因缺乏大米产地快速鉴别的确证技术, 利用近红外光谱法、 中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、 东北地区和南方地区共计186份大米样品进行产地鉴别研究。 首先比较了K近邻法(KNN)、 线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3种算法结合5种预处理方法, 对3种单一光谱大米产地鉴别模型的识别效果。 结果表明, LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优, 校正集和验证集准确率分别为100%和93.48%。 为进一步提升鉴别模型的准确度, 创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、 特征层融合及决策层融合大米产地鉴别模型, 结果显示, 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升。 数据层融合大米产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法模型最优, 校正集和验证集正确率分别为100%和95.65%, 较单一光谱最优模型验证集正确率提高了2.17%。 决策层融合鉴别模型中, LS-SVM算法结合SNV+1st预处理方法模型最优, 校正集和验证集正确率分别为100%和97.83%, 较单一光谱最优模型验证集正确率提高了4.35%。 特征层融合产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法鉴别模型最优, 其校正集和验证集正确率均达到100%, 较单一光谱最优模型验证集正确率提高了6.52%。 结果表明, 使用近红外光谱法、 中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的, 拉曼光谱法结合LS-SVM算法的大米产地鉴别模型最优。 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升, 其中特征层融合方法更适用于该次融合的数据类型, 可以快速准确鉴别五常大米、 南方大米和东北大米产地。 该研究为大米产地的快速准确鉴别提供了一种新方法。

表面增强拉曼光谱(SERS)是将目标分子结合在纳米级粗糙金属表面, 使拉曼信号得到显著增强的技术, 具有灵敏度高、 不受水分干扰、 操作简单、 快速、 无损等优点, 现已成为食品、 化学和医学等领域的研究热点。 液体食品(如牛奶、 食用油、 饮料、 蜂蜜、 酒)是人类赖以生存、 日常生活中所不能缺少的食品, 其品质安全关系着消费者的身体健康和企业效益, 因此对液体食品品质安全进行快速、 实时检测具有十分重要的意义。 液体食品安全指标如抗生素残留、 农药残留、 色素、 非法添加剂等物质分子通常具有较强的拉曼活性, 利用SERS技术的“指纹”特性能够对液体食品中的痕量物质进行简单、 快速、 准确的定性、 定量检测分析。 与其他光谱技术相比, SERS技术不受水分干扰, 对水溶液样品基质(如牛奶、 饮料、 酒)的检测分析更为简单, 实现液体食品品质安全的在线实时检测更具潜力, 是液体食品品质安全检测领域一项极具应用潜力和应用前景的前沿分析技术。 文章简述了SERS技术的增强原理并对液体食品安全检测领域相关基底研究进行了总结, 聚焦于SERS技术在液体食品品质安全检测领域的应用研究现状, 重点从样品前处理方法、 基底类型和检出限三方面对液体食品相关品质安全指标(如油脂氧化、 抗生素残留、 农药残留、 葡萄酒产地辨别等)方面的新近研究工作和进展进行归纳总结; 讨论了SERS技术的优点与局限性, 以及面临的主要挑战和未来发展前景。

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小， 肉眼难以观察， 因此对其早期识别仍然是困难的。 结合高光谱成像技术和Stacking集成学习算法， 实现了鸭梨黑斑病的潜育期识别检测。 首先， 获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像， 基于图像选取感兴趣区域（ROI）， 然后对提取的平均光谱数据进行一阶导数（FD）、 二阶导数（SD）、 标准正态变量变换（SNVT）及组合SNV-FD和SNV-SD预处理后， 采用竞争性自适应权重取样法（CARS）提取特征波长的光谱信息。 最后基于筛选出的特征信息分别建立最小二乘支持向量机（LS-SVM）、 K最邻近法（KNN）、 随机森林（RF）和线性判别分析（LDA）分类模型。 其中， 预测效果最好的组合为SNV-FD-LSSVM, SNV-KNN和SNV-FD-RF， 准确率分别达到94%， 88%和88%。 四种算法建立的模型中， 测试集准确率不低于85.00%的个数分别为5、 3、 2和0， 因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。 为提高模型准确率， 以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架， 并与单一分类器建模结果进行对比分析。 结果表明， 集成学习模型的总体识别正确率达到了98.68%， 较单一分类器模型提高了4.64%， 且对潜育期样品的识别率提高了11%。 证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行; 集成模型显著提高了单一模型的准确性; 为鸭梨黑斑病早期检测和病害分级提供一种新的方法， 同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。

