CN102353701A - 一种利用挥发物的农作物虫害诊断方法 - Google Patents
一种利用挥发物的农作物虫害诊断方法 Download PDFInfo
- Publication number
- CN102353701A CN102353701A CN2011102036822A CN201110203682A CN102353701A CN 102353701 A CN102353701 A CN 102353701A CN 2011102036822 A CN2011102036822 A CN 2011102036822A CN 201110203682 A CN201110203682 A CN 201110203682A CN 102353701 A CN102353701 A CN 102353701A
- Authority
- CN
- China
- Prior art keywords
- crops
- sensor array
- electronic nose
- insect pest
- response signal
- 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.)
- Granted
Links
Images
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种利用挥发物的农作物虫害诊断方法。它的步骤如下:l)将待测农作物苗盛放在静态顶空采样器中,静置;2)将静态顶空采样器的顶空气体导入电子鼻传感器阵列反应室内,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阻与传感器在经过洁净空气时的电阻的比值;3)提取第60s电子鼻信号作为特征数据,使用主成分分析和线性判别分析方法对农作物虫害特征数据进行特征分析;4)采用逐步判别分析和人工神经网络建立传感器响应信号与农作物样品虫害程度之间关系的数学模型。本发明克服现有农作物虫害检测技术的缺陷,检测方法简单、操作容易、时间短、精度高、能较准确地检测农作物受虫害的程度。
Description
技术领域
本发明涉及农作物生长期虫害检测技术,特别涉及一种利用挥发物的农作物虫害诊断方法,发明了农作物挥发物的静态采样装置,以及使用电子鼻虫害检测新方法。
背景技术
农作物在生长期阶段会受到害虫严重危害,虫害是导致农作物减产的重要原因。在农作物虫害的防治体系中,虫害的诊断至今为薄弱环节,如何农作物虫危害进行快速准确的判断是制定正确防范措施、降低虫害发生率、保证农业增产的重要前提。
通常使用的农作物虫害的诊断方法是田间观察法,通过有经验的生产者或植保专家在田间对农作物颜色、叶片萎蔫或卷曲程度、单位面积上叶片或冠层受害比例等农作物形态、生理指标地观察,然后判定农作物受虫害胁迫的程度、等级。这种依靠人力在田间观察,从而获取病虫害灾情的方法不仅费时费力,且准确度不高,更重要的是受到观察者自身经验的影响。
近年来,有几种虫害机器检测和监测技术的报道。主要包括以下几种:
1、声特征检测法:其原理是通过拾音器获取害虫的爬行声、飞翔声、打斗声、吃食声、鸣叫声等声音电信号, 经过信号放大和滤波降噪处理后, 把害虫的声频率与环境的声频率分开, 得到害虫的声频谱, 利用声频谱估计害虫的种类和数量级。这种方法的缺点是害虫的声信号较弱且在检测过程中易受传感器噪声、环境噪音等方面的干扰, 致使有用信号经常被淹没, 在分辨复合种类、多数量害虫的声信息等方面还很困难。
2、图像识别法:通过对已获取的植株图像进行处理,确定害虫的位置、密度、种类等特征。这种方法的缺点是只适合检测静态(昆虫样本)的样本,对于田间所采集的动态图像处理和分析将更复杂,处理速度慢。
3、雷达观测法:主要用于迁飞性害虫的监测。迁飞性害虫通常在高空远距离迁移, 人力无法直接进行观测,给虫害预报带来很大难度,昆虫雷达为迁飞性害虫的观测提供了强有力的工具。这种方法的缺点是昆虫雷达的监测成本过高, 难以实施长期不间断的观测,难以满足对害虫进行田间在线精准检测的需要。
4、光谱监测法:其原理是农作物受害虫侵染后, 其外部形态和生理效应发生变化, 受害农作物的光谱特性与健康农作物的光谱特性相比, 某些特征波段的值会发生不同程度的变化。利用农作物受害后光谱特性的变异信息, 可以监测农作物虫害的发生程度及趋势。这种方法的缺点是由于害虫的隐蔽性和迁移性, 在田间对害虫虫体的直接检测较困难,目前光谱监测法的研究多集中在储藏农产品虫害方面。
5、遥感技术:在不直接接触目标物体的情况下, 远距离接收目标物体的反射或辐射光谱以得到相关的光谱数据与图像, 从而通过分析和反演获知目标地物的有关信息。农作物受到虫害后,其内部成分会发生轻微的变化,突出的表现是叶绿素含量减少,受到重度虫害后,大片的农作物会发黄变色,根据这个特点可以从遥感解译图像上进行区分。这种方法的缺点是只适用于大范围的虫害监测,并且精度不高。
