提升工业CT检测系统的技术性能一直是射线无损检测领域系统研发人员和用户共同追求的目标。基于这一目标，提出了采用耦合闪烁屏与科学级面阵CMOS相机的CT图像探测方法，本文介绍了利用该方法在微焦点工业CT系统硬件研制和软件开发方面涉及的重要工程技术细节。给出了自主研发的抗辐照X射线数字相机与商用平板探测器的实测技术指标对比结果、X射线CT集成软件（CTER MAX）与商用软件在CT重建算法计算效率方面的对比结果以及CT系统空间分辨率检测结果。结果表明：抗辐照X射线数字相机具备超高像素采样、低噪声、高动态范围、高分辨、耐辐照、低成本等优势，尤其在空间分辨率上较平板探测器有更大的提升空间，使用更为灵活，适应更多应用场景需求；CTER MAX软件功能完整、操作友好、较商业软件在计算性能上有约4.5倍的速度提升；CT系统综合空间分辨率最高为5 μm，与射线源焦斑尺寸相当。整个系统运行稳定可靠、可推广应用于航空发动机叶片、岩芯检测等各工业无损检测领域。

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测, 实现大豆水分含量可视化。 采集了96个不同品种大豆样本在900~2 500 nm的高光谱图像, 采用直接干燥法测量每个大豆样品的水分含量。 利用系统自带的HSI Analyzer软件提取图像感兴趣区域(ROI)的平均光谱信息, 代表样品的光谱信息。 利用SPXY算法划分样品校正集和预测集, 并保留938~2 215 nm波段范围内的光谱数据。 采用移动平滑(moving average)、 S-G平滑、 基线校正(baseline)、 归一化(normalize)、 标准正态变量变换(standard normal variate, SNV)、 多元散射校正(multiple scattering correction, MSC)、 去趋势(detrending)共7种光谱预处理方法, 发现Normalize方法处理后的PLSR模型效果较好。 为了去除光谱冗余信息, 简化预测模型, 采用连续投影算法(SPA)、 竞争性自适应加权算法(CARS)、 无信息消除变量法(UVE)提取特征波长, 其中SPA, CARS和UVE三种算法优选出14, 16和29个波长, 分别占总波长的6.5%, 7.4%和13.4%。 分别对938~2 215 nm波段光谱和特征波长建立预测模型, 并将效果较优的模型与Normalize方法结合。 建立的14种预测模型效果相比较, 发现SPA算法筛选的特征波长建模预测效果较好, 并优选出Normalize-SPA-PCR模型, 模型的RC2和RP2值较高, 分别为0.974 6和0.977 8, RMSEP和RMSECV值较低, 分别为0.238和0.313, 模型的稳定性和预测性较好, 可以对大豆水分含量进行准确预测。 将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型, 计算高光谱图像每个像素点的水分含量, 得到灰度图像, 对灰度图像进行伪彩色变换, 得到大豆水分含量可视化彩色图像。 对预测集的24个大豆品种进行可视化处理, 发现不同水分含量大豆的可视化图像颜色不同, 水分含量变化对应的颜色变化较为明显。 结果表明, 高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量, 实现大豆水分含量可视化, 为大豆收获、 贮藏加工过程中水分含量检测提供了技术支持。

为了控制水稻螟虫预警和喷洒农药用量, 实现对水稻螟虫虫害的无损检测, 提出了基于主成分分析特征波段检测方法和基于迭代阈值的最优波段检测方法, 确定了水稻茎秆螟虫检测的特征波段和最优波段, 提取出单波段和组合波段的图像来分割虫孔, 从而实现水稻螟虫的精准的无损检测。 首先通过高光谱得到的120个样品反射率信息分析确定了光谱区域为450~1 000 nm。 基于主成分分析特征波段检测方法, 对高光谱图像进行主成分分析, 通过前五个主成分图像比较确定第三主成分图像为最佳, 然后根据第三主成分图像中各个波段的贡献率来选取特征波长(668.8和750 nm), 最后结合全局阈值分割和图像掩膜等图像处理方法实现对虫孔区域的判别。 而利用基于迭代阈值的最优波段检测方法, 在可见光波段450~750 nm范围和近红外波段750~1 000 nm范围内应用混合距离挑选最佳的单波段, 通过单波段来确定组合波段, 对单波段和组合波段进行迭代阈值分割, 其中753.5 nm波长分割效果最好, 故确定753.5 nm为最优波长, 然后提取该波长的图像采用一种基于迭代阈值虫孔提取方法和形态学处理, 最后能对水稻茎秆虫孔区域进行判别来实现水稻茎秆虫害是否存在。 对60个虫害水稻茎秆和60个正常水稻茎秆进行检测, 应用基于主成分分析特征波段检测方法在668.8和750 nm波长处检测率分别为95.8%和93.3%, 而应用基于迭代阈值的最优波长检测方法在753.5 nm波长处检测率高达96.7%。 说明利用基于迭代阈值的最优波长检测方法对水稻螟虫的检测更加精确, 也说明所获取的特征波段和最优波段为以后水稻螟虫虫害的多光谱成像技术提供了理论参考。

抗坏血酸是一种常见的面粉品质改良剂, 用于改善面团的流变学特性及面包的烘焙品质。 本研究以面粉中含不同浓度抗坏血酸的混合样品为研究对象, 通过拉曼成像技术实现面粉中抗坏血酸的检测、 识别和定量分析。 分别采集面粉、 抗坏血酸和面粉-抗坏血酸混合样品的拉曼图像, 确定感兴趣区域及光谱范围, 以抗坏血酸拉曼光谱中强度较高且区别于面粉的3处拉曼峰(631, 1 128和1 658 cm^-1)为依据对混合样品的平均拉曼光谱进行分析, 结果显示其不能有效评估面粉中抗坏血酸含量, 研究探索对图像中各像素点对应的拉曼光谱进行分析以实现面粉中抗坏血酸的有效检测。 以混合样品图像中各像素点拉曼光谱作为校正集、 面粉平均拉曼光谱和抗坏血酸平均拉曼光谱的线性组合光谱作为验证集建立偏最小二乘模型, 模型的回归系数用于将混合样品的三维拉曼图像重建为二维灰度图像, 通过阈值分割实现面粉中抗坏血酸的检测和识别, 根据识别结果建立定量分析模型。 结果显示, 偏最小二乘模型的最高和最低回归系数分别对应于抗坏血酸和面粉的最强拉曼峰, 所有回归系数应用于混合样品拉曼图像将其转换为灰度图像后面粉和抗坏血酸的像素点仍难以识别, 阈值分割方法将灰度图像转换为用于分类面粉像素和抗坏血酸像素的二值图像实现了面粉中抗坏血酸的有效检测。 通过分析各浓度混合样品对应子样品中识别到的抗坏血酸像素点数确定本研究对面粉中抗坏血酸的最低检测浓度为0.01%(100 mg·kg^-1), 混合样品中抗坏血酸浓度同图像中识别到的抗坏血酸像素点在0.01%~0.20%范围内具有良好的线性关系, 决定系数为0.996 0。 研究结果可为面粉中抗坏血酸添加剂的定量检测提供方法支持, 为大规模快速筛查提供了技术参考。

葡萄具有丰富的营养价值、 药用价值和经济价值, 是世界上种植面积最大的水果之一。 根据人们的消费需求及产品的贮运要求, 葡萄被加工成葡萄干、 葡萄汁、 葡萄酒、 葡萄籽油等常见葡萄制品。 基于食品质量安全的关注以及高品质果蔬农产品的需求, 如何快速有效地评价葡萄及其制品的质量已成为当务之急。 随着无损检测技术及装备的快速发展, 近红外光谱(NIR)技术因其快速、 无损、 精确、 经济及便于在线分析的优点, 也逐渐被应用在果蔬等农产品质量品质检测领域。 近年来, 国内外学者利用NIR技术在不损坏被检测葡萄及其制品的前提下, 结合化学计量法、 主成分聚类分析(PCA)、 偏最小二乘判别分析(PLS-DA)、 主成分回归(PCR)、 偏最小二乘回归(PLSR)、 支持向量机(SVM)及神经网络(NN)等数据处理方法探究了糖、 酒精、 酸等一般成分及色素、 单宁、 芳香物质等特有成分含量与有效光谱信息的关联性, 以此建立了葡萄及其制品主要品质指标的定性鉴别与定量分析模型, 为便携式近红外葡萄品质检测设备的研制和在线葡萄汁、 葡萄酒酿制过程监测系统的开发提供了一定技术支持。 文章系统概述了近十年来国内外NIR技术在葡萄、 葡萄酒、 葡萄汁及葡萄副产物检测中的应用现状, 旨在为葡萄及其制品在后续分类鉴定与品质评价研究方面提供参考。 研究表明NIR技术通过定量定性分析可实现葡萄复杂理化成分的多组分检测和分类鉴别, 在测定葡萄理化特性与内部品质方面的研究已经有了一定的进展, 且在葡萄酒、 葡萄汁的品质过程监测和定性鉴别方面的研究应用逐渐增多, 并逐步应用于葡萄皮中多酚、 花青素等葡萄副产物分析, 以及葡萄藤、 葡萄叶营养生长状况监测等其他方面, 进一步证实了NIR技术正成为检测葡萄及其制品品质的一种有效工具, 为进一步提高葡萄及其制品品质价值以及实现葡萄果园的实时、 高效生产管理提供了技术支持, 应用前景极为广泛。 如何深入挖掘葡萄及葡萄制品不同类检测数据所反映信息的内在关联性, 结合视觉、 味觉、 嗅觉等多源信息融合技术建立预测精确度更高、 更稳健的模型去全面评价葡萄生产、 果园管理、 成熟期收获及产后加工全过程, 实现对葡萄及其制品生产全过程质量控制和在线监测将成为今后的发展趋势。

针对当前图像分割算法在实现工业铸件内部缺陷分割上精度低且算法不够轻量化的问题，提出一种基于改进DeepLabv3+的工业铸件内部缺陷检测算法Effi-DeepLab。该方法采用EfficientNet中的MBConv来代替原有的Xception模块进行特征提取，使特征提取网络更加高效与轻量化；针对工业铸件内部缺陷尺寸小的问题，重新设计空洞空间金字塔池化（ASPP）层中空洞卷积的扩张率，使得卷积块对小目标具有更高的鲁棒性；在解码端充分利用特征提取阶段的低阶语义信息进行多尺度特征融合，以提高小目标缺陷分割的精度。实验结果表明，在本文使用的汽车轮毂内部缺陷图像数据集中，Effi-DeepLab模型对缺陷的分割准确率和平均交并比（mIoU）分别为93.58%和89.39%，相比DeepLabv3+分别提升了2.65%和2.24%，具有更好的分割效果；此外，还通过实验验证了本文提出算法具有良好的泛化性。