CN105606549A - 一种利用光谱数据和化学检测数据建立数据模型的方法 - Google Patents
一种利用光谱数据和化学检测数据建立数据模型的方法 Download PDFInfo
- Publication number
- CN105606549A CN105606549A CN201610061765.5A CN201610061765A CN105606549A CN 105606549 A CN105606549 A CN 105606549A CN 201610061765 A CN201610061765 A CN 201610061765A CN 105606549 A CN105606549 A CN 105606549A
- Authority
- CN
- China
- Prior art keywords
- data
- wavelength
- chemical
- database
- spectroscopic
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N2021/3129—Determining multicomponents by multiwavelength light
Abstract
本发明涉及一种利用光谱数据和化学检测数据建立数据模型的方法,将物体样品的n组光谱数据和n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。其中,化学检测数据包括T种成分及其含量检测,T≥1,K≥T,n≥50。建模的数据基量大,从700-2500nm中选取波长数据提高数据模型的精确度。
Description
技术领域
本发明属于物质检测领域,特别是涉及利用光谱检测化学成分的方法,具体是涉及一种优化利用光谱数据和化学检测数据建立数据模型的方法。
背景技术
现代近红外光谱仪器的控制及数据处理分析系统是仪器的重要组成部分。一般由仪器控制、采谱和光谱处理分析两个软件系统和相应的硬件设备构成。前者主要功能是控制仪器各部分的工作状态,设定光谱采集的有关参数,如光谱测量方式、扫描次数、设定光谱的扫描范围等,设定检测器的工作状态并接受检测器的光谱信号。光谱处理分析软件主要对检测器所采集的光谱进行处理,实现定性或定量分析。对特定的样品体系,近红外光谱特征峰的差别并不明显,需要通过光谱的处理减少以至消除各方面因素对光谱信息的干扰,再从差别甚微的光谱信息中提取样品的定性或定量信息,这一切都要通过功能强大的光谱数据处理分析软件来实现。
近红外光谱分析技术分析速度快,是因为光谱测量速度很快,计算机计算结果速度也很快的原因。但近红外光谱分析的效率却取决于仪器所配备的数据模型及其数量,数据模型的准确度取决于建立数据模型基于建模时的数据量的大小及运算规则。
CN101556242B公开了一种用傅立叶红外光谱鉴别微生物的方法,包括培养对照微生物;采集对照微生物的红外图谱;在3000‐2300cm‐1和1300至700cm‐1区间内的一个或多个谱段建立微生物鉴别模型;在上述相同的条件下培养待测微生物,采集待测微生物的红外图谱,将红外图谱代入微生物鉴别模型中确定待测微生物的归属。
目前的方法中,因为模型的建立按照图谱的模式进行的,或者是按照局部数据进行的,或者是在化学计量的基础上进行匹配光谱数据,这些方法都存在建模后调整难度大,且基础数据不齐全,导致数据模型的校正和公式的更新和更换难度大。
发明内容
为解决上述技术问题,本发明提供了一种利用光谱数据和化学检测数据建立数据模型的方法,该方法利用物质的光谱多波长特征信息和多物质信息对应关系的设立运算公式。主要过程是建立并完善完光谱数据和化学检测数据后,输入数据库,进行光谱数据和化学数据的映射,根据映射寻找代表其规律的波长组合信息,并将波长组合信息与物质成分和含量信息建立多套误差满足需要的数据公式,然后将多套数学公式嵌入运算服务器,运算服务器与数据库紧密互动,进行新物质检测和数学公式的优化。
具体的,本发明提供了一种利用光谱数据和化学检测数据建立数据模型的方法,其特征在于,物体样品的n组光谱数据和n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,所述2-100个波长选自700-2500nm中的波长值或波长范围,其中,化学检测数据包括T种成分及其含量检测,T≥1,K≥T,n≥50。
具体,本发明提供了一种利用光谱数据和化学检测数据建立数据模型的方法,该方法包括如下步骤:
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;T表示成分的数量,也就是做几种成分的分析,其中T≥1,当对物体分析蛋白质和淀粉的时候,则T为2,如果增加可溶性糖,则T为3。T大于等于1,一般情况不对最大数值做限定,只要条件允许,可以对物体的成分做全分析,那样T可能会达到20,甚至30;
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,其中n≥50;
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。所述2-100个波长选自700-2500nm中的波长值或波长范围。K表示公式的数量,一般情况下K≥1,为了单独分析多组分,K值要大于T值,也就是公式的数量一定大于成分的数量,有时为了同时进行多组分分析,需要K值满足如下关系式:
其中C表示组合式的含义。
为了考虑对每个成分或者是多个成分组合的检测准确,需要备用公式,也就是针对异常数据,公式出现无法计算的情况,应对备用公式进行运算,则此时考虑备用公式时,K值则需要满足如下关系式:
其中C表示组合式的含义。
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,作为公式的更新和更换的基础。
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。
优选的,上述方法中,n大于等于100。n表示样品检测数量,n值越大,则光谱数据和化学检测数据的数量越大,会使得映射数据集合中的数据更好的支撑公式的建立,此处限定的n值是指建立模型所需的最低样品检测量,最大检测量不受限制,只要条件允许,可以将样品检测量增加到1000以上,甚至是10000以上。
