CN105548490A - 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 - Google Patents
一种基于电子鼻的快速预测茶树受害虫取食时间的方法 Download PDFInfo
- Publication number
- CN105548490A CN105548490A CN201610016866.0A CN201610016866A CN105548490A CN 105548490 A CN105548490 A CN 105548490A CN 201610016866 A CN201610016866 A CN 201610016866A CN 105548490 A CN105548490 A CN 105548490A
- Authority
- CN
- China
- Prior art keywords
- tea tree
- electronic nose
- time
- eigenwert
- tea
- 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
- 235000009024 Ceanothus sanguineus Nutrition 0.000 title claims abstract description 76
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 76
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 74
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000012417 linear regression Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims description 24
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 9
- 239000004809 Teflon Substances 0.000 claims description 7
- 229920006362 Teflon® Polymers 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 241000238631 Hexapoda Species 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 4
- 230000002000 scavenging effect Effects 0.000 claims description 4
- 238000000746 purification Methods 0.000 claims description 3
- 241001122767 Theaceae Species 0.000 claims 1
- 244000269722 Thea sinensis Species 0.000 description 10
- 239000007789 gas Substances 0.000 description 5
- 239000003205 fragrance Substances 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- 235000006468 Thea sinensis Nutrition 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 241001046947 Ectropis obliqua Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 102100028260 Gamma-secretase subunit PEN-2 Human genes 0.000 description 1
- 101000579663 Homo sapiens Gamma-secretase subunit PEN-2 Proteins 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229940126214 compound 3 Drugs 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000014214 soft drink Nutrition 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Botany (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种基于电子鼻的快速预测茶树受害虫取食时间的方法。挑选健康无损伤的茶树作为检测对象。对不同茶树样本组移植数量相同的害虫，经过不同的害虫取食时间，将茶树放入电子鼻样品顶空装置中静置一段时间后使用电子鼻检测，并使用健康无损伤的茶树作为对照组，使用稳定值法、小波分析法和二次项拟合法分别对获得的数据进行特征提取，并以两种不同的模式识别算法选出最优特征提取方法，采用线性回归算法建立最优特征提取方法提取出来的特征值与害虫取食时间之间的定量预测模型。本发明提供了一种快速预测茶树受害虫取食时间的方法，对茶树样本无损害，操作简单，并具有良好的预测效果，具有较高的推广利用价值。
Description
技术领域
本发明涉及一种快速无损检测农作物病虫害的方法，特别涉及一种基于电子鼻的快速预测茶树受害虫取食时间的方法。
背景技术
据统计，如今我国的茶叶年消费量已高达66万吨左右，人均饮茶0.45公斤/年。茶对中国的社会历史文化和现实生活都产生了重要影响。从世界范围看，茶已成为全球性的天然饮料。并以其天然和健康的声誉风靡全球，其消费总量位居除水以外的所有软饮料之首。
