CN105241824A - 高光谱图像技术定量检测固态发酵指标分布差异的方法 - Google Patents
高光谱图像技术定量检测固态发酵指标分布差异的方法 Download PDFInfo
- Publication number
- CN105241824A CN105241824A CN201510641747.XA CN201510641747A CN105241824A CN 105241824 A CN105241824 A CN 105241824A CN 201510641747 A CN201510641747 A CN 201510641747A CN 105241824 A CN105241824 A CN 105241824A
- Authority
- CN
- China
- Prior art keywords
- solid state
- image
- index
- state fermentation
- pixel
- 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
本发明涉及一种基于高光谱图像技术定量检测固态发酵指标分布差异的方法,属于固态发酵定量检测技术领域;本发明首先采集固态发酵不同时期不同区域发酵基质的全波段高光谱图像,筛选最优特征波数,建立固态发酵指标含量预测模型;计算高光谱图像每个像素点对应的固态发酵指标含量值;根据获得的固态发酵指标含量值绘制固态发酵指标含量分布图;计算目标区域所有像素点指标含量均值、标准差、<i>NU</i>值,以此定量分析指标含量分布图像的分布差异;本发明优选少数特征波长来建立的表征指标含量预测模型,在准确的基础上比全光谱建模更简便和快速;能够定量分析较大的发酵层面和多个发酵池,为数字化的实时在线检测固态发酵均匀性提供技术手段。
Description
技术领域
本发明涉及一种基于高光谱图像技术定量检测固态发酵指标分布差异的方法,属于固态发酵定量检测技术领域。
背景技术
固态发酵是多数中国传统发酵食品如醋、白酒等的重要生产环节之一,直接决定着成品的风味和品质。固态发酵过程建立在微生物生长代谢的基础上,因其发酵基质呈固态形式,微生物往往在环境适宜的局部繁殖,易造成物料局部消耗大、温度高、板结等现象,进而严重影响菌体自身生长代谢,造成不均匀发酵,最终影响产品的质量。监控固态发酵指标含量的变化,可实时掌握固态发酵过程,有效调整生产工艺,减免不均匀发酵,对确保发酵食品的质量与安全具有重要意义。
目前多依据人工经验式手触或眼看等传统方法和抽样检测的方法来判断发酵过程重要理化指标的变化,进而分析发酵状态。传统方法人为误差大,主观性强;抽样检测的方法虽然能够获得较可靠的测量结果,但是费时费力,消耗的溶剂量大,且需要专用的仪器,使用较为不便,最终也只能获得指标含量的平均状况。
高光谱图像技术可将检测尺度精确至纳米级,是光谱分析技术和图像处理技术在最低数据级层面的融合技术,兼有这两种技术的优势,既能对研究对象的外部特征进行可视化分析,也能对内部有效成分进行定量预测。江苏大学在中国专利号为CN101692037A专利中公开了一种高光谱图像和独立分量分析植物叶面叶绿素分布的方法,利用高光谱图像技术采集叶片光谱和图像信息,采用独立分量分析法建立模型,计算出叶面各点的叶绿素含量值,组成叶绿素分布图。浙江大学在中国专利号为CN103630499A专利中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,依据单波段光谱图像的灰度值与反射率的线性关系,计算得到鱼蛋白质含量分布图。该两项发明专利在获得指标含量平均状况的基础上,均得到指标含量分布图,以便肉眼的判断指标的分布,然而二者均不能依靠数据定量描述指标含量在不同区域分布的差异。
利用高光谱技术检测固态发酵指标的含量能扩大检测点,获得含量分布图像,进而由点到面可视化地判断发酵程度,但仅依靠肉眼判断图像差异往往存在主观性和不准确性,不如直观数据可靠。因此,定量检测固态发酵指标含量分布在整个二维面上的差异,对监控固态发酵工艺更具有实际应用价值。
发明内容
本发明克服了依靠肉眼判断指标含量分布差异的问题,发明了一种定量分析发酵基质高光谱图像,在不破坏发酵基质的前提下,以图像均值、标准差和不均匀性为定量指标精确检测固态发酵指标在发酵基质不同区域的指标含量分布差异。本发明检测面广、精度较高,也在一定程度上降低了检测成本。
一种高光谱图像技术定量检测固态发酵指标的分布差异方法,包括以下步骤:
S1,建立固态发酵指标含量预测模型:采集固态发酵不同时期不同区域发酵基质的全波段高光谱图像,筛选最优波数段,再采用变量筛选法获得最优特征波数;以测定发酵基质的表征指标含量为因变量,以特征波数下的光谱反射率矩阵为自变量,建立固态发酵指标含量预测模型;
S2,计算高光谱图像每个像素点对应的固态发酵指标含量:将步骤S1中特征波数下的光谱反射率矩阵转化为一维矩阵获得各像素点对应的光谱反射率;将各像素点对应的光谱反射率输入步骤S1中的固态发酵指标含量预测模型,获得各像素点对应的固态发酵指标含量值;
S3,绘制固态发酵指标含量分布图:根据步骤S2获得的各像素点对应的固态发酵指标含量值绘制固态发酵指标含量分布图;
S4,计算目标区域指标含量分布图像的分布差异:计算目标区域所有像素点指标含量均值标准差σ、图像的标准差σ和图像均值的百分比值即NU值,依据均值标准差σ和NU值定量分析指标含量分布图像的分布差异。
所述步骤S1建立固态发酵指标含量预测模型过程如下:
