塑料因其可塑性与低成本在日常生活与工业中被广泛使用，然而这也带来环境污染与资源浪费等问题，因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性，采用近红外高光谱成像技术（NIR-HSI），比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM（PSO-SVM）、遗传算法优化的SVM（GA-SVM）等机器学习方法。通过验证数据筛选模型准确率后，将其应用于高光谱图像，通过可视化分类对比原始图像评估模型效果。结果显示，基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳，验证数据的精度分别达到96.14%、96.21%和98.67%，在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值，只需获取特定塑料的光谱数据并进行适当处理，即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。

我国晨昏轨道气象卫星风云三号E星（FY-3E）上搭载了红外高光谱大气探测仪II型（HIRAS-II），该仪器的高地理定位精度和辐射定标精度是其观测资料定量化应用的关键。采用交叉比对方法，基于同卫星平台搭载的中分辨率光谱成像仪-微光型（MERSI-LL），评估HIRAS-II的地理定位和辐射定标相对偏差。两台仪器的观测数据样本经空间匹配后，采用MERSI-LL数据评估匹配样本的观测背景均匀性，用海陆或云体边界的非均匀背景观测样本评估HIRAS-II的地理定位精度，用晴空海洋等场景的均匀背景观测样本评估HIRAS-II的辐射定标精度。在交叉比对前，将HIRAS-II观测辐射光谱与MERSI-LL各红外通道光谱响应函数积分得到MERSI-LL各红外通道的高光谱模拟观测数据。结果表明：星下点处HIRAS-II地理定位沿轨道方向偏离3.53 km，沿跨轨道方向偏离2.01 km；在辐射定标精度方面，HIRAS-II与MERSI-LL多数通道的辐射亮温（BT）偏差均值小于0.50 K，偏差标准差小于0.40 K，仅4.05 μm通道对低温目标的偏差较大，且该通道温度依赖明显；4.05 μm通道BT偏差随扫描角度呈现波动性变化，8.55 μm通道BT偏差随扫描角度变化不明显，其他通道BT偏差随扫描角度的变化规律与目标温度有关；偏差长时间序列分析表明，BT偏差整体保持稳定。

高光谱成像技术是一种将成像与光谱相结合的新型无损检测技术, 属于间接分析方法; 光谱模型的建立非常关键, 需综合考察各建模因素间的交互作用。 应用Box-Behnken法设计响应面试验优化冷鲜滩羊肉蛋白质含量的可见/近红外高光谱定量检测模型。 使用可见/近红外高光谱成像系统采集冷鲜滩羊肉样本的高光谱图像, 分析肉样反射光谱特性。 采用二维相关光谱技术(2DCOS), 以冷鲜滩羊肉中蛋白质含量为“外界扰动”, 研究扰动条件下光谱信号的动态变化, 解析二维相关光谱谱图特征, 寻找与微扰相关的敏感变量。 分别采用多元散射校正(multiplicative scatter correction, MSC)和标准正态变量变换(standard normalized variate, SNV)提取有用信号, 优化所选特征波段光谱质量。 为实现数据快速降维, 减少大量光谱数据处理负担, 采用变量组合集群分析法(variable combination population analysis, VCPA)和应用竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)对2DCOS范围内特征波段进行二次优选。 根据Design-Expert软件中Box-Behnken法设计响应面试验, 以特征优选、 光谱预处理及多元校正方法为考察因素, 各因素中3种不同方法为水平, 建立冷鲜滩羊肉蛋白质含量分析的优化检测体系。 结果表明, 波长473, 679, 734和814 nm处存在较强的自相关峰, 473~814 nm范围内的特征波段为冷鲜滩羊肉蛋白质检测的敏感区域; MSC和SNV能够消除肉样自身散射作用的干扰, CARS和VCPA对特征波段进行二次优选, 分别优选出了16和9个特征波长; 各因素对蛋白质可见/近红外光谱模型预测性能的影响顺序为特征优选方法>预处理方法>多元校正方法, 优选出2DCOS-SNV-LSSVM模型具有较高的运行速率和预测能力, 其Rc=0.858 8, RMSEC=0.005 8; Rp=0.860 4, RMSEP=0.005 7。 研究表明, Box-Behnken法在可见/近红外高光谱(400~1 000 nm)建模参数优化选择中的应用, 可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析, 为分析对象光谱模型的优化及提高预测结果的准确性提供理论参考。

货架期是影响果蔬品质和供应安全的重要因素, 快速准确预测果蔬货架期已成为消费者、 生产者和管理者共同关注的问题。 猕猴桃含有多种有机物和氨基酸, 具有丰富的营养价值, 深受广大消费者的喜爱。 但由于猕猴桃表面颜色变化不明显, 人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。 采用高光谱成像结合化学计量学方法对不同储存条件下的保鲜猕猴桃进行了货架期预测。 首先采集了4 ℃和(18±2) ℃下保鲜时间为0, 2, 4天各120个猕猴桃样本在400～1 000 nm的高光谱数据, 测定其硬度值和可溶性固形物含量(SSC), 获取猕猴桃切片高光谱图像。 对猕猴桃平均光谱提取并进行Savitzky-Golay卷积平滑预处理后, 通过光谱数据主成分分析(PCA), 发现不同货架期和储存温度的猕猴桃样本在前2个主成分空间形成一定的聚类, 4 ℃下猕猴桃样本出现少量重叠。 为了减少波长变量, 提高运算速度, 使用载荷系数法(XL)与连续投影算法(SPA)选择特征波长。 其中, 4 ℃猕猴桃样本的XL和SPA特征波长分别7个(481, 501, 547, 665, 723, 839, 912 nm)和10个(406, 428, 520, 617, 665, 682, 723, 818, 878和983 nm); (18±2) ℃猕猴桃样本XL特征波长为508, 545, 665, 672, 720, 839和909 nm, SPA特征波长为575, 622, 731, 756, 779, 800, 828, 865, 920和983 nm。 基于3∶1的光谱数据集划分三个货架期虚拟等级值1, 2和3, 以全光谱数据、 特征波长为输入, 建立非线性最小二乘支持向量机(LS-SVM)预测模型。 结果表明, 对于4 ℃下3种货架期猕猴桃样本, 在全光谱和XL, SPA特征波长上的预测集准确度分别达到92.2%, 92.2%, 91.1%; (18±2) ℃时预测准确度均为100%。 猕猴桃切片图像PCA分析显示, 除PC5中有部分噪声影响外, 其他主成分图像均能完整反映猕猴桃切片信息, PC2图像可以明显呈现出猕猴桃切片在不同货架期的变化程度。 进一步分析猕猴桃硬度和可溶性固形物含量发现, 随着货架期延长, 猕猴桃可溶性固形物含量逐渐增加, (18±2) ℃时二者存在正相关性, 相关系数为0.557 6。 硬度则随货架期延长逐渐减小, 4和(18±2) ℃下硬度值和货架期之间存在负相关性, 相关系数分别为-0.335 6和-0.562 0。 结合猕猴桃光谱信息, 可以发现猕猴桃光谱反射率与其单个理化指标不成线性关系, 而是多个指标的综合反映。 因此, 采用高光谱成像技术可以全面、 准确、 快速的预测猕猴桃货架期, 为猕猴桃的生产、 销售提供技术指导。