我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。

茶叶是大众青睐的健康饮品之一, 但茶叶在机器采收和加工过程中, 容易混入茶梗和昆虫异物, 污染茶叶、 影响其质量安全, 是未来应防范和检测的重点。 X射线成像技术, 根据食品基质和异物的密度差实施检测, 广泛适用于金属异物并延伸至高密度塑料, 但对于茶梗、 昆虫这类低密度有机异物尚不适用, 所以迫切需要研发新型无损检测技术和方法。 针对片状茶叶重叠、 遮掩异物的问题, 提出了电磁振动上料辅助近红外光谱和荧光图像的检测方案, 进行绿茶中的内源性异物茶梗和外源性异物昆虫的在线检测研究。 通过电磁振动上料辅助近红外光谱和荧光成像系统, 采集了600～1 050 nm范围的近红外光谱600条和RGB-N四通道图像各65幅。 采用451条光谱进行建模, 其余149条光谱作为预测集, 评估模型的性能, 比较了去趋势(Detrending)、 多元散射校正(MSC)、 标准正态变换(SNV)、 变权重正态变换(VSN)、 迭代自适应加权惩罚最小二乘法(airPLS)、 不对称最小二乘法(ALS)、 光程估计与校正(OPLEC)等不同光谱预处理方法的处理效果, 其中OPLEC能较好地消除散射效应, 偏最小二乘判别分析(PLS-DA)模型的正确识别率由78%提高到85%。 结果表明, 近红外光谱结合OPLEC能够更加准确地检出茶叶中的茶梗和昆虫异物。 与近红外光谱的精确点测量相比, 图像提供了较大范围的检测手段。 对65幅蓝色(B通道)图像进行分析, 采用最大类间方差法进行阈值分割后, 对图像进行取反运算、 中值滤波、 连通区域标记和特征提取, 提取出长轴长、 短轴长、 长短轴比、 离心率四个特征变量, 采用267个感兴趣目标, 建立了线性判别分析(LDA)模型, 用未参与建模的88个感兴趣目标来评价模型的预测能力, 正确识别率达到了64%。 实验结果表明, 电磁振动上料辅助近红外光谱和荧光图像在线检测茶梗和昆虫异物具备可行性, 为食品中有机异物在线检测提供了低成本的解决方案。

采用近红外光谱（NIRS）结合偏最小二乘（PLS）方法, 实现对饲料中粗脂肪和粗纤维的快速定量分析。 采用Norris-Williams平滑求导（NW）和多元散射校正（MSC）方法对光谱进行预处理； 蒙特卡罗无信息变量消除法（MCUVE）、 变量组合集群分析法（VCPA）和区间变量迭代空间收缩法（iVISSA）用于光谱变量选择和优化； PLS用于光谱校正模型的建立, 采用校正集相关系数（Rc）、 交互验证均方根误差（RMSECV）、 预测集相关系数（Rp）和预测集均方根误差（RMSEP）评价模型。 光谱预处理中经MSC处理后的光谱模型优于其他预处理方法, 其RMSECV和RMSEP值都减小, Rc和Rp值都增大。 脂肪定量分析中, 原始光谱模型的RMSECV和Rc为0.21和0.87, RMSEP和Rp为0.20和0.88, 变量数（Vn）为1 501； 经MCUVE方法选择变量后建立的定量模型, 其RMSECV和Rc为0.17和0.92, RMSEP和Rp为0.19和0.89, Vn为400个； 经VCPA选择变量建立PLS定量模型, 其RMSECV和Rc为0.21和0.87, RMSEP和Rp为0.25和0.81, Vn为12； 经iVISSA选择变量后的模型, 其RMSECV和Rc为0.21和0.86, RMSEP和Rp为0.20和0.87, Vn为20。 粗纤维定量分析中, 原始模型的RMSECV和Rc为0.28和0.91, RMSEP和Rp为0.25和0.95, Vn为1 501； 经MCUVE选择后的模型, 其RMSECV和Rc为0.23和0.95, RMSEP和Rp为0.23和0.94, Vn为740； 经VCPA选择变量后的模型, 其RMSECV和Rc为0.27和0.91, RMSEP和Rp为0.30和0.91, Vn为11； 经iVISSA选择后变量的模型, 其RMSECV和Rc为0.29和0.90, RMSEP和Rp为0.27和0.93, Vn为20。 