优选的,上述方法中,光谱的波长范围为700-2500nm。优选的,光谱的波长范围为800-1800nm,或光谱的波长范围为1500‐2500,或者是700-2500nm内任意范围的波长范围。
优选的,上述方法中,物体为化学组成成分基本相同但成分含量差异值在20%以内的同类物体,所述成分含量差异值是指各农产品样品中成分含量的绝对值与各农产品样品中成分含量的平均值的比值的百分数。
优选的,物体为食物类、农产品类、土壤类等,优选的为农产品类,例如马铃薯块茎,小麦籽粒,西瓜、叶菜、苹果等等。例如建立马铃薯的数据模型,则上述方法中,物体样品则均为马铃薯样品,而不能选择红薯样品。
优选的,上述方法中,光谱数据为纳米整数级波长的所有波长及吸光度的数据集合。也就是说,光谱数据不仅仅是一个图形或者是几个波长数据,而是所选范围内的所有波长的吸光度,哪怕某些波长的吸光度为零,也要记录入光谱数据中。
优选的,上述方法中,光谱数据为波长为800‐1800nm的1001个波长的波长和吸光度的数据集合。
优选的,上述方法中,光谱数据为波长为1500‐2500的1001个波长的波长和吸光度的数据集合。
本发明的方法所针对的是建立数据模型的方法,数据模型的建立中的化学测量数据,也成为化学计量数据,是指通过某些物质的国家标准进行测量获得的化学数据。例如马铃薯中的淀粉含量,需要按照国家标准或者是行业标准进行测量,也可以采用满足国标测量精度的仪器进行测量。
有益效果
与现有技术相比,本发明优化建立数据模型的方法的有益效果体现在如下三个方面:
1、不仅将光谱数据与化学检测数据输入数据库中,进行映射,避免了目前仅仅将光谱数据录入化学检测数据处理器中导致的数据不独立的缺陷,难以达到公式更新和更换,阻碍了公式的灵活变化;而且用于建立数据模型的数据为最少50组光谱数据和50组相应的化学检测数据,建立数据模型的数据基量越大建立的数据模型准确性越高。
2、在数据库中的数据映射集合中,从700-2500nm中选取2‐100个波长数据,将2‐100个波长数据下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的定性和定量关系。因为数据库中的波长数据全面,因此选取2‐100个波长数据与化学测量数据进行对应和建立公式则更加便捷,2‐100个波长数据可以进行变换,摒弃了目前技术中单一波长段的选择,形成不确定分析,对波长的定位不准确。此外,从700-2500nm中选取2‐100个波长数据提高了建立的数据模型的精确度,进一步减少了输入光谱数据后通过数据模型计算化学成分及含量数据的误差。
3、K个公式嵌入服务器中,实现了公式的独立运算,同时也保证了运算结果可以独立的输回数据库中,而且选择波长数据时,没有必要将全部波长数据进行比对,仅仅在服务器中比对2‐100个波长数据即可,比对效率高,又不影响原始光谱数据录入到数据库中。针对光谱数据和化学检测数据基量增大,及从700-2500nm中选取的2‐100个波长数据,公式及公式的数量得到相应的完善和增加,也有利于进一步提高数据模型计算的精确性。
附图说明
图1描述了单个物体样品的数据映射形成过程。
图2描述了多个数据映射形成公式并嵌入服务器中的过程
图3描述了作为新样品光谱数据在数据模型中计算出样品化学数据的过程。
图4描述了数据模型的总体组成结构。
具体实施方式
实施例1马铃薯块茎的数据模型的优化
材料:马铃薯块茎,从马铃薯产品中随机抽取200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。
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;
将马铃薯块茎的光谱数据和化学检测数据录入同一数据库,形成第1组数据映射;
再抽取马铃薯样品199组,对随机抽取的199组马铃薯块茎按照上述方法独立进行处理,获得199组光谱数据和对应的199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200组数据映射;
在上述数据库中的200组数据映射中,光谱数据选取5个波长的吸光度数值(1200-1300nm,1400-1600nm,1000-1100nm,2000-2300nm,900-950nm),5个波长的吸光度数值统一与化学检测数据进行对应,确定5个波长吸光度变化与化学检测数据变化具有同步关系的5个公式。
将上述步骤的5个公式嵌入运算服务器,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5个波长录入运算服务器,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、纤维素含量输出到显示端,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。
根据上述步骤确定的数据库和运算服务器上的5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,形成马铃薯块茎的光谱数据模型。
实施例2小麦的数据模型的优化
材料:小麦,从小麦产品中随机获取250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。
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,形成小麦的化学检测数据;
将小麦的光谱数据和化学检测数据录入同一数据库,形成第1组数据映射;
再抽取小麦样品249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248组光谱数据和对应的248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250组数据映射;
在上述数据库中的250组数据映射中,光谱数据选取6个波长的吸光度数值(1200-1300nm,1400-1600nm,1000-1100nm,2000-2300nm,900-950nm,1700-1900nm),6个波长的吸光度数值统一与化学检测数据进行对应,确定6个波长吸光度变化与化学检测数据变化具有同步关系的10个公式。
