CN102279213B - 一种利用挥发物快速诊断农作物病害的方法 - Google Patents
一种利用挥发物快速诊断农作物病害的方法 Download PDFInfo
- Publication number
- CN102279213B CN102279213B CN 201110203681 CN201110203681A CN102279213B CN 102279213 B CN102279213 B CN 102279213B CN 201110203681 CN201110203681 CN 201110203681 CN 201110203681 A CN201110203681 A CN 201110203681A CN 102279213 B CN102279213 B CN 102279213B
- Authority
- CN
- China
- Prior art keywords
- sensor
- corps diseases
- volatile matter
- tomato
- sensor array
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title abstract description 12
- 238000003745 diagnosis Methods 0.000 title description 4
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims description 51
- 208000031968 Cadaver Diseases 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011081 inoculation Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 241000227653 Lycopersicon Species 0.000 claims 6
- 229910044991 metal oxide Inorganic materials 0.000 abstract description 3
- 150000004706 metal oxides Chemical class 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 abstract 1
- 240000003768 Solanum lycopersicum Species 0.000 description 45
- 239000007789 gas Substances 0.000 description 25
- 241000196324 Embryophyta Species 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 239000003205 fragrance Substances 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Agricultural Chemicals And Associated Chemicals (AREA)
Abstract
本发明公开了一种利用金属氧化物传感器阵列来检测农作物挥发物。它的步骤如下：1）将农作物样品放在采样装置中，静置30—60分钟，待顶部空气达到平衡后采样泵把容器内的顶空气体导入传感器阵列反应室内，传感器与气体发生反应得到相应的响应信号，该信号被采集卡转化成数字输入到计算机；2）对电子鼻原始数据特征矩阵进行特征选择和特征提取；3）以原始数据以及处理后的数据分别作为传感器响应信号，采用神经网络建立传感器响应信号与样品病害不同程度之间关系的数学模型。本发明具有操作简单，其可靠性和重复性都有很大的改善，提高了检测效率。
Description
技术领域
本发明涉及一种利用挥发物的农作物病害检测方法。
背景技术
农作物病害是制约农业生产稳定发展的最重要因素之一。在我国，每年由于病害给农业造成的损失达数十亿元人民币，其中经种苗传播病害所造成的危害最大。据统计，我国每年发生的病虫草害达2.36亿公顷，每年因此而损失粮食15％左右、棉花20％～25％、果品蔬菜25％以上。
传统的农作物病害诊断方法是专业人员病理分析或经验判断，可是病理分析速度慢，实时性差，经验判断主观性强，误差较大。随着科技的发展，遥感技术、近红外技术、计算机视觉技术也被用于农作物病害的检测。这些方法对农作物病害的诊断做出了很大的贡献，但是它们又各自存在着一些不足：利用发病症状诊断水稻病害比较费时费力，对专家的依赖较强；卫星遥感技术比较适合大面积的农作物病害检测，对于小面积的管理仍然存在一些困难；而计算机视觉技术，虽然是比较先进的技术之一，但是要达到对农作物病害的实时监控还有一定距离。
植物的挥发性有机物信号可以自发产生, 也可以是因为多种因素诱导产生的，比如植食性昆虫的侵害、病原菌的危害、植物受到的机械损伤、光照及温度改变等环境因素。这些因素均可诱导植物改变原有的挥发性有机物合成与释放机制, 并释放出一些特异的挥发性有机物。植物受到侵害后其挥发性有机物会发生改变的特性为快速检测植物病害提供了新的途径。
发明内容
本发明的目的是克服现有技术的不足，提供一种利用挥发物的农作物病害检测方法。
利用挥发物的农作物病害检测方法的括步骤如下：
1）将番茄种子放入苗钵进行培育，番茄种子发芽后，继续培养3～6周苗；将番茄苗进行早疫病病菌不同浓度的接种，每株接种叶片数量分别为1、2和4片；将接种后的番茄苗在高湿环境中培养24～48小时，以使病菌快速侵染番茄苗的叶片；将受病害侵染的番茄苗置于采样装置中，静置30～60分钟；
2）顶空气体达到平衡后，顶空气采样导入传感器阵列反应室内进行采样，采样时间为60～90s，传感器阵列与顶空气体发生反应得到响应信号；传感器响应信号是传感器接触到顶空气体后的电导率G与传感器在经过洁净空气时的电导率G0的比值，即G/G0；