现有农作物虫害的机器检测技术,其出发点大都是结合害虫的特征如(声学特性、外形特征)进行研究,而很少有结合农作物自身的特点来进行研究,很少有利用农作物挥发物的进行水稻虫害检测的报道,更没有关于农作物挥发物提取的静态采样装置的报道。
发明内容
本发明的目的是克服现有农作物虫害检测技术的缺陷,提供一种利用挥发物的农作物虫害诊断方法。本发明根据农作物在受到害虫危害后后会产生特异性的挥发物,使用电子鼻检测这种农作物产生的特异性挥发物可以判断农作物受害的情况。本发明的检测方法简单、容易操作、检测时间短、精度高、能较准确地检测农作物有无虫害和受虫害的程度。
利用挥发物的农作物虫害诊断方法的步骤如下:
1)采用静态顶空采样装置对生长期的农作物样品进行处理,所述静态顶空采样装置包括顺次连接的空气过滤器、活性碳、特氟隆管、静态顶空采样器;把农作物苗放置在静态顶空采样器中,将经过滤后的洁净空气充满静态顶空采样器后进行密封,农作物在静态顶空采样器中放置15~20min后使用农作物虫害检测的电子鼻系统进行采样,所述农作物虫害检测的电子鼻系统包括顺次连接的静态顶空采样器、电子鼻、计算机,电子鼻包括传感器阵列反应室、第一气泵、第二气泵、标准气体;传感器阵列反应室一端分别与第一气泵、标准气体相连,传感器阵列反应室另一端与第二气泵相连;
2)对静态顶空采样器的农作物顶空气体进行采样,将静态顶空采样器的顶空气体导入电子鼻传感器阵列反应室内,采样时间为70 s,获取传感器阵列与顶空气体发生反应得到的响应信号;传感器阵列响应信号是传感器阵列接触到顶空气体后的电导率G与传感器阵列在经过洁净空气时的电导率G0的比值,即S = G/G0,用计算机对得到的响应信号进行分析;
3)提取第60s电子鼻信号作为特征数据,使用主成分分析和线性判别分析方法对农作物虫害特征数据进行特征分析;
4)采用逐步判别分析和人工神经网络建立传感器响应信号与农作物样品虫害程度之间关系的数学模型。
所述的步骤1)为:将待测农作物苗盛放在静态取样采样器中,在密封板未密封时开启空气泵,泵的流量控制在2L/min,充入经过滤的空气,时间为2min;然后将密封板和进气口密封好,静置一段15~20min后待测。
所述的步骤2)为:顶空气体由农作物样品挥发物气体在静态顶空采样器形成;在第一气泵关闭情况下打开第二气泵,将静态顶空采样器的顶空气体导入电子鼻传感器阵列反应室内,使用的电子鼻其传感器阵列由10个金属氧化物传感器组成,每个传感器每1 s采集一次数据,采样时,样品气体通过电子鼻第二气泵以400 ml/min的速率被吸附到传感器通道中,经过传感器阵列后由出口排出。
所述的步骤3)为:原始数据为10个传感器第60 s的响应信号,即一个10维向量,利用主成分分析和线性判别分析对这个10维向量进行特征选择和特征提取,针对有无虫害、不同程度虫害的农作物进行分析。
所述的步骤4)为:使用逐步判别分析BP神经网络建立电子鼻响应信号与农作物样品虫害程度之间关系的数学模型,将每组不同受害程度的农作物样品随机抽取分别作为训练集和预测集,使用训练集进行建模,用模型对预测集进行测试。用电子鼻传感器第60s响应信号作为为特征值作为BP神经网络的输入,建立一个三层的BP神经网络结构,虫害数量作为网络的输出。
本发明克服了人为虫害灾情观察的费时费力、准确度不高的情况,排除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虫害的新方法。
附图说明
图1为本发明的农作物虫害检测的电子鼻系统结构示意图;
图2(a)为本发明的静态顶空采样装置结构示意图;
图2(b)为本发明的密封板的示意图;
图3(a)为电子鼻传感器对水稻受40头虫害2h后挥发物的响应特性;
图3(b)为电子鼻传感器对未受害水稻挥发物的响应特性;
图4(a)为受虫害2小时后的水稻主成分分析(PCA)的区分结果;
图4(b)为受虫害2小时后的水稻线性判别分析(LDA)的区分结果;
图5(a)为受虫害6小时后的水稻主成分分析(PCA)的区分结果;
图5(b)为受虫害6小时后的水稻线性判别分析(LDA)的区分结果;
图6(a)为受虫害12小时后的水稻主成分分析(PCA)的区分结果;
图6(b)为受虫害12小时后的水稻线性判别分析(LDA)的区分结果;
图7(a)为BP神经网络模型对水稻受虫害2h后的预测值和实际值;
图7(b)为BP神经网络模型对水稻受虫害6h后的预测值和实际值;
图7(c)为BP神经网络模型对水稻受虫害12h后的预测值和实际值;
图中,静态顶空采样器1、进气口1.1、玻璃管1.2、密封板1.3、支架台1.4、农作物苗盆1.5、电子鼻2、传感器阵列反应室2.1、第一泵2.2、第二泵2.3、标准气体2.4、计算机3、过滤器4、活性碳5、特氟隆管6。
具体实施方式
利用挥发物的农作物虫害诊断方法的步骤如下:
