CN102042984A - 药材等级评价方法及系统 - Google Patents
药材等级评价方法及系统 Download PDFInfo
- Publication number
- CN102042984A CN102042984A CN 200910236137 CN200910236137A CN102042984A CN 102042984 A CN102042984 A CN 102042984A CN 200910236137 CN200910236137 CN 200910236137 CN 200910236137 A CN200910236137 A CN 200910236137A CN 102042984 A CN102042984 A CN 102042984A
- Authority
- CN
- China
- Prior art keywords
- medicinal material
- particle
- image
- grade evaluation
- grade
- 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
- 239000000463 material Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 27
- 238000004040 coloring Methods 0.000 claims description 11
- 206010034960 Photophobia Diseases 0.000 claims description 8
- 208000013469 light sensitivity Diseases 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract 1
- 240000004980 Rheum officinale Species 0.000 description 14
- 235000008081 Rheum officinale Nutrition 0.000 description 14
- 239000003814 drug Substances 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 229940079593 drug Drugs 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000219061 Rheum Species 0.000 description 3
- 235000009411 Rheum rhabarbarum Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 240000005528 Arctium lappa Species 0.000 description 1
- 206010070834 Sensitisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009513 drug distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种药材等级评价方法及系统。该方法包括步骤：S1，采集药材的图像，制作药材的标本片；S2，将图像输入计算机获取药材的外观信息，并利用计算机测定所述标本片的内部特征信息；S3，利用训练样本对所述外观信息以及内部特征信息用神经网络专家系统进行训练，生成用于药材等级评价的训练网络，以评价药材的等级。本发明通过计算机辅助工具获取未知等级药材的外观参数和内部特征信息，并利用训练样本，实现对药材的等级评价。本发明对药材进行图形数字化处理，通过计算机的运算结合形态学和数学知识获得药材感观评价定量参数，通过神经网络训练适合药材等级评价的网络，依靠该网络实现药材的等级评价，实现了药材等级评价的自动化。
Description
技术领域
本发明涉及一种中药外观性状感官评价领域，具体涉及一种通过计算机辅助分析中药标准图像、提取中药外观性状参数的评价方法及系统。
背景技术
中药是中国医药的宝贵财富，在预防治疗某些难治之症方面有独特的疗效，且毒副作用小，得到了世界上越来越多的国家和地区的青睐。
中药又是一种特殊的商品，既要符合市场流通的按质论价，又要满足临床用药的安全有效的要求。由于我国幅员辽阔、地形复杂、气候多样，中药材来源广、品种多，因此对中药材在市场流通中真伪优劣的鉴别就显得尤为重要。
限于我们医药行业发展的实际情况，目前中药材市场中对中药材真伪优劣的评价还主要依赖于手摸、眼看、鼻闻、口尝等传统的经验总结。例如，传统理论认为，每种药材都有其固定的色泽，且是判断药材品质优劣的重要标志之一。这些传统的经验是广大药商、药农和药工等长期的实践经验总结，对中药真伪优劣的评价发挥了非常重要的作用。但随着对中药材需求量的不断增加以及中药现代化发展的客观要求，传统鉴别方法在大型中药材集散地的鉴别评价上已经显得力不从心。
发明内容
本发明的目的在于针对现有技术的不足，提供一种能够通过计算机获取药材的外观参数和内部特征信息的系统及方法。本发明也适用于粮食、水果、茶叶等食品领域的参数获取。
为达到上述目的，本发明提供了一种药材等级评价方法，其包括以下步骤：
S1，采集药材的图像，制作药材的标本片；
S2，将所述图像输入计算机获取药材的外观信息，并利用计算机测定所述标本片的内部特征信息；
S3，利用训练样本对所述外观信息以及内部特征信息用神经网络专家系统进行训练，生成用于药材等级评价的训练网络，以评价药材的等级。
