CN105512430A - 一种光谱数据和化学检测数据共享输入和输出的系统 - Google Patents
一种光谱数据和化学检测数据共享输入和输出的系统 Download PDFInfo
- Publication number
- CN105512430A CN105512430A CN201511028487.5A CN201511028487A CN105512430A CN 105512430 A CN105512430 A CN 105512430A CN 201511028487 A CN201511028487 A CN 201511028487A CN 105512430 A CN105512430 A CN 105512430A
- Authority
- CN
- China
- Prior art keywords
- data
- chemical detection
- spectroscopic
- server
- port
- 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
- 238000004611 spectroscopical analysis Methods 0.000 title claims abstract description 105
- 239000000126 substance Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 238000013499 data model Methods 0.000 claims description 18
- 238000013506 data mapping Methods 0.000 claims description 16
- 238000002835 absorbance Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 210000000352 storage cell Anatomy 0.000 claims description 2
- 244000061456 Solanum tuberosum Species 0.000 description 18
- 235000002595 Solanum tuberosum Nutrition 0.000 description 18
- 241000209140 Triticum Species 0.000 description 17
- 235000021307 Triticum Nutrition 0.000 description 17
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 10
- 229920002472 Starch Polymers 0.000 description 8
- 229920002678 cellulose Polymers 0.000 description 8
- 239000001913 cellulose Substances 0.000 description 8
- 235000019698 starch Nutrition 0.000 description 8
- 239000008107 starch Substances 0.000 description 8
- 238000002329 infrared spectrum Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 5
- 229930003268 Vitamin C Natural products 0.000 description 5
- 235000019154 vitamin C Nutrition 0.000 description 5
- 239000011718 vitamin C Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013573 potato product Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种光谱数据和化学检测数据共享输入和输出的系统，包括多个终端和一个服务器，每个终端的信号输出端与服务器的信号输入端连接，服务器的信号输出端与每个终端的信号输入端连接，每个终端设有光谱数据输入端口、化学检测数据输入端口、化学检测数据查询光谱数据交互端口和光谱数据查询化学检测数据交互端口；服务器包括服务器数据输入端口和服务器数据输出端口，服务器数据输入端口接收从终端的光谱数据输入端口、化学检测数据输入端口、光谱数据查询化学检测数据交互端口和化学检测数据查询光谱数据交互端口输入的信号，服务器数据输出端口包括光谱数据查询化学检测数据的结果输出端口和化学检测数据查询光谱数据的结果输出端口。
Description
技术领域
本发明属于物质检测领域，尤其涉及一种光谱数据和化学检测数据共享输入和输出的系统。
背景技术
信息技术是农业科技革命的先导，农业信息技术对于加速我国传统农业的改造，提高农业生产效益和农产品的品质，提高农业管理和经营决策水平，促进农业持续、稳定发展，具有重要的意义，有着巨大的应用空间和广阔的发展前景。
从上世纪八十年代以来，我国开展了系统工程、数据库与信息管理系统、遥感、专家系统、决策支持系统、地理信息系统等技术应用于农业、资源和环境方面的研究，取得了一批重要成果。在农业科研、管理以及基层部门，已经积累了十分庞大的数据、实例和知识经验，积累了与各种农作物相关的苗情、土情、肥情、水情、虫情、气象和灾害等大量数据资料，将这些数据资料信息存储到计算机数据库中，使用计算机程序进行农业中的多种数据处理，通过计算机程序具体操作步骤来实现指导农民科学种田。
