CN103630498A - 基于高光谱成像技术的脐橙表面农药残留量的检测方法 - Google Patents

基于高光谱成像技术的脐橙表面农药残留量的检测方法 Download PDF

Info

Publication number
CN103630498A
CN103630498A CN201310562404.5A CN201310562404A CN103630498A CN 103630498 A CN103630498 A CN 103630498A CN 201310562404 A CN201310562404 A CN 201310562404A CN 103630498 A CN103630498 A CN 103630498A
Authority
CN
China
Prior art keywords
navel orange
reflectivity
image
persticide residue
diffuse reflection
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
Application number
CN201310562404.5A
Other languages
English (en)
Other versions
CN103630498B (zh
Inventor
章海亮
何勇
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201310562404.5A priority Critical patent/CN103630498B/zh
Publication of CN103630498A publication Critical patent/CN103630498A/zh
Application granted granted Critical
Publication of CN103630498B publication Critical patent/CN103630498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱成像技术的脐橙表面农药残留量的检测方法，包括以下步骤：（1）采集待测脐橙在十一个特征波长处的单波段光谱图像；所述十一个特征波长分别为410nm、431nm、520nm、637nm、680nm、690nm、784nm、880nm、950nm、967nm和1020nm；（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；（3）依据公式计算得到脐橙的反射率图像中每个像素点所对应的农药残留量。本发明能够检测脐橙表面的农药残留含量的分布，检测精度高，检测时间短，不仅减少了环境污染，同时也降低了检测成本。

