产地是影响农作物生产的重要环境因素, 产地溯源对于食品安全具有重要意义。 针对传统农产品产地检测一般采用化学分析法, 其操作繁琐且存在破坏性和耗时较长等不足的问题, 以北方寒地绿豆为研究对象, 分别在白城、 杜蒙、 泰来等优质绿豆主产区, 获取绿豆的籽粒和粉末两种状态的近红外光谱数据（NIR）, 利用优选NIR光谱特征波数, 建立了绿豆产地无损检测的新方法。 首先在吸光度值较强的10 105.37~4 078.655 cm-1波数范围内, 采用多元散射校正法（MSC）, 对不同产地的绿豆原始光谱数据进行预处理, 以消除光谱干扰信息。 应用竞争性自适应重加权采样算法（CARS）, 优选不同产地绿豆籽粒和粉末状态的光谱特征波数, 以减少光谱曲线的特征向量维度。 最后利用前馈神经网络（BP）自适应推理机制, 建立了绿豆产地与其光谱特征波数之间非线性映射模型, 并将网络输出的编码向量解析至产地名称, 作为绿豆产地检测的输出结果。 研究结果表明: （1）原始光谱经过多元散射校正预处理后, 绿豆粉末光谱曲线的误差从12.87降到3.20, 绿豆籽粒光谱曲线的误差从153.04降到27.73, 提供有效可靠的光谱数据。 （2）通过竞争性自适应重加权采样算法, 提取绿豆光谱曲线的重要特征波数, 从籽粒和粉末状态原始2 114个波数中, 分别优化为61个和107个特征波数, 波段总数目减少了94.94%以上, 并将其作为绿豆产地识别的特征指标。 （3）创新性提出了MSC-CARS-BP绿豆产地检测模型, 以优选出的光谱特征波数为定量依据, 分别对绿豆籽粒和粉末进行产地检测, 预测集准确率为92.59%和98.63%, 相关系数均达到0.99以上。 该方法能够利用近红外光谱处理技术, 实现绿豆产地无损检测的目标, 为农产品产地自动快速溯源提供了技术支持和参考。

葡萄酒市场的迅猛发展, 大量的中国优质葡萄酒也一直受假冒葡萄酒的侵害。 假冒劣质葡萄酒的存在不仅影响中国优质葡萄酒的品牌, 也会对人体产生一定的伤害。 葡萄酒中掺水掺伪是制造假酒的最常见的手段, 因此, 对葡萄酒掺水掺伪的检测方法的研究也越来越受到国内外学者的重视。 相比于传统的感官鉴定法、 理化指标分析检验方法, 具有快速、 高效、 无需破坏样本、 非接触性等独特优势的可见-近红外光谱分析技术, 更加适合于葡萄酒品质的快速检测。 为了快速、 准确的检测葡萄酒掺水问题, 基于可见-近红外光谱构建了一种反映葡萄酒掺水程度的光谱吸收深度指数(DI), 并设计构建了基于DI指数的葡萄酒掺水量的反演估算模型。 首先采用长城解百纳葡萄酒(CC)、 张裕解百纳葡萄酒(ZY)和西奥葡萄酒(XA)三种葡萄酒配制葡萄酒样本, 分别提取相同量的葡萄酒作为实验对象, 掺入比例为0%(未掺水的纯葡萄酒), 4%, 7.7%, 11.1%, 14.3%, 17.2%的蒸馏水, 获取样本共18份; 另外对长城葡萄酒加大掺水比例, 分别掺入比例为0%, 20%, 40%, 60%, 80%, 90%的蒸馏水, 获取样本数为6份, 共获得24份掺有不同比例蒸馏水的葡萄酒样本。 然后利用PSR-3500便携式地物光谱仪采集葡萄酒样本光谱数据, 并对葡萄酒样本的原始光谱数据进行S-G滤波、 特征波段选择、 包络线去除等特征增强预处理; 通过分析预处理后的葡萄酒样本的可见-近红外光谱特征, 选取能反映葡萄酒掺水程度的837 nm处稳定的吸收特性, 构建了葡萄酒掺水的光谱吸收深度指数(DI)。 为了提高光谱吸收深度指数DI的稳健性, DI指数中光谱反射率的值均采用837 nm附近微小邻域均值进行计算。 最后采用二次多项式拟合方法, 给出了基于DI指数的葡萄酒掺水量的反演估算模型。 选用长城解百纳葡萄酒在837 nm处微小邻域内光谱吸收深度指数DI值, 同时选择长城葡萄酒样本中的七个样本作为模型预测集, 另外4个样本作为测试集, 对该葡萄酒掺水量的反演估算模型进行验证分析。 实验结果表明, 采用二次多项式拟合方法, 该模型结果的精度R平方高达0.999 2, 且该模型的估算值与真实值的平均相对误差为0.042 5, 表明了基于DI指数所构建的反演估算模型不仅可以判定待鉴别葡萄酒是否掺水并且可以定量分析葡萄酒的掺水量。 光谱吸收深度指数DI构建简单, 且能够反映不同品牌的葡萄酒的掺水稀释程度。 研究结果可为低成本、 手持式简易的葡萄酒光谱检测设备的设计与研发提供科学依据, 进一步促进可见-近红外光谱分析在葡萄酒品质无损检测及相关领域的应用推广。

基于稻种老化时间不同时的物理学和生理学差异, 提出一种基于红外热成像技术及广义回归神经网络的快速、 无损检测稻种发芽率的检测方法, 解决传统稻种发芽率检测方法操作复杂、 实验周期长等问题。 在温度为45 ℃、 湿度为90%的条件下, 将水稻种子依次老化0, 1, 2, 3, 4, 5, 6和7 d, 得到不同发芽率的种子; 采集稻种红外热图像, 然后提取稻种胚芽部位数据, 总计144份, 随机分为校正集和预测集, 其中校正集96份, 预测集48份; 分析和比较不同老化天数稻种红外热差异, 从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系, 结合偏最小二乘算法（partial least squares, PLS）、 BP（back propagation, BP）人工神经网络和广义回归神经网络(general regression neural network, GRNN), 建立稻种发芽率的红外热模型。 结果表明, 利用GRNN建立的发芽率预测模型效果最优, 其中校正集的RC（相关系数）和SEC（标准偏差）分别为0.932 0和2.056 0, 预测集RP（相关系数）和SEP（标准偏差）分别为0.900 3和4.101 2, 相关性均达到较高水平且校正集与预测集的标准偏差均较小。 实验结果表明, 采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的, 且所建模型在稻种发芽率快速测定方面有较高的精度。

为了检测标识不清的弹体内的装药成分是否含有化学战剂，建立了一套基于伴随α粒子技术的快中子化学战剂无损检测系统。系统的主要部分包括D-T中子源、α粒子探测器、γ探测器及其屏蔽体以及相应的电子学处理系统等。利用该系统对沙林、VX、芥子气和亚当氏剂四种具有代表性的化学战剂进行测量，获得了四种化学战剂的14 MeV中子诱发的特征γ谱。谱分析的结果表明，除了As元素外，P，F，S，Cl元素的特征γ峰清晰可见，说明采用这种方法可以实现化学战剂的无损检测。

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息, 选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。 对比了多元散射信号修正和标准正则变换校正方法, 原始光谱、 一阶微分、 二阶微分光谱预处理方法对建模精度的影响; 采用偏最小二乘法、 逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。 结果表明, 对原始光谱经过MSC和一阶微分光谱处理后, 采用PLS和SMLR方法均可取得很好的建模效果, 应用PLS法检测带皮哈密瓜糖度是可行的, 其校正集相关系数（Rc）为0.861, RMSEC为0.627, 预测集相关系数（Rp）为0.706, RMSEP为0.873; 应用SMLR法检测去皮哈密瓜糖度效果最佳, 校正集相关系数(Rc)为0.928, RMSEC为0.458, 预测集相关系数(Rp)为0.818, RMSEP为0.727。 研究表明, 应用高光谱成像技术检测哈密瓜糖度具有可行性。