在茶叶的生产过程中，茶树的质量(健康状态)对茶叶的品质和产量起着至关重要的影响。每年因茶树害虫、疾病等问题，茶叶的产量及品质造成巨大损失。对茶树受害时间的检测对茶园害虫防治及减少茶叶产量损失具有重要意义，若是可以提出一种检测手段，在茶树受害初期即可检测到害虫，并使用相应的防治手段将害虫治理，就可最大限度的降低茶园的损失。
电子鼻是一种以特定的传感器和模式识别系统快速提供被测样品的整体信息，指示样品的隐含特征的检测仪器，具有高灵敏度、可靠性、重复性、它可以对样品进行量化。目前，利用电子鼻在茶树受害时间检测方面尚未有相关报道，而电子鼻作为一种快速、准确的检测手段，在植物害虫检测方面具有广泛应用前景。
发明内容
本发明的目的在于提供一种基于电子鼻的快速预测茶树受害虫取食时间的方法，该方法能较准确快速的鉴别出茶树受害的时间，并且对茶树无损伤。
本发明解决上述技术问题所采用的技术方案是：一种基于电子鼻的快速预测茶树受害虫取食时间的方法，该方法检测过程在电子鼻样品顶空收集装置中实现，该装置包括空气泵、活性炭管、流量计、特氟隆管、密封板、支架台、茶树、玻璃罩；其中，所述空气泵、活性炭管、流量计和玻璃罩通过特氟隆管依次连接；密封板设置在支架台和玻璃罩之间；茶树的根部在密封板的下方，茶树的枝叶在玻璃罩之内；
电子鼻样品顶空收集装置的工作条件为：通过流量计将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩内的气体均为经活性炭管净化后的空气；
该方法具体包括以下步骤：
(1)、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象；选取8组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n为大于等于10的自然数；对7组待测茶树样品移植相同数量的害虫，害虫数量为5-15之间，经过不同的取食时间，分别是4小时、8小时、12小时、16小时、20小时、24小时和28小时，最后一组健康无损伤的茶树作为对照组；将茶树放入电子鼻样品顶空收集装置中，并且保证装置内茶树的叶片为20-25片，然后在室温下放置30min-40min使该顶空装置内挥发物浓度达到稳定；
(2)、抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号；
(3)选用稳定值法、小波分析法和二次项拟合法对电子鼻各个传感器响应曲线进行特征提取；
所述稳定值法提取特征是选择每根传感器响应值稳定值作为特征值；
所述小波分析法提取特征是选择时频窗口小、正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层的低频近似系数E5作为特征值；
所述二次项拟合法提取特征是使用y＝At^2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
(4)、根据上述3种特征提取算法取得的特征值作为原始数据，分别采用主成分分析和线性判别分析对上述数据进行处理，选取区分效果最好的特征值作为预测模型的训练值；采用线性回归模型建立区分效果最好特征提取方法所提取的特征值与茶树受害虫取食时间之间的定量预测模型；
表达式为：Y＝a1×X1+a2×X2+……+ai×Xi+……+a10×X10+b；其中Y为取食时间，Xi为上述区分效果最好特征提取方法所提取的特征值，i为上述区分效果最好特征提取方法所提取的特征值的个数，若是稳定值法和小波分析法，则i为10，若是二项式拟合法，则i为30，a1，a2，ai，b均为常数；
(5)、按照步骤(1)和(2)检测未知害虫取食时间的茶树，取得电子鼻的响应曲线，使用步骤(3)中分类效果最优的特征提取方法对该数据进行特征提取，最后代入步骤(4)的预测模型中，预测其受害虫取食时间。
本发明具有的有益效果是：利用电子鼻对茶树受害时间进行预测，通过比较稳定值法、小波分析法和二次项拟合法三种特征提取方法，挑选出最为合适的特征值，并建立良好的定量预测模型。该方法实现了使用电子鼻直接对茶树受害虫取食时间的定量预测，并具有快速、准确的特点，为茶树，甚至是植物害虫受害时间提供了一种新方法。
附图说明
图1是电子鼻样品顶空收集装置；
图2是电子鼻检测茶树受害时间的传感器响应信号；
图3是三种特征提取方法效果对比图；
图4是害虫取食时间预测值与实际值之间的回归模型曲线。
图1中：空气泵1、活性炭管2、流量计3、特氟隆管4、密封板5、支架台6、茶树7、玻璃罩8。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明采用一种基于电子鼻的快速预测茶树受害虫取食时间的方法，
该方法在如图1所示的电子鼻样品顶空收集装置中实现，该装置包括空气泵1、活性炭管2、流量计3、特氟隆管4、密封板5、支架台6、茶树7、玻璃罩8；其中，所述空气泵1、活性炭管2、流量计3和玻璃罩8通过特氟隆管4依次连接；密封板5设置在支架台6和玻璃罩8之间；茶树7的根部在密封板5的下方，茶树7的枝叶在玻璃罩8之内，茶树7挥发出来的气味填充在玻璃罩8之内，玻璃罩8容积为5L，空气泵1向玻璃罩8内泵空气，使玻璃罩8内填充经活性炭管2净化后的空气。
电子鼻样品顶空收集装置的工作条件为：通过流量计3将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩8内的气体均为经活性炭管2净化后的空气。其该方法具体步骤包括：
1、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象。选取8组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n大于等于10的自然数；对7组待测茶树样品移植相同数量的害虫，害虫数量为5到15只之间，经过不同的取食时间，分别是4小时、8小时、12小时、16小时、20小时、24小时和28小时，最后一组健康无损伤的茶树作为对照组，将茶树放入电子鼻样品顶空收集装置中，并且保证装置内茶树的叶片为20-25片，然后在室温下放置30min-40min使该顶空装置内挥发物浓度达到稳定；
2、抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号；
