CN106932360A - 便携式近红外光谱食品快速检测与建模一体化系统和方法 - Google Patents
便携式近红外光谱食品快速检测与建模一体化系统和方法 Download PDFInfo
- Publication number
- CN106932360A CN106932360A CN201710130402.7A CN201710130402A CN106932360A CN 106932360 A CN106932360 A CN 106932360A CN 201710130402 A CN201710130402 A CN 201710130402A CN 106932360 A CN106932360 A CN 106932360A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- mobile phone
- infrared spectrum
- model
- measured
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 82
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000011161 development Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000009614 chemical analysis method Methods 0.000 claims description 3
- 235000013312 flour Nutrition 0.000 abstract description 23
- 238000012360 testing method Methods 0.000 abstract description 16
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 47
- 230000010354 integration Effects 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 12
- 238000004611 spectroscopical analysis Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 108010068370 Glutens Proteins 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 235000021312 gluten Nutrition 0.000 description 6
- 239000002956 ash Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000009850 completed effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/10—Program control for peripheral devices
- G06F13/102—Program control for peripheral devices where the programme performs an interfacing function, e.g. device driver
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公布了一种便携式近红外光谱食品快速检测与建模一体化系统和方法，包括小型近红外光谱仪、android智能手机、驱动模块；通过Y型数据线进行连接。本发明利用智能手机，对近红外光谱小型仪器进行二次软件开发，实现对采集到的样本进行样本预处理分析、建立校正模型并进行检测分析，近红外光谱仪体积小，重量轻，便于携带，扫描分析速度快，能进行定量分析。利用本发明提供的技术方案，用户可不受仪器提供的配套分析软件中固化模型的限制，在实际检测中，可根据检测对象的数据特点，主动构建合适的模型，并寻找确定最优参数，建立最佳模型，提高模型的检测精度。本发明可实现面粉的无损检测分析。
Description
技术领域
本发明属于食品快速检测技术领域，涉及一种在android开发平台下的基于嵌入式的便携式近红外光谱检测技术，具体涉及一种针对近红外光谱设备进行二次开发的近红外光谱食品快速检测和建模一体化方法及其一体化系统。
背景技术
现阶段常用的食品检测方法主要有色谱、质谱技术及光谱分析法。色谱法虽然分析速度较快且应用较广，但是对样本具有破坏性。质谱法的的缺点是分辨率不足而且售价高昂，后期维护成本高。而光谱分析法对样本和实验环境几乎没有任何破坏而且检测速度快。随着经济的快速发展，人们对于食品安全的重视程度也与日俱增，并且由于嵌入式技术可剪裁、接口统一、代码可固化、占据的空间小，而且具备很好的硬件适应性等优点，使嵌入式技术在便携式光谱检测研发应用领域也得到了推崇和喜爱。将嵌入式及其他技术与光谱技术相结合，能够有效地实现检测仪器的便携化和小型化，并为在线快速食品检测提供了良好的平台。由此利用光谱分析软件进行食品检测分析的技术也得到了快速发展和广泛应用。