回生是淀粉加工、 运输和储藏过程中的重要理化性质, 快速检测淀粉回生程度对淀粉制品的品质和保质期有重要意义。 为了探究二维相关光谱法(2D-COS)优选回生淀粉特征变量的可行性, 研究结合2D-COS和光谱融合技术对小麦淀粉的回生特性进行定量表征。 首先, 将不同回生时间的小麦淀粉测定结晶度和回生度, 从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。 然后, 分别采集样品的近红外和中红外光谱数据, 对采集的原始光谱进行Savitzky-Golay平滑和标准正态变量变换预处理后, 结合偏最小二乘法分别基于近红外光谱、 中红外光谱和融合光谱构建全光谱的预测模型。 在此基础上, 以回生天数为外部扰动, 分别选取回生0, 1, 2, 3, 5, 7, 10, 14, 21和35 d的10条淀粉光谱进行2D-COS分析。 通过分析同步谱和自相关谱, 辨识了近红外13个和中红外11个与回生特性有关的特征波长。 最后, 基于这些特征波长进一步建立回生度和结晶度的预测模型。 结果表明, 全光谱模型结果中, 光谱融合后的模型预测效果较好, 结晶度模型的相对分析误差(RPD)值由1.203 4和2.069 0提高至3.980 9, 回生度模型的RPD值由2.594 0和2.109 9提高至4.576 3, 表明光谱融合能提高模型性能。 利用2D-COS筛选特征波长后建立的模型预测效果有大幅度提高, 结晶度模型的RPD值提高至8.095 9, 回生度模型的RPD值提高至14.183 6。 与利用竞争性自适应重加权算法筛选特征波长建立的模型结果相比, 2D-COS更能提高光谱分辨率, 获得更多的化学结构信息, 因此光谱融合技术结合2D-COS的模型结果更佳。 研究结果表明, 将2D-COS用于筛选与淀粉回生特性有关的特征波长是可行的, 为融合光谱的特征变量优选提供了新思路; 同时也表明光谱融合技术结合2D-COS可以实现淀粉回生程度的快速检测, 为淀粉食品的质量和保质期的快速检测提供了方法支持。

结合差分吸收臭氧激光雷达与近地面臭氧监测, 对天津市2018年6月23日至9月28日期间的臭氧污染垂直分布特征进行了长期观测。结果显示, 近地面与300 m高度处的臭氧浓度的变化趋势具有较高的一致性, 而随着高度的增加, 臭氧浓度呈现先升高后降低的趋势, 并在约1 000 m高度处达到最大值。受臭氧前体物由近地面向高空逐渐输送、以及NO向上传输过程中逐渐消耗的影响, 臭氧污染日变化曲线出现最大、最小值的时间随高度的升高逐渐推迟; 在1 500 m以上的高空, 臭氧日变化曲线出现双峰分布。在臭氧污染时段, 在高空也观测到高浓度的臭氧污染带, 在1 000 m处的臭氧浓度最大值约为570 μg/m3, 污染带厚度可超过1 km, 持续时间长达数日, 且在夜间不能完全消散。观测时段内总计在23个污染日出现高空与近地面臭氧污染的混合, 加重了近地面的臭氧污染程度。

为了满足生鲜肉品质参数无损检测领域, 对轻便式、 低成本设备的开发需求, 提出一种基于多光谱漫反射技术的生鲜肉品质检测方法。 首先根据漫反射近似理论, 结合牛肉样品散射系数、 吸收系数及折射率等参数, 在无线细垂直光束的蒙特卡洛仿真的基础上, 对具有一定发散角度LED光源进行了初始化的校正, 分别从光源照射位置概率分布、 不同角度的照射概率分布、 仰角、 方向角的概率分布、 不同角度光线入射样品时反射引起能量损失及对光子权重的影响, 得到在LED光源发散角情况下, 不同源探距下的漫反射率与检测深度, 确定了光源与检测器之间的最佳距离为15 mm, 然后根据此距离, 搭建了多光谱漫反射检测平台, 检测平台由8组中心波长为470, 535, 575, 610, 650, 720, 780和960 nm的LED光源组成, 与所要检测的生鲜牛肉品质参数相对应。 同时利用LED光源的发散角, 确定了光源到样品表面的垂直距离与每个光源的安装位置, 保证光源照射到样品的区域是均匀的。 样品的漫射光强经由信号采集与放大电路的处理后传至上位机, 并在上位机完成建模与分析。 最后为验证该检测系统的性能, 以生鲜牛肉新鲜度参数中的颜色(L*, a*, b*)与pH值为指标, 利用60个样品进行了试验, 分别得到8个光源下的原始光强值与校正后的反射率值, 然后将牛肉样品按照3∶1比例分为校正集与预测集, 针对原始光强值与反射率值, 分别利用多元线性回归(multiple linear regression, MLR), 偏最小二乘回归(partial least squares regression, PLSR)与偏最小二乘支持向量机回归(partial least-squares support vector machine, LS-SVM)三种方法, 建立各个参数在原始光强与反射率数据两种情况下的预测模型, 并得到最佳模型结果。 结果表明, 利用反射率数据建模结果均好于光强数据结果, 其中参数L*, a*, b*的MLR建模结果优于PLSR与LS-SVR, 其预测集相关系数分别为0.983 2, 0.907 2及0.935 9, 预测集误差分别为1.00, 2.14及0.67。 参数pH值的LS-SVR建模结果优于PLSR与MLR, 其预测集相关系数为0.942 0, 误差为0.19。 最后利用未参与试验的20块牛肉样品对模型进行了验证, 颜色L*, a*, b*及pH参数的预测值与实测值的相关系数均大于0.85, 结果证明, 利用多光谱漫反射技术以及所搭建的多光谱漫反射检测系统对生鲜牛肉品质参数检测是可行的, 该方法能够为设计便携式或微型化生鲜牛肉品质的无损检测仪器提供参考与依据。

