CN103837492A - 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 - Google Patents
一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 Download PDFInfo
- Publication number
- CN103837492A CN103837492A CN201410061939.9A CN201410061939A CN103837492A CN 103837492 A CN103837492 A CN 103837492A CN 201410061939 A CN201410061939 A CN 201410061939A CN 103837492 A CN103837492 A CN 103837492A
- Authority
- CN
- China
- Prior art keywords
- fruit
- kiwi berry
- expand
- swelled
- really
- 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
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外漫反射光谱技术的猕猴桃膨大果（施用膨大剂的猕猴桃果实）的无损检测方法，该方法以近红外漫反射光谱仪为检测工具，通过扫描一批猕猴桃膨大果和非膨大果样品的近红外漫反射光谱获取样本的光谱数据；对光谱预处理以降低光谱中的噪声；将膨大果和非膨大果分别划分进校正集与预测集；对光谱数据降维，并从光谱中提取特征变量或特征波长；建立猕猴桃膨大果的线性或非线性识别模型，并对模型进行检验。本方法对猕猴桃膨大果的正确识别率大于96％。本发明基于采集的猕猴桃样本的近红外漫反射光谱检测猕猴桃果实是否施用膨大剂，具有无损、效率高、准确率高、便捷、结果稳定的优点。
Description
技术领域
本发明涉及水果膨大果无损检测技术领域，特别是涉及一种基于近红外光谱技术的猕猴桃膨大果无损检测方法。
背景技术
猕猴桃果实细嫩多汁、清香鲜美、酸甜宜人、营养丰富，深受广大消费者的喜爱。自20世纪90年代初，外源性植物生长调节剂（俗称膨大剂），如氯吡脲、吡效隆等作为一项重要的增产技术，在猕猴桃生产中大面积推广应用。通常将施用过膨大剂的果实称为膨大果。膨大剂虽能使猕猴桃产量提高30％~50％，但同未施用膨大剂的果实（正常果）相比，膨大果的品质较差，且不耐贮藏、烂果率高、库损严重。此外，膨大剂（属于生长激素）对人健康的潜在危害尚不明确。为了使猕猴桃产业健康发展，虽然各省已经发出了在猕猴桃生产中禁用膨大剂的通告，但使用膨大剂的现象从未被杜绝。如果不能从生产源头杜绝膨大剂的使用，识别膨大果就成为猕猴桃采后加工业亟需解决的关键问题。
马纪伟提出了一种基于高效液相色谱法测定猕猴桃中膨大剂含量的方法，但该方法是有损检测，不适于对所有个体进行无损检验。经检索，授权的实用新型专利“一种氯吡脲快速检测卡”（专利号201120165085.0）提供了一种快速检测氯吡脲含量的方法，但是该方法也是有损检测。从检索结果看，目前尚未见无损识别猕猴桃膨大果的文章和专利。
由于近红外光谱能较全面地反映农产品的内、外部物理特征和化学成分，已成为国内外农产品品质无损检测领域中一种重要的检测技术。虽然在利用近红外光谱技术检测果品的内部品质，如糖度（或可溶性固形物含量）、硬度和含水率等方面已经进行了比较广泛的研究，而现有的研究均未涉及猕猴桃膨大果识别方面。为此，有必要开发一种基于近红外光谱技术无损识别猕猴桃膨大果的方法，以保障消费者的权益，同时促使猕猴桃产业的健康发展，为猕猴桃采后加工业提供一种无损、快捷、简便、准确的猕猴桃膨大果识别技术。
发明内容
本发明的目的是提供一种基于近红外光谱技术的猕猴桃膨大果无损检测方法。通过近红外漫反射光谱装置采集一批猕猴桃膨大果和非膨大果的近红外漫反射光谱，基于光谱信息建立识别猕猴桃膨大果的模型。本发明的方法也可以用于其它果品膨大果的无损检测中。
一种基于近红外光谱技术的猕猴桃膨大果无损检测方法，包括如下步骤：
（1）选取完好无损，已知为猕猴桃膨大果和非膨大果的一批样品作为样本；
（2）采用近红外漫反射光谱仪在每个猕猴桃果实的赤道部位附近采集样品的近红外漫反射光谱。光谱的采集条件是：光谱采集范围为833~2500nm，采集间隔0.804nm，扫描次数32次，探头视场角为90°；
（3）采用多元散射校正，一阶导数、二阶导数等方法对猕猴桃膨大果和非膨大果的近红外漫反射光谱进行预处理，以校正由于光的散射而引起的光谱误差；
（4）划分猕猴桃样本，得到校正集与预测集，其中校正集中含有猕猴桃膨大果和非膨大果，预测集中也含有猕猴桃膨大果和非膨大果，且校正集中猕猴桃膨大果和非膨大果的数分别大于预测集中膨大果和非膨大果的数量；
（5）采用主成分分析法、蒙特卡洛法、连续投影算法等光谱降维方法对猕猴桃的近红外漫反射光谱进行降维，从光谱中提取能区分猕猴桃膨大果和非膨大果的特征波长或特征变量；
（6）以步骤（5）提取的特征波长或特征变量为输入参数，以猕猴桃膨大果代码和非膨大果代码为输出参数，采用偏最小二乘、间隔偏最小二乘、支持向量机等方法建立识别猕猴桃膨大果和非膨大果的线性或非线性定性识别模型，检验所建模型对校正集和预测集中的猕猴桃膨大果和非膨大果样本的正确识别率。结果说明，本方法对猕猴桃膨大果的正确识别率大于96%。
本发明中所述的猕猴桃膨大果是指在猕猴桃果实生长发育期间，施用过（涂抹、蘸用、浸渍）膨大剂的猕猴桃果实；所述的非膨大果是指在猕猴桃果实生长发育期间，未施用过（涂抹、蘸用、浸渍）膨大剂的猕猴桃果实。
