CN103344577B - 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 - Google Patents

一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 Download PDF

Info

Publication number
CN103344577B
CN103344577B CN201310294175.3A CN201310294175A CN103344577B CN 103344577 B CN103344577 B CN 103344577B CN 201310294175 A CN201310294175 A CN 201310294175A CN 103344577 B CN103344577 B CN 103344577B
Authority
CN
China
Prior art keywords
poultry meat
freshness
measured
multispectral image
meat sample
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
CN201310294175.3A
Other languages
English (en)
Other versions
CN103344577A (zh
Inventor
彭彦昆
李翠玲
汤修映
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN201310294175.3A priority Critical patent/CN103344577B/zh
Publication of CN103344577A publication Critical patent/CN103344577A/zh
Application granted granted Critical
Publication of CN103344577B publication Critical patent/CN103344577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开的畜肉新鲜度无损伤检测方法，包括步骤：S10：获取待测畜肉样品的多光谱图像，测定所述待测畜肉样品的新鲜度评价指标；S20：提取所述多光谱图像的散射曲线，计算所述多光谱图像的像素灰度均值、反射强度比率和散射曲线的数值积分；S30：建立所述待测畜肉样品的新鲜度评价指标多元线性回归预测模型；S40：建立所述待测畜肉样品的新鲜度的判别模型；S50：利用所述预测模型获取待测畜肉样品新鲜度评价指标的预测值，并将所述预测值输入所述畜肉新鲜度的判别模型，获得检测结果。本发明公开的技术方案实现了对畜肉的无损伤检测，降低了建模难度和检测成本，提高了检测速度，有利于该技术方案的实际推广。

