因缺乏大米产地快速鉴别的确证技术, 利用近红外光谱法、 中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、 东北地区和南方地区共计186份大米样品进行产地鉴别研究。 首先比较了K近邻法(KNN)、 线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3种算法结合5种预处理方法, 对3种单一光谱大米产地鉴别模型的识别效果。 结果表明, LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优, 校正集和验证集准确率分别为100%和93.48%。 为进一步提升鉴别模型的准确度, 创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、 特征层融合及决策层融合大米产地鉴别模型, 结果显示, 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升。 数据层融合大米产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法模型最优, 校正集和验证集正确率分别为100%和95.65%, 较单一光谱最优模型验证集正确率提高了2.17%。 决策层融合鉴别模型中, LS-SVM算法结合SNV+1st预处理方法模型最优, 校正集和验证集正确率分别为100%和97.83%, 较单一光谱最优模型验证集正确率提高了4.35%。 特征层融合产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法鉴别模型最优, 其校正集和验证集正确率均达到100%, 较单一光谱最优模型验证集正确率提高了6.52%。 结果表明, 使用近红外光谱法、 中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的, 拉曼光谱法结合LS-SVM算法的大米产地鉴别模型最优。 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升, 其中特征层融合方法更适用于该次融合的数据类型, 可以快速准确鉴别五常大米、 南方大米和东北大米产地。 该研究为大米产地的快速准确鉴别提供了一种新方法。

激光诱导击穿光谱（LIBS）结合传统的压片制样方法用于检测大米中镉（Cd）含量的灵敏度较低，为此提出使用薄膜制样的方法来提高LIBS检测大米Cd含量的灵敏度。通过在载玻片上刮涂大米悬浮液，制备了大米薄膜样品，探讨了薄膜制样在提高大米Cd含量检测灵敏度与准确度方面的可行性。分别在压片样品和薄膜样品上，对光谱仪延时时间和激光能量做了优化，分析了最佳激光能量不一致的原因。优化实验条件后，对比了压片样品和薄膜样品的LIBS光谱差异，通过实验分析了薄膜增强的原理。相较于传统的压片制样，薄膜制样的Cd谱线强度提高了5~7倍，检测限降低了1/9。薄膜制样的方法改善了LIBS技术检测大米中Cd含量的能力。

随着经济水平的提升人们对大米品质要求越来越高, 由于不同大米品种之间价格差异也较大, 致使不少商贩以劣充优谋取利益, 有的掺和比例高达30%以上, 这种行为严重损害了消费者利益。 大米作为一种碳水化合物直接通过一维近红外光谱信息不易区分掺和米, 目前诸多研究集中在基于一维光谱的化学计量学判别模型建立。 二维相关光谱具有高分辨率、 解析峰的归属等优点, 可以挖掘出掺和米在一维光谱中隐藏的有效信息。 以五常大米作为研究对象, 选取难以用肉眼分辨的六种大米为掺入米, 分别制备5%～50%的不同掺和比例大米样品140个。 以五常大米近红外光谱的平均光谱作为参考谱, 掺和比例作为外部扰动因数, 将掺和米光谱和五常米光谱分别与参考谱进行二维相关运算, 通过解析不同掺和比例大米二维相关同步谱特性发现自相关谱1 420和1 920 nm两处自动峰值与同步谱(1 420, 1 920) nm和(1 920, 1 420) nm处交叉峰值强度均随掺和比例增加呈递增趋势, 其中1 920 nm自动峰值对掺和比例响应最显著。 通过对自相关谱1 420和1 920 nm两处自动峰产生机制的追溯并分析对应官能团归属, 发现大米中直链淀粉对掺和比例响应程度高于蛋白质及其他碳水化合物。 分别以五常大米同步谱中1 420和1 920 nm处自动峰值和(1 920, 1 420)nm处交叉峰值的最大值作为判别阈值, 对140个大米样品进行了判别试验。 结果显示, 基于1 920 nm自动峰值的判别效果最佳正确率达93.3%, 掺和比例20%及以上掺和米样品判别正确率为100%, 随着掺和比例降低判别正确率也逐渐下降, 掺和比例15%, 10%和5%样品判别正确率分别为91.7%, 66%和75%。 综上所述, 以掺和比例作为外部干扰因数解析不同掺和比例的大米二维同步谱特性, 通过特征峰值的差异可以简单有效区分掺和米, 与以往近红外判别模式相比不需要准备大量样品来训练模型, 为快速鉴别掺和大米提供一种新思路。

