CN106872397A - 一种基于已有校正模型快速检测农产品化学组分的方法 - Google Patents
一种基于已有校正模型快速检测农产品化学组分的方法 Download PDFInfo
- Publication number
- CN106872397A CN106872397A CN201611245321.3A CN201611245321A CN106872397A CN 106872397 A CN106872397 A CN 106872397A CN 201611245321 A CN201611245321 A CN 201611245321A CN 106872397 A CN106872397 A CN 106872397A
- Authority
- CN
- China
- Prior art keywords
- slave
- spectroscopic data
- source machine
- spectrum
- agricultural product
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 50
- 239000000470 constituent Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 89
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 28
- 238000012546 transfer Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010561 standard procedure Methods 0.000 claims description 4
- 238000002512 chemotherapy Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 241000227653 Lycopersicon Species 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 4
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000000411 transmission spectrum Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/121—Correction signals
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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
本发明提供一种基于已有校正模型快速检测农产品化学组分的方法，包括以下步骤：将源机得到的近红外光谱数据与农产品的化学组分和浓度建立对应关系；根据源机和从机检测的光谱数据建立源机光谱数据转换成从机光谱数据的光谱数据传递模型；将源机光谱数据通过光谱数据传递模型得到传递光谱，再将传递光谱与农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；检测农产品的从机光谱数据通过校正模型进行组分和浓度测量。使用高精度的数据转换为低精度的数据，可以避免了由低精度数据转换为高精度数据时出现的错误数据现象，提高模型的准确度。
Description
技术领域
本发明属于检测领域，具体涉及一种基于已有校正模型快速检测农产品化学组分的方法。
背景技术
利用近红外光谱分析技术对农作物化学组分的测量已经有很多的应用，其主要原理是利用农作物不同组分对不同近红外光的特征吸收来进行测量。近红外光谱指的是780～2500nm之间的光谱波段，能够对作物中的含氢基团如OH、CH、NH等表现出特征吸收。
在近红外光谱检测中，一般是先要建立光谱仪采集到的光谱和测量物组分之间的校正模型，该模型的建立需要收集一定数量的建模样品，分别测量样品的近红外光谱和参考数据，由化学计量学方法得到校正模型。一般的，不同设备在对农产品进行近红外检测之前，都需要进行校正模型的建立，以达到能够正确测量样品组分和浓度的目的。
CN104089911B公开了一种基于一元线性回归的光谱模型传递方法，主要步骤I对M台光谱仪器的样品光谱进行相同预处理；且根据样品的m种成分将光谱数据分为m个校正集和预测集，分别在M台仪器上建立m个校正模型；III校正模型评价；IV将预测效果最好的仪器作为主仪器，其它为从仪器；V选取主仪器校正集中针对各从仪器的最佳样品，按其序号确定各从仪器转换集样品，用一元线性回归求回归系数，校正从仪器光谱，然后代入主仪器校正模型得样品成分含量结果。
CN103854305B公开了一种基于多尺度建模的模型传递方法，该方法包括以下步骤:采集主、从机仪器的原始光谱；结合小波基性和样品原始光谱的特性，选择最佳小波基对光谱进行小波多尺度分解，获取小波系数；对小波系数进行重构；对每一层重构的光谱分别进行多变量校正；对多变量校正之后的光谱建立基于偏最小二乘法和留一法交叉验证法的预测模型，得到预测模型的交叉验证均方根误差；使用权值将预测模型进行模型融合，并计算预测均方根误差和相关系数来评价模型传递效果。
以上发明专利都具有光谱传递，但是均是由从机往源机进行传递，再利用源机建立的校正模型进行组分的分析，存在从机光谱转换过程中引入的误差。
CN106092960A公开了一种快速校正近红外光谱检测设备并检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对n个农产品标准样品进行近红外数据采集，得到标准近红外光谱数据库；步骤B：用化学方法检测步骤A中的n个农产品标准样品的化学成分数据，形成标准化学成分数据库；步骤C：根据步骤A的标准近红外光谱数据库和步骤B的标准化学成分数据库建立标准映射模型；步骤D：用检测农产品的实际近红外检测设备采集m个农产品校验样品的近红外光谱数据，形成校验近红外光谱数据库；步骤E：用化学方法检测步骤D中的m个农产品校验样品的化学成分数据，形成校验化学成分数据库；步骤F：将校验近红外光谱数据库和校验化学成分数据库与标准映射模型进行比对，获得实际近红外检测设备所采集的近红外光谱与化学成分关系的校验映射模型；步骤G：用实际近红外检测设备采集农产品新样品的近红外光谱数据，通过校验映射模型计算得到农产品新样品的化学成分数据；其中步骤A、步骤D和步骤G中的农产品属于植物学上同一种；其中n和m为整数，且n＞50＞m＞5。
