市场上出售的建筑涂料品种繁多, 型号和品质不尽相同。 利用高光谱技术区分不同品质的建筑涂料。 获取同一颜色四个不同品质、 不同品牌建筑涂料（品牌A, B, C, D）的近红外高光谱图像, 利用ANOVA(analysis of variance)方法发现1 283和2 447 nm为区分四个品牌涂料的最优波段。 构建比值指数R1 283/R2 447并对其结果进行阈值分割, 将分割结果与最大似然分类精度进行了对比。 结果表明除品牌C与D之间J-M距离外, 其他涂料间J-M距离均大于1.8; 而R1 283/R2 447指数分割精度最低为87.54%, 相应最大似然分类精度为95.63%, 其他品牌涂料阈值分割与最大似然分类精度均达到90%以上。 因此, R1 283/R2 447指数能够较好地区分不同品牌的建筑涂料。 该研究结果可为建筑涂料识别、 装修质量验收、 合格评定提供技术支持。

种子纯度反映种子品种在特征特性方面典型一致的程度,提高种子纯度检测的准确性和可靠性对保证种子的质量具有重要的意义.高光谱图像技术可以同时反映种子的内部特征和外部特征,在农产品无损检测中已经得到广泛应用.利用近红外高光谱图像实现农产品无损检测的实质就是建立光谱信息与农产品品质参数之间的数学模型关系.但光谱信息易受环境、时间的影响,当待测样本的产地或者年份发生改变时光谱信息也随之改变,导致建立的模型的稳定性变差、泛化能力减弱.针对这一问题,采用主动学习算法选择具有代表性的待测样本,最终以添加最少最优的样本数来扩大原模型的样本空间,从而实现模型的快速更新,提高模型的稳定性,同时与基于随机选择算法(RS)和Kennard-Stone算法(KS)的模型更新效果进行比较.实验结果表明:在不同样本集划分比例下(1∶1,3∶1,4∶1),利用主动学习添加40个新样本更新后的2010年的玉米种子纯度检测模型对2011年新样本的预测精度由47%,33.75%,49%提高到98.89%,98.33%,98.33%;利用主动学习添加56个新样本更新后的2011年的玉米种子纯度检测模型对2010年新样本的预测精度由50.83%,54.58%,53.75%提高到94.57%,94.02%,94.57%;同时基于主动学习算法的模型更新效果明显优于RS和KS.因此基于主动学习算法实现玉米种子纯度检测模型的更新是可行的.

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。