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。

在锥束计算机断层扫描(CT)系统中,由于不易放置后准直器,未经校正的散射信号会导致测量信号偏离真实值,降低图像的对比度和信噪比,甚至产生伪影。利用散射校正板(BSA)可以有效估计射线穿过工件后的散射信号分布。将BSA散射校正方法应用于锥束微纳CT系统,通过在X射线源与工件之间放置校正板的方式获取散射分布。首先介绍了基于BSA散射校正的基本原理,给出了具体的实验装置和实验步骤,然后使用自主研制的锥束微纳CT系统对几种工件进行扫描成像,最后从DR投影、重建切片、三维重建图像等多个角度对图像质量进行分析。结果表明,基于BSA的散射校正方法能够有效减少锥束微纳CT系统的散射伪影,改善图像质量,验证了BSA方法应用于锥束微纳CT系统的可行性。考虑微纳CT射线源能量低、焦点漂移影响大等因素,可在散射校正的基础上增加硬化校正和焦点漂移校正,进一步对图像进行修正。

光谱仪器采集光谱数据时,散射噪声会对光谱数据产生影响。同一种矿物质在不同颗粒度和浓度状态下的光谱数据曲线会产生偏移,进而降低光谱数据的匹配精度。针对这一问题,研究了基于多元散射校正融合增广拉格朗日消除光谱数据散射噪声和偏移的方法,先用该方法对光谱数据预处理进行校正,再结合光谱角方法进行相似度匹配测量。实验选取了6种矿物和6种壁画颜料作为光谱数据样本,使用光谱匹配方法分别对原光谱数据和消除散射噪声和偏移后的光谱数据进行匹配计算和分析。实验结果表明,使用多元散射校正融合增广拉格朗日方法消除散射噪声和偏移校正后的光谱数据匹配精度高于未校正的光谱数据,因此该方法可提高识别效果。

南疆地区沙尘多、 灰尘大, 枣树叶片表面经常覆盖一定程度的粗颗粒度沙尘, 为了有效去除沙尘、 灰尘在枣树叶片水分光谱测量过程中产生的散射噪声和基线漂移, 研究一种适用于风沙较大地区的枣树叶片水分含量的快速检测方法, 以不同灌溉梯度下的枣树叶片为研究对象, 通过近红外光谱仪获取120个叶片样本的1 000～1 800 nm的光谱数据, 并同步测量叶片水分含量, 采用归一化、 移动窗口平滑、 SavitZky-Golay（SG）卷积平滑、 SG求导、 标准正态变量校正(SNV)和多元散射校正(MSC)等方法对原始光谱进行预处理, 分析对比不同方法对散射噪声的处理能力, 采用偏最小二乘回归分析方法筛选了敏感波段和建立预测模型。 实验结果表明, 枣树叶片水分含量强吸收峰为1 443 nm, 波谷为1 661 nm; 归一化光谱并未消除1 000～1 400 nm波段的散射噪声; 移动窗口平滑和SG卷积平滑并未改进光谱曲线, 散射噪声仍然存在; SG导数光谱的光谱特征峰和特征谷明显左移, 光谱曲线不够平滑, 噪声明显; SNV和MSC方法具有较好的散射噪声消除能力。 偏最小回归分析方法筛选特征波长的结果表明（设置筛选波长数量为5）, 基于原始光谱未筛选到1 443 nm的强波峰和1 661 nm的波谷附近的波段; 基于归一化光谱在1 450 nm波峰附近筛选的波长有一定的偏差, 在1 661 nm波谷附近的筛选的波长明显高于1 700 nm; 基于移动窗口和SG卷积平滑光谱在1 443 nm具有一定的筛选能力, 但并未筛选到1 661 nm附近的波长; 导数光谱并未筛选到1 443和1 661 nm波段; SNV和MSC在波峰和波谷位置附近均筛选了敏感的光谱波段, 其中MSC略优于SNV方法恰好在波峰和波谷位置, 共筛选了1 002, 1 383, 1 411, 1 443和1 661 nm五个特征波段, 也证明了MSC方法散射噪声和基线漂移处理能力最优, 提高了敏感波长的筛选能力。 偏最小二乘回归模型结果表明, 不同预处理方法的RMSE值均较低, SNV和MSC方法改进了模型的预测结果, R2高于0.7, 其中基于MSC方法的模型具有最高的R2和最低的RMSEP和RMSEPCV, R2=0.750 4, RMSEP=0.034 3, RMSECV=0.021 5, 预测结果较优。 证明MSC方法对沙尘和颗粒度引入的散射噪声具有较好的去除能力, 可改进波长的筛选、 提高预测模型精度, 为南疆沙尘区的枣树叶片水分含量的无损检测提供了有效方法。

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。

拉曼光谱强度与物质量存在的线性关系会受到许多复杂因素破坏, 包括激发光源、 聚焦、 散射、 折射等, 导致定量效果不佳。 各种因素的干扰效应, 总体上分成加性和乘性效应, 而消除乘性效应的难度会更大一些。 光谱序列信号可视为向量, 信号强度对应向量的模量, 而体现向量本质的方向属性不会受模量变化的影响。 根据这一原理, 利用向量的方向确定性, 将信号的强度度量转换成空间角度度量, 建立了一种消除乘性效应的方法。 首先, 选择一个与待定量组分相近而与背景空间近似正交的基准向量, 并定义移动窗口; 然后, 计算移动窗口内的光谱向量与基准向量的夹角, 所得值存储为矩阵, 完成角度描述转换。 角度矩阵消除了乘性效应的干扰, 而定量关系仍然近似线性, 只要将该矩阵的秩满足多元统计建模要求, 就可以用于多元校正, 并得到良好结果。 研究采用甲醇-乙醇-异丙醇混合体系, 验证了消除乘性效应后改进的定量效果, 对于积分时间波动的预测值与实际值, 直接PLS方法的相关系数r为0.911 9, 预测标准偏差（RMSEP）为0.110 2; 采用MSC预处理的r为0.906　0, RMSEP为0.100　8; 而本文提出的VAPLS的r为0.998 7, RMSEP为0.015 2。 结果表明向量角转换度量处理后, 光谱的乘性干扰得到了有效校正, 拉曼定量分析准确性得到了提高。

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。

利用近红外光谱分析技术的诸多优势, 可实现煤质多项指标的快速分析。 煤样光谱数据的采集易受到噪声散射的干扰, 在建模分析前常用多元散射校正方法对其予以恢复去噪。 而传统的多元散射校正方法存在以线性表达式描述非线性关系的局限性, 以及盲目追随“理想”光谱而导致的失真问题, 为此提出基于拟线性局部加权法的煤样光谱散射校正。 该法先选取二次曲线、 三次曲线和增长曲线等三种拟线性函数, 代替原线性函数; 再分别引入均值核函数、 高斯核函数、 Epanechnikov核函数、 二次权重核函数及三次权重核函数等五种核函数, 在原评估函数中构造局部加权函数, 利用局部加权函数精确表述各波长点处的依赖关系; 最后, 分析不同模式下校正光谱的准确性, 确定拟线性函数与核函数的最佳组合。 为验证方法的适用性, 对0.2, 1和3 mm等三种粒度等级下的煤样光谱数据进行散射校正。 结果表明: 改进多元散射校正方法在消除光谱中散射干扰的同时, 放大了特征谱峰信息, 校正光谱与煤样各项指标的相关性得到了显著增强, 有效地提高了煤质近红外光谱分析模型的预测精度和稳定性。