CN101832926B - 一种利用高光谱图像技术进行苹果粉质化无损检测方法 - Google Patents
一种利用高光谱图像技术进行苹果粉质化无损检测方法 Download PDFInfo
- Publication number
- CN101832926B CN101832926B CN2010101349219A CN201010134921A CN101832926B CN 101832926 B CN101832926 B CN 101832926B CN 2010101349219 A CN2010101349219 A CN 2010101349219A CN 201010134921 A CN201010134921 A CN 201010134921A CN 101832926 B CN101832926 B CN 101832926B
- Authority
- CN
- China
- Prior art keywords
- apple
- materialization
- hyper
- powder
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及一种利用高光谱图像技术进行苹果粉质化无损检测方法。本发明的技术方案为:a、选取苹果样本;b、将苹果样本放置在高光谱图像采集系统中,采集对应苹果样本的高光谱图像,并将所述光谱图像量化成对应于不同光波长的数据矩阵;c、利用奇异值分解得到数据矩阵的奇异值矩阵;d、利用破坏性仪器采集苹果样本的汁液含量和压缩硬度指标,得到苹果粉质化结果;e、利用支持向量机构建苹果粉质化评价预估模型;f、采集高光谱图像,并输入到评价预估模型中,获得苹果粉质化评价结果。本发明通过评价预估模型及高光谱图像采集系统获得苹果的粉质化评价结果,能够在多数苹果无损的情况下,得到粉质化评价结果;操作简单,实时性好,可靠性高。
Description
技术领域
本发明涉及一种苹果粉质化无损检测方法,尤其是一种利用高光谱图像技术进行苹果粉质化无损检测方法。
背景技术
中国苹果资源丰富、品种繁多。由于采后检测与分级技术的落后,我国苹果产业缺乏市场竞争力。苹果的粉质化是指苹果非正常软化、汁液减少和果肉质地发棉等一系列生理失调现象,是影响苹果等级的重要口感参数。苹果的粉质化是组织特性的负面参数,会严重影响苹果的口感,难以被消费者接受。目前的苹果检测和分级技术中,苹果的粉质化检测指标基本上采用专家小组对小批量样本进行破坏性的品尝来评价和分级;所述评价和分级方法对品尝人员的素质要求较高,且经济费用较大。为了解决上述问题,国内外的专家对起进行了不懈的努力,出现了磁共振成像、可视/近红外光谱、机械冲击、超声波无损检测等技术;但是无论是可视/近红外光谱无损检测技术、机械冲击方法,还是超声波无损检测技术都难以与现有广泛使用的基于计算机视觉的苹果外部品质检测设备相融合,且所获得的准确度较低。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种利用高光谱图像技术进行苹果粉质化无损检测方法,其能够实现无损检测检测,实时性好,方便便捷及可靠性高。
按照本发明提供的技术方案,所述利用高光谱图像技术进行苹果粉质化无损检测方法包括如下步骤:
a、选取苹果样本;b、将苹果样本放置在高光谱图像采集系统中,采集对应苹果样本的高光谱图像,并将所述光谱图像量化成对应于不同光波长的数据矩阵Rw;c、利用奇异值分解方法,即RW=UDVT;对数据矩阵Rw进行奇异值分解,得到数据矩阵Rw的奇异值矩阵D;其中矩阵U和矩阵V为满足U-1=UT,V-1=VT的正交阵;d、利用破坏性仪器采集苹果样本的汁液含量和压缩硬度指标,得到对应苹果粉质化结果y;e、利用支持向量机构建苹果粉质化评价预估模型,即其中,z表示苹果粉质化评价结果,sgn(·)为符号函数,x为未进行破坏性仪器检测苹果的奇异值矩阵D′特征参数,xi为进行破坏性仪器检测苹果的奇异值矩阵D特征参数;k(x,xi)为支持向量机的核函数;ai *和w0 *均为待定系数;n为用于建模的苹果样本总数;y为破坏性仪器得到的苹果粉质化结果;通过交叉验证的网格搜索法确定支持向量机的核函数k(x,xi)、ai *和w0 *,从而得到苹果粉质化评价预估模型;f、利用高光谱图像采集系统采集待测苹果的高光谱图像,并将得到的高光谱图像的特征参数输入到步骤e得到的评价预估模型中,获得苹果粉质化评价结果z。
所述步骤e中ai *和w0 *通过下述最优化问题得到:所述支持向量机核函数k(x,xi)选取k(xi,xj)=exp(-‖xi-xj‖2/2σ2),其中σ2为高斯核宽度,C为惩罚系数,n为用于建模的苹果样本总数;所述σ2和C通过交叉验证的网格搜索法确定。
