随着生活和消费水平提高, 消费者对于乳制品食品安全及品质的要求越来越高。 原料奶质量直接影响乳制品的生产与消费安全, 在牛奶收储及生产环节都需要对各种非法添加物进行严格检测, 以保证产品质量。 目前常用的检测方法主要以化学法与仪器分析方法为主, 需要针对不同类型添加物设计前处理步骤, 过程繁琐, 检测效率低, 无法满足实时在线需要。 针对多种类掺假异常牛奶样品实时在线检测需要, 研究了基于中红外光谱的非靶向检测方法。 实验样品选择蒙牛公司六个奶质稳定的奶源地收集到的天然原奶样品, 并配制含有多种掺假物的异常牛奶样品集。 采集样品中红外光谱, 并针对在线检测过程中的干扰来源, 选择平滑滤波、 多元散射校正、 基线校正及归一化等预处理方法, 提高光谱信噪比与一致性。 为了提高非靶向模型识别准确度及稳健性, 根据牛奶样品中红外光谱特征, 选择无信息变量消除（MC-UVE）、 无变量信息消除-连续投影（UVE-SPA）与竞争自适应重加权采样（CARS）三种方法, 筛选原始光谱中的特征波长变量。 在得到的不同特征波长变量组合的基础上, 分别建立基于偏最小二乘判别（PLS-DA）及支持向量机（SVM）的鉴别模型, 对多种掺假物异常牛奶样品进行非靶向鉴别。 实验结果表明, SVM模型鉴别准确度优于PLS-DA, CARS方法筛选得到的变量组合应用于不同鉴别模型的效果均较优, 与SVM模型结合对训练集与测试集的分类准确率分别达到97.84%与94.55%。 分析特征波长变量分布可知, CARS方法筛选出的变量主要集中在异常牛奶样品光谱特征比较明显的区域。 样品误分类结果表明, 该模型组合可以较为准确识别异常牛奶样品, 具有较好的特异性。 研究结果表明, 基于红外光谱技术建立非靶向鉴别模型可以实现多种异常牛奶样品快速准确识别, 为牛奶掺假及生产过程在线检测提供了支持。

近红外光谱检测技术可反映样品内部含氢化学键伸缩振动与合频吸收信息, 具有分析速度快、 经济、 重现性好以及环境友好等优点, 常用于食品、 药品及材料领域的检测分析之中。 豌豆是世界上最重要的栽培作物之一, 种植、 分布广泛, 具有高淀粉、 高蛋白、 低脂质等营养特性, 长久以来受到消费者的喜爱。 为了明确不同产地豌豆的近红外光谱建模差异, 对不同产地豌豆进行建模分析。 研究采集了河南省南阳市不同地区42份豌豆样本, 首先测定了豌豆的营养成分(总淀粉、 蛋白质、 水分、 灰分及脂质), 再重点采用近红外光谱中的积分球漫反射技术, 在12 000~4 000 cm-1波段对不同豌豆样品进行光谱采集, 通过判别分析模型(DA)结合不同的预处理方法得到最优预处理数据, 结合主成分分析(PCA)、 偏最小二乘判别分析(PLS-DA)以及正交偏最小二乘判别分析(OPLS-DA)等方法, 对光谱特征差异进行分类分析, 从而构建并验证南阳豌豆的产地识别模型。 结果表明, 不同区域南阳豌豆的营养组分及含量总体差异较小(总淀粉36.30%~46.93%, 蛋白质16.37%~25.50%, 水分6.78%~9.16%, 灰分2.29%~3.38%, 脂质0.37%~1.43%)； 基于近红外光谱建立的判别模型表明, DA模型判别分析准确率可达92.4%, 并且PCA、 PLS-DA以及OPLS-DA得到的模型预测能力分别为96.7%, 85.1%和83.6%, 表明以上模型均可实现南阳豌豆鉴别模型的建立。 此外, 通过变量重要性投影值法提取(VIP>1.0)筛选出的不同产地差异波段显示, 4 710~4 000, 5 320~5 200以及7 200~6 220 cm-1可作为南阳豌豆产地鉴别的特异性检测波段。 该研究可为构建不同区域豌豆产地鉴别、 追溯信息库提供方法学依据。

针对小样本条件下遥感图像目标的检测精度受到卷积神经网络过拟合影响的问题,提出一种基于生成对抗网络的数据增强方法,利用判别模型为生成模型同时提供图像的局部决策与全局决策,以提高生成模型生成图像的质量,并将生成的目标与训练集图像进行融合得到新的样本,且新生成的样本不需人工标注。实验结果表明,在原始数据中加入生成数据后,检测识别精度有所提高,且本文方法与基于图像仿射变换的数据增强方法的叠加使用进一步提高了数据增强的效果。

针叶害虫爆发将会削减林木针叶水分和叶绿素含量, 导致林木冠层颜色发生变化, 甚至使林木死亡。 这严重威胁森林生态系统健康安全。 通过遥感技术监测受害林木冠层颜色变化, 可对虫害林生态系统安全进行快速评估。 因此, 虫害林木冠层不同颜色判别研究极为重要。 基于此, 选择蒙古国肯特省和杭爱省的3个雅氏落叶松尺蠖爆发林区（binder, Ikhtamir和Battsengel）为试验区, 开展落叶松受害过程冠层颜色变化信息调查和光谱测量试验, 并利用高光谱特征和机器学习算法判别了落叶松冠层不同颜色。 首先通过虫害灾区林木调查对冠层颜色进行了分色, 即绿色、 黄色、 红色和灰色。 同时根据不同危害程度下林木冠层不同颜色, 从试验区选取66棵样本树, 并对其冠层进行了光谱测量。 其次以样本树光谱反射率曲线为基础数据, 计算平滑光谱反射率（SSR）、 微分光谱反射率（DSR）和平滑光谱连续小波系数（SSR-CWC）等高光谱特征, 并借助方差分析法揭示了这些高光谱特征对冠层不同颜色的敏感性。 再次采用Findpeaks函数和连续投影算法结合模式（Findpeaks-SPA）快速提取了SSR, DSR和SSR-CWC等高光谱特征的敏感特征。 最后通过随机森林分类（RF）和支持向量机分类（SVMC）算法构建雅氏落叶松尺蠖虫害林木冠层不同颜色判别模型, 并与费歇尔判别（FD）模型进行比较, 评价了判别模型精度。 研究发现: (1)可见光的多个波段, SSR-CWC对冠层不同颜色表现出了极显著的敏感性。 (2)基于Findpeaks-SPA模式能够有效提取敏感高光谱特征, 该模式不仅大大降低高光谱特征数量, 而且改善了多重共线性问题。 (3)判别冠层不同颜色最有潜力的高光谱特征为SSR-CWC, 其Daubechies系、 Biorthogonal系、 Coiflets系和Symlets系的最优小波基分别为db9, bior1.5, coif1和sym4, 其中db9-RF（SVMC）达到了最高的判别总体精度（0.900 0）。 这比SSR-RF（SVMC）和DSR-RF（SVMC）模型分别提高了0.250 0（0.450 0）和0.250 0（0.100 0）。 (4)基于DSR和SSR-CWC的RF和SVMC模型判别精度优于FD模型, 尤其db9-RF（SVMC）模型更为明显, 其判别总体精度和Kappa系数比db9-FD模型分别提高了0.150 0和0.167 0。 可见, 在虫害林木冠层不同颜色判别中db9-RF（SVMC）有极大潜力。 这为林业和生态安全相关部门对森林虫害严重程度进行遥感监测提供重要参考和实用价值。

为了提高检验鉴定效率、降低检验鉴定成本, 实现对案件现场车用保险杠碎片的快速无损检测, 采用了基于红外指纹光谱结合牛顿插值多项式、光谱求导和判别分析的车用保险杠鉴别方法。采集并获取奥迪等6种品牌共计40个不同型号的车用保险杠样本的红外光谱, 选择牛顿多项式插值、光谱求导等方法建立了判别模型。结果表明, 基于指纹区波段建立的判别模型总体准确率(80.0%)高于全波段模型(77.5%), 指纹区光谱结合4次牛顿插值多项式处理后的判别准确率可到85%, 经1阶导数处理后判别准确率可达100%, 以判别函数DF1和DF2作为判别轴构建判别分类模型, 6种品牌的样本均实现了100%的准确区分; 红外指纹光谱结合4次牛顿插值多项式、1阶导数和判别分析可实现车用保险杠品牌快速、无损鉴别, 且模型检测精度高。该方法具有普适性和一定的借鉴意义。

提出一种基于多候选基频提取和歌声基频判别的声乐主旋律提取算法。该算法可以有效降低旋律定位虚警率，提高整体准确率。利用度量距离 (DIS)算法对音乐进行音符切分，并用方差法实现浊音段检测；采用幅度压缩基音估计滤波器 (PEFAC)多基频提取技术，通过计算音高显著度提取每个浊音帧的多个候选基频。最后用维特比算法跟踪浊音段主导基频轨迹，并用基频判别模型进行歌声主旋律判别。在 MIR-1K数据集上进行的实验表明，在信干比为 5 dB和0 dB的情况下，本文算法提取的声乐主旋律整体准确率分别达到了 86.22%和77.4%，相比于其他算法至少提高了3.79%和2.01%。

