通过研究不同参数下高熵合金熔覆层的显微组织、相的组成，并将晶界与树枝晶元素原子量进行对比分析，揭示工艺参数对激光熔覆制备高熵合金的影响。结果表明：在激光功率一定的条件下，AlCoCrCuFeNi高熵合金相结构随着扫描速度的增加逐渐由bcc相变为bcc相+fcc相；对比熔铸法，激光熔覆铝合金制备多了1个以Al元素为主的fcc固溶体相。高熵合金主要由底部的树枝晶向顶部的等轴晶发展。通过EDS分析发现，熔覆过程中Al元素偏析严重，Cu元素在晶界处有少量偏析，且扫描速度对合金质量影响明显。

叶绿素含量是甘蔗在生长监测中非常重要的评估内容, 尤其是在甘蔗受到病害侵染的情况下, 准确估计叶绿素含量有利于病害的早期检测与防治, 在实际生产中具有重要意义。 为了构建花叶病胁迫下甘蔗叶片叶绿素含量估计模型, 于2021年7月到11月通过人工接种病菌, 使甘蔗叶片感染花叶病。 对这些感染了花叶病的叶片重复测量高光谱数据。 并通过化学方法测量叶片的叶绿素含量, 以此建立花叶病胁迫下的甘蔗叶片高光谱数据集。 首先使用Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 变量标准化(SNV)、 一阶导数(1st D)、 二阶导数(2nd D)5种高光谱数据预处理方法建立偏最小二乘回归(PLSR)检测模型, 从而构建高光谱数据最优预处理模型。 利用最优预处理结果, 分别采用相关系数、 连续投影算法(SPA)和随机森林算法(RF)筛选特征波段。 将筛选出的波段分别和BP神经网络(BPNN)、 支持向量回归(SVR)、 K最邻近法(KNN)等机器学习模型结合建立叶绿素含量预测模型。 结果表明, 基于SG处理后建立的PLSR模型精度最高R2p=0.9952, RMSEp=0.235 3 mg·cm-2。 用RF筛选出的特征波段与BPNN学习模型结合的SG-RF-BPNN模型为花叶病胁迫下甘蔗叶片叶绿素含量的最优预测模型, R2p=0.996 4, RMSEp=0.205 8 mg·cm-2。 提出的基于高光谱信息的花叶病胁迫下的叶绿素含量预测模型具有较高的精度和预测能力, 可为大面积种植的甘蔗精准、 无损伤的病害胁迫检测提供科学依据。

高光谱遥感技术能够更细致地检测出岩矿的光谱特征, 为高光谱岩矿识别提供了强有力手段。 基于特定吸收特征波段的高光谱岩矿识别模型依赖很高的先验知识且难以满足区分不同类型岩石的要求, 因此探索建立准确、 高效的高光谱岩石自动识别模型具有重要意义。 在禄丰恐龙谷地区采集三类典型的沉积岩(泥岩、 砂岩和灰岩各21个)作为目标样本, 采用ASD FieldSpec3地物光谱仪获取沉积岩样本在350~2 500 nm范围内的高光谱数据, 对原始光谱进行一阶微分、 连续统去除变换并分析其光谱特征, 采用连续投影(SPA)、 竞争性自适应重加权采样(CARS)和迭代保留信息变量法(IRIV)三种特征变量选择算法选取原始光谱及其变换光谱中的特征波长, 基于全波段和特征波长数据分别建立支持向量机(SVM)和随机森林(RF)识别模型。 结果表明: 三种特征变量选择算法对高光谱数据都具有较好的降维效果, 从原始光谱及两种变换光谱选取出的特征波长数量在7~59个之间。 综合光谱变换处理与特征变量选择算法进行模型测试对比试验, 发现组合连续统去除-SPA-SVM模型方法在识别三类目标沉积岩上的表现最好, 其识别精度为0.952 4, 此时选取出用于输入模型的特征波长数量为10个, 只占全波段的0.5%, 大大降低了模型的运算量, 其中2个特征波长位于550 nm附近的Fe2+和Fe3+吸收带, 2个位于900 nm附近Fe3+吸收带, 5个位于1 900和2 200 nm附近的水分子、 羟基吸收带, 其分布可以较好地反映沉积岩化学成分差异导致的光谱吸收特征规律。 实验结果表明采用光谱变换与特征变量选择算法进行高光谱沉积岩自动识别是可行的, 能为高光谱岩矿识别方法提供参考。