该技术是将实际近红外光谱数据和实际化学成分数据输入到云端，利用与云端的标准映射模型比对形成校验映射模型。该技术需要同时检测实际端的近红外光谱和化学成分数据，两者都需要与云端的标注数据比对校验，得到的误差较大；且该技术的转换方向是将实际的向标准的转换，这种由低精密度向高精密度的转换误差同样较大。
CN106092961A公开了一种快速检测农产品中化学成分的方法，该方法包括如下步骤：步骤A：用标准近红外检测设备对农产品标准样品进行近红外数据采集，得到标准近红外光谱数据；步骤B：用检测农产品的实际近红外检测设备采集步骤A中的农产品标准样品的检测近红外光谱数据；步骤C：根据步骤A和步骤B所采集的标准近红外光谱数据和检测近红外光谱数据建立光谱传递模型；步骤D：用化学方法检测步骤A中的农产品标准样品的化学成分数据；步骤E：根据步骤A的标准近红外光谱数据和步骤D的化学成分数据建立反演模型；步骤F：应用步骤B的实际近红外检测设备采集实际农产品样品的近红外光谱数据，将该近红外光谱数据通过光谱传递模型获得该实际农产品样品的标准近红外光谱数据，再将该标准近红外光谱数据通过反演模型获得实际农产品样品的化学成分数据；其中农产品标准样品和实际农产品样品为同一植物种。
该技术是将实际近红外光谱数据(从机光谱数据)通过光谱传递模型转换成标准光谱(源机光谱数据)，再用标准光谱通过反演模型得到化学成分数据。该技术中的光谱传递模型是将实际近红外光谱数据转换成标准光谱数据，这种由低精密度向高精密度的转换方向误差较大，然后再将实际检测的近红外光谱数据转换成标准数据，得到的化学成分数据准确性大大降低。
发明内容
为解决上述问题，本发明是从源机往从机传递，根据从机的光谱特点，将源机的光谱进行转换，再由转换的光谱与组分浓度建立校正模型，模型直接能够匹配从机的光谱，不存在从机光谱转换工程中引入的误差。
一种基于已有校正模型快速检测农产品化学组分的方法，包括以下步骤：
步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行n个农产品的近红外光谱测量，同时使用标准方法检测该n个农产品的化学组分和浓度，将源机得到的近红外光谱数据与农产品的化学组分和浓度建立对应关系；
步骤2：其他型号近红外光谱仪作为从机，用于农产品的组分检测；
步骤3：首先让源机和从机对m个样品同时进行检测，源机和从机分别测量得到m组光谱,将源机和从机的m组光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；
步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系；
步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；
步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量。
上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。
上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。
优选的，所述步骤2中从机测量到的光谱数据的精度和分辨率比源机测量到的光谱数据低。即所述源机的光谱性能比从机的要好，或者精密度比从机高。
优选的，所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。
优选的，所述n、m为整数，所述n＞m。
优选的，所述m＝10-100。
优选的，所述m＝15-60。
优选的，所述其他型号近红外光谱仪包括手持或者便携式近红外光谱仪。
优选的，所述光谱数据包括基线、像素点和波长范围。
优选的，所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。
本发明的有益效果：
(1)、本发明的方法能够匹配已经与源机建好光谱传递模型的其他低精密度的近红外检测设备，通过源机测量到的光谱库和组分浓度数据库，能够使从机直接拥有自己的校正模型，免去了校正模型建立的过程和成本；
(2)、由源机往从机的模型匹配，使用高精度的数据转换为低精度的数据，可以避免了由低精度数据转换为高精度数据时出现的错误数据现象，提高模型的准确度。
附图说明
图1表示近红外光谱检测农产品的化学组分和浓度图；
图2表示源机与从机的光谱传递模型的建立；
图3表示校正模型的建立；
图4表示农产品检测过程。
具体实施方式
下面结合附图1-4对本发明的具体实施方式作进一步说明：
实施例1
一种基于已有校正模型快速检测农产品化学组分的方法，包括以下步骤：
步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行200个马铃薯标准样品的近红外光谱测量，同时使用标准方法检测该200个马铃薯标准样品的化学组分和浓度，将源机得到的近红外光谱数据与马铃薯标准样品的化学组分和浓度建立对应关系，如图1所示；
步骤2：其他型号近红外光谱仪如便携式近红外光谱仪作为从机，用于农产品的组分检测；
步骤3：首先让源机和从机对100个马铃薯标准样品同时进行检测，源机和从机分别测量得到100组光谱,将源机和从机的100条光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；
步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系，如图2所示；
步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型，如图3所示；
步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量，如图4所示。
上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。
上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。
所述步骤2中便携式近红外光谱仪(从机)测量到的光谱数据的精度和分辨率比源机测量到的光谱数据差。即所述源机的光谱性能比从机的要好，精密度比从机高。
