实现乙烯气体（C₂H₄）实时在线精确检测对石油化工、煤矿等行业安全具有重要意义，但是C₂H₄在近红外波段的谱线强度信息不明确，具有谱带吸收特征，且与CH₄有明显的混叠干扰，因此对其浓度进行精确检测是目前激光吸收光谱测量面临的共性技术难题。将波长调制光谱中的标定方法与直接吸收光谱相结合，提出了一种适用于C₂H₄气体检测的标定直接吸收光谱法（CDAS）。该方法不需要激光吸收光谱反演过程中的确切谱线强度信息，并克服了波长调制光谱在测量过程中出现的非线性效应。为了避免特定工况（如煤矿）中CH₄的干扰，实验装置采用了高精度压强控制系统，并且在100 mbar（1 bar=10⁵ Pa）稳定压强下实现了CH₄和C₂H₄混叠光谱的分离。实验过程中对1626 nm附近的CH₄和C₂H₄仿真和实测吸收光谱进行了分析，确定了C₂H₄的标定光谱范围，进而验证了该方法在体积分数低于100×10^-6的范围内，对C₂H₄气体的检测误差不超过-1.47×10^-6，并且测量体积分数与标准体积分数之间的线性拟合优度达到了0.999。对体积分数为10×10^-6的C₂H₄直接吸收光谱进行分析，以1倍信噪比对应的浓度作为检测下限进行等效计算，得到检测下限为1.38×10^-6。在Allan方差分析中，积分时间为77 s时检测精度达到了0.04×10^-6。以上实验结果充分说明了标定直接吸收光谱法能够在近红外波段实现C₂H₄的精确检测，并为此类气体的检测提供了一种新思路。

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。

细菌是人类最常见的致病源之一，不仅严重危害人类健康和公共卫生安全，还带来了巨额的医疗支出。快速而准确的细菌检测对细菌感染的治疗具有重要的意义。光谱检测方法不但可以快速实时地获得细菌的分类、含量以及功能状态等信息，而且具有操作简单、非侵入性的优势，在细菌检测领域具有巨大的潜力。本文介绍了拉曼光谱、太赫兹光谱、可见光和近红外光光谱、荧光光谱在细菌检测方面的研究与应用，并对可见光和近红外光光谱的分子机制——光靶点，包括含有视网膜发色团的细菌视紫红质（ CBCRs）、带有四吡咯发色团的拟菌植物色素、带有对香豆酸发色团的光活性黄蛋白（ PYP）、带有黄素单核苷酸（ FMN）的光氧压力（ LOV）结构域、带有黄素腺嘌呤二核苷酸（ FAD）发色团的隐色剂和含有 FAD的蓝光感应域等进行了阐述。最后，针对现有细菌光谱检测技术的优缺点提出了细菌检测技术的优化策略，希望对细菌的光谱检测研究提供帮助。

以近红外光谱技术在油茶籽粕检测中的应用为研究对象，在简单介绍近红外光谱技术的原理、特点及分析过程的基础上，详细阐述了该技术在油茶籽粕检测中的建模过程，为后续工作者更好地建立油茶籽粕近红外光谱分析模型提供理论依据和指导。同时，通过分析近红外光谱技术在油茶籽粕检测指标、标准制定以及模型转移技术中的发展，总结出该技术在油茶籽粕检测中的三个研究方向：开拓新项目的模型建立、制定普遍适用的标准、解决台间差并完成模型转移。油茶籽粕广泛应用于动物饲料、特医食品、保健食品等行业，因此大力开拓和推广近红外光谱技术在油茶籽粕检测中的应用是必然趋势。

为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

检测生物质原料的灰分含量是高效转化能源的基础, 但传统高温灼烧法测试耗时长、 成本高, 而近红外光谱分析技术能够实现无损、 快速及低成本对未知样本定性或定量的分析。 以5个地点、 10种类型的1 465份生物质原料样品为研究对象, 应用“筛选分类集合法”将样品划分9个集合, 构建近红外光谱生物质样品灰分含量模型。 主要结果为: 玉米秸秆（M）、 小麦秸秆+玉米秸秆+棉花秸秆（WCM）和小麦秸秆+杂草+园林叶（WWL）主因子数分别为5、 6和6； M集合的交叉验证决定系数（R2cv）为0.975, WCM集合的预测决定系数（R2p）为0.983, 模型拟合度最高； 长白皮+棉花秸秆集合（WC）的均方根标准误差（RMSE）最小分别为0.588 7和0.486 4, M集合的交叉验证相对分析误差（RPDcv）最高为6.3, WCM集合的预测相对分析误差（RPDp）最高为7.8, 模型预测精度最高； M集合的交叉验证平均相对偏差ARDcv最小为6%, WCM集合预测平均相对偏差ARDp最小为8%, 木质（W）集合RMSECV/RMSEP为1.01, 模型稳健性最高； 9个生物质样品灰分含量集合模型的R2范围为0.753 8~0.979 4, 建模集与预测集偏差较小均具有较好的线性关系, 其中, H集合（R2=0.942 5）、 M集合（R2=0.979 4）和WCM集合（R2=0.978 7）其拟合度与线性关系最优； L集合（木材边角料）的R2最低, 其值为0.753 8, 判断影响的主要因素是样品中含有泥沙、 粘合剂和油漆等杂质。 为解决常见生物质发电厂原料检测评估问题, 利用9个生物质灰分集合模型对11种生物质样品计算平均相对偏差（ARD）进行预测评估, 草质样品模型预测效果好（ARD范围为3.7%~16.5%）。 应用“筛选分类集合法”划分样品集合来建立近红外光谱生物质灰分含量模型, 其拟合度、 稳健性和精确度都较全样品集合模型性能更高。