在这些数据资料的采集中，收集的数据存在地域性问题，数据间的共享和利用存在一定的限制，各地采集的数据不能实现共享，导致对同一类农产品分析的数据不是完整的基础数据，基本上是基于某地区同一农产品的基础数据进行分析。而且我国国土辽阔，农田信息复杂多变，对数据的采集出现了滞后的同时，同一品种的数据因为地域的差异还存在相异特性，以滞后数据和不全面的数据进行判断，往往出现很多误判和不标准的测量。同时，数据共享后输出结果数据也存在一定的技术问题，需特定系统才能同时对共享的数据进行输入和输出。此外，对农作物的数据采集，往往采用有损采集或者微损采集。也就是说，将农作物进行破坏后再进行化学测量，如粗纤维、可溶性糖含量、维生素C等。
发明内容
为了解决上述技术问题，本发明提供了一种光谱数据和化学检测数据共享输入和输出的系统，该系统包括多个终端和一个服务器，每个终端的信号输出端与服务器的信号输入端连接，服务器的信号输出端与每个终端的信号输入端连接，每个终端设有光谱数据输入端口、化学检测数据输入端口、化学检测数据查询光谱数据交互端口和光谱数据查询化学检测数据交互端口；所述服务器包括服务器数据输入端口和服务器数据输出端口，服务器数据输入端口接收从终端的光谱数据输入端口、化学检测数据输入端口、光谱数据查询化学检测数据交互端口和化学检测数据查询光谱数据交互端口输入的信号，服务器数据输出端口包括光谱数据查询化学检测数据的结果输出端口和化学检测数据查询光谱数据的结果输出端口,输出光谱数据查询化学检测数据的结果和化学检测数据查询光谱数据的结果。
优选的，所述终端的类型为手机、PC机、平板电脑、智能手表、pad；所述多个终端的类型相互之间相同或不同。
优选的，所述服务器包括用于存储数据的数据存储单元，及运算单元。
优选的，所述运算单元利用光谱数据和化学检测数据建立数据模型，将由服务器的信号输入端接收的光谱数据或化学检测数据根据数据模型得到化学检测数据或光谱数据。
优选的，所述数据模型为一个或者多个。
优选的，所述运算单元利用光谱数据和化学检测数据建立数据模型的方法为：将物体样品的多组光谱数据和多组化学检测数据录入同一数据库，形成数据映射集合，从数据映射集合中，选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式，将K个公式嵌入运算服务器，物体新样品的光谱数据录入数据库的同时，选取上述确定的2-100个波长录入运算服务器，计算出未进行实际检测的物体新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与新采集的光谱数据形成测量映射，与已有数据映射形成新的映射集合，其中K≥1。
优选的，所述运算单元利用光谱数据和化学检测数据建立数据模型的方法，包括如下步骤：
步骤I：用光源照射待检测的物体样品A1，然后收集物体样品A1反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成物体样品A1的光谱数据；
步骤II：对物体样品A1进行化学分析，分析其T种成分及含量，形成物体样品的化学检测数据；
步骤III：将物体A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式。
步骤VI：将上述步骤的K个公式嵌入运算服务器，采集物体新样品AX的光谱数据，将其录入数据库的同时，选取步骤V确定的2-100个波长录入运算服务器，计算出未进行实际检测的物体新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与物体新样品AX的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合。
步骤VII：根据步骤I至步骤VI所形成的数据库和运算服务器上的K个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成物体的光谱数据模型，其中K≥1。优选的，n大于等于30，进一步优选的，n大于等于50，更进一步优选的，n大于等于100。
优选的，所述多个终端的信号输出端与服务器的信号输入端的连接方式为有线连接或无线连接的一种或几种，所述服务器的信号输出端与多个终端的信号输入端的连接方式为有线连接、无线连接的一种或几种。
优选的，所述有线连接为网线连接，所述无线连接为蓝牙、红外、Wi-Fi的一种或几种。
优选的，所述服务器为云服务器。
与现有技术相比，本发明具有如下有益效果：
1、本发明多个终端和一个服务器连接实现了针对光谱数据和化学检测数据共享输入和输出，能实现在不同地区针对同一农产品的光谱数据和化学检测数据进行输入，并形成完整的基础数据，不仅基础数据更加齐全，构建成精确度更高的数据模型，而且从各个终端输入的数据、及基于数据建立的各数据模型均能从各终端实现共享。
2、本发明中建立的数据模型可根据产品差异性的大小建立一个或多个数据模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明，但本发明要求保护的范围并不局限于实施例表达的范围。
实施例1马铃薯块茎的光谱数据和化学检测数据共享输入和输出的系统运用
材料：马铃薯块茎，从马铃薯产品中随机抽取50个马铃薯块茎，横向切割，光源照射和光谱数据收集针对马铃薯横切面。
设备：光源照射装置、光谱收集装置和光谱分析设备为整体设备或分体设备，市场购买得到。
