CN103091284B - 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 - Google Patents

基于近红外光谱技术的赤霉病麦粒快速鉴别方法 Download PDF

Info

Publication number
CN103091284B
CN103091284B CN201310062748.XA CN201310062748A CN103091284B CN 103091284 B CN103091284 B CN 103091284B CN 201310062748 A CN201310062748 A CN 201310062748A CN 103091284 B CN103091284 B CN 103091284B
Authority
CN
China
Prior art keywords
wheat
grain
head blight
fhb
spectrum
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.)
Active
Application number
CN201310062748.XA
Other languages
English (en)
Other versions
CN103091284A (zh
Inventor
卞科
崔贵金
关二旗
李萌萌
张昆
张珅铖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201310062748.XA priority Critical patent/CN103091284B/zh
Publication of CN103091284A publication Critical patent/CN103091284A/zh
Application granted granted Critical
Publication of CN103091284B publication Critical patent/CN103091284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于近红外光谱技术的赤霉病麦粒的快速鉴别方法，其特征在于：征集赤霉病小麦样品，近红外光谱仪采集小麦样品多籽粒和单籽粒光谱数据；光谱数据预处理后进行聚类分析，初步观察小麦样品分类情况；在预处理光谱数据的基础上确定出赤霉病粒判别敏感波段，以敏感波段为变量输入，建立多籽粒和单籽粒赤霉病粒判别模型，最终实现赤霉病粒的快速鉴别。本发明着眼于我国小麦赤霉病粒分选技术的基础研究和探讨，率先提出了近红外光谱技术在赤霉病麦粒分选中的使用，找出了一种简便易行、选出率高的小麦赤霉病粒分选方法，应用本发明可降低麦粒含杂量，提高面粉质量，确保人畜安全，不失为一种具有广泛应用前景的小麦分选、判别技术。