本发明具有如下优点：本发明通过获取猕猴桃的近红外光谱得到其光谱信息，采用不同的数据降维技术分别建立线性或非线性识别模型，并优选出最佳的膨大果识别模型，为猕猴桃膨大果的识别提供一种无损、快捷、简便、准确的方法。
附图说明
图1：应用连续投影算法优选特征波长过程中均方根误差（RMSE）随模型中包含的波长数的变化曲线。
具体实施方式
本发明方法对不同品种猕猴桃膨大果的无损识别具有很好的通用性。由于猕猴桃品种很多，因此，本发明只以陕西省的一个主要品种——“西选二号”猕猴桃为实施实例，其他品种猕猴桃膨大果的识别可参照该实施例的方法进行。具体根据所测猕猴桃品种，建立一个适用于该品种的猕猴桃膨大果识别模型，就可以对该品种猕猴桃的膨大果进行检测。
下面结合附图和实施例对本发明作进一步说明。
依据本发明实施例的方法包括以下步骤：
步骤一，选取猕猴桃膨大果和非膨大果样品。选取一批已知是膨大果和非膨大果的完好无损样品。为保证模型的可靠性，样品总数尽可能大于100，且膨大果和正常果的总数相差不大。本实施例中在承包的猕猴桃果园中，选取“西选二号”猕猴桃膨大果和非膨大果各120个。
步骤二，采集猕猴桃样品的近红外光谱曲线。本实施例采用德国BRUKER公司的MPA型傅里叶变换近红外漫反射光谱仪采集猕猴桃样品的近红外漫反射光谱。光谱采集的条件是：光谱扫描范围833～2500，采样间隔0.804nm，扫描次数32次，探头视场角为90°，采集期间的环境为室温(23~25℃)，以仪器内置背景为参比，光谱数据由OPUS6.5(Bruker Optics, 德国)软件进行采集和导出。采集时，光纤探头与猕猴桃样品直接接触，在果实赤道部位选取均匀分布且无缺陷的2点进行测定，并取2点平均光谱作为样品光谱。
步骤三，光谱的预处理。通过UnscrabmlerV9.8（CAMO, 挪威）中的变量标准化方法对采集的近红外漫反射光谱进行预处理以校正因光的散射而引起样品光谱的误差。由于样本在各个波长点上吸光度不同，每个样本在各波长点上可以形成一条不同吸光度的光谱分布曲线，变量标准化方法对每条光谱曲线进行处理，以保证处理后的光谱数据均值为0，标准差为1。
步骤四，划分样本，得到校正集与预测集。选择Kennard-Stone法按照3:1比例划分样本。即在所有的样本中选择欧氏距离最远的两个向量对进入训练集，在接下来的迭代过程中拥有最大最小距离的待选样本被选入训练集，以此类推，达到所要求训练集的数目后停止迭代。
步骤五，对数据进行降维处理。通过选取光谱数据的主成分或提取光谱的特征波长实现数据的降维。
采用主成分分析法选取光谱的主成分时，通过降维技术把多个变量压缩成少数几个主成分变量，这些主成分不仅能够反映原始数据的绝大部分信息，而且各主成分之间互不相关，从而可以很好地降低噪声、减少冗余信息的干扰。此方法选取了前11个主成分作为特征变量，累积贡献率达到99.90%。
采用连续投影算法提取光谱特征波长时，首先选择一个初始特征波长，在剩余的波长中选择与该特征波长相关性最小的波长为另一个特征波长，然后依次进行迭代，直到特征波长数达到设定数后停止运算，通过多次迭代，找出冗余信息最少的特征波长数。选定的特征波长数的量根据校正集的均方根误差（RMSE）值确定。随着特征波长数的增加，校正集RMSE的变化过程如图1所示。本研究选择了6个波长作为特征波长，该6个特征波长分别为836、933、1146、1165、1882和2500nm。
步骤六，利用校正集样本建立猕猴桃膨大果识别模型，同时利用校正集和预测集中的猕猴桃样本对模型的可靠性进行检验。分别以步骤五中主成分分析法提取出的主成分和连续投影算法筛选的特征波长为输入参数，以膨大果代码和非膨大果代码为输出参数分别建立偏最小二乘识别模型和支持向量机识别模型。所建立的四个模型中，基于主成分分析的支持向量机模型对猕猴桃膨大果的识别率最高，其对校正集中膨大果的正确识别率达到100%，测试集膨大果的正确识别率为96.7%。
由以上实施例可以看出，本发明利用近红外漫反射光谱技术识别猕猴桃膨大果不但能实现快速无损检测，而且识别精度高。
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 (1)
1.一种基于近红外光谱技术的猕猴桃膨大果无损检测方法，其特征在于，具体包括以下步骤：
（1）选取完好无损，已知为猕猴桃膨大果和非膨大果的一批样品作为样本；
（2）采用近红外漫反射光谱仪在每个猕猴桃果实的赤道部位附近采集样品的近红外漫反射光谱；光谱的采集条件是：光谱采集范围为833~2500nm，采集间隔0.804nm，扫描次数32次，探头视场角为90°；
（3）采用多元散射校正，一阶导数、二阶导数等方法对猕猴桃膨大果和非膨大果的近红外漫反射光谱进行预处理，以校正由于光的散射而引起的光谱误差；
（4）划分猕猴桃样本，得到校正集与预测集，其中校正集中含有猕猴桃膨大果和非膨大果，预测集中也含有猕猴桃膨大果和非膨大果，且校正集中猕猴桃膨大果和非膨大果的数量分别大于预测集中膨大果和非膨大果的数量；
（5）采用主成分分析法、蒙特卡洛法、连续投影算法等光谱降维方法对猕猴桃的近红外漫反射光谱进行降维，从光谱中提取能区分猕猴桃膨大果和非膨大果的特征波长或特征变量；
（6）以步骤（5）中提取的特征波长或特征变量为输入参数，以猕猴桃膨大果代码和非膨大果代码为输出参数，采用偏最小二乘、间隔偏最小二乘、支持向量机等方法建立识别猕猴桃膨大果和非膨大果的线性或非线性定性识别模型，检验所建模型对校正集和预测集中的猕猴桃膨大果和非膨大果样本的正确识别率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410061939.9A CN103837492B (zh) | 2014-02-24 | 2014-02-24 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410061939.9A CN103837492B (zh) | 2014-02-24 | 2014-02-24 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103837492A true CN103837492A (zh) | 2014-06-04 |
| CN103837492B CN103837492B (zh) | 2015-11-25 |
Family
ID=50801209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410061939.9A Active CN103837492B (zh) | 2014-02-24 | 2014-02-24 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103837492B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN106770067A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 便携式猕猴桃糖度无损检测装置 |
| CN107292087A (zh) * | 2017-05-11 | 2017-10-24 | 广州讯动网络科技有限公司 | 一种基于分子光谱分析的定性模型评估方法和系统 |
| CN105424653B (zh) * | 2015-11-10 | 2018-04-20 | 浙江大学 | 用集成光纤探头的水果果肉组织光学特性检测系统和方法 |
| CN107941745A (zh) * | 2017-11-16 | 2018-04-20 | 赣州市检验检疫科学技术研究院 | 基于近红外光谱鉴别染色橙的方法 |
| CN108509997A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院（深圳市医疗器械检测中心） | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
| CN108548802A (zh) * | 2018-03-27 | 2018-09-18 | 陕西师范大学 | 一种利用荧光淬灭作用检测猕猴桃中氯吡脲的方法 |
| CN108613951A (zh) * | 2018-03-21 | 2018-10-02 | 浙江大学 | 便携水果硬度无损检测装置和检测方法 |
| CN109856073A (zh) * | 2019-03-13 | 2019-06-07 | 西北农林科技大学 | 便携式猕猴桃膨大果快速无损检测方法和装置 |
| CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002328088A (ja) * | 2001-05-01 | 2002-11-15 | Snow Brand Food Co Ltd | 近赤外分光法による異常肉の判別方法 |
| EP0807809B1 (en) * | 1996-05-13 | 2009-02-11 | Foss NIRSystems, Inc. | System for indentifying materials by NIR spectrometry |
| WO2012048897A1 (en) * | 2010-10-15 | 2012-04-19 | Syngenta Participations Ag | A method for classifying sugar beet seeds, comprising the usage of infrared spectroscopy |
| CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
| CN102636452A (zh) * | 2012-05-03 | 2012-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外光谱无损鉴别山参真伪的方法 |
| CN103353443A (zh) * | 2013-06-18 | 2013-10-16 | 西北农林科技大学 | 一种基于近红外光谱的中宁枸杞子判别方法 |
| CN103411906A (zh) * | 2013-08-23 | 2013-11-27 | 中国检验检疫科学研究院 | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 |
| CN103411895A (zh) * | 2013-08-23 | 2013-11-27 | 中国检验检疫科学研究院 | 珍珠粉掺伪的近红外光谱鉴别方法 |
-
2014
- 2014-02-24 CN CN201410061939.9A patent/CN103837492B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0807809B1 (en) * | 1996-05-13 | 2009-02-11 | Foss NIRSystems, Inc. | System for indentifying materials by NIR spectrometry |
| JP2002328088A (ja) * | 2001-05-01 | 2002-11-15 | Snow Brand Food Co Ltd | 近赤外分光法による異常肉の判別方法 |
| WO2012048897A1 (en) * | 2010-10-15 | 2012-04-19 | Syngenta Participations Ag | A method for classifying sugar beet seeds, comprising the usage of infrared spectroscopy |
| CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
| CN102636452A (zh) * | 2012-05-03 | 2012-08-15 | 中国科学院长春光学精密机械与物理研究所 | 一种近红外光谱无损鉴别山参真伪的方法 |
| CN103353443A (zh) * | 2013-06-18 | 2013-10-16 | 西北农林科技大学 | 一种基于近红外光谱的中宁枸杞子判别方法 |
| CN103411906A (zh) * | 2013-08-23 | 2013-11-27 | 中国检验检疫科学研究院 | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 |
| CN103411895A (zh) * | 2013-08-23 | 2013-11-27 | 中国检验检疫科学研究院 | 珍珠粉掺伪的近红外光谱鉴别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘卉等: "猕猴桃硬度近红外漫反射光谱无损检测", 《农业机械学报》, vol. 42, no. 3, 31 March 2011 (2011-03-31), pages 145 - 148 * |
| 郭文川等: "基于近红外漫反射光谱的损伤猕猴桃早期识别", 《农业机械学报》, vol. 44, no. 2, 28 February 2013 (2013-02-28), pages 142 - 146 * |
| 郭文川等: "近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃", 《光学精密工程》, vol. 21, no. 10, 31 October 2013 (2013-10-31), pages 2720 - 2725 * |
| 陈香维等: "猕猴桃糖度傅里叶变换近红外光谱无损检测", 《西北农业学报》, vol. 20, no. 7, 31 December 2011 (2011-12-31), pages 143 - 148 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105424653B (zh) * | 2015-11-10 | 2018-04-20 | 浙江大学 | 用集成光纤探头的水果果肉组织光学特性检测系统和方法 |
| CN106770067B (zh) * | 2017-01-14 | 2023-03-24 | 西北农林科技大学 | 便携式猕猴桃糖度无损检测装置 |
| CN106770067A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 便携式猕猴桃糖度无损检测装置 |
| CN107292087A (zh) * | 2017-05-11 | 2017-10-24 | 广州讯动网络科技有限公司 | 一种基于分子光谱分析的定性模型评估方法和系统 |
| CN107941745A (zh) * | 2017-11-16 | 2018-04-20 | 赣州市检验检疫科学技术研究院 | 基于近红外光谱鉴别染色橙的方法 |
| CN108613951A (zh) * | 2018-03-21 | 2018-10-02 | 浙江大学 | 便携水果硬度无损检测装置和检测方法 |
| CN108548802A (zh) * | 2018-03-27 | 2018-09-18 | 陕西师范大学 | 一种利用荧光淬灭作用检测猕猴桃中氯吡脲的方法 |
| CN108548802B (zh) * | 2018-03-27 | 2021-03-19 | 陕西师范大学 | 一种利用荧光淬灭作用检测猕猴桃中氯吡脲的方法 |
| CN108509997A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院（深圳市医疗器械检测中心） | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
| WO2019192433A1 (zh) * | 2018-04-03 | 2019-10-10 | 深圳市药品检验研究院（深圳市医疗器械检测中心） | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
| US11656176B2 (en) | 2018-04-03 | 2023-05-23 | Shenzhen Institute For Drug Control (Shenzhen Testing Center Of Medical Devices) | Near-infrared spectroscopy-based method for chemical pattern recognition of authenticity of traditional Chinese medicine Gleditsiae spina |
| CN109856073A (zh) * | 2019-03-13 | 2019-06-07 | 西北农林科技大学 | 便携式猕猴桃膨大果快速无损检测方法和装置 |
| CN111060476A (zh) * | 2019-12-19 | 2020-04-24 | 中山大学附属第一医院 | 一种用于检测创面或lb培养液细菌感染的近红外光谱系统及其检测方法 |
| CN113533236A (zh) * | 2021-09-13 | 2021-10-22 | 广东省农业科学院农业质量标准与监测技术研究所 | 水果光谱的特征提取方法、模型训练方法、检测方法 |
| US11682203B2 (en) | 2021-09-13 | 2023-06-20 | Institute of Facility Agriculture, Guangdong Academy of Agricultural Science | Feature extraction method, model training method, detection method of fruit spectrum |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103837492B (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Bai et al. | Accurate prediction of soluble solid content of apples from multiple geographical regions by combining deep learning with spectral fingerprint features | |
| CN105352895B (zh) | 高光谱遥感数据植被信息提取方法 | |
| Jie et al. | Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an on-line detection system | |
| JP5441703B2 (ja) | 可視光線・近赤外線分光分析法及びブドウ醸造方法 | |
| CN103822879A (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
| CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
| CN103743703A (zh) | 一种采用近红外光谱快速检测茶叶中主要成分的方法 | |
| Altieri et al. | Models to improve the non‐destructive analysis of persimmon fruit properties by VIS/NIR spectrometry | |
| 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 | |
| Fu et al. | Application of NIR spectroscopy for firmness evaluation of peaches | |
| CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
| Fu et al. | Determination of soluble solid content and acidity of loquats based on FT-NIR spectroscopy | |
| CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
| Liu et al. | Rapid determination of maturity in apple using outlier detection and calibration model optimization | |
| CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 | |
| Tian et al. | Measurement of soluble solids content in melon by transmittance spectroscopy | |
| Li et al. | Non-destructive measurement of fracturability and chewiness of apple by FT-NIRS | |
| Blakey et al. | Non-destructive measurement of moisture content using handheld NIR | |
| Liu et al. | Prediction of valid acidity in intact apples with Fourier transform near infrared spectroscopy | |
| Cui-qing et al. | Near infrared spectroscopy (NIRS) technology applied in millet feature extraction and variety identification | |
| Li | Nondestructive measurement model of apple internal browning based on FT-NIR spectroscopy | |
| CN103592258A (zh) | 一种茶叶中茶多酚含量的检测方法 | |
| Xiao-Feng et al. | Nondestructive hardness assessment of kiwi-fruit using near-infrared spectroscopy | |
| Li | Characteristic wavelengths analysis of apple flesh browning based on FT-NIR spectroscopy |
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 |