CN102033043A - 基于高光谱图像技术的粮粒含水率检测方法 - Google Patents
基于高光谱图像技术的粮粒含水率检测方法 Download PDFInfo
- Publication number
- CN102033043A CN102033043A CN 201010514132 CN201010514132A CN102033043A CN 102033043 A CN102033043 A CN 102033043A CN 201010514132 CN201010514132 CN 201010514132 CN 201010514132 A CN201010514132 A CN 201010514132A CN 102033043 A CN102033043 A CN 102033043A
- Authority
- CN
- China
- Prior art keywords
- grain
- image
- spectrum
- moisture
- moisture content
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title abstract description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 6
- 238000000985 reflectance spectrum Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 235000013339 cereals Nutrition 0.000 description 48
- 241000209140 Triticum Species 0.000 description 19
- 235000021307 Triticum Nutrition 0.000 description 19
- 240000008042 Zea mays Species 0.000 description 16
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 16
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 16
- 235000005822 corn Nutrition 0.000 description 16
- 238000001035 drying Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 235000021028 berry Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000005997 Calcium carbide Substances 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001225 nuclear magnetic resonance method Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- CLZWAWBPWVRRGI-UHFFFAOYSA-N tert-butyl 2-[2-[2-[2-[bis[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]amino]-5-bromophenoxy]ethoxy]-4-methyl-n-[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]anilino]acetate Chemical compound CC1=CC=C(N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)C(OCCOC=2C(=CC=C(Br)C=2)N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)=C1 CLZWAWBPWVRRGI-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱图像技术的粮粒含水率检测方法,分别获取全黑标定图像B、全白标定图像W和已知水分含量的粮粒的高光谱原始数据图像I,利用全黑标定图像B和全白标定图像W对粮粒的高光谱原始数据图像I进行反射光谱校正得到粮粒的校正图像R,从校正图像R提取粮粒图像,通过移动平均法、多元散射校正进行光谱校正,计算光谱反射值与水分含量的相关性系数,从中选择相关系数为极大值的光谱反射值作为人工神经网络输入,建立粮粒水分预测模型。本发明利用水分含量引起的粮粒光谱特征,采用人工神经网络检测粮粒水分含量,能提供一种快速、稳定的方法,并提高检测效率。
Description
技术领域
本发明涉及一种基于高光谱图像技术的粮粒含水率检测方法。
背景技术
粮粒水分含量是确定其贮藏条件的重要因素之一,在实际生产中一般采用合适的生产流程,将粮粒脱粒后送到干燥塔,经过预热、干燥、缓苏,待冷却至常温,达到安全水分14%左右后排出干燥塔。在此过程中,粮粒水分在线检测和控制是制约粮粒干燥系统的核心技术;
传统的粮粒水分检测多是通过干燥或化学方法直接去除粮粒中的水分,检测出样品的绝对含水量。其中干燥法主要包括电烘箱法、减压法、红外加热法、微波加热法;化学法包括蒸馏法、卡尔·费休法和碳化钙法等。这些方法的检测精度高,适用于试验室检测,但费时费力,且对粮粒有一定的破坏性,无法实现快速在线检测。而其他的一些检测方法,比如电容法、声学法、核磁共振法、中子式水分仪等,不是在稳定性方面存在不足,就是价格昂贵难以推广。
发明内容
本发明的目的在于采用图像分析方法,提供一种基于高光谱图像技术的粮粒含水率检测方法;
本发明解决其技术问题所采用的技术方案是:
利用水分含量引起的光谱特征变化检测粮粒的含水率。该方法操作步骤如下:
1)标定图像的获取:分别盖上镜头盖和使用标准白板采集两幅标定高光谱图像,作为全黑标定图像B和全白标定图像W;
2)原始高光谱图像获取:将一组已知水分含量的粮粒按序排放在载物台上后送入实验台采集高光谱原始数据图像I;