Description

基于近红外光谱技术的赤霉病麦粒快速鉴别方法
技术领域
本发明涉及小麦病害的检测方法，具体是一种小麦加工行业中低值小麦赤霉病麦粒的快速判别方法，是基于近红外光谱技术，运用化学计量学方法，确定敏感判别波段并最终判别赤霉病麦粒。
背景技术
小麦赤霉病别名麦穗枯、烂麦头、红麦头，主要分布于世界温暖湿润和半湿润的温带和亚热带小麦种植区，在我国南方冬麦区经常流行为害，东北三江平原春麦区在多雨年份也易受到赤霉病大量侵染和蔓延。近年来随着品种的更换、氮肥的大量施用、灌区水浇地面积的扩大及全球气候变暖等因素的综合作用，小麦赤霉病为害地域有扩大趋势，并已成为江淮和黄淮冬麦区的常发病害。2003年是我国小麦赤霉病大爆发的一年，其病穗率达30%～60%，一般年份的病穗率也在10%左右。这样在收获的小麦粒中就会含有大量的赤霉病粒。而赤霉病粒中常含有镰刀菌产生的多种毒素代谢物，如单端孢霉烯族毒素(trichothecene)、玉米赤烯酮(Zearalenone，ZEA)、串珠镰刀菌素和伏马菌素(fumonisin)，还有一些倍半萜类化合物、丁烯酸内酯等。目前对小麦及其制品污染最严重的是单端孢霉烯族毒素中的脱氧雪腐镰刀菌烯醇(deoxynivalenol，DON)。人畜摄取了被DON污染了的食物会出现厌食、恶心、呕吐等中毒症状。DON还可作用于T细胞、B细胞及IgA+细胞而产生免疫毒性；DON可使动物脑部神经递质发生改变，具有胚胎毒性和致畸作用，可抑制或增加细胞死亡，有明显的致突、致癌性；可作用于骨髓造血细胞，对血液及皮肤组织造成损害，抑制蛋白质的合成和DNA合成；对原核细胞和真核细胞均有明显的毒性作用；还可能与人类食管癌、IgA肾病和骨关节炎的发生有关。1985~1992年，河南、安徽等省份共发生DON毒素中毒15起，仅安徽一省，1991年就有13万人因食用霉变小麦而发生急性中毒。美国FDA及中国均规定小麦制品中DON限量标准为1000μg/kg。即小麦赤霉病病粒率若超过4%，人和牲畜食用后便容易造成中毒。所以，在小麦赤霉病田间管理的基础上，还应考虑已被镰刀菌污染的小麦籽粒的去向和处理工作。目前我国对小麦赤霉病粒处理方面的研究并非空白，根据赤霉病粒的特征常采用风除法和分离法将赤霉病粒剔除，但是风除法和分离法只是筛选出比重较轻的赤霉病粒，对于那些病害较轻、重量与健康籽粒相差无几的籽粒则无能为力。近红外光谱技术是近年来发展起来的一种新型、快速、无损检测技术，具有良好的定量定性功能，可以准确反映样品外在和内在组分信息，将其应用于赤霉病麦粒鉴别，不失为一种快速方便的新方法。
发明内容
本发明着眼于我国小麦赤霉病粒分选技术的基础研究和探讨，提出近红外光谱技术在赤霉病麦粒分选中的使用，以期寻找出一种简便易行、选出率高的小麦赤霉病粒分选方法，降低麦粒含杂量，提高面粉质量，确保人畜安全，对我国的小麦赤霉病粒的分选做些基础工作。
本发明的目的正是基于上述现有技术状况而提出的一种基于近红外光谱技术的赤霉病麦粒的快速鉴别方法，本发明以麦粒的客观检测数据近红外光谱为基础，首先确定出判别赤霉病粒的敏感波段；然后建立多籽粒和单籽粒赤霉病粒判别模型，最终实现赤霉病粒的快速鉴别。
本发明的目的是通过以下技术方案来实现的：
一种基于近红外光谱技术的赤霉病麦粒的快速鉴别方法，征集赤霉病小麦样品，近红外光谱仪采集小麦样品多籽粒和单籽粒光谱数据；光谱数据预处理后进行聚类分析，初步观察小麦样品分类情况；在预处理光谱数据的基础上确定出赤霉病粒判别敏感波段，以敏感波段为变量输入，建立多籽粒和单籽粒赤霉病粒判别模型，最终实现赤霉病粒的快速鉴别。
该鉴别方法的具体步骤如下：
（1）样品预处理：征集患有赤霉病的麦粒，剔除麦粒中的石子、草籽、土块等杂质，自然晾晒至麦粒水分稳定在10%～13%，每个样品分拣出普通麦粒及赤霉病麦粒各一份或挑选普通麦粒单个籽粒及赤霉病单个籽粒100粒～200粒；
（2）近红外光谱数据采集：使用近红外光谱仪采集多籽粒或单籽粒光谱数据；所述近红外光谱仪波长范围：950nm～1650nm。