为了实现原料肉新鲜度参数的无损在线实时评估, 基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。 研究设计了装置的光源单元、 光谱采集单元、 控制单元和驱动单元, 优化设计了光源固定支架和安放角度, 编写了相应的控制程序, 开发了实验室用和便于在不同生产线应用的两套在线检测系统。 首先, 对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究, 通过光谱相似度比较和显著性分析, 确定传送带速度是275 mm·s-1、 距离是12 cm时能够获得更加稳定的光谱信号。 然后, 基于该试验参数, 分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱, 并利用抛物线拟合法对双波段光谱进行融合, 以获取整条覆盖可见及近红外区域的完整光谱。 为了使两个波段范围内的光谱数据点权重相同, 在整个波段范围内均匀分布, 借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。 采用窗口移动多项式最小二乘拟合法对光谱作平滑处理, 采用标准正态变量变换对每条光谱进行标准化预处理, 分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*, a*和b*）、 pH和挥发性盐基氮的预测模型, 以此验证所搭建系统的可靠性。 经过对比分析, 发现在线条件下的建模结果不如静止状态下的建模结果, 这可能与在线采集时光谱存在漂移现象有关。 进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征, 并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。 结果发现先经过一阶导数再经过标准化处理, 能更好地消除外部干扰造成的影响, 建模结果更佳。 在该处理方式下, 基于第一波段光谱建立了颜色参数（L*, a*, b*）的预测模型, 基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型, 预测相关系数分别为0.955 3, 0.924 7, 0.955 1, 0.961 5和0.966 8。 最后, 为了验证模型的适用性, 基于开发的便于在不同生产线应用的在线检测系统, 利用独立的20个样本对在线模型进行外部验证, 对颜色参数（L*, a*, b*）, pH和挥发性盐基氮的预测相关系数分别为0.918 9, 0.914 1, 0.947 7, 0.950 4和0.960 6。 研究结果表明, 该系统通过双波段光谱的实时采集和融合, 可以获取更多反应样本内部信息的光学信号, 具有更强的检测能力。 结合设计的光路等其他硬件单元, 可以同时获取样本表面更大区域的反射光谱信息, 从而实现对原料肉新鲜度主要表征参数的无损、 在线、 实时评估。 该系统便于组装和拆卸, 可以适应不同企业生产线的实际需要, 具有较强的实用价值和较好的市场前景。

基于实验室自行搭建的拉曼点扫描系统, 以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂, 探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。 首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1, 1 007和1 605 cm-1, 山梨酸钾拉曼特征峰为1 164, 1 389和1 651 cm-1, 进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。 结果表明, 利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性, 而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大, 具有较高的稳定性。 分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品, 分别建立了苯甲酸钠和山梨酸钾的线性回归模型。 选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型, 对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。 结果显示, 鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8, 均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。 基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测, 为液态食品中防腐剂的同时快速监测提供了技术支撑。

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。

稳像系统能够保证对地观测视频小卫星“凝视”观测时获得稳定的视频序列。不稳定视频序列的像移精确检测是稳像系统能够正常工作的前提。本文研究了一种改进的相位相关算法提取亚像元像移的方法用于视频卫星稳像系统中的像移检测。传统的相位相关算法只能得到垂直和水平方向上的整像元像移, 通常视频序列图像之间的变换关系存在一定的旋转角度。本文在传统的相位相关算法中加入旋转矢量, 为方便计算将空间域的旋转映射成了频域的平移, 同时在求得的极值点附件利用曲面拟合得到亚像元的精度, 从而保证稳像系统能获得亚像元的稳像精度。实验时, 当图像尺寸为 200×200、固定像移为 8个像元时, 检测误差均值 Mean＝0.0191 pixel, 均方根 RMS＝0.01067。