食品的品种不同则其含有营养成分和功效存在差异, 得到的傅里叶变换红外光谱也存在差异。 为了准确的实现品种分类, 设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。 在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中, 提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。 FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率, 以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心, 可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。 FKHKCN作为一种模糊聚类算法, 可实现傅里叶变换红外光谱数据的聚类分析。 采用三种数据集: (1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本, 样本总数为96。 (2)两个品种(robusta和arabica)的咖啡样本。 (3)三个品种(鸡肉、 猪肉和火鸡)的肉类样本。 首先对三个光谱数据集进行预处理, 利用多元散射校正降低茶叶样本原始光谱数据集的散射影响, 使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。 再利用主成分分析将高维的三种光谱数据集压缩至低维。 然后采用线性判别分析进行特征提取, 将光谱数据投影到求得的鉴别向量上。 最后分别采用FCM, FKCN和FKHKCN对茶叶、 肉类和咖啡进行判别。 最终结果如下: FCM, FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%, 90.91%和93.94%; 对肉类品种的聚类准确率分别为90.83%, 0.00%和92.50%; 对咖啡品种的聚类准确率分别为89.17%, 89.17%和90.83%。 以上实验结果表明: 采用傅里叶红外光谱技术结合主成分分析、 线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别, 且鉴别准确率比FCM和FKCN更高, 聚类结果更稳定。

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。

激光诱导击穿光谱(LIBS)对固体进行检测时, 受固体的表面物理形态和化学特性影响较大, 因此, 基体效应分析对LIBS在线检测研究有重要的意义。 为了提高LIBS对表面凹凸不平样品成分在线检测的准确度, 进行了LIBS对不同颗粒度铁屑样品的定量分析。 实验所用的9种铁屑样品性状为松散的粉末、 颗粒或长条状, 为防止激光与样品相互作用时发生飞溅, 将样品粘到双面胶上进行固定。 采用的激发波长为1 064 nm、 脉冲能量为35 mJ, 探测器延时和积分门宽分别设置为1和10 μs。 为评估样品颗粒度不同导致的基体效应对LIBS光谱的影响, 首先, 利用主成分分析(PCA)对系列样品进行分类, 结果显示, 粉末状的四个样品被分出, 即颗粒度不同导致的基体效应是样品光谱信号差异的主要原因。 其次, 以C3、 C5两个样品研磨前后的基体元素特征谱线FeⅠ330.635 nm为研究对象, 通过对比谱线的强度和相对标准偏差(RSD)发现, 颗粒度越小, 谱线强度越大, 稳定性越好。 为校正LIBS光谱基体效应的干扰, 采用了样品研磨预处理和光谱数据预处理两种方法。 将细长条状的C3和C5两个样品进行研磨, 研磨后谱线的强度和稳定性有较大提升; 分别研究了强度归一化、 多元散射校正(MSC)以及两者结合对光谱进行处理的效果, 三种光谱预处理均使谱线的稳定性得到显著提高。 通过支持向量机(SVM)对Cu元素的定量结果进行了评估和对比, 结果发现, 采用研磨样品并结合强度归一化与MSC预处理得到的校正效果最优, 最终使S1和S2两个待测样品的Cu元素预测相对误差(RE)分别降为1.745%和1.857%, 预测均方根误差(RMSEP)降为0.020。 该研究可为表面凹凸不平样品的LIBS检测提供一定的方法依据和参考。

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。

基于Klein-Nishina(K-N)公式对康普顿散射截面的描述,结合比尔定律,分别计算在物体内部设定的每一个散射点对探测器所有探元造成的散射分布的概率,叠加所有散射点造成的散射分布概率,引入调节系数,求出总散射分布,最后从投影数据中减去散射分布,实现散射伪影的校正。通过仿真和实验验证,该方法能够明显抑制散射造成的杯状伪影与阴影,提高重建图像的质量。

胡杨叶片水分含量是评价胡杨健康状况的重要指标。 光谱检测法是一种常用的手段, 但在近红外光谱的测量过程中, 在一定程度上必然受到仪器噪声、 摆放形态差异和环境的干扰, 为避免噪声、 散射对近红外光谱的影响, 减少数据维数, 采用多元散射校正（MSC）算法对原始光谱数据进行预处理, 去除散射和基线漂移的影响, 增加了光谱数据的信噪比, 使有效光谱信息较为明显, 谱带特征得到加强, 有利于特征波长的选择。 为降低模型的复杂度, 防止过拟合现象, 减小共线性影响, 利用连续投影算法（SPA）进行特征变量选择, 并通过多元线性回归模型, 分析各个波长模拟的残差平方, 评价各个波长的贡献, 剔除贡献较小的波长, 最终获得用于建模的特征波长, 改善建模条件。 最后使用偏最小二乘回归算法建立胡杨叶片水分含量检测模型。 实验表明, 直接使用原始光谱, 利用SPA算法筛选变量个数为6个, 模型预测精度为90.144%, 相关系数r=0.674 24, RMSE=0.021 434, MSC处理后, 利用SPA算法选定最终变量数为5个, 预测精度为97.734%, 相关系数r=0.781 63, RMSE=0.016 776。 MSC和SPA算法有效的消除了散射噪声、 减小了共线性干扰, 模型的预测精度和相关性增加, 误差减小, 可用于胡杨叶片水分的快速无损检测, 而且对其他作物叶片水分检测也具有一定的借鉴意义。

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。