（3）光谱预处理：分别对光谱进行预处理，其预处理方法包括多元校正散射（MSC）、标准化（Normalize）、平滑、归一法、求导等，或不对光谱做任何处理，对预处理后的光谱矩阵聚类分析；然后进行建模，以所建模型的优劣选择最佳预处理方法；
（4）聚类分析：为判别样本是否具有可分类性，对预处理后的近红外光谱数据集进行聚类分析，其方法包括WORD法、质心聚类、组间联接法、组内连接法；
（5）敏感波长优选
为确定鉴别赤霉病麦粒的敏感波段，对预处理后的多籽粒光谱数据或单籽粒光谱数据采用PLS特征提取、主成分分析、差值法等化学计量学或数学方法优选波长，确定出用于赤霉病麦粒判别的敏感波段；（差值法：差值线=普通粒平均光谱数据－赤霉粒平均光谱数据。差值线的波峰和差值较大的值对应的波长选为敏感波长）
（6）模型构建
6.1 多籽粒模型构建
以敏感波段近红外吸收为输入变量，在多籽粒小麦样本光谱数据的基础上，构建化学计量学判别模型，实现赤霉病麦粒的判别；
6.2 单籽粒模型构建
以敏感波段近红外吸收为输入变量，在单籽粒小麦样本光谱数据的基础上，构建化学计量学判别模型，实现赤霉病麦粒的判别。
在本发明中，多籽粒光谱中样本小麦籽粒数大于2；单籽粒小麦籽粒数为1。
本发明的优点在于：以麦粒的客观检测数据近红外光谱为基础，首先确定出判别赤霉病粒的敏感波段；然后建立多籽粒和单籽粒赤霉病粒判别模型，最终实现赤霉病粒的快速鉴别。本发明着眼于我国小麦赤霉病粒分选技术的基础研究和探讨，率先提出了近红外光谱技术在赤霉病麦粒分选中的使用，找出了一种简便易行、选出率高的小麦赤霉病粒分选方法，应用本发明可降低麦粒含杂量，提高面粉质量，确保人畜安全；此研究基础上，还可用于小麦其他病害籽粒的分选，如小麦腥黑穗病籽粒、小麦黑胚病籽粒等，不失为一种具有广泛应用前景的小麦分选、判别技术。
附图说明
图1为实施例1中步骤d）中的WARD联接法聚类分析树状图。（使用WARD联接的树状图重新调整距离聚类合并）
图2为实施例1中步骤e）中的第一主成分载荷图。
图3为实施例2中质心聚类法聚类分析树状图。（使用质心联接的树状图重新调整距离聚类合并）
图4为实施例2中普通麦粒平均光谱与赤霉麦粒平均光谱差值线。
图5为实施例2中DPLS模型。
图6为实施例3中WARD法聚类分析树状图。（使用WARD联接的树状图重新调整距离聚类合并）
图7为实施例4中WARD法聚类分析树状图。（使用WARD联接的树状图重新调整距离聚类合并）
图8为实施例4中第一主成分载荷图。
具体实施方式
本发明以下结合实施例（附图）作进一步详细描述，但并不是限制本发明。
实施例1
a)         样品预处理：收集患赤霉病小麦25份，清除样本中的石子、土块、草籽等杂质。每个小麦样品挑出普通粒和赤霉病粒各一份，每份100g，置网袋贮存。自然晾晒至麦粒水分稳定在10%～13%。随即抽2/3样本为校正集样本，1/3为验证集样本。
b)        光谱数据采集：扫描范围950nm～1650nm，室温0℃～42℃，样品重复扫描4次，求平均谱。每种样品采集普通麦粒光谱和赤霉病麦粒光谱各一条，普通麦粒光谱以样品代号加0表示，赤霉病麦粒光谱以样品代号加1表示。
c)         光谱预处理：采用Unscrambler7.8软件对光谱数据进行卷积二阶求导预处理。保存预处理后数据。
d)        聚类分析：采用SPSS18.0软件提供的WARD聚类方法对预处理后光谱数据进行系统聚类分析，见图1。
采用Unscrambler7.8提供的主成分分析法，对预处理后的光谱数据进行主成分分析。某主成分载荷的绝对值大小体现了该载荷对应的变量对该主成分的贡献，尤其是波峰与波谷处对应的波长。该光谱数据主成分分析结果中由于第一主成分贡献率达到96.595%，所以选用第一主成分的载荷图优选波长（如图2）。确定出敏感波段为：985nm, 1130nm, 1160nm, 1190nm, 1235nm, 1320nm, 1385nm,1410nm。
f)         以敏感波段为变量输入，构建簇类独立软模式（SIMCA）判别模型，该模型对未知验证集样本的判别结果如下
表1 模型诊断与验证结果表
注：样本较多截取部分判别结果显示；字符L0、M0、N0…分别代表不同品种或地区小麦的光谱
该模型的判别效果如下表：
表2 分类模型评估表
注：识别率=（识别自身类样本个数/该类样本的总个数）*100%
  拒绝率=（拒绝其他类样本个数/其他类样本的总个数）*100%
实施例2：
收集患赤霉病小麦25份，清除样本中的石子、土块、草籽等杂质。扫描范围950nm～1650nm，室温0℃～42℃，样品重复扫描4次，求平均谱。每个小麦样品挑出普通粒和赤霉病粒各一份，每份100g，置网袋贮存。自然晾晒至麦粒水分稳定在10%～13%。近红外光谱仪扫描采谱，普通麦粒光谱以样品代号加0表示，赤霉病麦粒光谱以样品代号加1表示。随即抽2/3样本为校正集样本，1/3为验证集样本。不对光谱做任何处理，采用SPSS软件提供的质心联接法对原始光谱进行系统聚类分析，初步观察麦粒分类情况（如图3）；继而采用差值法，其差值线如图4，确定出判别敏感波段为1000nm,1200nm,1430nm～1600nm；然后采用Unscrambler7.8软件构建偏最小二乘法（DPLS）判别模型，其中普通粒赋值为2，赤霉粒赋值为1。模型如图5；预测结果如表3。该模型的判别效果如表4。
实施例3：
收集患赤霉病小麦25份，清除样本中的石子、土块、草籽等杂质。扫描范围950nm～1650nm，室温0℃～42℃，样品重复扫描4次，求平均谱。每个小麦样品挑出普通粒10粒和赤霉病粒10粒。自然晾晒至麦粒水分稳定在10%～13%。近红外光谱仪扫描采谱，普通麦粒光谱以样品代号小写字母加0表示，赤霉病麦粒光谱以样品代号小写字母加1表示。随即抽2/3样本为校正集样本，1/3为验证集样本。首先采用软件Unscrambler7.8对光谱数据进行Norris求导光谱预处理，其次采用SPSS软件提供的WARD法对预处理后光谱数据进行系统聚类分析，初步观察麦粒分类情况（如图6）;接着对预处理后的光谱数据进行偏最小二乘(DPLS)特征提取，确定出敏感波长为：970nm,1150nm,1220nm,1265nm,1345nm,1400nm；之后构建线性判别模型（LDA）模型。
该模型的分类函数如下：
F1=-69310.941X1+43134.635X2+42880.154X3-212114.820X4-23677.350X5+6619.169X6-120.703
F2=-58283.798X1-43574.487X2+15545.898X3-201722.543X4-19599.737X5+2638.015X6-227.442
X1: 为波长970nm处的近红外吸收值
X2: 为波长1150nm处的近红外吸收值
X3: 为波长1220nm处的近红外吸收值
X4: 为波长1265nm处的近红外吸收值
X5: 为波长1345nm处的近红外吸收值
X6: 为波长1400nm处的近红外吸收值。
该判别模型分类结果如表5，该模型判别正确率为100%。
实施例4：
收集不同地区或品质小麦样品23种，每种小麦样品挑选普通麦粒及赤霉麦粒各100粒。近红外光谱以（带单籽粒附件）采集光谱。扫描范围950nm～1650nm，室温0℃～42℃，样品重复扫描4次，求平均谱。普通麦粒光谱以样品代号字母加0-n(n∈N（1,100）)表示，赤霉病麦粒光谱以样品代号小写字母加1-n(n∈N（1,100）)表示。随即抽2/3样本为校正集样本，1/3为验证集样本。运用原始光谱数据，首先采用SPSS软件进行聚类分析，由于光谱数据过多，故将每个样品的普通粒及赤霉粒光谱数据求平均光谱。之后对平均光谱进行WARD系统聚类分析，初步观察麦粒分类情况（图7）；接着对原始光谱数据采用Unscrambler7.8进行主成分分析，由第一主成分载荷图（图8）优选出敏感波长：1000nm,1200nm,1420nm～1600nm。在敏感波长的基础上构建SIMCA模型。该模型的判别结果如表6，其模型判别效果如表7。
表6 模型诊断与验证结果表
注：样本较多截取部分判别结果显示；字符i0-41、m0-23、y0-100…分别代表不同品种或地区单个麦粒的光谱
该模型的判别效果如下表：
表7 分类模型评估表
注：识别率=（识别自身类样本个数/该类样本的总个数）*100%
  拒绝率=（拒绝其他类样本个数/其他类样本的总个数）*100%

Claims (2)

1.一种基于近红外光谱技术的赤霉病麦粒快速鉴别方法，其特征在于：征集赤霉病小麦样品，近红外光谱仪采集小麦样品多籽粒和单籽粒光谱数据；光谱数据预处理后进行聚类分析，初步观察小麦样品分类情况；在预处理光谱数据的基础上确定出赤霉病粒判别敏感波段，以敏感波段为变量输入，建立多籽粒和单籽粒赤霉病粒判别模型，最终实现赤霉病粒的快速鉴别，具体步骤如下：
（1）样品预处理：征集患有赤霉病的麦粒，剔除麦粒中的石子、草籽、土块杂质，自然晾晒至麦粒水分稳定在10%～13%，每个样品分拣出普通麦粒及赤霉病麦粒各一份或挑选普通麦粒单个籽粒及赤霉病单个籽粒100粒～200粒；
（2）近红外光谱数据采集：使用近红外光谱仪采集多籽粒或单籽粒光谱数据，所述近红外光谱仪波长范围：950nm～1650nm；
（3）光谱预处理：分别对光谱进行预处理，其预处理方法包括多元校正散射（MSC）、标准化（Normalize）、平滑、归一法、求导和不对光谱做任何处理，对预处理后的光谱矩阵聚类分析；然后进行建模，以所建模型的优劣选择最佳预处理方法；
（4）聚类分析：为判别样本是否具有可分类性，对预处理后的近红外光谱数据集进行聚类分析，其方法包括WORD法、质心聚类、组间联接法、组内连接法；
（5）敏感波长优选
为确定鉴别赤霉病麦粒的敏感波段，对预处理后的多籽粒光谱数据或单籽粒光谱数据采用PLS特征提取、主成分分析、差值法三种化学计量学或数学方法优选波长，确定出用于赤霉病麦粒判别的敏感波段；
（6）模型构建
（6.1） 多籽粒模型构建
以敏感波段近红外吸收为输入变量，在多籽粒小麦样本光谱数据的基础上，构建化学计量学判别模型，实现赤霉病麦粒的判别；
（6.2 ）单籽粒模型构建
以敏感波段近红外吸收为输入变量，在单籽粒小麦样本光谱数据的基础上，构建化学计量学判别模型，实现赤霉病麦粒的判别。
2.根据权利要求1所述的基于近红外光谱技术的赤霉病麦粒的快速鉴别方法，其特征在于：多籽粒光谱中样本小麦籽粒数大于2；单籽粒小麦籽粒数为1。
CN201310062748.XA 2013-02-28 2013-02-28 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 Active CN103091284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310062748.XA CN103091284B (zh) 2013-02-28 2013-02-28 基于近红外光谱技术的赤霉病麦粒快速鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310062748.XA CN103091284B (zh) 2013-02-28 2013-02-28 基于近红外光谱技术的赤霉病麦粒快速鉴别方法

Publications (2)

Publication Number Publication Date
CN103091284A CN103091284A (zh) 2013-05-08
CN103091284B true CN103091284B (zh) 2015-07-15

Family

ID=48204121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310062748.XA Active CN103091284B (zh) 2013-02-28 2013-02-28 基于近红外光谱技术的赤霉病麦粒快速鉴别方法

Country Status (1)

