面粉(小麦粉)是中国北方大部分地区的主食, 苯甲酸是重要的酸型食品防腐剂, 为了便于食品长期保存, 往往会添加苯甲酸以便延长食品保存时间。 但食用添加苯甲酸过量的小麦粉会对身体健康产生严重危害。 太赫兹技术是一种新兴的检测技术, 由于处于特殊的0.1～10 THz的太赫兹频段, 在食品安全检测方面体现出了很强的应用潜力。 主要致力于探索太赫兹光谱技术检测苯甲酸的合理性、 可行性, 利用太赫兹时域光谱技术对面粉中的食品添加剂苯甲酸进行实验研究。 实验获取了面粉和苯甲酸的太赫兹时域光谱和频域光谱, 其吸收系数显示苯甲酸的特征吸收峰在1.94 THz波段, 面粉的太赫兹吸收系数几乎以一定的斜率增加, 说明可以用THz-TDS(Terahertz time domain spectrum)技术对面粉中的苯甲酸进行特征识别。 为建立面粉中添加剂苯甲酸的定量检测模型, 实验获取了面粉中掺杂不同百分比(质量分数)苯甲酸的太赫兹时域光谱, 计算得到吸收系数谱。 实验发现吸收峰幅度的变化是与苯甲酸的含量成正比的, 苯甲酸含量增加吸收峰幅度变大。 首先探索了不同光谱预处理方法对太赫兹光谱的影响, 采用如平滑校正、 多元散射校正、 基线校正和归一化等方法对原始光谱进行校正处理。 校正之后, 建立相应的PLS (partial least squares)模型以选择最优预处理方法。 然后分别建立苯甲酸浓度和太赫兹吸收系数的MLR (multiple linear regression)、 PLS和LS-SVM(partial least squares support vector machines)回归模型, 并对比分析不同模型的优劣。 将光谱数据归一化后建立的PLS模型更具有优势, 预测相关系数Rp为0.979, 预测均方根误差RMSEP为1.30%。 LS-SVM与PLS和MLR模型相比, LS-SVM模型可以获得更好的建模结果, LS-SVM的预测相关系数Rp为0.987, 预测均方根误差RMSEP为1.10%。 利用MLR方法仅使用1.946和1.869 THz两个波段点进行建模, 建模效果预测相关系数Rp为0.955, 预测均方根误差RMSEP为1.90%。 通过该研究为面粉中苯甲酸添加剂的无损检测提供了新的解决方案, 也为其他类型的添加剂的检测提供了方法指导, 对促进面粉行业的健康发展具有重要的意义。

在室温条件下, 若处于同一环境下的多个物体, 温度不同, 发射率不同, 当发射率未知时采用单波段辐射的方法难以同时获得不同物体的温度场信息, 即使发射率数据可以获取, 仍需解决图像物体的匹配问题。文章针对复杂背景下温度场成像的上述问题, 应用双波段比色法, 依据温度分辨率, 分析并选择了双波段比色法的合适光学参数范围, 然后仿真了复杂场景下多物体的温度场成像。结果表明：室温条件下, 双波段比色法能消除发射率对温度分辨率的影响, 区分发射率不同物体的温度信息。

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。 以60个库尔勒梨为研究对象, 采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。 提取图像中感兴趣区域（ROI）的平均光谱信息, 利用小波变换（WT）对光谱数据进行去噪平滑, 将去噪后的全部样本按2∶1的比例分成建模集（320个）和预测集（160个）。 利用二阶导数从全谱信息中提取出19个特征波长, 分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机（SVM）建模分析。 结果表明, 基于全谱和特征波长的判别分析模型中, 两者预测集的识别率都达到93.75%, 表明提取的特征波长包含了光谱数据中的关键信息。 然后, 基于特征波长运用波段比运算挑选最佳波段比, 根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。 对最佳波段比（684/798 nm）下的图像, 利用选择性搜索（SS）对高光谱图像中样本的完好和损伤区域进行分割, 从分割结果来看, 1～7天损伤样本的受损区域能够被准确检测出来。 研究结果表明: 基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的, 该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。