所述高光谱图像采集系统包括采光室;所述采光室内设有CCD数字照相机与聚焦透镜;所述CCD数字照相机上设置光谱仪,所述光谱仪的前端设有透镜,所述CCD数字照相机的输出端与计算机连接;所述聚焦透镜通过光纤汇聚石英卤素钨灯发出的光线,并在采光室内形成1mm的点光源;石英卤素钨灯的电源端连接电源;所述石英卤素钨灯上设有反馈控制器,所述反馈控制器采集石英卤素钨灯的光亮强度,并反馈到电源。
所述CCD数字照相机覆盖的波长为400~1100nm。所述光谱仪的光谱分辨率为2nm。所述石英卤素钨灯的输出功率为250W。
所述高光谱图像采集系统采集图像步骤包括:
s1、将CCD数字照相机、光谱仪及聚焦透镜放置在采光室内;s2、在采光室内放置白色标准校正白板,所述白色标准校正白板放置在CCD数字照相机、光谱仪及聚焦透镜下方,获取校正光源波段影响的参考图像及所述参考图像的光强值IF;s3、移出采光室内的白色标准校正白板;s4、将待测苹果放置在CCD数字照相机、光谱仪及聚焦透镜下方,每个苹果连续采集q幅图像;s5、对每个苹果的q幅高光谱图像进行平均处理,即其中,I为q幅高光谱图像的平均光强值;Ii为第i幅高光谱图像的光强值;s6、利用白色标准校正白板的参考图像,计算每个苹果的高光谱图像的相对光强值其中,为每个苹果的相对光强值;I为每个苹果高光谱图像的平均光强值;IF为白色标准校正白板高光谱图像光强值;s7、根据高光谱图像采集系统的空间分辨率和光谱分辨率,将每个苹果的高光谱图像量化成对应于不同光波长的数据矩阵Rw,所述Rw为其中,m为波段数,n为苹果空间采集位置点个数,rij为第i个波段的第j个位置点的光强值;s8、当采集的苹果个数大于t个时,在采光室内重新放置白色标准校正白板,对高光谱图像采集系统进行光源波动校正;然后执行步骤。
所述步骤d中采用苹果质地分析仪对苹果进行压缩硬度测试;在每个苹果对应于图像采集的位置区域割去直径为17mm,长度为16mm的去皮柱状样本,并将所述去皮柱状样本放在孔径为18mm苹果质地分析仪的圆盘内,以20mm/min的下落速度进行压缩,柱状样本的最大变形为3mm;同时,在检测苹果的底部利用试纸吸收柱状样本在压缩过程中释放出的汁液,得到检测苹果的汁液含量;通过检测苹果的压缩硬度指标与汁液含量值得到苹果粉质化结果y。
本发明的优点;利用破坏性仪器检测和高光谱图像采集系统首先获得待检测苹果的评价预估模型,通过评价预估模型及高光谱图像采集系统获得苹果的粉质化评价结果,能够在多数苹果无损的情况下,得到苹果粉质化评价结果。通过交叉验证的网格搜索法得到支持向量机的评价预估模型,操作简单,实时性好,可靠性高。
附图说明
图1为本发明高光谱图像采集系统的结构示意图。
图2为本发明检测苹果的高光谱图像。
图3为本发明检测方法流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1所示:本发明包括计算机1、CCD数字照相机2、光谱仪3、透镜4、苹果5、反馈控制器6、电源7、石英卤素钨灯8、光纤9、聚焦透镜10及采光室11。
如图1所示:所述CCD数字照相机2上设置光谱仪3,所述光谱仪3上设置透镜4;所述CCD数字照相机2的覆盖波长范围为400~1100nm,所述光谱仪3的光谱分辨率为2nm。CCD数字照相机2的输出端与计算机1相连,用于向计算机1输出采集到的高光谱图像。所述石英卤素钨灯8的电源端与电源7连接,反馈控制器6采集石英卤素钨灯8的光照强度值,并与电源7连接,用于保持石英卤素钨灯8功率输出的稳定性。所述石英卤素钨灯8的输出功率为250W;石英卤素钨灯8通过光纤9及聚焦透镜10形成1mm的点光源;所述点光源照射在苹果5的赤道位置上,通过光谱仪3、CCD数字照相机2采集苹果5的高光谱图像。所述CCD数字照相机2、光谱仪3及聚焦透镜10均位于采光室11内,避免外来光源的干扰。所述CCD数字照相机2、光谱仪3、透镜4、反馈控制器6、电源7、石英卤素钨灯8、光纤9、聚焦透镜10及采光室11构成了高光谱图像采集系统。
图2为利用高光谱图像采集系统获取某一苹果的高光谱图像,所述高光谱图像的横轴提供了光在苹果内部扩散的空间信息;纵轴提供了苹果对不同波长光的反射信息;通过将所述高光谱图像量化成数据矩阵Rw,且对数据矩阵Rw进行处理和变换后,得到高光谱图像的特征参数,作为判断苹果粉质化程度的依据。
如图3所示:所述检测苹果粉质化的方法重要的步骤为构建苹果粉质化评价预估模型及对苹果高光谱图像的处理。所述高光谱图像采集系统采集苹果高光谱图像的步骤包括:
s1、将CCD数字照相机2、光谱仪3及聚焦透镜10放置在采光室11内;所述采光室11为光学屏蔽装置,能够避免外来光源的干扰,确保高光谱图像采集系统采集苹果高光谱图像的准确度;
s2、在采光室11内放置白色标准校正白板,所述白色标准校正白板放置在CCD数字照相机2、光谱仪3及聚焦透镜10下方,获取校正光源波段影响的参考图像及所述参考图像的光强值IF;
s3、移出采光室11内的白色标准校正白板,便于在采光室11内对苹果5进行检测;