Description

一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法
技术领域
本发明涉及农畜产品无损伤检测领域，尤其涉及一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法。
背景技术
畜肉含有丰富的营养成分，是人们生活中重要的食物来源。近年来，我国畜肉产量不断提高，人们对畜肉产品的需求量加大，同时对其质量也提出更高的要求。生鲜畜肉的新鲜度是关于畜肉的风味、色泽、口感等卫生标准的综合评价，它可以综合反映产品营养性、安全性的可靠程度，是衡量畜肉肉品质的重要指标之一。
目前，国内畜肉新鲜度的检测采用感官评定法、标准的理化方法和微生物检测方法。感官评定受到人为主观性和片面性的限制，难以得出正确结论。理化分析和微生物分析等方法的分析过程繁琐、耗时、对畜肉试样具有破坏性，逐渐不能满足快速检测要求。例如：将畜肉样品绞碎、或加入一些化学试剂，这样对畜肉样品具有一定的损伤，从而导致检测后的畜肉不能继续使用或重复使用。
发明内容
（一）要解决的技术问题
本发明所要解决的技术问题是：如何提供一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法，同时解决现有技术中对畜肉样品进行有损伤检测的技术问题。
（二）技术方案
为了解决上述技术问题，本发明提供了一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法，所述方法包括如下步骤：
S10：获取待测畜肉样品的多光谱图像，测定所述待测畜肉样品的新鲜度评价指标；
S20：提取所述多光谱图像的散射曲线，计算所述多光谱图像的像素灰度均值、反射强度比率和散射曲线的数值积分；
S30：选取与所述待测畜肉样品的新鲜度评价指标对应的最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合，建立多元线性回归预测模型；
S40：根据所述待测畜肉样品的新鲜度评价指标，采用判别分析方法建立畜肉新鲜度的判别模型；
S50：利用所述预测模型获取待测畜肉样品新鲜度评价指标的预测值，将该预测值输入所述畜肉新鲜度的判别模型，获得畜肉的新鲜度检测结果。
优选地，所述畜肉为猪肉、牛肉、羊肉、马肉或驴肉。
优选地，所述待测畜肉样品的新鲜度评价指标为待测畜肉样品的粘度、弹性、挥发性盐基氮、水分、嫩度或持水力。
优选地，在步骤S10前还包括步骤S09：对多光谱成像系统进行白参考校准。
优选地，所述多光谱成像系统的中心波长为517nm、550nm、560nm、580nm、600nm和760nm，且所述选定波长的半高带宽为10nm～15nm。
优选地，在所述步骤S09前还包括如下步骤：
S06：将待测畜肉样品切割成5cm*5cm*2.5cm的小块，并将所述的小块畜肉样品密封保存在4℃的冰箱中；
S07：按照畜肉卫生标准，将所述小块畜肉样品分为新鲜与不新鲜两组；
S08：将所述的小块畜肉样品去除外表面的包装，在空气中放置30min。
优选地，所述对多光谱成像系统进行白参考校准具体步骤包括：
S11：计算相机采集标准参考白板与初始建模时的标准参考白板分别在所述各个预定波长处的图像G1和G2的灰度均值差和灰度均方根；
S12：判断所述灰度均值差和所述灰度均方根是否均小于预定阈值，如果不是，则调节多光谱成像系统。
优选地，步骤S20中的所述提取多光谱图像的散射曲线的步骤包括：
S21：将所述多光谱图像进行二值化、腐蚀和膨胀处理，采用重心法求得处理后多光谱图像的重心；
S22：以所述多光谱图像的重心为圆心，以一个像素尺寸为带宽作同心圆环，所述同心圆环上的所有像素灰度值的平均值作为所述同心圆环的像素灰度值；
S23：以所述同心圆环半径为横坐标，以所述同心圆环像素灰度值为纵坐标，做出所述各个预定波长处的多光谱图像的散射曲线。
优选地，步骤S30所述最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合的选取方法为逐步回归方法。
优选地，步骤S40所述判别分析方法为距离判别方法、费希尔判别方法或逐步判别方法。
（三）有益效果