3)反射光谱校正:采用公式(1)进行反射光谱校正,得到校正图像R;
R=(I-B)/(W-B) (1)
4)感兴趣区域提取:采用阈值法将粮粒从校正图像中提取出来,得到粮粒图像;
5)特征波段选取:计算粮粒样本的平均反射值,先使用5点移动平均法对原始数据进行曲线平滑处理,然后分段对光谱曲线两端进行线性拟合,再做相关性分析将相关系数小于R1的波段范围去除;接着应用多元散射校正MSC(Multiplication Scatter Correction)算法消除原始光谱中散射和偏移的影响;通过回归分析得到每一个波段光谱反射值与水分含量的相关性系数,从中选取K个局部相关系数的极大值对应的波段作为特征波段;
6)预测模型的建立:使用人工神经网络ANN方法建立预测模型,采用三层BP网络结构,输入层单元数为之前通过回归分析得到的特征波段的个数K,隐含层的节点数S使用经验估计公式来确定,输出层为1个节点对应水分值;从所用的样本N中提取其中的N1个样本进行训练模型,另N2个样本用来模型验证,当训练结果与水分含量间的相关系数R2达到给定值时,停止人工神经网络训练;
7)含水率检测:将待测粮粒按步骤1至步骤5处理后得到K个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型,得到待测粮粒的水分值。
本发明具有的有益的效果是:
本发明利用水分含量引起的粮粒光谱特征,采用人工神经网络检测粮粒水分含量,能提供一种快速、稳定的方法,并提高检测效率。
附图说明
图1是本发明的装置结构简图。
图2是玉米光谱反射值曲线图。
图3是阈值法分割后得到的玉米图。
图4是小麦光谱反射值曲线图。
图5是阈值法分割后得到的小麦图。
图6是经过MSC多元散射校正后得到的玉米光谱数据图。
图7是经过MSC多元散射校正后得到的小麦光谱数据图。
图8是玉米各波段光谱反射值与水分之间的相关系数分布特征图。
图9是小麦各波段光谱反射值与水分之间的相关系数分布特征图。
图10是玉米预测模型训练结果图。
图11是小麦预测模型训练结果图。
图中:1、摄像机,2、光谱仪,3、样本,4、载物台,5、计算机,6、光源,7、输送装置。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,高光谱图像采集装置包括摄像机1、光谱仪2、样本3、载物台4、计算机5、光源6、输送装置7。摄像机1、光谱仪2、光源6、样本3、载物台4自上而下,依次排放,摄像机1与光谱仪2相连,摄像机1通过电缆与计算机5相连,载物台4安装在输送装置7上,样本3放在载物台4上。
玉米及小麦水分的检测:
1)标定图像的获取:分别盖上镜头盖和使用标准白板采集两幅高光谱标定图像,作为全黑标定图像B和全白标定图像W,用于之后高光谱数据图像的校正。
2)原始高光谱图像获取:保持之前采集标定图像时的实验条件不变,将粮粒按序X*Y(玉米X=15粒,Y=5行,小麦X=17粒,Y=7行)摆放在载物板上后送入实验台内的载物台,其装置如图1所示,整套系统置于一个表面涂有黑漆的密闭柜中以避免图像采集时环境光的干扰。关上柜门后开始采集玉米和小麦的原始高光谱图像I。
3)反射光谱校正:采用公式(1)进行反射光谱校正,得到校正图像R。
R=(I-B)/(W-B) (1)
4)感兴趣区域提取:利用粮粒表面和背景板之间反射值在某个波段上的差异比较大这个特点,采用阈值法将粮粒从校正图像中提取出来。具体做法如下:分别获取玉米本体、尖端、阴影和背景板在波长为400-1000nm范围内的光谱反射值,如图2所示。从中可以看到,在500-550nm范围内,背景板、阴影部分和玉米的反射值差距比较大,可以从中选择一个波段的某个反射值作为提取ROI的阈值。在这里选取500nm处的光谱反射值2000作为分割阈值,将大于该值的像素点标为0,小于该值的像素点标为1,然后将所有标为1的像素点标记为红色。其提取效果如图3所示。分割后每颗玉米粒区域根据大小的不同在P1~P2(P1=800,P2=1200)个像素之间。
同理获取小麦本体、阴影和背景板在波长为400-1000nm范围内的光谱反射值,如图4所示。从中可以看到,在500-550nm范围内,背景板、阴影部分和小麦的反射值差距比较大,选取550nm处的光谱反射值2000作为分割阈值,之后做相同处理,其提取效果如图5右侧所示。分割后每颗小麦粒区域根据大小的不同在P1~P2(P1=200,P2=600)个像素之间。
5)特征波段选取:在分割后的高光谱图像中,计算校正后的玉米样本平均反射值,如图6所示。同理在分割后的小麦高光谱图像中计算小麦样本的平均反射值,如图7所示。先使用5点移动平均法对原始数据进行曲线平滑处理,然后剔除噪声波段区间,分段对光谱曲线进行线性拟合,将拟合后的值与原始光谱数据做相关性分析,将两端相关系数小于R1(R1=0.2)的波段区间去除,得到玉米和小麦的波段区间均为S1-S2nm(S1=450,S2=900)。接着应用多元散射校正MSC(multiplication scatter correction)算法对选中的波段区间数据进行线性化处理以消除原始光谱中散射和偏移的影响。
MSC处理共分3步。首先计算所有样品光谱的平均光谱再将每个样品的光谱与平均光谱进行线性回归,求得回归系数mi,bi,最后根据公式(2)计算校正后的光谱Ai(MSC)
式中i=1、2、3......n,n——表示样本数,j——表示第j个波段数。
光谱校正后由公式(3)计算全波段光谱值与水分含量的相关性系数Rxy,得到结果如图4所示。
D(x)和D(y)分别为水分值和光谱反射值的方差,COV(x,y)为二者的协方差。
从图8中可以看出,玉米粒样本水分与光谱反射值的相关系数范围在0~0.55之间,其中多个波段超过0.4,并且整个光谱显示出有多个极大值,选取较为典型的K(K=4)个局部相关系数的极大值对应的波段作为特征波段,即491,772,824和870nm。
而从图9则可以看出小麦粒样本水分与光谱反射值的相关系数范围在0~0.6之间,其中多个波段超过0.5,并且整个光谱显示出有多个极大值,选取较为典型的K(K=5)个局部相关系数的极大值对应的波段作为特征波段,即741,786,845,833和882nm。
6)预测模型的建立:使用人工神经网络方法建立预测模型。采用BP网络结构,包括输入层、隐含层、输出层三层。输入层单元数为之前通过回归分析得到的特征波段的个数K(K=4)。隐含层的节点数S根据R.P.Gorman的经验估计公式(4)来确定。
