为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

中国是世界上受真菌毒素污染最严重的国家之一, 因污染造成的粮食及粮油产品经济损失巨大, 真菌毒素快速检测与防控迫在眉睫。 由于传统湿化学检测方法的时滞性、 复杂性、 高成本、 使用大量化学试剂等问题, 无法满足粮食生产、 流通及加工过程中快速实时检测的需要。 分子光谱是分子振动能级间或转动能级间跃迁产生的光谱, 反映了分子内部的结构信息, 可确定分子的转动惯量、 分子键长健强及离解能, 用于样本中化学组分及性质的检测。 粮食样本(真菌毒素)在激发光的激励作用下能级跃变产生的光通过光路系统被光电探测器接收, 光谱强度与被测物浓度在一定范围内符合Lambert-Beer定律, 可实现粮食真菌毒素的快速、 定量检测。 相比真菌毒素传统检测方法费时费力、 成本高、 大量使用化学试剂等问题, 光谱分析技术具有快速、 无损、 绿色等显著技术优势。 在分析粮食真菌毒素检测的重要性、 迫切性的基础上, 介绍了光谱分析的技术原理与理论基础, 近红外光谱是电偶极矩变化引起的振动光谱, 拉曼光谱是分子极化引起的振动光谱, 而荧光光谱反映具有长共轭结构的分子信息, 光谱成像在检测维度上由一维拓展到二维分布, 通过光谱解析和特征分析可进行真菌毒素快速准确检测。 进一步分析了近红外光谱、 拉曼光谱、 荧光光谱和光谱成像等技术在粮食真菌毒素检测的研究现状及发展动态, 指出了各技术的优势与存在的不足, 研究表明光谱分析技术受到越来越多的学者关注, 基于光谱分析技术的粮食真菌毒素的检测探索, 已成为食品安全检测领域的热点问题。 通过文献综述可以发现, 光谱分析技术为粮食中真菌毒素的快速筛查、 定性判别或高灵敏检测提供了新的途径, 但仍存在诸多尚需解决的问题, 在系统探讨光谱分析技术瓶颈问题的基础上, 展望了需进一步突破的研究方向, 特别是在检测的认可度、 检测精度和稳定性方面。 通过光谱理论解析明确粮食真菌毒素检测的可行性, 通过微观尺度提高粮食真菌毒素检测的稳定性, 通过多模态光谱信息融合提高粮食真菌毒素检测的精确性, 为粮食真菌毒素的光谱快速检测技术提供参考。

苹果水心病在众多苹果主产区都有发生, 现阶段没有合适的方法实现快速鉴别和分类。 为了探索苹果水心鉴别新方法, 采用近红外透射光谱与化学计量学方法结合非线性流形学习数据降维技术, 逐个采集好果与疑似水心病果样本590~1 250 nm的近红外透射光谱, 将经光谱校正后的原始光谱做多元散射校正（multivariate scattering correction, MSC）、 标准正态变量变换（standard normal variate transformation, SNVT）、 二阶求导（2nd derivative）、 一阶求导（1st derivative）、 归一化（normalization）、 卷积平滑法（savitzky-golay smoothing, SG）、 均值中心化（mean centering, MC）、 移动平均平滑（moving average, MA）、 直接差分二阶求导（direct differential second derivative, DDSD）以及直接差分一阶求导（direct differential first derivative, DDFD）等10余种光谱预处理; 先对预处理后的光谱数据建立全波长模式识别模型从而找出多元散射校正是最优预处理方法, 而后再分别用多维尺度分析（multidimensional scaling, MDS）、 分布邻域嵌入（stochastic neighbor embedding, SNE）、 对称分布邻域嵌入（symmetric stochastic neighbor embedding, SymSNE）、 t分布邻域嵌入（t-distributed stochastic neighbor embedding, t-SNE）、 拉普拉斯映射（laplacian eigenmaps, LE）、 等距特征映射（isomap）、 地标等距映射（landmark isomap）、 局部线性嵌入（locally linear embedding, LLE）、 扩散映射（diffusion maps, DM）等多种流形学习方法对经多元散射校正预处理后的光谱数据做降维处理, 并结合马氏距离判别（mahalanobis distance discrimination, MD）、 二次判别分析（quadratic discriminant analysis, QDA）、 贝叶斯判别（Bayesian discrimination, BD）、 K最近邻法（K nearest neighbor, KNN）识别其水心存在与否。 结果表明, 提取前12主成分, 采用多元散射校正-地标等距映射-K最近邻法（MSC-landmark isomap-KNN）模型识别效果最优, 校正集和预测集识别率分别为97.5%和96.3%。 故, 流形学习方法结合近红外透射光谱可成功、 高效地实现苹果水心鉴别, 为进一步研发水心鉴别设备提供新的理论指导。