所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。
所述光谱数据包括基线、像素点和波长范围。
所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。
实施例2
步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行100个西红柿标准样品的近红外光谱测量，同时使用标准方法检测该100个西红柿标准样品的化学组分和浓度，将源机得到的近红外光谱数据与西红柿标准样品的化学组分和浓度建立对应关系；
步骤2：其他型号近红外光谱仪如手持式近红外光谱仪作为从机，用于农产品的组分检测；
步骤3：首先让源机和从机对15个西红柿标准样品同时进行检测，源机和从机分别测量得到15组光谱,将源机和从机的15条光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；
步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系；
步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；
步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量。
上述步骤4中的光谱数据传递模型是从源机光谱数据转换成从机光谱数据，即是从高精密度向低精密度转换。
上述步骤5中的源机光谱数据具有对应的农产品的化学组分和浓度，将该源机光谱数据转换成传递光谱，该传递光谱与源机光谱数据所对应的农产品的化学组分和浓度通过化学计量学软件建立一一对应关系，形成校正模型。
所述步骤2中手持式近红外光谱仪(从机)测量到的光谱数据的精度和分辨率比源机测量到的光谱数据差。即所述源机的光谱性能比从机的要好，精密度比从机高。
所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。
所述光谱数据包括基线、像素点和波长范围。
所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。
效果实施例
采用CN106092961A和CN106092960A中方法检测实施例1和实施例2中农产品的化学组分和浓度，结果表明实施例1和实施例2检测的值更接近真实值，误差更小。这说明由源机往从机的模型匹配，使用高精度的数据转换为低精度的数据，可以避免了由低精度数据转换为高精度数据时出现的错误数据现象，提高模型的准确度。
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 (9)
1.一种基于已有校正模型快速检测农产品化学组分的方法，其特征在于，包括以下步骤：
步骤1：选择全波长近红外光谱仪作为源机，用所述源机进行n个农产品的近红外光谱测量，同时使用标准方法检测该n个农产品的化学组分和浓度，将源机得到的近红外光谱数据与农产品的化学组分和浓度建立对应关系；
步骤2：其他型号近红外光谱仪作为从机，用于农产品的组分检测；
步骤3：首先让源机和从机对m个样品同时进行检测，源机和从机分别测量得到m组光谱,将源机和从机的m组光谱数据进行光谱校正，得到源机与从机之间的光谱对应关系；
步骤4：根据步骤3中得到的源机和从机之间的光谱对应关系，建立源机光谱数据转换成从机光谱数据的光谱数据传递模型，使源机光谱数据与从机光谱数据具有确定的对应关系；
步骤5：将源机光谱数据通过步骤4中的光谱数据传递模型得到传递光谱，再将传递光谱与步骤1中农产品的化学组分和浓度一一对应，建立从机光谱数据与农产品的化学组分和浓度的校正模型；
步骤6：该从机测量某种农产品的组分时得到从机光谱数据，将所述从机光谱数据通过校正模型进行组分和浓度测量。
2.根据权利要求1所述的方法，其特征在于，所述步骤2中从机测量到的光谱数据的精度和分辨率比源机测量到的光谱数据低。
3.根据权利要求1所述的方法，其特征在于，所述步骤3中光谱校正的方法为：根据从机的光谱范围、数据点数，在源机采集到的光谱数据上进行选择，使相互之间的光谱范围和数据点数能够一一对应，或者根据插值算法对源机的光谱数据点数进行处理后一一对应。
4.根据权利要求1所述的方法，其特征在于，所述n、m为整数，所述n＞m。
5.根据权利要求1所述的方法，其特征在于，所述m＝10-100。
6.根据权利要求5所述的方法，其特征在于，所述m＝15-60。
7.根据权利要求1所述的方法，其特征在于，所述其他型号近红外光谱仪包括手持或者便携式近红外光谱仪。
8.根据权利要求1所述的方法，其特征在于，所述光谱数据包括基线、像素点和波长范围。
9.根据权利要求1所述的方法，其特征在于，所述步骤5中传递光谱与步骤1中农产品的化学组分和浓度通过化学计量学软件建立一一对应关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611245321.3A CN106872397A (zh) | 2016-12-29 | 2016-12-29 | 一种基于已有校正模型快速检测农产品化学组分的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611245321.3A CN106872397A (zh) | 2016-12-29 | 2016-12-29 | 一种基于已有校正模型快速检测农产品化学组分的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106872397A true CN106872397A (zh) | 2017-06-20 |
Family
ID=59165167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611245321.3A Pending CN106872397A (zh) | 2016-12-29 | 2016-12-29 | 一种基于已有校正模型快速检测农产品化学组分的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106872397A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111579526A (zh) * | 2020-06-08 | 2020-08-25 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