Country Link
CN (1) CN103091284B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470648A (zh) * 2018-11-21 2019-03-15 中国科学院合肥物质科学研究院 一种单籽粒作物不完善粒快速无损判定方法
CN110082298A (zh) * 2019-05-15 2019-08-02 南京农业大学 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103630651B (zh) * 2013-11-12 2016-02-03 江苏省农业科学院 冬小麦扬花期赤霉病遥感监测方法
CN104048939A (zh) * 2014-06-05 2014-09-17 中国肉类食品综合研究中心 生猪血液中血糖含量近红外快速检测方法
CN105660222B (zh) * 2016-03-23 2019-04-16 河南农业大学 一种能够及时观察小麦黑胚病症状的接种鉴定方法
CN208420696U (zh) * 2018-05-22 2019-01-22 南京农业大学 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统
CN110031422A (zh) * 2019-05-16 2019-07-19 河南工业大学 同时利用两种特定波长的红外光进行赤霉病小麦筛选
CN110044831A (zh) * 2019-05-16 2019-07-23 河南工业大学 同时利用两种特定波长的可见光进行赤霉病小麦筛选
CN111474117B (zh) * 2020-04-24 2022-11-01 中国科学院空天信息创新研究院 作物病害监测的方法及装置
CN113567392A (zh) * 2021-07-20 2021-10-29 西北农林科技大学 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655454A (zh) * 2009-09-15 2010-02-24 北京市农林科学院 一种粮食储存品质判定的快速测定方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470648A (zh) * 2018-11-21 2019-03-15 中国科学院合肥物质科学研究院 一种单籽粒作物不完善粒快速无损判定方法
CN109470648B (zh) * 2018-11-21 2021-03-16 中国科学院合肥物质科学研究院 一种单籽粒作物不完善粒快速无损判定方法
CN110082298A (zh) * 2019-05-15 2019-08-02 南京农业大学 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法
CN110082298B (zh) * 2019-05-15 2020-05-19 南京农业大学 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法

Also Published As

Publication number Publication date
CN103091284A (zh) 2013-05-08

Similar Documents

Publication Publication Date Title
CN103091284B (zh) 基于近红外光谱技术的赤霉病麦粒快速鉴别方法
Amirruddin et al. Hyperspectral remote sensing for assessment of chlorophyll sufficiency levels in mature oil palm (Elaeis guineensis) based on frond numbers: Analysis of decision tree and random forest
Dale et al. Hyperspectral imaging applications in agriculture and agro-food product quality and safety control: A review
Sendin et al. Near infrared hyperspectral imaging in quality and safety evaluation of cereals
Liaghat et al. Mid-infrared spectroscopy for early detection of basal stem rot disease in oil palm
Shafri et al. Spectral discrimination of healthy and Ganoderma-infected oil palms from hyperspectral data
Adam et al. Detecting the early stage of phaeosphaeria leaf spot infestations in maize crop using in situ hyperspectral data and guided regularized random forest algorithm
Wang et al. Shortwave infrared hyperspectral imaging for detecting sour skin (Burkholderia cepacia)-infected onions
Li et al. Discriminating varieties of tea plant based on Vis/NIR spectral characteristics and using artificial neural networks
Mansuri et al. Effect of germ orientation during Vis-NIR hyperspectral imaging for the detection of fungal contamination in maize kernel using PLS-DA, ANN and 1D-CNN modelling
Su et al. Hyperspectral imaging and improved feature variable selection for automated determination of deoxynivalenol in various genetic lines of barley kernels for resistance screening
CN101881726A (zh) 植物幼苗综合性状活体无损检测方法
Jia et al. Detection of mycotoxins and toxigenic fungi in cereal grains using vibrational spectroscopic techniques: A review
Vetrekar et al. Non-invasive hyperspectral imaging approach for fruit quality control application and classification: case study of apple, chikoo, guava fruits
Shen et al. On-line prediction of hazardous fungal contamination in stored maize by integrating Vis/NIR spectroscopy and computer vision
Kiala et al. Potential of interval partial least square regression in estimating leaf area index
Alimohammadi et al. Hyperspectral imaging coupled with multivariate analysis and artificial intelligence to the classification of maize kernels.
Attaviroj et al. Rapid Variety Identification of Pure Rough Rice by Fourier‐Transform Near‐Infrared Spectroscopy
Gray et al. Utility of hyperspectral reflectance for differentiating soybean (Glycine max) and six weed species
Wang et al. Predicting copper contamination in wheat canopy during the full growth period using hyperspectral data
Cao et al. Discrimination of tea plant variety using in-situ multispectral imaging system and multi-feature analysis
Zhang et al. Differentiation of cotton from other crops at different growth stages using spectral properties and discriminant analysis
Liu et al. Hyperspectral discrimination and response characteristics of stressed rice leaves caused by rice leaf folder
Yang et al. Application of near infrared spectroscopy to detect mould contamination in tobacco
CN110096970A (zh) 基于wv3卫星影像的松林变色立木单株标识方法

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