CN105891123A - 基于高光谱透射成像的雨生红球藻色素含量可视化方法 - Google Patents
基于高光谱透射成像的雨生红球藻色素含量可视化方法 Download PDFInfo
- Publication number
- CN105891123A CN105891123A CN201610217500.XA CN201610217500A CN105891123A CN 105891123 A CN105891123 A CN 105891123A CN 201610217500 A CN201610217500 A CN 201610217500A CN 105891123 A CN105891123 A CN 105891123A
- Authority
- CN
- China
- Prior art keywords
- pigment content
- haematocoocus pluvialls
- visualizing
- interest
- pigment
- 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
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱透射成像的雨生红球藻色素含量可视化方法,包括步骤:1)采用高光谱透射成像系统,对雨生红球藻藻液进行透射高光谱图像的采集;2)对透射高光谱图像进行白板校正,选取雨生红球藻藻液的若干个像素点作为感兴趣区域,并提取该感兴趣区域内的平均光谱曲线;3)在预处理后的平均光谱曲线中提取λ个特征波段,并利用各特征波段的平均光谱曲线与藻液色素的化学值,建立预测模型;4)在透射高光谱图像中,选出特征波段下的感兴趣区域光谱;5)选取各种藻液色素对应的最优预测模型,计算每个像素点对应的藻液色素单位体积含量化学指标;6)根据各种藻液色素的化学指标范围,调整显示值的范围,输出可视化图像。
Description
技术领域
本发明涉及雨生红球藻色素含量可视化领域,尤其涉及一种基于高光谱透射成像的雨生红球藻色素含量可视化方法。
背景技术
色素作为一种着色剂,被广泛应用在食品、纺织和医药等领域。而微藻作为一种天然色素的来源,有必要在其培养过程中进行色素检测和监控。
从以往的研究中发现,从微藻中提取的色素主要有叶绿素、类胡萝卜素、虾青素和藻蓝素等,其中叶绿素是微藻进行光合作用的基础,经常作为大部分绿藻的生命特征指标之一,而类胡萝卜素则是工业界从微藻中提取的常见色素,可以被广泛运用到各个领域。
在以往的研究中,大部分是改变微藻内在和外在的因素来促进相关色素的积累,过程中需要对色素进行频繁检测。而传统检测色素需要通过复杂的化学手段对微藻色素进行提取然后再检测,通常而言比较费时费力,且对原有藻液造成了破坏性影响。另外,雨生红球藻被公认为自然界中生产天然虾青素的最好生物,而虾青素也是类胡罗素之一,同时,其积累对叶绿素也有一定的影响,是一种具有代表性的藻类。
发明内容
本专利提供了一种基于高光谱透射成像的雨生红球藻色素含量可视化方法,通过化学计量学方法建立预测模型,旨在探索稳定的微藻色素含量的快速无损检测方法,为今后光谱技术应用于微藻色素检测领域提供了有力的基础研究和技术支持,解决了现有检测方法操作相对繁琐、耗时、耗力的问题。
本发明的具体技术方案如下:
一种基于高光谱透射成像的雨生红球藻色素含量可视化方法,包括以下步骤:
(1)搭建高光谱透射成像系统;整个样品载物台有木板钉制而成,最上方中间镂一圆孔,将光源安置固定在圆孔下方,且灯泡中心和圆孔中心相互对准,然后将样品放置在圆孔上方即可扫描收集样品的透射光谱。
(2)取不同生长周期的雨生红球藻藻液加入到培养皿中进行透射高光谱图像的采集。
(3)采用ENVI4.7软件选取雨生红球藻藻液的8500个像素点作为感兴趣区域(ROI),然后取该感兴趣区域内的平均光谱曲线。
(4)采用上述得到的平均光谱曲线与藻液色素的化学值建立基于化学量学方法的预测模型。
(5)对白板校正后的透射高光谱法采集的各100个样本图像512个波段选取感兴趣区域ROI;
(6)计算ROI得到各样本平均光谱曲线;
(7)对平均光谱曲线使用不同的预处理方法建模预测,选出最优预处理方法;
(8)用特征提取算法选取λ个有效波长,根据上述结果分析,λ为4或者6。然后使用PLS、MLR、LS-SVM三种不同建模方法建模预测,选出最优模型算法;
(9)将高光谱图像输入Matlab,选出特征波段下的感兴趣区域光谱,ROI区域为a*b大小的矩形,每个像素点都包含λ个波长信息;
(10)将其展开成a*b*λ的矩阵,结合上述最优的模型算法公式,计算预测每个像素点对应的叶绿素a、叶绿素b、类胡萝卜素单位体积含量化学指标;
(11)根据对应的化学指标范围,调整对应显示值的范围,通过matlab输出可视化图像。
