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。

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。

茉莉花的风味、 药用、 营养等方面的品质受其产地因素的影响, 因此茉莉花产地溯源对于保护消费者权益, 促进茉莉花产业健康发展具有重要意义。 为实现对不同产地的茉莉花产地溯源, 收集了广西横州、 福建福州、 四川犍为、 云南元江四个国内茉莉花主产地的100个茉莉花样本, 分别采用积分球和光纤探头两种方式获得茉莉花花蕾干样的近红外漫反射光谱(900～1 700 nm)。 采用Savitzky-Golay (SG)光谱平滑和多元散射校正(MSC)相结合进行光谱预处理, 光谱预处理后再利用主成分分析(PCA)结合线性判别分析(LDA)、 K近邻法(KNN)建立了茉莉花原产地判别模型。 建模过程中68个样本作为训练集, 32个样本作为测试集, 并通过交互检验进行模型参数优化。 结果表明, 基于PCA-LDA和PCA-KNN两种方法建立的判别模型均有良好的预测能力, 其中对于积分球采样得到的光谱数据两种方法预测准确率均达到100%, 对于光纤探头采样得到的光谱数据PCA-LDA和PCA-KNN的预测准确率分别为100%和93.75%。 最后, 通过不同产地茉莉花的色谱指纹图谱对比分析, 进一步阐明了基于近红外光谱技术进行茉莉花产地识别的物质基础。 该研究为茉莉花产地溯源提供了一种绿色、 快速、 准确的新方法, 在茉莉花原产地保护上有重要的潜在应用价值。

平菇是我国大宗食用菌品种之一, 产量位居我国食用菌的第三位。 平菇不仅味道鲜美, 而且含有丰富优质的蛋白质及具有多种生物活性的平菇多糖, 深受消费者喜爱。 市场上的平菇产品众多, 质量参差不齐, 并且现有营养成分分析方法耗时长、 成本高, 难以满足平菇等大宗食用菌的营养成分检测需求。 傅里叶变换红外光谱(FTIR)技术具有检测速度快、 操作方便、 可同时分析多种化合物、 安全环保等特点, 将其与化学计量学结合, 构建数学模型, 能满足对平菇等大宗农产品营养成分的快速检测、 分析及评价。 以平菇为研究对象, 在全国范围内收集主栽平菇样品85份, 分别进行红外光谱扫描, 并运用多元散射校正(MSC)、 标准正态变换(SNV)、 正交信号校正(OSC)、 光滑加一阶导数(F-G D)、 光滑加二阶导数(S-G D)等5种光谱数据预处理方法, 通过比较模型验证集回归系数, 确定平菇蛋白质模型最佳预处理方式为OSC结合S-G D, 平菇多糖模型最佳预处理方式为OSC结合F-G D。 在最佳光谱预处理下, 采用LASSO算法对7458个光谱波段进行特征波段提取, 获得平菇蛋白质特征波数93个, 平菇多糖特征波数92个, 压缩率达到98%。 将特征波数与化学方法检测得到的平菇蛋白质、 多糖含量值进行拟合, 建立PLS模型。 结果显示, 蛋白质模型校正集回归系数R2为0.999 8, RMSECV为0.047 7, 验证集回归系数R2为0.987 2, RMSEP为0.506 8, RPD为8.840 6大于3； 多糖模型校正集回归系数R2为0.999 9, RMSECV为0.020 1, 验证集回归系数R2为0.980 3, RMSEP为0.292 9, RPD为7.119 8大于3, 模型拟合效果均较好, 预测能力及稳健性良好。 该研究为傅里叶变换红外光谱技术在食用菌营养成分含量快速预测方法的建立提供参考, 为平菇产品的营养品质评价的建立提供基础, 促进平菇乃至其他食用菌产品的优质化发展。

聚焦于红外光谱技术在毒品检测领域的研究和应用现状, 主要介绍了将傅里叶变换衰减全反射红外光谱技术(Attenuated Total Reflection-Fourier Transform Infrared Spectroscopy, ATR-FTIR)用于毒品定性分析和混合毒品分类分析以及将近红外光谱技术用于毒品定量和溯源分析的相关研究。红外光谱凭借自身准确、简便、快速、实用的特点, 与化学计量学的多种算法进行有效结合, 可进一步为毒品的判断、分类、溯源提供量化指标。随着与机器学习、神经网络等人工智能技术的进一步融合, 红外光谱技术将在未来的毒品实验室分析和现场快速检测中发挥巨大作用。

食用油是日常饮食的必需品, 可以为人体提供热能和脂肪酸, 是促进脂溶性维生素吸收的重要有机物。 随着人们生活水平的提高, 高档食用油已走进大众百姓的餐桌, 并深受欢迎和喜爱。 由于高档食用油市场售价高, 一些不法厂商为牟取暴利, 在高档食用油中掺入廉价食用油进行出售, 导致食用油掺伪事件时有发生, 已引起政府和民众的广泛关注。 为保障消费者的合法利益和维护正常的食用油市场秩序, 快速有效地检测食用油掺伪已刻不容缓。 近红外光谱技术以其简便、 快速、 无损、 无需样品预处理的特点, 被广泛应用于食用油掺伪分析。 概述了近红外光谱技术的基本原理, 综述了近十年来近红外光谱技术在橄榄油、 山茶油、 芝麻油、 核桃油等食用油的掺伪检测研究进展, 包括采用不同的试验装置与试验方法、 数据处理方法包括预处理、 特征波长选择及建模方法, 对二元、 三元及多元食用油掺伪进行检测研究, 从试验方法及数据处理等角度提高食用油掺伪检测的精度与适用范围, 以期建立较为有效的食用油掺伪定量检测与定性鉴别模型。 总结了食用油掺伪近红外光谱检测目前存在的问题, 包括食用油掺伪检测机理不明晰, 制备的掺伪食用油样本难以满足实际的复杂掺伪形式, 采用取样方式的掺伪检测仅能实现现场部分抽检, 及未建立食用油掺伪检测的统一标准规范。 展望了今后的发展趋势, 指出近红外光谱技术与其他快速检测技术融合获取更精准、 可靠的检测模型, 与物联网和大数据相结合构建食用油近红外光谱数据库, 实现光谱数据的共享、 掺伪检测模型的在线升级与远程更新, 将是未来的发展方向。

渣驯通常分为4个等级, 藏医传统用药经验认为色黑、 质重、 粪便少的渣驯质量更优。 不同等级渣驯外观性状差异较小, 成膏后更不易区分。 傅里叶红外光谱技术（FTIR）具有快速无损的优点, 已广泛用于药材鉴别领域。 以4个等级渣驯为研究对象, 探究傅里叶红外光谱技术鉴别不同等级渣驯的可行性。 收集渣驯药材及代用品共56批, 按粪便比例和外观形态将药材分为4个等级, 采用《六省区藏药标准》中炮制方法将各批次药材加工成干膏。 采集不同样品4 000～400 cm-1范围的红外光谱信息, 以不同化学计量学方法建立模型。 预处理方式采用Saitzky-Golay（S-G）平滑、 纵坐标归一化、 二阶导数转化, 渣驯红外光谱主要吸收区域为3 500～3 200, 3 000～2 800, 1 800～1 350, 1 350～900和900～400 cm-1, 代用品吸收峰的波数差异较大。 1 779 cm-1附近仅有Ⅰ等级渣驯和Ⅱ等级渣驯的吸收峰, 1 768 cm-1附近Ⅰ等级渣驯和Ⅱ等级渣驯峰强度明显强于Ⅲ等级渣驯和渣驯代用品, 1 660 cm-1附近仅代用品渣驯无吸收峰, 1 257 cm-1仅代用品具有吸收峰, 均可作为不同等级渣驯的鉴别依据; ③号区域内及⑦号区域吸收峰差异均与传统分级相关, 品质越好的峰强度越大, 可作为多批次渣驯验证区域。 根据SIMCA软件统计结果, 主成分分析（PCA）较难区分不同等级渣驯; 偏最小二乘法（PLS-DA）能更好地区分4个等级药材, 外部验证结果表明该模型能很好地区分不同等级渣驯; 通过SPSS21.0软件统计, 系统聚类（HCA）可以区分部分Ⅲ等级渣驯及代用品渣驯。 傅里叶变换红外光谱结合化学计量学能快速鉴别渣驯优劣, 区分代用品, 为渣驯质量评价提供一种快速有效的方法。

猪肉是我国主要肉类消费产品, 其新鲜度与居民健康息息相关。 目前感官检测、 理化检测、 微生物检测是其新鲜度的通用检测方法, 但感官检测存在可靠性、 可比性差, 理化检测和微生物检测存在耗时长、 操作繁琐、 破坏样品等问题, 因此建立猪肉快速无损检测方法应用意义重大。 拉曼光谱作为一种检测技术, 具有快速、 无损的特点, 仅用激光探头照射样品就可获得样本拉曼谱图, 便携式拉曼光谱更是为食品现场检测提供了新途径, 有望实现加工业快速实时大批量检测。 目前未见拉曼光谱技术快速检测猪肉新鲜度理化指标的研究, 因此采用便携式拉曼光谱仪对冷藏猪瘦肉新鲜度进行快速检测。 对随时间变化的样本进行拉曼光谱采集并同时监测其对应的新鲜度指标, 如挥发性盐基氮（TVB-N）、 pH、 颜色L*值、 a*值、 b*值, 采用标准正态变量变换（SNV）、 曲线平滑(SG)、 归一化（NL）、 多元散射校正（MSC）、 基线校正（BL）、 去趋势化处理（DFA）等单方法对拉曼光谱进行预处理, 采用偏最小二乘回归（PLSR）建立基于全波段光谱的猪瘦肉新鲜度指标定量预测模型。 结果表明, 各指标全波段PLSR模型预测性能较为理想, TVB-N和pH的全谱最佳模型为SNV-PLSR, 预测集相关系数（RP）分别为0.948和0.886, 颜色L*、 颜色a*、 颜色b*的全谱最优模型分别为SNV-PLSR、 DFA-PLSR、 MSC-PLSR, RP分别为0.827, 0.858和0.900。 采用回归系数法（RC）筛选各指标最优模型光谱波段, 建立各指标优选波段PLSR模型, 结果表明, TVB-N模型和pH模型可以简化, 仅用20%的光谱波段就可达到较好的预测效果, 优选波段TVB-N模型和pH模型的RP分别为0.933和0.880。 便携式拉曼光谱在快速检测猪瘦肉新鲜度方面尤其是在预测与新鲜度最相关的指标TVB-N含量显示出巨大的潜力, 为猪瘦肉新鲜度的现场快速无损检测提供了一种新方法。

建立了一种快速检验口红的方法，并利用拉曼光谱技术结合X射线荧光光谱法对28个口红样品进行了分类研究。利用拉曼光谱技术对样品进行分析测试，根据拉曼特征峰的不同可以有效地对其进行分类；利用主成分分析对数据进行处理，降维后的数据可解释全部信息的97.545%，结合Pearson相关性分析，验证了根据拉曼特征峰分类的科学性；结合X射线荧光光谱法对两类样品分组，根据Ca/Ti进行组内区分。结果表明，此方法简便快速、操作简单，且无需特殊的前处理，为公安机关侦查破案提供了一种新思路，在公安实践工作中有广阔的应用前景。

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。 采用定量瘀伤装置获得0, Ⅰ, Ⅱ, Ⅲ, Ⅳ级瘀伤长枣模型, 通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。 蒙特卡洛异常值检测法剔除异常样本后, 分别用随机划分法（RS）, Kennard-Stone法（KS）、 光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。 采用基线校准（Baseline）、 去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）, 优选最佳样本集划分及预处理方法。 利用2D-COS将光谱信号扩展到第2维, 在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。 采用竞争性自适应加权算法（CARS）、 引导软收缩（BOSS）、 区间变量迭代空间收缩方法（iVISSA）、 变量组合集群分析法（VCPA）以及iVISSA+BOSS, iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取, 并建立基于特征波长的PLSR模型。 结果表明, 样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优, 故最佳样本集划分方法为3∶1, 预处理方法为Baseline, 用于后续特征波长提取。 通过2D-COS分析发现3个与半纤维素相关的自相关峰（401, 641和752 nm）; 在2D-COS敏感区域（401～752 nm范围内）, 采用BOSS, CARS, iVISSA, VCPA, iVISS+BOSS, iVISS+CARS, iVISS+VCPA分别提取了14, 26, 39, 12, 15, 22和11个对应的特征波长, 占总波长的18.9%, 35.1%, 52.7%, 16.2%, 20.2%, 29.7%和14.8%。 对比2D-COS和特征波建立的PLSR模型, 2D-COS+iVISSA-PLSR模型效果较好, 其R2C=0.747 9, R2P=0.604 7, RMSEC=0.043 8, RMSEP=0.060 3。 研究表明, 利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。