名优大米含有更多的营养价值与更高的经济价值, 不法商家为赚取更多利益, 对优质大米掺假甚至以次充好, 损害了消费者利益和大米贸易, 打击了生产者的生产积极性。 希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。 首先, 采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像, 并提取了每种大米的光谱、 纹理与形态特征。 使用多元散射校正算法做光谱预处理消除光谱散射。 连续投影算法（SPA）、 竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长; 用 SPA选择形态、 纹理特征的重要变量。 最后, 使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型, 而K-近邻（KNN）、 随机森林（RF）用于与CNN模型相对比。 实验结果显示, 根据全光谱构建的模型的分类准确度达到80%以上; 其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优, 训练集的分类准确度（ACCT）为92.96%, 预测集的分类准确度（ACCP）为89.71%。 而重要波长光谱与全光谱相比, 分类准确度相差较多。 为进一步提升大米种类鉴别的准确度, 选用纹理、 形态两种图像特征与光谱特征进行融合, 最优结果来自光谱与形态特征重要变量所构建的模型。 其中, KNN的ACCT和ACCP分别为69%和67%; RF模型的ACCT=99.98%和ACCP=89.10%; CNN模型的效果最佳, ACCT和ACCP为97.19%和94.55%。 此外, 光谱与纹理融合的分类效果差于光谱, 说明纹理特征弱化了分类结果。 对于分类模型来说, CNN的性能明显优于两种机器学习方法, 可以提供更好的分类效果。 总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别, 这种方法有望拓展到其他农产品的分级, 种类区分和产地鉴别。

将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合, 对冬小麦地上鲜生物量进行预测, 提高了冬小麦地上鲜生物量无损检测精度, 试验获取苗期93个样本的冠层光谱和冠层图像, 中后期(拔节期、 抽穗期、 开花期、 灌浆期)200个样本的冠层光谱和侧面图像。 将光谱反射率作为光谱特征参数, 并通过图像处理提取小麦覆盖度作为图像特征参数, 建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型, 将冠层光谱反射率和小麦覆盖度作为多信息融合的输入, 利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。 结果表明, 在苗期和中后期, 将光谱信息和图像信息融合, 采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。 苗期基于信息融合所建立的PLS模型验证集R2为0.881, 其RMSE为0.015　kg; 中后期基于信息融合所建立的PLS模型验证集R2为0.791, RMSE为0.059　kg。 由此可见, 相比单一的光谱模型和图像模型, 图像信息和光谱信息融合之后, 充分提高了光谱信息和图像信息的利用率, 使模型的精度得以提高。

绝缘子是变电站的重要供电设备，绝缘子劣化会导致绝缘子闪络或掉串，对电力系统的安全稳定运行具有严重威胁。红外检测技术在瓷质绝缘子方面的应用是一种可靠、高效的检测手段，但使用目前的红外检测标准会造成多数劣化绝缘子的漏判。针对这种情况，笔者通过一起劣化绝缘子案例，基于劣化绝缘子发热原理，设计图像分割算法求出钢帽以及盘面区域，然后提取盘面以及钢帽温度特征，分析钢帽与盘面的发热规律。针对绝缘子钢帽与盘面的发热规律，提出相应的诊断方法及其预防措施，进一步提高劣化绝缘子红外检测的准确性。

氧化亚氮（N2O）的过量排放会对臭氧层造成破坏, 合理施肥和采取减排措施对减缓温室效应具有重要的现实意义。 本文利用FTIR光谱法研究了施肥和水分对白菜地土壤排放N2O的影响。 为了提高系统的灵敏度, 我们利用多个反射镜加长了光程。 通过比对施肥前后N2O红外光谱和NIST谱库N2O红外光谱, 最终选取2 160～2 225 cm-1作为定量计算N2O的特征波段。 研究发现, 施肥和水分能促进白菜地土壤N2O气体排放, 这为农田N2O的减排和减缓温室效应提供了理论依据。 最后, 还研究了施肥后土壤N2O的昼夜排放规律, 结果表明, N2O白天的排放量高于晚上, 通过和前人研究结果对比, 验证了此方法的可行性。 本文研究证实, 基于长光程的FTIR光谱法是一种测量土壤排放N2O气体规律的快速有效方法, 它可以对施肥后的白菜地土壤N2O气体排放进行测量, 相对其他传统测量方法具有高速、 简便等优势。

高光谱成像技术因具有图谱合一的特点在作物品种鉴别方面具有较大潜力, 但目前研究大多只提取利用了光谱信息, 对图像信息没有进行有效利用。 本文利用近红外高光谱成像仪采集了强筋、 中筋、 弱筋3个类型共计6个品种的单粒小麦种子高光谱图像, 提取了长、 宽、 矩形度、 圆形度、 离心率等12个形态特征, 并对图像中的胚乳和胚区域进行分割建立掩膜, 提取了胚乳和胚区域的平均光谱信息。 采用PLSDA和LSSVM方法建立基于图像信息的判别模型, 结果表明强筋、 弱筋两者二分类的识别率能达到98%以上, 强筋、 中筋两者二分类的识别率只能达到74.22%, 说明近红外高光谱图像的形态信息能够反映品种间差异, 但单独利用图像信息进行分类时准确度可能欠佳。 采用SIMCA, PLSDA和LSSVM方法建立了胚乳和胚区域光谱信息的多分类模型, 胚乳区域的分类效果较胚区域略好, 说明籽粒不同部位的形状差异会影响分类效果。 进一步融合光谱信息和图像信息, 采用SIMCA, PLSDA和LSSVM方法建立融合模型, 识别率较单独的图像或光谱信息模型均略有提升, PLSDA方法从原来的96.67%提升到98.89%, 表明充分挖掘高光谱图像所包含的形态特征和光谱特征可有效提高分类效果。

为了寻求一种快速鉴别分析不同产地和陈化年限的普洱熟茶科学的方法, 本文采用表面增强拉曼散射光谱技术, 在600～1　800 cm-1的拉曼波段比较了云南三大普洱茶产地和四个不同陈化年限的普洱熟茶的拉曼光谱的异同点。 结果: 不同产地和陈化年限的普洱熟茶的拉曼光谱走势基本一致, 但是由于不同产地和陈化年限的普洱熟茶之间的化学成分存在着差异, 导致它们的拉曼光谱之间存在着明显的差别, 利用这些差别可以快速、 简便鉴别分析不同产地和陈化年限的普洱熟茶。

发现一种鉴定普洱茶不同发酵时间的快速、简便、科学的方法, 通过利用激光共聚焦拉曼光谱仪, 采用表面增强拉曼光谱技术(SERS), 在600～1 800 cm-1波数段分析了4种发酵时间普洱茶标准品的SERS光谱异同点, 发现在 655, 732, 959, 1 238 cm-1等较为明显的特征峰处存在着明显的差异。研究了普洱茶发酵过程中茶多酚、含氮化合物、有机酸和糖类物质的含量变化规律, 通过SERS光谱分析, 为鉴定普洱茶的品质提供了一种科学、简便、快捷的光学方法。