南疆红枣品质近红外光谱在线模型参数的实验研究

为建立南疆红枣品质近红外光谱在线校正模型,分析了在线检测结果的主要影响因素,对相应的参数进行了实验研究。设置红枣不同的光谱采集条件,如测量状态、波段谱区、仪器参数等,利用近红外光谱仪和自行设计的红枣批量采集附件,获取南疆红枣品质光谱,通过光谱预处理和检测精度相结合的办法选择条件参数。通过不同建模参数进行PLS光谱校正和二维相关光谱分析,选择糖度特征光谱参数。结果表明:红枣糖度中心波长9 116,9 418和10 500cm-1,采集分辨率16cm-1,扫描次数8次,糖度相对误差8%～10%,单粒红枣光谱数据量减少为原来的1/10,采集时间减少了3s左右。通过实验参数,压缩了数据量,建立了初级在线校正模型,基本实现南疆红枣品质近红外光谱在线检测。     

近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000～12 500 cm-1波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明：在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

光谱分析在西甜瓜内部品质无损检测中的研究进展

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。     

PLS-DA法判别分析木材生物腐朽的研究

利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明：应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。     

近红外光谱技术检测植物木质素纤维素研究进展

近红外光谱技术可用来检测植物木质素、纤维素及半纤维素含量,与传统的湿化学方法相比具有快速、操作简单、准确、无损等优点,是一种新型的测定方法,近年来在检测木本植物及草本植物木质纤维素组成成分中被广泛应用。综述了国内外利用近红外光谱技术快速检测木本植物(用作造纸原料的木材、竹材以及潜在的可用作生物质能源的木材)及草本植物(饲草及草类能源植物)木质素、纤维素、半纤维素含量的研究进展,并从样品前处理、光谱预处理及波长选取方法、化学计量学方法三个方面对利用近红外光谱技术快速检测植物木质素、纤维素方法研究上的进展进行了总结,并结合国内木材、牧草及能源草行业发展现状提出了四点展望: 建立适用性更强的模型;建立全面的草产品品质指标近红外光谱数据库;建立能源植物能用品质指标相关模型并对建模方法进行进一步的探索和完善;推动应用近红外光谱技术检测植物木质纤维素的方法从实验阶段走向实际应用。随着对近红外光谱检测植物木质纤维素方法的不断成熟和完善,它必将对造纸、饲草及能源草行业的发展产生巨大的推动作用。     

基于符号熵特征提取方法的特种品质鸡蛋近红外光谱鉴别分析

特种品质鸡蛋的快速、无损、准确鉴别是目前急需解决的问题。提出利用符号熵特征提取方法进行特种品质鸡蛋的近红外光谱鉴别。选择普通鸡蛋、柴鸡蛋、富硒蛋和富锌蛋作为研究对象,测得其在12 000～4 000cm-1范围内近红外漫反射光谱,基于符号聚合近似算法进行符号化表示,提取符号光谱序列的符号熵作为特征向量,然后设计纠错编码支持向量机多类分类器对光谱进行定性鉴别。算法参数变化时,符号熵特征表现出很好的鲁棒性,最高识别率达100%。研究结果表明利用近红外方法鉴定特种品质鸡蛋是可行的,同时符号熵可作为一种新的近红外光谱特征提取方法。     

近红外光谱技术在奶酪品质评价中的应用

近红外光谱技术是一种快速、无损的分析方法,国外将该技术应用于奶酪品质的检测已有多年,国内在这方面的研究较少。通过本文介绍了近红外光谱技术分析奶酪成分和在奶酪的加工生产、缩水收缩控制、成熟过程、货架期、组成成分和品牌分类鉴别等几个方面的应用,表明近红外光谱技术在奶酪品质分析中应用潜力巨大,促进近红外光谱技术的应用和我国奶酪行业的发展是一项紧迫的任务。     

近红外光谱技术结合特征变量筛选快速检测绿茶滋味品质

茶汤滋味是茶叶品质的核心,该研究利用近红外光谱技术快速榆测绿茶滋味品质.试验以滋味化学鉴定法作为绿茶滋味品质检测的标准方法,试验得到的滋味总得分值作为近红外光谱预测模型的参考测量值.在模型建立过程中,首先利用联合区间偏最小二乘法(sipLS)筛选特征子区间;然后,用遗传算法(GA)在特征子区间内优选特征变量.最优模型在...     