系统：马铃薯块茎的光谱数据和化学检测数据共享输入和输出的系统包括2个PC机、2个平板电脑和1个云服务器，2个PC机分别分布于黑龙江和安徽，2个平板电脑分别分布于云南和海南，每个PC机和每个平板电脑设有光谱数据输入端口、化学检测数据输入端口、化学检测数据查询光谱数据交互端口和光谱数据查询化学检测数据交互端口；其中每个PC机的信号输出端与云服务器的信号输入端通过网线连接，每个平板电脑的信号输出端与云服务器的信号输入端通过Wi-Fi连接，云服务器的信号输出端与每个PC机和每个平板电脑的信号输入端通过有线连接。所述云服务器包括云服务器数据输入端口和云服务器数据输出端口，云服务器数据输入端口接收从每个PC机和每个平板电脑的光谱数据输入端口、化学检测数据输入端口、光谱数据查询化学检测数据交互端口和化学检测数据查询光谱数据交互端口输入的信号，云服务器数据输出端口包括光谱数据查询化学检测数据的结果输出端口和化学检测数据查询光谱数据的结果输出端口,输出光谱数据查询化学检测数据的结果和化学检测数据查询光谱数据的结果。云服务器包括存储单元及利用光谱数据和化学检测数据建立马铃薯块茎中淀粉、维生素C和纤维素3个数据模型，并将由云服务器的信号输入端接收的光谱数据或化学检测数据根据数据模型得到化学检测数据或光谱数据的运算单元。
具体步骤：用光源照射马铃薯块茎，然后收集马铃薯块茎反射回来的近红外光谱，光谱范围为800-1800nm，采用近红外光谱分析设备分析光谱吸光度，形成马铃薯块茎的800-1800nm的近红外光谱数据，该光谱数据具有1001个光波吸光度数据。
对马铃薯块茎进行化学分析，分析马铃薯块茎的淀粉含量、维生素C含量、纤维素含量，形成马铃薯块茎的化学检测数据；
分别将黑龙江、安徽、云南和海南马铃薯块茎的光谱数据和化学检测数据分别通过PC机、PC机、平板电脑、平板电脑的化学检测数据输入端口或光谱数据输入端口录入同一云服务器中存储单元中的数据库，形成第1组数据映射；
再抽取马铃薯样品49组，对随机抽取的49组马铃薯块茎按照上述方法独立进行处理，获得49组光谱数据和对应的49组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成50组数据映射；
在上述数据库中的50组数据映射中，光谱数据选取3个波长的吸光度数值，3个波长的吸光度数值统一与化学检测数据进行对应，确定3个波长吸光度变化与化学检测数据变化具有同步关系的3个公式。
将上述步骤的3个公式嵌入云服务器中的运算单元，再采集新的马铃薯块茎光谱数据录入数据库，同时选取上述3个波长录入运算单元，计算出新的马铃薯块茎的淀粉含量、维生素C含量、纤维素含量。同时将马铃薯块茎的淀粉含量、维生素C含量、纤维素含量输出到PC机或平板电脑，并同时输入数据库，并在数据库中与新采集的光谱数据形成测试数据映射。
实施例2小麦的光谱数据和化学检测数据共享输入和输出的系统运用
材料：小麦，从小麦产品中随机获取100份，每份置于直径10厘米的容器中，高度2cm，光源照射和光谱数据收集针对容器中小麦堆的上平面。
设备：光源照射装置、光谱收集装置和光谱分析设备为整体设备或分体设备，市场购买得到。
系统：小麦的光谱数据和化学检测数据共享输入和输出的系统包括2个PC机、2个平板电脑和1个云服务器，2个PC机分别分布于黑龙江和山东，2个平板电脑分别分布于河北和吉林，每个PC机和每个平板电脑设有光谱数据输入端口、化学检测数据输入端口、化学检测数据查询光谱数据交互端口和光谱数据查询化学检测数据交互端口；其中每个PC机的信号输出端与云服务器的信号输入端通过网线连接，每个平板电脑的信号输出端与云服务器的信号输入端通过Wi-Fi连接，云服务器的信号输出端与每个PC机和每个平板电脑的信号输入端通过有线连接。所述云服务器包括云服务器数据输入端口和云服务器数据输出端口，云服务器数据输入端口接收从每个PC机和每个平板电脑的光谱数据输入端口、化学检测数据输入端口、光谱数据查询化学检测数据交互端口和化学检测数据查询光谱数据交互端口输入的信号，云服务器数据输出端口包括光谱数据查询化学检测数据的结果输出端口和化学检测数据查询光谱数据的结果输出端口,输出光谱数据查询化学检测数据的结果和化学检测数据查询光谱数据的结果。云服务器包括存储单元及利用光谱数据和化学检测数据建立小麦中淀粉含量、蛋白质、纤维素3个数据模型，并将由云服务器的信号输入端接收的光谱数据或化学检测数据根据数据模型得到化学检测数据或光谱数据的运算单元。
具体步骤：用光源照射小麦，然后收集小麦反射回来的近红外光谱，光谱范围为1500-2500nm，采用近红外光谱分析设备分析光谱吸光度，形成小麦的1500-2500nm的近红外光谱数据，该光谱数据具有1001个光波吸光度数据。
对小麦进行化学分析，分析小麦的淀粉含量、蛋白质含量、纤维素含量，形成小麦的3种化学检测数据；
分别将黑龙江、山东、河北和吉林的小麦的光谱数据和化学检测数据分别通过PC机、PC机、平板电脑、平板电脑的化学检测数据输入端口或光谱数据输入端口录入同一云服务器中存储单元中的数据库，形成第1组数据映射；
再抽取小麦样品99组，对随机抽取的09组小麦按照上述方法独立进行处理，获得99组光谱数据和对应的99组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成100组数据映射；
在上述数据库中的100组数据映射中，光谱数据选取8个波长的吸光度数值，8个波长的吸光度数值统一与化学检测数据进行对应，确定8个波长吸光度变化与化学检测数据变化具有同步关系的7个公式。
