[目的]本文旨在探究基于电子鼻和高光谱成像技术实现冷鲜牛肉中微生物生长曲线拟合的可行性。[方法]采用平板计数法测定4 ℃恒温贮藏下冷鲜牛肉中的菌落总数，并采集其电子鼻和高光谱数据；采用Huang模型和Baranyi模型建立基于传统平板计数法、电子鼻和高光谱特征信息的生长模型，并对其进行比较。[结果]基于传统平板计数法构建的生长模型精度较高，模型决定系数R~(2)高达0.993；与平板计数法相比，基于电子鼻特征信息的方法ⅰ和ⅱ所建的生长模型精度略低，R~(2)大于0.871，二者之间的相关系数r为0.917～0.994。基于高光谱信息的方法Ⅰ所建模型R~(2)与之相当，r高达0.998；而基于高光谱响应值的方法Ⅱ所建的模型表现稍差，R~(2)为0.749～0.918，r为0.761～0.859。[结论]电子鼻和高光谱特征信息可用于冷鲜牛肉微生物生长曲线拟合，这为无损检测技术在预测微生物学领域的应用提供了理论支持和技术参考。

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

为实现准确评估和预测贡梨的冲击损伤，采用波长为397.5～1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数，并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理，将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression, PLSR)和主成分回归(Principal component regression, PCR)模型。基于基线校准(Baseline)预处理方法，采用竞争性自适应重加权(Competitive adaptive reweighting sampling, CARS)和无信息变量消除(Uninformative variable elimination, UVE)2种算法进行特征波长的选取，将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明：1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大，峰值力平均值从138.40 N增大至335.86 N;平均接触力平均值从77.13 N增大至188.20 N;损伤面积平均值从208.07 mm~2增大至544.42 mm~2;平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优，其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(R_P)和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm~2、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性，可为贡梨的品质分选及包装方面提供理论支持。

[目的]传统的感官评价和理化分析等检测方法处理时间长，且不能满足批量检测的要求，本研究拟基于近红外高光谱成像技术探索一种快速、无损的大豆紫斑粒和霉变粒的识别方法。[方法]分别将供试种子归为正常粒和病变粒2类以及正常粒、紫斑粒和霉变粒3类，并随机将各类种子分为校正集（用于模型构建）和验证集（用于模型评估）。使用主成分分析（principal component analysis，PCA）结合最大类间方差法（Otsu）对大豆高光谱图像进行背景分割，以对不同类别种子的识别正确率为评价指标，探究光谱判别分析方法与特征波长取样方法的最佳组合方式。[结果]相比于支持向量机判别分析模型（support vector machine discriminant analysis，SVM-DA），基于全谱段构建的偏最小二乘判别分析模型（partial least squares discrimination analysis，PLS-DA）具有更高的识别正确率，对校正集和验证集的总识别正确率分别为95.81%和96.31%。基于竞争性自适应权重取样法（competitive adaptive reweighted sampling，CARS）筛选了15个特征波长，以此构建的CARS-PLS-DA模型对外部验证集的识别正确率为94.26%，高于CARS-SVM-DA模型，可实现对正常粒和病变粒的有效区分。基于全谱段和连续投影法（successive projections algorithm，SPA）筛选的17个特征波长，分别构建了PLS-DA和SPA-PLS-DA模型，可进一步实现对正常粒、紫斑粒和霉变粒的区分。[结论]本研究所构建的判别模型，可实现对大豆紫斑粒和霉变粒的快速检测，为大豆生产、仓储和加工过程中病变种子的高通量快速无损识别提供了理论技术支撑。

为无损、高效测定菊花花色表型和色素成分及含量，以菊花１６０个品种为研究材料，用紫外分光光度法测定舌状花的色素种类和含量；用高光谱成像技术对菊花不同品种头状花序上不同花轮位置上舌状花不同部位的高光谱反射值进行测定；对高光谱反射指数与舌状花色素含量实测值间的相关性进行分析。结果表明：１）菊花头状花序中轮的舌状花正面的中部或偏后部获得的高光谱测定数据稳定。２）菊花相同色系品种具有相似的高光谱特征曲线，不同色系品种高光谱特征曲线存在差异。３）高光谱反射指数ＲＲｅｄ／ＲＧＲｅｅｎ、ＡＲＩ、ｍ ＡＲＩ、ｍ ＣＲＩ、ＴＣＡＲＩ与菊花舌状花色素含量之间有较好的相关性，并利用８０个品种分别建立了色素成分及含量监．．．

为了实现市场上常见红酸枝类Ｄａｌｂｅｒｇｉａ ｓｐｐ．木材的快速无损识别，利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀Ｄａｌｂｅｒｇｉａ ｃｏｃｈｉｎｃｈｉｎｅｎｓｉｓ，巴里黄檀Ｄａｌｂｅｒｇｉａ ｂａｒｉｅｎｓｉｓ，奥氏黄檀Ｄａｌｂｅｒｇｉａ ｏｌｉｖｅｒｉ和微凹黄檀Ｄａｌｂｅｒｇｉａ ｒｅｔｕｓａ为研究对象，采集高光谱图像并提取感兴趣区域内的反射光谱，采用ｓａｖｉｔｓｋｙ－ｇｏｌａｙ（ｓｇ）平滑算法、标准正态变量变换（ｓｎｖ）和多元散射校正（Ｍｓｃ）对９５５～１ ６４２ ｎＭ波段光谱进行预处理，并通过主成分分析法（ｐｃａ），回归系数法（ｒｃ）以及连续投影法（ｓｐａ）选择特．．．

[目的]本文旨在建立基于高光谱成像技术检测猕猴桃冷害的方法，实现猕猴桃冷害的无损甄别。[方法]以‘红阳’猕猴桃为材料，通过分析其400～1 000 nm和1 000～2 000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型，选出正确率较高的模型，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析(PCA)结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化(Autoscale)为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。在400～1 000 nm波长范围，连续投影算法(SPA)选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%,在1 000～2 000 nm波长范围，竞争性自适应重加权算法(CARS)选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了理论依据。

[目的]为实现猕猴桃冷害的无损甄别，本文提出了基于高光谱成像技术检测‘红阳’猕猴桃冷害的方法。[方法]通过分析400～1000 nm和1000～2000 nm波段下的光谱，比较不同预处理下的偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）模型，选出正确率较高的模型后，对该方法构建全波段和特征波段光谱信息的模型，并对结果进行比较。[结果]主成分分析（PCA）结果表明，不同冷害等级的猕猴桃样本可以区分，但相邻等级猕猴桃样本间存在少量重叠。自动标准化（Autoscale）为最佳预处理方式，基于Autoscale建立的SVM模型相对于其他模型具有更高的准确率。400～1000 nm波长范围下，连续投影算法（SPA）选择特征波长相对于全波长的模型更优，建模集、预测集正确率分别为100%和94.2%，在1000～2000 nm波长范围，竞争性自适应重加权算法（CARS）选择特征波长比全波长模型效果更好，建模集、预测集正确率分别为92.3%和86.5%。[结论]高光谱成像技术可以全面、准确、快速地预测猕猴桃冷害程度，该技术为猕猴桃的流通、销售提供了一定的理论依据。

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的＂富士＂苹果为对象，基于采集到的波长９００～１ ７００ｎｍ高光谱数据，建立预测苹果糖度的偏最小二乘（ＰＬＳ）、支持向量机（ＳＶｍ）和极限学习机（ＥＬｍ）模型，并比较主成分分析（ＰＣＡ）和连续投影算法（ＳＰＡ）２种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用ＰＣＡ方法可将全光谱压缩至９个主成分，采用ＳＰＡ从全光谱的２３０个波长中提取出了１３个特征波长，两者相比，ＳＰＡ能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于ＳＰＡ的ＰＬＳ模型，其预测集相关系数为０．９４５，均方根误．．．

