CN105426588A - 一种红外光谱建模工具包及其开发方法和应用 - Google Patents

一种红外光谱建模工具包及其开发方法和应用 Download PDF

Info

Publication number
CN105426588A
CN105426588A CN201510749717.0A CN201510749717A CN105426588A CN 105426588 A CN105426588 A CN 105426588A CN 201510749717 A CN201510749717 A CN 201510749717A CN 105426588 A CN105426588 A CN 105426588A
Authority
CN
China
Prior art keywords
function
module
modeling
spectrum
infrared spectrum
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
CN201510749717.0A
Other languages
English (en)
Other versions
CN105426588B (zh
Inventor
陈超
尹嵩杰
王淑美
梁生旺
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.)
Guangdong Pharmaceutical University
Original Assignee
Guangdong Pharmaceutical University
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 Guangdong Pharmaceutical University filed Critical Guangdong Pharmaceutical University
Priority to CN201510749717.0A priority Critical patent/CN105426588B/zh
Publication of CN105426588A publication Critical patent/CN105426588A/zh
Application granted granted Critical
Publication of CN105426588B publication Critical patent/CN105426588B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及医药技术领域，具体公开了一种红外光谱建模工具包及其开发方法和应用。所述工具包包含光谱文件存取整合模块；预处理模块(谱图处理、目标物质浓度处理)；波段优化模块；建模模块和模型评价模块。该工具包具有界面友好可视、模块清晰、简单明了、易于操作等优点，即便是没有建模经验的分析人员也很容易上手。