Description

基于高光谱成像技术的脐橙表面农药残留量的检测方法
技术领域
本发明涉及农药残留量检测领域，具体涉及一种基于高光谱成像技术的脐橙表面农药残留量的检测方法。
背景技术
果蔬表面的农药残留不仅会危害消费者的健康，而且还会影响果蔬的出口贸易，虽然对果蔬表面的农药残留检测已经有了许多成熟可行的方法，但现有技术中的这些方法大部分不仅操作起来速度较慢慢，而且都是破坏性的检测。
例如，申请公开号为CN 103076319A的发明公开了一种果蔬中农药残留毒性的检测方法，包括：发光细菌的准备，检测样品的准备和发光细菌的发光检测，将待检测果蔬的样品与青海弧菌Q67菌种的菌液混合，通过检测青海弧菌Q67菌株的发光强度，判断所检测的果蔬中农药残留的毒性。该发明所述方法缩短了果蔬中农药残留毒性的检测时间，延长了青海弧菌Q67菌株的稳定发光时间，但是仍为破坏性检测。
授权公告号为CN 101776601B的发明公开了一种快速检测农药残留的方法，利用带程序的荧光分光光度计，以卟啉化合物为荧光指示剂和显色剂，经制备卟啉溶液和有机磷农药溶液及液态检测溶液，测量液态卟啉检测溶液中有机磷农药。
该发明虽然能够广泛用于含有有机磷农药残留的微痕量检测，但是，所用试剂会对环境造成污染。
近年来，高光谱成像技术迅速发展，利用高光谱成像技术可以对生物对象中的内外部信息进行可视化表达，拥有光谱技术和图像处理技术的双重优势，是一种精确至每一个像素点纳米级信息采集，检测过程无损、无污染、样品无需预处理的绿色分析技术，使得它成为当今食品和农产品检测领域的研究热点，因此，可以考虑将高光谱技术应用到农药残留检测领域，提供一种效率高的无损检测方法。
发明内容
本发明提供了一种基于高光谱成像技术的脐橙表面农药残留量的检测方法，能够检测脐橙表面的农药残留含量的分布，检测精度高，检测时间短，不仅减少了环境污染，也在一定程度上降低了检测成本。
一种基于高光谱成像技术的脐橙表面农药残留量的检测方法，包括以下步骤：
（1）采集待测脐橙在十一个特征波长处的单波段光谱图像；所述十一个特征波长分别为410nm、431nm、520nm、637nm、680nm、690nm、784nm、880nm、950nm、967nm和1020nm；
（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；
（3）依据下式计算得到脐橙的反射率图像中每个像素点所对应的农药残留量；
Y=32.976X1+16.703X2-21.305X3+25.926X4+356.536X5-568.738X6+206.148X7+283.056X8-370.824X9+295.411X10-237.134X11+0.025
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的农药残留量。
现有技术中的农药品种繁多，并非所有农药都适用本发明提供的测定方法，本发明方法所测定的农药为氯氟吡氧乙酸。
作为优选，所述步骤（2）中单波段光谱图像的灰度值与反射率的线性关系的获取步骤如下：
2-1、采集至少三块漫反射标准板在十一个特征波长处的基准单波段光谱图像，求取每幅基准单波段图像的灰度值，在可见近红外光谱范围内，所采用的漫反射标准板具有互不相同的反射率；
2-2、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
作为优选，所述漫反射标准板为三～十一块。
在每一个特征波长处，每块漫反射标准板各自对应一幅单波段图像，每幅单波段图像对应一个灰度值，以漫反射标准板的灰度值为自变量，以漫反射标准板的反射率为因变量，线性拟合得到灰度值与反射率的关系。
漫反射标准板的数目越多，线性拟合得到的灰度值与反射率的关系越准确，相应耗时也较长，优选地，所述漫反射标准板为三块，分别为99%漫反射标准板、75%漫反射标准板和2%漫反射标准板。
99%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为99%。
75%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为75%。
2%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为2%。
采用99%漫反射标准板、75%漫反射标准板以及2%漫反射标准板，最大程度涵盖了反射率的范围，使得到的灰度值与反射率的线性关系更加准确。
为了直观地获知农药残留量的分布信息，优选地，所述步骤（3）中，计算得到脐橙的反射率图像中每个像素点所对应的农药残留量后，绘制农药残留量分布图。
与现有技术相比，本发明具有以下有益的技术效果：
a)在选定的少数特征波长处采集脐橙的高光谱图像，利用多元线性回归分析得到农药残留量与高光谱图像中像素点反射率的关系，快速准确检测农药残留量分布，节省时间。
b)不使用任何化学材料，无需进行理化分析，降低了检测成本，不污染环境。
c)能够分析尺寸较大的样品和多品种的样品，可实时在线检测脐橙表面农药残留量分布。
d)将脐橙表面农药残留量分布光谱信息特征和光谱成像信息特征在特征层上进行融合，得到农药残留量分布的直观图像，便于进一步分析。
附图说明
图1为三块漫反射标准板的反射率与波长的关系图；
图2为没有农药残留的赣南脐橙的表面图像；
图3为有农药残留的赣南脐橙的表面图像。
具体实施方式
实施例1
（1）建立单波段光谱图像的灰度值与反射率的关系
1-a、采集三块漫反射标准板在十一个特征波长处的基准单波段光谱图像（每块漫反射标准板在每个特征波长处采集一幅基准单波段光谱图像），求取每幅基准单波段图像的灰度值。
在整个可见近红外光谱范围内，所采用的漫反射标准板分别对应的反射率为99%、75%、和2%，如图1所示，三块漫反射标准板在整个可见近红外光谱范围内的漫反射是互不相同的，对于每一块漫反射标准板来说，在所有波长处的反射率均相同。
1-b、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
