为了实现微藻生长过程品质指标的快速无损检测， 提出了可见-近红外光谱技术检测不同红蓝光源组合培养条件下螺旋藻中叶绿素a和蛋白质的含量。 采集不同含量红光和蓝光组合下螺旋藻在325～1 075 nm波段范围内的光谱信息， 其中红光与蓝光的含量组合分别是(100%， 0%)， (90%, 10%)， (70%， 30%)， (50%, 50%)。 同时测量叶绿素a和蛋白质的含量， 建立偏最小二乘(PLS)预测模型。 分别基于连续投影算法(SPA)选择了用于叶绿素a和蛋白质预测的特征波长， 分别得到5个(404， 440， 518， 662和875 nm)和4个(411， 531， 602和1 047 nm)特征波长。 基于特征波长建立了PLS和多元线性回归(MLR)预测模型， SPA-MLR模型中叶绿素a和蛋白质预测集相关系数(correlation coefficient, Rp)分别是0.949和0.974， 均方根误差(RMSEP)分别是0.018 8和0.006 74。 结果表明： 可见-近红外光谱检测螺旋藻藻体中叶绿素a和蛋白质含量是可行的， 通过测量螺旋藻的光谱结合化学计量学方法可以实现对螺旋藻生长状况的检测。

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长, 建立SSC偏最小二乘回归(PLSR)模型, 校正集相关系数rcal为0.891, 校正集均方根误差RSMEC为0.612 °Brix, 预测集相关系数rpre为0.889, 预测集均方根误差RMSEP为0.630 °Brix。最后, 计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图, 直观判断脐橙SSC含量高低。

微藻-生物柴油转化生产要求产油微藻细胞内大量积累脂肪, 而藻类脂肪的积累受外界环境影响较大, 因此, 微藻生长过程中对藻体脂肪变化进行快速检测和分析有着非常重要的意义。 以小球藻（Chlorella sp.）为研究对象, 利用可见/近红外光谱技术和高光谱成像技术对不同光源培养条件下微藻生长过程脂肪动态变化和脂肪含量分布可视化分析进行了研究。 研究结果表明, 虽然利用两种技术获取的小球藻透射光谱和反射光谱有差异, 利用连续投影算法进行特征波长也不完全相同, 但基于两种技术获得的对于脂肪含量的特征波段光谱建立的小球藻脂肪含量多元线性回归模型的预测结果接近, 分别为rpre＝0.940, RMSEP＝0.003 56和rpre＝0.932, RMSEP=0.004 23。 研究中小球藻接种初期至生长指数期初期藻体内脂肪含量相对平稳, 积累增加发生在生长对数期的末期, 而在生长平稳期时的小球藻藻液中, 脂肪含量较高的藻体呈现出聚集生长的状态。 小球藻生长过程中生命信息快速无损检测方法的实现为微藻实际生产培养和收获策略的制定提供了理论依据和技术手段。

微藻高效培养是微藻生物能源开发利用的关键和前提, 而在营养充足的培养条件下生长迅速但较易受到环境污染和影响, 因此微藻生长过程中对其生长状况进行监测意义重大。 高光谱成像技术同时拥有丰富物质品质信号的优点和图像包含丰富品质分布空间信息的优点, 可为微藻的快速无损检测提供新的方法和手段。 分别采集小球藻、 球等鞭金藻和螺旋藻三种微藻各45个样本的高光谱图像, 并提取样本感兴趣区域（ROI）的平均光谱。 利用连续投影算法（SPA）波长优选之后, 取30个建模集样本的光谱数据与其相应的生物量建立多元线性回归（MLR）模型, 对15个预测集样本的生物量进行预测, 小球藻、 球等鞭金藻和螺旋藻预测相关系数（r）分别为0.950, 0.969和0.961, 预测均方根误差（RMSEP）为0.010 2, 0.010 7和0.017 1, 获得了较好的预测精度。 最后, 用所建MLR模型对预测集图像上每个像素点的生物量加以预测, 采用Matlab图像编程处理将不同的生物量用不同的颜色表示, 最终以伪彩图的形式实现藻液生物量的可视化。 研究结果表明, 高光谱成像技术对小球藻和螺旋藻藻液生物量的可视化效果较好, 对球等鞭金藻的预测效果还需要进一步改进。 本研究为实现微藻生长信息的快速获取和进一步开展微藻生物质能源利用奠定了一定的研究基础。

研究发现基于800～2 500 nm波段的近红外光谱可对发酵冬虫夏草菌粉中水分和腺苷进行良好的定量分析。 选取了4 277.63～4 316.20 cm-1, 4 887.06～4 941.07 cm-1, 5 056.78～5 172.50 cm-1和5 218.78～5 303.64 cm-1四个特征波段; 4 902.49～4 817.64 cm-1和4 740.49～4 107.91 cm-1两个特征波段, 分别对水分和腺苷建立了偏最小二乘法(partial least-square, PLS)回归模型。 采用全波段建模水分和腺苷的预测相关系数r分别为0.868 3和0.788 2, 预测均方根误差RMSEP分别为0.001 999和0.000 134, 剩余预测偏差RPD分别为1.974 4和1.640 7。 而采用特征波段建模, 其对水分和腺苷的预测相关系数r分别为0.869 1和0.829 0, 预测均方根误差分别为0.001 934和0.001 250, 剩余预测偏差分别为2.040 7和1.847 6。 结果表明, 采用对这两项指标特征波长建模后, 不仅预测效果有不同程度的提高, 还提高了建模速度, 为检测仪器的开发提供了依据。

研究了基于可见–近红外光谱技术的制动液品牌混掺比例快速无损检测方法。全波段建立的 偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)模型均得到了较好的预测结果。这两个模型的建模集和预测集的确 定系数(r2c和r2p)均在0.98以上。采用连续投影算法(SPA)挖掘特征波长，最终选择了439 nm、 443 nm、459 nm、519 nm、570 nm、717 nm、896 nm和902 nm共8个波长作为最优变量。基于SPA选择的变量建立的PLSR 和LS–SVM模型的r2c和r2p均在0.97以上，能够满足实际应用的需要。研究结果表明，可见–近红外光谱 可以用于制动液品牌混掺比例快速无损检测。