名优大米含有更多的营养价值与更高的经济价值, 不法商家为赚取更多利益, 对优质大米掺假甚至以次充好, 损害了消费者利益和大米贸易, 打击了生产者的生产积极性。 希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。 首先, 采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像, 并提取了每种大米的光谱、 纹理与形态特征。 使用多元散射校正算法做光谱预处理消除光谱散射。 连续投影算法（SPA）、 竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长; 用 SPA选择形态、 纹理特征的重要变量。 最后, 使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型, 而K-近邻（KNN）、 随机森林（RF）用于与CNN模型相对比。 实验结果显示, 根据全光谱构建的模型的分类准确度达到80%以上; 其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优, 训练集的分类准确度（ACCT）为92.96%, 预测集的分类准确度（ACCP）为89.71%。 而重要波长光谱与全光谱相比, 分类准确度相差较多。 为进一步提升大米种类鉴别的准确度, 选用纹理、 形态两种图像特征与光谱特征进行融合, 最优结果来自光谱与形态特征重要变量所构建的模型。 其中, KNN的ACCT和ACCP分别为69%和67%; RF模型的ACCT=99.98%和ACCP=89.10%; CNN模型的效果最佳, ACCT和ACCP为97.19%和94.55%。 此外, 光谱与纹理融合的分类效果差于光谱, 说明纹理特征弱化了分类结果。 对于分类模型来说, CNN的性能明显优于两种机器学习方法, 可以提供更好的分类效果。 总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别, 这种方法有望拓展到其他农产品的分级, 种类区分和产地鉴别。

针对传统垩白大米检测主观随意性大、 可重复性低、 检测过程耗时费力、 准确率低等问题, 提出一种基于可见光谱图结合深度学习算法的垩白大米检测手段。 用CCD彩色摄像机获取垩白大米和正常大米可见光谱图, 对图像进行旋转、 翻转以及调整对比度等随机图像变换方式提升网络训练数据集, 防止深度检测模型在学习过程中出现过拟合现象。 构建了7层深层次卷积神经网络模型, 包括卷积层、 池化层、 全连接层和输入输出层, 通过网络模型对采样的大米可见光谱图集进行卷积与池化操作, 采用迭代学习训练方法获取大米可见光谱图在卷积层输出的特征参数, 采用连接非线性ReLU激活函数来降低训练时间, 以加速大米可见光谱图有效抽象特征提取的收敛速度； 然后将深度神经网络嵌入池化层, 对大米特征降维以获取能够表达正常大米和垩白大米可鉴别显著意义特征； 最后在全连接层输出进行分类, 从而实现对垩白大米的精确识别。 基于可见光谱图的大米垩白深度检测方法比传统基于可见光谱图的垩白大米鉴别特征提取方法免去了复杂的特征提取步骤, 由于卷积网络提取的特征对特定目标具有更鲁棒的表达, 算法精度较高且复杂度比较小, 泛化效果更好, 获得识别精度达到90%, 比基于传统特征提取的垩白大米鉴别方法识别精度高, SIFT+SVM, PHOG+SVM和GIST+SVM模型识别精度分别为70.83%, 77.08%和79.16%。 提出的方法为当前我国现代农业生产中实现大米品质自动化快速精准检测提供了理论依据和有效的技术手段, 对于现阶段实现大米品质人工智能检测产生实际意义。