冯帮等人分别在LabVIEW平台和VC++平台的基础上研发了一款NIR光谱检测系统，能够进行幸水桃可溶性固形物含量检测。朱虹等人在LabVIEW软件平台上自主研发了一款NIR测控系统，对硬质高龄岩土进行检测分析。王智宏等人研发了一款野外现场矿物分析的近红外光谱仪器。刘雪梅开发了一款对土壤有机质含量进行分析的软件。高利业等人在WinCE6.0平台上研制了一款便携式拉曼光谱仪，并对Y2Mo3O12进行拉曼检测分析。聂清等人以智能PDA为基础，成功研制出一套近红外肌氧检测系统。闻明研制出可以现场检测小麦成分的便携式近红外光谱仪。翟建龙开发了一款针对脐橙品质的光谱采集和品质检测软件。秋丽湖等人对MicroNIR-1700的温度测控系统，进行了重新设计，对整个系统进行了温度补偿。陈松柏在嵌入式平台上，使用QTE库在Linux环境下开发了对水质进行检测的应用软件。贾文坤将MicroNIR作为数据采集装置，开发了对“西湖龙井”进行便携快速真伪鉴别的系统。
虽然不少研究学者已经对便携式光谱检测软件进行了不断的探索和研究，将数据采集和分析处理集成于一体，简化了最初的大量数据后期批量处理的流程，但是目前所采用的硬件平台更多的是平板电脑、台式机、高性能的ARM处理器以及LabVIEW虚拟机等，这些设备对于普通用户而言，并没有达到真正的便携，而且无法随时随地地进行数据网络传输。
发明内容
为了克服上述现有技术的不足，本发明提供一种针对近红外光谱设备进行二次开发的近红外光谱食品快速检测和建模一体化方法及其一体化系统。通过对MicroNIR1700近红外光谱小型仪器进行二次软件开发，以及基于嵌入式在android开发平台下的编写的手机程序，利用光谱检测的方法实现对采集到的未知样本的组分参数进行样本预处理分析、建立校正模型并进行检测分析。
本发明提供的技术方案是：
一种便携式近红外光谱食品快速检测与建模一体化系统，包括小型近红外光谱仪和智能手机，小型近红外光谱仪为智能手机的外接USB设备；还包括驱动模块，用于驱动小型近红外光谱仪响应智能手机端发出的指令，该驱动文件按照USB通信模式进行编写和操作；其中，小型近红外光谱仪与智能手机通过Y型数据线进行连接；小型近红外光谱仪可使用近红外光谱引擎MicroNIR1700；智能手机为android平台的智能手机；小型近红外光谱仪和手机均可外接移动电源。
具体地，驱动模块实现：
(一)软件对硬件(近红外光谱仪)的识别和判断；在manifest文件中定义android.hardware.usb.host，用于识别外接设备；能够有效读取外界设备，具体使用<uses-permission android:name＝"android.permission.WRITE_EXTERNAL_STORAGE"/>语句读写SDCARD，包括其他storage，比如内部flash，usb等；实现智能手机外接USB设备自动提示功能。
在驱动模块文件开发过程中，在device_filter.xml资源文件中进行<usb-device>元素声明。具体操作过程是在项目工程中的res结点手动创建device_filter.xml文件，并在文件中声明USB外接设备的VID/PID参数。本发明中，MicroNir1700设备的VID参数为158E，PID参数为2801。，为了配置使用，需要将十六进制的属性值转化为十进制。
(二)实现Android手机与外接USB设备(近红外光谱仪)进行通信；实现对智能手机中的相关应用软件与外接的USB设施的适用度进行自动判断；具体地，首先需要枚举已经连接的USB设备为发现的配件寻找合适的接口；其次，在用户操作使用USB设施时，需要对没有获得许可权的用户进行一定的权限设置及验证；第三，在接入的断点进行读写数据，完成手机应用软件与外接设备的信息交互。
(三)对传输到手机端的数据进行处理，实现食品快速检测与建模；包括：对校正集食 品样本的近红外光谱数据进行预处理、建立校正模型、对待测集食品样本的近红外光谱数据进行光谱预处理、对待测集食品样本的相应的组分参数进行检测得到组分浓度检测值、对校正模型进行评价等。
本发明利用上述便携式近红外光谱食品快速检测与建模一体化系统，提供一种便携式近红外光谱食品快速检测与建模一体化方法，该一体化方法在android平台下对便携式近红外光谱仪进行二次开发，首先通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型，再通过校正模型对待测集的未知食品样本的组分参数进行检测，得到未知食品样本的待测组分浓度检测值；本发明在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型；包括如下步骤：
S1)通过Y型数据线连接小型近红外光谱仪与智能手机；
S2)按照USB通信模式编写驱动模块，开发android应用安装包，用于驱动小型近红外光谱仪响应智能手机端发出的指令；
S3)安装应用安装包到智能手机中，利用应用安装包执行食品快速检测的与建模操作；
便携式近红外光谱食品快速检测与建模的步骤包括：
1)采集具有代表性的食品样本，作为校正集食品样本；
2)通过便携式近红外光谱仪测得校正集食品样本的近红外光谱数据；
3)通过化学分析方法测得校正集食品样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；
4)步骤2)获得的校正集食品样本的近红外光谱数据进行预处理；其中，近红外光谱数据通过Y数据线传输至android智能手机端，通过智能手机端安装的应用，对近红外光谱数据进行预处理；
5)利用步骤3)得到的校正集食品样本的待测组分的浓度和步骤4)得到的进行预处理后的校正集食品样本的近红外光谱数据，针对需要检测的组分指标参数，建立校正模型；本发明实施例中，具体通过多元线性回归方法建立校正模型；
6)对待测集食品样本，通过便携式近红外光谱仪测得近红外光谱数据；
7)对步骤6)获得的待测集食品样本的近红外光谱数据进行光谱预处理；其中，近红外光谱数据通过Y数据线传输至android智能手机端，通过智能手机端安装的应用，对近红外光谱数据进行预处理；
8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测，得到待测集食品样本的组分浓度检测值；
9)对步骤5)中建立的校正模型采用模型评价参数对所述校正模型进行评价；模型评价参数可包括残差、校正标准偏差、交互验证的校正标准偏差、预测标准偏差或决定系数。
步骤4)和步骤7)光谱预处理具体是通过采用插值法方法对食品样本的近红外光谱图进行预处理。目前常用的插值算法主要有线性插值法、三次样条插值法以及样条插值法等。其中，应用最广泛的是线性插值算法。线性插值在估计两个主干点之间的点值、拟合基本曲线方面有着广泛的应用。当采用线性插值无法拟合准确的平滑曲线时，可以采用样条插值法进行曲线拟合。样条法的基本原理是首先构造一条平滑的曲线，并根据曲线中存在的主干点采用多项式(一般采用三次曲线)进行曲线拟合。
与现有技术相比，本发明的有益效果是：
现有针对食品的检测技术主要靠化学分析，检测过程中需要配制化学试剂且化学反应过程较为耗时，同时容易造成二次污染；并且目前大多数的近红外光谱检测系统由于检测仪器费用高、检测过程繁琐、检测系统笨重、检测结果缺乏决策化等原因，导致各种光谱检测系统的用途限制于科研院所、高校企业和检测机构等，没有在人们的日常生活中普及开来。对于便携式的低成本的光谱检测系统的需求日趋迫切。本发明提供一种基于android的便携式近红外光谱食品快速检测与建模一体化方法和一体化系统，利用android智能手机，对MicroNIR系列近红外光谱小型仪器进行二次软件开发，通过一体化方法实现对采集到的样本进行样本预处理分析、建立校正模型并进行检测分析，从而实现的对未知样本的组分参数；采用的MicroNIR1700检测系统不仅体积适中，而且重量轻，具有便携性。本发明采用光谱检测技术对食品品质进行分析，不仅扫描分析速度快，而且能进行定量分析。本发明实施例对面粉的面筋，水分，灰度含量进行检测，并且在检测分析前不需要对面粉进行任何化学处理，分析后也不会产生任何形式的污染等，真正意义上实现了面粉的无损检测分析。利用本发明提供的技术方案，用户可以在实际的检测过程中，突破配套检测分析软件中的固化模型的枷锁，可以依据被检测对象的种类特性，实时的建立更具针对性的数学模型，利用大量样本不断的优化参数，最终得到最佳模型，提高检测的精度。
附图说明
图1为智能手机中检测应用软件界面截图。
图2为智能手机进行暗电流扫描的界面截图。
图3是智能手机进行背景数据扫描的界面截图。
图4是智能手机进行面粉数据扫描及检测结果显示的界面截图。
图5是本发明实施例中面粉样本的近红外漫反射光谱图；
其中，横坐标代表波长，单位为nm；纵坐标是吸光度，单位为1。
图6是本发明实施例中检测面粉样本的水分、灰分、面筋的定量模型预测结果图。
图7是本发明中驱动模块的工作流程框图。
图8是本发明中智能手机与USB连接的近红外光谱仪进行USB通信的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供的便携式近红外光谱食品快速检测与建模一体化系统，包括小型近红外光谱仪和智能手机，小型近红外光谱仪为智能手机的外接USB设备，还包括驱动文件模块，用于驱动小型近红外光谱仪响应智能手机端发出的指令，该驱动文件按照USB通信模式进行编写和操作；其中，小型近红外光谱仪与智能手机通过Y型数据线进行连接；小型近红外光谱仪可使用近红外光谱引擎MicroNIR1700；智能手机为android平台的智能手机；小型近红外光谱仪和手机均可外接移动电源。
本实施例采用美国JDSU公司生产的一款小型近红外光谱仪MicroNIR-1700，虽然其具有体积小，重量轻的优点，但是由于并没有仪器控制和光谱采集的功能，所以只利用其配套的软件，无法实现对光谱数据的分析检测。为了能够利用MicroNIR-1700在实际的工作中进行检测分析，需要在MicroNir-1700的基础上进行二次开发，编写软件，能够对光谱仪采集的数据完成数据采集，数据预处理，检测分析操作。MicroNIR-1700光谱仪是专为手持式、便携式、以及嵌入式在线感应式等应用而设计的，在食品、农业、制药、环境以及石油化工等多个领域得到了广泛应用。MicroNIR-1700光谱仪主要应用用于食品、农业、医药、环境保护以及石油化工等多个需求在线感应的领域，其特点是特点是紧凑、成本低廉，且具有便携的优点。JDSU MicroNIR-1700光谱仪系统自身集成了光源、集光元件、电子元件和基本操作软件等。其关键部件的分光元件是线性渐变滤光片(LVF,Linear Variable Filter)。LVF是由JDSU 公司自主设计和制造的一种特别的带通滤光片，采用了先进的光学镀膜和制造技术，因为通带的中心波长与膜层的厚度有关，所以为了起到分光的效果，在制造时在特定方向形成楔形镀层，以便滤光片的穿透波长在楔形方向发生了线性变化。将LVF与线阵InGaAs(非制冷铟镓砷)器耦合构成近红外传感器，可以应用于诸多领域，提供需要的光谱信息。MicroNIR-1700近红外光谱仪在φ45×42mm的体积上集光源、滤光片和检测器等于一体，无需额外的移动部件，而且重量很轻，仅有60g。其中光源采用双集成真空钨灯，寿命为1.8万小时。检测器采用InGaAs二极管阵列检测器，探测器共有128像元，波长范围950-1650nm，分辨率为12.5nm，积分时间最小为100us。MicroNIR-1700近红外光谱仪采用USB供电，主机接口为USB2.0，最高速度达480Mb/s，仪器的控制和光谱数据的采集由控制终端上的软件触发，控制终端可采用笔记本电脑和基于android系统的平板电脑和手机，便于现场采样和实时测量。
