为探究中红外光谱快速检测核桃产地和品质的可行性, 基于中红外光谱分析技术, 并将化学计量学的算法应用于中红外光谱判别分析之中, 对中国四大核桃主产区的10类主要核桃品种进行检测, 取得较好效果。 通过提取核桃粉末的光谱透射率, 去除原始光谱首尾部分的明显噪声, 对保留的700~3 450 cm-1范围的光谱采用小波分析（wavelet transform, WT）算法进行去噪预处理, 并采用无信息变量消除结合连续投影算法（UVE-SPA）提取光谱特征波数, 采用主成分分析法（PCA）对光谱定性分析, 基于反向传播神经网络（BPNN）、 极限学习机（ELM）、 随机森林(RF)、 径向基函数神经网络（RBFNN）及偏最小二乘判别分析（PLS-DA）对全谱和特征波数建模对比。 在4类不同产地核桃判别中, 得到12个特征波数: 803, 1 355, 1 418, 1 541, 1 580, 1 727, 1 747, 1 868, 2 338, 2 462, 2 824和3 166 cm-1, 基于特征波数分类的正确率高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达97%, RF算法分类判别效果最差, 正确率仅6970%; 在10类不同品种判别中, 得到10个特征波数: 903, 1 275, 1 507, 1 541, 1 563, 1 671, 1 868, 2 311, 2 845和3 437 cm-1, 基于特征波数分类的正确率依然高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达833%。 在特征波数通用性方面, 两组特征波数范围中有2个特征波数相同: 1 541和1 868 cm-1, 其他大多特征波数也都相近, 将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类, 分类结果较差, 因此, 在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题, 由此推断, 即使是同一原始数据, 基于不同判别问题得到的特征波数在建模时通用性较差。 结果表明, 经UVE-SPA算法提取特征波数后, 变量数可减少99%以上, 有效地简化了模型, 减少计算量, 提高预测的稳定性; 总体上, 每个分类器的表现为: BPNN>RBFNN>ELM>PLS-DA>RF; 基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。

作物优良品种选育是实现作物优质高产的关键。 现代育种方法需要获取植株的大量表型信息, 最终选育出性状稳定的优良品种。 近年来, 高通量植物表型分析技术因其快速、 无损、 高效等优势, 为筛选优良作物品种提供了技术保障, 已成为农学、 工程、 计算机科学等多学科交叉研究的热点。 其中, 叶绿素荧光技术作为植物光合作用的探针, 是研究植物逆境胁迫表型的有力工具之一, 能够实现植物生物与非生物胁迫的高效分析, 加快作物优良性状的筛选。 该文旨在阐述叶绿素荧光技术的研究进展和发展趋势, 主要介绍了叶绿素荧光技术的基本原理和成像系统、 叶绿素荧光参数的分析和处理方法, 总结了在植物表型分析研究中的应用情况, 探讨了该技术目前存在的问题和改进的方法, 进一步展望了叶绿素荧光技术在植物表型分析中的应用前景。

针对目前所建立的柑橘溃疡病高光谱模型普适性差、 预测精度低的问题, 提出了基于不同仪器间高光谱模型传递来提高模型稳健性的方法。 以脐橙52和卡拉卡拉红肉脐橙为研究对象, 利用实验室高光谱成像平台(System 1, S1)和便携式高光谱成像仪(System 2, S2)采集了健康和染病柑橘的高光谱图像, 建立了独立的柑橘溃疡病判别模型, 并分析了不同预处理方法和判别模型对模型预测性能的影响。 将S1和S2分别作为源机和目标机, 利用直接校正算法对目标机获取的高光谱图像进行校正, 分析模型传递前后的模型判别能力。 结果表明, 采用二阶导数预处理, 极限学习机预测性能最佳, 基于S1和S2检测的预测集识别率分别为97.5%和98.3%; 以S1数据建立主模型, 对经直接校正算法校正后的S2高光谱图像进行识别, 预测集的识别率从校正前的38.1%提高到了86.2%。 说明该方法可用于不同型号高光谱成像仪之间的定标模型传递, 对于建立稳健可靠的柑橘溃疡病判别模型具有重要意义。