s4、将待测苹果5放置在CCD数字照相机2、光谱仪3及聚焦透镜10下方,每个苹果连续采集q幅图像;所述聚焦透镜10将石英卤素钨灯8在苹果5上形成1mm的点光源;所述点光源照射在苹果5的赤道位置上,CCD数字照相机2通过光谱仪3、透镜4采集苹果5赤道位置处的高光谱图像;CCD数字照相机2将采集到的高光谱图像传送到计算机1内,由计算机1对高光谱图像进行相应的处理;所述聚焦透镜10形成的点光源光束与CCD数字照相机2、光谱仪3及透镜4形成的图像采集装置间的夹角为10~15°;为了避免CCD数字照相机2的检测饱和,点光源的照射点与样本表面线扫描位置之间的距离为1.5mm;
s5、计算机1接收CCD数字照相机2输出的高光谱图像,并对对每个苹果5的q幅高光谱图像进行平均处理,即
其中,I为q幅高光谱图像的平均光强值;Ii为第i幅高光谱图像的光强值;通过对同一苹果5的q幅高光谱图像进行平均处理,减少了高光谱采集装置采集苹果5图像时产生的误差;
s6、利用白色标准校正白板的参考图像,计算每个苹果的高光谱图像的相对光强值
其中,为每个苹果的相对光强值;I为每个苹果高光谱图像的平均光强值;IF为白色标准校正白板高光谱图像光强值;利用白色标准校正白板的高光谱图像对苹果5的高光谱图像进行校正,避免计算机1及CCD数字照相机2采集苹果5的高光谱图像时产生的误差;
其中,m为波段数,n为苹果空间采集位置点个数,rij为第i个波段的第j个位置点的光强值;
s8、当采集的苹果个数大于t个时,在采光室11内重新放置白色标准校正白板,利用CCD数字照相机2采集白色标准校正白板的高光谱图像,避免高光谱图像采集装置采集过多时,会将检测误差进一步扩大,利用白色标准校正白板对高光谱图像采集系统进行光源波动校正,确保高光谱图像采集系统能够准确采集苹果5的高光谱图像;使用白色标准校正白板后,得到白色标准校正白板的光强值I′F,利用光强值I′F重新对采集苹果5的光强值进行校正,然后执行步骤s3,实现对苹果5的高光谱图像采集。
Rw=UDVT (4)
其中,矩阵U和矩阵V为满足U-1=UT,V-1=VT的正交阵;D为数据矩阵Rw的奇异值矩阵;VT为对矩阵V的转秩。
为了构建苹果粉质化评价预估模型,需要选取少量的苹果样本。所述选取的苹果样本,为了对评价预估模型进行优化,苹果样本可以分为试样集和校正集。对苹果5的高光谱图像采集完后,需要利用破坏性仪器采集苹果样本的汁液含量和压缩硬度指标,为后续构建评价预估模型提供依据。
利用苹果质地分析仪对苹果5进行压缩硬度测试;在苹果5对应于图像采集位置区域割去直径为17mm,长度为16mm的去皮柱状样本,并将所述去皮柱状样本放置在苹果质地分析仪的18mm圆盘内。所述去皮柱状样本在圆盘内以20mm/min的下落速度进行压缩,去皮柱状样本的最大变形为3mm,从而获得苹果5的压缩硬度。在获得苹果5压缩硬度的同时,在苹果5的底部放置试纸,利用试纸吸收去皮柱状样本在压缩过程中释放的汁液量,所述试纸的湿润面积及为苹果5的汁液含量指标值。通过苹果5的压缩硬度指标及汁液含量指标,得到苹果样本的粉质化结果y;根据破坏性仪器得到的苹果样本的粉质化结果,作为后续构建评价预估模型的依据。
采用支持向量机作为构建评价预估模型的工具,所述评价预估模型的形式为:
其中,其中,z表示苹果粉质化评价结果,sgn(·)为符号函数,x为未进行破坏性仪器检测苹果的奇异值矩阵D′特征参数,xi为进行破坏性仪器检测苹果的奇异值矩阵D特征参数;k(x,xi)为支持向量机的核函数;ai *和w0 *均为待定系数;y为破坏性仪器得到的苹果粉质化结果;通过交叉验证的网格搜索法确定支持向量机的核函数k(x,xi)、ai *和w0 *,从而得到苹果粉质化评价预估模型。
选择支持向量机的核函数为:
k(x,xi)=exp(-‖x-xi‖2/2σ2) (6)
其中,σ2为高斯核函数宽度;xj为苹果5高光谱图像奇异值矩阵D′的特征参数,xi为进行破坏性仪器检测苹果的奇异值矩阵D特征参数。
所述ai *与w0 *值的选取,可以转换为下述最优化问题的求解,即:
其中,C为惩罚系数;所述σ2与惩罚系数C由交叉验证的网格搜索法确定。所述利用交叉验证的网格搜索法确定σ2与惩罚系数C的具体步骤为:
I、将选取的苹果样本进行h等份;
II、选择σ和C的寻优区间,σ∈[0,γ],C∈[0,τ],寻优步长均为λ;
III、任意选取α等份为训练集合,剩余β份为校正集合;所述α+β=h;
IV、利用公式(5)和公式(7)进行寻优,获得训练误差和校正误差;
V、重复步骤III和步骤IV,直到α等份为训练集合和β份为校正集合都被用作校正集合为止;由于上述训练集合与校正集合均为随机选取,为了避免训练集合与校正集合间选取上的误差,让所有集合都作为校正集合,作为寻优结束的条件;
VI、计算机1计算步骤V获得的训练误差和校正误差的平均值;
