CN103245629A - 一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法 - Google Patents
一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法 Download PDFInfo
- Publication number
- CN103245629A CN103245629A CN2013101565226A CN201310156522A CN103245629A CN 103245629 A CN103245629 A CN 103245629A CN 2013101565226 A CN2013101565226 A CN 2013101565226A CN 201310156522 A CN201310156522 A CN 201310156522A CN 103245629 A CN103245629 A CN 103245629A
- Authority
- CN
- China
- Prior art keywords
- maple bucket
- pasture
- maple
- bucket
- water
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了提供了一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,通过如下步骤,一、样品处理,二、光谱采集,三、光谱数据预处理,四、建立鉴别模型,五、预测,对市场上的水草枫斗、铁皮枫斗、紫皮枫斗进行鉴别。本发明是一种简单有效的水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,鉴别准确率100%。
Description
技术领域
本发明涉及一种药材的鉴别方法,尤其涉及一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法。
背景技术
正宗铁皮枫斗加工后的干品称为铁皮枫斗,其药效成分主要是枫斗多糖、枫斗碱和总氨基酸等。能提高人体免疫能力,增强记忆力,补五脏虚劳,抗衰老,抑制肿瘤,改善糖尿病症状,抗缺氧,对放化疗以及夜生活、烟酒过度者有显著效果。我国第一部药学专著《神农本草经》,称枫斗为上品,认为它是滋补佳品,且适宜于久服,“补五脏虚劳羸瘦”,李时珍在《本草纲目》中,强调了枫斗“强阴益精,厚肠胃,补内绝不足,轻身延年”功效。清代著名药学著作《本草思辨录》,认为枫斗的功用十分广泛:“为肾药,为肺药,为肠胃药”。现代的临床应用和药理研究证实,枫斗具有神奇功效,适宜于治疗多种病症。铁皮枫斗自古以来都是达官显贵的养生补品,一般民众根本不可能消费。
目前,人工栽培成功的在全国屈指可数,纯正铁皮枫斗国内市场供应价在30000元/公斤以上。国际市场则在5000美元以上,市场上几百、几千元就可以买1公斤的枫斗,只是枫斗类其它品种,决非“铁皮”枫斗。他们利用了药用枫斗的神奇的保健功效和人们对“铁皮”枫斗的不了解,用枫斗类中的“紫皮”,“黄草”等其它品种制成的枫斗,打着“铁皮”枫斗的名义对消费者进行了不负责任的欺骗性销售,因此对枫斗的鉴别就十分重要,但现有技术中未见此类技术的报道。
发明内容
为了解决现有技术中的枫斗难以鉴别的不足,本发明的目的是提供一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法。
为达到上述目的,本发明所采用的技术手段是:一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法,包括如下步骤:
一、样品处理:将水草枫斗、铁皮枫斗、紫皮枫斗置于烘箱中60℃烘干多余水分至恒重,在室内相对湿度低于40%的环境下,将水草枫斗、铁皮枫斗、紫皮枫斗在粉碎机中粉碎,然后将粉末过100目筛,取过筛后粉末以备光谱检测之用;
二、光谱采集:设定环境温度20±2℃,相对湿度小于40%,光谱扫描范围4000~9000cm-1,分辨率4cm-1,扫描次数32次,将样品粉末置于光谱采集杯底部石英片上方、压实,将采集杯置于近红外光谱采集孔正上方,采集光谱;
三、光谱数据预处理:为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的 相互干扰而导致的近红外吸收光谱重叠,在Matlab软件中采用一阶导数或二阶导数进行预处理:①一阶导数公式:y=(x(i+Δ)-x(i))/Δ;②二阶导数公式:y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ2
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;五、预测:采集测试集样本光谱值、进行光谱预处理,再将测试集预处理后光谱值输入预测模型,得到预测值,根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
本发明的有益效果在于:提供了一种简单有效的铁皮枫斗的鉴别方法,鉴别准确率100%。
附图说明
下面结合附图对本发明的技术方案进行说明。
图1是本发明的一阶导数光谱预处理偏最小二乘判别模型预测值;
图2是本发明的二阶导数光谱预处理偏最小二乘判别模型预测值;
图3是本发明的一阶导数光谱预处理径向基人工神经网络模型预测值;
图4是本发明的二阶导数光谱预处理径向基人工神经网络模型预测值;
图5是本发明的工艺流程图。
具体实施方式
结合图5所示,本发明提供一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,包括步骤如下:
一、样品处理:将水草枫斗、铁皮枫斗、紫皮枫斗置于烘箱中60℃烘干多余水分至恒重,在室内相对湿度低于40%的环境下,将水草枫斗、铁皮枫斗、紫皮枫斗在粉碎机中粉碎,然后将粉末过100目筛,取过筛后粉末以备光谱检测之用;
二、光谱采集:设定环境温度20±2℃,相对湿度小于40%,光谱扫描范围4000~9000cm-1,分辨率4cm-1,扫描次数32次,将样品粉末置于光谱采集杯底部石英片上方、压实,将采集杯置于近红外光谱采集孔正上方,采集光谱;
三、光谱数据预处理:为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,在Matlab软件中采用一阶导数或二阶导数进行预处理:①一阶导数公式:y=(x(i+Δ)-x(i))/Δ;②二阶导数公式:y=(x(i+Δ)-2x(i) +x(i-Δ))/Δ2
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
五、预测:采集测试集样本光谱值、进行光谱预处理,再将测试集预处理后光谱值输入预测模型,得到预测值,根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
预测模型可以为偏最小二乘回归判别模型,其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3,然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型;
预测模型也可以为径向基人工神经网络鉴别模型,该模型为前向网络,第一层为输入层,其数据为光谱导数值,第二层为隐含层,隐含层神经元个数由光谱预处理方法决定,第三层为输出层,输出样品类型值。
偏最小二乘回归判别模型和径向基人工神经网络鉴别模型分析通过决定系数R2,均方根误差RMSE和相关误差RM判断;决定系数R2、均方根误差RMSE和相关误差RM计算公式如下:
下面四个实施例中步骤一样品处理、步骤二光谱采集与上述内容相同,故仅阐述步骤三、四、五。
实施例1
三、光谱数据预处理:每条光谱选择多个数据点,为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,采用导数公式为:①一阶导数公式:y=(x(i+Δ)-x(i))/Δ;
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定 的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
预测模型为偏最小二乘回归判别模型,其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3,然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型;
性能评价通过决定系数R2,均方根误差RMSE和相关误差RM判断;决定系数R2、均方根误差RMSE和相关误差RM计算公式如下,数据见表一
表1模型性能评价表
五、预测:采集测试集样本光谱值13个,进行光谱预处理,其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个,再将测试集预处理后光谱值输入偏最小二乘回归判别模型预测,得到预测值如图1和表2数据,根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
表2
实施例2
三、光谱数据预处理:每条光谱选择多个数据点,为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,采用导数公式为:二阶导数公式:y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ2
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
预测模型为偏最小二乘回归判别模型,其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3,然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型;
性能评价通过决定系数R2,均方根误差RMSE和相关误差RM判断;决定系数R2、均方根误差RMSE和相关误差RM计算公式如下,数据见表一。
表3
五、预测:采集测试集样本光谱值13个,进行光谱预处理,其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个,再将测试集预处理后光谱值输入偏最小二乘回归判别模型预测,得到预测值如图2和表3数据,当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
实施例3
三、光谱数据预处理:每条光谱选择多个数据点,为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,采用导数公式为:一阶导数公式:y=(x(i+Δ)-x(i))/Δ;
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
预测模型为径向基人工神经网络鉴别模型,该模型为前向网络,第一层为输入层,输入一阶导数值,第二层为隐含层,隐含层神经元个数为35个,第三层为输出层,输出样品类型
表4值。
性能评价通过决定系数R2,均方根误差RMSE和相关误差RM判断;决定系数R2、均方根误差RMSE和相关误差RM计算公式如下,数据见表一。
五、预测:采集测试集样本光谱值13个,进行光谱预处理,其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个,再将测试集预处理后光谱值输入径向基人工神经网络鉴别模型预测,得到预测值如图3和表4数据;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
实施例4
三、光谱数据预处理:每条光谱选择多个数据点,为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,采用导数公式为:二阶导数公式:y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ2
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
预测模型为径向基人工神经网络鉴别模型,该模型为前向网络,第一层为输入层,输入二阶导数值,第二层为隐含层,隐含层神经元个数为38个,第三层为输出层,输出样品类型
性能评价通过决定系数R2,均方根误差RMSE和相关误差RM判断;决定系数R2、均方根误差RMSE和相关误差RM计算公式如下,数据见表一。
五、预测:采集测试集样本光谱值13个,进行光谱预处理,其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个,再将测试集预处理后光谱值输入径向基人工神经网络鉴别模型预测,得到预测值如图4和表5数据;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
表5
本发明的实施例所表述的,并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,其特征在于,步骤如下:
一、样品处理:将水草枫斗、铁皮枫斗、紫皮枫斗置于烘箱中60℃烘干多余水分至恒重,在室内相对湿度低于40%的环境下,将水草枫斗、铁皮枫斗、紫皮枫斗在粉碎机中粉碎,然后将粉末过100目筛,取过筛后粉末以备光谱检测之用;
二、光谱采集:设定环境温度20±2℃,相对湿度小于40%,光谱扫描范围4000~9000cm-1,分辨率4cm-1,扫描次数32次,将样品粉末置于光谱采集杯底部石英片上方、压实,将采集杯置于近红外光谱采集孔正上方,采集光谱;
三、光谱数据预处理:为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠,在Matlab软件中采用一阶导数或二阶导数进行预处理:①一阶导数公式:y=(x(i+Δ)-x(i))/Δ;②二阶导数公式:y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ2
其中:Δ为光谱间距,x为求导前的光谱吸光度,y为求导后的光谱吸光度;
四、建立鉴别模型:首先,指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3,利用Matlab软件,以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量,以指定的类别值为因变量,建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型,然后,分别预测校正集和验证集中枫斗的种类;根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗;通过校正集和验证集的决定系数R2、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价;
五、预测:采集测试集样本光谱值、进行光谱预处理,再将测试集预处理后光谱值输入预测模型,得到预测值,根据判别依据:当预测值大于0、小于1.5为水草枫斗,当预测值大于1.5、小于2.5为铁皮枫斗,当预测值大于2.5、小于3.5为紫皮枫斗。
2.根据权利要求1所述的一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,其特征在于,所述步骤4中的预测模型为偏最小二乘回归判别模型,其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3,然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型。
3.根据权利要求1所述的一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法,其特征在于,所述步骤4中的预测模型为径向基人工神经网络鉴别模型,该模型为前向网络,第一层为输入层,其数据为光谱导数值,第二层为隐含层,隐含层神经元个数由光谱预处理方法决定,第三层为输出层,输出样品类型值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101565226A CN103245629A (zh) | 2013-04-27 | 2013-04-27 | 一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101565226A CN103245629A (zh) | 2013-04-27 | 2013-04-27 | 一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103245629A true CN103245629A (zh) | 2013-08-14 |