新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标。 针对感官评定和现有理化检测无法满足即食海参产品大批量、 标准化、 工业化生产问题, 提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法, 通过图像主成分分析和波段比运算相结合, 优选特征波长和图像; 依据海参腐败机理, 建立图像纹理特征与即食海参新鲜度等级间的关联模型, 实现即食海参新鲜度无损、 快速评价。 首先针对高光谱图像巨大的数据量展开降维研究。 根据即食海参体壁光谱吸收特性, 以具有明显化学吸收特征的波长(474和985 nm)为分界点, 获得包括全检测波段(400～1 000 nm)在内的六个待处理波段, 通过分段图像主成分分析实现待测波段的优选, 利用权重系数和波段比图像运算, 最终将686和985 nm波段比图像确定为特征图像。 面向特征图像的感兴趣区域(ROI), 构建灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、 灰度梯度共生矩阵(gray-gradient co-occurrence matrix, GGCM)、 改进的局部二元模式纹理描述子(local binary pattern, LBP), 分别提取纹理参数作为输入, 以挥发性盐基氮(total volatile basic nitrogen, TVB-N)检测为标准, 建立经粒子群优化的BP 神经网络(back propagation, BP)即食海参新鲜度判别模型, 新鲜度等级判别准确率分别为90%, 95%和80%。 结果表明, 即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好。 为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持。

成熟度是影响种子活力的重要因素之一, 是种子质量的重要指标。 种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力, 使种子批活力具有一致性。 采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子, 找出二者区分度最高的特征波段图像, 通过图像处理方法进行种子分类。 选用主成分分析（PCA）法分析高光谱图像, 分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段（501 nm）。 从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域, 采用偏最小二乘回归（PLSR）法分析两类感兴趣区域的平均光谱, 选取与成熟度相关的敏感波段（518 nm）。 采用波段比运算并结合KW检验, 分析两类感兴趣区域的平均光谱, 找出差异最大的最优波段比（640 nm/525 nm）。 以864粒玉米种子为研究对象, 提取特征波段对应的单波段图像和最优波段比对应的波段比图像, 采用图像处理技术分析图像并判别。 结果表明: 采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域, 识别准确率低； 而采用640 nm/525 nm的波段比图像可以减轻这种不利影响, 平均正确识别率为93.9%。 该方法可以有效识别未成熟的玉米种子, 为进一步开发在线分级装备提供了依据。

腐烂是发生在柑橘类水果中最普遍、 最严重的病害, 早期腐烂果的自动化检测有助于提高水果加工业的市场竞争力。 然而, 目前没有有效的自动化检测技术。 以脐橙为研究对象, 利用荧光高光谱成像检测早期腐烂果。 最佳指数OIF理论用于识别腐烂果的最优波段组合(498.6和591.4 nm)。 基于最优波长的比图像及双阈值分割算法, 识别率达到100%。 研究表明, 该方法能有效克服梗伤果及果梗在紫外线诱导下所产生的荧光效应对腐烂果识别的影响。 该研究为基于多光谱成像技术对早期腐烂果的在线检测系统的开发奠定了基础。

以鸡胴体为研究对象，应用高光谱图像技术结合分段主成分分析和波段比等数据处理方法来检测鸡胴体表面粪便污染物。首先采集400\~1000 nm的鸡胴体表面高光谱图像；然后应用分段主成分分析获得7个特征波长(520.64, 542.12, 561.61, 577.04, 595.6, 703.82和852.1 nm)，并以577.04/520.64 nm波段比图像和852.1/703.82 nm波段比图像进行一次波段加运算后的图像作为检测鸡胴体表面粪便污染物的特征图像；最后运用阈值分割和数学形态学完成粪便污染物的提取。实验结果表明，对60个鸡胴体样本进行检测，盲肠、直肠和十二指肠粪便污染物检测正确率分别为100%,100%和96%，检测总正确率为93.3%。