Description

一种红外光谱建模工具包及其开发方法和应用
技术领域
本发明涉及医药技术领域，具体涉及一种红外光谱建模工具包及其开发方法和应用。
背景技术
红外光谱(infraredspectrum，IR)技术利用物质在红外光谱区的吸收快速测定物质组成及含量，能清晰、科学地给出物质的结构信息，具有样品处理简单、不消耗试剂、不产生污染、不破坏样品、分析速度快、可以同时测定多种成分等优点，是适用于复杂样品(如中药、生物制品)的原位、在线、实时定量分析的方法之一。
但是，中药等复杂体系的红外光谱信号由于受基线、背景、噪声、重叠峰等影响，难以通过简单的数据处理方法实现准确的定性和定量分析，而化学计量学为复杂体系的红外光谱分析与建模提供了技术支持。鉴于目前医药领域尚没有红外光谱建模工具包，以及相关研究人员一般不具有化学计量学工作背景，因此亟需开发一个简单、易上手、带有GUI界面的红外光谱建模工具包，从而可以大大减轻医药研究相关人员的工作量。
发明内容
本发明所要解决的技术问题是，为了克服现有技术中存在的上述问题，提供一种红外光谱建模工具包及其开发方法和应用。
本发明所要解决的上述技术问题，通过以下技术方案予以实现：
一种红外光谱建模工具包，包含：光谱文件存取整合模块；预处理模块(谱图处理、目标物质浓度处理)；波段优化模块；建模模块和模型评价模块。
优选地，所述的光谱文件存取整合模块包含以下功能：读取dpt、xls等格式存储的光谱文件、保存处理或整合过的光谱、保存建模日志及结果。
优选地，所述的预处理模块包含谱图处理及目标物质浓度处理两个子模块；所述的谱图处理子模块包含归一化、平滑、求导、平均、剔除、基线校正以及傅里叶自退卷积功能；所述的目标物质浓度处理子模块包括归一化和取对数功能。
优选地，所述的波段优化模块包含无信息变量消除(UVE)、多模型共识无信息变量消除(cUVE)、反向区间偏最小二乘(BiPLS)、随机森林(RF)和遗传算法(GA)功能。
优选地，所述的建模模块包含偏最小二乘(PLS)、多模型共识偏最小二乘(cPLS)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、径向基人工神经网络(RBF-ANN)、误差反向传播人工神经网络(BP-ANN)和随机森林(RF)功能。
优选地，所述的模型评价模块包括相关系数(R)、预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)的指标的计算功能。
一种红外光谱建模工具包的开发方法，它是基于Matlab平台集成开发，具体包含如下步骤：
S1.编写GUI主界面：在光谱文件存取整合模块、预处理模块(谱图处理、目标物质浓度处理)、波段优化模块、建模模块和模型评价模块模块之间用菜单形式连接，主界面设置显示运行日志的文本框，以提醒和帮助用户进行操作。
S2.编写光谱文件存取整合模块：利用uigetfile()、load()和xlsread()函数实现读取及保存dpt、xls存储格式的光谱文件；利用uigetdir()函数实现一次性批量读取大量光谱，同时实现保存运行日志和结果功能；自编函数实现批量保存为单个xls文件的功能；
S3.编写预处理模块：归一化用mapminmax()函数以及normaliz()函数实现，平滑使用smooth()函数实现，求导使用ChemoAC_Toolbox的基于Savitsky-Golay算法的deriv()函数实现，平均光谱使用自编的avspec()函数实现，剔除使用pdist()函数实现，基线校正、傅里叶自退卷积均使用自编的函数实现，目标物质浓度取对数处理使用log10()函数实现；
S4.编写波段优化模块：无信息变量消除(UVE)和多模型共识无信息变量消除(cUVE)均使用ChemoAC_Toolbox的plsuve()函数实现，反向区间偏最小二乘(BiPLS)使用iToolbox的bipls()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()函数实现，遗传算法(GA)则使用crtbp()、ranking()、select()、recombin()、mut()、reins()函数实现；
S5.编写建模模块：首先编写分配训练集和测试集的函数splitdata()，主要使用crossvalind()函数实现；然后编写各建模方法的GUI界面，可以选择输入各种参数；最后编写各建模算法；偏最小二乘(PLS)和多模型共识偏最小二乘(cPLS)用plsregress()和ChemoAC_Toolbox的plscv()函数实现，支持向量机(SVM)主要用svmtrain()、svmpredict()函数实现，最小二乘支持向量机(LS-SVM)用LS-SVMLab的tunelssvm()、trainlssvm()、simlssvm()函数实现，径向基人工神经网络(RBF-ANN)用newrb()、sim()等函数实现，误差反向传播人工神经网络(BP-ANN)用newff()、sim()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()、regRF_predict()函数实现；
S6.编写模型评价模块：以一个自编的函数performance()实现；其中相关系数(R)用corrcoef()实现，预测均方根误差(RMSEP)和平均相对误差(MRE)、预测准确率(Acc)根据公式自编实现。
优选地，所述模块间相互保持低耦合，模块内保持高内聚；各模块采用在主界面上以菜单形式实现，各菜单的回调函数即是子模块；如果子模块有可选参数，则加上一个.fig界面，以实现参数输入。
优选地，所述工具包调用setappdata(0,'name',val)和getappdata(0,'name')来传递参数。
所述的红外光谱建模工具包在药物开发中的红外光谱预处理、选波段、建模、评价或根据红外光谱定性或定量工作中的应用。
有益效果：本工具包是基于Matlab平台集成开发的，为医药领域广大研究人员快速、简便地进行红外光谱建模工作提供了帮助；实施例中以中药材枸杞中铜元素含量的建模工作为应用实例，简单展示了本工具包的使用过程，可以看到该工具包基于软件工程思想，具有界面友好可视、模块清晰、简单明了、易于操作等优点，即便是没有建模经验的分析人员也很容易上手。
附图说明
图1为所述红外光谱建模工具包开发技术路线图。
图2为所述工具包主界面。
图3为点击“文件>批量打开原始光谱”后的路径选择界面图。
图4为批量打开原始光谱后的主界面图。
图5为求导过程的参数选择界面图。
图6为打开1D9S光谱图。
图7为读入浓度文件之后的图。
图8为biPLS参数选择界面图。
图9为使用biPLS选择完波段之后的图。
图10为PLS参数选择界面图。
具体实施方式
以下结合具体实施例来进一步解释本发明，但实施例对本发明不做任何形式的限定。
基于Matlab平台集成开发红外光谱建模工具包的方法如下：
S1.编写GUI主界面：在光谱文件存取整合模块、预处理模块(谱图处理、目标物质浓度处理)、波段优化模块、建模模块和模型评价模块模块之间用菜单形式连接，主界面设置显示运行日志的文本框，以提醒和帮助用户进行操作。
S2.编写光谱文件存取整合模块：利用uigetfile()、load()和xlsread()函数实现读取及保存dpt、xls存储格式的光谱文件；利用uigetdir()函数实现一次性批量读取大量光谱，同时实现保存运行日志和结果功能；自编函数实现批量保存为单个xls文件的功能；
S3.编写预处理模块：归一化用mapminmax()函数以及normaliz()函数实现，平滑使用smooth()函数实现，求导使用ChemoAC_Toolbox的基于Savitsky-Golay算法的deriv()函数实现，平均光谱使用自编的avspec()函数实现，剔除使用pdist()函数实现，基线校正、傅里叶自退卷积均使用自编的函数实现，目标物质浓度取对数处理使用log10()函数实现；
S4.编写波段优化模块：无信息变量消除(UVE)和多模型共识无信息变量消除(cUVE)均使用ChemoAC_Toolbox的plsuve()函数实现，反向区间偏最小二乘(BiPLS)使用iToolbox的bipls()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()函数实现，遗传算法(GA)则使用crtbp()、ranking()、select()、recombin()、mut()、reins()函数实现；
S5.编写建模模块：首先编写分配训练集和测试集的函数splitdata()，主要使用crossvalind()函数实现；然后编写各建模方法的GUI界面，可以选择输入各种参数；最后编写各建模算法；偏最小二乘(PLS)和多模型共识偏最小二乘(cPLS)用plsregress()和ChemoAC_Toolbox的plscv()函数实现，支持向量机(SVM)主要用svmtrain()、svmpredict()函数实现，最小二乘支持向量机(LS-SVM)用LS-SVMLab的tunelssvm()、trainlssvm()、simlssvm()函数实现，径向基人工神经网络(RBF-ANN)用newrb()、sim()等函数实现，误差反向传播人工神经网络(BP-ANN)用newff()、sim()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()、regRF_predict()函数实现；
S6.编写模型评价模块：以一个自编的函数performance()实现；其中相关系数(R)用corrcoef()实现，预测均方根误差(RMSEP)和平均相对误差(MRE)、预测准确率(Acc)根据公式自编实现；
所述模块间相互保持低耦合，模块内保持高内聚；各模块采用在主界面上以菜单形式实现，各菜单的回调函数即是子模块；如果子模块有可选参数，则加上一个.fig界面，以实现参数输入；所述工具包调用setappdata(0,'name',val)和getappdata(0,'name')来传递参数。
实施例1
本实施例以中药材枸杞中铜元素的含量分析为例，展示本红外光谱建模工具包的简单使用方法。
首先，将枸杞经粉碎后采集的原始光谱在本发明所述的工具包中打开，如图2、图3和图4所示。
然后，点击“谱图处理>求导”，打开求导窗口，如图5所示。选择参数degree为1和Window为9，点击确定，作一阶导数九点平滑处理，之后将导数光谱进行保存，如图6所示。
点击“文件>读取浓度文件”，读取枸杞中目标物质铜元素的对应浓度(用参考方法ICP/MS测定的准确浓度)，点击“浓度处理>取对数”，对读入的浓度数据作对数转换处理，如图7所示。
点击“波段优化>反向区间偏最小二乘”，打开biPLS波段优化的参数窗口(图8)，使用默认参数22，可将光谱波段压缩到320个数据点(压缩率18％)，如图9所示。
最后，点击“评价>偏最小二乘”，打开PLS建模窗口，如图10所示，设置好相应参数，如训练集与测试集的样本数分配比为3:1、PLS的主成分数为7，运行次数为5，点击“Calibrate”按钮，即可进行建模和评价，运行结束后各项评价指标会显示在命令行窗口，包括相关系数(R)、预测均方根误差(RMSEP)、平均相对误差(MRE)等，结果见表1。
表1PLS建模和评价结果
从本实施例的使用方法可以看到该工具包基于软件工程思想，具有界面友好可视、模块清晰、简单明了、易于操作等优点，即便是没有建模经验的分析人员也很容易上手。