步骤(1)中搭建的高光谱透射成像系统,其中光源为2900Lightsource,由美国Illumination Technology公司生产,配备150W石英卤素灯,光线性灯,色温2800K,使用寿命200~8000h,可以提供380~2000nm波段连续平滑的光源。为了使得获得的光源更加均匀,在圆孔上方安置一片磨砂毛玻璃。通过两个分支光纤组成一对相互对称的线光源,强度大小可以通过光源发射器可调。
步骤(2)中使用可见/近红外波段高光谱成像系统(ImSpector V10E)进行扫描,扫描的光谱范围为380~1030nm,共计512个波段,光谱分辨率为2.8nm,曝光时间为90ms,输送带速度为2.30mm/s。
步骤(3)中去掉首部噪声部分82个波长,保留480~1030nm(共430个波段)范围内的平均光谱。
步骤(4)中藻液的色素主要包括叶绿素a,叶绿素b,类胡萝卜素等;涉及的化学计量学方法主要有偏最小二乘法(PLS),多元线性回归(MLR),最小二乘支持向量机(LS-SVM)等。
步骤(7)中涉及的预处理方法主要包括基线校正(Baseline offset,BO)、卷积平滑(Savitzky-Golay,SG)、多元散射校正(MSC)和变量标准化(SNV)等。
步骤(8)中涉及的特征提取算法为连续投影算法(SPA)。
步骤(8)中针对叶绿素a,叶绿素b,类胡萝卜素选出的最优模型分别为SPA-PLS,SPA-MLR,SPA-MLR。
与现有技术相比,本发明的有益效果为:
本发明实现了雨生红球藻色素含量的可视化研究,不需要配制任何溶液或采用显微技术等,大大简化了操作步骤,缩短了检测时间,也避免了由于操作人员操作不熟练或者主观因素带来的测量结果不准确等后果。
附图说明
图1为实施例中高光谱成像透射系统的结构示意图。
图2为实施例中透射高光谱图像反演可视化过程示意图。
图3为实施例中基于透射高光谱图像的雨生红球藻色素反演可视化图像。
具体实施方式
下面结合具体实施例进一步阐释本发明。
搭建如图1所示的高光谱透射成像系统,包括暗箱1,暗箱1的底部为载物台,载物台上摆放有投射装置3,卤素灯光源4位于投射装置3内,且光源中心与其正上方的圆孔中心对准,圆孔上方覆盖一具有磨砂面的毛玻璃9,微藻样本5放置于毛玻璃9上。暗箱1内的顶部设有CCD相机7和高光谱仪2,其中高光谱仪2的镜头6位于微藻样本5的正上方。载物台由步进电机8驱动,步进电机8和CCD相机7均连接至计算机10,由计算机10通过步进电机8控制载物台,以及对CCD相机7所采集的高光谱图像进行处理。
其中光源为2900Lightsource,由美国Illumination Technology公司生产,配备150W石英卤素灯,光线性灯,色温2800K,使用寿命200~8000h,可以提供380~2000nm波段连续平滑的光源。通过两个分支光纤组成一对相互对称的线光源,强度大小可以通过光源发射器可调。
取不同生长周期的雨生红球藻藻液2ml、4ml、6ml、8ml、10ml分别加入8ml、6ml、4ml、2ml、0ml蒸馏水稀释藻液,共计5个不同浓度梯度的藻液,分别取4ml加入到培养皿中,重复20次,共计100个样本。
本实施例中使用可见/近红外波段高光谱成像系统(ImSpector V10E)进行扫描,扫描的光谱范围为380~1030nm,共计512个波段,光谱分辨率为2.8nm,曝光时间为90ms,输送带速度为2.30mm/s。
因为高光谱摄像头中存在一定的暗电流和噪声,同时,光源的强度在各波段下的分布也不均匀,会容易造成高光谱图像在光源强度分布较弱的波段下含有较大的噪声,所以有必要对高光谱图像进行黑白校正。在相同的采集环境下,反射光谱扫描标准白色板,透射光谱由于没有标准透射白板,固使用培养皿中放蒸馏水作为全透射白板,扫描两者后得到标定图像Wλ,关闭相机镜头进行图像采集得到全黑的标定图像Bλ,然后按照式(1)对原始光谱进行校正。
其中,Rλ为校正后的高光谱图像,Iλ为直接采集到的高光谱图像。所有高光谱图像数据的采集都是基于Spectral Cube软件平台完成的,需要使用ENVI4.7(Research System Inc,Boulder,Co.,USA)软件提取每个样本的平均光谱曲线,最后在100个样本中随机选取70个样本作为建模集,剩下的30个样本作为预测集,再结合化学计量学方法分别对反射和透射采集的光谱建立预测模型并进行比较分析。
下面以叶绿素a的检测研究为例进行分析:
用ENVI4.7软件选取雨生红球藻藻液的8500个像素点作为感兴趣区域(ROI),然后该感兴趣区域内的平均光谱曲线。去掉首部噪声部分82个波长,保留480~1030nm(共430个波段)范围内的平均光谱。针对70个建模集样本通过不同预处理方法进行全波段PLS建模,建模过程采用交互验证,确定最后的隐含变量,选取最优的预处理方法。首先采用原始光谱数据建立PLS模型,结果显示建模集样本建立光谱模型的Rcal为0.9759,然后将预测集样本光谱输入建立好的模型中,得到Rpre为0.9462。同时,采用不同的光谱预处理算法对光谱数据进行预处理。结果显示从Rpre结果来看,较反射高光谱预处理效果完全不同,SNV在透射高光谱预处理后的模型效果最差,Rpre和RPD分别只有0.8734和0.5462;基线校正预处理效果最好,其RPD值达到了3.3695,提高了30.9%,Rpre为0.9729,较原始光谱提高了2.8%,RMSEP为0.3759,较原始光谱降低了26.41%。综合分析,在下面的研究中将采用基线校正(Baseline off,BO)预处理后的光谱数据进行。
对原始光谱基线校正预处理后的全波段光谱数据进行SPA分析。对交互验证得到的RMSE分布进行分析,当选取的波长为2个时,RMSE有明显下降过程;当选取的波长为6个的时候,RMSE达到局部最优,为0.59883。因此,确定从430个波长中选取出6个特征波长变量,光谱变量减少了98.60%。被选取的波长分别为703.54nm、679.42nm、968.69nm、486.25nm、481.36nm和482.58nm。将获得的6个波长变量作为输入建立SPA-PLS、SPA-MLR、SPA-LSSVM模型。
将选取的6个波长变量作为输入建立SPA-PLS模型,结果显示建模集样本建立光谱模型的Rcal为0.9560,然后将预测集样本光谱输入建立好的模型中得到的Rpre为0.9709。结果较全波段的BO-PLS模型相差不大,Rpre减少了0.2%,RMSEP增加了12.3%,虽然RPD降低了11.1%,但仍然大于2.5接近3,表示模型结果很好。而SPA-MLR的效果虽然建模集的Rcal达到了0.9765,与BO-PLS模型基本一致,预测集的Rpre却降低了4.6%,只有0.9281,RPD为2.0218,降低了40.00%。SPA-PLS建立的模型为式(2)所示。
其中,Y为预测的雨生红球藻叶绿素a单位体积含量,Xi为在第i波长时的光谱值(0-1,透射率)经过基线校正预处理后的值。
通过上述分析,得到了透射高光谱法在4900个像素点平均光谱下的叶绿素a单位体积含量的预测模型,下面将使用该预测模型得出公式,对高光谱图像进行上述指标的可视化反演,其方法线路如图2所示:
(1)对白板校正后的透射/反射高光谱法采集的各100个样本图像512个波段选取感兴趣区域ROI;
(2)计算ROI得到各样本平均光谱曲线;
(3)对平均光谱曲线使用不同的预处理方法建模预测,选出最优预处理方法;
(4)用特征提取算法SPA选取λ个有效波长,根据上述结果分析,λ为4或者6。然后使用PLS、MLR、LS-SVM三种不同建模方法建模预测,选出最优模型算法;
(5)将高光谱图像输入Matlab,选出特征波段下的感兴趣区域光谱,ROI区域为a*b大小的矩形,每个像素点都包含λ个波长信息;
(6)将其展开成a*b*λ的矩阵,结合上述最优的模型算法公式,计算预测每个像素点对应的叶绿素a、叶绿素b、类胡萝卜素单位体积含量化学指标;
(7)根据对应的化学指标范围,调整对应显示值的范围,通过matlab输出可视化图像。
如图3所示,为透射高光谱法下根据式2反演得到的叶绿素a的可视化图像。
以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于高光谱透射成像的雨生红球藻色素含量可视化方法,其特征在于,包括以下步骤:
1)采用高光谱透射成像系统,对处于不同生长周期的雨生红球藻藻液进行透射高光谱图像的采集;
2)对所述的透射高光谱图像进行白板校正,选取雨生红球藻藻液的若干个像素点作为感兴趣区域,并提取该感兴趣区域内的平均光谱曲线;
3)在预处理后的平均光谱曲线中提取λ个特征波段,并利用各特征波段的平均光谱曲线与藻液色素的化学值,使用PLS、MLR、LS-SVM三种不同方法建立预测模型;
4)在所述的透射高光谱图像中,选出特征波段下的感兴趣区域光谱,感兴趣区域为a*b大小的矩形,每个像素点均包含λ个波长信息;
5)选取各种藻液色素对应的最优预测模型,并利用展开得到的a*b*λ的矩阵,计算每个像素点对应的叶绿素a、叶绿素b或类胡萝卜素单位体积含量化学指标;
6)根据各种藻液色素的化学指标范围,调整显示值的范围,通过matlab输出可视化图像。
2.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,所述的高光谱透射成像系统包括中部设有圆孔的载物台,光源位于圆孔下方,且圆孔中心与光源中心同轴。
3.如权利要求2所述的雨生红球藻色素含量可视化方法,其特征在于,所述圆孔的上方放置有带磨砂面的玻璃。
