近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。

塑料因其可塑性与低成本在日常生活与工业中被广泛使用，然而这也带来环境污染与资源浪费等问题，因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性，采用近红外高光谱成像技术（NIR-HSI），比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM（PSO-SVM）、遗传算法优化的SVM（GA-SVM）等机器学习方法。通过验证数据筛选模型准确率后，将其应用于高光谱图像，通过可视化分类对比原始图像评估模型效果。结果显示，基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳，验证数据的精度分别达到96.14%、96.21%和98.67%，在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值，只需获取特定塑料的光谱数据并进行适当处理，即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。

为解决无人机高光谱成像仪体积大，探测效率低等问题，提出了一种轻小型多模态高分辨率高光谱成像仪。文中主要介绍了高光谱成像仪光学系统设计，数据采集及实时处理模块。通过切换扫描模式满足光谱特性分析，目标检测等不同领域的探测模式需求。采用低畸变、高通量、紧凑型分光光学系统设计实现无人机平台对光谱成像仪的重量要求和探测精度要求。根据设计需求实现产品的加工同时进行了性能测试，其中，MTF达到 0.19，光谱分辨率 3.5～5.4 nm。通过检测多种流水线中的杂质验证系统对实时目标检测的能力。实现结果表明，系统能够实现每秒 2048 pixel×2048 pixel场景的高精度光谱异常目标探测，探测精度优于87%。

光谱图像比RGB图像存储的信息量更大, 理论上具有更广泛的应用范围, 然而受限于光谱成像设备成本高、 数据处理复杂等问题, 目前主要应用在遥感、 **及天文学等特定领域。 近年来, 学者们提出了利用RGB图像通过数学方法重建光谱图像的解决方案, 能够极大提高光谱图像的应用范围。 然而, 当前光谱重建方法普遍存在图像细节易丢失、 光谱精度不够高等问题, 因此, 提出一种基于双重注意力机制的RGB图像光谱重建方法, 从图像细节和光谱精度方面提高光谱图像重建质量。 所提出的光谱重建方法设计了一种稀疏信号深度重建网络, 重点针对RGB图像的稀疏特性, 从准确提取图像信息的多层次特征、 挖掘更多语义信息入手, 实现稀疏信号到完备信号重建。 在网络结构上, 所设计的光谱重建网络首先利用小参数卷积提取RGB图像的浅层特征信息; 然后引入有效多频率通道注意力机制, 计算特征层各通道之间的相关性, 通过层间加权实现特征响应的有效分配; 同时建立层特征加权融合注意力机制, 学习不同层特征之间的依赖关系, 通过不同层加权实现权重的优化, 以便提取有效的光谱深度特征; 最后基于所提取的深度特征通过卷积生成指定维度的光谱图像。 该实验利用python3.7编程语言, 以pytorch1.2作为深度学习模型框架, 综合光谱图像误差和RGB图像误差作为损失函数进行光谱重建网络的训练。 在NTIRE 2020和CAVE数据集上, 对所提方法与7种主流光谱重建方法进行对比验证, 从主观方面来看, 该方法恢复的光谱图像细节更清晰、 误差更小; 从客观指标方面分析, 该方法重建出的光谱图像与目前已有文献中重建性能较好的方法相比, 在RRMSE、 RSAM、 RERGAS指标上分别降低了18.9%、 16.6%、 22.2%, 而RPSNR指标提高了4.5%。 实验结果证明了该方法在RGB图像光谱重建的有效性。

高光谱成像技术（HSI）是基于非常多窄波段的影像数据技术, 将成像技术与光谱技术相结合, 获取高光谱分辨率的连续、 窄波段的图像数据, 因其快速、 无损的特点, 被广泛应用于食品、 农产品、 中药材等样品的快速鉴别。 道地药材新会陈皮具有较高的市场价值, 且陈化（贮藏）年份越久市场价格亦越高, 市场人工鉴别准确率低、 难度大。 基于高光谱技术结合化学计量学方法, 建立不同陈化年份新会陈皮的快速无损鉴别方法。 采集5个陈化年份样品在可见-近红外波段（400～1 000 nm）的高光谱信息, 提取高光谱图像感兴趣区域（ROI）的平均光谱值作为样本原始光谱。 经黑白校正后获得标准数据, 通过多元散射校正（MSC）、 一阶导数（D1）、 二阶导数（D2）、 SG平滑（SG）和标准正态变量变换（SNV）5种预处理方法对数据进行降噪处理后, 结合偏最小二乘判别分析（PLS-DA) 、 随机森林（RF）和支持向量机（SVM）等方法建立分类鉴别模型, 以预测结果的准确率作为评价指标筛选最佳模型, 使用混淆矩阵（confusion matrix）评估模型分类性能。 结果表明, 外表皮数据以MSC结合PLS-DA方法为最优鉴别模型, 预测集鉴别准确率达到97.59%； 而内表皮数据则以原始数据结合PLS-DA方法为最优鉴别模型, 预测集鉴别准确率亦达到97.59%。 采用内表皮数据, 进一步采用连续投影算法（SPA）选择19个特征波长建模, 整体判别准确率仍可达90%以上。 通过SPA方法提取的特征波长建模可以达到与全波长模型相似的识别效果, 去除冗余变量可以大大降低模型的复杂性, 减少模型的运算时间。 该研究建立的高光谱技术结合化学计量学的方法可实现不同陈化年份新会陈皮样品的快速无损鉴别, 为专属小型化仪器装备系统的开发提供了理论依据。