其中，在步骤S2中，获取药材的外观信息的步骤包括获取颜色信息的步骤，所述获取颜色信息的步骤具体为：通过图像预处理和对色阶直方图的峰形分析，设定药材的RGB阈值，并将所述直方图转换成二值图或灰度图，切割药材的有效部位，提取有效的颜色信息。
其中，外观信息可以包括：图像中所显示的药材的周长、面积和长轴、长宽比、紧凑度。
其中，内部特征信息可以包括：标本片的内含物中各种颗粒的截面数、颗粒截面内的测试点总数、单位测试线长度内的交叉点数、一个测试点代表的截面积，颗粒的平均周长、平均外径，数目和体积，以及标本片的体积，利用这些参数计算单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度。
其中，在步骤S1中采集图像时，可以利用稳定光源在下面的拍摄条件下进行拍摄得到药材的图像：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。
其中，药材的长宽比及紧凑度的计算公式分别可以为：
长宽比
紧凑度A、P和L分别可以为图像中所显示的药材的面积、周长，和长轴。
其中，单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度的计算公式分别可以为：
单位测试面积内的曲线长为
IL为单位测试线长度内的交叉点数；
颗粒截面的平均面积
为
Nx为颗粒的截面数，Px为颗粒截面内的测试点总数，a为一个测试点代表的截面积；
颗粒的圆球度为
为颗粒的平均周长；
颗粒的形状系数为
为颗粒的平均外径，V代表颗粒的体积；
颗粒的数密度为Nt代表颗粒的数目，Vr代表标本片的体积。
本发明还提供了一种药材等级评价系统，其包括：灯箱，用于为采集图像提供稳定光源和密闭环境；图像采集装置，用于获取药材的图像；和计算机，用于获取药材图像的外观信息和内部特征信息，并利用训练样本对所述外观信息和内部特征信息用神经网络专家系统进行训练，生成用于药材等级评价的训练网络，以评价药材的等级。
其中，图像采集装置可以包括相机，用于在灯箱提供的稳定光源下在以下拍摄条件进行拍摄，得到药材的图像：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。
其中，神经网络专家系统可以为BP神经网络专家系统。
该BP神经网络专家系统的设计原则为：包括42个输入向量(训练样本数)，其中，每个输入向量包含10个输入变量(即大黄药材质量等级评价指标数)，即网络的输入层有10个神经元；以及一个隐含层。其中，初始神经元为21个(初始神经元＝2N+1，其中N为输入层的神经元个数)，输出层有3个神经元(即药材的三个等级)。隐含层与输入向量连接，输出层与输入向量无连接。其具体实现方式为：使用Newcf函数创建BP网络，各层神经元的传递函数为tansig和purelin，网络训练函数为trainParam。
本发明的上述技术方案通过计算机辅助工具获取未知等级药材的外观信息(颜色信息等)和内部特征信息，利用训练样本，可以实现对药材的等级进行评价。该技术方案实现了药材等级评价参数获取的自动化，快速、准确、客观。
附图说明
图1是本发明实施方式的方法流程图；
图2是本发明实施例的系统结构示意图；
图3是本发明的系统中所设计的BP神经网络专家系统的结构示意图；
图4是本发明实施例的系统的实物图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本发明实施方式的方法流程图。如图1所示，依照本发明实施方式的药材等级评价方法，其包括以下步骤：
S1，采集未知等级药材的图像。例如，将待测大黄药材放入灯箱，用图形采集装置采集大黄的彩色数码照片。利用稳定光源在下面的拍摄条件下进行拍摄得到药材的图像：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。并根据大黄内含物的特性和评判需求将大黄制成标本片，例如粉末标本片、表面标本片、解离组织标本片、切片标本片等。
S2，将该照片输入计算机，利用计算机软件(如Matlab)获取药材的颜色信息和外观信息。获取外观信息是为了得到反映大黄的外观形状和大型比例的信息；获取内部特征信息是为了对大黄的内部特征和构造及其内含物进行可视化、量化等研究。
本实施方式中，获取药材的颜色信息的步骤具体可以为：利用软件(如Matlab)多次提取药材单位面积的RGB值。
其中RGB是一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
本实施方式中，获取内部特征信息的步骤可以包括：将标本片置于装有显微镜射系统的高倍显微镜下，根据显微测定的要求进行聚焦，使大黄的所有内含物尽可能清晰地呈现，并将所采集到的图像信息保存在计算机中，调用计算机测量软件(如Matlab)，测定图像中所显示的大黄的周长、面积，和长轴，利用这些参数计算得到大黄的长宽比、紧凑度。
S3，利用大黄的训练样本对所述信息进行基于BP神经网络的专家系统的训练，得到与大黄的与等级相关的权重信息，并保持记忆。可以利用所述权重信息对大黄的等级做出评价。其中，根据专家的传统鉴别经验选取感官评价、化学成分含量、生物效价评价结果等比较一致的、且没有争议的不同质量等级的大黄为训练样本。
本实施方式中，获取大黄的内部特征信息的步骤具体为：测定大黄标本片的内含物中各种颗粒的截面数、颗粒截面内的测试点总数、单位测试线长度内的交叉点数、一个测试点代表的截面积，颗粒的平均周长、平均外径，数目和体积，以及标本片的体积，利用这些参数计算单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度。
