为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

牙周炎是牙齿周围软硬组织的一种感染性、 破坏性疾病, 主要临床表现为牙周袋的形成, 临床附着丧失以及牙槽骨吸收。 可见近红外光谱技术具有无创、 快速检测等优势, 在医学领域得到了较为广泛的应用。 利用可见近红外光谱技术检测重度牙周炎牙龈组织内含氧血红蛋白和脱氧血红蛋白含量。 本研究纳入5名健康对照者和5名重度牙周炎患者, 采集健康者20个位点和重度牙周炎20个位点龈缘、 龈缘下4 mm及龈缘下7 mm的牙龈组织光谱（400～1 700 nm）, 研究发现含氧血红蛋白与脱氧血红蛋白分别在544和576 nm处表现出明显光谱吸收特征。 对原始光谱数据进行包络线去除分析, 并计算含氧血红蛋白和脱氧血红蛋白的相对吸收深度。 结果表明重度牙周炎牙周袋内的含氧血红蛋白和脱氧血红蛋白含量均显著高于健康组（p<0.05）, 而重度牙周炎深牙周袋内不同深度位置其含氧血红蛋白和脱氧血红蛋白含量无统计学差异。 研究结果可反映重度牙周炎与健康牙龈组织中血氧含量差异, 为可见近红外光谱技术应用于牙周炎患者牙龈组织中含氧血红蛋白和脱氧血红蛋白含量的无创检测提供科学依据。

甘蔗的纤维分是甘蔗选育过程和制糖、 造纸等行业生产中不可忽视的因素, 采用透射形式的可见-近红外光谱法对活体甘蔗纤维分进行无损检测具有重要意义。 采集了6个品种不同生长阶段的123个甘蔗蔗茎样本, 将其按2∶1的比例采用Duplex样本集划分方法分为校正集（82个样本）和预测集（41个样本）。 以120°的测量夹角获取了蔗茎在去除蜡质前后两种不同状态下的透射光谱, 并选取噪声较小且幅值变化明显的670～950 nm波段作为实际建模波段。 观察波形发现, 去除蜡质后蔗茎的透光率显著增高, 且建立偏最小二乘（PLS）回归模型分析了蜡质对于模型预测能力的影响, 去蜡后的蔗茎样本建模效果更为良好。 将一阶微分（FD）、 连续小波变换（CWT）、 标准正态变换（SNV）等9种预处理方法分为基线校正、 散射校正、 平滑处理、 尺度缩放四个步骤。 按各步骤的顺序进行排列组合产生108种预处理组合, 分别对处理得到的光谱数据进行PLS建模分析, 最终得到了综合建模效果最优的预处理方法FD+SG。 为筛选得到携带最有效信息的波长, 采取无信息变量消除法（UVE）、 遗传算法（GA）、 竞争性自适应重加权采样法（CARS）以及随机青蛙算法（RF）等有效变量提取算法对最优预处理后的透射光谱进行重要波长筛选。 分别对各算法提取出的重要波长进行PLS建模分析, 其中采用UVE方法提取出来的重要波长建模效果最好, 所选波长的数量为40个, 占全波段的14.3%。 预测集的决定系数（R2p）为0.73, 比相同预处理下的全波段PLS建模结果提升了14.1%, 预测集的均方根误差（RMSEP）为0.88%（%表示甘蔗纤维分的单位）, 比全波段建模结果下降了14.6%。 研究结果表明, 可见-近红外透射光谱能够对活体甘蔗纤维分进行有效预测, 此研究可为相应便携式传感器的开发提供理论依据, 为甘蔗育种、 各行业生产的节本增效提供技术支撑。