(1)在固态发酵前期、中期和后期于同一发酵池上层、中层、下层取发酵基质共n份,并分别置于n个玻璃培养皿中,n大于等于1;采集发酵基质的全波段高光谱图像Ii,i=1,2,……n,标定后得到图像Ri,i=1,2,……n;在R上选取一定大小的像素区域,忽略图像的空间信息,获得一个二维矩阵X=m×n来表征光谱反射率,其中m为高光谱全波段的光谱变量个数;
(2)以X为观测矩阵,采用区间筛选法获得最优波数段λa~λb、λc~λd、……,再将获得的最优波段作为观测矩阵,采用变量筛选方法获得最优特征波数λ1、λ2、…、λj,j大于等于1;在高光谱图像R中提取λ1、λ2、…、λj对应的j个特征波长图像Z=e×f×j,其中e为图像每一行中像素点个数,f为图像每一列中像素点个数;
(3)测定n份发酵基质的表征指标(如总酸、pH等)含量为因变量,取步骤(2)中优选出的特征波长下的光谱反射率矩阵T=m×j为自变量,建立定量分析模型M,该模型可预测表征指标的含量。
所述步骤S2计算高光谱图像每个像素点对应的固态发酵指标含量如下:
(1)将步骤S1中的j个特征波长图像的光谱矩阵Z=j×e×f转化为一维矩阵F=1×h,获得各像素点对应的光谱反射率为F,h=j×e×f;
(2)将F输入步骤S1中的固态发酵指标含量预测模型M,获得向量y为各像素点对应的固态发酵指标含量值。
所述步骤S3绘制固态发酵指标的含量分布图过程如下:将向量y转化矩阵G=e×f,以图像形式显示矩阵G,伪彩色处理后得到发酵基质中指标含量分布图。
所述步骤S4计算指标含量分布图像的分布差异过程如下:
(1)伪彩色图B每个像素点(xi,yi)对应指标含量Zi,计算目标区域所有像素点指标含量均值根据标准差公式计算σ,n代表像素点的个数,共x×y个像素点;
(2)在红外成像技术中,图像的标准差σ和图像均值的百分比值即公式被作为图像不均匀性指标,计算NU;
(3)依据均值标准差σ和NU值定量分析指标含量分布图像的分布差异,均值可与常规理化检测结果比较,分析目标区域指标含量平均水平;标准差能反映选中区域指标含量的差异,NU值则反映指标含量分布图的不均匀性,在均值反应的目标区域指标含量平均水平的基础上,再结合标准差和NU值的水平,评价发酵均匀性,二者越大,说明该区域指标含量的离散程度越大,分布差异越大,固态发酵越不均匀,可能出现物料板结等现象,需要及时调整发酵工艺;二者越小,说明该区域发酵指标含量彼此越接近,分布均匀,发酵状况良好,工艺生产持续进行;当二者为零时,固态发酵的发酵程度处于绝对均匀状态。
与现有技术相比,本发明具有以下有益的技术效果:
(1)优选少数特征波长来建立的表征指标含量预测模型,在准确的基础上比全光谱建模更简便和快速;
(2)以图像均值、标准差和不均匀性为定量指标精确检测固态发酵指标在不同区域的含量分布差异,第一次被提出,具有创新性且比肉眼观测图像更精确;
(3)能够定量分析较大的发酵层面和多个发酵池,相较于普通传感器实现了由点到面的检测,为数字化地实时在线检测固态发酵均匀性提供技术手段;
(4)相比理化检测法,本发明避免使用任何化学材料,无需进行理化分析,降低了检测成本,不污染环境。
附图说明
图1:10个最优特征波长下的图像;
图2:香醋醋醅固态发酵指标pH值分布图和目标区域;
具体实施方式
下面结合实施例来说明本发明所述的高光谱图像技术定量检测固态发酵指标的分布差异。但实施方式并不限制本发明,本领域的普通技术人员根据本实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1:
以镇江香醋固态发酵过程中发酵基质(镇江市恒顺香醋股份有限公司的醋醅发酵车间)的pH值分布差异的定量检测为例,详细阐述本发明的具体实施方式。
本发明中涉及到的高光谱图像采集系统包括:高光谱摄像机(ImSpector,V10E,芬兰)、150W光纤卤素灯(Fiber-LiteDC950Illuminator,DolanJennerIndustriesInc,MA,美国),精密电控平移台(Zolix,SC30021A,北京)等。
一种高光谱图像技术定量检测镇江香醋固态发酵指标pH值的分布差异方法,包括以下步骤:
S1,建立固态发酵指标含量预测模型:采集固态发酵不同时期不同区域发酵基质的全波段高光谱图像,筛选最优波数段,再采用变量筛选法获得最优特征波数;以测定发酵基质的表征指标含量为因变量,以特征波数下的光谱反射率矩阵为自变量,建立固态发酵指标含量预测模型;
S2,计算高光谱图像每个像素点对应的固态发酵指标含量:将步骤S1中特征波数下的光谱反射率矩阵转化为一维矩阵获得各像素点对应的光谱反射率;将各像素点对应的光谱反射率输入步骤S1中的固态发酵指标含量预测模型,获得各像素点对应的固态发酵指标含量值;
S3,绘制固态发酵指标含量分布图:根据步骤S2获得的各像素点对应的固态发酵指标含量值绘制固态发酵指标含量分布图;
S4,计算目标区域指标含量分布图像的分布差异:计算目标区域所有像素点指标含量均值标准差σ、图像的标准差σ和图像均值的百分比值即NU值,依据均值标准差σ和NU值定量分析指标含量分布图像的分布差异。
所述步骤S1建立固态发酵中pH值预测模型过程如下:
(1)在镇江市恒顺香醋股份有限公司的醋醅发酵车间中,于固态发酵接种、提热、过构、露底阶段于同一发酵池上层(h=60cm)、中层(h=35cm)、下层(h=10cm)取醋醅共120份,h为距离发酵池底高度;采集醋醅的430~965nm高光谱图像Ii,i=1,2,……120,标定后得到图像Ri,i=1,2,……120,在Ri上选取像素区域,忽略图像空间信息,获得一个二维矩阵X=618×120来表征光谱反射率,其中618为高光谱430~965nm的光谱变量个数;