结果表明, MSC方法可以有效提高光谱质量, 消除光谱平移误差； MCUVE变量选择方法可以简化模型提高模型精度和稳定性, 建立最优模型。 在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量, Rc和Rp相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19； 经VCPA和iVISSA选择变量的模型其结果与全谱模型相似, 但其变量分别只有12和20个。 在粗纤维模型中, 经MCUVE选择后740个变量用于建立PLS模型, 其Rc和Rp为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23； VCPA和iVISSA分别运用11和12个变量建立回归模型, 但结果都比MCUVE模型差。 利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。

近红外光谱技术是一种通过分析样本的特征光谱数据, 实现定性或定量分析的无损检测方法, 特征数据的完整性和代表性决定了所建模型的性能, 而现有分析方法只能实现光谱子区间特征筛选, 导致分析模型稳定性差、 且难以再优化。 为实现近红外光谱区间高维数特征提取, 有效提高近红外光谱定性分析模型的精度和稳定性, 提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法, 并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究, 讨论了该方法对于高维光谱特征筛选的有效性、 分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。 通过调研发现, 云南产鲜松茸因其独特外形易于分辨, 而片状的干松茸失去其独有的外形特征, 导致国内干松茸掺假事件屡禁不止。 选取云南产松茸、 杏鲍菇、 老人头、 姬松茸四种干样共166样本数据进行分析, 采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据, 剔除异常数据后采用标准正态变换对光谱数据进行预处理。 在此基础上, 利用LASSO筛选出全光谱区间的特征变量, 再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法, 构建松茸真伪甄别模型和食用菌分类模型, 对两种模型进行盲样测试, 并分析了LASSO与PCA算法的不同点, 最后使用蒙特卡罗方法检测两种模型的稳定性。 实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法, 其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN), 食用菌分类模型准确率为67.39% (BP)和65.22% (KNN), 基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN), 食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN), 对两种模型进行10次蒙特卡罗实验, 其结果平均值分别为99.93%和97.22%, 由此可知, 与PCA等数据降维算法相比, LASSO可实现全光谱区间的光谱特征选择和数据降维, 有效地提高了近红外定性分析模型的预测性能, 为近红外分析提供了一种新的特征筛选方法。

用近红外光谱法实现嫩, 中, 老三种炼蜜含水量的快速测定及不同炼制程度蜂蜜的快速分级。 过程化控制是中药质量稳定的关键因素, 但由于检测手段的滞后而无法实现, 因而影响中药质量。 蜜丸是具广阔应用市场的剂型; 炼蜜工艺是影响蜜丸质量的关键工序; 在炼蜜过程中, 蜂蜜从嫩蜜炼制到中蜜仅需几至几十秒, 变化迅速, 传统检测手段不能对蜂蜜炼制过程进行实时监测, 进而无法保证炼蜜质量的均一性。 力求采用近红外光谱法(NIRS)对炼蜜过程进行实时检测, 准确控制嫩蜜、 中蜜的炼制程度, 并对其含水量进行定量测定。 实验通过Rudolph折光仪测定不同炼蜜的含水量, 并快速测定样品的近红外光谱, 结合偏最小二乘法(PLS)建立并优化88批炼蜜水分的定量模型, 利用校正模型决定系数(R2)、 校正模型均方根误差(RMSEE); 内部交叉验证决定系数(R2), 内部交叉验证均方根误差(RMSECV); 预测模型的相关系数(r)、 预测均方根误差(RMSEP)对校正模型进行评价, 其中RMSECV主要用来筛选建立模型的最佳主成分数, RMSEE和RMSEP分别对所建立校正集和验证集进行误差分析。 同时采用鉴别分析法建立定性模型用来区分炼蜜等级。 经不断优化, 图谱经矢量归一化法(SNV)预处理后, 在7 201.2~5 446.2 cm-1波段内选取9个主成分建立水分模型。 建立的最佳模型中, 校正集R2, RMSEE分别为99.43, 0.299, 内部交叉验证R2, RMSECV分别为99.05, 0.348; 预测集R2, RMSEP分别为98.19, 0.347; 定量模型显示, NIRS可快速、 准确、 无损的对炼蜜含水量进行测定。 同时按照含水量测定结果对炼蜜嫩、 中、 老3个等级进行划分, 进而采用鉴别分析法对炼蜜进行定性分析, 结果显示嫩、 中、 老3种炼蜜有明显的聚类现象, 表明因子化法是鉴别炼蜜程度的一种有效方法; 综上所述, NIRS可望实现对炼蜜过程实时监测, 准确控制嫩蜜, 中蜜的炼蜜程度并对炼蜜含水量进行快速实时定量测定, 为不同炼蜜等级划分提供参考, 保证炼蜜质量的均一性, 最终保证蜜丸质量的稳定性。

三文鱼肉质鲜美、 营养丰富, 尽管价格昂贵, 却深受广大消费者喜爱, 2017年我国三文鱼进口额达3.5亿美元。 近年来不法商贩为追求高额利润导致三文鱼消费市场“以假乱真”、 “以次充好”的问题日益突出, 主要表现为： (1)以价格低廉、 外观相似的淡水虹鳟、 大马哈鱼、 太平洋鲑鱼等冒充价格高、 消费者认可度高的挪威三文鱼; (2)将低成本、 低品质的冰冻三文鱼(-18 ℃储运、 保质期长、 组织结构被冰晶破坏、 口感风味破坏严重)化冻后冒充高成本、 高品质的冰鲜三文鱼(0～4 ℃储运、 保质期短、 无冰晶产生、 口感风味最大限度保持); (3)将次新鲜的三文鱼冒充新鲜三文鱼。 针对三文鱼品质感官检测误差大、 理化检测耗时费力的不足, 拟研究一种基于近红外光谱(NIRs)特征的真品/伪品三文鱼、 冰鲜/冻融三文鱼、 新鲜/次新鲜三文鱼快速鉴别方法。 首先采集真品(挪威三文鱼)/伪品(淡水虹鳟、 大马哈鱼和太平洋鲑鱼)三文鱼、 冰鲜(冰鲜1, 3和5 d)/冻融(冰冻15, 30和45 d并化冻)三文鱼和新鲜/次新鲜(冰鲜保藏0, 2, 4, 6和8 d)三文鱼样品的NIRs信息, 并将不同储藏天数的冰鲜三文鱼以国标法测定其TVB-N含量。 原始光谱经标准正态变量变换(SNV)等方法预处理后, 分别使用主成分分析(PCA)和遗传算法(GA)进行光谱数据降维及特征波长筛选。 最后, 结合K-最近邻法(KNN)和最小二乘支持向量机(LS-SVM)对真品/伪品三文鱼和冰鲜/冻融三文鱼构建识别模型; 结合联合区间偏最小二乘法(Si-PLS)对新鲜/次新鲜三文鱼构建TVB-N预测模型。 建模结果表明： 真品/伪品三文鱼LS-SVM定性识别模型对应的测试集识别率达97.50%, 冰鲜/冻融三文鱼LS-SVM定性识别模型对应的测试集识别率达98.89%; TVB-N对应的Si-PLS定量检测模型的预测集相关系数为0.864 1, 基于TVB-N预测值建立的三文鱼新鲜度定性鉴别模型对应的测试集准确率为90.00%。 研究结果表明, 利用近红外光谱特征结合化学计量学方法能够快速、 无损检测真品/伪品三文鱼、 冰鲜/冻融三文鱼和新鲜/次新鲜三文鱼, 实现三文鱼品质多指标快速检测。