Claims (10)

1.一种红外光谱建模工具包，其特征在于，包含：光谱文件存取整合模块；预处理模块(谱图处理、目标物质浓度处理)；波段优化模块；建模模块和模型评价模块。
2.根据权利要求1所述的红外光谱建模工具包，其特征在于，所述的光谱文件存取整合模块包含以下功能：读取dpt、xls等格式存储的光谱文件、保存处理或整合过的光谱、保存建模日志及结果。
3.根据权利要求1所述的红外光谱建模工具包，其特征在于，所述的预处理模块包含谱图处理及目标物质浓度处理两个子模块；所述的谱图处理子模块包含归一化、平滑、求导、平均、剔除、基线校正以及傅里叶自退卷积功能；所述的目标物质浓度处理子模块包括归一化和取对数功能。
4.根据权利要求1所述的红外光谱建模工具包，其特征在于，所述的波段优化模块包含无信息变量消除(UVE)、多模型共识无信息变量消除(cUVE)、反向区间偏最小二乘(BiPLS)、随机森林(RF)和遗传算法(GA)功能。
5.根据权利要求1所述的红外光谱建模工具包，其特征在于，所述的建模模块包含偏最小二乘(PLS)、多模型共识偏最小二乘(cPLS)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、径向基人工神经网络(RBF-ANN)、误差反向传播人工神经网络(BP-ANN)和随机森林(RF)功能。
6.根据权利要求1所述的红外光谱建模工具包，其特征在于，所述的模型评价模块包括相关系数(R)、预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)的指标的计算功能。
7.权利要求1～6任意一项所述的红外光谱建模工具包的开发方法，其特征在于，它是基于Matlab平台集成开发，具体包含如下步骤：
S1.编写GUI主界面：在光谱文件存取整合模块、预处理模块(谱图处理、目标物质浓度处理)、波段优化模块、建模模块和模型评价模块模块之间用菜单形式连接，主界面设置显示运行日志的文本框，以提醒和帮助用户进行操作。
S2.编写光谱文件存取整合模块：利用uigetfile()、load()和xlsread()函数实现读取及保存dpt、xls存储格式的光谱文件；利用uigetdir()函数实现一次性批量读取大量光谱，同时实现保存运行日志和结果功能；自编函数实现批量保存为单个xls文件的功能；
S3.编写预处理模块：归一化用mapminmax()函数以及normaliz()函数实现，平滑使用smooth()函数实现，求导使用ChemoAC_Toolbox的基于Savitsky-Golay算法的deriv()函数实现，平均光谱使用自编的avspec()函数实现，剔除使用pdist()函数实现，基线校正、傅里叶自退卷积均使用自编的函数实现，目标物质浓度取对数处理使用log10()函数实现；
S4.编写波段优化模块：无信息变量消除(UVE)和多模型共识无信息变量消除(cUVE)均使用ChemoAC_Toolbox的plsuve()函数实现，反向区间偏最小二乘(BiPLS)使用iToolbox的bipls()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()函数实现，遗传算法(GA)则使用crtbp()、ranking()、select()、recombin()、mut()、reins()函数实现；
S5.编写建模模块：首先编写分配训练集和测试集的函数splitdata()，主要使用crossvalind()函数实现；然后编写各建模方法的GUI界面，可以选择输入各种参数；最后编写各建模算法；偏最小二乘(PLS)和多模型共识偏最小二乘(cPLS)用plsregress()和ChemoAC_Toolbox的plscv()函数实现，支持向量机(SVM)主要用svmtrain()、svmpredict()函数实现，最小二乘支持向量机(LS-SVM)用LS-SVMLab的tunelssvm()、trainlssvm()、simlssvm()函数实现，径向基人工神经网络(RBF-ANN)用newrb()、sim()等函数实现，误差反向传播人工神经网络(BP-ANN)用newff()、sim()函数实现，随机森林(RF)使用RFMex/Standalone的regRF_train()、regRF_predict()函数实现；
S6.编写模型评价模块：以一个自编的函数performance()实现；其中相关系数(R)用corrcoef()实现，预测均方根误差(RMSEP)和平均相对误差(MRE)、预测准确率(Acc)根据公式自编实现。
8.根据权利要求7所述的开发方法，其特征在于，模块间相互保持低耦合，模块内保持高内聚；各模块采用在主界面上以菜单形式实现，各菜单的回调函数即是子模块；如果子模块有可选参数，则加上一个.fig界面，以实现参数输入。
9.根据权利要求7所述的开发方法，其特征在于，所述工具包调用setappdata(0,'name',val)和getappdata(0,'name')来传递参数。
10.权利要求1～6任意一项所述的红外光谱建模工具包在药物开发中的红外光谱预处理、选波段、建模、评价或根据红外光谱定性或定量工作中的应用。
CN201510749717.0A 2015-11-05 2015-11-05 一种红外光谱建模工具包及其开发方法和应用 Expired - Fee Related CN105426588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510749717.0A CN105426588B (zh) 2015-11-05 2015-11-05 一种红外光谱建模工具包及其开发方法和应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510749717.0A CN105426588B (zh) 2015-11-05 2015-11-05 一种红外光谱建模工具包及其开发方法和应用

Publications (2)

Publication Number Publication Date
CN105426588A true CN105426588A (zh) 2016-03-23
CN105426588B CN105426588B (zh) 2018-12-14

Family

ID=55504797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510749717.0A Expired - Fee Related CN105426588B (zh) 2015-11-05 2015-11-05 一种红外光谱建模工具包及其开发方法和应用

Country Status (1)

Country Link
CN (1) CN105426588B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254324A (zh) * 2017-12-18 2018-07-06 中国农业大学 一种蟹肉新鲜度快速检测方法及装置
CN105842183B (zh) * 2016-03-17 2018-10-02 东北大学 一种基于共识选择技术的红外光谱建模方法
CN109063767A (zh) * 2018-07-31 2018-12-21 温州大学 一种基于样本和变量共识的近红外光谱建模方法
CN109085282A (zh) * 2018-06-22 2018-12-25 东南大学 一种基于小波变换和随机森林模型的色谱重叠峰解析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007108151A (ja) * 2005-10-14 2007-04-26 Junzo Umemura 水蒸気や炭酸ガスによるスペクトル・ノイズのないフーリエ変換赤外分光光度計
CN104062259A (zh) * 2013-05-06 2014-09-24 山东东阿阿胶股份有限公司 一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007108151A (ja) * 2005-10-14 2007-04-26 Junzo Umemura 水蒸気や炭酸ガスによるスペクトル・ノイズのないフーリエ変換赤外分光光度計
CN104062259A (zh) * 2013-05-06 2014-09-24 山东东阿阿胶股份有限公司 一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王伟伟 等: "不同预处理方法对苯丙酮尿症FTIR/ATR光谱筛查模型的影响", 《光谱学与光谱分析》 *
王伟伟 等: "基于BiPLS和cPLS的苯丙酮尿症FTIR/ATR光谱筛查模型的建立与优化", 《计算机与应用化学》 *
韩明: "基于近红外光谱技术食品检测软件开发及其应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105842183B (zh) * 2016-03-17 2018-10-02 东北大学 一种基于共识选择技术的红外光谱建模方法
CN108254324A (zh) * 2017-12-18 2018-07-06 中国农业大学 一种蟹肉新鲜度快速检测方法及装置
CN109085282A (zh) * 2018-06-22 2018-12-25 东南大学 一种基于小波变换和随机森林模型的色谱重叠峰解析方法
CN109063767A (zh) * 2018-07-31 2018-12-21 温州大学 一种基于样本和变量共识的近红外光谱建模方法