本发明所提供的一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法的优点是：本发明利用畜肉的光学特性，通过分析畜肉的光学特征与多光谱图像的散射特性之间的内在联系，从而找到畜肉的多光谱图像的最佳的像素灰度均值、反射强度比率和散射曲线的定积分组合与畜肉的新鲜度指标的关系，建立相应的预测评估模型，并利用该预测评估模型，获得畜肉的新鲜度的预测值，并比较其预测值和实际测定畜肉的参照值，从而实现了对畜肉的无损伤检测，且成本低，有利于该技术方案的实际推广。
附图说明
图1为本发明的一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法的流程图。
图2为本发明的提取多光谱图像的散射曲线流程图。
图3为本发明的对多光谱成像系统进行白参考校准流程图。
图4为本发明的一个优选实施例猪肉新鲜度检测方法的流程图。
图5为本发明的一个优选实施例的猪肉标准参考白板表面的一幅多光谱图像。
图6为本发明的待测猪肉样品表面的一幅多光谱图像。
图7为本发明的测猪肉样品表面在560nm处的一幅多光谱散射图像的反射强度比率曲线。
图8为本发明的待测猪肉样品表面随着时间的变化在560nm处的多光谱散射图像的散射曲线。
具体实施方式
下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
参考图1，本发明实施例记载了一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法，所述方法包括如下步骤：
S10：获取待测畜肉样品的多光谱图像，测定所述待测畜肉样品的新鲜度评价指标；
S20：提取所述多光谱图像的散射曲线，计算所述多光谱图像的像素灰度均值、反射强度比率和散射曲线的数值积分；
S30：选取与所述待测畜肉样品的新鲜度评价指标对应的最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合，建立多元线性回归预测模型；
S40：根据所述待测畜肉样品的新鲜度评价指标，采用判别分析方法建立畜肉新鲜度的判别模型；
S50：利用所述预测模型获取待测畜肉样品新鲜度评价指标的预测值，将该预测值输入所述畜肉新鲜度的判别模型，获得畜肉的新鲜度检测结果。
本发明实施例利用畜肉的光学特性，通过分析畜肉的光学特征与多光谱图像的散射特性之间的内在联系，从而找到畜肉的多光谱图像的最佳的像素灰度均值、反射强度比率和散射曲线的定积分组合与畜肉的新鲜度指标的关系，建立相应的预测评估模型，并利用该预测评估模型，获得畜肉的新鲜度的预测值，并比较其预测值和参照值，从而实现了对畜肉的无损伤检测；同时本发明实施例采用多光谱成像技术，成本低，便于在实际中推广使用。
当然，本发明实施例中的畜肉新鲜度的检测方法也适用猪肉、牛肉、羊肉、马肉或驴肉的新鲜度的检测。
由于本发明实施例预测模型的建立是综合了最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合以及畜肉新鲜度评价指标，因而通过该预测模型可获得畜肉新鲜度评价指标的预测值。其中，最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合的选取方法可采用逐步回归方法。
判别模型是采用判别分析方法，且基于畜肉新鲜度评价指标的实际测定的参照值，因而将畜肉新鲜度评价指标的预测值代入判别模型，通过该判别模型对畜肉的新鲜度评价指标的参照值和预测值的分析比较，即可获得未知畜肉样品的新鲜度检测结果。其中，判别分析方法可为距离判别方法、费希尔判别方法或逐步判别方法。
本发明实施例中的待测畜肉样品的新鲜度评价指标可为待测畜肉样品的粘度、弹性、挥发性盐基氮、水分、嫩度或持水力。
下面介绍本发明实施例中的提取多光谱图像的散射曲线的具体步骤，参考图2，包括：
S21：将所述多光谱图像进行二值化、腐蚀和膨胀处理，采用重心法求得处理后多光谱图像的重心；
S22：以所述多光谱图像的重心为圆心，以一个像素尺寸为带宽作同心圆环，所述同心圆环上的所有像素灰度值的平均值作为所述同心圆环的像素灰度值；