VII、重复步骤II~VI,选择平均误差最小的σ和C为最优核函数,同时得到ai *与w0 *的值,ai *与w0 *分别为最优的拉格朗系数和阈值;将σ、C、ai *及w0 *代入公式(5)中,即可得到评价预估模型。
得到苹果样本的评价预估模型后,利用高光谱图像采集系统采集待检测苹果5的高光谱图像,将所述高光谱图像进行处理后,输入到公式(5)的评价预估模型中,即可得到苹果5的粉质化评价结果。
如图3所示:所述进行苹果粉质化检测的步骤概括为:
a、选取苹果样本;
b、将苹果样本放置在高光谱图像采集系统中,采集对应苹果样本的高光谱图像,并将所述光谱图像量化成对应于不同光波长的数据矩阵Rw;
c、利用奇异值分解方法,即
RW=UDVT
对数据矩阵Rw进行奇异值分解,得到数据矩阵Rw的奇异值矩阵D;其中矩阵U和矩阵V为满足U-1=UT,V-1=VT的正交阵;
d、利用破坏性仪器采集苹果样本的汁液含量和压缩硬度指标,得到对应苹果粉质化结果y;
e、利用支持向量机构建苹果粉质化评价预估模型,即
其中,z表示苹果粉质化评价结果,sgn(·)为符号函数,x为未进行破坏性仪器检测苹果的奇异值矩阵D′特征参数,xi为进行破坏性仪器检测苹果的奇异值矩阵D特征参数;k(x,xi)为支持向量机的核函数;ai *和w0 *均为待定系数;n为用于建模的苹果样本总数;y为破坏性仪器得到的苹果粉质化结果;通过交叉验证的网格搜索法确定支持向量机的核函数k(x,xi)、ai *和w0 *,从而得到苹果粉质化评价预估模型;
f、利用高光谱图像采集系统采集待测苹果的高光谱图像,并将得到的高光谱图像的特征参数输入到步骤e得到的评价预估模型中,获得苹果粉质化评价结果z。
本发明利用破坏性仪器检测和高光谱图像采集系统首先获得待检测苹果的评价预估模型,通过评价预估模型及高光谱图像采集系统获得苹果的粉质化评价结果,能够在多数苹果无损的情况下,得到苹果粉质化评价结果。通过交叉验证的网格搜索法得到支持向量机的评价预估模型,操作简单,实时性好,可靠性高。
Claims (6)
1.一种利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是,所述检测方法包括如下步骤:
(a)、选取苹果样本;
(b)、将苹果样本放置在高光谱图像采集系统中,采集对应苹果样本的高光谱图像,并将所述光谱图像量化成对应于不同光波长的数据矩阵Rw;
(c)、利用奇异值分解方法,即
Rw=UDVT
对数据矩阵Rw进行奇异值分解,得到数据矩阵Rw的奇异值矩阵D;其中矩阵U和矩阵V为满足U-1=UT,V-1=VT的正交阵;
(d)、利用破坏性仪器采集苹果样本的汁液含量和压缩硬度指标,得到对应苹果粉质化结果y;
(e)、利用支持向量机构建苹果粉质化评价预估模型,即
其中,z表示苹果粉质化评价结果,sgn(·)为符号函数,x为未进行破坏性仪器检测苹果的奇异值矩阵D′特征参数,xi为进行破坏性仪器检测苹果的奇异值矩阵D特征参数;k(x,xi)为支持向量机的核函数;和均为待定系数;n为用于建模的苹果样本总数;y为破坏性仪器得到的苹果粉质化结果;通过交叉验证的网格搜索法确定支持向量机的核函数k(x,xi)、和从而得到苹果粉质化评价预估模型;
(f)、利用高光谱图像采集系统采集待测苹果的高光谱图像,并将得到的高光谱图像的特征参数输入到步骤(e)得到的评价预估模型中,获得苹果粉质化评价结果z。
2.根据权利要求1所述利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是:所述高光谱图像采集系统包括采光室(11);所述采光室(11)内设有CCD数字照相机(2)与聚焦透镜(10);所述CCD数字照相机(2)上设置光谱仪(3),所述光谱仪(3)的前端设有透镜(4),所述CCD数字照相机(2)的输出端与计算机(1)连接;所述聚焦透镜(10)通过光纤(9)汇聚石英卤素钨灯(8)发出的光线,并在采光室(11)内形成1mm的点光源;石英卤素钨灯(8)的电源端连接电源(7);所述石英卤素钨灯(8)上设有反馈控制器(6),所述反馈控制器(6)采集石英卤素钨灯(8)的光亮强度,并反馈到电源(7)。
3.根据权利要求2所述利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是:所述CCD数字照相机(2)覆盖的波长为400~1100nm。
4.根据权利要求2所述利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是:所述光谱仪(3)的光谱分辨率为2nm。
5.根据权利要求2所述利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是:所述石英卤素钨灯(8)的输出功率为250W。