S=2logN (4)
N(N=300)为训练模式的个数(样本数),求得S=5,输出层为1个节点对应水分,结构为K-S-1(S=5)网络结构。在模型建立之前,首先从所用的样本N中提取其中的N1(N1=95%)个样本进行训练模型,另N2(N2=5%)个样本用来验证该模型的可靠性。选择非线性的Sigmoid型函数作为模型的作用函数。由于网络学习收敛速度慢,为此在学习速率中增加动量项,表示学习率在训练中的动态变化,动量系数选为T(T=0.1)。训练结果如图10所示,预测值与实际值间的相关系数为R2(R2=0.98),说明该模型是可靠的。
对小麦水分进行预测的人工神经网络模型结构为K-S-1(K=5,S=5),其他参数设置与玉米一致。训练结果如图11所示,预测值与实际值间的相关系数为R2(R2=0.95),说明该模型也是可靠的。
7)含水率检测:将待测玉米和小麦按步骤1至步骤5处理后得到K(玉米K=4,小麦K=5)个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型,得到玉米和小麦粮粒的水分值。
Claims (1)
1.一种基于高光谱图像技术的粮粒含水率检测方法,其特征在于利用水分含量引起的光谱特征变化检测粮粒的含水率。该方法操作步骤如下:
1)标定图像的获取:分别盖上镜头盖和使用标准白板采集两幅标定高光谱图像,作为全黑标定图像B和全白标定图像W;
2)原始高光谱图像获取:将一组已知水分含量的粮粒按序排放在载物台上后送入实验台采集高光谱原始数据图像I;
3)反射光谱校正:采用公式(1)进行反射光谱校正,得到校正图像R;
R=(I-B)/(W-B) (1)
4)感兴趣区域提取:采用阈值法将粮粒从校正图像中提取出来,得到粮粒图像;
5)特征波段选取:计算粮粒样本的平均反射值,先使用5点移动平均法对原始数据进行曲线平滑处理,然后分段对光谱曲线两端进行线性拟合,再做相关性分析将相关系数小于R1的波段范围去除;接着应用多元散射校正MSC算法消除原始光谱中散射和偏移的影响;通过回归分析得到每一个波段光谱反射值与水分含量的相关性系数,从中选取K个局部相关系数的极大值对应的波段作为特征波段;
6)预测模型的建立:使用人工神经网络ANN方法建立预测模型,采用三层BP网络结构,输入层单元数为之前通过回归分析得到的特征波段的个数K,隐含层的节点数S使用经验估计公式来确定,输出层为1个节点对应水分值;从所用的样本N中提取其中的N1个样本进行训练模型,另N2个样本用来模型验证,当训练结果与水分含量间的相关系数R2达到给定值时,停止人工神经网络训练;
7)含水率检测:将待测粮粒按步骤1至步骤5处理后得到K个特征波段的平均光谱反射值输入步骤6训练后的人工神经网络和回归模型,得到待测粮粒的水分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010514132 CN102033043A (zh) | 2010-10-19 | 2010-10-19 | 基于高光谱图像技术的粮粒含水率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010514132 CN102033043A (zh) | 2010-10-19 | 2010-10-19 | 基于高光谱图像技术的粮粒含水率检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102033043A true CN102033043A (zh) | 2011-04-27 |
Family
ID=43886225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010514132 Pending CN102033043A (zh) | 2010-10-19 | 2010-10-19 | 基于高光谱图像技术的粮粒含水率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102033043A (zh) |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313703A (zh) * | 2011-07-29 | 2012-01-11 | 浙江大学 | 基于无线嵌入式技术的植物冠层高光谱图像采集系统 |
CN102507457A (zh) * | 2011-11-18 | 2012-06-20 | 江苏大学 | 一种快速无损检测作物营养元素的装置及方法 |
CN102507462A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种基于高光谱分析的铜品质检测方法及其检测系统 |
CN102507458A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 室外高光谱图像采集系统中太阳光源的校正方法 |
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
CN103048278A (zh) * | 2012-12-25 | 2013-04-17 | 浙江工业大学 | 机炒龙井茶叶水分含量在线检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103674864A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼水分含量分布检测方法 |
CN104833638A (zh) * | 2015-04-15 | 2015-08-12 | 浙江大学 | 基于连续波的双层瓜果组织光学特性无损检测方法与装置 |
CN105158177A (zh) * | 2015-09-30 | 2015-12-16 | 江苏大学 | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 |
US9414623B2 (en) | 2012-04-16 | 2016-08-16 | Eugenio Minvielle | Transformation and dynamic identification system for nutritional substances |