由于传统的光功率采集仪精度不高，在实验中无法明显地显示出光功率在短期内的变化，而采集电压的数据采集系统可以很好地解决这个问题。在分析1 310 nm超辐射发光二极管(Super Luminescent Diode，SLD)光源的工作原理的基础上，设计了一种在恒温条件下控制驱动电流来使SLD稳定工作的驱动电路，进行了理论分析和实验验证，给出了利用SLD电压降监测输出光功率的新方法，取得了真实可靠的实验数据。通过SLD光源的驱动实验得出输出光功率与驱动电流和SLD两端电压降的相关关系，结果表明，输出光功率与电流具有良好的线性关系，与电压具有良好的正相关指数关系。利用采集电压降监测SLD的输出光功率，大大提高了测试精度和数据分辨率，同时为SLD退化寿命试验提供了新的电学参数。

采用光谱技术对水果进行定量或定性分析, 如何获得一个简单、有效的校正模型对后续模型的应用和维护都非常关键。以草莓内部品质近红外光谱预测为例, 从关键变量和特征样本优选两方面进行研究。采用竞争性自适应重加权CARS算法对光谱变量进行初次选择, 随后采用连续投影算法SPA对校正集样本进行优选, 获得98个特征样本, 针对优选后的变量/样本子集利用SPA算法作二次关键变量提取, 获得25个关键变量。为了验证CARS算法的性能, 蒙特卡罗无信息变量消除MC-UVE和连续投影算法SPA用于比较研究。CARS算法在消除无信息变量的同时可以对共线性信息进行去除。同样, 为了评估SPA算法在特征样本选择中的性能, 经典的Kennard-Stone算法也用于比较分析。SPA算法能够用于校正集特征样本的优选。针对最终优选后的变量/样本(25/98)子集建立PLS和MLR模型对草莓内部可溶性固形物含量SSC含量进行定量预测。结果表明, 两个模型利用原始变量/样本的0.59%/65.33%的信息均能够获得比基于原始变量/样本所建模型更好的性能, 且MLR模型比PLS模型性能略优, r2pre, RMSEP和RPD分别为0.909 7, 0.348 4和3.327 8。

为实现苹果可溶性固形物(SSC)的便携式快速检测, 利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统, 结合无信息变量消除(UVE)、 遗传算法(GA)、 竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。 另外, 采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量, 分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。 试验结果表明, 经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好, 其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。 利用该检测装置结合GA-CARS筛选的特征波长, 可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度, 为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。

从高光谱数据中选取能够有效进行内部品质检测的特征波长, 是利用高光谱成像技术进行水果品质定量分析的关键。 本文采用遗传算法（GA）、 连续投影算法（SPA）和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长, 利用偏最小二乘法（PLS）、 最小二乘支撑向量机（LS-SVM）和多元线性回归（MLR）建模进行苹果可溶性固形物含量（SSC）的定量分析并进行了综合比较。 160个样品中, 120个用于建模, 40个用于预测。 比较发现SPA-MLR模型获得了最好的结果, R2p, RMSEP和RPD分别为0.950 1, 0.308 7和4.476 6。 结果表明: SPA能够有效地用于高光谱数据的变量选择, 利用SPA-MLR可建立稳健的苹果SSC预测模型, 较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。

结构光投影和条纹时间平均分析技术已被用于振动模式分析中,但由于投影单色正弦条纹时振动薄膜变形条纹傅里叶谱中零频涵盖范围较大,会限制滤波窗的选取范围,从而影响模式的最终重建结果。为提高振动模式重建的准确性,提出了一种利用π相移正弦条纹投影进行薄膜振动模式分析和振幅重建的方法,通过处理两个通道的条纹分量达到消除零频的目的。给出了该方法的理论分析,完成了相应的计算机模拟,分析了影响测量精度的因素。通过与投影单色正弦条纹的振动模式重建结果对比,表明该方法有较高的重建精度。不同激励频率下的实际薄膜振动实验结果也证明了该方法正确可行。

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性，利用近红外光谱结合遗传算法最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中，采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型，GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好，验证集相关系数R2为0.9766，预测均方根误差为0.1065。研究结果表明，GA-LSSVR是一种快速准确的建模方法，为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。