4.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,在所述的步骤1)中,进行透射高光谱图像采集时,扫描的光谱范围为380~1030nm,共计512个波段,光谱分辨率为2.8nm,曝光时间为90ms,输送带速度为2.30mm/s。
5.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,在步骤2)中,所述的平均光谱曲线为波长480~1030nm范围内的平均光谱。
6.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,所述的预处理包括基线校正、卷积平滑、多元散射校正和变量标准化。
7.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,在步骤5)中,叶绿素a、叶绿素b和类胡萝卜素对应的最优预测模型分别为SPA-PLS、SPA-MLR和SPA-MLR。
8.如权利要求1所述的雨生红球藻色素含量可视化方法,其特征在于,在步骤3)中,提取λ个特征波段的特征提取算法为连续投影算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217500.XA CN105891123A (zh) | 2016-04-07 | 2016-04-07 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217500.XA CN105891123A (zh) | 2016-04-07 | 2016-04-07 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105891123A true CN105891123A (zh) | 2016-08-24 |
Family
ID=57012849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610217500.XA Pending CN105891123A (zh) | 2016-04-07 | 2016-04-07 | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105891123A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442339A (zh) * | 2016-09-19 | 2017-02-22 | 北京农业质量标准与检测技术研究中心 | 熟肉冷藏时间可视化检测方法及装置 |
CN108132257A (zh) * | 2018-03-06 | 2018-06-08 | 中国工程物理研究院激光聚变研究中心 | 一种检测纸张的系统和检测纸张的方法 |
CN108846254A (zh) * | 2018-06-27 | 2018-11-20 | 哈尔滨工业大学(深圳) | 一种二阶代谢质谱多化合物检测方法、存储介质及服务器 |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
CN111239056A (zh) * | 2020-01-17 | 2020-06-05 | 浙江大学 | 一种产油微藻中三酰甘油含量的检测方法及其检测装置 |
CN111289446A (zh) * | 2020-03-30 | 2020-06-16 | 天津工业大学 | 一种复杂溶液成分浓度的检测方法及系统 |
CN111443087A (zh) * | 2020-04-07 | 2020-07-24 | 北京农业信息技术研究中心 | 叶绿素检测装置及方法 |
CN113740275A (zh) * | 2021-09-01 | 2021-12-03 | 福州大学 | 基于快照式多光谱成像的雨生红球藻虾青素含量检测方法 |
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
CN114485942A (zh) * | 2022-02-16 | 2022-05-13 | 南京大学 | 一种高光谱配准方法及其成像系统 |
CN114485942B (zh) * | 2022-02-16 | 2024-05-28 | 南京大学 | 一种高光谱配准方法及其成像系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN104406917A (zh) * | 2014-11-26 | 2015-03-11 | 浙江大学 | 用于多个不同藻液检测的透射高光谱图像采集装置 |
CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
-
2016
- 2016-04-07 CN CN201610217500.XA patent/CN105891123A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692037A (zh) * | 2009-09-08 | 2010-04-07 | 江苏大学 | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 |
CN101718683A (zh) * | 2009-11-10 | 2010-06-02 | 中国农业大学 | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 |
CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
CN104406917A (zh) * | 2014-11-26 | 2015-03-11 | 浙江大学 | 用于多个不同藻液检测的透射高光谱图像采集装置 |
CN105021617A (zh) * | 2015-07-14 | 2015-11-04 | 华中农业大学 | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 |
Non-Patent Citations (2)
Title |
---|
SATORU NOGAMI等: "Hyperspectral imaging techniques for the characterization of haematococcus pluvialis(chlorophyceae)", 《PHYSICAL SOCIETY OF AMERICA》 * |
蒋璐璐等: "小球藻、球等鞭金藻和螺旋藻生物量高光谱成像的可视化研究", 《光谱学与光谱分析》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442339A (zh) * | 2016-09-19 | 2017-02-22 | 北京农业质量标准与检测技术研究中心 | 熟肉冷藏时间可视化检测方法及装置 |
CN106442339B (zh) * | 2016-09-19 | 2019-03-15 | 北京农业质量标准与检测技术研究中心 | 熟肉冷藏时间可视化检测方法及装置 |
CN108132257A (zh) * | 2018-03-06 | 2018-06-08 | 中国工程物理研究院激光聚变研究中心 | 一种检测纸张的系统和检测纸张的方法 |
CN108956545B (zh) * | 2018-06-15 | 2020-10-27 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
CN108846254B (zh) * | 2018-06-27 | 2021-08-24 | 哈尔滨工业大学(深圳) | 一种二阶代谢质谱多化合物检测方法、存储介质及服务器 |
CN108846254A (zh) * | 2018-06-27 | 2018-11-20 | 哈尔滨工业大学(深圳) | 一种二阶代谢质谱多化合物检测方法、存储介质及服务器 |
CN111239056A (zh) * | 2020-01-17 | 2020-06-05 | 浙江大学 | 一种产油微藻中三酰甘油含量的检测方法及其检测装置 |
CN111289446A (zh) * | 2020-03-30 | 2020-06-16 | 天津工业大学 | 一种复杂溶液成分浓度的检测方法及系统 |
CN111443087A (zh) * | 2020-04-07 | 2020-07-24 | 北京农业信息技术研究中心 | 叶绿素检测装置及方法 |
CN113740275A (zh) * | 2021-09-01 | 2021-12-03 | 福州大学 | 基于快照式多光谱成像的雨生红球藻虾青素含量检测方法 |
CN113740275B (zh) * | 2021-09-01 | 2022-06-21 | 福州大学 | 基于快照式多光谱成像的雨生红球藻虾青素含量检测方法 |
CN113740276A (zh) * | 2021-09-02 | 2021-12-03 | 福州大学 | 基于多光谱探测系统果蔬农残可视化实时检测方法及系统 |
CN114485942A (zh) * | 2022-02-16 | 2022-05-13 | 南京大学 | 一种高光谱配准方法及其成像系统 |