CN105866043A (zh) * | 2016-06-06 | 2016-08-17 | 东北电力大学 | 一种利用高光谱技术检测苹果酸味的方法 |
US9429920B2 (en) | 2012-04-16 | 2016-08-30 | Eugenio Minvielle | Instructions for conditioning nutritional substances |
US9436170B2 (en) | 2012-04-16 | 2016-09-06 | Eugenio Minvielle | Appliances with weight sensors for nutritional substances |
WO2016145334A1 (en) * | 2015-03-12 | 2016-09-15 | Raytheon Company | Apparatus and processes for corn moisture analysis and pprediction of optimum harvest date |
US9460633B2 (en) | 2012-04-16 | 2016-10-04 | Eugenio Minvielle | Conditioner with sensors for nutritional substances |
CN106067065A (zh) * | 2016-06-07 | 2016-11-02 | 宁波检验检疫科学技术研究院 | 基于径向基神经网络的光谱分析模型转移技术 |
CN106124417A (zh) * | 2016-06-06 | 2016-11-16 | 东北电力大学 | 一种利用高光谱技术检测苹果涩味的回味的方法 |
US9497990B2 (en) | 2012-04-16 | 2016-11-22 | Eugenio Minvielle | Local storage and conditioning systems for nutritional substances |
US9528972B2 (en) | 2012-04-16 | 2016-12-27 | Eugenio Minvielle | Dynamic recipe control |
US9541536B2 (en) | 2012-04-16 | 2017-01-10 | Eugenio Minvielle | Preservation system for nutritional substances |
US9564064B2 (en) | 2012-04-16 | 2017-02-07 | Eugenio Minvielle | Conditioner with weight sensors for nutritional substances |
US9619781B2 (en) | 2012-04-16 | 2017-04-11 | Iceberg Luxembourg S.A.R.L. | Conditioning system for nutritional substances |
CN107192677A (zh) * | 2017-05-16 | 2017-09-22 | 东北农业大学 | 基于高光谱及bp神经网络的大豆异黄酮含量检测系统及方法 |
CN107341521A (zh) * | 2017-07-10 | 2017-11-10 | 东北大学 | 一种基于煤炭光谱数据对煤炭分类的方法 |
US9902511B2 (en) | 2012-04-16 | 2018-02-27 | Iceberg Luxembourg S.A.R.L. | Transformation system for optimization of nutritional substances at consumption |
CN108037085A (zh) * | 2017-11-29 | 2018-05-15 | 日照职业技术学院 | 基于光谱特征的金属工件表面缺陷检测方法 |
CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
US10219531B2 (en) | 2012-04-16 | 2019-03-05 | Iceberg Luxembourg S.A.R.L. | Preservation system for nutritional substances |
CN109765192A (zh) * | 2019-01-25 | 2019-05-17 | 西南交通大学 | 基于高光谱技术的绝缘子表面含水量的检测方法 |
CN110118733A (zh) * | 2019-05-27 | 2019-08-13 | 广州大学 | 一种水分在集料表层的含量分布检测方及装置 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
CN110567889A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
CN110849832A (zh) * | 2019-11-26 | 2020-02-28 | 浙江大学 | 堆叠状茶叶含水率检测装置及方法 |
CN111065258A (zh) * | 2017-06-20 | 2020-04-24 | 孟山都技术公司 | 用于测量穗上玉米中的水分的装置和方法 |
CN111448590A (zh) * | 2017-09-28 | 2020-07-24 | 皇家飞利浦有限公司 | 基于深度学习的散射校正 |
CN111583292A (zh) * | 2020-05-11 | 2020-08-25 | 浙江大学 | 一种面向双光子钙成像视频数据的自适应图像分割方法 |
CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001089288A1 (en) * | 2000-05-25 | 2001-11-29 | Lestander Torbjoern | Single seed sortation |
