为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。

高光谱图像包含了大量的光谱信息和图像信息, 采用高光谱成像技术对牛肉品种进行识别。 获取可见-近红外(400～1 000 nm)光谱范围内的安格斯牛、 利木赞牛、 秦川牛、 西门塔尔牛、 荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。 在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像, 获取样本的感兴趣区域（ROI）, 并结合伪彩色图对牛肉样本的反射率指数进行可视化表达; 采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能; 对原始光谱采用卷积平滑(SG) 、 区域归一化(Area normalize)、 基线校正(Baseline)、 一阶导数（FD）、 标准正态变量变换(SNV)及多元散射校正（MSC）等6种方法进行预处理; 采用竞争性自适应重加权算法（CARS）提取特征波长。 然后利用颜色矩对不同牛肉样本的颜色特征进行提取; 对原始光谱图像进行主成分分析, 结合灰度共生矩阵（GLCM）算法, 提取主要纹理特征。 最后结合偏最小二乘判别（PLS-DA）算法建立牛肉样本基于特征波长、 颜色特征以及纹理特征的识别模型。 KS法将牛肉样本划分为校正集190个, 预测集62个; 将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析, 结果发现经FD法处理后的光谱数据所建模型的识别率最高; 结合CARS法对经FD法预处理后的光谱数据进行特征波长提取, 共提取出22个波长; 利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、 48个纹理特征。 将特征波长数据与颜色、 纹理特征信息进行融合建模, 结果表明, 基于特征光谱+纹理特征的模型识别效果最佳, 其校正集与预测集识别率分别为98.42%和93.55%, 均高于特征光谱数据模型识别率, 说明融合纹理特征后使样本分类信息的表达更加全面; 融合颜色特征后模型的校正集识别率均有所增加, 但预测集识别率稍逊, 颜色特征虽携带了部分有效信息, 但这些信息与牛肉样本的相关性不大。 因此, 寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。 该研究结果为牛肉品种的快速无损识别提供了一定的参考。

利用可见/近红外(400~1 000 nm)及近红外(900~1 700 nm)高光谱成像技术结合特征波长筛选方法对安格斯牛、力木赞牛、西门塔尔牛3个品种的牛肉进行鉴别研究，且测定肉样的色泽、嫩度、pH值以及水分、脂肪、蛋白质含量。根据不同波段光谱的特点，分别对原始光谱进行预处理，并利用SPA、IRF和IRF-SPA方法筛选特征波长，建立基于全波段及特征波长下的PLS-DA牛肉品种鉴别模型。结果显示：400~1 000 nm波段采用SNV-IRF-SPA-PLS-DA方法建立的模型最优，校正集与预测集准确率分别为98.56%和97.12%，900~1 700 nm波段采用SG-SPA-PLS-DA方法建立的模型准确率为94.09%和96.04%，说明不同波段高光谱对牛肉品种识别均有较好的效果；400~1 000 nm波段的识别准确率优于900~1 700 nm，说明3种牛肉在色泽纹理上的差异比成分含量显著。研究表明，利用高光谱成像技术结合特征波长筛选方法能够获得较好的牛肉品种鉴别效果。

利用可见/近红外(400～1 000 nm)及近红外(900～1 700 nm)高光谱成像技术对宁夏地区滩寒杂交、 盐池滩羊、 小尾寒羊三个品种羊肉进行识别研究。 针对不同波段光谱特点, 分别优选出Baseline及SG卷积平滑光谱预处理方法, 并运用连续投影算法(SPA)提取特征波长, 结合线性判别分析(LDA)及径向基核函数支持向量机(RBFSVM)模型进行全波段及特征波长识别分析。 结果表明不同波段高光谱对羊肉品种识别均获得较好效果, 其中400～1 000 nm波段采用Baseline-Fullwave-RBFSVM及12个特征波长下准确率为100%与98.75%, 900～1 700 nm波段采用Baseline-Fullwave-RBFSVM及7个特征波长下准确率为96.25%与87.80%; RBFSVM非线性分类准确率高于LDA线性判别结果, 400～1 000 nm波段识别准确率优于900～1 700 nm波段, 说明三种羊肉在色泽纹理上差异比成分含量显著, 利用高光谱成像技术结合RBFSVM方法能够获得较优的羊肉品种识别效果。

应用高光谱成像技术对不同保藏温度的灵武长枣的可溶性固形物含量进行预测模型建立。提取图像中感兴趣区域的平均光谱数据, 经过不同光谱预处理后, 利用连续投影法（SPA）选择特征波长, 对4 ℃冷藏光谱提取13个特征波段（421, 426, 512, 598, 641, 670, 675, 723, 814, 906, 944, 978, 982 nm）, 对常温保藏光谱提取12个特征波段（425, 507, 555, 598, 673, 680, 685, 718, 809, 910, 954, 978 nm）。对于MSC处理、MSC+SPA处理、Savitzky-Golay平滑处理和SNV 4种预处理方法, 筛选出的最优预处理方法是冷藏采用MSC处理、常温采用MSC+SPA处理。对应这两种最优预处理方法, 分别建立偏最小二乘法（PLSR）、支持向量机（SVM）、主成分回归(PCR)3种预测模型。在以上获得的6个预测模型中, 得出冷藏、常温保藏的最优模型分别为MSC-PLSR模型（R2C: 0.852, RMSEC: 0.940; R2P: 0.857, RMSEP: 0.894）和MSC+SPA-PLSR模型（R2C: 0.872, RMSEC: 0.866; R2P: 0.787, RMSEP: 1.007）。结果表明: 利用高光谱成像技术, 结合多种预测模型建立, 能够测定不同保藏温度下的灵武长枣可溶性固形物含量, 实现对灵武长枣准确快速的无损检测。

为了研究快速识别虫眼枣与正常枣的有效方法, 利用特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先, 利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像, 提取并分析不同类型长枣特征区域的平均光谱曲线, 对970～1 670 nm范围内的光谱数据进行主成分分析, 确定7个特征波长(990, 1 028, 1 109, 1 160, 1 231, 1 285, 1 464 nm)。然后, 对长枣图像做主成分分析, 选择PC2图像进行虫眼识别, 虫眼与正常枣的识别率分别为67.5%、100%。为了进一步提高虫眼枣的识别率, 采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别, 识别率提高到90%。结果表明, 基于NIR高光谱成像技术的检测方法对虫眼枣识别是可行的, 同时也为多光谱成像技术应用于在线检测长枣品质提供了理论依据。