| CN112683816A (zh) * | 2020-12-25 | 2021-04-20 | 中船重工安谱（湖北）仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1330767A (zh) * | 1998-10-13 | 2002-01-09 | 里奥格兰德医学技术有限公司 | 用于改制光谱校准模型的方法和装置 |
| CN101832922A (zh) * | 2010-05-19 | 2010-09-15 | 中国农业大学 | 一种有机肥产品近红外模型转移方法 |
| CN101865828A (zh) * | 2010-05-31 | 2010-10-20 | 湖南大学 | 用于维护复杂体系光谱校正模型预测能力的方法 |
| CN103018178A (zh) * | 2012-12-06 | 2013-04-03 | 江苏省质量安全工程研究院 | 基于局部保持投影的红外光谱仪校准方法 |
| CN103575689A (zh) * | 2013-10-11 | 2014-02-12 | 西北农林科技大学 | 近红外光谱和可见光分析仪快速检测稻米中直链淀粉含量的方法 |
| CN103854305A (zh) * | 2014-03-19 | 2014-06-11 | 天津大学 | 一种基于多尺度建模的模型传递方法 |
| CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
| CN105300923A (zh) * | 2015-11-19 | 2016-02-03 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN105486404A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测系统及其采用有线数据连接的光谱检测仪 |
| CN105527245A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测仪的检测系统及应用该检测系统的检测仪 |
| CN105548069A (zh) * | 2015-12-31 | 2016-05-04 | 深圳市芭田生态工程股份有限公司 | 无线光谱检测仪的检测系统及应用该检测系统的检测仪 |
| CN105606548A (zh) * | 2016-01-28 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种数据库与运算服务器的工作方法 |
| 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 |
| CN105628645A (zh) * | 2015-12-28 | 2016-06-01 | 贵州中烟工业有限责任公司 | 一种近红外分析模型的转移方法 |
| CN105675537A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测系统及其采用无线数据连接的光谱检测仪 |
| CN105738317A (zh) * | 2016-02-16 | 2016-07-06 | 广州纤维产品检测研究院 | 纺织品近红外模型转移方法 |
| CN105842190A (zh) * | 2016-03-17 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种基于谱回归的近红外模型转移方法 |
| CN106092961A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速检测农产品中化学成分的方法 |
| CN106092960A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速校正近红外设备并检测农产品中化学成分的方法 |
-
2016
- 2016-12-29 CN CN201611245321.3A patent/CN106872397A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1330767A (zh) * | 1998-10-13 | 2002-01-09 | 里奥格兰德医学技术有限公司 | 用于改制光谱校准模型的方法和装置 |
| CN101832922A (zh) * | 2010-05-19 | 2010-09-15 | 中国农业大学 | 一种有机肥产品近红外模型转移方法 |
| CN101865828A (zh) * | 2010-05-31 | 2010-10-20 | 湖南大学 | 用于维护复杂体系光谱校正模型预测能力的方法 |
| CN103018178A (zh) * | 2012-12-06 | 2013-04-03 | 江苏省质量安全工程研究院 | 基于局部保持投影的红外光谱仪校准方法 |
| CN103575689A (zh) * | 2013-10-11 | 2014-02-12 | 西北农林科技大学 | 近红外光谱和可见光分析仪快速检测稻米中直链淀粉含量的方法 |
| CN103854305A (zh) * | 2014-03-19 | 2014-06-11 | 天津大学 | 一种基于多尺度建模的模型传递方法 |
| CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
| CN105300923A (zh) * | 2015-11-19 | 2016-02-03 | 江南大学 | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 |
| CN105628645A (zh) * | 2015-12-28 | 2016-06-01 | 贵州中烟工业有限责任公司 | 一种近红外分析模型的转移方法 |
