CN104198398A - 一种基于高光谱成像鉴别阿胶的方法 - Google Patents
一种基于高光谱成像鉴别阿胶的方法 Download PDFInfo
- Publication number
- CN104198398A CN104198398A CN201410386257.5A CN201410386257A CN104198398A CN 104198398 A CN104198398 A CN 104198398A CN 201410386257 A CN201410386257 A CN 201410386257A CN 104198398 A CN104198398 A CN 104198398A
- Authority
- CN
- China
- Prior art keywords
- donkey
- hide gelatin
- sample
- characteristic signal
- detected
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于高光谱成像鉴别阿胶的方法，选取特定厂家的阿胶产品作为样本；采用高光谱系统的反射模式分别采集样本中单个阿胶样品的高光谱图像；获取每个样品的特征信号，即由多幅光谱图像组成的光谱立方体；对特征信号进行预处理，并将该样本中的所有样品数据划分为校正集数据和验证集数据，采用校正集数据建立主成分分析判别模型并以验证集数据对所建立的判别模型进行验证；采集待检测阿胶样品的特征信号进行预处理后代入所述主成分分析判别模型，计算待检测阿胶样品的主成分数据与判别模型主成分中心的距离，得到待检测阿胶样品的F值，根据方差齐性检验的置信区间判断其精密度是否有显著性差异，不存在显著性差异的为该特定厂家的阿胶。
Description
技术领域
本发明涉及阿胶鉴别领域，具体而言，涉及一种基于高光谱成像技术鉴别阿胶的方法。
背景技术
阿胶，其应用已有3000年历史，历来被誉为“补血圣药”、“滋补国宝”，与人参、鹿茸一起被誉为“中药三宝”。阿胶的原产地是山东“东阿县”。东阿阿胶历来名冠天下，直至今日“东阿阿胶”几乎已经成为阿胶的代名词，同时也演变为对国内最大的阿胶及系列产品生产企业-山东东阿阿胶股份有限公司的简称。
目前，阿胶生产厂家众多，由于原料和生产工艺不同，导致产品质量参差不齐，但目前药典标准设置相对较低，无法判定阿胶的真伪优劣和质量等级，特别是一些厂家以次充良，将质量较差的阿胶以著名商标厂家的阿胶的名义出售，破坏市场秩序，给著名商标厂家的名誉造成不良影响的同时，也欺骗和伤害了消费者。在此背景下，急需一种客观、快速、有效的方法对阿胶产品予以鉴定，以使消费者区别名优厂家的阿胶产品与其他生产厂家的阿胶产品。
发明内容
本发明提供一种基于高光谱成像鉴别阿胶的方法，用以客观、快速、有效地对对阿胶产品予以鉴定，以区别特定厂家的阿胶产品与其他生产厂家的阿胶产品。
为达到上述目的，本发明提供了一种基于高光谱成像鉴别阿胶的方法，包括以下步骤：
a)选取特定厂家的阿胶产品作为样本；
b)所述样本中的阿胶样品平放在高光谱系统的输送台上，采用反射模式分别采集单个阿胶样品的高光谱图像；
根据所采集的高光谱图像，获取每个样品的特征信号，所述特征信号为由多幅光谱图像组成的光谱立方体，该光谱立方体的三个维度分别为空间位置、波长和光谱吸收值；
c)对获取的所述特征信号进行预处理，并将该样本中的所有样品划分为校正集和验证集，采用所述校正集的样品特征信号建立判别模型，并通过所述验证集的样品特征信号对所建立的判别模型进行验证；其中，采用所述校正集的样品特征信号建立判别模型的方法是：获取校正集中所有样品经预处理后的数据，采用SIMCA方法对该样本建立一个主成分分析判别模型，先将所述校正集中的样品作为一个训练集，将所述训练集的样品数据矩阵分别进行主成分分析，建立所述训练集的主成分分析判别模型并以留一法对所述主成分分析判别模型进行优化；
d)根据步骤b的方法采集待检测阿胶样品的特征信号，并对待检测阿胶样品的特征信号进行预处理，将待检测阿胶样品的特征信号代入所述主成分分析判别模型，得到待检测阿胶样品的主成分数据与所述培训集的主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计 算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，判断待检测阿胶样品与所述主成分分析判别模型的精密度是否有显著性差异，若F计算﹤F临界，则待检测阿胶样品与该特定厂家的阿胶样本不存在显著性差异，认定为待检测阿胶样品是该特定厂家的阿胶，若F计算﹥F临界，则待检测阿胶样品与该特定厂家的阿胶样本存在显著性差异，认定为待检测阿胶样品不是该特定厂家的阿胶。