将上述步骤的7个公式嵌入云服务器中的运算单元，再采集新的小麦光谱数据录入数据库，同时选取上述8个波长录入运算单元，计算出新的小麦的淀粉含量、蛋白质含量、纤维素含量。同时将小麦的淀粉含量、蛋白质含量、纤维素含量输出到PC机或平板电脑，并同时输入数据库，并在数据库中与新采集的光谱数据形成测试数据映射。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (10)
1.一种光谱数据和化学检测数据共享输入和输出的系统，其特征在于，该系统包括多个终端和一个服务器，每个终端的信号输出端与服务器的信号输入端连接，服务器的信号输出端与每个终端的信号输入端连接，每个终端设有光谱数据输入端口、化学检测数据输入端口、化学检测数据查询光谱数据交互端口和光谱数据查询化学检测数据交互端口；所述服务器包括服务器数据输入端口和服务器数据输出端口，服务器数据输入端口接收从终端的光谱数据输入端口、化学检测数据输入端口、光谱数据查询化学检测数据交互端口和化学检测数据查询光谱数据交互端口输入的信号，服务器数据输出端口包括光谱数据查询化学检测数据的结果输出端口和化学检测数据查询光谱数据的结果输出端口,输出光谱数据查询化学检测数据的结果和化学检测数据查询光谱数据的结果。
2.根据权利要求1所述的系统，其特征在于，所述终端的类型为手机、PC机、平板电脑、智能手表、pad；所述多个终端的类型相互之间相同或不同。
3.根据权利要求1所述的系统，其特征在于，所述服务器包括用于存储数据的数据存储单元，及运算单元。
4.根据权利要求3所述的系统，其特征在于，所述运算单元利用光谱数据和化学检测数据建立数据模型，将由服务器的信号输入端接收的光谱数据或化学检测数据根据数据模型得到化学检测数据或光谱数据。
5.根据权利要求4所述的系统，其特征在于，所述数据模型为一个或者多个。
6.根据权利要求4所述的系统，其特征在于，所述运算单元利用光谱数据和化学检测数据建立数据模型的方法为：将物体样品的多组光谱数据和多组化学检测数据录入同一数据库，形成数据映射集合，从数据映射集合中，选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式，将K个公式嵌入运算服务器，物体新样品的光谱数据录入数据库的同时，选取上述确定的2-100个波长录入运算服务器，计算出未进行实际检测的物体新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与新采集的光谱数据形成测量映射，与已有数据映射形成新的映射集合，其中K≥1。
7.根据权利要求4所述的系统，其特征在于，所述运算单元利用光谱数据和化学检测数据建立数据模型的方法，包括如下步骤：
步骤I：用光源照射待检测的物体样品A1，然后收集物体样品A1反射回来的光谱，采用光谱分析设备确定所收集光谱的波长及吸光度，形成物体样品A1的光谱数据；
步骤II：对物体样品A1进行化学分析，分析其T种成分及含量，形成物体样品的化学检测数据；
步骤III：将物体A1的光谱数据和化学检测数据录入同一数据库，形成数据映射X1；
步骤IV：重复上述步骤I、步骤II和步骤III，对物体样品A2至An+1进行n次重复，形成n组光谱数据和对应的n组化学检测数据，将光谱数据和化学检测数据录入同一数据库，形成n组数据映射的数据映射集合；
步骤V：将上述数据库中数据映射集合中的光谱数据选取2-100个波长的吸光度数值与化学检测数据进行对应，确定2-100个波长吸光度变化与化学检测数据变化具有定性和定量关系的K个公式。
步骤VI：将上述步骤的K个公式嵌入运算服务器，采集物体新样品AX的光谱数据，将其录入数据库的同时，选取步骤V确定的2-100个波长录入运算服务器，计算出未进行实际检测的物体新样品化学数据，同时将该化学数据输出到显示端和数据库，并在数据库中与物体新样品AX的光谱数据形成测量数据映射，该测量数据映射与已有的数据映射形成更新的数据映射集合。
步骤VII：根据步骤I至步骤VI所形成的数据库和运算服务器上的K个公式，将数据库和运算服务器相连，同时设置数据库的数据输入端和数据输出端、设置运算服务器的数据输入端和数据输出端，形成物体的光谱数据模型，其中K≥1。
8.根据权利要求1所述的系统，其特征在于，所述多个终端的信号输出端与服务器的信号输入端的连接方式为有线连接或无线连接的一种或几种，所述服务器的信号输出端与多个终端的信号输入端的连接方式为有线连接、无线连接的一种或几种。
9.根据权利要求8所述的系统，其特征在于，所述有线连接为网线连接，所述无线连接为蓝牙、红外、Wi-Fi的一种或几种。
10.根据权利要求1-9任一项所述的系统，其特征在于，所述服务器为云服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511028487.5A CN105512430A (zh) | 2015-12-31 | 2015-12-31 | 一种光谱数据和化学检测数据共享输入和输出的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511028487.5A CN105512430A (zh) | 2015-12-31 | 2015-12-31 | 一种光谱数据和化学检测数据共享输入和输出的系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105512430A true CN105512430A (zh) | 2016-04-20 |
Family