| CN105486404A (zh) * | 2015-12-31 | 2016-04-13 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测系统及其采用有线数据连接的光谱检测仪 |
| CN105548069A (zh) * | 2015-12-31 | 2016-05-04 | 深圳市芭田生态工程股份有限公司 | 无线光谱检测仪的检测系统及应用该检测系统的检测仪 |
| CN105527245A (zh) * | 2015-12-31 | 2016-04-27 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测仪的检测系统及应用该检测系统的检测仪 |
| CN105675537A (zh) * | 2015-12-31 | 2016-06-15 | 深圳市芭田生态工程股份有限公司 | 一种光谱检测系统及其采用无线数据连接的光谱检测仪 |
| CN105606548A (zh) * | 2016-01-28 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种数据库与运算服务器的工作方法 |
| 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 |
| CN105738317A (zh) * | 2016-02-16 | 2016-07-06 | 广州纤维产品检测研究院 | 纺织品近红外模型转移方法 |
| CN105842190A (zh) * | 2016-03-17 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种基于谱回归的近红外模型转移方法 |
| CN106092961A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速检测农产品中化学成分的方法 |
| CN106092960A (zh) * | 2016-07-28 | 2016-11-09 | 深圳市芭田生态工程股份有限公司 | 一种快速校正近红外设备并检测农产品中化学成分的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘娇 等: "不同品种间的猪肉含水率高光谱模型传递方法研究", 《农业工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111579526A (zh) * | 2020-06-08 | 2020-08-25 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
| CN111579526B (zh) * | 2020-06-08 | 2023-05-30 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
| CN112683816A (zh) * | 2020-12-25 | 2021-04-20 | 中船重工安谱（湖北）仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
| CN112683816B (zh) * | 2020-12-25 | 2021-08-06 | 中船重工安谱（湖北）仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
| CN103048339B (zh) | 土壤水分检测方法及设备 | |
| CN106951720B (zh) | 基于典型相关性分析及线性插值的土壤养分模型转移方法 | |
| WO2017084119A1 (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
| CN101988895A (zh) | 由近红外光谱预测混合原油中单种原油含量的方法 | |
| CN105092519B (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
| CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
| CN106560697A (zh) | 联合近红外光谱和微量元素的武夷岩茶产地鉴别方法 | |
| CN106769981B (zh) | 一种沥青蜡含量红外光谱校正模型双向传递方法 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN106560699A (zh) | 用于武夷岩茶产地鉴别的联合检测方法 | |
| CN105021564A (zh) | 基于近红外光谱分析技术测定烟叶中麦角甾醇含量的方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
| CN106126879B (zh) | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 | |
| CN106872397A (zh) | 一种基于已有校正模型快速检测农产品化学组分的方法 | |
| CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN105259136B (zh) | 近红外校正模型的无测点温度修正方法 | |
| CN106932557B (zh) | 一种基于多算法推荐的不同地区间土壤养分模型转移方法 | |
| CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 | |
| CN105787518B (zh) | 一种基于零空间投影的近红外光谱预处理方法 | |
| CN111337452A (zh) | 一种验证光谱数据模型转移算法可行性的方法 | |
| CN111579526B (zh) | 一种表征近红外仪器差异和校正的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |
Application publication date: 20170620 |
|
| RJ01 | Rejection of invention patent application after publication |