6.根据权利要求1所述利用高光谱图像技术进行苹果粉质化无损检测方法,其特征是:所述步骤(d)中采用苹果质地分析仪对苹果进行压缩硬度测试;在每个苹果对应于图像采集的位置区域割去直径为17mm,长度为16mm的去皮柱状样本,并将所述去皮柱状样本放在孔径为18mm苹果质地分析仪的圆盘内,以20mm/min的下落速度进行压缩,柱状样本的最大变形为3mm;同时,在检测苹果的底部利用试纸吸收柱状样本在压缩过程中释放出的汁液,得到检测苹果的汁液含量;通过检测苹果的压缩硬度指标与汁液含量值得到苹果粉质化结果y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101349219A CN101832926B (zh) | 2010-03-19 | 2010-03-19 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101349219A CN101832926B (zh) | 2010-03-19 | 2010-03-19 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101832926A CN101832926A (zh) | 2010-09-15 |
CN101832926B true CN101832926B (zh) | 2011-10-05 |
Family
ID=42717071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101349219A Expired - Fee Related CN101832926B (zh) | 2010-03-19 | 2010-03-19 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101832926B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331402B (zh) * | 2011-06-01 | 2013-05-01 | 哈尔滨工业大学 | 一种高光谱成像化学气体检测识别方法 |
CN102495066B (zh) * | 2011-12-05 | 2014-01-01 | 江南大学 | 基于高光谱透射图像采集系统的豆荚无损检测方法 |
CN110376192A (zh) * | 2013-01-07 | 2019-10-25 | 安盛生科股份有限公司 | 试片和读取试片的方法 |
CN104881715B (zh) * | 2015-05-26 | 2018-11-02 | 华南理工大学 | 一种纸厂依据废纸配比预测纸浆性能的方法 |
CN105372203B (zh) * | 2015-11-04 | 2017-12-15 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN106679805A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种便携式微型光谱仪 |
CN106679806A (zh) * | 2017-01-19 | 2017-05-17 | 深圳大学 | 一种基于微型光谱仪的光谱检测系统及方法 |
CN106768334A (zh) * | 2017-01-19 | 2017-05-31 | 深圳大学 | 一种便携式二维成像微型光谱仪 |
CN107144533A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于高光谱成像技术的一点红萝卜空心鉴别方法 |
CN108507972B (zh) * | 2018-04-11 | 2020-07-24 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
CN108760655B (zh) * | 2018-04-28 | 2021-03-30 | 东北电力大学 | 一种苹果味觉图谱信息可视化方法 |
CN111595781B (zh) * | 2020-05-15 | 2023-06-27 | 北京建筑大学 | 一种曲面拟合的地面高光谱影像反射率校正方法 |
CN113469444B (zh) * | 2021-07-09 | 2022-02-11 | 北京中超伟业信息安全技术股份有限公司 | 一种保密存储介质粉碎筛选方法 |