1)采用静态顶空采样装置对生长期的农作物样品进行处理,所述静态顶空采样装置包括顺次连接的空气过滤器4、活性碳5、特氟隆管6、静态顶空采样器1;把农作物苗放置在静态顶空采样器1中,将经过滤后的洁净空气充满静态顶空采样器1后进行密封,农作物在静态顶空采样器1中放置15-20min后使用农作物虫害检测的电子鼻系统进行采样,所述农作物虫害检测的电子鼻系统包括顺次连接的静态顶空采样器1、电子鼻2、计算机3,电子鼻2包括传感器阵列反应室2.1、第一气泵2.2、第二气泵2.3、标准气体2.4;传感器阵列反应室2.1一端分别与第一气泵2.2、标准气体2.4相连,传感器阵列反应室2.1另一端与第二气泵2.3相连;
2)对静态顶空采样器1的农作物顶空气体进行采样,将静态顶空采样器1的顶空气体导入电子鼻传感器阵列反应室2.1内,采样时间为70 s,获取传感器阵列与顶空气体发生反应得到的响应信号;传感器阵列响应信号是传感器阵列接触到顶空气体后的电导率G与传感器阵列在经过洁净空气时的电导率G0的比值,即S = G/G0,用计算机对得到的响应信号进行分析;
3)提取第60s电子鼻信号作为特征数据,使用主成分分析和线性判别分析方法对农作物虫害特征数据进行特征分析;
4)采用逐步判别分析和人工神经网络建立传感器响应信号与农作物样品虫害程度之间关系的数学模型。
所述的步骤1)为:将待测农作物苗盛放在静态取样采样器1中,在密封板1.3未密封时开启空气泵,泵的流量控制在2L/min,充入经过滤的空气,时间为2min;然后将密封板和进气口密封好,静置一段15-20min后待测。
所述的步骤2)为:顶空气体由农作物样品挥发物气体在静态顶空采样器1形成;在第一气泵2.2关闭情况下打开第二气泵2.3,将静态顶空采样器1的顶空气体导入电子鼻传感器阵列反应室2.1内,使用的电子鼻其传感器阵列由10个金属氧化物传感器组成,每个传感器每1 s采集一次数据,采样时,样品气体通过电子鼻第二气泵2.3以400 ml/min的速率被吸附到传感器通道中,经过传感器阵列后由出口排出。
所述的步骤3)为:原始数据为10个传感器第60 s的响应信号,即一个10维向量,利用主成分分析和线性判别分析对这个10维向量进行特征选择和特征提取,针对有无虫害、不同程度虫害的农作物进行分析。
所述的步骤4)为:使用逐步判别分析BP神经网络建立电子鼻响应信号与农作物样品虫害程度之间关系的数学模型,将每组不同受害程度的农作物样品随机抽取分别作为训练集和预测集,使用训练集进行建模,用模型对预测集进行测试。用电子鼻传感器第60s响应信号作为为特征值作为BP神经网络的输入,建立一个三层的BP神经网络结构,虫害数量作为网络的输出。
实施例
现结合示例详细介绍本发明的实施过程。实例为利用本发明对受到不同的数量褐飞虱危害后的水稻苗进行检测,用于对水稻受害程度进行诊断评价。
选择优质早稻品种舟903用于本实验的研究。水稻育秧后至秧龄20天时,根据需要分别移栽于不同大小的塑料盆钵(Φ8 cm×12 cm)中,每盆1株苗,定期浇水施肥,待移栽后25d一35d,苗高30cm一40cm时用于实验。
在进行电子鼻实验前,对批量水稻苗做接虫处理,先将每株水稻根茎部用特殊加工的玻璃管(Φ3cm、高8cm,表面平均分布许多小孔)罩住,将褐飞虱雌成虫接入玻璃管内,按照接虫数量不同(0、5、10、40头)将水稻苗分成四个处理(0虫组、5虫组、10虫组、40虫组),每个处理15个重复,共60盆苗。在水稻受虫害2小时后将褐飞虱与玻璃管移除进行电子鼻测试,在受到虫害后2h、6h、12h三个时间段分别进行电子鼻检测。
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(表1)。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。
表1 传感器阵列及其性能特点
在进行电子鼻实验前,将待测批量水稻苗盛放在静态顶空采样装置中,先将水稻苗按图2示的情况摆放好,在密封板未密封时开启空气泵,泵的流量控制在2L/min,充入经过滤的空气,时间为2min,然后将密封板和进气口密封好,静置一段20min后待测。
将静态取样装置的顶空气体导入电子鼻传感器阵列反应室内,采样时间为70s ,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S = G/G0。
图3为电子鼻10个传感器对受到虫害和未受虫害的二种水稻所产生挥发物的响应曲线,a图为受40头褐飞虱虫害2h,清除害虫痕迹以后的采样结果;b图为未受害的正常水稻采样结果。从图3a、b可以看出,遭受虫害的水稻与没有受到虫害的水稻传感器响应曲线是不同的。图3 a为受到虫害水稻的响应信号,S值大致在0.7-2.5之间;图3b为没有受到虫害的水稻的响应信号,S值大致在0.9-1.6之间。受到虫害的水稻传感器阵列响应信号的变化范围要明显大于未受到虫害的水稻,这可能是由于水稻受到虫害后产生的挥发性物质明显的增加,从而增强了电子鼻传感器信号的变化。
采用10个传感器对水稻挥发物60s的响应信号作为特征数据,使用主成分分析和线性判别分析方法对农作物虫害特征数据进行特征分析。图4是水稻受到虫害2h后的PCA和LDA分析图。从图4a PCA分析后发现,不同处理的水稻组在图中有重叠的现象,但是无虫害样本与有虫害样本在图中基本可以分开,无虫害样本位于PCA图的上方,而有虫害样本基本位于PCA图的下方。从图4b LDA分析可以看出,各种虫害程度的水稻样本基本能够区分开,无虫害与有虫害的水稻样品能较好地区分开,而且不同虫害程度的水稻样本也基本可以区分。图5是水稻受到虫害6h后的PCA和LDA分析图。图6是水稻受到虫害12h后的PCA和LDA分析图。从图中可以发现,PCA与LDA分析结果与图4类似,无虫害样本位于PCA图的上方,而有虫害样本基本位于PCA图的下方,各种虫害程度的水稻样本经LDA分析基本能够区分开,无虫害与有虫害的水稻样品能较好地区分开,而且不同虫害程度的水稻样本也基本可以区分。
用电子鼻10个传感器的响应信号做为逐步判别分析和BP神经网络的输入对水稻样本进行分类。
将四组不同受害程度的水稻每组随机抽取10个样本作为训练集(共40个样本),用于对水稻虫害程度的训练,剩余每组5个样本(共20个样本)作为预测集。用逐步判别分析方法对预测集水稻样品进行预测。
表2是三个时刻不同虫害程度的逐步判别分析结果。从表中可知,水稻受到虫害2h后的训练集交叉验证的正确率为90%,其中5虫组中有3个样本被误判入10虫组,10虫组中有1个样本被误判入5虫组;在对测试集的预测时10虫组有2个样本误判入5虫组,40虫组分别各有1个样本误判入10虫组和5虫组,预测的平均正确率为80%。水稻受到虫害6h后的训练集交叉验证的正确率为85%,其中5虫组中有2个样本被误判入10虫组,10虫组中有3个样本被误判入5虫组,40虫组中有1个样本被误判入10虫组;在对测试集的预测时5虫组有1个样本误判入0虫组,有2个样本被误判入10虫组,10虫组有2个样本误判入5虫组,40虫组有1个样本误判入10虫组,预测的平均正确率为70%。水稻受到虫害12h后的训练集交叉验证的正确率为92.5%,5虫组中有2个样本被误判入10虫组,10虫组中有1个样本被误判入5虫组;在对测试集的预测时5虫组有1个样本误判入10虫组,40虫组有1个样本误判入10虫组,预测的平均正确率为90%。
表2 不同虫害程度的逐步判别分析结果
同样,将四组水稻每组随机抽取10个样本作为训练集,用于对水稻虫害程度的训练,剩余每组5个样本作为预测集。用BP神经网络建立识别模型对预测集水稻样品进行预测。采用电子鼻传感器60s的响应信号作为为特征值作为神经网络的输入,建立一个三层的BP神经网络结构,虫害数量作为网络的输出。通过反复测试来调整隐含层神经元数来优化网络结构,得到较好网络结构为10(输入)- 19(隐含)- 1(输出)的三层BP神经网络。设定目标误差为0.01,网络学习速率为0.05,训练迭代次数为1000次。通过BP神经网络对训练集的回判,经线性相关分析,回判值与实际值的相关系数R2均0.99以上;图7是神经网络模型对水稻虫害的预测值和实际值拟合直线,受害后不同时间预测值和实际值的相关系数R2分别为0.81、0.77、0.75。由模型预测结果可以看出,可以建立电子鼻信号与水稻虫害之间的关系,说明本发明对水稻虫害程度进行预测是可行。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和变形,都落入本发明的保护范围。
Claims (5)
1.一种利用挥发物的农作物虫害诊断方法,其特征在于它的步骤如下:
1)采用静态顶空采样装置对生长期的农作物样品进行处理,所述静态顶空采样装置包括顺次连接的空气过滤器(4)、活性碳(5)、特氟隆管(6)、静态顶空采样器(1);把农作物苗放置在静态顶空采样器(1)中,将经过滤后的洁净空气充满静态顶空采样器(1)后进行密封,农作物在静态顶空采样器(1)中放置15-20min后使用农作物虫害检测的电子鼻系统进行采样,所述农作物虫害检测的电子鼻系统包括顺次连接的静态顶空采样器(1)、电子鼻(2)、计算机(3),电子鼻(2)包括传感器阵列反应室(2.1)、第一气泵(2.2)、第二气泵(2.3)、标准气体(2.4);传感器阵列反应室(2.1)一端分别与第一气泵(2.2)、标准气体(2.4)相连,传感器阵列反应室(2.1)另一端与第二气泵(2.3)相连;
2)对静态顶空采样器(1)的农作物顶空气体进行采样,将静态顶空采样器(1)的顶空气体导入电子鼻传感器阵列反应室(2.1)内,采样时间为70 s,获取传感器阵列与顶空气体发生反应得到的响应信号;传感器阵列响应信号是传感器阵列接触到顶空气体后的电导率G与传感器阵列在经过洁净空气时的电导率G0的比值,即S = G/G0,用计算机对得到的响应信号进行分析;
3)提取第60s电子鼻信号作为特征数据,使用主成分分析和线性判别分析方法对农作物虫害特征数据进行特征分析;
4)采用逐步判别分析和人工神经网络建立传感器响应信号与农作物样品虫害程度之间关系的数学模型。
2.根据权利要求1所述的一种利用挥发物的农作物虫害诊断方法,其特征在于所述的步骤1)为:将待测农作物苗盛放在静态取样采样器(1)中,在密封板(1.3)未密封时开启空气泵,泵的流量控制在2L/min,充入经过滤的空气,时间为2min;然后将密封板和进气口密封好,静置一段15-20min后待测。
3.根据权利要求1所述的一种利用挥发物的农作物虫害诊断方法,其特征在于所述的步骤2)为:顶空气体由农作物样品挥发物气体在静态顶空采样器(1)形成;在第一气泵(2.2)关闭情况下打开第二气泵(2.3),将静态顶空采样器(1)的顶空气体导入电子鼻传感器阵列反应室(2.1)内,使用的电子鼻其传感器阵列由10个金属氧化物传感器组成,每个传感器每1 s采集一次数据,采样时,样品气体通过电子鼻第二气泵(2.3)以400 ml/min的速率被吸附到传感器通道中,经过传感器阵列后由出口排出。
4.根据权利要求1所述的一种利用挥发物的农作物虫害诊断方法,其特征在于所述的步骤3)为:原始数据为10个传感器第60 s的响应信号,即一个10维向量,利用主成分分析和线性判别分析对这个10维向量进行特征选择和特征提取,针对有无虫害、不同程度虫害的农作物进行分析。
5.根据权利要求1所述的一种利用挥发物的农作物虫害诊断方法,其特征在于所述的步骤4)为:使用逐步判别分析BP神经网络建立电子鼻响应信号与农作物样品虫害程度之间关系的数学模型,将每组不同受害程度的农作物样品随机抽取分别作为训练集和预测集,使用训练集进行建模,用模型对预测集进行测试,用电子鼻传感器第60s响应信号作为为特征值作为BP神经网络的输入,建立一个三层的BP神经网络结构,虫害数量作为网络的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110203682 CN102353701B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物的农作物虫害诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110203682 CN102353701B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物的农作物虫害诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102353701A true CN102353701A (zh) | 2012-02-15 |
CN102353701B CN102353701B (zh) | 2013-05-01 |
Family
ID=45577305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110203682 Expired - Fee Related CN102353701B (zh) | 2011-07-20 | 2011-07-20 | 一种利用挥发物的农作物虫害诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102353701B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104849323A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于电子鼻快速检测果汁中澄清剂的方法 |
CN105548490A (zh) * | 2016-01-11 | 2016-05-04 | 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 |
CN105890660A (zh) * | 2016-05-06 | 2016-08-24 | 新疆农业科学院园艺作物研究所 | 新疆野苹果感苹果小吉丁虫的预测方法 |
CN106289887A (zh) * | 2016-08-10 | 2017-01-04 | 天津大学 | 一种电子鼻仿生呼吸采样方法 |
CN104407020B (zh) * | 2014-11-05 | 2017-03-29 | 广东中烟工业有限责任公司 | 一种基于dfa模型的烟用包装纸品质判别方法 |
CN104407019B (zh) * | 2014-11-05 | 2017-04-12 | 广东中烟工业有限责任公司 | 一种基于dfa和simca模型的烟用包装纸品质判别方法 |
CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
CN110211099A (zh) * | 2019-05-18 | 2019-09-06 | 安徽大学 | 综合麦穗正反面病情的小麦赤霉病检测方法及装置 |
CN111291702A (zh) * | 2020-02-20 | 2020-06-16 | 北京嘉景生物科技有限责任公司 | 一种用于图像识别技术区分蝗虫种类的鉴别方法 |
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 |
---|---|---|---|---|
US4457161A (en) * | 1980-10-09 | 1984-07-03 | Hitachi, Ltd. | Gas detection device and method for detecting gas |
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 |
CN101769889A (zh) * | 2010-01-06 | 2010-07-07 | 浙江清华长三角研究院 | 一种农产品品质检测的电子鼻系统 |
-
2011
- 2011-07-20 CN CN 201110203682 patent/CN102353701B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4457161A (en) * | 1980-10-09 | 1984-07-03 | Hitachi, Ltd. | Gas detection device and method for detecting gas |
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 |
CN101769889A (zh) * | 2010-01-06 | 2010-07-07 | 浙江清华长三角研究院 | 一种农产品品质检测的电子鼻系统 |
Non-Patent Citations (2)
Title |
---|
叶盛 等: "水稻虫害信息快速检测方法实验研究-基于电子鼻系统", 《农机化研究》 * |
洪雪珍 等: "基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测", 《传感技术学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104407020B (zh) * | 2014-11-05 | 2017-03-29 | 广东中烟工业有限责任公司 | 一种基于dfa模型的烟用包装纸品质判别方法 |
CN104407019B (zh) * | 2014-11-05 | 2017-04-12 | 广东中烟工业有限责任公司 | 一种基于dfa和simca模型的烟用包装纸品质判别方法 |
CN104849323A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于电子鼻快速检测果汁中澄清剂的方法 |
CN104849323B (zh) * | 2015-05-06 | 2017-06-30 | 浙江大学 | 一种基于电子鼻快速检测果汁中澄清剂的方法 |
CN105548490A (zh) * | 2016-01-11 | 2016-05-04 | 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 |
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 |
CN105890660B (zh) * | 2016-05-06 | 2017-12-15 | 新疆农业科学院园艺作物研究所 | 新疆野苹果感苹果小吉丁虫的预测方法 |
CN105890660A (zh) * | 2016-05-06 | 2016-08-24 | 新疆农业科学院园艺作物研究所 | 新疆野苹果感苹果小吉丁虫的预测方法 |
CN106289887A (zh) * | 2016-08-10 | 2017-01-04 | 天津大学 | 一种电子鼻仿生呼吸采样方法 |
CN106289887B (zh) * | 2016-08-10 | 2018-11-13 | 天津大学 | 一种电子鼻仿生呼吸采样方法 |
CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
CN110211099A (zh) * | 2019-05-18 | 2019-09-06 | 安徽大学 | 综合麦穗正反面病情的小麦赤霉病检测方法及装置 |
CN111291702A (zh) * | 2020-02-20 | 2020-06-16 | 北京嘉景生物科技有限责任公司 | 一种用于图像识别技术区分蝗虫种类的鉴别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN102353701B (zh) | 2013-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
Ahmadi et al. | Early detection of Ganoderma basal stem rot of oil palms using artificial neural network spectral analysis | |
Delgado et al. | Ground penetrating radar: a case study for estimating root bulking rate in cassava (Manihot esculenta Crantz) | |
CN102590283B (zh) | 利用电子鼻检测草鱼新鲜度的方法 | |
CN102279213B (zh) | 一种利用挥发物快速诊断农作物病害的方法 | |
Fan et al. | Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies | |
Khosrokhani et al. | Geospatial technologies for detection and monitoring of Ganoderma basal stem rot infection in oil palm plantations: a review on sensors and techniques | |
CN102879432A (zh) | 一种利用电子鼻检测罗非鱼新鲜度的方法 | |
CN103412004B (zh) | 一种甜橙储存时间的检测方法 | |
CN105158186A (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
CN205409235U (zh) | 一种储粮害虫诱集检测装置 | |
WO2014017940A1 (en) | System and process to assess physiological states of plant tissues, in vivo and/or in situ, using impedance techniques | |
Li et al. | Application of acoustic emission and machine learning to detect codling moth infested apples | |
CN102841063B (zh) | 一种基于光谱技术的生物炭溯源鉴别方法 | |
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 | |
CN104255118A (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
Ekramirad et al. | Development of pattern recognition and classification models for the detection of vibro-acoustic emissions from codling moth infested apples | |
CN101074925A (zh) | 可见和近红外光谱特征波段的植物叶片灰霉病害诊断方法 | |
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 | |
CN104897637A (zh) | 基于拉曼散射的食品安全检测装置及检测方法 | |
CN104749249B (zh) | 一种基于超声波技术的检测种子净度的方法 | |
CN104237318B (zh) | 一种利用电子鼻检测根茎类植物根部病虫害的方法 | |
CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
Karimi et al. | Detection of damaged seeds in laboratory evaluation of precision planter using impact acoustics and artificial neural networks. | |
Rodríguez-Gamboa et al. | Quality control through electronic nose system |
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: 20130501 Termination date: 20140720 |
|
EXPY | Termination of patent right or utility model |