为提高制浆树种的利用效率, 缓解国内制浆造纸原料短缺的现状, 降低行业污染与总体成本, 尝试将近红外光谱技术用于海南省制浆树种的成分含量分析, 以期根据实时所得成分含量相应调整工艺参数。 用结构简单、 易改装的全息光栅分光近红外光谱仪采集了海南省常见的适龄制浆树种（尾细桉、 尾巨桉、 尾叶桉、 马占相思和粗果相思）共205个样本的近红外光谱, 按传统实验室方法分析其主要成分——综纤维素和木质素的含量。 选择合适的预处理方法与偏最小二乘法结合, 建立了两种分析模型, 并通过遗传算法剔除不相关的变量, 筛选出特征波段, 明确综纤维素和木质素的特征吸收, 优化了模型。 其中综纤维素分析模型建立时采用Savitzky-Golay 13点3倍平滑、 矢量归一化和一阶导数预处理原始光谱, 1 150.3～2 362.0 nm波段参与建模。 筛选出的波段包含了1 188～1 196 nm之间CH3中C—H伸缩振动的二级倍频吸收, 1 742～1 633 nm区间内O—H伸缩振动的一级倍频, 2 112 nm附近O—H变形振动、 O—H伸缩振动的合频等纤维素的特征吸收; 也包含了1 470～1 495 nm之间O—H伸缩振动的一级倍频, 1 906和1 911 nm附近CO伸缩振动的二级倍频等聚戊糖的特征吸收。 模型RMSEP值为0.55%, 绝对偏差范围为-0.91%～0.87%。 木质素分析模型建立时采用Savitzky-Golay 13点3倍平滑、 多元信号校正和二阶导数预处理原始光谱, 1 137.6～1 872.5和2 131.0～2 424.1 nm波段参与建模。 筛选出的波段包含了1 143 nm附近苯环C—H伸缩振动的二级倍频吸收和CH3的C—H伸缩振动的二级倍频吸收, 1 670～1 684 nm处苯环C—H伸缩振动的一级倍频, 2 205 nm附近C—H、 CO伸缩振动的合频等木质素的特征吸收。 模型RMSEP值为0.45%, 绝对偏差范围为-0.76%～0.79%。 两个模型的RPD值分别为4.71和3.47, 均能满足制浆树种主要成分在线快速分析测定的工业需求。 同时, 本研究为制浆树种近红外表征体系的建立提供了理论依据, 对近红外技术助力制浆造纸工业由自动化向智能化转变具有较为显著的意义。

叶绿素作为参与植被光合作用最重要的色素, 是监测毛竹虫害的一项重要指标。 通过对不同光谱数据集进行波长筛选, 建立虫害胁迫下竹叶叶绿素含量的高光谱估算模型, 为利用高光谱遥感监测毛竹虫害提供理论依据。 试验在福建省毛竹生产基地顺昌县进行, 使用ASD FieldSpec 3光谱仪采集不同虫害程度竹叶光谱102条, 并利用SPAD-502叶绿素计测定相应叶片叶绿素含量。 通过对比不同虫害程度竹叶的光谱特征, 探测利用高光谱数据估算叶绿素含量的机理。 对竹叶原始光谱（OS）进行包络线去除（CR）、 一阶导数（FD）、 包络线去除一阶导数（CR-FD）变换, 分析不同光谱数据与叶绿素含量的相关性, 并利用连续投影算法（SPA）分别提取4种光谱的特征波长。 采用基于x-y距离结合的样本划分法（SPXY）和随机法对4种光谱数据集进行划分, 结合多元逐步回归（MSR）建立竹叶叶绿素含量估算模型, 分析光谱变换及样本划分对估算叶绿素含量的影响。 结果表明, 不同虫害程度竹叶光谱反射率差异明显, 主要表现为可见光波段范围内的“绿峰”和“红谷”的逐渐消失, “红边”斜率减小, 近红外波长反射率降低。 通过光谱变换可有效提升光谱与叶绿素含量的相关性, 其中CR-FD光谱与叶绿素含量在724 nm处的相关系数最大。 经连续投影算法提取的不同光谱数据集的特征波长集中分布在绿光、 红光、 “红边”位置, 多个被选择波长位于与叶绿素含量相关性较高的波长区（600~750 nm）。 基于SPXY样本划分法建立的MSR模型相比于随机样本划分法能显著提升叶绿素含量的估算精度, 其中R2和RPD平均提高0.1和0.5, RMSE平均降低0.7。 以CR-FD光谱特征波长结合SPXY样本划分法建立的多元逐步回归模型对竹叶叶绿素含量的估算精度最高, R2, RMSE和RPD分别为0.835, 2.604和2.364, 可对虫害胁迫下毛竹叶片叶绿素含量进行准确的估算。

