针对传统检测方式的食用油损耗大、操作烦琐、耗时长等缺陷，提出了一种食用油种类快速无损检测的新思路。实验选用包括混合油样在内的5种待测油样本，利用搭建出的激光诱导荧光系统采集数据500组，随机选取其中400组光谱数据作为训练集，余下的100组作为测试集。选用性能更为优异的堆栈自动编码器算法对获取的荧光光谱数据进行特征提取，通过极限学习机进行分类识别，最后利用不同时间测出的食用油样本验证模型的普适性。实验结果表明，在所构建的识别模型下，样本测试网络时间仅为0.2 ms，分类准确率可达到100%，用于验证的新油样同样可取得极好的分类效果，分类速度快，准确率高。所得结果证明所建立的模型是可靠的，能够在确保精准识别的同时，实现食用油类别的快速无损检测。

煤矿的现代化建设需要实现煤矸石的智能分选。设计了一个基于多光谱图像的煤矸石检测模型,其目的是快速、准确地为智能分选提供煤矸石位置。首先,采集煤和煤矸石的多光谱数据,利用最佳指数因子理论从多光谱图像的25个波段中选择3个构成伪RGB图像。其次,设计一个轻量的检测模型,记为YOLO mg。最后,基于伪RGB图像将设计的模型用于煤矸石检测研究,并通过非极大值抑制联合置信度阈值过滤冗余边界框。实验结果显示,YOLO mg在204 pixel×204 pixel的输入分辨率下,实现了煤矸石91.91%的平均检测精度,并且115张光谱图像的检测耗时仅为1.225 s。所设计的轻量检测模型能实现煤矸石最快速的识别和定位,这对煤矸石的智能分离操作具有重要意义。