虉草（Phalaris arundinacea L.）为多年生冷季型禾本科高产牧草, 粗蛋白（CP）是评价饲草品质的关键指标, 但目前的化学分析方法存在诸多缺点, 寻求高效、 快速、 准确、 安全的虉草CP测定方法是现代草地畜牧业发展和草原生态恢复急需解决的实际问题。 本研究旨在利用近红外光谱（NIRS）建立虉草CP的定量分析模型, 为快速测定虉草CP提供有效方法。 试验采集不同品种（品系）、 生育期、 栽培条件、 干燥方式、 生长年限、 部位以及刈割次数的虉草样品454份, 采用瑞士Buchi公司的傅里叶近红外光谱仪和Operator软件采集原始光谱, 应用K-S算法剔除具有相似光谱的样品, 筛选出210份用于建模和模型评价。 通过凯氏定氮法测定210份样品的粗蛋白含量并在Management console软件中对光谱进行赋值, 再采用软件NIRcal 5.4按照6∶3的比例将样品随机分为校正集和验证集, 并剔除异常样品, 运用不同的光谱预处理、 回归算法、 建模波段和主成分数建立8个虉草CP含量的近红外定量分析模型, 通过外部验证表明8个模型均可以进行实际测定。 最后比较不同的统计学参数获取最佳模型。 结果表明, 采用4 000~10 000 cm-1的建模光谱波段、 sa3+ncl+db1（3点平滑+趋近归一化+一阶导数处理）的预处理方法、 8/1-4的初/次级主成分数和偏最小二乘法（PLS）所建的模型为最佳模型, 其校正决定系数（R2cal）为0.982 1, 验证决定系数（R2val）为0.980 2, 均大于0.98, 表明预测性能优秀; 校正标准差（SEC）和验证标准差（SEP）分别为0.780 2和0.783 2, 均较小且非常接近, 表明模型的分析精度很高并具有很好的适应性; 残差（BIAS）为-0.000 5, 接近于0, 说明模型的稳定性很高, 对外界因素不敏感; 预测相关系数（r）为0.99, 可见样品化学值与定标模型预测值的相关度极高; 相对分析误差（RPD）为7.37, RPD>4.0表明模型能够很好地进行定量分析。 综上, 该试验在国内首次建立了虉草CP近红外定量分析模型, 该模型样品来源多、 数量大、 分布范围广, 预测精度和准确度高, 适用范围大, 为快速测定虉草粗蛋白提供了有效方法, 在虉草品质分析、 育种、 家畜日粮配置以及草产品评价流通等方面具有应用前景。

桉树育种和遗传分析是开展桉树世代改良及其目标性状改良等研究的前提。 而常用的遗传基础研究方法专业性要求高, 且费时费力。 该研究旨在利用近红外光谱（NIRs）分析NIRs信息与桉树遗传信息间的关系, 并探索NIRs信息用于桉树杂交种判别分析的可行性和准确性。 以现有的桉树杂交种测试试验及其亲本材料为对象, 用手持式近红外仪Phazir Rx（1624）采集了7个桉树杂交种及其4个亲本树种叶片的NIRs信息。 每个树种选择10个单株, 每个单株选10片当年生健康叶片, 扫描其正面叶脉中部两侧光谱各5次, 以均值代表单个叶片的NIRs信息。 每种基因型总共各获得100条NIRs信息, 其中70条构成训练集样本, 30条构成验证集样本。 原始NIRs信息采用S.G二阶导数转换预处理, 以消除基线及其他因素对光谱信息的影响, 增强特征峰信息。 经预处理后的NIRs信息用于后续分析, 首先通过主成分分析（PCA）的因子得分对树种的分类判断NIRs信息与测试树种遗传信息间的关系。 在此基础上, 分别用簇类独立软模式（SIMCA）和偏最小二乘判别分析（PLS-DA）两种判别模式建立桉树杂交种的NIRs判别模型。 经预处理后的NIRs信息的变异系数曲线显示, 在波长2 000 nm后, 各树种的NIRs信息存在丰富的特征峰, 且特征峰的分布范围存在较大的差异。 