针对每个特征波长来说，都有对应的三组灰度值和反射率值（每一组灰度值和反射率由同一漫反射标准板采集的基准单波段图像得到），以灰度值为自变量，反射率为因变量，对这三组灰度值和反射率值进行线性拟合，得到灰度值和反射率值的线性关系。
本发明方法中灰度值和反射率值的线性关系的获得、高光谱图像的采集以及农药残留量的分布图绘制均通过ENVI编程程序自动完成。
（2）计算农药残留量分布
2-a、收集15个赣南脐橙，先采用高光谱图像成像系统(ImSpectorV10E，Spectral Imaging Ltd．，Oulu，Finland)分别扫描每个赣南脐橙在十一个特征波长处的单波段光谱图像；十一个特征波长分别为410nm、431nm、520nm、637nm、680nm、690nm、784nm、880nm、950nm、967nm和1020nm；每个波长处对应一幅单波段光谱图像，然后采用GB/T22243-2008测量这15个赣南脐橙的15个不同区域的农药残留量（共225个区域），即将每个赣南脐橙的表皮分割为15份，15个区域囊括整个赣南脐橙的外表面。
在15个赣南脐橙中的随机选取10个作为建模集样本，其余5个作为预测集样本。
2-b、依据单波段光谱图像的灰度值与反射率的线性关系，将每个赣南脐橙在十一个特征波长处的单波段光谱图像转化为反射率图像。
基于步骤（1）中的十一个特征波长处的灰度值与反射率的关系，可以把待测赣南脐橙的单波段光谱图像（单波段光谱图像中的每个像素点分别对应赣南脐橙上的一个位点，每个像素点具有不同的灰度值）转换为反射率图像，反射率图像中的每个像素点对应不同的反射率。
对于建模集中的10个赣南脐橙，对于每个区域的高光谱图像都可以得到相应的反射率图像，经过平均后得到每个区域的平均反射率，利用每个区域的农药残留量（利用GB/T22243-2008方法得到）和平均反射率拟合得到农药残留量与平均反射率的关系如下式（I）所示，
Y’=32.976X’1+16.703X’2-21.305X’3+25.926X’4+356.536X’5-568.738X’6+206.148X’7+283.056X’8-370.824X’9+295.411X’10-237.134X’11+0.025 （I）
式中：X’a代表a nm特征波长处的反射率图像的平均反射率；
Y’代表相应像素点处的农药残留量。
利用平均反射率和农药残留量拟合得到的式（I）表达了平均反射率与农药残留量的关系，式（I）也反应了每一像素点处反射率与农药残留量的关系，依据式（I）得到式（II）如下：
Y=32.976X1+16.703X2-21.305X3+25.926X4+356.536X5-568.738X6+206.148X7+283.056X8-370.824X9+295.411X10-237.134X11+0.025 （II）
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的农药残留量。
将反射率图像中的每个像素点所对应的反射率代入式（II）中进行农药残留量的计算，得到待测赣南脐橙图像中的每个像素点处的农药残留量，进而据此绘制赣南脐橙的农药残留量分布图，得到赣南脐橙各点处的农药残留量分布信息，某一侧面的农药残留量分布如图3所示，图2为没有农药残留的赣南脐橙的高光谱图像依据本发明提供的方法计算得到的农药残留分布图。
利用本发明方法对预测集中的5个赣南脐橙（每个赣南脐橙对应15个区域）检测得到的预测农药残留量（将平均反射率代入式（I）中求得）与利用GB/T22243-2008方法检测的真实农药残留量的结果比较见表1。
表1
数据集 样本个数 相关系数 均方根误差
建模集 10 0.8542 0.0053
预测集 5 0.8467 0.0056
由表1中可以看出，本发明提出的检测方法的预测结果与利用国标方法的测量值呈高度相关性。
对比例1
选取十一个特征波长，分别为412nm、435nm、522nm、635nm、682nm、695nm、780nm、883nm、952nm、960nm和1025nm，并基于这十一个特征波长以相同方式建立农药残留量与反射率的关系如式（III）所示：Y=31.125X1+15.986X2-20.652X3+24.748X4+351.147X5-564.457X6+216.358X7+282.472X8-372.152X9+292.432X10-234.054X11+0.024 （III）
式（III）中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的农药残留量。
在十一个特征波长处获取赣南脐橙的单波段光谱图像，并基于式（III）计算得到赣南脐橙的农药残留量，与利用GB/T22243-2008方法检测的真实农药残留量的结果对比如表2所示。
表2
数据集 样本个数 相关系数 均方根误差
建模集 10 0.5472 0.0082
预测集 5 0.5245 0.0096
对比例2
选取十一个特征波长，分别为413nm、433nm、523nm、634nm、683nm、694nm、782nm、882nm、954nm、964nm和1026nm，并基于这十一个特征波长以相同方式建立农药残留量与反射率的关系如式（IV）所示：
Y=30.902X1+14.486X2-21.052X3+23.908X4+352.657X5-562.427X6+213.328X7+272.422X8-342.192X9+291.412X10-231.064X11+0.027 （IV）
式（IV）中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的农药残留量。
在十一个特征波长处获取赣南脐橙的单波段光谱图像，并基于式（IV）计算得到赣南脐橙的农药残留量，与利用GB/T22243-2008检测的真实农药残留量的结果对比如表3所示。
表3
数据集 样本个数 相关系数 均方根误差
建模集 100 0.5048 0.0096
预测集 50 0.4967 0.0099
由实施例1和对比例1、2的结果来看，选取特征波长对于检测农药残留量是否准确有重要影响，本发明通过选取合适的特征波长，得到了决定系数很高的检测结果，用于快速进行农药残留量的空间分布结果。