本实施方式中，药材的长宽比及紧凑度的计算公式分别为：
长宽比
紧凑度
其中，A、P和L分别为图像中所显示的药材的面积、周长，和长轴。
本实施方式中，单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度的计算公式分别为：
单位测试面积内的曲线长为
其中，IL为单位测试线长度内的交叉点数；
颗粒截面的平均面积
为
其中，Nx为颗粒的截面数，Px为颗粒截面内的测试点总数，
a为一个测试点代表的截面积；
颗粒的圆球度为
其中，
为颗粒的平均周长；
颗粒的形状系数为
其中，
为颗粒的平均外径，V代表颗粒的体积；
颗粒的数密度为
其中，Nt代表颗粒的数目，Vr代表标本片的体积。
本发明的实施例还提供了一种药材等级评价系统。图2为依据本发明实施例的系统的结构示意图，图4为实施例的实物图。如图2和4所示，该系统包括：
灯箱1，用于为采集图像提供稳定、能够反映药材颜色真实信息的光源，且不受外界光强及拍摄时间等的影响；灯箱包括内部中空、不透光的箱体，位置可调的高显色指数灯管(如OSRAM公司生产FH 14W/965HE，LUMILUX型高显色性日光灯)，镇流器，遮光布，位置可调的相机固定架，金属骨架。其中，灯管和相机固定架在灯箱内的位置可以调节，以适应不同的图像采集要求，灯箱关闭后不透光，避免外部光线对图像采集的影响。灯箱内表面为黑色涂层，用于降低反光对图像采集的影响。
图像采集装置，用于获取药材的图像；
计算机3，用于获取药材图像的颜色信息、外观信息和内部特征信息，并利用训练样本对外观信息和内部特征信息进行训练，得到与所述未知等级药材的与等级相关的权重信息。
本实施例中，图像采集装置包括相机2，例如参数可调数码相机，其位于灯箱1内，用于在灯箱1提供的稳定光源下在以下拍摄条件进行拍摄，得到药材的图像：将曝光时间1/4、1/6、1/8、1/10、1/13、1/15、1/20、1/30、1/40、1/60、1/80、1/100S；光圈大小8.0、7.1、6.3、5.6；感光度50、100分别组合，依次在标准灯箱中拍摄，图像存于计算机。通过对不同曝光时间、光圈大小、感光度的考察，选择照片清晰、得到的与原药材真实情况最接近的拍摄条件为：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。
相机2和计算机3之间通过数据采集线(例如IEEE 1394标准数据线)连接，实现图像采集与传输，图像采集软件(请发明人解释这个软件)可遥控相机设置感光参数，如光圈、快门时间、焦距和白平衡等。
本实施例的系统中所使用的软件可以包括：运行于计算机上的Matlab软件，专门设计的、在运行调试后用于评价药材等级的BP神经网络专家系统。其中Matlab可以为能够和Windows系统兼容的Matlab7.0版本的正版软件。用于评价药材等级评价的BP神经网络专家系统的被设计原则具有大规模并行处理、分布式储存、自适应性、自组织性及很强的学习、联想、容错及抗干扰能力。具体通过以下设计来实现：包括42个输入向量(训练样本数)，其中，每个输入向量包含10个输入变量(即大黄药材质量等级评价指标数)，即网络的输入层有10个神经元；以及一个隐含层。其中，初始神经元为21个(初始神经元＝2N+1，其中N为输入层的神经元个数)，输出层有3个神经元(即药材的三个等级)。隐含层与输入向量连接，输出层与输入向量无连接。其具体实现方式为：使用Newcf函数创建BP网络，各层神经元的传递函数为tansig和purelin，网络训练函数为trainParam。上述所设计的BP神经网络专家系统的结构示意图如图3所示。
由以上实施例可以看出，本发明的技术方案通过计算机辅助工具获取未知等级药材的外观信息(颜色信息等)和内部特征信息，利用训练样本，可以实现对药材的等级进行评价。该技术方案实现了药材等级评价参数获取的自动化，快速、准确、客观。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也属于本发明的保护范围。
Claims (10)
1.一种药材等级评价方法，其包括以下步骤：
S1，采集药材的图像，制作药材的标本片；
S2，将所述图像输入计算机获取药材的外观信息，并利用计算机测定所述标本片的内部特征信息；
S3，利用训练样本对所述外观信息以及内部特征信息用神经网络专家系统进行训练，生成用于药材等级评价的训练网络，以评价药材的等级。
2.如权利要求1所述的药材等级评价方法，其特征在于，在步骤S2中，获取药材的外观信息的步骤包括获取颜色信息的步骤，所述获取颜色信息的步骤具体为：通过图像预处理和对色阶直方图的峰形分析，设定药材的RGB阈值，并将所述直方图转换成二值图或灰度图，切割药材的有效部位，提取有效的颜色信息。
3.如权利要求1所述的药材等级评价方法，其特征在于，所述外观信息包括：图像中所显示的药材的周长、面积和长轴、长宽比、紧凑度。
4.如权利要求3所述的药材等级评价方法，其特征在于，所述内部特征信息包括：所述标本片的内含物中各种颗粒的截面数、颗粒截面内的测试点总数、单位测试线长度内的交叉点数、一个测试点代表的截面积，颗粒的平均周长、平均外径，数目和体积，以及所述标本片的体积，利用这些参数计算单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度。
5.如权利要求1所述的药材等级评价方法，其特征在于，在步骤S1中采集图像时，利用稳定光源在下面的拍摄条件下进行拍摄得到药材的图像：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。
6.如权利要求3所述的药材等级评价方法，其特征在于，所述药材的长宽比及紧凑度的计算公式分别为：