PCA结果显示, 不同的亲本间、 杂交种间及杂交种与亲本间样本的PC1和PC2得分可以清晰地将各树种进行分类, 这在很大程度上表明NIRs信息可以正确反映桉树不同基因型的遗传信息。 NIRs模型的判别效果显示, 少数遗传关系比较接近的杂交组合的SIMCA模式相互判别准确率较低, 而多数杂交组合间的SIMCA判别准确率则在73%～100%之间; 桉树各杂交组合间的单独和综合模型的PLS-DA判别准确率均为100%, 且基于PLS-DA判别的综合模型能将7个杂交组合一一与其他组合正确区分开, 判别效果明显优于SIMCA模式。 结果表明: NIRs信息可以正确反映桉树不同基因型的遗传信息, NIRs判别模型可以比较准确地将各树种进行区分, 因此, NIRs信息可用于桉树杂交种和纯种的田间定性判别, 从而辅助桉树育种材料遗传基础的研究。

预处理是提高玉米秸秆生物转化利用效率的有效途径。 玉米秸秆经生物炼制转化为生物燃料时, 转化率与其原料内的纤维素和半纤维素含量直接相关。 为了实现对预处理后玉米秸秆的生物炼制过程的有效调控, 提出使用近红外光谱(NIRS)对玉米秸秆的纤维素和半纤维素含量进行快速检测, 解决传统化学方法测试速度慢、 成本高的问题。 为了提高NIRS检测的效率和精度, 将遗传算法与模拟退火算法相结合构建遗传模拟退火算法(GSA)用于预处理后玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。 GSA算法以NIRS波长点数为码长进行二进制编码, 以偏最小二乘法(PLS)回归模型的交叉验证均方根误差为目标函数, 结合温度参数设计适应度函数, 基于Metropolis判别准则实现扰动解的选择复制, 能够在避免早熟的同时有效提高进化后期的搜索效率。 采用碱预处理、 生物预处理及其相结合的方法对采集的玉米秸秆进行预处理后制备样品120个, 并测定其纤维素和半纤维素含量及NIRS。 使用7点Savitzky-Golay平滑结合多元散射校正和标准正则变换对光谱进行预处理后, 利用Kennard-Stone法按3∶1比例划分校正集和验证集。 然后, 使用GSA算法对NIRS全谱进行特征波长优选(记为Full-GSA)、 对协同区间偏最小二乘法(SiPLS)优选后谱区进行特征波长优选(记为SiPLS-GSA)、 对反向区间偏最小二乘法(BiPLS)优选后谱区进行特征波长优选(记为BiPLS-GSA), 并使用PLS回归模型和验证集对特征波长优选结果进行评测。 Full-GSA以全谱1 557个波长点为基因, 执行16次算法, 优选出118个纤维素特征波长点和164个半纤维素特征波长点。 SiPLS-GSA经SiPLS优选的纤维素和半纤维素谱区波长点数分别为388个和160个, 再经GSA进一步优选后得到157个纤维素特征波长点和148个半纤维素特征波长点。 BiPLS-GSA经BiPLS优选的纤维素和半纤维素谱区波长点数分别为358个和180个, 再经GSA进一步优选后得到130个纤维素特征波长点和153个半纤维素特征波长点。 结果表明, 通过波长优选, 不仅参与建模的波长点数量显著减少, 而且回归模型的性能显著优于全谱建模。 其中, 采用Full-GSA优选的纤维素特征光谱回归性能最佳, 采用SiPLS-GSA优选的半纤维素特征光谱回归性能最佳。 回归模型验证集的平均相对误差(MRE)分别为1.752 4%和2.020 8%, 较全谱建模分别降低了13.636 6%和25.368 4%。 基于结合温度参数设计适应度函数的策略构建的GSA具有良好的全局搜索性能, 适用于玉米秸秆纤维素和半纤维素含量NIRS特征波长优选。 GSA以全谱每个波长点为染色体基因的编码方案适用于NIRS全谱的特征波长优选。 GSA同样适用于SiPLS和BiPLS优选后谱区的特征波长优选, 能够有效实现优选后谱区的波长点优选。