Family
ID=48925290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101565226A Pending CN103245629A (zh) | 2013-04-27 | 2013-04-27 | 一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103245629A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109253983A (zh) * | 2018-11-30 | 2019-01-22 | 上海海洋大学 | 基于中红外光谱和神经网络技术的快速鉴定和检测小清蛋白的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372005A (zh) * | 2001-08-03 | 2002-10-02 | 中国药科大学 | 中国石斛属植物及其药材的dna分子鉴别方法 |
CN102370891A (zh) * | 2010-08-18 | 2012-03-14 | 浙江中医药大学 | 一种用hplc指纹图谱鉴别铁皮石斛真伪的方法 |
-
2013
- 2013-04-27 CN CN2013101565226A patent/CN103245629A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372005A (zh) * | 2001-08-03 | 2002-10-02 | 中国药科大学 | 中国石斛属植物及其药材的dna分子鉴别方法 |
CN102370891A (zh) * | 2010-08-18 | 2012-03-14 | 浙江中医药大学 | 一种用hplc指纹图谱鉴别铁皮石斛真伪的方法 |
Non-Patent Citations (3)
Title |
---|
徐永群 等: "红外指纹图谱和聚类分析法在赤芍产域分类鉴别中的应用", 《分析化学》 * |
杨忠 等: "近红外光谱结合回归分析预测法判别木材的生物腐朽", 《林业科学》 * |
欧阳爱国 等: "基于近红外光谱与PLS-DA的润滑油快速识别", 《中国农机化学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109253983A (zh) * | 2018-11-30 | 2019-01-22 | 上海海洋大学 | 基于中红外光谱和神经网络技术的快速鉴定和检测小清蛋白的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Classification of Camellia (Theaceae) species using leaf architecture variations and pattern recognition techniques | |
Sun et al. | Data fusion of near-infrared and mid-infrared spectra for identification of rhubarb | |
Luzuriaga et al. | Assemblage of a semi-arid annual plant community: abiotic and biotic filters act hierarchically | |
Yadav et al. | Development and validation of standard area diagrams to aid assessment of pecan scab symptoms on fruit | |
Wu et al. | Rapid determination and origin identification of total polysaccharides contents in Schisandra chinensis by near-infrared spectroscopy | |
CN103389281A (zh) | 一种基于近红外光谱技术的普洱茶聚类分析方法 | |
CN104316491B (zh) | 基于同步‑异步二维近红外相关谱检测牛奶掺尿素的方法 | |
Yue et al. | A practical method superior to traditional spectral identification: Two-dimensional correlation spectroscopy combined with deep learning to identify Paris species | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN105973858A (zh) | 一种中药品质自动检测系统 | |
CN106777845A (zh) | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 | |
CN102830087A (zh) | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 | |
CN102426153A (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN106092990A (zh) | 一种宁夏枸杞的三维荧光光谱鉴别方法 | |
CN107174258A (zh) | 血糖浓度预测方法 | |
Yue et al. | Superiority verification of deep learning in the identification of medicinal plants: Taking Paris polyphylla var. yunnanensis as an example | |
CN102636452A (zh) | 一种近红外光谱无损鉴别山参真伪的方法 | |
CN105868532B (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
Zhang et al. | SMOTE-based method for balanced spectral nondestructive detection of moldy apple core | |
Chang et al. | Geographical origin traceability of traditional Chinese medicine Atractylodes macrocephala Koidz. by using multi-way fluorescence fingerprint and chemometric methods | |
Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
CN104568825A (zh) | 烤烟烟叶打叶复烤模块组配的方法 | |
CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
Liu et al. | An identification method of herbal medicines superior to traditional spectroscopy: Two-dimensional correlation spectral images combined with deep learning | |
Yue et al. | Extended application of deep learning combined with 2DCOS: Study on origin identification in the medicinal plant of Paris polyphylla var. yunnanensis |
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: 20130814 |