其中，对所述特征信号进行预处理的方法是：将三维的光谱立方体展开为二维数据，对所述特征信号进行预处理的方法是：将三维的光谱立方体展开为二维数据，将所述二维数据按照标准正则变换进行归一化处理(使其符合二维正态分布)或者进行多元散射校正。
其中，对所述特征信号进行预处理的方法是：获取不同样品中同一光谱立方体中的所有光谱的光谱平均值，将该光谱平均值作为标准光谱，将每个样品的红外光谱与该标准光谱进行一元线性回归运算，并按照标准正则变换进行归一化处理或者进行多元散射校正。
其中，设定扫描区域为1000×1000～5000×5000μm、分辨率为2～32cm-1、像素大小为25×25μm～50×50μm、扫描次数为1～8次、干涉仪移动速度为0.1～1cm/s。
其中，步骤a)中选取的该样本至少具有20个样品。
其中，所述校正集和所述验证集的样本数之比约为2:1。
其中，设定的显著性水平α为0.05。
与现有技术相比，本发明的有益效果在于：
本发明提供的基于高光谱成像鉴别阿胶的方法，在不破坏阿胶结构的前提下，实现快速、准确的数据测量；对特征信号进行归一化处理，建立主成分分析模型，利用F检验进行判别，客观、准确、快捷，分析过程简便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的基于高光谱成像鉴别阿胶的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一个实施例的基于高光谱成像鉴别阿胶的方法流程图。如图1所示，本发明的于高光谱成像鉴别阿胶的方法，包括以下步骤：
a)选取特定厂家的阿胶产品作为样本；
b)所述样本中的阿胶样品平放在高光谱系统的输送台上，采用反射模式分别采集单个阿胶样品的高光谱图像；
根据所采集的高光谱图像，获取每个样品的特征信号，所述特征信号为由多幅光谱图像组成的光谱立方体，该光谱立方体的三个维度分别为空间位置、波长和光谱吸收值；
c)对获取的所述特征信号进行预处理，并将该样本中的所有样品划分为校正集和验证集，采用所述校正集的样品特征信号建立判别模型，并通过所述验证集的样品特征信号对所建立的判别模型进行验证；其中，采用所述校正集的样品特征信号建立判别模型的方法是：获取校正集中所有样品经预处理后的数据，采用SIMCA方法对该样本建立一个主成分分析判别模型，先将所述校正集中的样品作为一个训练集，将所述训练集的样品数据矩阵分别进行主成分分析，建立所述训练集的主成分分析判别模型并以留一法对所述主成分分析判别模型进行优化；模型验证的原则是：根据模型的预测结果和先验知识计算预测准确率，结果达到验证集样品的判别准确率大于95％时，模型可用；
d)根据步骤b的方法采集待检测阿胶样品的特征信号，并对待检测阿胶样品的特征信号进行预处理，将待检测阿胶样品的特征信号代入所述主成分分析判别模型，得到待检测阿胶样品的主成分数据与所述培训集的主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计 算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，判断待检测阿胶样品与所述主成分分析判别模型的精密度是否有显著性差异，若F计算﹤F临界，则待检测阿胶样品与该特定厂家的阿胶样本不存在显著性差异，认定为待检测阿胶样品是该特定厂家的阿胶，若F计算﹥F临界，则待检测阿胶样品与该特定厂家的阿胶样本存在显著性差异，认定为待检测阿胶样品不是该特定厂家的阿胶。
在本发明的一个实施例中，对所述特征信号进行预处理的方法是：将三维的光谱立方体展开为二维数据，将所述二维数据按照标准正则变换进行归一化处理(使其符合二维正态分布)或者进行多元散射校正。
在本发明的一个实施例中，对所述特征信号进行预处理的方法是：获取同一光谱立方体中的所有光谱的光谱平均值，获取不同样品中同一光谱立方体中的所有光谱的光谱平均值，将该光谱平均值作为标准光谱，将每个样品的红外光谱与该标准光谱进行一元线性回归运算，并按照标准正则变换进行归一化处理或者进行多元散射校正。
在本发明的一个实施例中，设定扫描区域为1000×1000～5000×5000μm、分辨率为2～32cm-1、像素大小为25×25μm～50×50μm、扫描次数为1～8次、干涉仪移动速度为0.1～1cm/s。
在本发明的一个实施例中，步骤a)中选取的该样本至少具有20个样品。
在本发明的一个实施例中，所述校正集和所述验证集的样本数之比约为2:1。
在本发明的一个实施例中，设定的显著性水平α为0.05。
以下以鉴别山东东阿阿胶股份有限公司生产的阿胶产品(以下简称东阿阿胶)为例，具体说明本发明的实施过程。
实施例1
近红外波段高光谱成像技术的光谱数据展开用于东阿阿胶的鉴定
选取34份编号为120453的东阿阿胶产品作为样本；