CN1912588A (zh) * | 2006-08-23 | 2007-02-14 | 太原市海通自动化技术有限公司 | 基于激光感生光谱和神经网络技术的煤质在线分析设备 |
CN1996175A (zh) * | 2006-12-30 | 2007-07-11 | 辽宁省粮食科学研究所 | 基于模糊神经网络的谷物干燥预测控制系统及方法 |
CN201255729Y (zh) * | 2008-09-26 | 2009-06-10 | 东北林业大学 | 基于多传感器数据融合的木材含水率智能检测装置 |
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
-
2010
- 2010-10-19 CN CN 201010514132 patent/CN102033043A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001089288A1 (en) * | 2000-05-25 | 2001-11-29 | Lestander Torbjoern | Single seed sortation |
CN1912588A (zh) * | 2006-08-23 | 2007-02-14 | 太原市海通自动化技术有限公司 | 基于激光感生光谱和神经网络技术的煤质在线分析设备 |
CN1996175A (zh) * | 2006-12-30 | 2007-07-11 | 辽宁省粮食科学研究所 | 基于模糊神经网络的谷物干燥预测控制系统及方法 |
CN201255729Y (zh) * | 2008-09-26 | 2009-06-10 | 东北林业大学 | 基于多传感器数据融合的木材含水率智能检测装置 |
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
Non-Patent Citations (3)
Title |
---|
《Journal of Food Engineering》 20070224 Jun Qiao et al Pork quality and marbing level assessment using a hyperspectral imaging system 第10-16页 1 第83卷, 2 * |
《农业工程学报》 20070228 洪添胜等 基于高光谱图像技术的雪花梨品质无损检测 第151-155页 1 第23卷, 第2期 2 * |
《农业工程学报》 20100831 李江波等 基于高光谱成像技术检测脐橙溃疡 第222-227页 1 第26卷, 第8期 2 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313703A (zh) * | 2011-07-29 | 2012-01-11 | 浙江大学 | 基于无线嵌入式技术的植物冠层高光谱图像采集系统 |
CN102507462A (zh) * | 2011-11-08 | 2012-06-20 | 浙江大学 | 一种基于高光谱分析的铜品质检测方法及其检测系统 |
CN102507457A (zh) * | 2011-11-18 | 2012-06-20 | 江苏大学 | 一种快速无损检测作物营养元素的装置及方法 |
CN102507458B (zh) * | 2011-11-23 | 2013-07-10 | 浙江大学 | 室外高光谱图像采集系统中太阳光源的校正方法 |
CN102507458A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 室外高光谱图像采集系统中太阳光源的校正方法 |
CN102621077A (zh) * | 2012-03-30 | 2012-08-01 | 江南大学 | 高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法 |
US9460633B2 (en) | 2012-04-16 | 2016-10-04 | Eugenio Minvielle | Conditioner with sensors for nutritional substances |
US9877504B2 (en) | 2012-04-16 | 2018-01-30 | Iceberg Luxembourg S.A.R.L. | Conditioning system for nutritional substances |
US9564064B2 (en) | 2012-04-16 | 2017-02-07 | Eugenio Minvielle | Conditioner with weight sensors for nutritional substances |
US10219531B2 (en) | 2012-04-16 | 2019-03-05 | Iceberg Luxembourg S.A.R.L. | Preservation system for nutritional substances |
US9541536B2 (en) | 2012-04-16 | 2017-01-10 | Eugenio Minvielle | Preservation system for nutritional substances |
US9528972B2 (en) | 2012-04-16 | 2016-12-27 | Eugenio Minvielle | Dynamic recipe control |
US9497990B2 (en) | 2012-04-16 | 2016-11-22 | Eugenio Minvielle | Local storage and conditioning systems for nutritional substances |
US9414623B2 (en) | 2012-04-16 | 2016-08-16 | Eugenio Minvielle | Transformation and dynamic identification system for nutritional substances |
US9902511B2 (en) | 2012-04-16 | 2018-02-27 | Iceberg Luxembourg S.A.R.L. | Transformation system for optimization of nutritional substances at consumption |
US9429920B2 (en) | 2012-04-16 | 2016-08-30 | Eugenio Minvielle | Instructions for conditioning nutritional substances |
US9436170B2 (en) | 2012-04-16 | 2016-09-06 | Eugenio Minvielle | Appliances with weight sensors for nutritional substances |
US9619781B2 (en) | 2012-04-16 | 2017-04-11 | Iceberg Luxembourg S.A.R.L. | Conditioning system for nutritional substances |
CN103048278A (zh) * | 2012-12-25 | 2013-04-17 | 浙江工业大学 | 机炒龙井茶叶水分含量在线检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103278464B (zh) * | 2013-04-18 | 2015-10-21 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103674864B (zh) * | 2013-11-12 | 2016-04-13 | 浙江大学 | 一种基于高光谱成像技术的鱼水分含量分布检测方法 |
CN103674864A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼水分含量分布检测方法 |
WO2016145334A1 (en) * | 2015-03-12 | 2016-09-15 | Raytheon Company | Apparatus and processes for corn moisture analysis and pprediction of optimum harvest date |
US10157472B2 (en) | 2015-03-12 | 2018-12-18 | Raytheon Company | Apparatus and processes for corn moisture analysis and prediction of optimum harvest date |
CN104833638B (zh) * | 2015-04-15 | 2017-10-20 | 浙江大学 | 基于连续波的双层瓜果组织光学特性无损检测方法与装置 |
CN104833638A (zh) * | 2015-04-15 | 2015-08-12 | 浙江大学 | 基于连续波的双层瓜果组织光学特性无损检测方法与装置 |
CN105158177A (zh) * | 2015-09-30 | 2015-12-16 | 江苏大学 | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 |
CN105158177B (zh) * | 2015-09-30 | 2019-03-05 | 江苏大学 | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 |
CN105866043A (zh) * | 2016-06-06 | 2016-08-17 | 东北电力大学 | 一种利用高光谱技术检测苹果酸味的方法 |
CN106124417A (zh) * | 2016-06-06 | 2016-11-16 | 东北电力大学 | 一种利用高光谱技术检测苹果涩味的回味的方法 |
CN106067065A (zh) * | 2016-06-07 | 2016-11-02 | 宁波检验检疫科学技术研究院 | 基于径向基神经网络的光谱分析模型转移技术 |
CN107192677A (zh) * | 2017-05-16 | 2017-09-22 | 东北农业大学 | 基于高光谱及bp神经网络的大豆异黄酮含量检测系统及方法 |
CN111065258A (zh) * | 2017-06-20 | 2020-04-24 | 孟山都技术公司 | 用于测量穗上玉米中的水分的装置和方法 |
US11579077B2 (en) | 2017-06-20 | 2023-02-14 | Monsanto Technology Llc | Device and method for measuring moisture in corn on ear |
CN111065258B (zh) * | 2017-06-20 | 2023-04-18 | 孟山都技术公司 | 用于测量穗上玉米中的水分的装置和方法 |
CN107341521A (zh) * | 2017-07-10 | 2017-11-10 | 东北大学 | 一种基于煤炭光谱数据对煤炭分类的方法 |
CN111448590B (zh) * | 2017-09-28 | 2023-08-15 | 皇家飞利浦有限公司 | 基于深度学习的散射校正 |
US11769277B2 (en) | 2017-09-28 | 2023-09-26 | Koninklijke Philips N.V. | Deep learning based scatter correction |
CN111448590A (zh) * | 2017-09-28 | 2020-07-24 | 皇家飞利浦有限公司 | 基于深度学习的散射校正 |
CN108037085A (zh) * | 2017-11-29 | 2018-05-15 | 日照职业技术学院 | 基于光谱特征的金属工件表面缺陷检测方法 |
CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
