中药材重金属超标问题日趋严重, 将阻碍中药产业的未来高质量发展, 因此研究高效、 准确、 便捷的超标鉴定方法对于了解中药的安全性具有重要意义。 X射线荧光(XRF)光谱分析具有无损检测、 快速准确、 样品制备方便等优势, 在元素分析领域获得广泛应用。 由于中药材重金属超标阈值低(如中国药典2020年版规定铅超标为5 mg·kg-1), 中药的种类繁多, 基体复杂, 国家标准样本匮乏, 常规的分类算法难以准确鉴定超标问题。 将迁移学习与多分类支持向量机(TrAdaBoost-SVM)方法结合, 以金银花为例, 采用与金银花相似的国家土壤标准样品的光谱特征信息用于数据增强, 将土壤标准样品和少量中药样本混合建立迁移学习和支持向量机分类模型。 通过实验验证, 迁移学习和TrAdaBoost-SVM结合的分类优化方法, 与传统SVM、 AdaBoost分类算法相比, 鉴定重金属元素铅(Pb)的超标准确率有显著提高。 通过测试数据集的预测验证, TrAdaBoost-SVM模型的预测准确率为96.7%, 高于传统SVM及AdaBoost分类模型的准确率。 所提出的迁移学习与TrAdaBoost-SVM结合的方法, 可在小样本条件下建立分类模型, 并对中药的重金属超标准确预测, 具有一定的理论意义和应用价值。

糖度是评价苹果内部品质的重要指标之一。 建立苹果糖度预测模型时， 建模样本和波长的质量影响模型的准确性和后期的更新维护。 以90个苹果样本为研究对象， 采集350~1 150 nm波段共1 044个波长的苹果近红外漫透射光谱， 研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。 结合使用Norris平滑、 一阶微分和归一化变量排序对光谱预处理。 根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个)， 使用LASSOLars建立优选训练集， 对比LASSOLars和蒙特卡罗无信息变量消除、 竞争性自适应重加权法， 从样本、 波长的数目和分布以及模型的结果进行对比分析。 结果表明， 优选训练集压缩了原始训练集16%的样本， 在不改变原始训练集平均水平的前提下， 更接近预测集分布， 没有削弱模型质量。 优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491， 交叉验证决定系数R2CV分别为0.913和0.916， 预测集均方根误差RMSEP分别为0.462和0.471， 预测集决定系数R2P分别为0.909和0.906。 LASSOLars筛选出40个信噪比高的波长， 数目最少， 建立的模型效果最好， RMSECV， R2CV， RMSEP， R2P和RPD分别是0.933， 0.400， 0.944， 0.373和2.838。 基于LASSOLars优化建模样本和波长建立苹果糖度预测模型， 拓展了LASSOLars算法在子集选择方面的应用， 为优化、 更新和维护模型提供思路。

相比于细胞、 组织等其他病理诊断样品, 血液样本更易临床采集, 其生化构成变化常表现于医学影像学检测到的临床症状出现之前, 更有利于实现恶性疾病的早期筛查与诊断。 拉曼光谱（RS）技术, 具有快速、 无标记、 无损、 非侵入等检测优势, 且可获得特异性的生物分子结构和物质组成信息, 在临床血液样品（血浆、 血清）的癌变诊断检测中具有重大的应用前景。 本工作采用显微拉曼光谱检测技术, 在分析不同病变阶段（健康, 早期癌变和晚期癌变）乳腺癌血清样品生化组成信息基础上, 结合主成分分析（PCA）与线性判别分析（LDA）、 支持向量机（SVM）和偏最小二乘算法（PLS-DA）等多变量光谱分析手段, 构建光谱特征归类鉴别模型; 并采用留一交叉验证方法（LOOCV）评估、 比较这些模型的灵敏度、 特异性和准确率, 探索基于血清拉曼光谱的乳腺癌诊断方法。 研究工作在观察血清类胡罗卜素成分共振拉曼光谱现象基础上, 进一步分析了乳腺癌病理演进过程中血清样品蛋白质与脂类光谱特征变化。 此外, 利用多种光谱数据模型, 在提取、 识别更具代表性的分子光谱特征信息后, 实现了较为准确的血清特征光谱信息鉴别分析。 其中, PCA-LDA模型的分类准确率达99%; PCA-SVM（三个内核函数: 线性核、 多项式核及RBF核）模型中, 当线性核函数PCA-SVM模型误差惩罚参数C为0.003时, 其在测试集中的分类准确率为92%; 当RBF核函数PCA-SVM模型参数C和参数γ分别为0.125和256时, 其在测试集中的分类准确率可达到了最高94%; 当多项式核函数PCA-SVM参数C为0.003、 多项式阶数d＝1时, 其在测试集中的分类准确率为92%; 然而, PLS-DA模型的分类准确率仅为80%。 这些实验分析结果, 从光谱特征的角度描述了不同病理条件下血清的物质构成信息, 更为拓展血清拉曼光谱分析技术在乳腺癌早期筛查与病理分期分级中的应用范畴, 奠定了一定实验与理论基础。

