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。

土壤养分直接关系到作物产量与品质状况, 然而传统化学方法检测存在化学试剂消耗大、 耗时费力等问题, 不能满足精细农业的需求。 快速获取土壤养分信息是发展精细农业、 绿色农业的关键, 想要了解土壤肥力状况, 必须先了解有机质和总氮的含量状况。 许多研究表明, 长波近红外光谱被广泛应用于土壤检测领域, 然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。 以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区, 根据2×2网格法采集了深度为10～30 cm的棕壤、 红壤和水稻土三种最为典型的土壤样品共180份。 经过研磨、 风干等处理后用四分法均匀划分为两份, 用于测定样品光谱信息和理化信息。 将土壤样品按照2∶1(120∶60)划分为建模集和预测集。 考虑到首尾端波段噪声较大, 故去除325～349和1 051～1 075 nm波段, 将350～1 050 nm波段用于光谱分析。 通过连续投影算法(SPA)筛选出有机质12个特征波长点, 总氮11个特征波长点, 考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系, 建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质和总氮进行研究, LS-SVM模型采用两步网格搜索法优化了两个超参数γ和σ2。 研究结果表明: (1)土壤的光谱反射率随波长增加反射率升高, 反射率曲线中460、 550、 580、 740和900 nm处有较为明显的吸收特征。 (2)从PLSR模型和LS-SVM模型结果分析可知, 非线性模型LS-SVM具有更好的预测精度, 分析认为土壤光谱信息与土壤理化性质之间存在一些非线性关系。 (3)通过连续投影算法筛选的特征波长提高了模型精度, 优化了模型运行效率。 SPA-LS-SVM模型是所有模型中最优的预测模型, 其中有机质模型的R2pre为0.884 7, RMSEp为0.104 8, RPD为2.945 0, 总氮模型的R2pre为0.901 8, RMSEp为0.010 4, RPD为3.191 1。 (4)本研究说明可见/近红外光谱能够用于测量不同类型的土壤有机质和总氮含量, 并且达到较好的预测效果。 可见/近红外光谱在土壤检测领域具有巨大潜力。

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。

快速测量十六烷值对检测柴油品质及控制炼制工艺具有重大意义。 首先对采集到的381份柴油样品进行近红外可见光谱波段全光谱扫描, 利用小波分析（WT）对原始数据进行去噪声处理, 应用竞争性自适应重加权算法（CARS）进行特征波长选择, 将CARS提取的22个特征波长输入至LS-SVM预测模型, 决定系数r2为0723, 预测均方根误差RMSEP为1878%。 结果表明, 使用WT-CARS变量选择算法获取光谱特征波长, 结合LS-SVM建模, 可以快速、 准确的测量柴油中的十六烷值, 为进一步实现柴油十六烷值的在线检测以及其他性能参数的快速测定奠定了基础。

提出了一种利用高光谱成像技术检测三文鱼水分含量并实现其可视化的新方法。 采集不同水分含量的共100个鱼肉样本的高光谱图像, 并提取样本感兴趣区域(ROI)的平均光谱。 75个样本用于建模集, 采用连续投影算法对原始光谱提取特征波长, 利用提取的特征波长替代原始光谱, 采用PLS建立预测模型, 对25个预测集样本的水分含量进行预测, 预测决定系数(R2)为0.904, 预测均方根误差(RMSEP)为1.169%, 获得了满意的预测精度。 最后, 用所建模型对预测集图像上每个像素点的水分含量进行预测, 利用Matlab语言编程, 三文鱼肉表面不同部位的水分分布采用不同颜色表示, 进而实现三文鱼肉水分含量的可视化。 结果表明, 高光谱成像技术与化学计量学结合可以准确预测鱼肉的水分含量, 与图像处理方法结合可以实现预测时间的可视化, 能形象、 直观地展示出鱼肉的水分含量分布情况, 为实现水产品加工的自动化奠定了基础。

由于高光谱数据量大、 维数高, 光谱噪声明显、 散射严重等特征导致光谱建模时关键变量提取较为困难, 同时, 高光谱图像的获取会受非单色光、 杂散光、 温度等多种因素的影响, 从而使高光谱数据与待测性质之间有一定非线性关系。 为此, 提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选, 并与全光谱和经典变量提取方法SPA, MC-UVE, GA和GA-SPA方法进行比较。 以200个库尔勒香梨为研究对象, 采用SPXY方法将样本划分为校正集和预测集, 校正集和预测集分别包含150个和50个样本。 基于不同方法筛选的变量, 分别建立线性PLS模型及非线性LS-SVM模型, r2, RMSEP和RPD用于模型性能的评估。 综合比较发现, GA, GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量, 适用于高光谱数据关键变量的提取, 其中CARS变量筛选效果最佳, 基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果, r2pre, RMSEP和RPD分别为0.851 2, 0.291 3和2.592 4。 研究表明, CARS方法是一种有效的高光谱关键变量筛选方法, 利用高光谱数据, 非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。