用高光谱图像采集系统获取每个样品的高光谱图像。图像采集过程中，将阿胶样品平放在输送台上，采用反射模式采集样品的高光谱图像，设定扫描波段为4000-10000cm-1，扫描区域为5000×5000μm，分辨率为16cm-1，像素大小为25×25μm，扫描次数为2次，干涉仪移动速度为1cm/s。
选择4000-7200cm-1波段光谱图像组成的光谱立方体，将所采集的该光谱立方体的高光谱成像数据按照像素展开，进行标准正则变化(Standard normal variate，SNV)后，取其一阶导数进行建模。建模采用SIMCA方法，采用SIMCA-P+(Version12.0.1，瑞典Umetrics公司)数据处理软件进行建模。将样品分为校正集和验证集，校正集22份样品，用于作为一个训练集建立主成分分析判别模型；12份样品为验证集样品，用以检验模型的预测性能。主成分分析判别模型建立后以留一法进行优化，优化时以留一法交叉验证的结果作为判据，即每次从校正集样品中剔除一个样品，而采用其他样品进行建模，用所建模型对剔除样品进行预测，判断其是否为东阿阿胶，这样校正集所有样品都会被预测一次，以总的误判率作为判据，优选建模参数。
对优化后的主成分分析判别模型，将验证集样品的预处理后的数据分别代入鉴别，鉴别方法是，计算验证集样品的主成分数据与主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，若F计算﹤F临界，则认定样品为东阿阿胶，若F计算﹥F临界，则认定样品不是东阿阿胶。检验结果错判率为3.45％。该结果表明模型可用。
实施例2
中红外波段高光谱成像技术的光谱数据展开用于东阿阿胶的鉴定
选取34份编号为120453的东阿阿胶产品作为样本；
用高光谱图像采集系统获取每个样品的高光谱图像。图像采集过程中，将阿胶样品平放在输送台上，采用反射模式采集样品的高光谱图像，设定扫描波段为450-4000cm-1，扫描区域为5000×5000μm，分辨率为16cm-1，像素大小为25×25μm，扫描次数为2次，干涉仪移动速度为1cm/s。
选择450-3200cm-1波段光谱图像组成的光谱立方体，将所采集的该光谱立方体的高光谱成像数据按照像素展开，进行多元散射校正(Multiplicative signalcorrection，MSC)后，取其二阶导数进行建模。建模采用SIMCA方法，采用SIMCA-P+(Version 12.0.1，瑞典Umetrics公司)数据处理软件进行建模。将样品分为校正集和验证集，校正集22份样品，用于作为一个训练集建立主成分分析判别模型；14份样品为验证集样品，用以检验模型的预测性能。主成分分析判别模型建立后以留一法进行优化，优化方法与实施例1相同。
对优化后的主成分分析判别模型，将验证集样品的预处理后的数据分别代入鉴别，鉴别方法是，计算验证集样品的主成分数据与主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，若F计算﹤F临界，则认定样品为东阿阿胶，若F计算﹥F临界，则认定样品不是东阿阿胶。检验结果错判率为0％。该结果表明模型可用。
实施例3
近红外波段高光谱成像技术的取平均光谱用于东阿阿胶的鉴定
选取34份编号为120453的东阿阿胶产品作为样本；
用高光谱图像采集系统获取每个样品的高光谱图像。图像采集过程中，将阿胶样品平放在输送台上，采用反射模式采集样品的高光谱图像，设定扫描波段为4000-10000cm-1，扫描区域为5000×5000μm，分辨率为16cm-1，像素大小为25×25μm，扫描次数为2次，干涉仪移动速度为1cm/s。
选择4500-8000cm-1波段光谱图像组成的光谱立方体，获取不同样品中同一光谱立方体中的所有光谱的光谱平均值，将该光谱平均值作为标准光谱，将每个样品的红外光谱与该标准光谱进行一元线性回归运算，进行多元散射校正(Multiplicativesignal correction，MSC)后，取其一阶导数进行建模。建模采用SIMCA方法，采用SIMCA-P+(Version12.0.1，瑞典Umetrics公司)数据处理软件进行建模。将样品分为校正集和验证集，校正集22份样品，用于作为一个训练集建立主成分分析判别模型；14份样品为验证集样品，用以检验模型的预测性能。主成分分析判别模型建立后以留一法进行优化，优化方法与实施例1相同。
对优化后的主成分分析判别模型，将验证集样品的预处理后的数据分别代入鉴别，鉴别方法是，计算验证集样品的主成分数据与主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，若F计算﹤F临界，则认定样品为东阿阿胶，若F计算﹥F临界，则认定样品不是东阿阿胶。检验结果错判率为0％。该结果表明模型可用。
实施例4
中红外波段高光谱成像技术的光谱数据展开用于东阿阿胶的鉴定
选取34份编号为120453的东阿阿胶产品作为样本；
