煤与矸石分选是煤矿生产的必要工序, 现有的人工分选与机械分选, 存在效率低, 易造成资源浪费以及环境污染等问题。 鉴于可见/近红外高光谱成像具有分析速度快、 样品无需预处理、 无污染等诸多优势, 旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性, 并基于特征波长筛选算法简化模型, 为构建多光谱煤与矸石分选系统提供理论参考。 首先, 搭建高光谱成像系统并采集山西西铭矿的85个煤样本与83个矸石样本在400~1 000 nm(Vis/NIR)与1 000~2 500 nm(NIR)两个范围内的高光谱图像, 基于图像处理方法去除背景信息, 选取Vis/NIR范围内100×100像素和NIR范围内50×50像素区域内的平均光谱作为该样本在对应波段范围的一条光谱, 重复10次, 最终在两个波段各获得煤与矸石光谱850条和830条。 其次, 对光谱先后进行Savitzky-Golay卷积平滑和标准正态变量变换, 以减少噪音和误差对光谱的影响。 基于全波段光谱建立支持向量机(SVM), k近邻法(KNN), 偏最小二乘判别分析(PLS-DA)三种模型, 每个模型针对预测集的分类准确度均大于0.95, 结果表明, 基于煤和矸石的光谱信息可将二者区分。 随后根据竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择的特征波长建立简化模型, 综合考虑精度与成本等因素, 在Vis/NIR范围内基于SPA筛选的3个特征波长所建立的SVM模型效果最好, 不仅能有效减少波长数量, 还能提高模型的分类效果, 对应的灵敏度, 特异度, 准确度分别为1, 0.965 2, 0.983 3。 基于判别模型与样本的平均光谱还可实现煤和矸石的分类可视化。 研究结果对开发基于特征波长的低成本煤和矸石多光谱分选系统, 实现煤矸快速、 准确的无损检测具有借鉴意义。

煤矸智能识别是实现综放开采智能化亟待研发的新技术; 可见-近红外光谱技术具有环保、 实时等优势, 满足煤矸智能分选的要求。 为解决基于可见-近红外光谱的煤矸识别问题, 引入在数据科学竞赛中表现出色的极端梯度提升树(XGBoost)算法。 搭建可见-近红外光谱实验平台采集来自山西西铭、 陕西神木、 内蒙古巴隆图煤矿的块状煤与矸石样品在370~1 049 nm波段的反射光谱; 利用黑白校正、 始末波段去除、 SG卷积平滑和标准正态变量变换(SNV)对采集的原始光谱进行预处理, 以减少光照不均、 噪声以及光程差的影响。 依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组, 实验组差异微小, 用于对比不同模型的性能, 挑选最佳算法; 测试组差异较明显, 用于测试最佳算法在其他煤矿下的表现, 检验算法对不同煤矿的适用性。 在实验组的实验中, 首先基于XGBoost算法建立煤与矸石分类模型, 并引入常用的机器学习分类算法k近邻法(KNN)、 随机森林(RF)、 支持向量机(SVM)做对比, 结果表明XGBoost的表现最佳, 十折交叉验证的平均准确度(ACC₁₀)、 分类准确度(ACC)与AUC值分别达到0.957 2, 0.970 5与0.971 6, 体现出较强的稳定性与分类能力。 其次为降低数据维度减少模型运算量, 使用递归特征选择(RFE)、 连续投影算法(SPA)与竞争性自适应重加权算法(CARS)分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型, 经测试RFE与XGBoost组合的简化模型表现最佳, ACC₁₀, ACC与AUC值分别为0.965 7, 0.980 3与0.980 3且数据维度降至9, 在降低数据维度的同时提高了模型的稳定性与分类能力。 在测试组的实验中, 基于优选出的XGBoost与RFE-XGB算法建立的模型, 同样可以实现对其他矿区煤与矸石稳定精确地识别, 且简化模型表现更好, 与实验组结果一致。

果蔬在收获、 运输、 贮藏、 分拣、 包装和销售过程中均会遭受不同程度的挤压、 碰撞或摩擦, 从而造成果蔬损伤, 如挤伤、 开裂、 擦伤等外部损伤, 同时, 在生长过程中会产生黑心、 水心、 褐腐、 霉心等内部损伤。 果蔬损伤初期特征不明显, 外观与正常果实基本无异, 然而随着时间的推移, 损伤组织恶化扩散, 最终导致整个果实腐烂变质, 又进而接触感染其他果实, 造成周边甚至整箱果蔬病变, 对果蔬产业造成巨大的经济损失。 果蔬采后损伤检测方法多种多样, 其中人工检测最为简单常用, 但是该方法不仅耗时耗力, 容易造成错判和漏判现象, 而且无法实现肉眼不可见的皮下或内部损伤检测。 近年来, 随着计算机技术的快速发展, 越来越多的无损检测技术被广泛应用于果蔬损伤检测, 其中最为常用的当属光谱和成像技术。 光谱成像技术通常结合图像处理、 光谱分析、 化学计量学方法、 统计分析等手段, 利用损伤果蔬和正常果蔬的图谱信号差异实现损伤检测, 具有无损、 快速等优点, 能解决人工检测耗时耗力且准确率低的问题。 在此主要概述了8种光谱及成像技术(近红外光谱、 拉曼光谱、 荧光光谱、 高光谱成像、 空间频域成像、 核磁成像、 X射线成像和热成像)在果蔬损伤检测的最新研究进展, 包括检测原理及其技术特点, 总结分析了各技术在果蔬损伤检测方面的应用情况, 并展望未来发展趋势, 以期为果蔬损伤无损检测提供借鉴与参考。

随着人民生活水平的提高, 中草药的保健功能越来越得到大家的重视, 铁皮石斛是我国名贵中药材, 素有“救命仙草”之称。 尝试用叶绿素、 糖度和pH值作为铁皮石斛的品质指标, 选择安徽霍山、 浙江雁荡山和云南3个不同产地的铁皮石斛作为研究对象, 提取不同铁皮石斛的光谱数据和理化参数, 然后进行各品质指标的反演, 最终建立品质指标与光谱之间的相关模型, 并对模型的有效性进行分析。 实验中的研究对象是铁皮石斛的茎, 用ASD光谱仪得到三种铁皮石斛茎的光谱数据, 再把同一批样本研磨碎, 放入离心管中加入甲醇溶液密封, 并用锡箔纸包装处理制成相应的溶液, 采用分光光度计、 糖度计和pH计测量叶绿素含量、 糖度和pH值, 每个样本分别选取离心试管中的上层, 中层, 下层溶液检测糖度, 测量3次并取平均值, 以此结果作为对照组。 原始光谱数据通过小波变换去除噪声和降维, 将得到的能量系数(包括波段与尺度), 与铁皮石斛对照组的理化参数进行相关性分析, 选取决定系数中较高的能量系数作为小波特征, 用最小化二乘法对小波特征拟合。 用全部实验样本作为测试集, 随机选取70%作为验证集, 对于浙江雁荡山、 安徽霍山和云南三种不同品种铁皮石斛: 叶绿素含量反演模型的决定系数(R²)分别为0.819, 0.820和0.865, 均方根误差(RMSE)分别为为0.035, 0.013和0.017; 糖度反演模型的决定系数(R²)分别为0.756, 0.764和0.823, 均方根误差(RMSE)分别为0.025, 0.030和0.0368; pH值的反演模型决定系数(R²)分别为0.819, 0.820和0.865, 均方根误差(RMSE)分别为0.0345, 0.013和0.017。 从中可以发现, 三种不同铁皮石斛的品质反演模型和决定系数(R²)均大于0.80, 均方根误差(RMSE)小于0.10。 实验证明了铁皮石斛中叶绿素、 糖度和pH值的光谱特性对其进行品质评估的可行性。

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置, 并用于水果糖度的现场实时分析。 硬件系统主要包括微型光谱仪、 卤素灯、 OLED显示屏、 单片机及驱动电路等。 采用Keil 5开发工具, 用C语言开发单片机程序。 配合上位机以LabView编写的光谱采集程序, 实现光谱信息的采集。 以苹果和大桃作为检测对象, 对装置的检测精度和模型在2台装置(主机、 从机)间的传递效果进行了探讨。 在实验室和果园环境下, 分别获取了苹果、 大桃样本在600~950 nm范围的可见-近红外光谱。 对实验室条件下采集的主机校正集光谱进行分析, 经过平滑、 最大值归一化、 二阶导数等预处理后, 利用偏最小二乘算法分别建立了苹果、 大桃的糖度检测模型。 模型导入主机装置后, 对预测集样本进行检验。 对苹果、 大桃的预测集相关系数和预测均方根误差分别为0.925, 0.587%和0.821, 0.613%。 采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。 对比后发现, 基于典型相关分析算法取得了更好的模型传递结果。 从机对苹果、 大桃糖度的预测集相关系数和预测均方根误差分别为0.883, 0.641%和0.805, 0.626%。 将实验室条件下建立的模型用于树上采集到的水果光谱数据分析, 得到预测集相关系数和预测均方根误差分别为0.866, 0.741%和0.816, 0.627%。 整体检测结果表明, 该装置可以满足对苹果、 大桃糖度的有效检测, 借助模型传递算法, 实现了模型在不同装置间的共享和有效传递, 且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测, 该装置具有较大的经济价值和应用前景。

猕猴桃可溶性固形物含量（SSC）和硬度是评价其品质的关键参数，同时也是判别其成熟度的重要指标。为探究基于光纤光谱技术预测猕猴桃SSC、硬度和成熟度的可行性并寻求最佳预测模型。首先，采用光纤光谱（200~1 000 nm）采集系统获取不同成熟期“贵长”猕猴桃的反射光谱，并测定SSC和硬度的参考值。接着，基于全光谱和参考值构建偏最小二乘回归（PLSR）和主成分回归（PCR）预测模型。然后，应用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）选取特征波长，构建简化的多元线性回归（MLR）和误差反向传播（BP）网络预测模型。最后，通过偏最小二乘判别分析（PLS-DA）和简化的K近邻（SKNN）算法，构建预测猕猴桃成熟度检测模型。结果表明：CARS-BP模型对SSC的预测性能最优，其预测集决定系数RP2=0.90，预测集均方根误差（RMSEP）和剩余预测偏差（RPD）分别为0.64和3.22；CARS-MLR对硬度的预测性能相对最优，其RP2=0.83，RMSEP和RPD分别为1.67和2.47；PLS-DA模型对猕猴桃成熟度的检测性能最优，其正确识别率高达100%。该研究为水果品质和成熟度的无损检测提供重要指导。