长宽比紧凑度
其中，A、P和L分别为图像中所显示的药材的面积、周长，和长轴。
7.如权利要求4所述的药材等级评价方法，其特征在于，所述单位测试面积内的曲线长、颗粒截面的平均面积，颗粒的圆球度、形状系数和数密度的计算公式分别为：
单位测试面积内的曲线长为
其中，IL为单位测试线长度内的交叉点数；
颗粒截面的平均面积
为
其中，Nx为颗粒的截面数，Px为颗粒截面内的测试点总数，
a为一个测试点代表的截面积；
颗粒的圆球度为
其中，
为颗粒的平均周长；
颗粒的形状系数为
其中，
为颗粒的平均外径，V代表颗粒的体积；
颗粒的数密度为
其中，Nt代表颗粒的数目，Vr代表标本片的体积。
8.一种药材等级评价系统，其包括：
灯箱，用于为采集图像提供稳定光源和密闭环境；
图像采集装置，用于获取药材的图像；和
计算机，用于获取药材图像的外观信息和内部特征信息，并利用训练样本对所述外观信息和内部特征信息用神经网络专家系统进行训练，生成用于药材等级评价的训练网络，以评价药材的等级。
9.如权利要求8所述的药材等级评价系统，其特征在于，所述图像采集装置包括相机，用于在所述灯箱提供的稳定光源下在以下拍摄条件进行拍摄，得到药材的图像：曝光时间T为1/10秒，光圈大小F为8.0，感光度ISO为50，焦距为14.40625、曝光补偿为0。
10.如权利要求8所述的药材等级评价系统，其特征在于，所述神经网络专家系统为BP神经网络专家系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910236137 CN102042984A (zh) | 2009-10-19 | 2009-10-19 | 药材等级评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910236137 CN102042984A (zh) | 2009-10-19 | 2009-10-19 | 药材等级评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102042984A true CN102042984A (zh) | 2011-05-04 |
Family
ID=43909328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910236137 Pending CN102042984A (zh) | 2009-10-19 | 2009-10-19 | 药材等级评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102042984A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102042978B (zh) * | 2009-10-22 | 2012-07-18 | 中国人民解放军第三〇二医院 | 快速判定大黄等级的比色卡及其制备方法 |
| CN103308517A (zh) * | 2013-05-21 | 2013-09-18 | 谢绍鹏 | 中药颜色客观化方法及中药图像获取装置 |
| CN105223196A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种基于智能终端的尿液分析方法 |
| CN106198900A (zh) * | 2016-06-30 | 2016-12-07 | 深圳市检验检疫科学研究院 | 食品安全评价方法及装置 |
| CN106353469A (zh) * | 2015-07-14 | 2017-01-25 | 中国人民解放军第三〇二医院 | 一种中药品质的综合评价方法 |
| CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
-
2009
- 2009-10-19 CN CN 200910236137 patent/CN102042984A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102042978B (zh) * | 2009-10-22 | 2012-07-18 | 中国人民解放军第三〇二医院 | 快速判定大黄等级的比色卡及其制备方法 |
| CN103308517A (zh) * | 2013-05-21 | 2013-09-18 | 谢绍鹏 | 中药颜色客观化方法及中药图像获取装置 |
| CN103308517B (zh) * | 2013-05-21 | 2015-09-30 | 谢绍鹏 | 中药颜色客观化方法及中药图像获取装置 |
| CN106353469A (zh) * | 2015-07-14 | 2017-01-25 | 中国人民解放军第三〇二医院 | 一种中药品质的综合评价方法 |
| CN106353469B (zh) * | 2015-07-14 | 2018-12-14 | 中国人民解放军第三〇二医院 | 一种中药品质的综合评价方法 |
| CN105223196A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种基于智能终端的尿液分析方法 |
| CN105223196B (zh) * | 2015-10-16 | 2018-07-24 | 深圳小孚医疗科技有限公司 | 一种基于智能终端的尿液分析方法 |
| CN106198900A (zh) * | 2016-06-30 | 2016-12-07 | 深圳市检验检疫科学研究院 | 食品安全评价方法及装置 |