3、选用三种方法，分别是稳定值法、小波分析法和二次项拟合法对电子鼻各个传感器响应曲线进行特征提取；
稳定值特征提取法是选择每根传感器响应值稳定值作为特征值；
小波分析特征提取法：选择时频窗口小，正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层的低频近似系数E5作为特征值；
二次项拟合特征提取法：使用y＝At^2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
4、根据上述3种特征提取算法取得的特征值作为原始数据，分别采用主成分分析和线性判别分析对上述数据进行处理，选取区分效果最好的特征值作为预测模型的训练值；采用线性回归模型建立区分效果最好特征提取方法所提取的特征值与茶树受害虫取食时间之间的定量预测模型；
表达式为：Y＝a1×X1+a2×X2+……+ai×Xi+……+a10×X10+b；其中Y为取食时间，Xi为上述区分效果最好特征提取方法所提取的特征值，i为上述区分效果最好特征提取方法所提取的特征值的个数，若是稳定值法和小波分析法，则i为10，若是二项式拟合法，则i为30，a1，a2，ai，b均为常数；
(5)、按照步骤(1)和(2)检测未知害虫取食时间的茶树，取得电子鼻的响应曲线，使用步骤(3)中分类效果最优的特征提取方法对该数据进行特征提取，最后代入步骤(4)的预测模型中，预测其受害虫取食时间。
实施例：
本发明适用于茶树、番茄、水稻等农作物受害虫取食时间的检测，主要适用于电子鼻检测并对其结果数据处理。以下的实施例便于更好的理解本发明，但并不限定本发明。一种基于电子鼻的快速预测茶树受害虫取食时间的方法，它的步骤如下：
以两年生龙井43茶树作为实验对象，挑选健康无损伤的茶树，并将茶树叶片洗净，去除灰尘，选取4组待测茶树样本组，对其中3组待测茶树样本组移植10只三龄茶尺蠖幼虫，经过不同的取食时间，分别是8小时、16小时和24小时，最后一组健康无损伤的茶树作为对照组，将经过上述处理后茶树放入电子鼻样品顶空收集装置中，并且保证装置内茶树的叶片为20-25片，然后在室温下(25摄氏度)放置40min使该顶空装置内挥发物浓度达到稳定，每个处理组做16次重复；对上述电子鼻顶空装置内的挥发物使用电子鼻进行检测，设置检测时间为70s、清洗时间为60s和气流速度分别为200ml/min；结束一个样本检测后需对电子鼻传感器进行清洗，然后检测第二个样本。
本案例中应用的是德国AIRSENSE公司的PEN2型电子鼻为检测仪器，该电子鼻系统由10个金属氧化物传感器，其型号与相应特性如表1所示：
表1PEN2型电子鼻各传感器的响应特征
| 序号 | 名称 | 性能特点 |
| 1 | S1 | 对芳香成分敏感 |
| 2 | S2 | 对氨氧化合物很敏感 |
| 3 | S3 | 对氨水、芳香成分敏感 |
| 4 | S4 | 对氢气有选择性 |
| 5 | S5 | 对烷烃、芳香成分敏感 |
| 6 | S6 | 对甲烷敏感 |
| 7 | S7 | 对硫化物敏感 |
| 8 | S8 | 对乙醇敏感 |
| 9 | S9 | 对芳香成分、有机硫化物敏感 |
| 10 | S10 | 对烷烃敏感 |
获得电子鼻的输出结果后，即可对其进行特征提取，观测响应曲线，发现均在60秒之后趋于稳定，因此以响应曲线65秒时的数值作为第一种特征提取方法稳定值法的特征值。
小波分析特征提取法：选择时频窗口小，正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层的低频近似系数E5作为特征值。
二次项拟合特征提取法：使用y＝At^2+Bt+C通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值。
获得了上述三种方法处理后的特征值后，分别使用主成分分析和线性判别分析对其进行处理，结果如图3所示。图3中a和d为稳定值法提取的特征值，b和e为小波分析法提取的特征值，c和f为二次项拟合提取的特征值，对比发现采用稳定值法和二次项拟合法均获得了不错的效果，但是稳定值法特征值获取相对简单，因此采用稳定值法提取的特征为自变量，害虫取食时间为因变量进行后续回归建模，其相关系数R2达到0.946，其表达式为：Y＝231.1×X1-62.4×X2-433.2×X3+98.7×X4+107.5×X5-129.8×X6-260.7×X7+59.1×X8+655.1×X9-261.9×X10+4.0
式中Y为害虫取食时间，X1-X10分别为电子鼻各个传感器稳定值。
为验证上述模型的准确度，将预测集传感器响应值代入上述预测模型，计算出预测的茶树取食时间，与实际取食时间建立回归模型，结果如图3所示，其模型公式为：y＝0.9918*x+0.31，其中y为预测值，x为实际值，相关系数R2＝0.88，说明该模型预测效果较好。
Claims (1)
1.一种基于电子鼻的快速预测茶树受害虫取食时间的方法，该方法检测过程在电子鼻样品顶空收集装置中实现，该装置包括空气泵(1)、活性炭管(2)、流量计(3)、特氟隆管(4)、密封板(5)、支架台(6)、茶树(7)、玻璃罩(8)；其中，所述空气泵(1)、活性炭管(2)、流量计(3)和玻璃罩(8)通过特氟隆管(4)依次连接；密封板(5)设置在支架台(6)和玻璃罩(8)之间；茶树(7)的根部在密封板(5)的下方，茶树(7)的枝叶在玻璃罩(8)之内；
电子鼻样品顶空收集装置的工作条件为：通过流量计(3)将空气流量控制在1000ml/min到1400ml/min之间，该装置工作的时间控制在5min-8min之间，使玻璃罩(8)内的气体均为经活性炭管(2)净化后的空气；
其特征在于，该方法具体包括以下步骤：
(1)、将茶树叶片洗净，去除灰尘，并挑选健康无损伤的茶树作为检测对象；选取8组待测茶树样品，每组待测茶树样品中包含n株茶树，其中，n为大于等于10的自然数；对7组待测茶树样品移植相同数量的害虫，害虫数量为5-15之间，经过不同的取食时间，分别是4小时、8小时、12小时、16小时、20小时、24小时和28小时，最后一组健康无损伤的茶树作为对照组；将茶树放入电子鼻样品顶空收集装置中，并且保证装置内茶树的叶片为20-25片，然后在室温下放置30min-40min使该顶空装置内挥发物浓度达到稳定；