ID=55720410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511028487.5A Pending CN105512430A (zh) | 2015-12-31 | 2015-12-31 | 一种光谱数据和化学检测数据共享输入和输出的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105512430A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105606549A (zh) * | 2016-01-28 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱数据和化学检测数据建立数据模型的方法 |
| CN106769900A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的系统 |
| CN106885783A (zh) * | 2016-12-30 | 2017-06-23 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
| CN109033185A (zh) * | 2018-06-27 | 2018-12-18 | 山东省科学院自动化研究所 | 一种太赫兹光谱数据自动录入光谱数据库方法及系统 |
| CN109738378A (zh) * | 2019-01-16 | 2019-05-10 | 四川长虹电器股份有限公司 | 快速离线光谱分析系统及快速离线分析光谱的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349638A (zh) * | 2007-07-16 | 2009-01-21 | 江西农业大学 | 果蔬维生素c含量的光谱快速无损检测方法 |
| CN102564962A (zh) * | 2011-12-07 | 2012-07-11 | 北京农业智能装备技术研究中心 | 果树营养成分检测系统及方法 |
| CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
| WO2015101992A2 (en) * | 2014-01-03 | 2015-07-09 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
-
2015
- 2015-12-31 CN CN201511028487.5A patent/CN105512430A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349638A (zh) * | 2007-07-16 | 2009-01-21 | 江西农业大学 | 果蔬维生素c含量的光谱快速无损检测方法 |
| CN102564962A (zh) * | 2011-12-07 | 2012-07-11 | 北京农业智能装备技术研究中心 | 果树营养成分检测系统及方法 |
| CN102879340A (zh) * | 2012-09-27 | 2013-01-16 | 江苏徐州甘薯研究中心 | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 |
| WO2015101992A2 (en) * | 2014-01-03 | 2015-07-09 | Verifood, Ltd. | Spectrometry systems, methods, and applications |
Non-Patent Citations (1)
| Title |
|---|
| 严衍禄等: "《近红外光谱分析的原理、技术与应用》", 31 January 2013, 中国轻工业出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105606549A (zh) * | 2016-01-28 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱数据和化学检测数据建立数据模型的方法 |
| CN106769900A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的系统 |
| CN106885783A (zh) * | 2016-12-30 | 2017-06-23 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
| CN109033185A (zh) * | 2018-06-27 | 2018-12-18 | 山东省科学院自动化研究所 | 一种太赫兹光谱数据自动录入光谱数据库方法及系统 |
| CN109738378A (zh) * | 2019-01-16 | 2019-05-10 | 四川长虹电器股份有限公司 | 快速离线光谱分析系统及快速离线分析光谱的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | The future of Internet of Things in agriculture: Plant high-throughput phenotypic platform | |
| CN105512430A (zh) | 一种光谱数据和化学检测数据共享输入和输出的系统 | |
| Visconti et al. | Development of sensors-based agri-food traceability system remotely managed by a software platform for optimized farm management | |