特征根回归法近红外光谱定量分析研究

本文以大豆样品为实验材料，研究了特征根回归法近红外光谱定量分析。用40个大豆样品的近红外光谱数据建立了测定大豆蛋白质含量的特征根回归模型，预测另外32个大豆样品的蛋白质含量，结果同PLS回归方法进行了比较，表明特征根回归模型可用于生物样品的近红外光谱定量分析。特征根回归法是对PCR建模方法改进的又一种化学计量学定量分析校正方法，该方法在对样品光谱提取主成份时考虑了待分析组分的作用，因此所建立的定量分析模型有好的分析效果。研究结果进一步表明，以样品近红外光谱建立定量分析模型，提取主成份时充分考虑被定量分析成份的作用是完全必要的。     

中药关键质量属性快速评价(Ⅱ):NIR光谱解析策略例证

近红外光谱(near infrared spectroscopy, NIR)作为目前中药关键质量属性快速评价热门技术,广泛应用于提取、浓缩、醇沉、纯化等中药生产过程质量控制领域。由于谱带严重重叠,谱峰较宽,吸收信号弱等特征,NIR需采用化学计量学建立模型。当前,光谱解析是NIR分析的研究热点,结合作者的研究成果,率先综述国内外NIR光谱解析的研究进展及主要方法。其中包括：物质吸收的光谱差异对特征信号提取的主成分分析法;光谱波段筛选,寻找物质特征吸收波段,解析物质结构与特征波段关系的偏最小二乘法;针对扰动(温度、浓度、压力等)引起的光谱变化,通过同步、异步光谱相关峰对光谱进行分析,解析引起光谱变化的特征基团的二维相关光谱法;用量子力学方法对物质结构的能量变化进行计算,解析分子能量变化与光谱变化关系的密度泛函理论法。最后,结合实例,考虑中药组分复杂性特点,从单一药效指标成分出发,采用氘代DMSO技术指认不同浓度的绿原酸NIR吸收特征,验证金银花提取过程中在线NIR模型绿原酸成分变量筛选的可靠性,阐明间隔偏最小二乘法筛选的特征波段与绿原酸光谱特征吸收的一致性,建立了一种中药NIR关键质量属性的光谱解析策略,为中药NIR关键质量属性快速准确评价提供支撑。     

温度对叶片近红外光谱的影响

近红外光谱分析技术是发展最快的定性和定量分析技术之一,在各个领域得到了广泛应用。但近红外谱区自身信息的特点决定了其吸收强度弱、信噪比低、谱峰严重重叠等缺点,这使得近红外光谱易受样品来源、样品种类、样品状态、装样条件和样品温度等的影响,造成光谱的不确定性。文章以温度对叶片近红外光谱的影响为研究内容,详细考察了不同温度下样品的叶绿素的校正和预测模型。结果发现温度对模型精度有一定的影响,样品的温度在10和20℃下模型的精度较高,10℃下模型精度效果最好,但是所用的主成分也较多。当实验温度达到25℃时,模型的校正和预测精度都相对较差。利用判别分析对各个温度下的光谱进行分类。发现20℃下采集的光谱没有分到其他温度区外,其他的都有不同程度的跨区,这说明除20℃外,其他温度下测得的光谱差异不明显。试验对叶片近红外检测的条件和应用做了初步的探索性工作,为今后提出温度修正模型提供理论基础。     

近红外光谱检测鲜枣酵母菌的动力学模型

酵母菌是引起鲜枣发酵的主要微生物。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,建立了检测鲜枣内酵母菌的动力学模型,从而预测室温贮藏鲜枣的保鲜期,以确保鲜枣的品质安全。通过对近红外光谱预处理方法和特征波数的优选,分别建立了室温贮藏下鲜枣内酵母菌的近红外光谱定量检测模型和反映其变化规律的动力学模型。结果表明,在全光谱范围内,采用多元散射校正光谱预处理方法,通过多元线性回归,建立的鲜枣内酵母菌菌落总数的近红外光谱模型预测效果最好,其中校正集的相关系数为0.950,均方根误差为2.560,预测集的相关系数为0.863,均方根误差为2.477。结合鲜枣的近红外光谱,其零级反应动力学模型可以较好地描述酵母菌的变化情况,鲜枣光谱吸光度值与贮藏时间的动力学模型为B_t=171.395-124.445x₁-109.945x₂-32.763x₃-7.899x₄-1.426x₅-4.857x₆+0.045t,其相关系数为0.996,标准偏差为2.561。酵母菌安全限量为100 000 cfu·g-1,当酵母菌菌落总数初始值小于等于10 cfu·g-1时,预测鲜枣在室温下的贮藏时间为8 d,也可根据鲜枣中的酵母菌菌落总数初始值的不同实现实时监测鲜枣内部酵母菌菌落总数信息及其安全的贮藏时间。     