3）提取第60 s电子鼻信号作为原始数据，对原始数据的特征矩阵进行特征选择和特征值提取；利用主成分分析和线性判别分析对特征矩阵进行降维，利用第一、第二主成分评价农作物病害情况；
4）以原始数据以及上述处理后的数据作为特征值，分别利用BP神经网络和支持向量机识别模式建立传感器响应信号与农作物病害不同程度间的相关性，进而评价农作物病害情况。
所述的待测样品为感染病害不同浓度的4～6周苗。所述的静置时间为40～60分钟。所述的采样时间为70～90秒。
本发明依据是在植物受到侵害后其挥发性有机物会发生改变的特性，利用金属氧化物传感器阵列组成的电子鼻来预测农作物所受的病害情况。本发明由取样部分、数据采集部分、信号处理三部分组成。所述的取样部分有带有针头的管道连接真空泵的抽气嘴，无针头的管道一端连接真空泵的出气嘴，一端与传感器阵列室相连。数据采集部分为一测试箱体，箱体内有一个圆形的气敏传感器阵列反应室，该圆形反应室顶部分别设有进气口和出气口。所述的圆形反应室内表面光滑，没有气体死角，里面均匀布置多个气体传感器，形成传感器阵列，每个传感器与采集卡的一个通道相连。对要检测样品先进行基于传感器阵列的电子鼻测定，将样品置于密闭容器内，待顶部空气达到平衡后采样泵把容器内的顶空气体导入传感器阵列反应室内，传感器与气体发生反应得到相应的响应信号，该信号被采集卡转化成数字输入到计算机。
本发明能够以廉价的多气敏传感器阵列组成高效的检测农作物病害情况的电子鼻系统。与单个气体传感器相比，气体传感器阵列扩大了检测范围，降低了干扰，其灵敏度、可靠性和重复性都有了很大的提高。本发明克服了人为主观因素的干扰，提供了一种通过挥发物综合信息来评价农作物病害的新方法。
附图说明
下面结合附图和实施例对本发明进一步说明：
图1 是本发明利用农作物挥发物进行检测的电子鼻结构示意图；
图2 是本发明实例中10个传感器对番茄种子的响应曲线；
图3 是番茄苗感染早疫病病害24h后主成分二维得分图；
图4 是番茄苗感染早疫病病害24h后线性判别分析二维得分图；
图5 是番茄苗感染早疫病病害48h后主成分二维得分图；
图6 是番茄苗感染早疫病病害48h后线性判别分析二维得分图。
具体实施方式
利用挥发物的农作物病害检测方法的括步骤如下：
1）将番茄种子放入苗钵进行培育，番茄种子发芽后，继续培养3～6周苗；将番茄苗进行早疫病病菌不同浓度的接种，每株接种叶片数量分别为1、2和4片；将接种后的番茄苗在高湿环境中培养24～48小时，以使病菌快速侵染番茄苗的叶片；将受病害侵染的番茄苗置于采样装置中，静置30～60分钟；
2）顶空气体达到平衡后，顶空气采样导入传感器阵列反应室内进行采样，采样时间为60～90s，传感器阵列与顶空气体发生反应得到响应信号；传感器响应信号是传感器接触到顶空气体后的电导率G与传感器在经过洁净空气时的电导率G0的比值，即G/G0；
3）提取第60 s电子鼻信号作为原始数据，对原始数据的特征矩阵进行特征选择和特征值提取；利用主成分分析和线性判别分析对特征矩阵进行降维，利用第一、第二主成分评价农作物病害情况；
4）以原始数据以及上述处理后的数据作为特征值，分别利用BP神经网络和支持向量机识别模式建立传感器响应信号与农作物病害不同程度间的相关性，进而评价农作物病害情况。
所述的待测样品为感染病害不同浓度的4～6周苗。所述的静置时间为40～60分钟。所述的采样时间为70～90秒。
实施例：
本发明主要在于电子鼻数据处理和建模方法。采用一个基于金属氧化物传感器阵列的电子鼻，其传感器阵列由10个传感器组成（详见表1）。
表1 电子鼻的传感器阵列中各传感器的性能
| 阵列序号 | 传感器名称 | 性能描述 | 备注 |
| S1 | W1C | 芳香成分 | 甲苯，10ml/m3 |
| S2 | W5C | 灵敏度大，对氮氧化合物很灵敏 | NO2，1 ml/m3 |
| S3 | W3C | 氨水，对芳香成分灵敏 | 苯，10 ml/m3 |
| S4 | W6C | 主要对氢气有选择性 | H2，100 ml/m3 |
| S5 | W5C | 烷烃，芳香成分 | 丙烷，1 ml/m3 |
| S6 | W1S | 对甲烷灵敏 | CH4，100 ml/m3 |
| S7 | W1W | 对硫化物灵敏 | H2S，1 ml/m3 |
| S8 | W2S | 对乙醇灵敏 | CO，100 ml/m3 |
| S9 | W2W | 芳香成分，对有机硫化物灵敏 | H2S，1 ml/m3 |
| S10 | W3S | 对烷烃灵敏 | CH4，10 ml/m3 |
这些传感器的功能是把不同的气味分子在其表面的作用转化为可以测量的物理信号。电子鼻结构及工作流程如图1所示。采样时，样品气体通过一个内置泵以400 ml/min的速率从进口处被吸附到传感器通道中，经过传感器阵列后由出口排出。基准气体（zero gas）是经过活性炭过滤后的清洁空气，以600 ml/min的速率通过另一泵泵入，其中以400 ml/min的速率流经传感器阵列，对传感器阵列进行清洗，使传感器的响应信号恢复为零。
对要检测样品先进行基于传感器阵列的电子鼻测定，将样品置于密闭容器内，待顶部空气达到平衡后采样泵把容器内的顶空气体导入传感器阵列反应室内，传感器与气体发生反应得到相应的响应信号，该信号被采集卡转化成数字输入到计算机。采样时间为65s，停止采集后用洁净空气清洗传感器，清洗时间为60s（传感器恢复时间），以便检测下一个样品。
本例浙杂809番茄种子进行检测，检测过程如下：
（1）将番茄种子放入苗钵进行培育，待番茄种子发芽后，继续培养五周；
（2）将培养到五周的番茄苗进行早疫病病菌不同浓度的接种，每株接种叶片数量分别为1、2和4片；
（3）将接种后的番茄苗在高湿环境中培养24-48小时，以使病菌快速侵染番茄苗的叶片；
