油茶产业具有良好的经济和生态效益, 深受国家重视。 目前, 炭疽病侵害油茶树日益加重, 严重地降低了产量, 导致油茶产业的效益直接受损。 所以找到一种快速、 准确、 方便的油茶炭疽病检测方法是非常必要的。 激光诱导击穿光谱(LIBS)是一种低成本、 微损伤、 无残留的技术, 能够对多种成分快速实时检测。 采用LIBS结合化学计量学方法对油茶炭疽病的定性检测方法进行研究。 实验样品采摘于油茶种植区, 分别采集了100片健康油茶叶片和100片感染炭疽病的油茶叶片。 将采集的叶片进行微处理, 即首先进行反复冲洗去除叶片表面污渍, 然后进行分类、 装袋和标号, 最后进行LIBS光谱采集实验。 实验设备为海洋光学的MX2500+, LIBS实验参数设置为激光能量50 mJ, 最优延迟时间2 μs, 每个叶片采集6条光谱数据, 并求其平均。 在油茶叶片LIBS光谱的波长251.432 nm处观察到Si的特征峰、 分别在252.285, 259.837和385.991 nm处观察到Fe的特征峰、 分别在260.568, 279.482和280.108 nm处观察到Mn的特征峰。 实验结果: 油茶叶片中的微量元素Si, Fe, Mn的LIBS信号与油茶叶片的健康程度有直接关系, 健康油茶叶片中Si, Fe和Mn的特征峰强度明显高于感染炭疽病的油茶叶片中Si, Fe和Mn的特征峰强度; 此外, 利用LIBS技术结合MSC光谱预处理和PCA分类法, 对油茶叶片的健康和感染炭疽病的两个状态进行分类处理。 PC1, PC2和PC3的贡献率分别为80%, 12%和6%, 建立三维模型分类, 可以清晰地将油茶叶片的两种状态区分出来。 同时, 还利用PLS-DA建立模型, 模型的识别率高达90%以上, 可以对油茶叶片两种类别进行较好的分类。 以上两种化学计量方法都可以区分油茶叶片的健康和染病两种状态。 研究表明了利用LIBS技术检测油茶炭疽病是可行的。 可以利用LIBS技术对油茶叶片的微量元素和营养元素进行定量检测, 为定量检测提供了参考。 提出了一种快速检测油茶炭疽病的新方法。

紫米是生活中常见的食材, 具有丰富的营养价值。 由于紫米价格较高导致染色紫米大量流入市场。 本文使用太赫兹时域光谱技术结合化学计量学方法探索紫米掺假的快速检测方法。 采用太赫兹时域光谱技术(THz-TDS)采集0～7 THz范围内紫米掺假的光谱数据, 并选择0.5～2.5 THz波段的吸收系数谱和折射率谱进行分析并采用化学计量学方法对光谱数据进行建模分析。 分别采用Savitzky-Golay卷积平滑（SG Smoothing, SG平滑）、 基线校正（Baseline）、 归一化（Normalization）、 多元散射校正（MSC）等方法进行光谱预处理, 结合偏最小二乘判别分析(PLS-DA)对紫米、 紫米掺染色大米和紫米掺染色黑米进行定性分析。 定性分析结果显示, 通过主成分分析（PCA）的三种样品平面分布存在明显差异; 经过基线校正的光谱数据建立的PLS-DA模型效果最佳, 误判率为0。 接着使用偏最小二乘法(PLS)结合SG平滑、 Baseline、 Normalization、 MSC等预处理方法分别对紫米中掺染色大米和紫米中掺染色黑米的光谱数据建立PLS定量模型。 结果显示, 采用基线校正预处理方法的PLS建模效果最佳, 紫米掺染色大米的预测集相关系数为0.936, 预测集均方根误差（RMSEP）为0.095。 紫米掺染色黑米的预测集相关系数为0.914, 预测集均方根误差为0.096。 为对比分析线性（PLS）与非线性（LS-SVM）两种定量模型方法的预测精度, 采用相同预处理方法后的紫米掺假含量光谱数据建立最小二乘支持向量机（LS-SVM）预测模型, 选用径向基函数（RBF）作为核函数。 结果表明采用基线校正处理后LS-SVM模型效果最佳, 紫米中掺染色大米的预测集均方根误差（RMSEP）为0.092, 预测集相关系数（Rp）为0.979; 紫米中掺染色黑米的预测集均方根误差（RMSEP）为0.093, 预测集相关系数（Rp）为0.948。 对比发现对紫米掺假的含量建立LS-SVM预测模型较PLS模型的稳定性更好、 精确度更高。 研究表明, 太赫兹时域光谱结合化学计量学方法可为紫米掺假的定性定量分析提供快速精确的分析方法。