糖度(SSC)是苹果内部品质主要评价指标之一, 近红外光谱技术是预测苹果SSC的首选技术, 优化近红外光谱采集装置的参数, 可以提升模型的性能。 采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1 150 nm), 研究不同参数条件下(运动速度、 积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响, 优化动态在线装置的参数。 210个红富士苹果被分为两批, 第一批90个苹果样品, 经过Kennard-Stone算法(K-S)算法分为建模集和预测集, 用于研究不同运动速度、 不同积分时间对苹果SSC含量在线预测模型的影响。 在0.3和0.5 m·s-1两种运动速度下, 使用多元散射校正(MSC)、 小波变换(WT)、 标准正态变量变换(SNV)对采集到的光谱进行预处理, 对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS), 结果表明: 装置的运动速度为0.5 m·s-1所建立的预测模型性能较优, 在四种不同积分时间中, 积分时间为120 ms时, 经SNV预处理所建立的模型性能最优, 其预测集的相关系数和均方根误差分别为0.968和0.331。 第二批苹果120个, 经K-S分为建模集和预测集, 选择运动速度为0.5 m·s-1, 积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究, 结果发现: 在光照强度为4.5 A时, 采集到的光谱相对其他光照强度组有较大的变化, 光谱在640和800 nm处的波峰基本消失。 在光照强度为6.5 A时, 经SNV预处理后建立的模型性能最优。 再使用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)对采集的光谱数据进行波长筛选后, 建立苹果SSC模型, 结果表明: CARS-PLS所建立的模型性能较好, 其预测集的相关系数和均方根误差分别为0.991和0.149, 同时简化了模型, 提高了模型的稳定性。 研究表明: 对动态在线设备进行参数优化, 有助于提高苹果模型的预测精度, 该研究有助于对苹果品质在线分选提供技术支持。

针对陈皮无损、在线、快速的便携式检测需求, 基于可见-近红外光谱技术, 利用AS7341传感器设计了一款手持式非成像光谱分析仪。分析仪以STM32微控制器作为主控芯片, 具备网联、存储、显示等多种功能。对微控制器进行了软件及算法设计, 实现了光谱数据采集、处理、显示、保存与传输。并以不同年份陈皮作为检测对象进行了实验验证, 结果表明对测试集内陈皮的年份识别准确率不低于97%, 具有实际应用价值。

红外光谱分析技术是一种用于食品健康检测、生物制药和环境监测等方面的高新技术。为了去除应用过程中的基线漂移现象，提出了一种基于小波最佳分解尺度的红外光谱基线校正算法。首先，对原始光谱信号多次进行每一层的小波分解，同时也进行每一层的小波重构。然后算得每一层的信噪比，并通过信噪比比对法获得除噪后的光谱信号。接着对该信号进行每一层的小波分解，得到每一层小波细节和小波逼近的频率。分别将两个频率做除法并求出比值。然后比较每层的比值大小，并选择最大的比值作为分解层数的最佳值。将最佳分解层数下的小波逼近系数置零后再进行小波重构，获得基线校正后的光谱信号。通过实验验证发现，该算法不仅可以为小波分解的最佳层数提供依据，而且能够在更好地保留有用信号的同时，除去高频噪声以及低频基线干扰。基线校正比较充分，效果良好。