将上述步骤的10个公式嵌入运算服务器,再采集新的小麦光谱数据录入数据库,同时选取上述10个波长录入运算服务器,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、纤维素含量输出到显示端,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。
根据上述步骤确定的数据库和运算服务器上的10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,形成小麦的光谱数据模型。
Claims (10)
1.一种利用光谱数据和化学检测数据建立数据模型的方法,其特征在于,物体样品的n组光谱数据和n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,所述2-100个波长选自700-2500nm中的波长值或波长范围,其中,化学检测数据包括T种成分及其含量检测,T≥1,K≥T,n≥50。
2.一种利用光谱数据和化学检测数据建立数据模型的方法,该方法包括如下步骤:
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,其中T≥1;
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,其中n≥50;
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,所述2-100个波长选自700-2500nm中的波长值或波长范围;
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≥T。
3.根据权利要求1或2所述的方法,其特征在于,n大于等于100。
4.根据权利要求1或2所述的方法,其特征在于进行光谱检测时采用的光谱的波长范围为700-2500nm;优选的,光谱的波长范围为800-1800nm,或光谱的波长范围为1500‐2500。
5.根据权利要求1‐3任一项所述的方法,其特征在于物体为化学组成成分基本相同但成分含量差异值在20%以内的同类物体。
6.根据权利要求4所述的方法,其特征在于物体为食物类、农产品类、土壤类。优选的,农产品类包括但不限于粮食、水果、蔬菜等。
7.根据权利要求1‐5所述的方法,其特征在于光谱数据为纳米整数级波长的所有波长及吸光度的数据集合。
8.根据权利要求2所述的方法,其特征在于光谱数据为波长为800‐1800nm的1001个波长的波长和吸光度的数据集合。
9.根据权利要求2所述的方法,其特征在于光谱数据为波长为1500‐2500的1001个波长的波长和吸光度的数据集合。
10.根据权利要求1‐9任一项所述的方法,其特征在于,K值满足如下关系式:
其中C表示组合式的含义。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610061765.5A CN105606549A (zh) | 2016-01-28 | 2016-01-28 | 一种利用光谱数据和化学检测数据建立数据模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610061765.5A CN105606549A (zh) | 2016-01-28 | 2016-01-28 | 一种利用光谱数据和化学检测数据建立数据模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105606549A true CN105606549A (zh) | 2016-05-25 |
Family
ID=55986655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610061765.5A Pending CN105606549A (zh) | 2016-01-28 | 2016-01-28 | 一种利用光谱数据和化学检测数据建立数据模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606549A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872397A (zh) * | 2016-12-29 | 2017-06-20 | 深圳市芭田生态工程股份有限公司 | 一种基于已有校正模型快速检测农产品化学组分的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN105486657A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定叶菜主要营养成分的方法 |
CN105486650A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定马铃薯主要营养成分的方法 |
CN105512430A (zh) * | 2015-12-31 | 2016-04-20 | 深圳市芭田生态工程股份有限公司 | 一种光谱数据和化学检测数据共享输入和输出的系统 |
CN105527236A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定农产品主要营养成分的方法 |
CN105606561A (zh) * | 2015-12-31 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定火龙果主要营养成分的方法 |
CN105675515A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定西瓜主要营养成分的方法 |
CN105675548A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定水稻主要营养成分的方法 |
CN105699302A (zh) * | 2015-12-31 | 2016-06-22 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定苹果主要营养成分的方法 |
