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。

将热红外成像技术和低空遥感技术相结合, 基于冠层和叶片两个尺度对菌核病侵染油菜的过程进行检测研究。 从冠层尺度分析, 首先获取整株样本的温度值（平均温度与最大温差）, 并采集其生理指数（气孔导度、 CO2浓度、 蒸腾速率及光合速率）。 然后, 将染病样本与健康样本的温度值进行判别分析, 并对其进行单因素方差分析。 从结果可知, 平均温度和最大温差值都可以对染病样本与健康样本进行区分, 且最大温差相较平均温度结果较明显。 同时单因素方差分析也显示, 最大温差三次检测中均存在显著性差异。 对获取的生理指数进行分析, 发现染病样本与健康样本之间可以通过生理指数进行明显区分。 另外, 将生理指数与叶片温度进行相关性分析, 结果表明二氧化碳浓度与叶片温度之间的三次检测均存在显著性差异。 基于叶片尺度, 首先从单一叶片来看健康区域和染病区域的温度差异, 可以明显区分出染病区域和健康区域的温度差异。 然后, 提取健康区域与染病区域的的温度值（最大温度、 最小温度、 平均温度以及最大温差）对进行对比分析, 并对其进行单因素方差分析。 结果表明, 以上四个温度指标均可以区分叶片的染病区域和健康区域。 但根据单因素方差分析结果可知, 与冠层尺度相同, 最大温差三次检测中均存在显著性差异, 可以实现对油菜菌核病的早期识别。

探究了应用激光诱导击穿光谱(LIBS)结合化学计量学方法鉴别硫熏浙贝母的可行性。 采集了未经硫熏、 轻度硫熏和重度硫熏的浙贝母样本的LIBS光谱, 使用小波变换和归一化对原始光谱进行预处理后, 分别建立了基于全波段(400.41～871.65 nm)和基于特征波段(400.41～600.02 nm)的支持向量机(SVM)、 极限学习机(ELM)和随机森林(RF)的鉴别模型。 结果表明: 基于特征波段建立的三类模型的性能均与基于全波段建立的模型保持一致或更优, 说明特征波段的提取是有效的。 基于特征波段建立的模型中, SVM模型性能最优, 建模准确率和预测准确率分别达到了100%和95.83%。 综上所述, 应用LIBS技术结合特征波段提取和化学计量学方法鉴别不同程度硫熏的浙贝母是可行的, 且具有快速、 简便、 多元素同时分析的优势, 可为鉴别硫熏中药材提供依据, 有助于建立中药材质量检测与分级评定系统。

优质棉种是全面推广棉花精量播种技术的基础。 采用近红外高光谱成像技术实现微破损棉种可视化识别, 为棉种精选设备的研制奠定理论基础。 以未破损和微破损两类棉种各540粒作为样本(其中405粒作为建模集, 135粒棉种作为预测集), 分批采集874~1 734 nm范围的样本高光谱图像, 提取光谱数据并去除首尾两端明显噪声保留955~1 659 nm范围内光谱为棉种样本的光谱。 首先使用Kennard-Stone(KS)算法进行样本划分, 并通过平滑算法Savitsky-Golay(SG)对光谱进行预处理。 采用二阶导数光谱(2nd spectra)方法、 连续投影算法(SPA)和主成分载荷(PCA-loading)方法分别选取10, 14和11个特征波长。 基于全部光谱数据和特征波长建立偏最小二乘判别分析(PLS-DA)模型、 K最邻近(KNN)模型和支持向量机(SVM)模型, SPA-PLS-DA模型取得了较好的结果, 建模集和预测集的鉴别率分别为91.50％和90.33％。 基于SPA-PLS-DA模型分别对未破损样本和微破损样本及其混合样本图像进行识别, 取得了较好的识别结果, 微破损棉种的识别率达90%以上。 结果表明, 结合近红外高光谱成像和图像处理技术, 能够实现微破损棉种的可视化识别。

转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、 伦理道德等可能带来的影响尚存争议, 因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。 本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象, 采用近红外光谱仪采集900～1 700 nm波段范围的光谱, 结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。 基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。 试验结果表明, 在转基因玉米籽粒全谱的判别分析模型中, SVM判别模型效果要优于PLS判别模型, SVM模型识别正确率达到90%以上, PLS的模型识别率只有85%左右。 以PCA降维后建立的模型中, SVM模型也取得了最优的效果, 建模集和预测集识别正确率达到100%。 虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降, 但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。 结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的, 为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持, 具有重要的理论意义和应用价值。

突变体的筛选与鉴定是育种工作中的重要环节。 该研究基于高光谱成像技术实现了水稻CRISPR/Cas9突变体种子的可视化鉴别。 采集了水稻HD野生型和CRISPR/Cas9突变体种子共1 200粒样本的高光谱图像数据, 通过Kennard-Stone算法, 按照2∶1的比例构建了建模集(800)和预测集(400)。 对水稻种子的原始光谱经过WT预处理后, 通过2nd derivative提取了24个特征波长, 分别基于全谱和特征波长建立径向基函数神经网络(RBFNN), 极限学习机(ELM)和K最邻近法(KNN)模型。 试验结果表明, 无论是基于全谱还是特征波长神经网络模型都取得了良好的识别能力。 通过2nd derivative提取的特征波长结合RBFNN模型也取得了较好的鉴别结果, 其建模集和预测集分别达到了9225%和8950%。 基于2nd derivative-RBFNN结合图像处理技术, 可以实现水稻CRISPR/Cas9突变体种子的可视化鉴别, 实现种子的定位和识别。 结果表明应用高光谱成像技术, 结合化学计量学方法和图像处理技术对水稻CRISPR/Cas9突变体的鉴别具有可行性, 可为水稻育种中大量突变体的快速、 准确地筛选和鉴定提供技术手段。

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。 以60个库尔勒梨为研究对象, 采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。 提取图像中感兴趣区域（ROI）的平均光谱信息, 利用小波变换（WT）对光谱数据进行去噪平滑, 将去噪后的全部样本按2∶1的比例分成建模集（320个）和预测集（160个）。 利用二阶导数从全谱信息中提取出19个特征波长, 分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机（SVM）建模分析。 结果表明, 基于全谱和特征波长的判别分析模型中, 两者预测集的识别率都达到93.75%, 表明提取的特征波长包含了光谱数据中的关键信息。 然后, 基于特征波长运用波段比运算挑选最佳波段比, 根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。 对最佳波段比（684/798 nm）下的图像, 利用选择性搜索（SS）对高光谱图像中样本的完好和损伤区域进行分割, 从分割结果来看, 1～7天损伤样本的受损区域能够被准确检测出来。 研究结果表明: 基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的, 该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。

实时监测发酵液中固形物含量的变化, 对控制厌氧发酵过程的稳定性具有重要作用。 研究中采用近红外高光谱技术结合化学计量学方法, 对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。 与传统2540G(APHA, 1990)标准方法相比, 近红外高光谱技术具有无损、 快速的优点。 实验过程中, 首先获取发酵液样本的高光谱信息, 应用移动平均平滑法(MAS)进行光谱预处理, 并采用竞争自适应重加权采样算法(CARS)、 连续投影算法(SPA)和Random frog算法提取光谱特征信息, 然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型, 建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。 研究表明, SPA-LS-SVM模型的预测结果最好, 其中TS的预测均方根误差(RMSEP)及相关系数(Rp)分别为0.005 8和0.841; 而VS的RMSEP和Rp分别为0.004 1和0.874。 结果表明, 利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测, 为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。 采用近红外高光谱技术, 通过正态变量变换（SNV）、 去趋势化（De-trending）、 多元散射校正（MSC）、 移动平均平滑法（MA）、 多项式卷积平滑法（SG）、 基线校正（baseline）及归一化（normalize）算法对光谱数据进行预处理, 采用主成分载荷（PCA loadings）、 载荷系数法（x-LW）、 回归系数法（RC）、 连续投影算法(SPA)分别进行特征波长提取, 采用偏最小二乘判别分析（PLS-DA）、 极限学习机（ELM）和支持向量机（SVM）建立分类模型。 结果表明, 基于De-trending 预处理, 通过PCA loadings, x-loading weights及SPA特征波长提取方法, 基于极限学习机ELM算法建立的模型取得了最优的分类效果, 建模集和预测集的分类精度均达到100%, 另引入平均分类精度的指标, 发现不同试验时间下, 模型分类精度变化不大, 表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。 将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本, 应用原子吸收分光光度计测量每个样本中咖啡因的含量。 应用基线校正, 小波变换和归一化等数据预处理方法； 针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合, 分别应用回归系数和主成分分析(PCA)选择特征变量, 并建立了基于特征变量的PLS和BP神经网络模型。 结果表明: 基于回归系数所选特征变量的PLS模型中, 建模集相关系数Rc=096, 预测集Rp=091； 基于PCA提取特征变量的PLS模型中, Rc=094, Rp=090； 基于PCA所选特征变量的BP神经网络模型中, Rc=096, Rp=096。 两种方法所提取特征变量均对应C, H, O, N, Na, Mn, Mg, Ca和Fe, 且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果, 说明上述元素与咖啡因含量存在联系, 应用回归系数和PCA选择的特征变量是有效的, 但是咖啡豆内C, H, O, N, Na, Mn, Mg, Ca, Fe与咖啡因含量的确切关系需要进一步研究。 基于PCA所选特征变量的BP神经网络模型有更优的预测结果, 说明所选特征变量适用于不同的建模方法。 研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。