啤酒新鲜度是市场消费者非常关注的品质指标, 也是各大啤酒公司的核心竞争力。 传统啤酒新鲜度检测方法一般需要十分昂贵的分析仪器和化学试剂, 消耗大量时间, 检测成本较高。 随着啤酒的老化, 啤酒中的成分物质亦将发生变化, 其对应的光谱特征也将发生改变。 利用光谱分析技术, 挖掘表征啤酒老化的光谱特征, 构建啤酒新鲜度指数(BFI), 可实现啤酒新鲜度的快速、 无损检测。 将新鲜啤酒分三等份装入相同容器, 其中2份为避光保存, 1份为光照下保存, 用PSR-3500光谱仪对啤酒样品进行光谱采集, 每隔24 h采集一次, 共采集6次, 获得不同新鲜程度啤酒的光谱数据。 对采集的光谱数据进行特征波段选择、 包络线去除等预处理, 增强后的光谱显示842.0 nm处的波谷深度随放置时间的增长而变小, 因此基于842.0 nm的波谷深度构建反应啤酒新鲜度的光谱特征指数(BFI)。 实验结果表明, BFI值随放置时间的增长而逐渐下降, 且避光保存的两组样品BFI值下降速率基本一致, 而由于光照加速了啤酒中的老化反应, 使得光照保存的样品BFI值下降速率较快, 结果显示BFI能够较好指示啤酒的新鲜程度。 此外, 通过模拟不同光谱分辨率与信噪比水平, 评价BFI对光谱检测设备性能的敏感性。 具体地, 利用高斯函数分布函数和平均分布函数分别生成光谱分辨率为5～40 nm的数据和信噪比为10～60 dB的数据, 对其进行特征波段选择、 包络线去除等预处理, 计算BFI值并进行分析。 实验显示, 当光谱分辨率低于15 nm、 信噪比低于10 dB时, 样品842.0 nm的光谱吸收特征逐渐被掩盖, BFI将难以指示啤酒的新鲜程度。 然而, 只要在798～872 nm及附近波段光谱分辨率优于10 nm、 信噪比不低于35 dB, BFI即可准确指示啤酒新鲜度, BFI对光谱仪的性能要求并不严苛。 综上所述, BFI能够准确指示啤酒新鲜度, 服务于便携式啤酒新鲜度光谱检测设备的设计与研发, 促进光谱分析技术在啤酒品质无损检测及相关领域的应用推广。

西甜瓜(西瓜和甜瓜)味甘多汁, 营养丰富, 其内部品质的检测对其生产和流通具有重要意义。 西甜瓜内部品质的传统检测方法检测时间长, 成本高且为有损检测, 不能满足现代生产的需要。 随着光谱分析技术的快速发展, 应用近红外光谱分析和高光谱成像进行西甜瓜内部品质的无损检测已成为研究热点。 为跟踪国内外最新研究进展并分析研究现状, 介绍了近红外光谱分析和高光谱成像的技术特点和系统组成, 归纳了光谱信息预处理、 变量筛选、 模型建立和模型评价等光谱信息解析方法, 综述了近红外光谱分析和高光谱成像在西甜瓜内部品质(可溶性固形物含量、 坚实度、 总酸含量、 成熟度、 水分等)无损检测中的应用, 并从技术难点和实际应用两方面讨论了光谱分析技术在西甜瓜内部品质无损检测中的发展趋势, 指出利用深度学习进行光谱信息解析、 建立多特征信息融合的综合评价模型、 开发基于人工智能与移动终端深度融合的快速无损检测系统等将成为新的研究方向。

小麦是制作馒头的主要原料之一, 小麦中水、 蛋白质、 淀粉会因产地以及烘干程度的差异而不同, 进而影响到加工成馒头的品质。 所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。 感官评定是鉴别小麦产地和烘干程度常用的方法, 对比感官评定, 光谱分析可以识别样品中的分子结构等信息。 基于此, 尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。 首先选取了两个不同产地的小麦, 再利用微波干燥法对两个不同产地的小麦做烘干预处理, 使烘干的小麦水含量为12%±0.5%, 原麦水含量为18%±0.5%。 分别标记为原麦A, 烘干A, 原麦B, 烘干B, 再将小麦研磨成粉末, 过100目筛网筛选后, 置于自封袋中备用。 随后分别采集四种小麦样品的近红外和中红外光谱信息, 在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理, 利用主成分分析对预处理后的数据进行降维处理, 再结合线性判别分析（linear discriminant analysis, LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、 中红外光谱数据识别模型。 另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间, 将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。 然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、 比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、 比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。 结果表明, 同种光谱分析方法, 利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。 同种建模方法, 近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。 而在同种建模方法下, 利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高, 光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%, 预测集识别率为97.50%; 而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。 对比利用单一光谱数据建立的小麦识别模型识别率, 光谱数据融合之后建立的小麦识别模型识别率得到显著提高, 该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率, 结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。