| CN106198900B (zh) * | 2016-06-30 | 2018-06-15 | 深圳市检验检疫科学研究院 | 食品安全评价方法及装置 |
| CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101701916B (zh) | 一种玉米品种快速鉴定、鉴别方法 | |
| Grill et al. | Analysing spectral data: comparison and application of two techniques | |
| CN102042984A (zh) | 药材等级评价方法及系统 | |
| CN101756696B (zh) | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 | |
| Carter et al. | Automated quantification of dental plaque accumulation using digital imaging | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| Dimauro et al. | Detecting clinical signs of anaemia from digital images of the palpebral conjunctiva | |
| CN107976428A (zh) | 水产品化学污染物的无损实时检测方法与装置 | |
| Chow et al. | Quantifying the degree of coral bleaching using digital photographic technique | |
| CN106483130B (zh) | 一种水稻病害的检测方法及其自动检测装置 | |
| CN103076288A (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
| JP5984127B2 (ja) | 真珠評価システム、真珠評価装置、及び真珠評価方法 | |
| Kemp et al. | Ornamental evolution in Trinidadian guppies (Poecilia reticulata): insights from sensory processing-based analyses of entire colour patterns | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| Burroni et al. | Impact of digital dermoscopy analysis on the decision to follow up or to excise a pigmented skin lesion: a multicentre study | |
| Wang et al. | Colorimetric grading scale can promote the standardization of experiential and sensory evaluation in quality control of traditional Chinese medicines | |
| Booth et al. | Detection-threshold calibration and other factors influencing digital measurements of ground cover | |
| Jolivot et al. | Validation of a 2D multispectral camera: application to dermatology/cosmetology on a population covering five skin phototypes | |
| Kornfield et al. | Coloration in African cichlids: diversity and constraints in Lake Malawi endemics | |
| CN112274110B (zh) | 一种基于皮肤荧光图像的毛孔检测系统、装置及方法 | |
| Boese et al. | Digital image analysis of Zostera marina leaf injury | |
| CN104573668A (zh) | 基于光谱反射率的面部色泽适应性自动识别方法 | |
| Prilianti et al. | Multispectral imaging and convolutional neural network for photosynthetic pigments prediction | |
| Razzell Hollis et al. | Quantitative photography for rapid, reliable measurement of marine macro‐plastic pollution | |
| Winzeler et al. | Image analysis of blush coverage extent and measures of categorical blush intensity in ‘Honeycrisp’apples |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110504 |