采集东北和非东北产地大米样本高光谱图像, 筛选多个特征波长图像并提取图像特征, 结合模式识别方法建立判别模型, 并联合多个模型构成模型集群快速、 准确判别东北/非东北大米产地。 东北大米以粳米为主, 主要涵盖长粒香, 圆粒香, 稻花香和小町米4个品种。 为建立实用性强、 适用范围广的东北/非东北大米产地判别模型, 实验主要收集了国内粳米代表性产区且以上述4个品种为主的样本, 构成原始样本集: 其中东北产地5份, 包括黑龙江(1)、 吉林(2)、 辽宁(2), 非东北产地5份, 包括河北(1)、 浙江(1)、 江苏(2)、 安徽(1)。 每个产地样本随机选取100粒, 共计100×10粒大米样本。 采用芬兰Specim公司的SisuCHEMA高光谱成像系统采集样本900～1 700 nm高光谱图像。 按照大米轮廓选取感兴趣区域提取出单粒大米样本的平均光谱, 采用Kennard-Stone法按照4∶1划分训练集和测试集。 应用连续投影算法筛选得到原始样本集光谱的8个特征波长: 1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87, 1 705.91和942.53 nm; 采用方向梯度直方图分别提取8个波长下的图像特征, 结合支持向量机建立基于单特征波长图像的东北/非东北大米产地鉴别模型, 识别准确率分别为85.5%, 77.5%, 76.5%, 73.5%, 71%, 68.5%, 67%和65.5%; 鉴于单模型识别率不高的现状, 提出建立基于特征波长图像模型集群综合判别大米产地的策略, 即按照单模型识别率从高到低排序后分别联合3个、 5个和7个特征波长图像模型的预测结果, 当预测样本判定为真的比率>50%, 则判定样本为真, 反之则为假。 联合1 460.30, 1 400.20, 1 424.92, 945.98, 1 315.62, 1 220.87和1 705.91 nm七个波段的模型集合对测试集样本的识别率可达90.5%。 实验结果表明高光谱结合模型集群策略可为建立性能稳健、 适用范围广的东北/非东北大米产地快速检测模型提供切实可行的思路和方法参考。

基于拉曼光谱检测技术结合化学判别方法, 建立新陈大米拉曼光谱判别模型; 建立适当的样品预处理方法, 确保样品制备的均一性, 使用拉曼光谱仪对新陈大米共计60组样品进行检测, 在785 nm波长激光激发下, 获取样品200～2 400 cm-1的拉曼光谱信息; 对原始拉曼光谱进行基线校正、 平滑、 滤波等处理。 利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别; 基于偏最小二乘分析法（PLS）, 建立新陈大米快速鉴别模型, 该模型对建模训练集鉴别正确率为100%, 模型验证集鉴别正确率为95%。 结果表明: 该模型判断新陈大米是可行的, 为大米新陈度的快速判别提供了一种新的方法。

硝酸-高氯酸(4∶1, V/V)混合酸消解样品。 双硫腙为络合剂, 乙醇为分散剂, 四氯化碳为萃取剂, 建立了分散液液微萃取-原子荧光光度法测定大米中的汞的方法。 优化了原子荧光光度计工作参数和分散液液微萃取的最佳络合酸度、 络合剂用量、 萃取剂种类及用量等条件。 实验表明, 在最佳条件下, 方法的线性范围为0.005～25 μg·L-1, 相关系数为0.996 6, 检出限为0.003 μg·L-1, 相对标准偏差为3.84%, 加标回收率为90%～120%。 该方法灵敏度高, 分析速度快, 准确性高, 能有效检测大米中的痕量汞。

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。 采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线, 利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理, 滤除光谱数据中与因变量Y矩阵无关的信号, 以消除无关信息对后续特征变量建模精度的影响。 采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性, 并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。 分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、 局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量, 并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。 实验用陈年米和新米的样本数均为200个, 随机将训练集和测试集样本划分为300个和100个。 通过比较各个模型的预测结果得出, 基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好, 预测相关系数(R2P)、 预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917, 0.187和2.698。 实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力, 该研究为今后大米贮藏期的快速无损检测提供了科学的手段。