用高光谱图像采集系统获取每个样品的高光谱图像。图像采集过程中，将阿胶样品平放在输送台上，采用反射模式采集样品的高光谱图像，设定扫描波段为450-4000cm-1，扫描区域为5000×5000μm，分辨率为16cm-1，像素大小为25×25μm，扫描次数为2次，干涉仪移动速度为1cm/s。
选择450-4000cm-1波段光谱图像组成的光谱立方体，获取不同样品中同一光谱立方体中的所有光谱的光谱平均值，将该光谱平均值作为标准光谱，将每个样品的红外光谱与该标准光谱进行一元线性回归运算，进行多元散射校正(Multiplicativesignal correction，MSC)后，取其二阶导数进行建模。建模采用SIMCA方法，采用SIMCA-P+(Version12.0.1，瑞典Umetrics公司)数据处理软件进行建模。将样品分为校正集和验证集，校正集22份样品，用于作为一个训练集建立主成分分析判别模型；14份样品为验证集样品，用以检验模型的预测性能。主成分分析判别模型建立后以留一法进行优化，优化方法与实施例1相同。
对优化后的主成分分析判别模型，将验证集样品的预处理后的数据分别代入鉴别，鉴别方法是，计算验证集样品的主成分数据与主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，若F计算﹤F临界，则认定样品为东阿阿胶，若F计算﹥F临界，则认定样品不是东阿阿胶。检验结果错判率为3.70％。该结果表明模型可用。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (7)
1.一种基于高光谱成像鉴别阿胶的方法，其特征在于，包括以下步骤：
a)选取特定厂家的阿胶产品作为样本；
b)所述样本中的阿胶样品平放在高光谱系统的输送台上，采用反射模式分别采集单个阿胶样品的高光谱图像；
根据所采集的高光谱图像，获取每个样品的特征信号，所述特征信号为由多幅光谱图像组成的光谱立方体，该光谱立方体的三个维度分别为空间位置、波长和光谱吸收值；
c)对获取的所述特征信号进行预处理，并将该样本中的所有样品划分为校正集和验证集，采用所述校正集的样品特征信号建立判别模型，并通过所述验证集的样品特征信号对所建立的判别模型进行验证；其中，采用所述校正集的样品特征信号建立判别模型的方法是：获取校正集中所有样品经预处理后的数据，采用SIMCA方法对该样本建立一个主成分分析判别模型，先将所述校正集中的样品作为一个训练集，将所述训练集的样品数据矩阵分别进行主成分分析，建立所述训练集的主成分分析判别模型并以留一法对所述主成分分析判别模型进行优化；
d)根据步骤b的方法采集待检测阿胶样品的特征信号，并对待检测阿胶样品的特征信号进行预处理，将待检测阿胶样品的特征信号代入所述主成分分析判别模型，得到待检测阿胶样品的主成分数据与所述培训集的主成分分析判别模型的主成分中心的距离，并根据该距离计算待检测阿胶样品的方差齐性检验的F计算值F计 算，根据设定的方差齐性检验分类的置信区间，将F计算与设定的显著性水平α处的临界值F临界相比较，判断待检测阿胶样品与所述主成分分析判别模型的精密度是否有显著性差异，若F计算﹤F临界，则待检测阿胶样品与该特定厂家的阿胶样本不存在显著性差异，认定为待检测阿胶样品是该特定厂家的阿胶，若F计算﹥F临界，则待检测阿胶样品与该特定厂家的阿胶样本存在显著性差异，认定为待检测阿胶样品不是该特定厂家的阿胶。
2.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，对所述特征信号进行预处理的方法是：将三维的光谱立方体展开为二维数据，将所述二维数据按照标准正则变换进行归一化处理或者进行多元散射校正。
3.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，对所述特征信号进行预处理的方法是：获取不同样品中同一光谱立方体中的所有光谱的光谱平均值，将该光谱平均值作为标准光谱，将每个样品的红外光谱与该标准光谱进行一元线性回归运算，并按照标准正则变换进行归一化处理或者进行多元散射校正。
4.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，设定扫描区域为1000×1000～5000×5000μm、分辨率为2～32cm-1、像素大小为25×25μm～50×50μm、扫描次数为1～8次、干涉仪移动速度为0.1～1cm/s。
5.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，步骤a)中选取的该样本至少具有20个样品。
6.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，所述校正集和所述验证集的样本数之比约为2:1。