CN114485942B (zh) * | 2022-02-16 | 2024-05-28 | 南京大学 | 一种高光谱配准方法及其成像系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105891123A (zh) | 基于高光谱透射成像的雨生红球藻色素含量可视化方法 | |
Wu et al. | Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system | |
CN207379913U (zh) | 一种基于反射和透射高光谱成像的棉花杂质检测装置 | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
JP6110992B2 (ja) | 画像適応的な生理学的に妥当な色分離 | |
Xiaobo et al. | In vivo noninvasive detection of chlorophyll distribution in cucumber (Cucumis sativus) leaves by indices based on hyperspectral imaging | |
CN101915738B (zh) | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 | |
Yang et al. | Rapid and visual detection of the main chemical compositions in maize seeds based on Raman hyperspectral imaging | |
CN110441248A (zh) | 基于高光谱图像技术的窖泥水分预测模型建立的方法 | |
Mao et al. | Nondestructive measurement of total nitrogen in lettuce by integrating spectroscopy and computer vision | |
Gao et al. | Improvement of chlorophyll content estimation on maize leaf by vein removal in hyperspectral image | |
Shao et al. | Identification of pesticide varieties by detecting characteristics of Chlorella pyrenoidosa using Visible/Near infrared hyperspectral imaging and Raman microspectroscopy technology | |
CN110441249B (zh) | 基于高光谱图像技术的窖泥总酸预测模型建立的方法 | |
CN109613023A (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN115909057A (zh) | 一种基于高光谱成像的牛黄智能鉴别方法及应用 | |
Wang et al. | Integrated spectral and textural features of hyperspectral imaging for prediction and visualization of stearic acid content in lamb meat | |
CN108960193A (zh) | 一种基于迁移学习的跨组分红外光谱模型移植方法 | |
CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
JP6523063B2 (ja) | 微細藻類成分量測定方法およびその装置 | |
CN117152636B (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
Zhang et al. | Color perception and recognition method for Guangdong embroidery image based on discrete mathematical model | |
CN101788459A (zh) | 一种准连续方式的分光波长组合方法 | |
CN105954205B (zh) | 基于光谱成像的青梅糖度与酸度快速无损检测装置 | |
CN115575345A (zh) | 一种基于高光谱结合数据融合的罗非鱼片新鲜度测定方法 | |
CN114813593A (zh) | 基于高光谱成像技术的糟醅总酸含量的检测方法 |
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: 20160824 |