南疆沙尘区骏枣叶片水分含量检测的近红外光谱预处理方法对比

南疆地区沙尘多、灰尘大,枣树叶片表面经常覆盖一定程度的粗颗粒度沙尘,为了有效去除沙尘、灰尘在枣树叶片水分光谱测量过程中产生的散射噪声和基线漂移,研究一种适用于风沙较大地区的枣树叶片水分含量的快速检测方法,以不同灌溉梯度下的枣树叶片为研究对象,通过近红外光谱仪获取120个叶片样本的1 000～1 800 nm的光谱数据,并同步测量叶片水分含量,采用归一化、移动窗口平滑、SavitZky-Golay（SG）卷积平滑、SG求导、标准正态变量校正(SNV)和多元散射校正(MSC)等方法对原始光谱进行预处理,分析对比不同方法对散射噪声的处理能力,采用偏最小二乘回归分析方法筛选了敏感波段和建立预测模型。实验结果表明,枣树叶片水分含量强吸收峰为1 443 nm,波谷为1 661 nm;归一化光谱并未消除1 000～1 400 nm波段的散射噪声;移动窗口平滑和SG卷积平滑并未改进光谱曲线,散射噪声仍然存在;SG导数光谱的光谱特征峰和特征谷明显左移,光谱曲线不够平滑,噪声明显;SNV和MSC方法具有较好的散射噪声消除能力。偏最小回归分析方法筛选特征波长的结果表明（设置筛选波长数量为5）,基于原始光谱未筛选到1 443 nm的强波峰和1 661 nm的波谷附近的波段;基于归一化光谱在1 450 nm波峰附近筛选的波长有一定的偏差,在1 661 nm波谷附近的筛选的波长明显高于1 700 nm;基于移动窗口和SG卷积平滑光谱在1 443 nm具有一定的筛选能力,但并未筛选到1 661 nm附近的波长;导数光谱并未筛选到1 443和1 661 nm波段;SNV和MSC在波峰和波谷位置附近均筛选了敏感的光谱波段,其中MSC略优于SNV方法恰好在波峰和波谷位置,共筛选了1 002, 1 383, 1 411, 1 443和1 661 nm五个特征波段,也证明了MSC方法散射噪声和基线漂移处理能力最优,提高了敏感波长的筛选能力。偏最小二乘回归模型结果表明,不同预处理方法的RMSE值均较低,SNV和MSC方法改进了模型的预测结果,R2高于0.7,其中基于MSC方法的模型具有最高的R2和最低的RMSEP和RMSEPCV,R2=0.750 4,RMSEP=0.034 3,RMSECV=0.021 5,预测结果较优。证明MSC方法对沙尘和颗粒度引入的散射噪声具有较好的去除能力,可改进波长的筛选、提高预测模型精度,为南疆沙尘区的枣树叶片水分含量的无损检测提供了有效方法。     

SVDD的近红外光谱定性分析光谱质量判定方法

近红外光谱属微弱信号,其质量易受被测物体自身状态及各种外界因素干扰,具体而言,在近红外光谱定性分析中,影响光谱质量的因素主要有光谱仪状态改变、光谱采集人员错误操作、奇异样本干扰等。建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性,因此光谱质量判定是确保模型预测能力的一项重要工作。目前用于定量分析的光谱质量判定研究较多,而用于定性分析的光谱质量判定研究较少,为此,提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法,采用自制漫透射近红外光谱装置采集单籽粒玉米光谱,以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本,而人为漏光、近红外探测器窗口覆盖玉米表皮碎屑、光源强度改变、光源与被测玉米籽粒距离改变、相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本,在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法,其后将支持向量机数据描述方法与常用的马氏距离法、局部异常因子法等光谱质量判定方法进行了对比,并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准,对实验结果进行分析,由实验结果可以看出相比其他两种方法,基于支持向量机数据描述的光谱质量判定方法具有最优判定能力,建模集正常样本数目会影响光谱质量判定能力,在实际使用光谱质量判定方法时,建模集应包含足量样本。在近红外定性分析时可以将该方法作为剔除异常光谱的手段,在预处理、特征提取,模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤,并剔除异常光谱,可有效提高近红外光谱定性分析模型的可靠性,亦为近红外光谱定性分析光谱质量判定提供新的方法参考。     

方位和品质对南疆果品空间特性光谱影响及反演方法研究

高光谱无损检测技术在果品定量无损检测中应用广泛,以冬枣、红提、香梨三种果品空间特性光谱为研究目标,探索空间特性光谱的影响因素和反演方法,为提高户外果品无损检测精度提供了一种新思路。分别提取三种果品的光谱库并计算空间特性光谱,依次使用马氏距离、浓度残差等预处理方法以及竞争性自适应权重取样算法选取特征波长,将处理后的三种果品空间特性光谱分别与品质（糖度、水分）和方位（探测角、方位角、相位角）建模,建模结果如下：三种果品（按照冬枣、红提、香梨的顺序）与糖分模型的相关系数r分别为：0.853 3,0.822 7和0.913 3;水分模型的相关系数r分别为：0.741 3,0.784 7和0.891 3;探测角模型相关系数r分别为：0.985 6,0.992 7和0.974 7;方位角模型相关系数r分别为：0.941 8,0.910 5和0.936 9;相位角模型相关系数r分别为：0.960 9,0.957 0和0.956 3。可以看出,不同果品方位模型相关性都明显高于品质模型相关性,因此方位因素是影响空间特性光谱的主要原因。使用Roujean模型和Walthall模型分别对不同方位的空间特性光谱进行反演,反演结果如下：使用Roujean模型反演三种果品（按照冬枣、红提、香梨的顺序）空间特性光谱时R2分别为0.934 4,0.928 1和0.830 6;r分别为0.990 2,0.983 9和0.969 1;RMSEP分别为0.030 9,0.048 7和0.062 7;平均模型误差分别为7.27%,11.02%和8.61%。使用Walthall模型描述不同果品空间特性光谱时R2分别为0.943 3,0.859 7和0.839 0;r分别为0.991 8,0.971 8和0.970 2;RMSEP分别为0.036 6,0.066 1和0.068 7;平均模型误差分别为6.19%,15.40%和7.84%。可以看出,Roujean模型可以很好的描述冬枣和红提的空间特性光谱,也可以较好的描述香梨空间特性光谱;Walthall模型可以很好的描述冬枣空间特性光谱,也可以较好的描述红提和香梨空间特性光谱。综上所述,在今后试验中可以使用Roujean模型反演红提和香梨的空间特性光谱,使用Walthall模型反演冬枣的空间特性光谱,进而提高户外果品户外果品无损检测精度。     

近红外光谱法快速测定新疆薰衣草精油主要组分

为建立快速测定新疆薰衣草精油中芳樟醇(linalool)、乙酸芳樟酯(linalyl acetate)含量的定量分析模型,采用近红外吸收光谱法(NIR)测定了165个精油样品,通过对近红外光谱吸收峰分析,在7 100～4 500 cm-1波数范围内化学信息量比较丰富且噪音低,可选择此波数段为分析区间。剔除8个异常样本后,通过聚类方法划分为105个校正集样本和52个验证集样本,结合气相色谱质谱(GC-MS)法测定的薰衣草精油linalool和linalyl acetate的含量,建立原始数据矩阵。对比不同的预处理方法对原始近红外光谱的过滤作用,其中正交信号变换(OSC)方法效果明显,对两种化合物的预测均方根误差(RMSEP) 分别为0.226和0.558,再用向前间隔偏最小二乘法(FiPLS)剔除与待测成分无关或呈非线性关系的波长点,最终得到8个间隔区间共160个波长点的数据子集。使用OSC-FiPLS优化处理的数据子集结合偏最小二乘法(PLS)建立新疆薰衣草精油中linalool和linalyl acetate的快速定量分析模型,在模型中二成分的隐变量数都为8。交互验证均方根误差(RMSECV)分别为0.170和0.416;预测均方根误差(RMSEP)分别为0.188和0.364。结果表明,经OSC和FiPLS预处理建立的PLS-NIR定量分析模型稳健性好,测定精度高,能快速测定薰衣草精油中linalool和linalyl acetate含量,并且具有良好的预测能力。可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。     

高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。