小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。

不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

快速、 准确检测酒醅酸度, 可显著提高白酒出酒率和成品酒品质。 近红外光谱(NIR)提供了分子的倍频和合频, 即有机物中含氢基团(C-H、 N-H、 O-H)的振动信息, 通常用于样品中含氢化合物的定性和定量分析。 采用NIR能简单、 迅速的测定酒醅酸度, 克服了传统化学分析方法检测周期长、 试剂消耗大、 人为误差等不足。 由于NIR是一种间接分析技术, 如何建立校正模型是准确检测酒醅酸度的关键。 作为深度学习中的典型模型, 卷积神经网络(CNN)具有局部区域连接, 分享权值等优点, 不仅能从复杂的光谱数据中提取关键特征, 还能减少网络模型的复杂度。 因此, 提出基于CNN和NIR的酒醅酸度定量分析方法, 以某酒企生产线中采集的545个酒醅样本光谱数据作为研究对象, 采用标准正态变换(SNV)、 Savitzky-Golay (SG）滤波和一阶求导（1stD）三种算法相结合对原始光谱进行预处理; 利用无信息变量消除法(UVE)选择光谱数据的特征波长; 使用CNN建立酒醅酸度模型。 结果表明: (1)对光谱数据进行预处理后, 消除了原始光谱中的基线偏移, 噪声等问题; 经过预处理后的光谱数据模型相较于原始光谱建模, 预测集决定系数提升了22.85%, 预测集均方根误差降低了0.049 5, 提高了酒醅酸度与光谱反射率的相关性。 (2)对光谱数据进行波长筛选后所建立的模型相较于全波段建模, 预测集决定系数提升了2.04%, 预测集均方根误差降低了0.004 8。 (3)基于CNN建立的酸度预测模型, 预测集决定系数为0.955 5, 预测集均方根误差为0.039 1。 相较于偏最小二乘回归模型, 预测集决定系数提升了1.03%, 预测集均方根误差降低了0.097 6; 相较于反向传播神经网络模型, 预测集决定系数提升了1.16%, 预测集均方根误差降低了0.099 4。 该方法可实现对酒醅酸度的快速、 准确测量, 为后续酒醅酸度在线检测提供方法支撑。

为实现成品红茶中外源蔗糖含量的快速有效检测, 将凤庆大叶种红茶作为研究样本, 采用近红外光谱技术, 构建了成品红茶中外源蔗糖含量的定量预测模型。 首先, 制作不同外源蔗糖含量（0、 250、 500和750 g）成品红茶样品并采集其近红外光谱数据。 为提高模型预测精度, 选取标准正态变换（SNV）、 多元散射校正（MSC）、 平滑（Smooth）和中心化（Center）4种不同的预处理方法降噪处理后建立偏最小二乘回归（PLSR）模型, 根据模型效果, 优选出最佳的SNV预处理方法, 其校正集相关系数（Rc）为0.907, 预测集相关系数（Rp）为0.826, 相对标准偏差（RPD）为1.75。 为减少光谱中冗余信息对模型运算速度的影响, 利用竞争性自适应加权算法（CARS）、 混合蛙跳算法（SFLA）、 迭代空间收缩算法结合迭代保留信息变量算法（VCPA-IRIV）和变量迭代空间收缩算法（VISSA）等方法从SNV预处理后的光谱中提取对蔗糖敏感的特征波长, 利用主成分分析（PCA）将全光谱和所筛选的特征波长降维处理后, 分别建立线性PLSR和非线性的支持向量回归（SVR）、 随机森林（RF）定量预测模型。 结果表明, 经过SNV预处理后, 非线性的SVR和RF模型性能优于线性的PLSR模型, 其中VCPA-IRIV-SVR为最优模型, 其Rc值为0.950, Rp值为0.924, RPD值为2.51。 研究表明近红外光谱技术对于红茶加工过程中掺杂蔗糖含量的定量预测是可行的, 为实现红茶安全质量的无损检测提供了支撑。