CN109765192B (zh) * | 2019-01-25 | 2020-09-18 | 西南交通大学 | 基于高光谱技术的绝缘子表面含水量的检测方法 |
CN109765192A (zh) * | 2019-01-25 | 2019-05-17 | 西南交通大学 | 基于高光谱技术的绝缘子表面含水量的检测方法 |
CN110118732A (zh) * | 2019-05-22 | 2019-08-13 | 中国农业大学 | 土壤含水量检测方法及装置 |
CN110118733B (zh) * | 2019-05-27 | 2021-06-29 | 广州大学 | 一种水分在集料表层的含量分布检测方法及装置 |
CN110118733A (zh) * | 2019-05-27 | 2019-08-13 | 广州大学 | 一种水分在集料表层的含量分布检测方及装置 |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
CN110567889A (zh) * | 2019-09-12 | 2019-12-13 | 中国计量大学 | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 |
CN110849832A (zh) * | 2019-11-26 | 2020-02-28 | 浙江大学 | 堆叠状茶叶含水率检测装置及方法 |
CN111583292A (zh) * | 2020-05-11 | 2020-08-25 | 浙江大学 | 一种面向双光子钙成像视频数据的自适应图像分割方法 |
CN111583292B (zh) * | 2020-05-11 | 2023-07-07 | 浙江大学 | 一种面向双光子钙成像视频数据的自适应图像分割方法 |
CN113237836A (zh) * | 2021-05-10 | 2021-08-10 | 福建省烟草公司南平市公司 | 一种基于高光谱图像的烤烟叶水分含量估测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102033043A (zh) | 基于高光谱图像技术的粮粒含水率检测方法 | |
Zhang et al. | Moisture content detection of maize seed based on visible/near‐infrared and near‐infrared hyperspectral imaging technology | |
Fuentes et al. | Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters | |
Volpe et al. | The colour of the Mediterranean Sea: Global versus regional bio-optical algorithms evaluation and implication for satellite chlorophyll estimates | |
CN101551341B (zh) | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 | |
Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
Sun et al. | Quantitative determination of rice moisture based on hyperspectral imaging technology and BCC‐LS‐SVR algorithm | |
Huang et al. | Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
Deng et al. | Moisture content prediction in tealeaf with near infrared hyperspectral imaging | |
CN104374738A (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
Fan et al. | Rapid determination of TBARS content by hyperspectral imaging for evaluating lipid oxidation in mutton | |
US20120098924A1 (en) | Signal spectra detection system | |
Saranwong et al. | A feasibility study using simplified near infrared imaging to detect fruit fly larvae in intact fruit | |
Qing et al. | Wavelength selection for predicting physicochemical properties of apple fruit based on near‐infrared spectroscopy | |
CN201392319Y (zh) | 一种基于图像与光谱信息融合的肉品在线无损检测装置 | |
Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
CN104020128A (zh) | 一种快速鉴别蜂胶胶源的方法 | |
Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review | |
Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
Sun et al. | Research of moldy tea identification based on RF-RFE-Softmax model and hyperspectra | |
Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110427 |