CN103630499B - 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 - Google Patents
一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 Download PDFInfo
- Publication number
- CN103630499B CN103630499B CN201310562416.8A CN201310562416A CN103630499B CN 103630499 B CN103630499 B CN 103630499B CN 201310562416 A CN201310562416 A CN 201310562416A CN 103630499 B CN103630499 B CN 103630499B
- Authority
- CN
- China
- Prior art keywords
- protein content
- fish
- reflectivity
- single band
- image
- 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
Links
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鱼蛋白质含量分布检测方法,包括以下步骤:(1)采集待测鱼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951nm、999nm、1038nm、1110nm、1144nm、1167nm、1210nm、1229nm、1383nm、1555nm、1632nm;(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)依据公式计算得到鱼的反射率图像中每个像素点所对应的鱼蛋白质含量。本发明提供的鱼蛋白质含量分布检测方法,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。
Description
技术领域
本发明涉及蛋白质含量检测领域,具体涉及一种基于高光谱成像技术的鱼蛋白质含量分布检测方法。
背景技术
高光谱成像技术是一种将光谱和图像处理技术集成为一体,同时具备光谱和图像的特点,并可以将检测尺度精确至纳米级,由于具备这些优点,现有技术中,高光谱成像技术已广泛应用于农业、食品、石油化工、制药、饲料等多个行业,尤其是在农产品生命信息快速检测研究中具有很大的应用潜力。
蛋白质是鱼的重要组成部分,可为人体提供必需的氨基酸,是一种富含热能的营养素,能够作为人体热能的主要来源。通过对鱼蛋白质含量进行检测分析,可以实现对鱼的生长状况的检测以及连续监测,对于提高鱼的产量和质量具有重要意义。
传统的鱼蛋白质含量检测依据食品安全国家标准GB5009.5-2010来进行,按照这一方法虽然能够获得比较可靠的测量结果,但是费时费力,不仅消耗的溶剂量大,对环境污染严重,且需要专用的仪器,使用较为不便,最终获得的结果也只能获得鱼蛋白质含量的平均状况,而不能获得鱼蛋白质含量的分布情况。
申请公开号为CN101881729A的发明公开了一种预测狭鳕鱼糜蛋白质和蛋白质含量的方法,包括以下步骤:a-1、利用近红外光谱仪分别采集若干个狭鳕鱼糜样品的近红外光谱反射率,从而分别得到若干个狭鳕鱼糜样品蛋白质和蛋白质含量的近红外光谱谱图;分别测定若干个狭鳕鱼糜样品的蛋白质和蛋白质含量,从而分别得到若干个狭鳕鱼糜样品的蛋白质和蛋白质含量测定值;通过NIRCal5.2近红外分析软件将若干个狭鳕鱼糜样品的蛋白质及蛋白质含量的测定值分别和对应狭鳕鱼糜样品的蛋白质及蛋白质的近红外光谱谱图拟合,得到狭鳕鱼糜蛋白质及蛋白质含量的标准曲线;b、利用近红外光谱仪采集狭鳕鱼糜的近红外光谱反射率,从而得到狭鳕鱼糜蛋白质和蛋白质含量的近红外光谱谱图;c、用NIRCal5.2近红外分析软件调用a步骤得到的狭鳕鱼糜蛋白质及蛋白质含量的标准曲线,对b步骤得到的狭鳕鱼糜蛋白质和蛋白质含量的近红外光谱谱图进行分析,从而得到狭鳕鱼糜的蛋白质和蛋白质含量的预测值。
利用该发明提供的方法也仅能获取蛋白质以及蛋白质的平均含量,而不能获得分布,因此,需要提供一种能够快速检测鱼蛋白质含量分布的检测方法。
发明内容
本发明提供了一种基于高光谱成像技术的鱼蛋白质含量分布检测方法,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鱼蛋白质含量分布检测方法,包括以下步骤:
(1)采集待测鱼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951nm、999nm、1038nm、1110nm、1144nm、1167nm、1210nm、1229nm、1383nm、1555nm、1632nm;
(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)依据下式计算得到鱼的反射率图像中每个像素点所对应的鱼蛋白质含量;
Y=-99.759X1+106.335X2-181.41X3+240.536X4-257.751X5+87.086X6-69.975X7+98.719X8+89.372X9-107.609X10+81.578X11+26.843
式中:Xa代表anm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鱼蛋白质含量。
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。
为了直观地获知鱼蛋白质含量的分布信息,优选地,所述步骤(3)中,计算得到鱼的反射率图像中每个像素点所对应的鱼蛋白质含量后,绘制鱼蛋白质含量分布图。
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鱼的高光谱图像,利用多元线性回归分析得到鱼蛋白质含量与高光谱图像中像素点反射率的关系,快速准确检测鱼蛋白质含量分布,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,可实时在线检测鱼蛋白质含量分布。
d)将鱼蛋白质含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,得到鱼蛋白质含量分布的直观图像,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为鱼蛋白质含量的分布图。
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鱼蛋白质含量的分布均通过ENVI编程程序自动完成。
(2)计算鱼蛋白质含量分布
2-a、收集150条鱼,先采用高光谱图像成像系统(ImSpectorV10E,SpectralImagingLtd.,Oulu,Finland)分别扫描每条鱼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951nm、999nm、1038nm、1110nm、1144nm、1167nm、1210nm、1229nm、1383nm、1555nm、1632nm;每个波长处对应一幅单波段光谱图像,然后采用GB5009.5-2010国标方法测量这150条鱼的20个不同区域的蛋白质含量,即将每条鱼切割为20份,20个区域囊括整条鱼的所有部位。
在150条鱼中的随机选取100条作为建模集样本,其余50条作为预测集。
2-b、依据单波段光谱图像的灰度值与反射率的线性关系,将每条鱼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,可以把待测鱼的单波段光谱图像(单波段光谱图像中的每个像素点分别对应鱼上的一个位点,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100条鱼,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,利用每个区域的鱼蛋白质含量(国标测定得到)和平均反射率拟合得到鱼蛋白质含量与平均反射率的关系如下式(I)所示,
Y’=-99.759X’1+106.335X’2-181.41X’3+240.536X’4-257.751X’5+87.086X’6-69.975X’7+98.719X’8+89.372X’9-107.609X’10+81.578X’11+26.843(I)
式中:X’a代表anm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鱼蛋白质含量。
利用平均反射率和鱼蛋白质含量拟合得到的式(I)表达了平均反射率与鱼蛋白质含量的关系,式(I)也反应了每一像素点处反射率与蛋白质含量的关系,依据式(I)得到式(II)如下:
Y=Y=-99.759X1+106.335X2-181.41X3+240.536X4-257.751X5+87.086X6-69.975X7+98.719X8+89.372X9-107.609X10+81.578X11+26.843(II)
式中:Xa代表anm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鱼蛋白质含量。
将反射率图像中的每个像素点所对应的反射率代入式(II)中进行蛋白质含量的计算,得到待测鱼图像中的每个像素点处的蛋白质含量,进而据此绘制鱼的蛋白质含量分布图,得到鱼各点处的蛋白质含量分布信息,一个区域的蛋白质含量分布如图2所示。
利用本发明方法对预测集中的50条鱼(每条鱼对应20个区域)检测得到的预测蛋白质含量(将平均反射率代入式(I)中求得)与利用国标检测的真实蛋白质含量的结果比较见表1。
表1
数据集 | 样本个数 | 相关系数 | 均方根误差 |
建模集 | 100 | 0.9245 | 1.6648 |
预测集 | 50 | 0.8967 | 1.7836 |
由表1中可以看出,本发明提出的检测方法的预测结果与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950nm、1000nm、1030nm、1115nm、1140nm、1170nm、1215nm、1240nm、1385nm、1550nm、1635nm,并基于这十一个特征波长以相同方式建立蛋白质含量与反射率的关系如式(III)所示:
Y=-98.157X1+104.224X2-180.241X3+242.125X4-258.341X5+88.136X6-70.325X7+97.235X8+90.478X9-108.409X10+82.258X11+25.993(III)
式(III)中:Xa代表anm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蛋白质含量。
在十一个特征波长处获取鱼的单波段光谱图像,并基于式(III)计算得到鱼的蛋白质含量,与利用国标方法检测的真实蛋白质含量的结果对比如表2所示。
表2
数据集 | 样本个数 | 相关系数 | 均方根误差 |
建模集 | 100 | 0.7348 | 2.2638 |
预测集 | 50 | 0.7267 | 2.3246 |
对比例2
选取十一个特征波长,分别为952nm、1002nm、1031nm、1112nm、1142nm、1173nm、1211nm、1245nm、1386nm、1553nm、1631nm,并基于这十一个特征波长以相同方式建立蛋白质含量与反射率的关系如式(IV)所示:
Y=-96.231X1+107.104X2-181.321X3+241.256X4-254.278X5+87.225X6-73.224X7+95.336X8+92.389X9-105.426X10+84.298X11+27.263(IV)
式(IV)中:Xa代表anm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蛋白质含量。
在十一个特征波长处获取鱼的单波段光谱图像,并基于式(IV)计算得到鱼的蛋白质含量,与利用国标方法检测的真实蛋白质含量的结果对比如表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 | 0.6802 | 2.6871 |
预测集 | 50 | 0.6704 | 2.7353 |
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鱼蛋白质含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,用于快速进行鱼蛋白质含量的空间分布结果。
Claims (2)
1.一种基于高光谱成像技术的鱼蛋白质含量分布检测方法,其特征在于,包括以下步骤:
(1)采集待测鱼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951nm、999nm、1038nm、1110nm、1144nm、1167nm、1210nm、1229nm、1383nm、1555nm、1632nm;
(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;
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;
三块漫反射标准板分别为99%漫反射标准板、75%漫反射标准板和2%漫反射标准板;
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)依据下式计算得到鱼的反射率图像中每个像素点所对应的鱼蛋白质含量;
Y=-99.759X1+106.335X2-181.41X3+240.536X4-257.751X5+87.086X6-69.975X7+98.719X8+89.372X9-107.609X10+81.578X11+26.843
式中:Xa代表对应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鱼蛋白质含量。
2.如权利要求1所述的基于高光谱成像技术的鱼蛋白质含量分布检测方法,其特征在于,所述步骤(3)中,计算得到鱼的反射率图像中每个像素点所对应的鱼蛋白质含量后,绘制鱼蛋白质含量分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310562416.8A CN103630499B (zh) | 2013-11-12 | 2013-11-12 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310562416.8A CN103630499B (zh) | 2013-11-12 | 2013-11-12 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103630499A CN103630499A (zh) | 2014-03-12 |
CN103630499B true CN103630499B (zh) | 2016-04-13 |
Family
ID=50211775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310562416.8A Active CN103630499B (zh) | 2013-11-12 | 2013-11-12 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103630499B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568773A (zh) * | 2014-12-21 | 2015-04-29 | 华东交通大学 | 原位光谱检测番茄叶片超氧化物歧化酶活性装置及方法 |
CN104568774A (zh) * | 2014-12-21 | 2015-04-29 | 华东交通大学 | 多角度原位光谱检测番茄叶片氮素含量装置及方法 |
CN104502287A (zh) * | 2015-01-17 | 2015-04-08 | 华东交通大学 | 田间玉米植株叶片苏氨酸含量检测装置和方法 |
CN104568779A (zh) * | 2015-01-17 | 2015-04-29 | 华东交通大学 | 田间玉米植株叶片丙二醛含量检测装置和方法 |
CN104483274A (zh) * | 2015-01-17 | 2015-04-01 | 华东交通大学 | 田间玉米植株叶片氮素含量检测装置和方法 |
CN104535505A (zh) * | 2015-01-17 | 2015-04-22 | 华东交通大学 | 田间玉米植株叶片天冬氨酸含量检测装置和方法 |
CN104483273A (zh) * | 2015-01-17 | 2015-04-01 | 华东交通大学 | 田间玉米植株叶片木质素含量检测装置和方法 |
CN104568780A (zh) * | 2015-01-17 | 2015-04-29 | 华东交通大学 | 田间玉米植株叶片叶绿素含量检测装置和方法 |
CN104535504A (zh) * | 2015-01-17 | 2015-04-22 | 华东交通大学 | 田间玉米植株叶片蛋白质含量检测装置和方法 |
CN105115910B (zh) * | 2015-08-28 | 2018-08-17 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 |
CN105241824A (zh) * | 2015-09-30 | 2016-01-13 | 江苏大学 | 高光谱图像技术定量检测固态发酵指标分布差异的方法 |
CN106092912A (zh) * | 2016-05-23 | 2016-11-09 | 塔里木大学 | 一种枣树冠层水分含量的检测方法 |
CN106092911A (zh) * | 2016-05-23 | 2016-11-09 | 塔里木大学 | 一种枣树冠层磷含量的检测方法 |
CN105823753A (zh) * | 2016-05-23 | 2016-08-03 | 塔里木大学 | 一种枣树冠层锰含量的检测方法 |
CN105866058A (zh) * | 2016-05-23 | 2016-08-17 | 塔里木大学 | 一种枣树冠层锌含量的检测方法 |
CN105842188A (zh) * | 2016-05-23 | 2016-08-10 | 塔里木大学 | 一种枣树冠层镁含量的检测方法 |
CN105842187A (zh) * | 2016-05-23 | 2016-08-10 | 塔里木大学 | 一种枣树冠层铁含量的检测方法 |
CN105973838A (zh) * | 2016-05-23 | 2016-09-28 | 塔里木大学 | 一种枣树冠层钙含量的检测方法 |
CN105866057A (zh) * | 2016-05-23 | 2016-08-17 | 塔里木大学 | 一种枣树冠层钾含量的检测方法 |
CN105823736A (zh) * | 2016-05-23 | 2016-08-03 | 塔里木大学 | 一种枣树冠层类胡萝卜素含量的检测方法 |
CN105954207A (zh) * | 2016-05-23 | 2016-09-21 | 塔里木大学 | 一种枣树冠层叶绿素b含量的检测方法 |
CN106644958B (zh) * | 2016-11-14 | 2019-04-05 | 浙江大学 | 一种桃果实内部果胶含量空间分布成像的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6337472B1 (en) * | 1998-10-19 | 2002-01-08 | The University Of Texas System Board Of Regents | Light imaging microscope having spatially resolved images |
CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7554659B2 (en) * | 2004-06-30 | 2009-06-30 | Chemimage Corporation | Hyperspectral visible absorption imaging of molecular probes and dyes in biomaterials |
-
2013
- 2013-11-12 CN CN201310562416.8A patent/CN103630499B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6337472B1 (en) * | 1998-10-19 | 2002-01-08 | The University Of Texas System Board Of Regents | Light imaging microscope having spatially resolved images |
CN101839979A (zh) * | 2010-04-22 | 2010-09-22 | 中国农业大学 | 作物冠层植被指数测量方法及装置 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103257118A (zh) * | 2013-04-22 | 2013-08-21 | 华南理工大学 | 一种基于特征波段的鱼肉嫩度高光谱检测方法 |
Non-Patent Citations (3)
Title |
---|
"Non-destructive and rapid analysis of moisture distribution in farmed Atlantic salmon (salmo salar) fillets using visible and near-infrared hyperspectral imaging";Hong-Ju He等;《Innovative food science and emerging technologies》;20130430;第18卷;第238页右栏第25-59行,第239页右栏第1-18行,第241页,第242页,图6 * |
Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging;Douglas F.Barbin等;《food chemistry》;20121205;第138卷;全文 * |
non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression;Mohammed Kamruzzaman等;《innovative food science and emerging technologies》;20120615;第16卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103630499A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
Demattê et al. | Soil analytical quality control by traditional and spectroscopy techniques: Constructing the future of a hybrid laboratory for low environmental impact | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
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 | |
CN102279168A (zh) | 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法 | |
CN101504363A (zh) | 一种基于近红外光谱分析的食用油脂酸价检测方法 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
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 | |
CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
CN107561033A (zh) | 基于太赫兹光谱的混合物中关键物质定性和定量测定方法 | |
CN104568815A (zh) | 生鲜牛肉中挥发性盐基氮含量的快速无损检测方法 | |
CN105136767B (zh) | 基于拉曼光谱生鲜鸡肉中鲜味物质肌苷酸的快速检测方法 | |
CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 | |
CN103487398A (zh) | 一种赖氨酸发酵液的分析方法 | |
CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
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 | |
CN111896497A (zh) | 一种基于预测值的光谱数据修正方法 | |
CN101858862B (zh) | 一种油菜籽硫甙含量快速检测方法及系统 | |
CN103592258B (zh) | 一种茶叶中茶多酚含量的检测方法 | |
CN104914068A (zh) | 一种油脂中反式脂肪酸含量的光谱快速检测方法 | |
CN106872397A (zh) | 一种基于已有校正模型快速检测农产品化学组分的方法 |
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 |