CN106680219A (zh) * | 2015-11-06 | 2017-05-17 | 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 |
-
2016
- 2016-01-28 CN CN201610061765.5A patent/CN105606549A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897607A (zh) * | 2015-06-18 | 2015-09-09 | 北京工商大学 | 便携式近红外光谱食品建模与快速检测一体化方法和系统 |
CN106680219A (zh) * | 2015-11-06 | 2017-05-17 | 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 |
CN105486657A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定叶菜主要营养成分的方法 |
CN105486650A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定马铃薯主要营养成分的方法 |
CN105512430A (zh) * | 2015-12-31 | 2016-04-20 | 深圳市芭田生态工程股份有限公司 | 一种光谱数据和化学检测数据共享输入和输出的系统 |
CN105527236A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定农产品主要营养成分的方法 |
CN105606561A (zh) * | 2015-12-31 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定火龙果主要营养成分的方法 |
CN105675515A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定西瓜主要营养成分的方法 |
CN105675548A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定水稻主要营养成分的方法 |
CN105699302A (zh) * | 2015-12-31 | 2016-06-22 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定苹果主要营养成分的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872397A (zh) * | 2016-12-29 | 2017-06-20 | 深圳市芭田生态工程股份有限公司 | 一种基于已有校正模型快速检测农产品化学组分的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giovenzana et al. | Rapid evaluation of craft beer quality during fermentation process by vis/NIR spectroscopy | |
CN100590417C (zh) | 一种植物叶片生理指标无损检测方法 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN103293111B (zh) | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 | |
CN102305772A (zh) | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 | |
CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
CN102636454A (zh) | 近红外光谱快速测定食用油中低碳数脂肪酸含量的方法 | |
KR100921914B1 (ko) | 곡물 성분함량 측정장치 및 그 측정방법 | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
CN103344597B (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
Xiao et al. | Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN106018335A (zh) | 基于近红外光谱的整粒棉籽中植酸含量的无损测定方法 | |
CN110646407A (zh) | 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法 | |
CN110487746A (zh) | 一种基于近红外光谱检测娃娃菜品质的方法 | |
Xu et al. | Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy | |
Hu et al. | Soil phosphorus and potassium estimation by reflectance spectroscopy | |
CN109520965A (zh) | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN105527236A (zh) | 一种利用光谱法测定农产品主要营养成分的方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN105891130B (zh) | 一种校正不同光谱信息确定物质信息误差的方法 | |
CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
CN106645019A (zh) | 一种饲喂家禽用玉米中有效磷含量的快速测定方法和应用 | |
CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |