油茶产业具有良好的经济和生态效益, 深受国家重视。 目前, 炭疽病侵害油茶树日益加重, 严重地降低了产量, 导致油茶产业的效益直接受损。 所以找到一种快速、 准确、 方便的油茶炭疽病检测方法是非常必要的。 激光诱导击穿光谱(LIBS)是一种低成本、 微损伤、 无残留的技术, 能够对多种成分快速实时检测。 采用LIBS结合化学计量学方法对油茶炭疽病的定性检测方法进行研究。 实验样品采摘于油茶种植区, 分别采集了100片健康油茶叶片和100片感染炭疽病的油茶叶片。 将采集的叶片进行微处理, 即首先进行反复冲洗去除叶片表面污渍, 然后进行分类、 装袋和标号, 最后进行LIBS光谱采集实验。 实验设备为海洋光学的MX2500+, LIBS实验参数设置为激光能量50 mJ, 最优延迟时间2 μs, 每个叶片采集6条光谱数据, 并求其平均。 在油茶叶片LIBS光谱的波长251.432 nm处观察到Si的特征峰、 分别在252.285, 259.837和385.991 nm处观察到Fe的特征峰、 分别在260.568, 279.482和280.108 nm处观察到Mn的特征峰。 实验结果: 油茶叶片中的微量元素Si, Fe, Mn的LIBS信号与油茶叶片的健康程度有直接关系, 健康油茶叶片中Si, Fe和Mn的特征峰强度明显高于感染炭疽病的油茶叶片中Si, Fe和Mn的特征峰强度; 此外, 利用LIBS技术结合MSC光谱预处理和PCA分类法, 对油茶叶片的健康和感染炭疽病的两个状态进行分类处理。 PC1, PC2和PC3的贡献率分别为80%, 12%和6%, 建立三维模型分类, 可以清晰地将油茶叶片的两种状态区分出来。 同时, 还利用PLS-DA建立模型, 模型的识别率高达90%以上, 可以对油茶叶片两种类别进行较好的分类。 以上两种化学计量方法都可以区分油茶叶片的健康和染病两种状态。 研究表明了利用LIBS技术检测油茶炭疽病是可行的。 可以利用LIBS技术对油茶叶片的微量元素和营养元素进行定量检测, 为定量检测提供了参考。 提出了一种快速检测油茶炭疽病的新方法。

实木地板的表面缺陷直接影响其力学性能和产品等级, 表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。 针对视觉方法检测实木地板表面缺陷识别率低的问题, 提出了一种基于近红外光谱分析技术的检测方法。 首先, 分别采集规格为200 mm×100 mm×20 mm的表面带有活节、 死节以及无缺陷的实木地板的光谱数据各60份, 其中30份作为训练样本, 30份作为测试样本； 其次, 使用高斯滤波(GSF)、 分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理, 降低光谱噪声、 消除光谱的散射影响； 然后, 利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型； 最后, 使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。 实验使用含有活节、 死节以及无缺陷的实木地板样本对模型进行训练和测试, 结果表明: 通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、 死节和无缺陷三类实木地板, 识别率分别为9220%, 9447%和9557%。 证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关, 并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。

原始近红外光谱数据含有大量的噪声信号和较大的数据量，所以在进行光谱数据分析之前对光谱数据进行预处理是非常必要的。近红外光谱数据的预处理主要有两个任务，一是降噪，提高模型的稳健性和预测结果的准确性；二是数据压缩，以便于数据的存储，提高建模速度。传统的近红外光谱数据预处理方法各有局限，很难在这两方面都得到令人满意的效果。将小波分析用于苹果近红外光谱数据的预处理，并选取峰值信噪比(Peak Signal to Noise Ratio, PSNR)和归一化相关系数(Normalized Correlation, NC)作为评价指标。与常用的Savitzky-Golay平滑滤波和多元散射校正相比，小波方法不仅能有效地实现数据压缩，而且在噪声去除和光谱细节保持等方面都具有优势。

消除浊度影响是直接光谱法检测水质COD的关键技术问题。 此源于紫外-可见光谱法检测水质参数的关键依赖于化学计量法所建立的准确的水质参数分析模型, 而浊度是影响其建模的一个重要参数。 为此, 选取福尔马肼浊度液和邻苯二甲酸氢钾标准溶液, 开展了紫外-可见吸收光谱法检测水质COD的浊度影响实验研究, 获得了选定溶液在245, 300, 360和560 nm几个特征波长点的吸光度随浊度变化的最小二乘法拟合曲线, 分析了吸光度随浊度的变化规律。 研究结果表明, 在240～380 nm的紫外光谱段, 由于引起浊度的颗粒物对有机物产生了吸附, 致使浊度对水样的紫外光谱影响较为复杂; 在380～780 nm的可见光谱区域, 浊度对光谱的影响则是随着波长的增大而减弱。 基于此, 开展了多元散射校正法对受浊度影响的水样光谱进行校正试验。 对某溪水水样的紫外-可见吸收光谱进行多元散射校正, 通过处理前后光谱对比表明, 浊度引起各个波长点的基线偏移都得到了有效的校正, 而在紫外区域特征并未减弱。 接着对选取的三种液体的紫外-可见吸收光谱进行多元散射校正, 实验结果表明: 该方法可在不影响水样紫外-可见吸收光谱特征的前提下对其吸收曲线进行有效的校正, 这不仅提高了光谱法检测水质COD的信噪比, 而且还为化学计量法建立准确、 有效的水质检测COD分析模型进行数据预处理提供了一种新途径。

利用近红外光谱对非均匀样品进行分析时, 所得样品光谱中包含由光散射导致的干扰信息, 通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。 由于不同波段光谱中所包含的散射信息、 噪声水平、 基线漂移程度等存在差异, 利用MSC方法对光谱进行预处理时, 基于不同波段的光谱数据会得到不同的校正结果, 进而影响所得定标模型的可靠性。 以60个全麦粉样品为研究对象, 确定定标区间后, 对包含定标区间的不同波段的原始光谱分别进行MSC处理, 并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型, 研究了MSC光谱预处理波段对定标模型的影响, 并对MSC光谱预处理波段进行了优化, 使定标模型的相关系数由0.96提高到0.98, 交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。 结果表明: 利用MSC方法对样品光谱预处理时, 光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力, 确定合适的预处理波段是获得可靠分析结果的一个前提条件。

为了提高杂草识别的准确性和快速性, 利用光谱反射率差异区分作物与杂草。 首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理, 然后利用主成分分析法（PCA）对各类植物进行聚类分析, 并根据主成分分析结果中各个最佳主成分对应的载荷图, 提取对各类植物识别敏感的特征波长, 最后以特征波长为输入变量, 用簇类的独立软模式（SIMCA）分类法对各类植物进行分类识别。 甘蓝与杂草的分类结果表明, 在1阶3次51点SG卷积求导法加上多元散射校正法（MSC）的最佳预处理基础上, 根据主成分分析中前3个主成分, 提取到23个特征波长, 以它们为输入变量, 利用SIMCA方法进行分类时, 建模集和预测集的识别率分别达到98.6%和100%。

利用近红外血流容积光谱相减方法无创伤定量分析人体血液生化成分时，获得的在体血液光谱对应的样品光程是不确定的。为研究样品间的光程差异对定标模型预测精度的影响，配制了30份模拟血清样品，利用可变光程样品池，采用傅里叶光谱仪分别测量了相同光程和不定光程两组样品的近红外光谱。以分析血清白蛋白成分为例，对两组样品的定标模型精度进行比较，结果显示不定光程组的模型精度与相同光程组的模型精度相比明显下降, 交叉检验标准差（RMSECV）由110.0 mg/dL增大至156.0 mg/dL。采用多元散射校正算法对上述光谱数据校正后，RMSECV降低至98.1 mg/dL。对比分析处理前后两组模型的精度，证实了采用适当的预处理方法能够有效校正不定光程引起的光谱误差，提高模型预测精度。