Also Published As

Publication number Publication date
CN105426588B (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN105426588A (zh) 一种红外光谱建模工具包及其开发方法和应用
Costa et al. Performance modelling in forest operations through partial least square regression
Zhang The role of precision agriculture
Cheng et al. Combining multivariate method and spectral variable selection for soil total nitrogen estimation by Vis–NIR spectroscopy
Yang et al. Estimating soil fungal abundance and diversity at a macroecological scale with deep learning spectrotransfer functions
Modesto et al. Foliar nutrient balance standards for maize (Zea mays L.) at high-yield level
CN111462834A (zh) 一种植物中镉过量的概率值的预测方法及系统
Wang et al. A Lightweight convolutional neural network for nicotine prediction in tobacco by near-infrared spectroscopy
Lu et al. Prediction performance optimization of different resolution and spectral band ranges for characterizing coco-peat substrate available nitrogen
Zhao Run et al. Quantified analysis and model structure of nitrogen and phosphorus in the slurry of large-scale dairy farms based on near-infrared transmission-diffuse reflectance spectroscopy.
Li HongQiang et al. Detection of vitamin C content in head cabbage based on visible/near-infrared spectroscopy.
Valinger et al. Application of NIR spectroscopy for monitoring quality of surimi.
Xu et al. Comparison of multivariate models and variable selection algorithms for rapid analysis of the chemical composition of field crops
Campbell Errors in statistical decision making.
Zhu YaoDi et al. Rapid detection of oil content and 3-dimensional reconstruction of microstructure of fried lotus root.
Duan HongWei et al. Quantitative analysis of major metals in agricultural biochar using laser-induced breakdown spectroscopy with an adaboost artificial neural network algorithm.
Cao DingFeng et al. Feasibility investigation of improving the Modified Green-Ampt model for treatment of horizontal infiltration in soil.
Luo et al. A model for soluble protein content detection of walnuts based on near infrared spectroscopy.
del Carmen Abraham et al. Chemometric optimization of a demineralization method for analysing sediment organic matter by Fourier transform infrared spectroscopy.
Guo DouDou et al. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter.
Nie PengCheng et al. Detection of soil nitrogen using near infrared sensors based on soil pretreatment and algorithms.
Zhang et al. Biomass-Based Leaf Curvilinear Model for Rapeseed (Brassica napus L.)
Chai ZhongPing et al. Hyperspectral estimation models for total potassium content of Kuerle fragrant pear leaves.
Feng HaiKuan et al. Estimation of chlorophyll content in apple leaves base on spectral feature parameters.
Wang WenXiu et al. A non-destructive detection system for determination of multi-quality parameters of meat.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 510006 No. 280 East Ring Road, Guangzhou City University, Guangdong

Applicant after: Guangdong Pharmaceutical University

Address before: 510006 No. 280 East Ring Road, Guangzhou City University, Guangdong

Applicant before: Guangdong Pharmaceutical University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280

Patentee after: Guangdong Pharmaceutical University

Address before: 510006 Guangdong City, Guangzhou province outside the University of East Ring Road, No. 280

Patentee before: Guangdong Pharmaceutical College

CP01 Change in the name or title of a patent holder
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181214

Termination date: 20201105

CF01 Termination of patent right due to non-payment of annual fee