【目的】实现对结球甘蓝叶片含水量的无损检测，为结球甘蓝田间水分管理提供参考依据。【方法】设置结球甘蓝的整个生长季设置23.33 L/株（CK）、11.33 L/株（W1）、15.33 L/株（W2）、19.33 L/株（W3）、27.33 L/株（W4）、28.33 L/株（W5）共6个灌水量处理，收集结球甘蓝莲座期和结球期各99个结球甘蓝叶片样本光谱数据，采用卷积平滑法（Savitzky-Golay）、移动平均法（Moving Average）、归一化法（Normalization）和多元散射矫正（Multiple Scattering Correction）进行预处理，连续投影算法（Successive project - ion algorithm）进行特征提取，多元线性回归模型（Multiple Linear Regression）进行建模。【结果】在波段400～1000 nm，不同灌水量的结球甘蓝叶片含水量模型的预测精度差异明显。经过预处理的原始光谱建立的预测模型精度均有一定程度提高，其中Savitzky-Golay预处理效果最好。特征提取方法提高了光谱数据质量和准确性；在结球甘蓝莲座期和结球期优选出连续投影算法进行特征波段提取最佳，分别筛选出5和6个特征波长，2个时期筛选出的特征波长基本都在一定的水分敏感波段范围。在结球甘蓝莲座期和结球期，通过多元线性回归建模方法建立的结球甘蓝叶片含水量预测模型都取得了比主成分回归和偏最小二乘回归更高的预测精度；多元线性回归模型的校正集相关系数和均方根误差在莲座期为0.8927和0.8757，在结球期为0.9167和0.9014。【结论】高光谱技术可成功监测结球甘蓝叶片在不同生育期的含水量，为农田水分管理提供依据，为精准灌溉提供技术支撑。

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。

【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。

南果梨是一种重要的水果品种，其酸度是评估果品质量的重要指标之一。然而，传统的南果梨酸度检测方法通常需要破坏性采样和化学分析，不仅耗时费力，而且容易导致样品污染和浪费。因此，旨在探索一种基于高光谱成像技术的无损检测方法，以实现对南果梨酸度的快速、准确、无损检测。首先，采集室温20℃下不同贮藏天数南果梨的高光谱数据，其光谱波长范围为400～1 000 nm，并且通过理化实验测量南果梨样本的可滴定酸；其次，采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理，建立偏最小二乘回归模型（partial least squares regression,PLSR），选择出建模效果最佳的预处理方法，结果显示MSC方法效果最优；然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段，在700～900 nm范围内确定9个特征光谱变量；最后，以提取出的9个特征光谱变量作为输入矢量，分别建立PLSR模型、极限学习机（extreme learning machine,ELM）模型以及遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）优化的BP神经网络模型。研究结果表明，基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高，效果最好，预测集决定系数Rp2=0.911,RMSEP=0.032。可见，基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测，为南果梨的品质评价提供参考。

【目的】利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究，为实现掺假牛肉的快速、准确检测提供参考。【方法】市购冷冻储存的牛里脊肉和鸭肉，在牛里脊肉糜中掺入质量分数为０，５％，１０％，１５％，２０％，２５％的鸭肉糜（对应ｍ（鸭肉糜）∶ｍ（牛肉糜）分别为０∶２０，１∶１９，２∶１８，３∶１７，４∶１６和５∶１５），制备供试牛肉和掺假牛肉，采用近红外漫反射方式在波数为１０ ０００～４ ０００ｃｍ－１时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱，对原始光谱经多元散射校正（ｍｕｌｔｉｐｌｉｃａｔｉｖｅ ｓｃａｔｔｅｒ ｃｏｒｒｅｃｔｉｏｎ，ｍｓｃ）、标准正态变量变换（ｓｔａｎｄａｒｄ ｎｏｒｍａｌ ．．．