基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法, 提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。 首先获取380～1 023 nm波段范围内80个染病和80个健康番茄叶片的高光谱图像, 然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值, 作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型, 训练集和验证集的鉴别率都是100%。 研究进一步通过CARS和CA提取特征波长, 分别得到5个(554, 694, 696, 738和880 nm)和4个(527, 555, 571和633 nm)特征波长, 然后分别建立CARS-SVM和CA-SVM鉴别模型。 结果显示, CARS-SVM模型中训练集和验证集的鉴别率都是100%, CA-SVM模型中训练集和验证集的鉴别率分别是9159%和9245%。 以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。

市场上陈皮以次充好现象时有发生, 而年份是衡量陈皮品质的重要指标。 研究用高光谱技术结合化学计量学算法, 在380～1 023及874～1 734 nm两波段对不同放置方式的陈皮进行年份鉴别。 为了寻找更合适的波段和模拟实际生产检测中陈皮放置的随机性, 采集了四个年份共180个样本在380～1 023及874～1 734 nm的正、 反面高光谱图像（720幅）。 用主成分分析法（principal component analysis, PCA）对陈皮光谱信息进行定性分析, 发现不同年份陈皮基于正反面光谱有明显的聚类; 而后以回归系数法（regression coefficient, RC）选取陈皮年份相关的特征波段以减少变量; 用偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）基于全波段、 特征波段对三种放置方式（正、 反、 正反混合）的样本建立模型, 最后对特征波段建立线性PLS-DA模型和非线性ELM模型并进行比较分析。 研究表明: 在380～1 023 nm的预测效果大多高于874～1 734 nm, 基于非线性ELM的判别结果均高于线性PLS-DA模型, 准确率最高可达到建模集10000%, 预测集9833%, 陈皮正、 反、 正反混合三种放置方式预测准确率多数可高于85%, 故采用高光谱技术可实现对不同放置方式的陈皮年份进行无损鉴别, 为进一步开发便携仪器或在线生产设备提供方法和理论依据。

转基因技术对于实现粮食增产, 保护生物多样性, 减少化学农药使用量等方面有着重大意义, 但也可能存在一定的安全隐患。 因此, 转基因作物检测鉴别技术的研究愈发受到重视。 本文采用中红外光谱分析技术, 研究对不同品种的转基因大豆及其亲本进行鉴别的可行性。 实验采集了三种不同的非转基因大豆亲本（HC6, JACK和W82）及其转基因大豆品种在3 818～734　cm-1范围内的光谱信息。 采用偏最小二乘-判别分析（partial least squares-discriminant analysis, PLS-DA）进行判别分析, 三种大豆的建模集的判别正确率分别为96.67%, 96.67%和83.33%, 预测集的判别正确率分别为83.33%, 85%和85%。 研究中采用X-loading weights、 变量投影重要性（variable importance in the projection, VIP）和二阶导数（second derivative, 2-Der）三种特征波数选择方法对光谱数据进行处理, 并根据得到的特征波数分别建立PLS-DA模型进行判别分析, 三种大豆的建模集和预测集的判别正确率均超过76.67%和75%。 采用主成分分析（principal component analysis, PCA）和独立组分分析（independent component analysis, ICA）两种特征信息提取方法对光谱数据进行处理, 分别建立PCA-PLS-DA和ICA-PLS-DA模型进行判别分析, 三种大豆的建模集和预测集的判别正确率均超过80%和75%。 研究表明中红外光谱分析技术可以较为准确地鉴别非转基因亲本与转基因品种, 为转基因大豆的无损鉴别提供新的思路。 同时结合特征波数选择方法与特征信息提取方法可以有效地降低模型复杂度, 减少程序运算量。

以近红外高光谱成像技术, 结合化学计量学方法, 研究了转基因大豆的快速、 无损检测方法。 实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。 采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像, 提取大豆的光谱信息, 剔除明显噪声部分后, 采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。 采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA), 对3种非转基因亲本大豆建立模型进行判别分析, 其相应的建模集和预测集的判别正确率分别为97.50%和100%, 100%和100%, 96.25%和92.50%, 结果表明, 高光谱成像技术可用于非转基因大豆的识别。 对非转基因亲本及其转基因大豆进行判别分析, 基于全谱, 3种的建模集和预测集的判别正确率分别为99.17%和99.17%, 87.19%和81.25%, 99.17%和98.33%; 以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型, 3种的建模集和预测集的判别正确率分别为72.50%和80%, 80.63%和79.38%, 85%和85%, 该结果表明非转基因亲本与转基因品种的判别分析是可行的, 特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。 研究表明采用近红外高光谱成像技术对非转基因大豆、 非转基因亲本及其转基因大豆进行鉴别是可行的, 为转基因大豆的快速无损准确鉴别提供了一种新方法。