棉花杂质在轧棉过程中对棉纤维造成损伤, 导致成品纺织品出现瑕疵。 因此, 杂质的检测和分类在棉花生产过程及质量检验中至关重要。 地膜是我国机采棉中特有的杂质。 该研究将包括地膜碎片等12种常见棉花杂质放置于两层皮棉层之间, 采用推扫式高光谱成像系统在透射模式下对杂质与皮棉混合样本进行图像采集, 在400~1 000 nm范围内利用光谱信息识别嵌在皮棉层中的12种杂质。 首先对高光谱图像进行平场校正, 对边缘噪声进行裁剪； 选择500 nm处灰度图像进行人工感兴趣区域（ROIs）提取, 从ROIs提取皮棉和杂质平均透射光谱并进行标准化； 使用典型判别分析（CDA）对皮棉和杂质光谱进行处理并利用前三个典型变量绘制散点图, 观察散点分组情况, 采用多变量方差分析（MANOVA）对前三个典型变量评估每两种杂质之间的差异。 然后使用区间随机蛙跳（iRF）方法提取特征波段, 采用支持向量机（SVM）分类器, 分别对全波段及特征波段的透射光谱进行杂质和皮棉13个类别的分类研究, 对比分析两次分类的准确率。 结果表明, 全波段的各类杂质和皮棉的平均分类准确率为84.4%, 该方法对棉花内层杂质的检测与分类是可行的, 包括与皮棉外观相近的地膜、 塑料包装和纸的分类效果较好。 在提取12个特征波段后, 4种具有相似外观和相似化学成分的杂质（裂茎、 茎皮、 棉铃壳、 棕叶）分类准确率较低但都超过73%； 棉籽、 绿叶、 纸片、 塑料包装、 地膜、 皮棉的分类准确率均超过90%； 各类杂质和皮棉的平均分类准确率为86.2%； 与全波段光谱的分类结果相比, 特征波段光谱的平均分类准确率提高1.8%。 该研究结果可为棉花内层杂质检测研究提供理论依据, 并对高光谱透射成像技术的应用有较好的指导作用。

旨在实现对海洋牧场水下底栖动物的原位识别, 使用随机森林算法实现识别分类检测, 对目标生物进行分类识别分析, 深入挖掘数据, 提高工作效率和决策可靠性。 利用研发的水下高光谱成像分析仪, 在不同的水下环境中通过获取五种海洋牧场常见经济动物（虾夷扇贝、 栉孔扇贝、 脉红螺、 皱纹盘鲍、 仿刺参）的高光谱数据, 归一化处理后运用机器学习中的随机森林（RF）、 基于主成分分析的随机森林（PCA-RF）、 基于递归特征消除的随机森林（RFE-RF）三种随机森林算法对五种底栖动物进行分类识别以及对比分析。 通过RF的变量重要性排序, 筛选出排名较高, 对模型贡献度高的波段所对应的反射谱强度数据, 再将排名靠前的特征波段数据输入分类器中, 通过优化参数, 得到分类准确度。 将数据的分类结果输出混淆矩阵, 可以看到五种样品的识别情况。 脉红螺样品识别精度最低, 为64％； 仿刺参与栉孔扇贝的识别精度最高, 达到了100％； 虾夷扇贝与皱纹盘鲍的识别精度分别为91％与96％。 三种方法最终得到的分类精度分别为: RF 90.13％； PCA-RF 95.20％； RFE-RF 98.74％, 达到了较为理想的分类效果, 体现了随机森林算法运用在水下高光谱数据分类研究的可行性。

微藻工厂化养殖为天然碳水化合物、 蛋白质等生产提供了重要途径, 但较高的养殖成本始终是限制微藻大规模商业化发展的瓶颈之一。 由于微藻生长速度很快且其胞内代谢信息时刻都在发生变化, 开发快速无损的微藻生长代谢监测手段用以实时获取微藻生产过程中感兴趣指标变化信息, 可以据此及时调整培养条件, 保障微藻高效优质生产。 关于微藻生长代谢信息快速无损检测的研究多集中在微藻油脂及其特性、 色素等方面, 对于同作为微藻重要营养成分的碳水化合物、 蛋白质等却少有报道。 本研究以斜生四链藻（Tetradesmus obliquus）为研究对象, 利用可见/近红外高光谱成像（HSI）技术结合化学计量学方法, 提出基于HSI的微藻碳水化合物和蛋白质反演判别方法。 对比研究标准化（autosacling）、 标准正态化（SNV）等12种预处理方法对原始高光谱数据的处理效果; 采用竞争自适应重加权采样算法（CARS）、 区间随机蛙跳算法（iRF）和模拟退火算法（SA）进行特征波段选择; 结合多元线性回归（MLR）、 偏最小二乘（PLS）、 支持向量机回归（SVR）以及随机森林回归（RFR）对微藻生物量、 碳水化合物和蛋白质含量进行反演判别。 结果表明, 斜生四链藻生物量预测模型采用矢量归一化（VN）预处理方式结合CARS-MLR算法效果最优, 决定系数（R2p）为 0.967, 剩余预测偏差（RPD）为6.212; 碳水化合物的最优预测模型为原始光谱（raw）结合iRF-RFR算法, R2p和RPD分别为0.995和36.156; 蛋白质判别模型采用WT预处理结合SA-RFR算法构建的效果最佳, R2p和RPD分别为0.909和10.116。 基于优化模型和HSI技术对藻液中各组分的空间分布及丰度进行了可视化展示。 研究结果有望为微藻工厂化养殖过程中生长信息的快速无损获取提供理论参考和技术支撑。

利用近红外高光谱成像技术（NIR-HSI）, 将采集的光谱信息融合图像纹理信息建立分类模型, 实现灵武长枣瘀伤等级的判别。 采用瘀伤装置获得瘀伤等级为Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ、 Ⅴ级的200个长枣样品, 并按3∶1的比例划分校正集和预测集。 采集不同瘀伤等级长枣的近红外高光谱图像, 使用ENVI软件提取感兴趣区域（region of interest, ROI）并计算平均光谱值。 为消除无用信息的干扰, 采用正交信号修正（OSC）、 基线校准（Baseline）、 多元散射校正（MSC）、 移动平均（MA）、 卷积平滑（S-G）和去趋势（De-trending）对原始光谱进行预处理并建立偏最小二乘判别分析（PLS-DA）模型; 基于最优预处理方法所得的全波段数据采用变量组合集群分析法（VCPA）、 无信息消除变量算法（UVE）、 竞争性自适应加权抽样算法（CARS）、 区间变量迭代空间收缩法（iVISSA）和连续投影算法（SPA）提取特征波长后建立PLS-DA模型; 将高光谱图像进行掩膜, 利用主成分分析（PCA）获取贡献率最高的主成分图像, 并在该图像上采用灰度共生矩阵（GLCM）提取纹理参数, 包括能量（ASM）、 熵（ENT）、 对比度（CON）和相关性（COR）, 建立图谱融合的PLS-DA模型。 结果表明, 原始光谱数据建立的PLS-DA模型, 校正集和验证集准确率分别为89%和86%; 原始光谱经De-trending预处理后的PLS-DA模型效果最优, 校正集和预测集准确率均为90%, 较原始光谱模型分别提高了1%和4%; 基于SPA选择特征波长后建立的PLS-DA模型的校正集和预测集准确率均为90%; De-trending-SPA-COR-PLS-DA图谱融合模型效果最优, 模型校正集和预测集准确率均为92%。 因此, 利用近红外高光谱成像技术融合纹理信息可实现不同瘀伤等级灵武长枣的快速无损判别。

低温冻害是茶园中最常见的自然灾害之一。 茶树叶片低温胁迫的定量监测对于评估茶园冻害程度和及时采取措施具有重要意义。 茶树低温胁迫的传统检测方法, 主要是通过人工观察和理化指标的测定, 存在精度低、 效率低和主观性强等问题, 严重影响了灾害后期的茶树管理。 该研究提出了一种基于高光谱成像的茶树冻害程度定量判断方法。 首先, 利用高光谱成像设备采集自然环境中茶树叶片在无冻害发生、 冻害初期和冻害后期三个阶段的光谱数据, 提取叶片的平均反射率; 测定相应叶片中的相对电导率（REC）、 叶绿素（SPAD）和丙二醛（MDA）等生理生化指标。 其次, 利用多元散射校正（MSC）、 一阶导数（1-D）和平滑滤波（S-G）算法对采集的原始高光谱数据进行预处理, 并利用无信息变量消除（UVE）和竞争性自适应重加权（SPA）算法筛选预处理后高光谱数据的特征波段。 最后, 利用卷积神经网络（CNN）、 支持向量机（SVM）和偏最小二乘法（PLS）建立REC、 SPAD和MDA含量的定量预测模型。 结果表明: （1）经MSC+1-D+S-G算法预处理的光谱曲线比原始光谱曲线的波峰和波谷更加突出, 提高了光谱的分辨率和灵敏度, 有利于提高后期回归模型的精度; （2）UVE算法筛选的特征波段数量最多, 后期建模效果更优; SPA算法筛选的特征波段数量最少, 更适合用传统的机器学习方法建立回归模型; （3）SPAD、 REC和MDA的最佳预测模型分别为SPAD-UVE-CNN（R2P=0.730, RMSEP=3.923）、 REC-UVE-SVM（R2P=0.802, RMSEP=0.037）和MDA-UVE-CNN（R2P=0.812, RMSEP=0.008）。 利用高光谱成像技术与多种算法相结合, 可以实现对茶树叶片低温胁迫程度的无损、 准确和定量监测, 对快速预测茶园冻害发生和采取必要措施具有重要意义。