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。

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。

为实现干制红枣的快速鉴别, 提出了一种基于近红外高光谱成像技术的鉴别方法。 采集四个品种共240个样本干制红枣的近红外高光谱图像(1　000～1　600　nm)。 通过主成分分析法(principal component analysis, PCA)、 载荷系数法(x-Loading Weights, x-LW)和连续投影算法(successive projections algorithm, SPA)分别提取7个、 8个和10个特征波长; 基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。 分别以光谱特征、 纹理特征、 光谱和纹理融合特征作为输入, 建立偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 反向传播神经网络(back-propagation neural network, BPNN)和最小二乘支持向量机(least squares support vector machines, LS-SVM)模型。 结果显示, 基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率; 基于融合特征的BPNN模型的结果最优, 对预测集样本鉴别正确率为100%。 说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。

以近红外高光谱成像技术, 结合化学计量学方法, 研究了转基因大豆的快速、 无损检测方法。 实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。 采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像, 提取大豆的光谱信息, 剔除明显噪声部分后, 采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。 采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA), 对3种非转基因亲本大豆建立模型进行判别分析, 其相应的建模集和预测集的判别正确率分别为97.50%和100%, 100%和100%, 96.25%和92.50%, 结果表明, 高光谱成像技术可用于非转基因大豆的识别。 对非转基因亲本及其转基因大豆进行判别分析, 基于全谱, 3种的建模集和预测集的判别正确率分别为99.17%和99.17%, 87.19%和81.25%, 99.17%和98.33%; 以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型, 3种的建模集和预测集的判别正确率分别为72.50%和80%, 80.63%和79.38%, 85%和85%, 该结果表明非转基因亲本与转基因品种的判别分析是可行的, 特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。 研究表明采用近红外高光谱成像技术对非转基因大豆、 非转基因亲本及其转基因大豆进行鉴别是可行的, 为转基因大豆的快速无损准确鉴别提供了一种新方法。

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。

黄曲霉毒素是广泛存在于玉米中且具有剧毒的一种代谢产物, 以美国农业部农业研究署(USDA-ARS) Toxicology and Mycotoxin Research Unit提供的2010年先锋玉米为研究对象, 验证了高光谱成像技术对玉米中黄曲霉毒素检测的可行性。 以甲醇为溶剂制备四种不同浓度的黄曲霉毒素溶液, 并将其逐一滴在等量的4组共120粒玉米颗粒表面, 以未处理的30粒洁净玉米作为一组对照样本, 将大小、 形状相似的150个样品随机分为训练集103个, 验证集47个; 对获取的400～1 000 nm波段范围内的高光谱图像, 先进行标准正态变量变换(standard normal variate transformation, SNV)预处理, 然后引入基于Fisher判别最小误判率的方法选择最优波长, 并以所选波长作为Fisher判别分析法的输入建立判别模型, 对玉米颗粒表面不同浓度的黄曲霉毒素进行识别, 最后对模型判别正确率进行了验证。 结果表明, 选取四个最优波长(812.42, 873.00, 900.36和965.00 nm)时Fisher判别分析模型对训练集与验证集的准确率分别为87.4%和80.9%。 该方法为含黄曲霉毒素玉米颗粒便携式检测仪器的开发, 以及对田间霉变玉米自然代谢产生毒素的检测奠定了技术基础。

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此, 提出采用竞争性自适应重加权算法（CARS）对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型（CARS-PLS）与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果, r2pre, RMSEP和RPD分别为0.908 2, 0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法（GA）获得的特征变量建立的PLS模型比较发现, CARS不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 该方法能够有效地用于高光谱数据变量的选择。 结果表明, 近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。