波谱技术快速获取茶树生长和茶叶品质信息对提高茶叶生产信息化、 产业化水平, 保障茶叶品质和安全具有重要意义。 阐述了波谱技术在茶树生长和茶叶品质信息快速检测的研究进展和发展趋势。 重点介绍了红外光谱, 荧光光谱、 拉曼光谱、 质谱等在茶树生长信息获取（氮、 叶绿素、 病虫害信息等）、 茶叶品种分类、 茶叶分级、 茶叶内部品质检测（茶多酚、 儿茶素、 咖啡碱、 氨基酸、 农药残留等）、 茶饮料和加工品的品质检测以及相关检测设备等方面的研究进展和应用情况, 简述了茶树生长信息获取方法、 传感仪器和产业化应用的研究和发展趋势。 选择合适的预处理和化学计量学方法能有效增加模型效果, 减少冗余数据, 为基于波谱技术便携式仪器的开发提供可能。 基于波谱技术便携式仪器和在线检测仪器开发仍是今后实现该技术应用和推广的重点。 首次介绍了波谱技术在茶叶生产加工领域的应用成果和研究进展, 涵盖茶树生长、 茶叶加工、 茶叶和茶加工品品质安全等多方面内容, 并论述波谱技术在茶叶产业应用存在问题和将来发展趋势。

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。

应用高光谱成像技术实现了油菜苗-花-角果整个生命期叶片氮含量的快速检测和氮素水平分布的可视化。 采集三个生长时期共计420个叶片样本的高光谱图像信息(380～1 030 nm), 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, 利用连续投影算法(SPA)选择特征波长, 将提取的12个特征波长(467, 557, 665, 686, 706, 752, 874, 879, 886, 900, 978和995 nm)作为自变量, 叶片氮含量作为因变量, 分别建立偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)模型。 SPA-PLS和SPA-LS-SVM模型对叶片氮含量的预测相关系数RP分别为0.807和0.836, 预测均方根误差RMSEP分别为0.387和0.358。 高光谱图像中的每一个像素点都有对应的光谱反射值, 利用结构简单、 更易提取回归系数的SPA-PLS模型, 快速计算出12个特征波长下高光谱图像中每个像素点对应的氮含量预测值, 结合像素点的空间位置生成氮素浓度的叶面分布图。 可视化分布图详细且直观的反应出同一叶片内部或不同叶片之间氮含量的差异。 结果表明, 应用高光谱成像技术分析整个油菜生长期的叶片氮含量及其可视化分布是可行的。

共采集了112个番茄茎秆高光谱数据（光谱范围400～1 030 nm）, 结合图像处理和化学计量学方法建立了番茄茎秆灰霉病早期诊断模型。 应用偏最小二乘法（PLS）模型的隐含变量载荷分布选取了七个特征波长（EW）, 并建立了番茄茎秆灰霉病早期诊断的最小二乘支持向量机（LS-SVM）模型。 结果表明, 经过变量标准化（SNV）及多元散射校正（MSC）预处理所建立的EW-LS-SVM模型获得了满意的判别效果, 且优于全波段的PLS模型。 说明高光谱成像技术进行番茄茎秆灰霉病的早期诊断是可行的, 为番茄病害早期诊断和预警提供了新的方法。

提出了利用可见-近红外光谱技术和多光谱成像技术检测鸭梨损伤随时间及程度变化的新方法。 利用可见-近红外光谱技术, 分别结合偏最小二乘(partial least squares, PLS)和最小二乘支持向量机(least squares-support vector machine, LS-SVM)方法对鸭梨受损程度和受损天数进行预测。 结果表明, 两种方法在鸭梨损伤后期对损伤程度的判别均具有较好的效果; LS-SVM方法对鸭梨轻度损伤的损伤天数的预测精度较高, 但重度损伤天数的预测效果不如PLS方法。 然后利用多光谱图像预测鸭梨受损天数。 研究发现, 利用LS-SVM建立的模型预测效果较稳定, 预测结果相关系数均在0.85左右。 说明利用可见-近红外光谱分析技术和多光谱成像技术能够快速无损地检测出鸭梨的损伤程度及时间, 为鸭梨检测提供了一种新方法。

为了实现快速检测果珍中的二氧化钛含量,提出了应用近红外光谱技术结合化学计量学的快速检测方法。 研究采用了320份果珍样本进行光谱特性的检测,其中200个样本用来建模,120个样本进行预测。 首先比较了标准正态变量校正(SNV)、变量标准化(Normalize)、多元散射校正(MSC)等6种不同的数据预处理方法对偏最小二乘法(PLS)建模预测效果的影响。 然后将PLS模型与应用主成分(PC)建立的主成分-神经网络校正(PC-ANN)模型进行比较。 结果表明,MSC预处理的效果最好,PLS模型的最佳主成分数为7,预测值与标准值的相关系数R2达0.9008,预测标准误差RMSEP为0.05。 PC-ANN模型预测值与标准值的R2为0.868 4,RMSEP为0.04。 说明PLS模型比PC-ANN模型的预测效果好。 同时本研究也说明能够应用可见/近红外技术对二氧化钛进行快速定量测定。