CN105572305A - 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 - Google Patents
一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 Download PDFInfo
- Publication number
- CN105572305A CN105572305A CN201610018005.6A CN201610018005A CN105572305A CN 105572305 A CN105572305 A CN 105572305A CN 201610018005 A CN201610018005 A CN 201610018005A CN 105572305 A CN105572305 A CN 105572305A
- Authority
- CN
- China
- Prior art keywords
- tea tree
- electronic nose
- sensor
- tea
- eigenwert
- 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 72
- 240000003553 Leptospermum scoparium Species 0.000 title claims abstract description 72
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241000238631 Hexapoda Species 0.000 title claims abstract description 35
- 230000000266 injurious effect Effects 0.000 title abstract 5
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 6
- 239000000428 dust Substances 0.000 claims abstract description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 239000004809 Teflon Substances 0.000 claims description 7
- 229920006362 Teflon® Polymers 0.000 claims description 7
- 241000607479 Yersinia pestis Species 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 239000011159 matrix material 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 abstract description 12
- 238000012847 principal component analysis method Methods 0.000 abstract 1
- 230000006378 damage Effects 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 7
- 208000014674 injury Diseases 0.000 description 7
- 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
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 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
- 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
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction 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
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001373 regressive effect 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
- 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)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Catching Or Destruction (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入侵程度的方法。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。对茶树进行分组，并对不同茶树样本组移植不同数量的害虫，将经过不同处理后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，对获得的数据使用主成分分析法对传感器阵列进行优化，降低传感器的数量。采用偏最小二乘法回归模型建立优化后的传感器阵列响应值与害虫入侵程度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入侵程度的方法，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害虫入侵程度的方法，特别涉及一种基于电子鼻的快速预测茶树受害虫入侵程度的方法。
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。茶树受害程度是对茶叶产量损失最为直观的影响因素，通过对茶树受害程度的检测可以预测茶叶产量的损失，以及可以通过受害程度这个指标做好对茶园内害虫的治理措施。
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程度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入侵程度的方法，该方法能较准确快速的鉴别出茶树受害的程度，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入侵程度的方法，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7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6组待测茶树样品移植不同数量的的害虫，分别是5只、10只、15只、20只、25只和30只，最后一组健康无损伤的茶树作为对照组，害虫取食8小时后，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)、选用各个传感器响应曲线的稳定值作为特征值，采用一种基于主成分分析的特征选择算法对电子鼻进行传感器筛选，其基本过程为：通过计算电子鼻全部传感器特征值的协方差矩阵的特征值和特征向量，选取主成分分量累积贡献率达到95％以上的前几个主成分的特征值和特征向量，计算原始传感器特征值Xi与前m个主成分Y1，Y2，..Ym的相关系数的平方和Vi作为传感器选择的依据，平方和Vi的大小反映该传感器有多少信息被映射到了前m个主成分中；
(4)、采用主成分分析比较电子鼻系统全部传感器阵列与采用由步骤3优选出来的传感器阵列的效果，选取效果更好的传感器阵列；建立效果好的电子鼻传感器组合的特征值与害虫入侵程度之间的偏最小二乘法模型，该模型表达式为：
Y＝a1×X1+a2×X2……+ai×Xi+b
式中Y为害虫入侵程度，；第i个传感器特征值，i为传感器序号，若电子鼻系统全部传感器阵列效果好，则i取1到10，若是由步骤3优选出来的传感器阵列的效果好，则i取相对应步骤3优选出来的传感器阵列序号，a1、a2、ai和b均为常数；
(5)、按照步骤(1)和(2)检测未知害虫入侵程度的茶树，取得电子鼻的响应曲线，使用步骤(3)中效果好的传感器组合阵列，并以传感器响应曲线稳定值作为特征值，最后代入步骤(4)的预测模型中，预测其受害虫入侵程度。
本发明具有的有益效果是：利用电子鼻对茶树受害程度进行预测，通过比较电子鼻全部传感器与筛选优化传感器，确定较优的传感器阵列组合，然后以传感器响应曲线稳定值作为特征值，建立其与害虫入侵程度的偏最小二乘法回归预测模型。该方法实现了使用电子鼻直接对茶树受害虫入侵程度的定量预测，并具有快速、准确的特点，为茶树，甚至是植物害虫受害程度预测提供了一种新方法。
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程度的传感器响应信号；
图3是两种传感器阵列组合主成分分析对比图；
图4是害虫入侵程度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
下面结合附图和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入侵程度的方法，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，样品顶空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。
建立模型对机械损伤程度进行预测，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7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6组待测茶树样品该茶树移植不同数量的的害虫，分别是5只、10只、15只、20只、25只和30只，最后一组健康无损伤的茶树作为对照组，害虫取食8小时后，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、选用各个传感器响应曲线的稳定值作为特征值，采用一种基于主成分分析的特征选择算法对电子鼻进行传感器筛选，其基本过程为：通过计算电子鼻全部传感器特征值的协方差矩阵的特征值和特征向量，选取主成分分量累积贡献率达到95％以上的前几个主成分的特征值和特征向量，计算原始传感器特征值Xi与前m个主成分Y1，Y2，..Ym的相关系数的平方和Vi作为传感器选择的依据，这个Vi的大小就反映了该传感器有多少信息被映射到了前m个主成分中；
4、采用主成分分析比较电子鼻系统全部传感器阵列与采用步骤3优选出来的传感器阵列的效果，选取合适效果更好的传感器阵列组合；建立效果好的电子鼻传感器组合的特征值与害虫入侵程度之间的偏最小二乘法模型，该模型表达式为：
Y＝a1×X1+a2×X2……+ai×Xi+b；
式中Y为害虫入侵程度，；第i个传感器特征值，i为传感器序号，若电子鼻系统全部传感器阵列效果好，则i取1到10，若是由步骤3优选出来的传感器阵列的效果好，则i取相对应步骤3优选出来的传感器阵列序号，a1、a2、ai和b均为常数；
5、按照步骤(1)和(2)检测未知害虫入侵程度的茶树，取得电子鼻的响应曲线，使用步骤(3)中效果好的传感器组合阵列，并以传感器响应曲线稳定值作为特征值，最后代入步骤(4)的预测模型中，预测其受害虫入侵程度。
实施例：
本发明适用于茶树、番茄、水稻等农作物受害虫取食程度的检测，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入侵程度的方法，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组分别移植5只、10只和15只三龄茶尺蠖幼虫，均经过8小时的取食时间，另外使用健康无损伤的茶树作为对照组，将处理后的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20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、清洗时间和气流速度分别为70s、60s、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，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秒时的数值作为特征值，使用一种基于主成分分析的算法对电子鼻进行传感器筛选，其基本过程为：通过计算电子鼻全部传感器特征值的协方差矩阵的特征值和特征向量，选取主成分分量累积贡献率达到一定数值的前几个主成分的特征值和特征向量，计算原始传感器特征值Xi与前m个主成分Y1，Y2，..Ym的相关系数的平方和Vi作为传感器选择的依据，这个Vi的大小就反映了该传感器有多少信息被映射到了前m个主成分中；经过该方法处理后，筛选出1号、3号、4号、5号、6号和10号传感器作为优选后的传感器阵列组合，并将这6个传感器组合与电子鼻全部10个传感器组合采用主成分分析法进行处理比较，结果如图3所示，(a)为10个传感器组合图，(b)为6个传感器组合图，可以看出两者获得的类似的分类效果，但是筛选出来的传感器阵列组合传感器数量少，可以提高后续数据处理的效率，因此采用筛选出来的6个传感器阵列组合进行后续建模。
以害虫入侵程度为因变量，6个传感器阵列组合的特征值为自变量进行偏最小二乘回归建模，其相关系数R2为0.89，其表达式为：
Y＝361.1×X1+145.7×X3+16.9×X4-556.9×X5+87.5×X6-102.2×X10+48.9式中Y为害虫入侵程度，X1，X3，X4，X5，X6，X10分别为对应序号的传感器稳定值。
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，计算出预测的茶树害虫入侵程度，与实际入侵程度建立回归模型，结果如图3所示，其模型公式为：y＝0.89*x+0.81，其中y为预测值，x为实际值，相关系数R2＝0.89，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入侵程度的方法，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7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6组待测茶树样品移植不同数量的的害虫，分别是5只、10只、15只、20只、25只和30只，最后一组健康无损伤的茶树作为对照组，害虫取食8小时后，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)、选用各个传感器响应曲线的稳定值作为特征值，采用一种基于主成分分析的特征选择算法对电子鼻进行传感器筛选，其基本过程为：通过计算电子鼻全部传感器特征值的协方差矩阵的特征值和特征向量，选取主成分分量累积贡献率达到95％以上的前几个主成分的特征值和特征向量，计算原始传感器特征值Xi与前m个主成分Y1，Y2，..Ym的相关系数的平方和Vi作为传感器选择的依据，平方和Vi的大小反映该传感器有多少信息被映射到了前m个主成分中；
(4)、采用主成分分析比较电子鼻系统全部传感器阵列与采用由步骤3优选出来的传感器阵列的效果，选取效果更好的传感器阵列；建立效果好的电子鼻传感器组合的特征值与害虫入侵程度之间的偏最小二乘法模型，该模型表达式为：
Y＝a1×X1+a2×X2+……+ai×Xi+b
式中Y为害虫入侵程度，第i个传感器特征值，i为传感器序号，a1、a2、ai和b均为常数；
(5)、按照步骤(1)和(2)检测未知害虫入侵程度的茶树，取得电子鼻的响应曲线，使用步骤(3)中效果好的传感器组合阵列，并以传感器响应曲线稳定值作为特征值，最后代入步骤(4)的预测模型中，预测其受害虫入侵程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610018005.6A CN105572305B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610018005.6A CN105572305B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105572305A true CN105572305A (zh) | 2016-05-11 |
| CN105572305B CN105572305B (zh) | 2017-08-04 |
Family
