为了探究一种快速、准确的含钩吻蜂蜜的检测方法, 通过中红外(MIR)光谱仪采集了来自不同地区的216个无毒、含钩吻有毒的蜂蜜样品的MIR光谱图像, 选取光谱图像的800~1 800 cm-1波段作为主要研究波段, 应用主成分分析法并结合偏最小二乘回归(PLS-DA)算法建立有无钩吻鉴别模型, 比较不同数据预处理方法的预测结果。仿真结果表明: 经一阶导数预处理后建立的蜂蜜有无钩吻鉴别模型的鉴别效果最佳, 鉴别准确率达到90.74%。

随着生活和消费水平提高, 消费者对于乳制品食品安全及品质的要求越来越高。 原料奶质量直接影响乳制品的生产与消费安全, 在牛奶收储及生产环节都需要对各种非法添加物进行严格检测, 以保证产品质量。 目前常用的检测方法主要以化学法与仪器分析方法为主, 需要针对不同类型添加物设计前处理步骤, 过程繁琐, 检测效率低, 无法满足实时在线需要。 针对多种类掺假异常牛奶样品实时在线检测需要, 研究了基于中红外光谱的非靶向检测方法。 实验样品选择蒙牛公司六个奶质稳定的奶源地收集到的天然原奶样品, 并配制含有多种掺假物的异常牛奶样品集。 采集样品中红外光谱, 并针对在线检测过程中的干扰来源, 选择平滑滤波、 多元散射校正、 基线校正及归一化等预处理方法, 提高光谱信噪比与一致性。 为了提高非靶向模型识别准确度及稳健性, 根据牛奶样品中红外光谱特征, 选择无信息变量消除（MC-UVE）、 无变量信息消除-连续投影（UVE-SPA）与竞争自适应重加权采样（CARS）三种方法, 筛选原始光谱中的特征波长变量。 在得到的不同特征波长变量组合的基础上, 分别建立基于偏最小二乘判别（PLS-DA）及支持向量机（SVM）的鉴别模型, 对多种掺假物异常牛奶样品进行非靶向鉴别。 实验结果表明, SVM模型鉴别准确度优于PLS-DA, CARS方法筛选得到的变量组合应用于不同鉴别模型的效果均较优, 与SVM模型结合对训练集与测试集的分类准确率分别达到97.84%与94.55%。 分析特征波长变量分布可知, CARS方法筛选出的变量主要集中在异常牛奶样品光谱特征比较明显的区域。 样品误分类结果表明, 该模型组合可以较为准确识别异常牛奶样品, 具有较好的特异性。 研究结果表明, 基于红外光谱技术建立非靶向鉴别模型可以实现多种异常牛奶样品快速准确识别, 为牛奶掺假及生产过程在线检测提供了支持。

苯作为挥发性有机化合物(VOCs)的重要组成部分, 其大气污染状况日益引起人们的关注, 中红外波段通常是分子的基频指纹吸收区, 已成为痕量气体检测的重要波段, 而差分吸收激光雷达是探测大气痕量气体的重要手段, 故针对区域性苯浓度实时遥感问题, 提出基于中红外带间级联激光器(ICL)的探测大气苯浓度路径积分型差分吸收(IPDA)激光雷达系统。 首先, 在分析IPDA激光雷达的探测原理的基础上, 构建了IPDA激光雷达的反演算法及其误差分析模型。 其次, 详细分析来自HITRAN数据库的中红外3 100 cm-1附近苯以及主要干扰气体(如HCl, CH4和H2O)的吸收光谱, 结合HCl和CH4着重考虑了H2O对探测结果的影响, 选择IPDA激光雷达的测量波长和参考波长分别为3 090.89和3 137.74 cm-1。 再次, 基于两个连续波ICL, 设计了探测大气苯浓度IPDA激光雷达系统, 并可通过控制温度和驱动电流调谐激光器的输出波长, 使其波长分别稳定在强吸收谱区和弱吸收谱区, 并设计了基于中红外衍射光栅的光谱分光子系统, 以实现双波长接收信号的同步探测。 最后, 基于标准大气模型, 仿真分析了不同路径长度、 能见度和水汽浓度情况下激光雷达的探测性能, 并搭建中红外波段检测气体池开展了测试实验, 以验证该IPDA激光雷达系统的可行性。 仿真及实验结果分析表明, 当大气能见度为5 km, 水汽浓度低于0.4%时, 苯的浓度路径积(CL)在0.1～24 mg·m-3·km范围内探测的相对误差优于10%, 而苯的CL为5 mg·m-3·km时探测相对误差优于1%; 初步实验测试了中外红波段差分吸收激光雷达探测的线性相关系数R2约为98.7%。

采用中红外(MIR)光谱技术研究玻璃镜片气泡结构，发现气泡结构的红外吸收模式主要为νasO=C=O-一维。采用变温中红外(MIR)光谱进一步研究了气泡结构的热稳定性，发现在303～393 K范围内的主要官能团(νH-O-H-一维、νasO=C=O-一维和δO=C=O-一维)的吸收频率及强度发生变化。采用二维MIR光谱深入研究了主要官能团(νH-O-H-二维、νasO=C=O-二维、δH-O-H-二维、νsO=C=O-二维、δO=C=O-二维)对热的敏感程度及变化快慢，发现玻璃镜片气泡结构红外吸收模式主要集中在3 420～3 380 cm-1、2 365～2 335 cm-1、1 660～1 630 cm-1、1 350～1 330 cm-1及680～660 cm-15个频率区间，在这5个区间内展现出不同的光谱性能。本工作拓展了三级MIR光谱(包括MIR光谱、变温MIR光谱和二维MIR光谱)研究在重要的光学产品(如玻璃镜片)中气泡结构及热变性的范围。

光谱分析在木材种类识别领域具有一定的潜力, 而其中的中红外光谱也广泛应用于定性及定量分析。 该研究中红外光谱法识别木材种类的报道中, 基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。 提出了一种聚类分析(CA)、 对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法, 利用DenseNet的优势提高中红外光谱法识别木材的准确率。 首先, 采集了愈疮木、 巴里黄檀、 刺猬紫檀、 大果紫檀、 螺穗木5种木材样本的250组中红外光谱数据, 应用欧式距离进行了异常值剔除, 剩余240组作为待分析数据并对其进行分类的可行性分析。 对光谱数据进行SDP转化分析, 确定SDP转化的最优参数; 之后, 运用CA筛选原始光谱数据的特征, 根据CA不同阙值确定了三组维数的特征并进行讨论, 通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性, 初步确定了最优维数特征; 再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中, 获得模型识别的准确率; 最后通过对比分析验证了模型的有效性, 一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中, 对比识别的准确率; 另一方面以最优维数特征数据输入到随机森林中进行识别, 对比传统机器识别与SDP-DenseNet算法识别的准确率。 结果表明: 经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率, CA特征筛选最优维数为255维, 其测试集最高识别率达到了88.67%, 而对照组107维为77.78%, 322维为68.89%, 原始数据的SDP-DenseNet模型识别率仅为57.78%; 经CA特征筛选的最优维数数据对应的随机森林模型识别率较低, 仅为66.67%。 因此, 提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度。

茶叶是全球最受欢迎饮品之一, 且具有丰富的营养价值, 但目前市面上的茶叶鱼龙混杂, 难以辨别。 因此, 快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。 由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域, 茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息, 利用这一显著特点可以对其进行分类。 提出模糊协方差学习矢量量化(FCLVQ), 该算法在GK(Gustafson-Kessel)聚类的基础上, 引入学习向量量化(LVQ)中学习速率的概念, 用以控制模糊类中心的更新速率。 FCLVQ结合中红外光谱, 通过不断迭代计算样本模糊隶属度值和模糊聚类中心, 实现对茶叶的快速精准分类。 选取市场上的峨眉山茶叶、 优质竹叶青茶叶、 劣质竹叶青茶叶作为实验对象。 将实验对象分为3组（每个品种各1组）, 每组32个, 共计96个样本。 利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据, 每组样本采集三次, 取其平均值作为样本的红外光谱数据。 首先, 由于原始光谱含有噪声数据, 故使用多元散射校正(MSC)作降噪预处理; 其次, 由于光谱数据维数高达1 868维, 采用主成分分析(PCA)将光谱数据降至14维, 其14个主成分的累计贡献率为99.74%; 然后将降维后的光谱数据使用线性判别分析(LDA)进一步降至2维, 同时提取数据中的鉴别信息; 最后运行模糊C均值聚类算法(FCM), 将其运算得到的聚类中心作为FCLVQ的初始聚类中心参与迭代, 设置模糊隶属度的权重指数m=2, 最终分类准确率高达95.25%。 将FCM算法、 GK算法、 模糊Kohonen聚类网络(FKCN)算法与FCLVQ算法的运行结果进行对比, FCM, GK和FKCN的分类准确率分别为90.91%, 92.41%和90.91%。 结果表明, 与其他三个算法相比较, FCLVQ在m=2, 主成分个数为14时有着更好的分类效果, 可以用来实现对茶叶品种的准确分类。

平菇味道鲜美、 营养丰富, 深受消费者喜爱。 平菇在我国的栽培范围较广, 产地分散, 每个产地的气候条件、 栽培基质、 栽培方式的差异, 使不同产地生产的平菇在口感、 营养价值方面会有不同。 为规范平菇产品的市场管理, 更为打造区域内特色平菇品牌, 借助中红外光谱技术无污染、 高效、 低成本等特点, 突破目前化学分析、 生物学鉴别方法的限制, 提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。 对10个不同产地的平菇子实体进行红外光谱数据采集, 每个地区各60份共600份样本。 光谱数据经分析表明, 在波段530～1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。 同时, 基于K-S法按照训练集和测试集比例为7∶3对样品划分, 得训练集为420份, 测试集为180份。 采用多元散射校正（MSC）, 标准正态变量变换（SNV）, 平滑（SG）, 一阶导数（FD）, 二阶导数（SD）等预处理方法进行光谱优化, 去除噪声, 并结合支持向量机（SVM）进行初步建模对比, 得出MSC预处理后光谱数据差异性最大, 预测集识别效果最好为84.44%。 将MSC光谱数据进行0～1区间的归一化处理, 并采用主成分分析（PCA）对其进行降维, 选择满足训练集中主成分个数累积贡献率≥85%, 且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机（SVM）、 随机森林（RF）、 极限学习机（ELM）进行建模识别比较。 实验结果表明, 在识别不同产地平菇模型中, SVM模型识别效果最佳, 训练集和测试集识别率均为100%; RF模型训练集识别率为100%, 测试集识别率略低, 为98.89%; ELM模型对比其他模型识别率较差, 训练集识别率为99.28%, 测试集识别率为98.33%。 3种模型的识别率均高于98%, 说明采用红外光谱结合机器学习的方法可以简单、 快速、 低成本的实现对不同产地平菇的鉴别, 不仅为平菇产品产地识别提供方法依据, 也为其他种类食用菌产品的产地鉴别提供参考。

中红外光谱以及近红外光谱在现代分析化学中有重要的地位, 是人类认识物质结构、 功能、 成分以及含量的重要途径。 小杂粮泛指生育期短、 种植面积少、 种植地区和种植方法特殊, 有特种用途的多种粮豆, 其特点是小、 少、 特、 杂。 小杂粮营养丰富, 既是传统口粮, 又是保健食品资源。 随着人民生活水平的提高和膳食结构的改善, 小杂粮作为药食同源的新型食品资源, 在现代绿色保健食品中占有重要地位。 对小杂粮进行品质检测可为小杂粮生物活性物质研究、 品质分级、 小杂粮育种、 产地溯源与真伪鉴别等方面提供可靠的数据支撑。 按照麦类小杂粮及豆类小杂粮分类, 对国内近30年来小杂粮品质检测有关文献加以综述。 研究表明, 麦类小杂粮品质检测文献更多, 约占文献数量的2/3左右, 且以近红外光谱技术应用居多; 豆类小杂粮品质检测文献相对较少, 约占文献数量的1/3左右, 且以中红外光谱技术应用居多。 中红外光谱、 近红外光谱在小杂粮品质检测分析方面有诸多重要应用。 其中, 中红外光谱更多应用于小杂粮中活性物质以及小杂粮加工过程的表征, 而近红外光谱则更多应用于小杂粮中粗蛋白、 粗脂肪、 水分等主要品质指标的定量分析检测, 可为小杂粮品质监测、 科学育种提供高效的数据来源。 近年来, 随着化学计量学的发展和计算机技术的进步, 近红外光谱不再局限于小杂粮品质指标定量分析, 而且还被应用于小杂粮产地溯源等领域, 亦取得了良好的效果。 最后对中红外光谱、 近红外光谱在小杂粮品质无损分析检测方面做出了展望。