本中不同品种种子的分布和数量, 为农业生产中种子的纯度鉴别和筛选提供了帮助。