明矾是一种可以改良粉条粉丝易断粗糙特性的违法添加剂, 明矾的含量过高进入人体后会直接影响身体健康。 结合太赫兹光谱技术探索红薯淀粉中明矾含量快速检测方法。 采用太赫兹时域光谱系统(Terahertz time domain spectroscopy, THz-TDS)于常温下获取0.5～7 THz范围内红薯淀粉、 明矾及其混合物的光谱数据。 因0～0.5 THz测得的频谱均为噪声, 高频段区域的吸收系数大、 信噪比低, 故选取0.5～2 THz波段的吸收系数谱和折射率谱进行分析。 发现明矾在该波段存在明显的特征吸收峰, 可作为指纹特征用于物质识别。 分别采用Savitzky-Golay卷积平滑（SG Smoothing, SG 平滑）、 基线校正（Baseline）、 归一化（Normalization）等方法进行光谱预处理, 再结合偏最小二乘(partial least squares, PLS)对红薯淀粉中明矾含量建立预测模型。 结果表明, 采用原始光谱、 SG 平滑、 Baseline、 Normalization等光谱数据建立PLS模型的最佳因子数（principal component factors）分别为3, 3, 3和2; 校正集相关系数（ｒc）分别为0.982, 0.980, 0.982和0.984; 预测集相关系数（rp）分别为0.982, 0.979, 0.982和0.987; 校正集均方根误差（root mean square error of calibration, RMSEC）分别为0.011, 0.012, 0.012和0.011; 预测集均方根误差（root mean square error of prediction, RMSEP）分别为0.013, 0.014, 0.013和0.012; 可知归一化预处理后建立PLS模型效果最佳。 为对比分析线性（PLS）与非线性（LS-SVM）两种定量模型方法的预测精度, 采用相同预处理方法后的红薯淀粉中明矾含量光谱数据建立最小二乘支持向量机（least squares support vector machine, LS-SVM）预测模型, 选用径向基函数（RBF）作为核函数。 结果表明, 归一化预处理后建立LS-SVM模型效果最佳, 其预测集均方根误差（RMSEP）为0.0047, 预测集相关系数（rp）为0.997 2。 发现对红薯淀粉中明矾含量建立LS-SVM预测模型的稳定性更好、 精确度更高。 采用太赫兹时域光谱结合LS-SVM和PLS对红薯淀粉中明矾含量进行定量分析。 结果表明, 采用归一化预处理后的LS-SVM比PLS模型的预测效果更优, 可能是红薯淀粉与明矾混合物中含有更多的非线性信息。 研究表明, 太赫兹时域光谱结合化学计量学方法可为红薯淀粉中明矾含量的定量分析提供快速精确的分析方法。

使用太赫兹时域光谱技术(THz-TDS)对葛粉中苯甲酸含量进行了定量分析。检测样品为有塑料包装袋的葛粉。对原始数据进行多元散射校正、基线校正、一阶导数、二阶导数等预处理,利用偏最小二乘(PLS)法对葛粉中苯甲酸的含量建立预测模型。检测结果显示:无塑料包装袋样品的模型决定因子为0.975,预测集的均方根误差(RMSEP)为1.126%;有塑料包装袋样品的模型决定因子为0.976,RMSEP为1.356%。