Claims (5)

1.一种基于高光谱成像技术的脐橙表面农药残留量的检测方法，其特征在于，包括以下步骤：
（1）采集待测脐橙在十一个特征波长处的单波段光谱图像；所述十一个特征波长分别为410nm、431nm、520nm、637nm、680nm、690nm、784nm、880nm、950nm、967nm和1020nm；
（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；
（3）依据下式计算得到脐橙的反射率图像中每个像素点所对应的农药残留量；
Y=32.976X1+16.703X2-21.305X3+25.926X4+356.536X5-568.738X6+206.148X7+283.056X8-370.824X9+295.411X10-237.134X11+0.025
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的农药残留量。
2.如权利要求1所述的基于高光谱成像技术的脐橙表面农药残留量的检测方法，其特征在于，所述步骤（2）中单波段光谱图像的灰度值与反射率的线性关系的获取步骤如下：
2-1、采集至少三块漫反射标准板在十一个特征波长处的基准单波段光谱图像，求取每幅基准单波段图像的灰度值，在可见近红外光谱范围内，所采用的漫反射标准板具有互不相同的反射率；
2-2、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
3.如权利要求2所述的基于高光谱成像技术的脐橙表面农药残留量的检测方法，其特征在于，所述漫反射标准板为三～十一块。
4.如权利要求3所述的基于高光谱成像技术的脐橙表面农药残留量的检测方法，其特征在于，所述漫反射标准板为三块，分别为99%漫反射标准板、75%漫反射标准板和2%漫反射标准板。
5.如权利要求1所述的基于高光谱成像技术的脐橙表面农药残留量的检测方法，其特征在于，所述步骤（3）中，计算得到脐橙的反射率图像中每个像素点所对应的农药残留量后，绘制农药残留量分布图。
CN201310562404.5A 2013-11-12 2013-11-12 基于高光谱成像技术的脐橙表面农药残留量的检测方法 Active CN103630498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310562404.5A CN103630498B (zh) 2013-11-12 2013-11-12 基于高光谱成像技术的脐橙表面农药残留量的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310562404.5A CN103630498B (zh) 2013-11-12 2013-11-12 基于高光谱成像技术的脐橙表面农药残留量的检测方法

Publications (2)

Publication Number Publication Date
CN103630498A true CN103630498A (zh) 2014-03-12
CN103630498B CN103630498B (zh) 2015-09-16

Family

ID=50211774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310562404.5A Active CN103630498B (zh) 2013-11-12 2013-11-12 基于高光谱成像技术的脐橙表面农药残留量的检测方法

Country Status (1)

Country Link
CN (1) CN103630498B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931470A (zh) * 2015-06-02 2015-09-23 江苏大学 一种基于荧光高光谱技术的农药残留检测装置及检测方法
CN105300895A (zh) * 2015-11-05 2016-02-03 浙江大学 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法
CN105424622A (zh) * 2015-11-05 2016-03-23 浙江大学 一种利用特征三角形面积预警马铃薯发芽的方法
CN105954202A (zh) * 2016-04-22 2016-09-21 浙江大学 一种柑橘溃疡病高光谱模型传递的方法
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN110579533A (zh) * 2018-05-21 2019-12-17 珠海格力电器股份有限公司 一种目标对象安全性检测方法和设备
CN111289446A (zh) * 2020-03-30 2020-06-16 天津工业大学 一种复杂溶液成分浓度的检测方法及系统
CN112586654A (zh) * 2020-11-18 2021-04-02 海南威尔检测技术有限公司 农产品农药残留速检和无害化处理方法
CN113740276A (zh) * 2021-09-02 2021-12-03 福州大学 基于多光谱探测系统果蔬农残可视化实时检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403689A (zh) * 2008-11-20 2009-04-08 北京航空航天大学 一种植物叶片生理指标无损检测方法
WO2011054040A1 (en) * 2009-11-03 2011-05-12 Commonwealth Scientific And Industrial Research Organisation System and method for integration of spectral and 3-dimensional imaging data
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102609963A (zh) * 2012-01-18 2012-07-25 中国人民解放军61517部队 高光谱图像的模拟方法
US20120250025A1 (en) * 2009-09-04 2012-10-04 Moshe Danny S Grading of agricultural products via hyper spectral imaging and analysis
CN103278460A (zh) * 2013-05-30 2013-09-04 华南农业大学 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403689A (zh) * 2008-11-20 2009-04-08 北京航空航天大学 一种植物叶片生理指标无损检测方法
US20120250025A1 (en) * 2009-09-04 2012-10-04 Moshe Danny S Grading of agricultural products via hyper spectral imaging and analysis
WO2011054040A1 (en) * 2009-11-03 2011-05-12 Commonwealth Scientific And Industrial Research Organisation System and method for integration of spectral and 3-dimensional imaging data
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102609963A (zh) * 2012-01-18 2012-07-25 中国人民解放军61517部队 高光谱图像的模拟方法
CN103278460A (zh) * 2013-05-30 2013-09-04 华南农业大学 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘燕德等: "高光谱成像技术在农产品检测中的应用", 《食品与机械》 *
索少增等: "高光谱图像技术检测梨表面农药残留试验研究", 《北京工商大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931470B (zh) * 2015-06-02 2018-04-03 江苏大学 一种基于荧光高光谱技术的农药残留检测装置及检测方法
CN104931470A (zh) * 2015-06-02 2015-09-23 江苏大学 一种基于荧光高光谱技术的农药残留检测装置及检测方法
CN105300895A (zh) * 2015-11-05 2016-02-03 浙江大学 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法
CN105424622A (zh) * 2015-11-05 2016-03-23 浙江大学 一种利用特征三角形面积预警马铃薯发芽的方法
CN105300895B (zh) * 2015-11-05 2017-12-26 浙江大学 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法
CN105424622B (zh) * 2015-11-05 2018-01-30 浙江大学 一种利用特征三角形面积预警马铃薯发芽的方法
CN105954202A (zh) * 2016-04-22 2016-09-21 浙江大学 一种柑橘溃疡病高光谱模型传递的方法
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN110579533A (zh) * 2018-05-21 2019-12-17 珠海格力电器股份有限公司 一种目标对象安全性检测方法和设备
CN110579533B (zh) * 2018-05-21 2020-12-04 珠海格力电器股份有限公司 一种目标对象安全性检测方法和设备
CN111289446A (zh) * 2020-03-30 2020-06-16 天津工业大学 一种复杂溶液成分浓度的检测方法及系统
CN112586654A (zh) * 2020-11-18 2021-04-02 海南威尔检测技术有限公司 农产品农药残留速检和无害化处理方法
CN113740276A (zh) * 2021-09-02 2021-12-03 福州大学 基于多光谱探测系统果蔬农残可视化实时检测方法及系统