(2)以步骤(1)的得到的X为观测矩阵,采用联合区间偏最小二乘法获得最优波数段551.63nm~571.17nm、594.19nm~612.15nm、716.53nm~736.51nm,将最优波段作为观测矩阵,采用模拟退火算法等获得10个最优特征波数731.29nm、569.47nm、554.18nm、728.68nm、718.26nm、604.44nm、566.91nm、595.04nm、716.53nm、724.34nm,按贡献率从大到小排列;在高光谱图像R中提取以上最优特征波数对应的10个特征波长图像见图1,通过matlab获得图像矩阵Z=321×315×10;
(3)测定120份醋醅的pH值为因变量,pH值对应的步骤(2)中优选出的特征波长下的光谱反射率矩阵T=618×10为自变量,建立偏最小二乘模型(PLS模型),该模型可预测醋醅的pH值。
所述步骤S2计算高光谱图像每个像素点对应的pH值如下:
(1)调用matlab中reshape函数将将步骤S1中的10个特征波长图像的光谱矩阵Z=321×315×10转化为一维矩阵F=1×1011150,获得各像素点对应的光谱反射率为F,1011150=321×315×10;
(2)将F输入步骤S1中的PLS模型中即获得向量y为各像素点对应的pH值。
所述步骤S3绘制固态发酵中pH值的分布图像过程如下:调用matlab中reshape函数将向量y转化为pH值含量矩阵G=321×315,以图像形式显示矩阵G,伪彩色处理后得到醋醅中pH值分布图,如图2所示,醋醅中pH值分布范围为3.5~4.2。
所述步骤S4计算目标区域pH值分布图像的分布差异过程如下:
(1)在图2中,伪彩色图每个像素点(xi,yi)对应指标含量zi,计算目标区域1、区域2和全区域3的所有像素点指标含量均值根据标准差公式计算σ1、σ2、σ3,n代表像素点的个数,共x×y个像素点,见表1;
(2)在红外成像技术中,图像的标准差σ和图像均值的百分比值即公式被作为图像不均匀性指标,计算NU1、NU2、NU3,见表1;
(3)依据均值标准差σ和NU值分析pH值分布的差异。在区域1中,均值、标准差和NU均较小,说明该区域发酵指标含量彼此较接近,分布较均匀,但由于均值接近整个区域pH值最小范围,说明区域处发酵处微生物活动最旺盛,极可能存在结块现象;在区域2中,均值、标准差和NU较大,说明该区域发酵指标pH值的离散程度大,分布差异大,发酵不均匀;就整体区域3来看,标准差较大,不均匀性达到47%,分布存在差异,固态发酵有一定不均匀性,可能出现物料板结等现象,需要及时调整发酵工艺。
表1目标区域pH值分布差异指标结果
区域 | 像素点 | 均值 | 标准差 | NU |
1 | 32×29 | 3.56 | 0.78 | 22% |
2 | 106×108 | 3.97 | 1.92 | 48% |
3 | 321×315 | 3.88 | 1.84 | 47% |
Claims (6)
1.一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,包括以下步骤:
S1,建立固态发酵指标含量预测模型:采集固态发酵不同时期不同区域发酵基质的全波段高光谱图像,筛选最优波数段,再采用变量筛选法获得最优特征波数;以测定发酵基质的表征指标含量为因变量,以特征波数下的光谱反射率矩阵为自变量,建立固态发酵指标含量预测模型;
S2,计算高光谱图像每个像素点对应的固态发酵指标含量:将步骤S1中特征波数下的光谱反射率矩阵转化为一维矩阵获得各像素点对应的光谱反射率;将各像素点对应的光谱反射率输入步骤S1中的固态发酵指标含量预测模型,获得各像素点对应的固态发酵指标含量值;
S3,绘制固态发酵指标含量分布图:根据步骤S2获得的各像素点对应的固态发酵指标含量值绘制固态发酵指标含量分布图;
S4,计算目标区域指标含量分布图像的分布差异:计算目标区域所有像素点指标含量均值标准差σ、图像的标准差σ和图像均值的百分比值即NU值,依据均值标准差σ和NU值定量分析指标含量分布图像的分布差异。
2.根据权利要求1所述的一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,步骤S1中个所述的建立固态发酵指标含量预测模型具体过程如下:
(1)在固态发酵前期、中期和后期于同一发酵池上层、中层、下层取发酵基质共n份,并分别置于n个玻璃培养皿中,n大于等于1;采集发酵基质的全波段高光谱图像Ii,i=1,2,……n,标定后得到图像Ri,i=1,2,……n;在R上选取一定大小的像素区域,忽略图像的空间信息,获得一个二维矩阵X=m×n来表征光谱反射率,其中m为高光谱全波段的光谱变量个数;
(2)以X为观测矩阵,采用区间筛选法获得最优波数段λa~λb、λc~λd、……,再将获得的最优波段作为观测矩阵,采用变量筛选方法获得最优特征波数λ1、λ2、…、λj,j大于等于1;在高光谱图像R中提取λ1、λ2、…、λj对应的j个特征波长图像Z=e×f×j,其中e为图像每一行中像素点个数,f为图像每一列中像素点个数;
(3)测定n份发酵基质的表征指标(如总酸、pH等)含量为因变量,取步骤(2)中优选出的特征波数下的光谱反射率矩阵T=m×j为自变量,建立固态发酵指标含量预测模型M,该模型可预测表征指标的含量。
3.根据权利要求1所述的一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,步骤S2中所述计算高光谱图像每个像素点对应的固态发酵指标含量具体方法如下:
(1)将步骤S1中的j个特征波长图像的光谱矩阵Z=j×e×f转化为一维矩阵F=1×h,获得各像素点对应的光谱反射率为F,h=j×e×f;
(2)将F输入步骤S1中的固态发酵指标含量预测模型M,获得向量y为各像素点对应的固态发酵指标含量值。
4.根据权利要求1所述的一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,步骤S3所述绘制固态发酵指标的含量分布图过程如下:将向量y转化矩阵G=e×f,以图像形式显示矩阵G,伪彩色处理后得到发酵基质中指标含量分布图。
5.根据权利要求1所述的一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,步骤S4所述均值计算过程如下:伪彩色图B每个像素点(xi,yi)对应指标含量Zi,计算目标区域所有像素点指标含量均值所述标准差根据标准差公式计算σ,n代表像素点的个数,共x×y个像素点;所述NU根据公式 计算。
6.根据权利要求1所述的一种高光谱图像技术定量检测固态发酵指标分布差异的方法,其特征在于,步骤S4所述依据均值标准差σ和NU值定量分析指标含量分布图像的分布差异具体方法为:均值与常规理化检测结果比较,分析目标区域指标含量平均水平;在均值反应的目标区域指标含量平均水平的基础上,再结合标准差和NU值的水平,评价发酵均匀性,二者越大,说明该区域指标含量的离散程度越大,分布差异越大,固态发酵越不均匀,可能出现物料板结等现象,需要及时调整发酵工艺;二者越小,说明该区域发酵指标含量彼此越接近,分布均匀,发酵状况良好,工艺生产持续进行;当二者为零时,固态发酵的发酵程度处于绝对均匀状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510641747.XA CN105241824A (zh) | 2015-09-30 | 2015-09-30 | 高光谱图像技术定量检测固态发酵指标分布差异的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510641747.XA CN105241824A (zh) | 2015-09-30 | 2015-09-30 | 高光谱图像技术定量检测固态发酵指标分布差异的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105241824A true CN105241824A (zh) | 2016-01-13 |
Family
ID=55039546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510641747.XA Pending CN105241824A (zh) | 2015-09-30 | 2015-09-30 | 高光谱图像技术定量检测固态发酵指标分布差异的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105241824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432768A (zh) * | 2020-11-10 | 2021-03-02 | 中国科学院光电技术研究所 | 基于高光谱图像的光学多孔径成像系统平移误差测量方法 |
CN117169167A (zh) * | 2023-11-02 | 2023-12-05 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的中药型益生菌制剂的生产方法及系统 |
Citations (5)
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 |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN103472031A (zh) * | 2013-09-20 | 2013-12-25 | 华东交通大学 | 一种基于高光谱成像技术的脐橙糖度检测方法 |
CN103630499A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
-
2015
- 2015-09-30 CN CN201510641747.XA patent/CN105241824A/zh active Pending
Patent Citations (5)
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 |
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN102495005A (zh) * | 2011-11-17 | 2012-06-13 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN103472031A (zh) * | 2013-09-20 | 2013-12-25 | 华东交通大学 | 一种基于高光谱成像技术的脐橙糖度检测方法 |