(2)、抽取电子鼻样品顶空收集装置内的挥发物，注入电子鼻系统中，设置检测时间为60s-90s、清洗时间为60s-80s和气流速度为200ml/min-400ml/min；电子鼻系统中的传感器与挥发物发生反应，产生响应信号；
(3)选用稳定值法、小波分析法和二次项拟合法对电子鼻各个传感器响应曲线进行特征提取；
所述稳定值法提取特征是选择每根传感器响应值稳定值作为特征值；
所述小波分析法提取特征是选择时频窗口小、正交性和规则性好的Coiflet小波coif5作为小波基，根据对比重构效果和原始信号数值误差值变化，选取5层分解尺度，将分解后得到的第5层的低频近似系数E5作为特征值；
所述二次项拟合法提取特征是使用y＝At^2+Bt+C，其中，y为传感器响应信号值，t为检测时间；通过最小二乘法对响应曲线进行拟合，将拟合后获得的参数A,B,C作为特征值；
(4)、根据上述3种特征提取算法取得的特征值作为原始数据，分别采用主成分分析和线性判别分析对上述数据进行处理，选取区分效果最好的特征值作为预测模型的训练值；采用线性回归模型建立区分效果最好特征提取方法所提取的特征值与茶树受害虫取食时间之间的定量预测模型；
表达式为：Y＝a1×X1+a2×X2+……+ai×Xi+……+a10×X10+b；其中Y为取食时间，Xi为上述区分效果最好特征提取方法所提取的特征值，i为上述区分效果最好特征提取方法所提取的特征值的个数，a1，a2，ai，b均为常数；
(5)、按照步骤(1)和(2)检测未知害虫取食时间的茶树，取得电子鼻的响应曲线，使用步骤(3)中分类效果最优的特征提取方法对该数据进行特征提取，最后代入步骤(4)的预测模型中，预测其受害虫取食时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016866.0A CN105548490B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610016866.0A CN105548490B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105548490A true CN105548490A (zh) | 2016-05-04 |
| CN105548490B CN105548490B (zh) | 2017-09-01 |
Family
ID=55827823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610016866.0A Expired - Fee Related CN105548490B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105548490B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121530A (zh) * | 2017-05-23 | 2017-09-01 | 武汉理工大学 | 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 |
| CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4457161A (en) * | 1980-10-09 | 1984-07-03 | Hitachi, Ltd. | Gas detection device and method for detecting gas |
| CN101694473A (zh) * | 2009-10-19 | 2010-04-14 | 浙江大学 | 基于气味的便携式虫害信息检测系统 |
| CN101769889A (zh) * | 2010-01-06 | 2010-07-07 | 浙江清华长三角研究院 | 一种农产品品质检测的电子鼻系统 |
| CN102279213A (zh) * | 2011-07-20 | 2011-12-14 | 浙江大学 | 一种利用挥发物快速诊断农作物病害的方法 |
| CN102353701A (zh) * | 2011-07-20 | 2012-02-15 | 浙江大学 | 一种利用挥发物的农作物虫害诊断方法 |
| CN104237318A (zh) * | 2014-09-18 | 2014-12-24 | 吉林大学 | 一种利用电子鼻检测根茎类植物根部病虫害的方法 |
-
2016
- 2016-01-11 CN CN201610016866.0A patent/CN105548490B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4457161A (en) * | 1980-10-09 | 1984-07-03 | Hitachi, Ltd. | Gas detection device and method for detecting gas |
| CN101694473A (zh) * | 2009-10-19 | 2010-04-14 | 浙江大学 | 基于气味的便携式虫害信息检测系统 |
| CN101769889A (zh) * | 2010-01-06 | 2010-07-07 | 浙江清华长三角研究院 | 一种农产品品质检测的电子鼻系统 |
| CN102279213A (zh) * | 2011-07-20 | 2011-12-14 | 浙江大学 | 一种利用挥发物快速诊断农作物病害的方法 |
| CN102353701A (zh) * | 2011-07-20 | 2012-02-15 | 浙江大学 | 一种利用挥发物的农作物虫害诊断方法 |
| CN104237318A (zh) * | 2014-09-18 | 2014-12-24 | 吉林大学 | 一种利用电子鼻检测根茎类植物根部病虫害的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱娜 等: "电子鼻对草莓采后贮藏早期霉菌感染的检测", 《农业工程学报》 * |
| 程绍明 等: "基于电子鼻技术的番茄苗早疫病病害快速检测研究", 《科技通报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121530A (zh) * | 2017-05-23 | 2017-09-01 | 武汉理工大学 | 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 |
| CN107121530B (zh) * | 2017-05-23 | 2019-08-23 | 武汉理工大学 | 一种局部和全局特征相结合的电子鼻响应谱特征提取方法 |
| CN109632892A (zh) * | 2019-01-11 | 2019-04-16 | 浙江大学 | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105548490B (zh) | 2017-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmadi et al. | Early detection of Ganoderma basal stem rot of oil palms using artificial neural network spectral analysis | |
| Zheng et al. | Electronic noses based on metal oxide semiconductor sensors for detecting crop diseases and insect pests | |
| CN105572305B (zh) | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 | |
| Pathange et al. | Non-destructive evaluation of apple maturity using an electronic nose system | |
| Gómez et al. | Discrimination of storage shelf-life for mandarin by electronic nose technique | |
| Guohua et al. | Study of peach freshness predictive method based on electronic nose | |
| Fallon et al. | Spectral differentiation of oak wilt from foliar fungal disease and drought is correlated with physiological changes | |
| CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
| CN103163217A (zh) | 声表面波谐振器串联检测系统及其检测方法 | |
| CN100575950C (zh) | 一种水果成熟度预测方法 | |
| CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
| CN102279213A (zh) | 一种利用挥发物快速诊断农作物病害的方法 | |
| CN102749370A (zh) | 壳类农产品品质指标无损快速检测的方法 | |
| Marchand et al. | A biomarker based on gene expression indicates plant water status in controlled and natural environments | |
| CN102507889A (zh) | 一种利用浮萍对重金属进行生物毒性评价的方法 | |
| CN102944584B (zh) | 一种气味传感器对草莓常见病害早期检测的方法 | |
| CN105548490A (zh) | 一种基于电子鼻的快速预测茶树受害虫取食时间的方法 | |
| CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
| CN109632892B (zh) | 基于电子鼻的侧柏受蛀干害虫为害时长检测模型及应用 | |
| CN105628878B (zh) | 一种基于电子鼻的茶树机械损伤程度的预测方法 | |
| Singh et al. | Phenological variations in relation to climatic variables of moist temperate forest tree species of western Himalaya, India | |
| Choudhury et al. | Detection of water stress in Khasi mandarin orange plants from volatile organic compound emission profile implementing electronic nose | |
| Anticuando et al. | Electronic Nose and Deep Learning Approach in Identifying Ripe Lycopersicum esculentum L. TomatoFruit | |
| Dostál et al. | Detection of acoustic emission characteristics of plant according to water stress condition. | |
| CN105510412B (zh) | 快速无损检测种子生活力的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170901 |