ID=55882672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610018005.6A Expired - Fee Related CN105572305B (zh) | 2016-01-11 | 2016-01-11 | 一种基于电子鼻的快速预测茶树受害虫入侵程度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105572305B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109711603A (zh) * | 2018-12-06 | 2019-05-03 | 浙江大学 | 基于电子鼻快速预测稻米受曲霉属真菌侵染数量的方法 |
| CN110378229A (zh) * | 2019-06-19 | 2019-10-25 | 浙江大学 | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 |
| CN113766423A (zh) * | 2021-09-23 | 2021-12-07 | 温州大学 | 一种无线传感器未知节点线性三边定位方法及系统 |
| CN114252500A (zh) * | 2021-12-21 | 2022-03-29 | 浙江大学 | 基于gc-ims的侧柏受柏肤小蠹入侵数量的早期预测方法 |
-
2016
- 2016-01-11 CN CN201610018005.6A patent/CN105572305B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| 叶盛 等: "水 稻 虫 害 信 息 快 速 检 测 方 法 实 验 研 究-基于电子鼻系统", 《农机化研究》 * |
| 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711603A (zh) * | 2018-12-06 | 2019-05-03 | 浙江大学 | 基于电子鼻快速预测稻米受曲霉属真菌侵染数量的方法 |
| 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 |
| CN110378229A (zh) * | 2019-06-19 | 2019-10-25 | 浙江大学 | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 |
| CN110378229B (zh) * | 2019-06-19 | 2021-07-13 | 浙江大学 | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 |
| CN113766423A (zh) * | 2021-09-23 | 2021-12-07 | 温州大学 | 一种无线传感器未知节点线性三边定位方法及系统 |
| CN113766423B (zh) * | 2021-09-23 | 2023-05-02 | 温州大学 | 一种无线传感器未知节点线性三边定位方法及系统 |
| CN114252500A (zh) * | 2021-12-21 | 2022-03-29 | 浙江大学 | 基于gc-ims的侧柏受柏肤小蠹入侵数量的早期预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105572305B (zh) | 2017-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105572305A (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 | |
| Volaire | A unified framework of plant adaptive strategies to drought: crossing scales and disciplines | |
| Morison et al. | Improving water use in crop production | |
| Briglia et al. | Drought phenotyping in Vitis vinifera using RGB and NIR imaging | |
| Rojas-Aréchiga et al. | Seed size and photoblastism in species belonging to tribe Cacteae (Cactaceae) | |
| CN105181678B (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
| CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
| CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
| CN103163217A (zh) | 声表面波谐振器串联检测系统及其检测方法 | |
| CN109146119B (zh) | 小麦耐荫性综合鉴定模型、方法及应用 | |
| CN102692488A (zh) | 基于电子鼻技术的金华火腿分级与鉴别方法 | |
| CN102805010B (zh) | 一种利用离体叶片鉴别辣椒耐热性的方法 | |
| Fernández-González et al. | Influence of thermal requirement in the aerobiological and phenological behavior of two grapevine varieties | |
| Marchand et al. | A biomarker based on gene expression indicates plant water status in controlled and natural environments | |
| CN105274239A (zh) | 温度胁迫下二化螟内参基因的筛选方法及应用 | |
| 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 | |
| CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
| CN105548490B (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 | |
| CN109034450B (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
| CN102175611A (zh) | 一种基于生理参数的小麦赤霉病抗性的快速鉴定方法 | |
| Singh et al. | Phenological variations in relation to climatic variables of moist temperate forest tree species of western Himalaya, India | |
| CN105628878B (zh) | 一种基于电子鼻的茶树机械损伤程度的预测方法 | |
| Rao et al. | Phenotyping horticultural crops for abiotic stress tolerance | |
| CN105738422A (zh) | 一种基于电子鼻检测山核桃储藏时间的方法 | |
| Choudhury et al. | Detection of water stress in Khasi mandarin orange plants from volatile organic compound emission profile implementing electronic nose |
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 |
Granted publication date: 20170804 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |