本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

　　新鮮玉米在存貯過程中，由于其胚部大、水分含量高、帶菌量多，高溫高濕環境下極易霉變，不僅給經濟造成重大損失，而且霉變玉米在代謝過程中會產生多種對人體具有極強致病性、致癌性的毒素，危害人畜健康。而目前基于理化實驗分析的霉變玉米檢測方法因存在樣品處理繁瑣、費時、對樣品有破壞性等缺點，難以實現簡單、快速、無損檢測，無法滿足實際生產的需要。因此，基于高光譜技術的快速、準確、無損的霉變玉米檢測研究具有重要意義。黃曲霉毒素B1（aflatoxin B1，AFB1）和玉米赤霉烯酮（zearalenone，ZEN）是霉變玉米內生成的2種比較穩定的代謝產物，容易在霉變玉米中積累，導致含量升高，AFB1和ZEN的多少與玉米霉變情況密切相關，也是表征玉米霉變程度的重要指標。因此，可以通過監測玉米中AFB1和ZEN 含量變化來表征玉米的霉變情況，實現對玉米霉變程度的準確評價。

　　首先，設置適宜的溫度和濕度條件，在實驗室的恒溫恒濕培養箱中培育不同霉變等級的玉米樣品。按照國標法測定不同霉變等級玉米樣品內AFB1和ZEN 含量。同時采集所有樣本的高光譜圖像并進行黑白校正。因為背景噪聲、雜散光等無用信息的存在，原始光譜數據會受到一定的影響，進行數據分析前應對原始光譜進行預處理。本文通過對比5種預處理方法，最終確定采用標準正態變量校正（SNV）法為預處理方法。為提高預測模型穩健性，本研究對樣本集的劃分進行研究，對比了隨機法（RS）、KS（Kennard-Stone）算法、雙向法（Duplex）和光譜-理化值共生距離（SPXY）算法4種樣本集劃分方法，PLSR模型構建結果表明，利用SPXY法進行樣本集劃分時，所構建的模型校正集和測試集準確率均高于其他三種，

　　因而本文采用SPXY算法對樣本集進行劃分。為盡量有效地降低樣本間的共線性，降低模型復雜度，本文采用SPXY算法對校正集樣本進行進一步優選，對于AFB1，最終從初始校正集中優選出130個樣本組成模型校正集；對于ZEN，最終從初始校正集中優選出140個樣本組成模型校正集。在采用均勻光譜間隔（USS）法對原始光譜變量進行初降維的基礎上，對比連續投影算法（SPA）和競爭性自適應重加權算法（CARS）2種變量提取法。結果表明∶經SPA 法分別篩選出17個特征波段且基于較少校正集樣本和特征波長光譜信息建立的PLSR 模型能夠獲得較優的預測結果。因此，基于光譜-理化值共生距離（SPXY）算法和連續投影（SPA）算法進行特征提取后建立的高光譜檢測模型，可以實現對霉

　　變玉米中AFB1和ZEN含量的準確預測。最后，在原始光譜數據經過SNV預處理后，采用SPXY算法對校正集樣本進行劃分與優選，運用USS法結合SPA算法對光譜數據進行篩選的基礎上分別建立基于優選后的校正集樣本及特征波長PLSR、LSSVM和MLR預測模型，并對比模型結果。本研究最終確定基于LS-SVM的模型能實現對霉變玉米內 AFB1和1ZEN 含量的準確預測，該模型對AFB1和ZEN含量的預測精度（RPme，RMSEP）分別為（0.9981，0.5930）和（0.9989，0.8058）。