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。

自行搭建的拉曼光谱点扫描系统, 以柠檬酸钠还原法配制的SC银溶胶为表面增强剂, 建立了桂花酒中山梨酸钾的定量预测模型, 模型校正集决定系数（R2C）和均方根误差（RMSEC）分别为0.978 9和0.070 3 g·kg-1, 验证集决定系数（R2P）和均方根误差（RMSEP）分别为0.934和0.165 7 g·kg-1。 桂花酒中山梨酸钾的定量预测模型为主光谱模型, 结合K/S算法, 探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。 结果显示, 用K/S算法选取4个杨梅酒样品, 基于DS算法传递桂花酒主光谱模型验证结果RP和RMSEP值分别为0.906 1和0.215 0 g·kg-1。 K/S算法选取3个杨梅酒样品（窗口宽度为5）, 基于PDS算法传递桂花酒主光谱模型验证结果RP和RMSEP值分别为0.905 5和0.225 0 g·kg-1。 DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒, 实现了一种被测物预测模型在同类物种间的传递, 具有重要实用意义。

挥发性盐基氮(TVB-N)含量是评价猪肉新鲜度的重要理化指标。为了实现快速、无损检测猪肉的新鲜度,优选出与猪肉中TVB-N含量相关的特征波长,将包含特征波长的发光二极管(LED)光源用于多光谱检测系统,测定了猪肉中TVB-N的含量。首先利用可见-近红外(VIS-NIR)高光谱系统对猪肉进行检测,获取高光谱反射率数据,并采用一阶导数(FD)法、标准正态变量变换(SNV)以及其他预处理方法建立猪肉中TVB-N含量的偏最小二乘回归(PLSR)模型;然后分别利用逐步回归算法(SWA)、连续投影算法(SPA)、基因遗传算法(GA)筛选出与TVB-N含量相关的特征波长,利用筛选出的特征波长分别建立PLSR模型与多元线性回归(MLR)模型,比较模型结果后进一步优选特征波长;最后,将含有特征波长的LED光源用于多光谱检测系统,并建立PLSR模型与MLR模型,从而完成对猪肉中TVB-N含量的测定。实验结果表明:利用SWA、SPA、GA这3种算法筛选出的特征波长能够很好地反映全光谱的信息,建立的模型效果较好,变量数大大减少;包含优选特征波长的LED光源在多光谱检测系统中能很好地检测猪肉中的TVB-N含量; MLR模型结果好于PLSR模型结果,MLR模型的校正集相关系数和校正集均方根误差分别为0.9050和3.63×10 ^-5,预测集相关系数和预测集均方根误差分别为0.9040和3.81×10 ^-5。

为了满足果蔬品质快速安全无损检测, 基于可见-近红外漫透射原理, 设计了番茄专用环形光源, 自行搭建了番茄可见-近红外漫透射多品质检测系统, 并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标, 对58个番茄样品进行了快速无损检测研究。 基于自主搭建的系统对每个番茄进行四点的光谱采集, 对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 一阶导数(FD)等方法进行了预处理, 分别建立了SSC及TS的偏最小二乘预测模型, 并对该模型进行了验证。 结果表明: 采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0, 均方根误差分别为0.052 4°Brix和0.082 3°Brix。 采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9, 均方根误差分别为0.423 8%和0.454 9%。 模型验证结果显示, 番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9, 均方根误差分别为0.066 3°Brix和0.571 5%。 利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测, 为番茄内部品质的评价提供了实时、 无损、 快速的检测方法, 为其在线分级提供理论基础。

针对蔬菜品质安全无损伤检测的实际市场需求, 结合叶菜表面农药残留等品质安全参数的不均一性, 以实验室自行搭建的拉曼光谱硬件系统为基础, 开发了叶菜气吸平整装置, 编写了基于LabVIEW开发平台的GUI应用程序。 该系统通过设定扫描步长等参数, 实现了整个菠菜样品的拉曼光谱自动点扫描检测, 包括对所有扫描点的拉曼信号进行自动采集、 显示和存储。 检测过程中, 系统软件实时监控相机、 二维平移台的运行状态。 同时, 针对菠菜原始光谱特性编写了基于有效峰线性拟合基线校准方法的拉曼光谱荧光剔除程序, 实现了对样品所有扫描点数据的自动基线校准及叠加平均处理。 菠菜样品的点扫描实验结果显示, 一次扫描不仅可以获得菠菜样品每一扫描点的叶绿素含量及毒死蜱农药残留等品质安全参数的分布情况, 而且还可以获得整个样品各参数的平均信息。 该点扫描拉曼系统有效提高了不均匀样品的品质安全参数的检测精度。