| Taechatanasat et al. | Decision support system data for farmer decision making | |
| CN102564962B (zh) | 果树营养成分检测系统及方法 | |
| Sun et al. | Simultaneous prediction of wheat yield and grain protein content using multitask deep learning from time-series proximal sensing | |
| Jiao et al. | A random forest algorithm for retrieving canopy chlorophyll content of wheat and soybean trained with PROSAIL simulations using adjusted average leaf angle | |
| Visconti et al. | IoT-oriented software platform applied to sensors-based farming facility with smartphone farmer app | |
| Nguyen et al. | Night-based hyperspectral imaging to study association of horticultural crop leaf reflectance and nutrient status | |
| Xie et al. | Hyperspectral characteristics and growth monitoring of rice (Oryza sativa) under asymmetric warming | |
| Andrianto et al. | Performance evaluation of IoT-based service system for monitoring nutritional deficiencies in plants | |
| CN110567892A (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| Qian et al. | Exploring the potential of leaf reflectance spectra for retrieving the leaf maximum carboxylation rate | |
| CN102117447A (zh) | 作物品质区域预测系统及方法 | |
| Du et al. | Corn variable-rate seeding decision based on gradient boosting decision tree model | |
| Zang et al. | Field-measured canopy height may not be as accurate and heritable as believed: evidence from advanced 3D sensing | |
| Hussain et al. | A Systematic Review on Crop-Yield Prediction through Unmanned Aerial Vehicles | |
| CN101441180A (zh) | 树木年轮组成成分快速分析方法 | |
| CN202024959U (zh) | 基于归一化植被差异指数的无线氮素营养检测仪 | |
| Saha et al. | Crop management system using IoT | |
| Afiatna et al. | The Monitoring System of Soil PH Factor Using IoT-Webserver-Android and Machine Learning: A Case Study. | |
| Han et al. | Dissection of Hyperspectral Reflectance to Estimate Photosynthetic Characteristics in Upland Cotton (Gossypium hirsutum L.) under Different Nitrogen Fertilizer Application Based on Machine Learning Algorithms | |
| Golub et al. | Production of Biotechnological Objects using Business Intelligence | |
| Cushnahan et al. | Is big data driving a paradigm shift in precision agriculture | |
| López-Leyva et al. | Soil and environmental monitoring on a vineyard in the Guadalupe Valley as a tool for processes of precision viticulture based on ZigBee technology to improve the e-agriculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20160420 |