报道了X射线衍射光谱、 拉曼光谱、 红外光谱、 高光谱等多种光谱技术在五当召剌弥仁殿壁画制作材料与工艺研究中的应用。 五当召位于包头市阴山山脉腹地, 是内蒙古地区现存规模最大的格鲁派召庙, 剌弥仁殿是其六大经殿之一。 殿内壁画具有清代以来藏传佛教壁画的鲜明特点, 但受多种病害影响, 亟需保护修复。 使用多种光谱技术对壁画各结构层材质进行分析, 了解其制作工艺, 为壁画保护修复提供依据。 X射线衍射及激光粒度分析结果表明, 壁画泥质地仗的物相组成以石英、 钠长石、 方解石为主, 比例与当地生土基本一致, 仅通过物理筛分和掺加不同植物纤维的方式区分粗、 细泥层。 拉曼光谱分析结果表明, 壁画所用颜料有朱砂、 铅丹、 巴黎绿、 群青、 铬黄等, 后三种人工颜料于19世纪中后叶进入中国; 结合相关文献档案, 可推断壁画的绘制时代。 红外光谱结合色谱、 质谱联用技术分析结果表明, 壁画颜料层胶结材料是动物胶, 表面涂层是一种干性油薄膜, 但油料来源与加工工艺的判断仍需要更多的线索。 壁画纸张上的红色藏文印记通过高光谱成像技术提取后, 经最小噪声分离和波段运算处理, 文字的可识读性大幅提高。 针对复合材质类文物, 多种光谱分析技术的联合应用可以较为全面地揭示其结构、 材料、 影像等多元信息, 是目前深入研究彩绘类文物的基本手段。

近红外波段(NIR, 波长范围: 780～2 500 nm)在线光谱分析技术具有小型化、 快速检测、 结果稳定可靠等优点, 在工业现场检测领域有着广泛的应用。 由于近红外光谱分析系统受温度影响较大, 传统的光栅分光在线光谱分析系统所采用的光谱仪通常仅对探测器制冷, 光路部分仍然会受到温度影响产生波长漂移等测量误差。 此外, 系统也多采用PC计算机来进行数据采集和控制, 并通过配备独立的工业通讯模块实现光谱分析系统与产线总控系统的通讯, 不仅增加了设备成本与体积, 也显著降低了系统的稳定性。 针对这些问题, 基于STM32单片机开展了在线恒温光谱分析系统研制与测试。 系统采用STM32单片机来控制近红外光谱仪, 通过设定和修改采集间隔时间并采集光谱数据, 对光谱数据进行预处理, 来计算得到目标样品的理化指标。 对于温度控制, 开发了在STM32单片机上运行的基于比例-积分-微分(PID)控制算法的恒温控制系统, 对光谱仪整体(包含光路和电路部分)实现了闭环恒温控制。 同时, 开发了基于STM32单片机的工业通讯接口(包含Modbus协议通讯和4～20 mA电流信号通讯)。 系统实验测试结果表明, 该设计能够长时间稳定运行, 并有效降低了环境温度变化对光谱数据带来的干扰。 在长达48小时的系统运行过程中, 光谱仪温度稳定控制在5 ℃左右, 温控精度优于0.25 ℃。 相对于未恒温控制的运行模式, 恒温控制条件下的平均吸收光谱强度相对标准差显著减小, 并实现了数据采集、 预处理、 样品理化指标计算、 工业信号通讯及温度控制的一体化设计, 以满足工业现场在线检测需求。

中药材重金属超标问题日趋严重, 将阻碍中药产业的未来高质量发展, 因此研究高效、 准确、 便捷的超标鉴定方法对于了解中药的安全性具有重要意义。 X射线荧光(XRF)光谱分析具有无损检测、 快速准确、 样品制备方便等优势, 在元素分析领域获得广泛应用。 由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1), 中药的种类繁多, 基体复杂, 国家标准样本匮乏, 常规的分类算法难以准确鉴定超标问题。 将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合, 以金银花为例, 采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强, 将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。 通过实验验证, 迁移学习和TrAdaBoost-SVM结合的分类优化方法, 与传统SVM、 AdaBoost分类算法相比, 鉴定重金属元素铅(Pb)的超标准确率有显著提高。 通过测试数据集的预测验证, TrAdaBoost-SVM模型的预测准确率为96.7%, 高于传统SVM及AdaBoost分类模型的准确率。 所提出的迁移学习与TrAdaBoost-SVM结合的方法, 可在小样本条件下建立分类模型, 并对中药的重金属超标准确预测, 具有一定的理论意义和应用价值。