7.根据权利要求1所述的基于高光谱成像鉴别阿胶的方法，其特征在于，设定的显著性水平α为0.05。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410386257.5A CN104198398A (zh) | 2014-08-07 | 2014-08-07 | 一种基于高光谱成像鉴别阿胶的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410386257.5A CN104198398A (zh) | 2014-08-07 | 2014-08-07 | 一种基于高光谱成像鉴别阿胶的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104198398A true CN104198398A (zh) | 2014-12-10 |
Family
ID=52083723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410386257.5A Pending CN104198398A (zh) | 2014-08-07 | 2014-08-07 | 一种基于高光谱成像鉴别阿胶的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104198398A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136899A (zh) * | 2015-09-11 | 2015-12-09 | 东阿阿胶股份有限公司 | 一种鉴别不同厂家、不同地域所生产阿胶的方法 |
| WO2018054091A1 (zh) * | 2016-09-23 | 2018-03-29 | 广州道地南药技术研究有限公司 | 化橘红成分鉴定方法 |
| CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
| CN110647915A (zh) * | 2019-08-23 | 2020-01-03 | 米津锐 | 一种用于高维数据一致性分析的动态模式判断方法 |
| CN114814052A (zh) * | 2022-04-02 | 2022-07-29 | 云南中烟工业有限责任公司 | 基于gc-ims的香精香料复杂体系的相似度分析方法 |
| CN115015136A (zh) * | 2022-04-13 | 2022-09-06 | 中煤科工集团重庆研究院有限公司 | 一种基于主成分优化的气体浓度检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN103018180A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
-
2014
- 2014-08-07 CN CN201410386257.5A patent/CN104198398A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN103018180A (zh) * | 2012-12-11 | 2013-04-03 | 江苏大学 | 一种基于多源光信息技术的棉花病害检测方法和装置 |
Non-Patent Citations (7)
| Title |
|---|
| 刘雪云等: "基于SIMCA模型的纸浆种类近红外光谱鉴别", 《中国造纸》 * |
| 单佳佳等: "基于高光谱成像技术的苹果内外品质同时检测", 《农业机械学报》 * |
| 孙梅等: "基于高光谱成像技术的水果品质无损检测", 《食品科学技术学报》 * |
| 孙梅等: "高光谱成像技术的苹果品质无损检测", 《红外与激光工程》 * |
| 彭彦昆等: "农畜产品品质安全高光谱无损检测技术进展和趋势", 《农业机械学报》 * |
| 瞿海斌等: "近红外漫反射光谱法快速无损鉴别阿胶真伪", 《光谱学与光谱分析》 * |
| 赵杰文等: "利用高光谱图像技术检测水果轻微损伤", 《农业机械学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136899A (zh) * | 2015-09-11 | 2015-12-09 | 东阿阿胶股份有限公司 | 一种鉴别不同厂家、不同地域所生产阿胶的方法 |
| CN105136899B (zh) * | 2015-09-11 | 2018-05-29 | 东阿阿胶股份有限公司 | 一种鉴别不同厂家、不同地域所生产阿胶的方法 |
| WO2018054091A1 (zh) * | 2016-09-23 | 2018-03-29 | 广州道地南药技术研究有限公司 | 化橘红成分鉴定方法 |
| CN108647675A (zh) * | 2018-05-10 | 2018-10-12 | 众安信息技术服务有限公司 | 一种鸡蛋类型鉴别方法及装置 |
| CN110647915A (zh) * | 2019-08-23 | 2020-01-03 | 米津锐 | 一种用于高维数据一致性分析的动态模式判断方法 |
| CN114814052A (zh) * | 2022-04-02 | 2022-07-29 | 云南中烟工业有限责任公司 | 基于gc-ims的香精香料复杂体系的相似度分析方法 |
| CN115015136A (zh) * | 2022-04-13 | 2022-09-06 | 中煤科工集团重庆研究院有限公司 | 一种基于主成分优化的气体浓度检测方法 |
| CN115015136B (zh) * | 2022-04-13 | 2023-05-12 | 中煤科工集团重庆研究院有限公司 | 一种基于主成分优化的气体浓度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104198398A (zh) | 一种基于高光谱成像鉴别阿胶的方法 | |
| Shipway et al. | Automated defect detection for fluorescent penetrant inspection using random forest | |
| CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
| CN103018180B (zh) | 一种基于多源光信息技术的棉花病害检测方法和装置 | |
| CN109946303A (zh) | 检查装置和方法 | |
| CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
| CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| Dong et al. | Sensory quality evaluation for appearance of needle-shaped green tea based on computer vision and nonlinear tools | |
| CN106340000A (zh) | 骨龄评估方法 | |
| Wang et al. | A multimodal machine vision system for quality inspection of onions | |
| CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
| CN104256882A (zh) | 基于计算机视觉的烟丝中再造烟叶比例测定方法 | |
| CN104198325A (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
| CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
| CN104318249A (zh) | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 | |
| CN105628708A (zh) | 一种南疆红枣多参量品质快速无损检测方法 | |
| Nitka et al. | Design of an automated rice grain sorting system using a vision system | |
| CN108593592A (zh) | 一种基于近红外光谱技术的半夏掺伪鉴别方法 | |
| EP3579536A1 (en) | Image processing system, optical sensor, and learning device | |
| CN104749126A (zh) | 基于近红外高光谱图像分析的小麦硬度预测方法 | |
| CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| CN110376154A (zh) | 基于光谱校正的水果在线检测方法及系统 | |
| Verdú et al. | Laser scattering imaging combined with CNNs to model the textural variability in a vegetable food tissue |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141210 |