Also Published As

Publication number Publication date
CN103630498B (zh) 2015-09-16

Similar Documents

Publication Publication Date Title
CN103630498B (zh) 基于高光谱成像技术的脐橙表面农药残留量的检测方法
CN103674838B (zh) 一种基于高光谱成像技术的鱼脂肪含量分布检测方法
CN103630499B (zh) 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法
CN103674864B (zh) 一种基于高光谱成像技术的鱼水分含量分布检测方法
Lu et al. Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: A review
Qin et al. Line-scan hyperspectral imaging techniques for food safety and quality applications
Abdullah et al. The applications of computer vision system and tomographic radar imaging for assessing physical properties of food
Wu et al. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet
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
CN103900972B (zh) 基于多特征融合的肉类新鲜度高光谱图像可视化检测
Chao et al. Spectral line-scan imaging system for high-speed non-destructive wholesomeness inspection of broilers
CN101776597A (zh) 一种畜肉细菌总数无损检测方法
Wang et al. The early, rapid, and non-destructive detection of citrus Huanglongbing (HLB) based on microscopic confocal Raman
Zhou et al. Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry
CN104297136A (zh) 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法
CN106018292A (zh) 蛋清中蛋白质构象的无损检测装置及其方法
Akter et al. A comprehensive review of external quality measurements of fruits and vegetables using nondestructive sensing technologies
Hu et al. Research on nondestructive detection of pine nut quality based on terahertz imaging
Peng et al. Defects recognition of pine nuts using hyperspectral imaging and deep learning approaches
Hu et al. Integration of Optical Property Mapping and Machine Learning for Real-Time Classification of Early Bruises of Apples
CN103163083B (zh) 一种生鲜肉类多参数检测的双波段光谱融合方法及系统
CN101858862B (zh) 一种油菜籽硫甙含量快速检测方法及系统
Chen et al. Hyperspectral reflectance imaging for detecting typical defects of durum kernel surface
CN103592258B (zh) 一种茶叶中茶多酚含量的检测方法
CN103592230B (zh) 一种茶叶中干物质含量的检测方法

Legal Events

Date Code Title Description
PB01 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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140312

Assignee: Yongkang power Polytron Technologies Inc

Assignor: Zhejiang University

Contract record no.: 2018330000030

Denomination of invention: Method for detecting pesticide residue on surface of navel orange based on hyperspectral imaging technology

Granted publication date: 20150916

License type: Common License

Record date: 20180328

EE01 Entry into force of recordation of patent licensing contract