土壤磷素是植物最重要养分之一。 磷素在土壤中动态性强, 检测困难, 在可见-近红外光谱范围没有明显吸收波段, 因此研究基于其他光谱手段的磷素快速检测方法对于发展精细农业和智慧农业具有重要意义。 拉曼光谱具有受水分干扰小, 样本预处理小、 与红外光谱信息互补等特点, 国内外很多学者尝试了应用拉曼光谱对土壤磷素的检测。 但是, 拉曼信号弱, 稳定性差, 制约了拉曼光谱在土壤检测方面的应用。 为进一步弄清拉曼光谱与磷素的定量关系, 采用水溶性磷（KH2PO4）为研究对象, 研究了不同磷浓度的KH2PO4溶液对拉曼光谱产生的影响。 采用移动平均（MA）、 MA+基线校正（BL）、 MA+标准正态变量（SNV）、 MA+多元散射校正（MSC）对原始光谱（RS）进行预处理, 分析了低浓度（0.02~5 g·L-1）与高浓度（5.21~93.87 g·L-1）区间KH2PO4拉曼光谱的变异特性及其与磷浓度之间的关系, 建立了磷浓度含量的预测模型。 结果表明: （1）低浓度区间与高浓度区间光谱的变异系数具有显著差异, 高浓度区间光谱的离散程度较大; （2）低浓度区间的拉曼光谱未检测到明显的拉曼波峰, 浓度变化展现了明显的基线变化。 偏最小二乘（PLSR）模型决定系数R2=0.28~0.36; （3）高浓度区间的拉曼光谱在863与1 070 cm-1处检测到明显的拉曼波峰, PLSR建模结果为R2=0.65~0.7。 MA+SNV、 MA+MSC处理比MA单独处理模型预测精度高, 说明磷酸根的拉曼特征峰为模型主要贡献因子; （4）使用全浓度区间PLSR建模可增加PLSR模型精度（R2=0.73~0.89）。 使用RS建模的精度最高, 说明基线漂移对PLSR结果具有积极作用; （5）通过PLSR回归系数, 选取645、 863、 1 070和1 412 cm-1四点波段建立多元线性回归（MLR）模型, 决定系数R2接近1。 说明特征峰选取可以滤除背景光干扰, 抽取有效磷酸根浓度信号。 （6）由以上结果可知, 利用拉曼光谱定量检测水溶性磷的含量是可行的, 降低背景光干扰、 提高拉曼信号的稳定性的同时, 开发特征波段选择方法、 提高模型可重复性及抗干扰能力是高分辨率拉曼光谱检测技术的关键。

糖度是评价苹果内部品质的重要指标之一。 建立苹果糖度预测模型时， 建模样本和波长的质量影响模型的准确性和后期的更新维护。 以90个苹果样本为研究对象， 采集350~1 150 nm波段共1 044个波长的苹果近红外漫透射光谱， 研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。 结合使用Norris平滑、 一阶微分和归一化变量排序对光谱预处理。 根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个)， 使用LASSOLars建立优选训练集， 对比LASSOLars和蒙特卡罗无信息变量消除、 竞争性自适应重加权法， 从样本、 波长的数目和分布以及模型的结果进行对比分析。 结果表明， 优选训练集压缩了原始训练集16%的样本， 在不改变原始训练集平均水平的前提下， 更接近预测集分布， 没有削弱模型质量。 优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491， 交叉验证决定系数R2CV分别为0.913和0.916， 预测集均方根误差RMSEP分别为0.462和0.471， 预测集决定系数R2P分别为0.909和0.906。 LASSOLars筛选出40个信噪比高的波长， 数目最少， 建立的模型效果最好， RMSECV， R2CV， RMSEP， R2P和RPD分别是0.933， 0.400， 0.944， 0.373和2.838。 基于LASSOLars优化建模样本和波长建立苹果糖度预测模型， 拓展了LASSOLars算法在子集选择方面的应用， 为优化、 更新和维护模型提供思路。

中红外衰减全反射光谱技术在人体血糖检测方面具有快速、绿色的天然优势。但人体血液中其他组分的存在会影响葡萄糖含量检测的准确度。因此，研究了人体血液中胆固醇、白蛋白以及尿素的存在对红外光谱法血糖检测的干扰程度。以117份含有不同干扰物以及不同质量浓度的葡萄糖仿体溶液为研究对象，对原始光谱进行SG（Savitzky-Golay）平滑处理后构建偏最小二乘回归模型，并构建Clarke Error Grid以及预测值与真实值对比图进行进一步分析。结果表明：全干扰物模型预测集相关系数（R_p）以及预测集均方根误差（RMSEP）分别为0.9785和40.0187，有85.7%的预测结果落在Clarke Error Grid可靠区（A区）；缺失胆固醇模型的R_p以及RMSEP分别为0.9042和175.7292，有40%的预测结果落在A区；缺失白蛋白模型的R_p以及RMSEP分别为0.9616和103.6627，有42.9%的预测结果落在A区；缺失尿素模型的R_p以及RMSEP分别为0.9742和38.6716，所有预测结果都落在A区。由此可以看出，胆固醇的干扰程度最大，白蛋白次之，尿素产生的干扰较小。本研究对提高红外光谱法葡萄糖检测的准确度具有一定帮助以及参考价值。