滩羊肉的新鲜度是其品质安全的一个重要衡量指标, 也是肉品品质安全控制的关键环节。 挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息, 能有效地评价出滩羊肉的新鲜度。 然而, TVB-N的传统检测过程繁琐且人为影响因素大, 检测结果缺乏客观性和一致性, 不能满足当今肉品检测过程无损、 快速、 高效的需求。 高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求, 已在食品安全领域得到广泛应用。 利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术, 将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。 研究中提取每个样品感兴趣区域的平均光谱数据, 选用蒙特卡洛算法剔除异常样本。 采用X-Y共生距离（SPXY）法划分为校正集和预测集, 分别选用多元散射校正（multiplicative scatter correction, MSC）、 卷积平滑（savitzky-golay, SG）、 标准变量变换（standard normalized variate, SNV）、 归一化（normalization）、 基线校准（baseline）五种方法对原始光谱数据进行预处理, 优选出最佳预处理方法。 采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。 为优化模型并提高其模型精度, 采用SPA算法对 CARS 所选特征波长进行二次提取, 优选出14个特征波长。 基于所提取的特征波长建立TVB-N浓度的PLSR模型, 优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2c=0.88, RMSEC=2.51, R2p=0.65, RMSEP=2.11）。 同时, 建立了滩羊肉TVB-N变化与贮藏时间的动力学模型, 并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型, 实现对贮藏时间的预测, 并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%, 预测集为97%）。 研究表明, 利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术, 可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析, 为开发实时在线检测装备提供理论参考。

小麦白粉病和条锈病是我国两种最普遍、 最具破坏性的小麦病害, 且田间常常混合发生。 由于病源和发病机理不同, 有必要对这两种病害进行准确区分和识别, 以采取不同的防治措施。 基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、 白粉菌侵染叶片和健康叶片（共计320个）在375～1 017 nm范围内的高光谱图像, 利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线, 发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置, 且趋势基本一致。 针对两种病害的响应波段交叉重叠的问题, 通过主成分分析-载荷法（PCA）、 连续投影算法（SPA）和竞争性自适应重加权算法（CARS）对小麦叶片的光谱信息进行有效降维, 分别优选出3、 6、 30个敏感波段和特征波长; 在此基础上, 采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、 PCA、 SPA和CARS的优选波段, 建立白粉病、 条锈病和健康叶片的判别模型。 结果表明, 8种模型的准确识别率均在94.58%以上。 其中, 主成分分析-载荷法结合极限学习机模型最优, 训练集与校正集的正确识别率分别为99.18%和100%, 且结构简单, 仅含有三个变量（占全波段的1.1%）。 最后, 通过对小麦白粉病、 条锈病以及健康叶片的显微结构分析, 发现病菌入侵叶片, 破环细胞结构, 导致叶绿素含量减少, 光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱, 反射率增大。 可见, 利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害, 为研发作物病害在线识别的多光谱系统提供重要的理论依据。

中药炮制是根据中医学理论, 改变中药的性味和功效, 以达到缓和药性、 减毒增效等作用。 炮制对中药的活性成分、 药效、 毒副作用影响甚大, 建立一个系统鉴别和评价中药不同炮制品的方法, 可为中药质量和临床用药安全提供重要支撑。 采用红外光谱法对9种云南重楼不同炮制品进行对比分析, 结合化学计量学建立主成分-马氏距离(PCA-MD)判别模型进行鉴别分析。 云南重楼不同炮制品的红外光谱经自动基线校正和纵坐标归一化预处理后, 取其平均光谱图。 九种重楼不同炮制品的平均红外光谱和二阶导数光谱显示: (1)其主要特征吸收峰为3 387, 2 923, 1 745, 1 463, 1 338, 1 240, 1 207, 1 158, 1 180, 1 080, 1 048, 1 020, 988, 921, 895, 859, 833, 765, 708, 572和529 cm-1； (2)重楼不同炮制品红外图谱的峰形基本相似, 可显示出重楼所特有的红外光谱特征； (3)重楼不同炮制品红外图谱中少数特征吸收峰数目、 位置和吸收强度存在差异, 表明重楼经不同炮制后化学成分和含量发生了改变。 红外光谱经多元散射校正(MSC), 标准正态变量(SNV), 一阶求导(1st Der), 二阶求导(2nd Der)和平滑(SG)优化处理后, 采用Kennard-Stone算法筛选训练集和预测集(3∶1), 建立PCA-MD判别分析模型。 结果显示, 重楼不同炮制品的最佳预处理方法为1st Der+SG(11∶3)。 提取前5个主成分, 变量特征的解释能力为88.2%, 以PC1, PC2和PC3为坐标轴建立PCA-MD三维得分图可知, 九种炮制品可完全区分； 其中重楼I, H, G和F的聚类效果最好, 且前三种炮制品距离较近, 表明晒干和烘干处理重楼与传统炮制重楼所含化学成分相似； 重楼D和E空间距离较近, 推测其经过微波和蒸汽高温处理后化学成分变化相似。 预测集样本可准确的归属于训练集, PCA-MD判别模型的准确率为100%。 红外光谱结合PCA-MD判别分析可准确区分云南重楼的不同炮制品, 为云南重楼炮制品的临床应用提供参考, 同时为中药炮制品的鉴别提供了借鉴。