S23：以所述同心圆环半径为横坐标，以所述同心圆环像素灰度值为纵坐标，做出所述各个预定波长处的多光谱图像的散射曲线。
为了使采集的多光谱图像数据更准确，减少多光谱成像系统的变动和误差。本发明另一个优选实施例，在进行采集图像信息前，先对多光谱成像系统进行白参考校准，具体步骤参考图3，包括：
S11：计算相机采集标准参考白板与初始建模时的标准参考白板分别在所述各个预定波长处的图像G1和G2的灰度均值差和灰度均方根；
S12：判断所述灰度均值差和所述灰度均方根是否均小于预定阈值，如果不是，则调节多光谱成像系统。
其中，多光谱成像系统的中心波长为517nm、550nm、560nm、580nm、600nm和760nm，且所述选定波长的半高带宽为10nm～15nm。
通过对波长的选定，其采集和选定多光谱成像的数据的冗余量也就相应地减少，降低了预测评估模型的建模难度，同时提高检测的速度。
由于畜肉样品的大小直接影响样品由新鲜变化到腐败的速度和程度，在本发明的优选实施例的基础上，还可对待测畜肉样品进行前期处理，具体步骤如下：
S06：将待测畜肉样品切割成5cm*5cm*2.5cm的小块，并将所述的小块畜肉样品密封保存在4℃的冰箱中；
S07：按照畜肉卫生标准，将所述小块畜肉样品分为新鲜与不新鲜两组。
S08：将所述的小块畜肉样品去除外表面的包装，在空气中放置30min。
下面以猪肉为例，详细介绍本发明另一优选实施例，图4记载了猪肉新鲜度检测方法，具体步骤如下：
S101：将待测猪肉样品切割成5cm*5cm*2.5cm的小块，并将该小块猪肉样品密封保存在4℃的冰箱中。
注入肉样品的大小直接影响样品由新鲜变化到腐败的速度和程度，因而需要规范样品，一般猪肉储藏在4℃，故将猪肉样品密封保存在4℃的冰箱中。
S102：按照国标GB2707-2005鲜(冻)畜肉卫生标准，依据挥发性盐基氮值将该小块猪肉样品分为新鲜与不新鲜两组。
S103：将该小块猪肉样品去除外表面的包装，在空气中放置约30min。
为了使样品渗出到表面的水分挥发，避免采集的图像失真变形。视样品本身的状态而定，一般约30分钟。
S104：对多光谱成像系统进行白参考校准。
使用标准参考白板校准多光谱成像系统，参考图3，该多光谱成像系统的白参考校准的具体步骤：相机采集标准参考白板在各个波长处的图像G1，并求得此图像G1与相应初始建模时的标准参考白板在各个波长处的图像G2的灰度均值差和灰度均方根，如果灰度均值差和灰度均方根大于某限定值，则需对多光谱成像系统进行调节，直至灰度均值差和灰方根均小于某限定值。如图5所示的猪肉标准参考白板表面的一幅多光谱图像；如图6所示的待测猪肉样品表面的一幅多光谱图像。
S105：采集该小块猪肉样品在选定波长的多光谱图像，获取该小块猪肉样品的多光谱图像，测定该小块猪肉样品的挥发性盐基氮参照值。
S106：提取所述多光谱图像的散射曲线，计算所述多光谱图像的像素灰度均值、反射强度比率和散射曲线的数值积分。
如图2所示的提取多光谱图像的散射曲线的步骤是：首先对图像进行二值化、腐蚀和膨胀处理，用重心法求得处理后图像的重心；然后以该重心为圆心，以一个像素尺寸为带宽做同心圆环，圆环上所有像素灰度值的平均值作为对应圆环灰度值，以圆环半径为横坐标，圆环像素灰度值为纵坐标，做出在各个预定波长处图像的散射曲线。如图7和如图8分别所示的待测猪肉样品表面在560nm处的一幅多光谱散射图像的反射强度比率曲线和待测猪肉样品表面随着时间的变化在560nm处的多光谱散射图像的散射曲线。曲线积分是指散射曲线与两个坐标轴所围成的面积，反射强度比率为多光谱图像中某一灰度所占的像素数与总像素数的百分比。
S107：采用逐步回归方法，选取与该小块猪肉样品的挥发性盐基氮对应的最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合，建立多元线性回归预测模型。
S108：根据该小块猪肉样品的挥发性盐基氮参照值，采用判别分析方法建立猪肉新鲜度的判别模型。
S109：利用所述预测模型获取所述的小块猪肉样品挥发性盐基氮的预测值，将该预测值输入所述猪肉新鲜度的判别模型，获得该小块猪肉样品的新鲜度检测结果。
需要说明的是，上述实施例是以猪肉为例说明猪肉新鲜度的检测全部过程。在本实施例中，检测步骤并不是不可以变化，如步骤104与步骤101、步骤102和步骤103同时执行；也可不用执行步骤104；还可以先执行步骤108，再执行进行步骤107等等一些同等替换。
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，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法，其特征在于，所述方法包括如下步骤：
S10：获取待测畜肉样品的多光谱图像，测定所述待测畜肉样品的新鲜度评价指标；
S20：提取所述多光谱图像的散射曲线，计算所述多光谱图像的像素灰度均值、反射强度比率和散射曲线的数值积分；
S30：选取与所述待测畜肉样品的新鲜度评价指标对应的最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合，建立多元线性回归预测模型；
S40：根据所述待测畜肉样品的新鲜度评价指标，采用判别分析方法建立畜肉新鲜度的判别模型；
S50：利用所述预测模型获取待测畜肉样品新鲜度评价指标的预测值，将该预测值输入所述畜肉新鲜度的判别模型，获得畜肉的新鲜度检测结果；
在步骤S10前还包括步骤S09：对多光谱成像系统进行白参考校准；
所述对多光谱成像系统进行白参考校准具体步骤包括：
S11：计算相机采集标准参考白板与初始建模时的标准参考白板分别在各个预定波长处的图像G1和G2的灰度均值差和灰度均方根；
S12：判断所述灰度均值差和所述灰度均方根是否均小于预定阈值，如果不是，则调节多光谱成像系统；
所述多光谱成像系统的中心波长为517nm、550nm、560nm、580nm、600nm和760nm。
2.根据权利要求1所述的检测方法，其特征在于，所述畜肉为猪肉、牛肉、羊肉、马肉或驴肉。
3.根据权利要求1或2所述的检测方法，其特征在于，所述待测畜肉样品的新鲜度评价指标为待测畜肉样品的粘度、弹性、挥发性盐基氮、水分、嫩度或持水力。
4.根据权利要求1所述的检测方法，其特征在于，所述多光谱成像系统的选定波长的半高带宽为10nm～15nm。
5.根据权利要求1所述的检测方法，其特征在于，在所述步骤S09前还包括如下步骤：
S06：将待测畜肉样品切割成5cm*5cm*2.5cm的小块，并将所述的小块畜肉样品密封保存在4℃的冰箱中；
S07：按照畜肉卫生标准，将所述小块畜肉样品分为新鲜与不新鲜两组；
S08：将所述的小块畜肉样品去除外表面的包装，在空气中放置30min。
6.根据权利要求1或2所述的检测方法，其特征在于，步骤S20中的所述提取多光谱图像的散射曲线的步骤包括：
S21：将所述多光谱图像进行二值化、腐蚀和膨胀处理，采用重心法求得处理后多光谱图像的重心；
S22：以所述多光谱图像的重心为圆心，以一个像素尺寸为带宽作同心圆环，所述同心圆环上的所有像素灰度值的平均值作为所述同心圆环的像素灰度值；
S23：以所述同心圆环半径为横坐标，以所述同心圆环像素灰度值为纵坐标，做出所述各个预定波长处的多光谱图像的散射曲线。
7.根据权利要求1或2所述的检测方法，其特征在于，步骤S30所述最佳像素灰度均值、反射强度比率和散射曲线的数值积分组合的选取方法为逐步回归方法。
8.根据权利要求1或2所述的检测方法，其特征在于，步骤S40所述判别分析方法为距离判别方法、费希尔判别方法或逐步判别方法。
CN201310294175.3A 2013-07-12 2013-07-12 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 Active CN103344577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310294175.3A CN103344577B (zh) 2013-07-12 2013-07-12 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310294175.3A CN103344577B (zh) 2013-07-12 2013-07-12 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法

Publications (2)

Publication Number Publication Date
CN103344577A CN103344577A (zh) 2013-10-09
CN103344577B true CN103344577B (zh) 2016-04-06

Family

ID=49279391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310294175.3A Active CN103344577B (zh) 2013-07-12 2013-07-12 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法

Country Status (1)

Country Link
CN (1) CN103344577B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104089902A (zh) * 2014-03-31 2014-10-08 浙江工商大学 一种牛肉新鲜度的检测装置及检测方法
CN104251830B (zh) * 2014-03-31 2017-01-18 浙江工商大学 拼接鸡肉检测装置及检测方法
CN104089898A (zh) * 2014-03-31 2014-10-08 浙江工商大学 一种拼接鸡肉检测装置及检测方法
CN104089907A (zh) * 2014-03-31 2014-10-08 浙江工商大学 一种鸡肉新鲜度的检测装置及检测方法
CN104655761B (zh) * 2015-02-28 2016-08-17 华南理工大学 一种基于多光谱成像在线测定鱼肉新鲜度指标k值的方法
CN104990877A (zh) * 2015-07-31 2015-10-21 合肥工业大学 一种基于多光谱成像技术的虾贝类去壳水产品辐照剂量的检测方法
CN105548029A (zh) * 2015-12-14 2016-05-04 北京农业质量标准与检测技术研究中心 基于光谱成像技术的肉制品新鲜度检测方法
CN105606216B (zh) * 2016-03-02 2018-04-03 复旦大学 一种光谱反射率测量装置及方法
CN106871782B (zh) * 2017-01-20 2019-05-21 浙江大学 一种计算多光谱图像上光谱辐射计测量区域的方法
CN110501310B (zh) * 2019-05-07 2020-12-22 华南理工大学 一种基于非模型光学校正高光谱的食品检测方法
CN112557328B (zh) * 2020-12-23 2022-05-31 浙江农林大学 一种猪肉品质无损检测装置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5088822A (en) * 1989-09-08 1992-02-18 Sumitomo Electric Industries, Ltd. Meat freshness measuring apparatus
JPH04350540A (ja) * 1991-05-27 1992-12-04 Sumitomo Electric Ind Ltd 食肉鮮度測定装置
JP2003121351A (ja) * 2001-10-09 2003-04-23 National Agricultural Research Organization 食肉の鮮度判定方法
CN102269710A (zh) * 2011-06-17 2011-12-07 中国农业大学 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置
CN102507882A (zh) * 2011-12-19 2012-06-20 中国农业大学 牛肉品质的多参数综合评价方法
CN102507459A (zh) * 2011-11-23 2012-06-20 中国农业大学 一种生鲜牛肉新鲜度快速无损评价方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5088822A (en) * 1989-09-08 1992-02-18 Sumitomo Electric Industries, Ltd. Meat freshness measuring apparatus
JPH04350540A (ja) * 1991-05-27 1992-12-04 Sumitomo Electric Ind Ltd 食肉鮮度測定装置
JP2003121351A (ja) * 2001-10-09 2003-04-23 National Agricultural Research Organization 食肉の鮮度判定方法
CN102269710A (zh) * 2011-06-17 2011-12-07 中国农业大学 基于多光谱成像的生鲜猪肉有效期的快速无损预测装置
CN102507459A (zh) * 2011-11-23 2012-06-20 中国农业大学 一种生鲜牛肉新鲜度快速无损评价方法及系统
CN102507882A (zh) * 2011-12-19 2012-06-20 中国农业大学 牛肉品质的多参数综合评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多光谱成像的生鲜猪肉货架期预测研究;李翠玲 等;《中国农业工程学会2011年学术年会论文集》;20111231;第1632页左栏第1段，第1632页第1.2节、第2.1节，第1633页第2.3节 *
基于高光谱散射特征的牛肉品质参数的预测研究;吴建虎 等;《光谱学与光谱分析》;20100731;第30卷(第7期);第1815页摘要，第1816页第2节，第1817页第3.4节，第1817页图1 *

Also Published As

Publication number Publication date
CN103344577A (zh) 2013-10-09

Similar Documents

Publication Publication Date Title
CN103344577B (zh) 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法
Reis et al. Automatic detection of bunches of grapes in natural environment from color images
CN103065149B (zh) 网纹甜瓜果实表型提取与量化方法
CN102564964A (zh) 基于光谱图像的肉品品质可视化非接触检测方法
CN110288647B (zh) 一种基于高分辨率卫星数据监测灌区灌溉面积方法
CN107316289A (zh) 基于深度学习和超像素分割的大田稻穗分割方法
CN103837492B (zh) 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法
CN102507459A (zh) 一种生鲜牛肉新鲜度快速无损评价方法及系统
CN103940748B (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
CN101322969B (zh) 一种检测分级方法
CN106950472A (zh) 一种基于红外紫外成像的绝缘子检测方法
CN103900972A (zh) 基于多特征融合的肉类新鲜度高光谱图像可视化检测
CN104807777A (zh) 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法
CN103777524A (zh) 一种基于可见光谱技术的红茶适度发酵控制方法和装置
CN103712948B (zh) 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法
CN111855653B (zh) 一种植物干旱监测方法、监测模块和监测装置
CN105548027A (zh) 基于近红外光谱测定调和油中茶油含量的分析模型及方法
CN107576660B (zh) 一种基于距离等高线的双黄鸭蛋自动视觉检测方法
CN102592118B (zh) 一种玉米出苗期的自动检测方法
CN103743705A (zh) 一种假高粱及其近似物种的快速检测方法
Islam et al. A ground-based platform for reliable estimates of fruit number, size, and color in stone fruit orchards
CN105677770B (zh) 近海海洋环境数据监测的自适应采样方法
CN102749290A (zh) 一种樱桃树冠层树枝生长状态的检测方法
CN102621075A (zh) 一种水稻抽穗期自动检测的方法
Sams et al. Characterising spatio‐temporal variation in fruit composition for improved winegrowing management in California Cabernet Sauvignon

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