CN103630499A (zh) * | 2013-11-12 | 2014-03-12 | 浙江大学 | 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法 |
Non-Patent Citations (3)
Title |
---|
张筱蕾等等: "高光谱成像技术的油菜叶片氮含量及分布快速检测", 《光谱学与光谱分析》 * |
朱瑶迪等: "基于高光谱图像技术的镇江香醋固态发酵过程研究", 《现代食品科技》 * |
朱瑶迪等: "高光谱图像技术快速预测发酵醋醅总酸分布", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432768A (zh) * | 2020-11-10 | 2021-03-02 | 中国科学院光电技术研究所 | 基于高光谱图像的光学多孔径成像系统平移误差测量方法 |
CN117169167A (zh) * | 2023-11-02 | 2023-12-05 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的中药型益生菌制剂的生产方法及系统 |
CN117169167B (zh) * | 2023-11-02 | 2024-01-05 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的中药型益生菌制剂的生产方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
Cohen et al. | Estimation of leaf water potential by thermal imagery and spatial analysis | |
Ben Ghozlen et al. | Non-destructive optical monitoring of grape maturation by proximal sensing | |
CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
Dambergs et al. | A review of the state of the art, limitations, and perspectives of infrared spectroscopy for the analysis of wine grapes, must, and grapevine tissue | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
CN101604359B (zh) | 图像法水稻氮肥施肥推荐方法 | |
CN106408005B (zh) | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 | |
CN109409441A (zh) | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 | |
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
CN104977296A (zh) | 一种新型的酒精度的检测方法及装置 | |
CN110441249B (zh) | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 | |
CN108037256B (zh) | 稻米食味品质的快速测定方法 | |
CN102876816A (zh) | 基于多传感器信息融合的发酵过程状态监测与控制方法 | |
CN105021535B (zh) | 一种稻谷脂肪酸含量无损检测方法及系统 | |
CN104297165A (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Shao et al. | Identification of pesticide varieties by detecting characteristics of Chlorella pyrenoidosa using Visible/Near infrared hyperspectral imaging and Raman microspectroscopy technology | |
CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN105606473A (zh) | 一种基于机器视觉的红提葡萄硬度无损检测方法 | |
CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
CN104949927A (zh) | 一种干贝水分含量的高光谱检测方法 | |
CN106290240A (zh) | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 | |
CN105241824A (zh) | 高光谱图像技术定量检测固态发酵指标分布差异的方法 | |
CN105158177B (zh) | 高光谱图像技术定量检测固态发酵水分分布均匀性的方法 | |
JP6523063B2 (ja) | 微細藻類成分量測定方法およびその装置 |
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: 20160113 |