（4）将受病害侵染的番茄苗置于密封瓶中在室温25℃下产生顶空气体。样品密闭1小时后顶空气体达到平衡，打开采样泵把带有针头的进气管插入密封瓶使待测番茄苗样品顶空气体导入传感器阵列反应室内，与传感器阵列S1—S10发生反应得到相应的一组响应信号。该信号被采集卡转化成数字输入到计算机；
（5）利用数据预处理、降维等方法，从电子鼻原始数据中提取特征值，建立番茄苗病害与电子鼻特征值间的定量预测模型。
如图2所示，本发明实施例中传感器对番茄苗的响应曲线，横坐标为采样时间，纵坐标为传感器接触到样品挥发物后的电导率G与传感器在经过洁净空气时的电导率G0的比值。从图2可看出，响应曲线在55s左右开始趋于稳定，本例中取60s处的信号作为分析的时间点。
图3五周番茄苗感染早疫病病害24h后的主成分二维得分图，其第一和第二主成分贡献率分别为75.43%和19.35%，累计贡献率达94.78%。从图3可看出，感染不同程度的早疫病的番茄苗能被较好的用电子鼻进行区分；图4是五周番茄苗感染早疫病病害24h后利用线性判别分析（LDA）降维后得到的二维得分图，第一和第二主成分的贡献率分别为95.68%和3.8%，累计贡献率达99.48%，保留了样本绝大部分的信息。从图4可看出，利用线性判别分析可以很好区分感染不同程度的早疫病番茄苗。图5五周番茄苗感染早疫病病害48h后的主成分二维得分图，其第一和第二主成分贡献率分别为79.07%和16.76%，累计贡献率达95.83%。从图5可看出，未感染早疫病的番茄苗与感染早疫病病害的番茄苗能被较好的用电子鼻进行区分，但较难区分感染不同程度早疫病病害的番茄苗；图6是五周番茄苗感染早疫病病害48h后利用线性判别分析（LDA）降维后得到的二维得分图，第一和第二主成分的贡献率分别为98.11%和1.35%，累计贡献率达99.46%，保留了样本绝大部分的信息。从图6可看出，利用线性判别分析可以很好区分未感染早疫病的番茄苗与感染早疫病病害的番茄苗，同时也能很好的将1叶片和4叶片感染早疫病的番茄苗区分开，但1叶片和2叶片以及2叶片和4叶片感染早疫病的番茄苗较难分区。从图3－6可知，利用主成分分析、线性判别分析可以很直观地区分有无病害农作物。
在主成分分析和线性判别分析的基础上，进一步采用基于MATLAB的BP人工神经网络和支持向量机二种模式识别算法识别不同病害程度的番茄苗。用电子鼻10个传感器的响应信号作为BP人工神经网络和支持向量机的输入对番茄苗样本进行分类。将四组不同受害程度的番茄苗每组随机抽取12个样本作为训练集，共48个样本，用于对番茄苗病害程度的训练，剩余每组4个样本，共16个样本作为预测集。
利用电子鼻传感器在60s的响应信号作为BP神经网络的输入，建立一个三层的BP神经网络结构，不同病害程度作为网络的输出层。通过反复测试来调整隐含层神经元数来优化网络结构，得到较好的网络结构为10—15—1的三层BP神经网络。设定目标误差为0.0001，网络学习速率为0.01，训练迭代次数为10000次。利用支持向量机模式识别时，通过反复测试，最终支持向量机的类型选为V-SVC，核函数为径向基核函数，其表达式为： 
，
其余参数采用默认值。表2是利用BP神经网络和支持向量机对侵染早疫病的五周番茄苗不同病害侵染程度和侵染病害后不同时间的识别效果。
表2 是BP神经网络和支持向量机对4种不同浓度的早疫病病害识别效果
Claims (4)
1.一种利用挥发物的农作物病害检测方法，其特征在于它的步骤如下：
1）将番茄种子放入苗钵进行培育，番茄种子发芽后，继续培养3～6周苗；将番茄苗进行早疫病病菌不同浓度的接种，每株接种叶片数量分别为1、2和4片；将接种后的番茄苗在高湿环境中培养24～48小时，以使病菌快速侵染番茄苗的叶片；将受病害侵染的番茄苗置于采样装置中，静置30～60分钟；
2）顶空气体达到平衡后，顶空气采样导入传感器阵列反应室内进行采样，采样时间为60～90秒，传感器阵列与顶空气体发生反应得到响应信号；传感器响应信号是传感器接触到顶空气体后的电导率G与传感器在经过洁净空气时的电导率G0的比值，即G/G0；
3）提取第60秒传感器响应信号作为原始数据，对原始数据的特征矩阵进行特征选择和特征值提取；利用主成分分析和线性判别分析对特征矩阵进行降维，利用第一、第二主成分评价农作物病害情况；
4）以原始数据以及上述处理后的数据作为特征值，分别利用BP神经网络和支持向量机识别模式建立传感器响应信号与农作物病害不同程度间的相关性，进而评价农作物病害情况。
2.根据权利要求1所述的一种利用挥发物的农作物病害检测方法，其特征在于所述的待测样品为感染病害不同浓度的4～6周苗。
3.根据权利要求1所述的一种利用挥发物的农作物病害检测方法，其特征在于所述的静置时间为40～60分钟。
4.根据权利要求1所述的一种利用挥发物的农作物病害检测方法，其特征在于所述的采样时间为70～90秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110203681 CN102279213B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物快速诊断农作物病害的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110203681 CN102279213B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物快速诊断农作物病害的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102279213A CN102279213A (zh) | 2011-12-14 |
| CN102279213B true CN102279213B (zh) | 2013-01-30 |
Family
ID=45104778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110203681 Expired - Fee Related CN102279213B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物快速诊断农作物病害的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102279213B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914564A (zh) * | 2012-08-27 | 2013-02-06 | 南京理工大学常熟研究院有限公司 | 一种水稻稻粒黑粉病菌检测方法 |
| CN102944584B (zh) * | 2012-12-07 | 2015-09-30 | 南京农业大学 | 一种气味传感器对草莓常见病害早期检测的方法 |
| CN103344672A (zh) * | 2013-06-13 | 2013-10-09 | 南京中医药大学 | 一种气体传感器快速鉴别硫磺熏蒸中药材的无损检测方法及应用 |
| CN104569062B (zh) * | 2015-01-30 | 2018-02-02 | 东北电力大学 | 基于分子筛过滤的电子鼻气室 |
| CN105510412B (zh) * | 2015-11-27 | 2018-03-23 | 中国农业科学院作物科学研究所 | 快速无损检测种子生活力的方法 |
| CN105493687B (zh) * | 2015-11-27 | 2018-02-02 | 中国农业科学院作物科学研究所 | 快速无损检测大豆种子生活力的方法 |
| CN105548490B (zh) * | 2016-01-11 | 2017-09-01 | 浙江大学 | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 |
| CN106908488B (zh) * | 2017-05-11 | 2023-08-22 | 中国农业科学院农业信息研究所 | 水稻褐飞虱虫害监测方法和装置 |
| CN107478683B (zh) * | 2017-08-30 | 2020-06-19 | 广东工业大学 | 一种基于机器嗅觉的有毒有害气体检测与识别方法 |
| CN107764793A (zh) * | 2017-10-19 | 2018-03-06 | 西华大学 | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 |
| CN108760834B (zh) * | 2018-06-05 | 2020-12-25 | 中国科学技术大学 | 一种通过半导体传感器探测挥发性增塑剂的方法 |
| US20210302318A1 (en) * | 2018-07-16 | 2021-09-30 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agrucultural Research Organization | Means and method for the real-time analysis of harvested crops |
| CN109724645A (zh) * | 2019-01-07 | 2019-05-07 | 江苏大学 | 一种实时监测金耳发酵过程状态的便携式电子鼻系统 |
| CN110975025B (zh) * | 2019-12-20 | 2022-07-05 | 武汉维斯第医用科技股份有限公司 | 一种负压治疗中创面感染检测系统及方法 |
| CN111122658B (zh) * | 2019-12-24 | 2021-06-29 | 浙江大学 | 一种检测水果灰霉菌感染程度的方法和装置 |
| CN112083047A (zh) * | 2020-08-11 | 2020-12-15 | 西安交通大学 | 一种便携式气体检测装置及检测方法 |
| CN113686983A (zh) * | 2021-07-22 | 2021-11-23 | 扬州市斯年网络科技有限公司 | 一种作物病虫害检测方法 |
| CN114577854A (zh) * | 2022-02-25 | 2022-06-03 | 江苏大学 | 一种基于电子鼻的柑橘黄龙病检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101042408A (zh) * | 2007-04-10 | 2007-09-26 | 浙江大学 | 基于usb接口的便携式电子鼻系统 |
| CN101694473A (zh) * | 2009-10-19 | 2010-04-14 | 浙江大学 | 基于气味的便携式虫害信息检测系统 |
| CN201555826U (zh) * | 2009-10-19 | 2010-08-18 | 浙江大学 | 用于检测虫害信息的电子鼻 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19536389C2 (de) * | 1995-09-29 | 2003-06-12 | Forschungszentrum Juelich Gmbh | Biosensorsystem zur Messung einer oder mehrerer, insbesondere organischen, durch Pflanzenschädigungen verursachten Spurenkomponenten in Luft |
-
2011
- 2011-07-20 CN CN 201110203681 patent/CN102279213B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101042408A (zh) * | 2007-04-10 | 2007-09-26 | 浙江大学 | 基于usb接口的便携式电子鼻系统 |
| CN101694473A (zh) * | 2009-10-19 | 2010-04-14 | 浙江大学 | 基于气味的便携式虫害信息检测系统 |
| CN201555826U (zh) * | 2009-10-19 | 2010-08-18 | 浙江大学 | 用于检测虫害信息的电子鼻 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102279213A (zh) | 2011-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102279213B (zh) | 一种利用挥发物快速诊断农作物病害的方法 | |
| Qiu et al. | Single-kernel FT-NIR spectroscopy for detecting supersweet corn (Zea mays L. saccharata sturt) seed viability with multivariate data analysis | |
| CN102353701A (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
| Tatli et al. | Rapid detection of urea fertilizer effects on voc emissions from cucumber fruits using a MOS E-Nose Sensor Array | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Senthilkumar et al. | Detection of fungal infection and Ochratoxin A contamination in stored wheat using near-infrared hyperspectral imaging | |
| Wang et al. | Feasibility analysis of NIR for detecting sweet corn seeds vigor | |
| Li et al. | Quantitative analysis of fish meal freshness using an electronic nose combined with chemometric methods | |
| CN108985237A (zh) | 一种基于深度混合的小麦赤霉病的检测方法及其系统 | |
| Chang et al. | Bacterial infection potato tuber soft rot disease detection based on electronic nose | |
| Cheng et al. | Discrimination of different types damage of tomato seedling by electronic nose | |
| CN110363119A (zh) | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 | |
| CN113033066A (zh) | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 | |
| Xu et al. | Vigor identification of maize seeds by using hyperspectral imaging combined with multivariate data analysis | |
| He et al. | Study on the identification of resistance of rice blast based on near infrared spectroscopy | |
| CN109632892B (zh) | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 | |
| CN102282932A (zh) | 一种蔬菜种子发芽率快速检测的方法 | |
| CN105572305A (zh) | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 | |
| CN104730027B (zh) | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| CN104237318B (zh) | 一种利用电子鼻检测根茎类植物根部病虫害的方法 | |
| CN109117743A (zh) | 一种基于深度卷积的小麦赤霉病的检测方法及其系统 | |
| CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
| Hossain et al. | Elucidation of turnip yellows virus (TuYV) spectral reflectance pattern in Nicotiana benthamiana by non-imaging sensor technology | |
| CN105803070A (zh) | 一种小麦叶片内条锈病菌dna相对含量测量方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130130 Termination date: 20140720 |
|
| EXPY | Termination of patent right or utility model |