CN117110124A (zh) * | 2023-08-23 | 2023-11-24 | 甘肃农业大学 | 基于质量差法快速测定苹果果肉粉质化的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050213089A1 (en) * | 2004-03-25 | 2005-09-29 | Eli Margalith | Spectral imaging device with tunable light source |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN101226146A (zh) * | 2008-01-25 | 2008-07-23 | 中国农业大学 | 基于多光谱散射图像的苹果硬度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002098636A (ja) * | 2000-09-27 | 2002-04-05 | Kubota Corp | 分光分析装置 |
-
2010
- 2010-03-19 CN CN2010101349219A patent/CN101832926B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050213089A1 (en) * | 2004-03-25 | 2005-09-29 | Eli Margalith | Spectral imaging device with tunable light source |
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN101226146A (zh) * | 2008-01-25 | 2008-07-23 | 中国农业大学 | 基于多光谱散射图像的苹果硬度预测方法 |
Non-Patent Citations (1)
Title |
---|
赵杰文等.支持向量机在苹果分类的近红外光谱模型中的应用.《农业工程学报》.2007,第23卷(第4期),149-152. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101832926A (zh) | 2010-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101832926B (zh) | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 | |
CN103411973B (zh) | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 | |
CN109631787B (zh) | 透射式靶标图像的光斑中心检测方法及桥梁挠度图像式检测装置 | |
CN102621077B (zh) | 基于高光谱反射图像采集系统的玉米种子纯度无损检测方法 | |
CN105203464A (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
CN106290309A (zh) | 基于libs便携式可变深度土壤重金属含量检测装置 | |
CN105372203A (zh) | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN201021922Y (zh) | 一种无损检测水果品质的装置 | |
CN106290238A (zh) | 一种基于高光谱成像的苹果品种快速鉴别方法 | |
CN103344575A (zh) | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 | |
CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
CN101696935A (zh) | 基于高光谱空间散射曲线的苹果硬度无损检测方法 | |
CN105092579A (zh) | 一种芒果品质无损检测设备 | |
CN108827934B (zh) | 一种基于盲源分离拉曼散射图像的带包装食品品质无损检测方法 | |
CN106093011A (zh) | 煤质检测方法及其应用的煤质激光检测分析仪器 | |
CN111855608A (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测系统 | |
CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
CN205049472U (zh) | 一种类球形水果透射高光谱成像无损检测装置 | |
CN112098415B (zh) | 一种杨梅品质无损检测方法 | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
CN105158178A (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111005 Termination date: 20120319 |