柑橘是我国第一大类水果, 氮素对于柑橘的生长发育至关重要, 实时、 无损地监测柑橘氮素营养状况, 对于氮素养分精准管理具有重要意义。 植株体内的氮素可以分为营养性氮素、 结构性氮素和功能性氮素, 不同形态氮素各组分在柑橘叶片中的含量对叶片生理生化反应有一定的指示作用, 其中, 功能性氮含量是指示柑橘氮营养状况的重要指标。 以“春见”橘橙为试验材料, 分别于果实膨大期和转色期, 利用可见-近红外光谱仪测定不同施氮处理的柑橘叶片反射光谱, 并用化学分析方法测定其叶片功能性氮含量。 分析了柑橘果实膨大期和转色期叶片原始光谱和一阶微分光谱与叶片功能性氮含量的相关关系, 筛选出敏感波段, 利用全波段和敏感波段, 结合光谱植被指数法、 光谱化学计量法和机器学习方法, 构建了柑橘果实膨大期和转色期叶片功能性氮含量的无损监测模型, 并对比分析多种光谱变换和光谱预处理方法对于模型精度的影响。 结果表明, 在柑橘果实膨大期, 对全波段原始光谱进行标准正态化变换预处理, 结合反向传播神经网络构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其建模集决定系数R2c和验证集决定系数R2v均为0.78, 建模集均方根误差RMSEC和验证集均方根误差RMSEV均为0.82 g·kg-1; 基于敏感波段原始光谱结合随机森林构建的模型精度也较高, 其R2c和RMSEC分别为0.84和0.67 g·kg-1, R2v和RMSEV分别为0.74和0.83 g·kg-1。 在柑橘果实转色期, 对全波段原始光谱进行标准正态化变换预处理, 结合BPNN构建的柑橘叶片功能性氮含量无损监测模型精度较高, 其R2c和RMSEC分别为0.77和1.04 g·kg-1, R2v和RMSEV分别为0.76和1.13 g·kg-1。 研究表明, 可以利用可见-近红外光谱技术, 实现对柑橘叶片功能性氮含量的无损监测。

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。

为了提高可见-近红外（Vis-NIR）光谱法检测水质pH值的精度和稳定性，基于连续投影算法（SPA）和粒子群优化-最小二乘支持向量机（PSO-LSSVM）建立了多元校正模型。采集60个不同pH值水溶液样品的Vis-NIR光谱数据，运用Savitzky-Golay卷积平滑和标准正态变量变换对原始光谱数据进行预处理。基于SPA筛选的特征波长和PSO算法自动优化LSSVM的建模参数，建立多元非线性校正模型。结果表明，相比于其他对比模型，SPA-PSO-LSSVM模型具有更高的精度与更优的稳定性，验证集的均误差方根为0.67、决定系数为0.91，剩余预测偏差为3.10。

目前,市场上90%～98%的天然无色钻石通常为Ia型(包括IaA、IaAB、IaB型),无色合成钻石主要为II型(包括IIa型、IIb型)。通过紫外荧光灯、宝石显微镜、傅里叶变换红外光谱(FTIR)、紫外-可见-近红外(UV-Vis-NIR)吸收光谱结合显微共焦激光拉曼光谱对天然钻石、高温高压(HTHP)法合成钻石和化学气相沉淀(CVD)法合成钻石进行光谱学特征研究, 并对拉曼光谱1335 cm-1谱峰进行洛伦兹拟合, 得到半高全宽值, 对半高全宽值进行单因素方差分析。结果表明: 天然钻石长波荧光强于短波, 合成钻石的短波荧光强于长波; 天然钻石内部可见云状物、浅色晶体包体、深色包体, HTHP合成钻石内部可见Fe、Ni金属触媒包体, CVD合成钻石内部可见点状包体, HTHP样品具有磁性; 红外吸收光谱显示, 天然钻石在1179 cm-1、1282 cm-1、1365 cm-1处有明显吸收峰, 属于IaAB型; 合成钻石在1332~1100 cm-1无明显氮相关吸收, 属于II型; UV-Vis-NIR光谱显示, 天然钻石存在415 nm(N3)吸收峰, 而合成钻石无此吸收峰; 天然钻石和合成钻石的拉曼位移一致, 半高全宽存在显著差异, 天然钻石的半高全宽均在6.0 cm-1以上, 合成钻石的半高全宽值均在6.0 cm-1以下, 可为鉴别天然钻石和合成钻石提供理论依据。

