为了监测黄瓜采摘后贮藏期间品质的变化, 借助不同贮藏日期贮藏室气氛的3D荧光数据, 提出了一种特征荧光信息(特征激发与特征发射波长)提取方法, 实现了黄瓜贮藏期间品质的监测。 首先, 对3D荧光数据进行去除瑞利散射和多项式Savitzky-Golar(SG)平滑降噪预处理, 有效消除了散射和噪声信号的影响。 其次, 对预处理后的3D荧光数据进行主成分分析(PCA)得到主成分矩阵, 并运用各主成分变量构造Wilks统计量, 选取了最小值对应的主成分(第11主成分, PC11); 根据构造该主成分的各原始变量(激发波长)的组合系数大小提取了8个特征激发波长。 然后, 采用10 nm的间隔对发射光谱进行了波段划分, 运用小波包分解(WPD)对每个波段进行了3尺度分解, 计算了各波段分解后的小波包能量, 综合8天试验结果选择能量最高的发射波段作为初选发射波段。 采用偏最小二乘回归(PLS)结合黄瓜理化指标(硬度、 叶绿素含量和失重率)对初选的发射波段进行了分析, 依据回归系数精选了7个特征发射波长, 简化了计算。 同时, 根据黄瓜硬度数据初步找到了其变化趋势的转折点; 根据黄瓜叶绿素含量变化曲线及一阶导数, 发现了叶绿素下降趋势最显著的点, 并结合试验过程中的感官观察结果, 确定第5个贮藏日为黄瓜品质突变日, 并选择第5个贮藏日为监测基准日。 最后, 采用提取的特征荧光信息计算不同贮藏天数与监测基准日之间的马氏距离(MD), 构建MD监测模型。 结果表明, 随着贮藏时间越来越接近监测基准日, MD值则逐渐减小到0, 与黄瓜贮藏过程中品质变化进程相符。 上述多变量统计分析融合小波包能量的特征波长提取方法和应用特征荧光信息构建的MD监测模型有望成为黄瓜贮藏过程中品质监测的一种可行方法。

面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。 面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行, 其测定方法费时费力。 基于此, 提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、 无损检测。 参照国标法测定150份小麦面粉样品的吸水率, 面粉吸水率变幅为53.10%~74.50%。 利用可见近红外分析仪采集面粉样品的光谱信息, 有效光谱范围为570~1 100 nm。 采用偏最小二乘回归(PLSR)、 主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联, 分别建立面粉吸水率的定量分析预测模型, 筛选最优的建模方法。 在优选的建模方法的基础上, 采用竞争性自适应重加权(CARS)、 区间随机蛙跳(iRF)、 迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长, 筛选最优的特征波长提取算法。 基于最优的建模方法和最优的特征波长提取算法提取的特征波长, 采用标准化(NL)、 一阶求导(1st Der)、 基线校正(BL)、 标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理, 筛选最优的光谱预处理方法。 结果表明, 采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳, 预测集相关系数(R2p)、 预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.889 4、 1.458 5和2.641 3。 采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能, 还很大程度提高模型运算效率、 降低仪器制造成本和光谱仪微型化的难度, 从而为面粉吸水率可见近红外无损、 快速检测研究奠定了基础。

经典名方一贯煎由生地黄、 北沙参、 麦冬、 当归、 枸杞子、 川楝子6味药组成, 具有滋养肝肾、 疏肝理气之效。 红外光谱技术具有快速无损的优点, 可完整的将不同批次一贯煎基准样品的信息表达。 运用傅里叶变换红外光谱仪采集样品的红外光谱, 对原始光谱进行预处理, 得到相对峰高, 对共有峰进行归属, 采用聚类分析（HCA）、 主成分分析（PCA）及正交偏最小二乘法-判别分析（OPLS-DA）对图谱数据进行评价。 结果表明15批一贯煎基准样品中868、 822和779 cm-1波段为糖骨架伸缩振动吸收峰, 多为枸杞所贡献, 815 cm-1波段处少数为麦冬所贡献； 生地黄单煎液在1 148 cm-1波段处、 沙参单煎液在1 158、 1 082和1 019 cm-1波段处、 当归单煎液在993 cm-1波段处均有对糖苷类成分的贡献； 川楝子单煎液1 746 cm-1波段处可溶性脂类糖苷成分吸收峰明显, 一贯煎复方中此处吸收峰并不明显, 可能为川楝子与其他五味药配伍煎煮过程中化学成分发生变化。 HCA结果显示, 当组间距离=10时, S1、 S2、 S15聚为一类, S9、 S11、 S12、 S13、 S14聚为一类, S3、 S4、 S5、 S6、 S7、 S8、 S10聚为一类, 表明不同批次一贯煎汤剂内部质量存在一定差异。 PCA分类结果与聚类分析结果基本一致, 并计算不同批次的主成分综合得分, 其中批次3一贯煎汤剂质量最佳, 批次1质量最次, 由载荷散点图分析得到1 104、 1 142、 1 412、 1 260和868 cm-1波段峰对主成分1的贡献率较大； 777、 2936、 923、 1 721、 818和637 cm-1波段峰对主成分2的贡献较大。 OPLS-DA结果与HCA和PCA结果一致, 以VIP＞1为标准, 筛选出七个导致样品之间产生差异的波段, 分别为777、 637、 923、 2 936、 1 260、 1 412和1 630 cm-1, 该结果与PCA载荷图中寻找的重要性权重变量基本一致。 所建立的一贯煎红外指纹图谱方法简单、 准确度高, 可用于经典名方的快速鉴别分析, 为经典名方一贯煎的质量控制与评价提供参考。

近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。

土壤养分直接关系到作物产量与品质状况, 然而传统化学方法检测存在化学试剂消耗大、 耗时费力等问题, 不能满足精细农业的需求。 快速获取土壤养分信息是发展精细农业、 绿色农业的关键, 想要了解土壤肥力状况, 必须先了解有机质和总氮的含量状况。 许多研究表明, 长波近红外光谱被广泛应用于土壤检测领域, 然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。 以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区, 根据2×2网格法采集了深度为10～30 cm的棕壤、 红壤和水稻土三种最为典型的土壤样品共180份。 经过研磨、 风干等处理后用四分法均匀划分为两份, 用于测定样品光谱信息和理化信息。 将土壤样品按照2∶1(120∶60)划分为建模集和预测集。 考虑到首尾端波段噪声较大, 故去除325～349和1 051～1 075 nm波段, 将350～1 050 nm波段用于光谱分析。 通过连续投影算法(SPA)筛选出有机质12个特征波长点, 总氮11个特征波长点, 考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系, 建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质和总氮进行研究, LS-SVM模型采用两步网格搜索法优化了两个超参数γ和σ2。 研究结果表明: (1)土壤的光谱反射率随波长增加反射率升高, 反射率曲线中460、 550、 580、 740和900 nm处有较为明显的吸收特征。 (2)从PLSR模型和LS-SVM模型结果分析可知, 非线性模型LS-SVM具有更好的预测精度, 分析认为土壤光谱信息与土壤理化性质之间存在一些非线性关系。 (3)通过连续投影算法筛选的特征波长提高了模型精度, 优化了模型运行效率。 SPA-LS-SVM模型是所有模型中最优的预测模型, 其中有机质模型的R2pre为0.884 7, RMSEp为0.104 8, RPD为2.945 0, 总氮模型的R2pre为0.901 8, RMSEp为0.010 4, RPD为3.191 1。 (4)本研究说明可见/近红外光谱能够用于测量不同类型的土壤有机质和总氮含量, 并且达到较好的预测效果。 可见/近红外光谱在土壤检测领域具有巨大潜力。

正丁醇具有互溶性好、 挥发性低、 价格低廉以及腐蚀性低等优势, 被认为是理想的柴油添加物。 柴油中正丁醇的精准定量分析对其品质快速评价与市场监督具有重要科学意义与实用价值。 提出了一种基于拉曼（Raman）光谱结合偏最小二乘（PLS）的柴油中正丁醇快速定量分析方法。 首先, 采集了40个柴油样品的Raman光谱, 并考察了不同预处理方法［一阶导数、 二阶导数、 多元散射校正、 标准正态变换、 归一化（Normalization）和小波变换］对PLS校正模型预测性能的影响; 其次, 采用变量重要性投影（VIP）对Normalization方法预处理后的光谱数据进行特征变量提取, 并采用五折交叉验证优化VIP的阈值; 最后, 基于最优的光谱预处理方法、 输入变量和模型参数, 构建PLS校正模型对柴油中正丁醇含量进行快速定量分析, 结果与基于原始光谱（RAW）和Normalization光谱的PLS校正模型的预测性能进行对比。 结果表明: Normalization-VIP-PLS校正模型展现出优异的预测能力（R2CV和RMSECV为0.998 4和0.236 2%: R2P和RMSEP为0.998 7和0.208 4%; RSD为0.035 5）。 成功建立了一种Raman光谱结合PLS算法的柴油中正丁醇快速定量分析方法, 该方法具有快速、 准确、 便捷等优势, 可为柴油以及其他燃料中添加物检测及其品质分析提供新思路与新方法。

激光诱导击穿光谱法以其快速、 高效、 无害、 全谱直读、 几乎不需要样品制备等优势, 广泛用于元素定量分析领域, 为了建立简单易行的分析方法, 利用自行研制的聚丙烯塑料（PP）标准样品（RM）, 结合偏最小二乘法（PLS）, 运用激光诱导击穿光谱方法（LIBS）, 建立了Pb和Cr元素的PRM-PLS-LIBS分析模型。 PP标准样品是按照国际标准要求进行研制, Pb和Cr的含量梯度根据各个国家和地区的限制要求, 设定范围在0~1 000 mg·kg-1, 具体数值由定值结果结合不确定度给出, 并且该套标准样品均匀性和稳定性良好, 应用该标准样品建立的Pb和Cr的标准曲线的相关系数分别为0.999 2和0.998 9, 检出限分别为35和28 mg·kg-1, 已经达到定量分析能力。 为了提高定量分析模型的准确度, 需要对标准曲线的数据进一步优化。 在数据量较小的情况下, 通过对基线类型的多重优化, 比较了偏最小二乘法（PLS）和经典最小二乘法（CLS）。 实验数据表明, PLS的校正均方根误差（RMSEC）和校正系数（Corr. Coeff）都明显优于CLS。 通过优化Pb和Cr的分析波长范围和基线类型, 校正曲线的给定值与预测值之间的校正系数达到1.000 0, 进一步提高了模型的准确度。 随机选取一套PP标准样品, 对校正曲线进行验证。 取高含量样品（PP-306）和低含量样品（PP-302）进行测定, 将Pb和Cr的测定数据代入PCRM-PLS模型中, PP-306中Pb和Cr的测定值分别为998和96 mg·kg-1, PP-302中Pb和Cr的测定值分别为980和95 mg·kg-1, 都在给定值范围内, 方法有效可靠。

植物凋落物是联结生物有机体合成和分解的桥梁, 通过物质流、 能量流及信息流深刻地影响了陆地生态系统的结构、 功能及关键生态过程。 自然生态系统中地表凋落物通常以混合物的形式分解, 尤其是在物种极其丰富的亚热带常绿阔叶林中。 受样地内树种组成影响, 叶凋落物往往属、 种混杂, 非专业人士难以实现准确鉴别, 这为后续凋落物分解研究带来一定的困难。 近红外光谱分析技术作为一种快速无损的检测手段, 已经成功应用于牛肝菌、 柑橘、 水稻等的种类鉴别。 该技术为解决叶凋落物鉴定这一难题提供了新的途径。 该研究收集云南哀牢山典型中山湿性常绿阔叶林6种优势树种叶凋落物共计540份, 获取样品近红外漫反射光谱, 分析不同种类叶凋落物平均光谱图特征。 建模时, 使用Kennard-Stone算法将540个样品数据以2∶1比例分为训练集与验证集, 其中360个样品数据用于叶凋落物分类模型的建立, 180个样品数据用于叶凋落物分类模型的验证。 使用标准正态变量变换(SNV)、 Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 导数处理(Derivative)等单一与组合算法对光谱数据进行预处理, 并采用主成分分析(PCA)与正交偏最小二乘判别分析(OPLS-DA)2种模式识别方法对不同树种叶凋落物进行鉴别。 结果表明: (1) 叶凋落物近红外光谱主成分分析得分图中各组数据呈现交织状态, 虽然经SNV+SG方法预处理后, 光谱数据得到优化, 变色锥与舟柄茶与其他树种出现一定的区分, 但仍然无法实现6种叶凋落物的准确鉴别。 (2) SNV+SD预处理方法结合OPLS-DA建立的模式识别模型, 效果最好, 因变量累计拟合指数为0.922, 模型累计预测能力指数为0.894, 置换检验显示模型未过度拟合, 训练集与验证集识别率均为100%。 研究表明, 在对样本近红外光谱进行预处理优化的基础上, 结合有监督的OPLS-DA模式识别方法, 可以实现不同树种叶凋落物的准确鉴别, 为后续植物凋落物研究提供了有力的技术支撑。

针对传统光谱法检测鸡蛋新鲜度存在的效率低、 准确率不够高等问题, 提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究, 以期在保证足够高准确度的同时大幅提高检测效率。 将不同储存条件下的鸡蛋作为样本, 并分别划分为训练集和测试集, 采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。 具体地, 首先利用可见-近红外光谱系统采集鸡蛋的反射光谱, 将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、 偏最小二乘(partial least squares, PLS)、 支持向量机(support vector machine , SVM)、 多层感知机(muhi-layer perception , MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型, 并对比各模型性能指标。 分析结果发现, 经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1st-Der)预处理后的RF、 SVM、 XGBoost模型和经标准正态变量(standardized normal variate, SNV)预处理后的PLS、 MLP模型具有较好的训练结果。 为进一步提高模型精度和运算效率, 提出利用区间偏最小二乘法(interval partial least squares, IPLS)对SG-1st-Der和SNV预处理后的光谱数据首先进行降维, 然后再分别建立基于RF、 SVM、 XGBoost、 PLS及MLP等算法的预估模型, 最后通过测试集对模型进行验证。 结果发现原始光谱数据经SG-1st-Der预处理后所建立的IPLS-XGBoost分类模型性能最优, 在不同储藏条件下测试集的F-measure分别为92.33%和90%, Accuracy分别达到94.44％和91.67％, 而程序运行时间均不超过0.6 s。 表明, 可见-近红外光谱结合IPLS-XGBoost分类算法可应用于鸡蛋新鲜度评估, 该方法在模型分类性能、 准确度评估、 运行速度等方面比传统方法更具优越性。