水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。

基于高光谱成像技术和化学计量方法, 实现了对水稻纹枯病病害的早期检测识别。 以幼苗时期的水稻植株为研究对象, 对其进行纹枯病病菌侵染, 获得染病植株, 采集358～1 021 nm波段范围的高光谱图像, 三次实验共240个样本, 包括染病植株120个样本和健康植株120个样本。 根据高光谱图像的光谱维, 对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）, 利用感兴趣区域的光谱数据, 对其进行Savitzky-Golay（SG）平滑、 Savitzky-Golay（SG）一阶求导、 Savitzky-Golay（SG）二阶求导、 变量标准化（SNV）和多元散射校正（MSC）预处理, 建立线性判别分析（LDA）和支持向量机（SVM）分类模型, 结果表明: 采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能, 正确识别率在建模集达98.3%, 在预测集达95%; 利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取, 然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型, 其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能, 其正确识别率在建模集达97.8%, 在预测集达95%, 而且基于载荷系数法建立的模型性能与全波段相当, 可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别; 根据高光谱图像的图像维, 研究了基于图像主成分分析、 基于概率滤波和基于二阶概率滤波的图像特征提取方法, 利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型, 其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能, 建模集准确识别率达90.6%, 预测集的准确识别率达83.3%; 根据高光谱图像光谱维和图像维的最优模型, 特将叶绿素含量作为建模的另一个特征, 分别与光谱特征、 图像特征组合, 建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型, 提出基于光谱特征加叶绿素含量、 图像特征加叶绿素含量和光谱、 图像特征加叶绿素含量三种组合方式, 其中, 光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升, 而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能, 其准确识别率在建模集达100%, 在预测集达96.7%。 以上研究表明, 基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的, 为水稻病害的早期识别提供了一种新方法。

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。

The growth characteristics of Aspergillus parasiticus incubated on two culture media were examined using shortwave infrared (SWIR, 1000–2500 nm) hyperspectral imaging (HSI) in this work. HSI images of the A. parasiticus colonies growing on rose bengal medium (RBM) and maize agar medium (MAM) were recorded daily for 6 days. The growth phases of A. parasiticus were indicated through the pixel number and average spectra of colonies. On score plot of the first principal component (PC1 T and PC2, four growth zones with varying mycelium densities were identified. Eight characteristic wavelengths (1095, 1145, 1195, 1279, 1442, 1655, 1834 and 1929 nm) were selected from PC1 loading, average spectra of each colony as well as each growth zone. Furthermore, support vector machine (SVM) classifier based on the eight wavelengths was built, and the classification accuracies for the four zones (from outer to inner zones) on the colonies on RBM were 99.77%, 99.35%, 99.75% and 99.60% and 99.77%, 99.39%, 99.31% and 98.22% for colonies on MAM. In addition, a new score plot of PC2 and PC3 was used to differentiate the colonies incubated on RBM and MAM for 6 days. Then characteristic wavelengths of 1067, 1195, 1279, 1369, 1459, 1694, 1834 and 1929 nm were selected from the loading of PC2 and PC3. Based on them, a new SVM model was developed to differentiate colonies on RBM and MAM with accuracy of 100.00% and 99.99%, respectively. In conclusion, SWIR hyperspectral image is a powerful tool for evaluation of growth characteristics of A. parasiticus incubated in different culture media.

旨在获取刚竹毒蛾危害下的毛竹叶片光谱特征波长, 以助于该虫害的有效、 准确识别。 将于福建省顺昌县实测的105条高光谱数据随机划分为实验组(71条)和验证组(34条)。 基于实验组数据, 利用单因素方差分析获取健康、 轻度危害、 中度危害、 重度危害等虫害等级间具有极显著差异的波长; 结合常用遥感卫星的波段设置对上述波长进行筛选, 采用欧式距离、 相关系数及光谱角匹配等3种方法判定其虫害判别能力, 获取特征波长, 并引入验证组样本对其予以验证。 结果表明: (1)受害叶片的光谱反射率明显低于健康叶片, 虫害等级越高, 其反射率越低; (2)受害叶片的光谱特征变化较大, 随着虫害等级的上升, 其光谱曲线中的“绿峰”及“红谷”趋于消失, “红边”斜率逐渐减小; (3)确定原始光谱703.43~898.56 nm及一阶微分光谱497.68~540.72, 554.53~585.25和596.24~618.23 nm为刚竹毒蛾危害下的毛竹叶片光谱特征波长, 其对该虫害具有较强的判别能力。 该研究从叶片尺度剖析了寄主对刚竹毒蛾的响应机理, 是“地-天”耦合的理论基础, 可为虫害遥感监测技术体系的建立提供重要依据。