针对目前水性油墨印刷适性难以准确检测和控制的问题，提出一种基于可见/近红外光谱结合化学计量学方法，准确检测水性油墨助剂的类型和浓度。首先，采用微型光谱仪（波长范围380~980 nm）获取水性油墨样本中含有不同浓度的乙醇、调色红和调色黄助剂的光谱数据，通过主成分分析法提取可完全表征样本光谱信息的特征波段，减少冗余信息，实现助剂类型的准确鉴别。然后，通过比较和讨论6种不同预处理方法结合偏最小二乘法、间隔偏最小二乘法（iPLS）构建的各助剂浓度预测模型。实验结果表明，通过主成分分析法，在617~726 nm光谱波段的前两个主成分累积贡献率高达99.909%，可实现对水性油墨助剂类型的准确判别。同时，通过比较分析发现，经过一阶导数和高斯窗平滑预处理后，在380~500 nm范围内，基于iPLS构建的各助剂浓度的预测模型，均达到了较好的预测效果。其中，乙醇助剂预测模型的决定系数和均方根误差分别为0.9798、0.0223，调色黄助剂的决定系数和均方根误差分别为0.9870和0.0075，调色红助剂的预测结果决定系数和均方根误差分别为0.9948和0.0038。实验证明，最优预处理方法结合iPLS建立的预测模型最优，可以准确检测水性油墨助剂的类型和浓度，满足水性油墨在印刷生产过程中检测与控制的应用需要，为后期实现水性油墨在线智能检测提供了技术基础。

千禧番茄营养丰富且酸甜可口, 不同千禧番茄品种的风味和营养价值均有明显差异, 尤其是番茄红素、 柠檬酸、 维生素C和氨基酸含量的差异较大。 传统人工分类方式效率低、 主观性强、 误检率高等问题亟待解决。 为筛选综合营养价值高且风味佳的千禧番茄品种, 实现千禧番茄快速准确分类, 提出了基于千禧番茄光谱特征的分类模型构建及GWO优化SVM算法研究, 以期解决千禧番茄自动化分类问题。 以四个品种千禧番茄作为研究对象, 试验样本240个, 将其按2:1比例划分为训练集160个和测试集80个样本, 利用可见-近红外光谱采集系统获取350~1 000 nm范围内的千禧番茄反射强度, 经光谱校正得样本反射率; 为增强信噪比, 截取481.15~800.03 nm范围内的光谱波段作为有效波段。 由于数据采集过程受无关信息干扰影响建模效果, 故将平滑点数设置为3进行Savitzky-Golay(SG)平滑预处理。 预处理后采用连续投影算法(SPA)提取特征波长变量, 优选得到11个特征波长反射率作为输入矩阵X, 预设样本变量1, 2, 3和4作为输出矩阵Y, 利用支持向量机(SVM)建立SPA-SVM千禧番茄定性分类模型, 训练集和测试集平均分类准确率分别为59.38%和48.75%; 在此基础上, 引入灰狼优化算法(GWO)对训练集160个样本训练, 寻求SVM最优惩罚系数(c)和核函数参数(g), 根据模型训练结果对测试集80个样本预测, 建立SPA-GWO-SVM千禧番茄分类模型, 训练集和测试集平均分类准确率分别为100%和81.25%。 研究结果表明: 经灰狼算法优化后的支持向量机模型性能明显提高, 其中训练集和测试集平均分类准确率分别提高了40.62%和32.50%, 灰狼优化算法可用于提高支持向量机的分类性能, 实现对千禧番茄品种的分类。 本研究为千禧番茄及其他果蔬快速准确分类提供了新的思路和方法。