本发明按照USB通信模式编写驱动模块，开发了应用安装包nirbtbu.apk，用于驱动小型近红外光谱仪响应智能手机端发出的指令。驱动模块的工作流程如图7所示。驱动模块对manifest文件和USB通信进行如下设置：
(1)Android中manifest文件的需求
存在一些Android系统的设备无法准确地支持USB主机的APIs接口的情况，因此为了识别外接设备，需要在manifest文件中定义android.hardware.usb.host。对manifest文件主要做以下开发：
①获得USB读取权限。在manifest程序文件写入<uses-permissionandroid:name＝"androi d.hardware.usb.host"android:required＝"false"/>语句。
②定义外接USB设备。通过<uses-feature android:name＝"android.hardware.usb.host"androi d:required＝"true"/>定义外接USB设备，并通过android:required＝"true"语句判定外接设备的接入后，程序才能正常工作。
③测试对外界设备能够有效读取。需要使用<uses-permission android:name＝"android.per mission.WRITE_EXTERNAL_STORAGE"/>语句读写SDCARD，包括其他storage，比如内部flash，usb等。
④实现智能手机外接USB设备自动提示功能。在activity中的<intent-filter>和<meta-data>元素中添加android.hardware.usb.action.USB_DEVICE_ATTACHED意图，并在<meta-data>中添加android:resource＝"@xml/device_filter”语句指向额外的device_filter.xml资源文件，从而对 探测到的设备进行信息验证。
驱动模块需要完成软件对硬件的识别和判断。因此，在驱动模块文件开发过程中，需要在device_filter.xml资源文件进行<usb-device>元素声明。具体操作过程是在项目工程中的res结点手动创建device_filter.xml文件，并在文件中声明USB外接设备的VID/PID参数。本专利所用的微型近红外光谱仪MicroNIR1700的VID/PID参数能够通过JDSUSpectral Engine属性框中的查看详细信息属性获得，MicroNir1700设备的VID参数为158E，PID参数为2801。我们所查看的属性值为十六进制，为了配置使用，需要将其转化为十进制，即VID为5518，PID为10241。并在<resources>中进行如下声明：
<resources><usb-device vendor-id＝"5518"product-id＝"10241"/></resources>。
(2)USB设备工作
Android手机与外接USB设备进行通信时，需要获得一个UsbManager。UsbManager的获得主要通过查询外接的UsbDevice来实现。获得准确的Usb接口和该接口所对应的Usb端点后，打开UsbDeviceConnection后进行手机与外设的信息交流，USB通信流程如图8所示。
当将USB设施通过数据线与Android智能手机连接在一起时，为了实现Android系统可以对手机中的相关应用软件与外接的USB设施的适用度进行自动判断，首先需要枚举已经连接的USB设备为发现的配件寻找合适的接口；其次，在用户操作使用USB设施时，需要对没有获得许可权的用户进行一定的权限设置及验证；第三，在接入的断点进行读写数据，完成手机应用软件与外接设备的信息交互。具体开发过程如下：
①采用manager＝(UsbManager)getSystemService(Context.USB_SERVICE)获取一个Us bManager的实例和外接设备的状态，并且进行通信。并定义USBDeviceList数组，经过get DeviceList()函数方法枚举总线上的设施数量，并将USB设备数量放到数组USBDeviceList中。
②寻找接口并分配结点。使用getInterfaceCount()函数方法查看外接接口个数，普遍情况是一个接口。在这个接口上有两个端点，一个是IN，一个是OUT，需要对这两个端点进行分配。定义两个UsbEndpoint实例来保存分配到的端点。
③实现外设与Android设施直接的连接。使用connection＝manager.openDevice(mUsbDevice)函数打开外设，connection.claimInterface(mInterface,true)判断为真后进行端点分配，在端点分配时主要通过UsbDeviceConnection函数和UsbInterface函数实现端点分配问题。
④依据设备HID，进行通信设置。获得了通讯端口的OUT和IN端点后，需要根据外接设备的HID研究设备的命令发送/接收方式将要发送的命令打包成命令包进行发送。不同的设 备发送/接收命令模式不同，同一设备不同命令的发送/接收模式也需要具体处理。本文所用的外接设备MicroNIR1700的发送命令(OUT)模式为发送预发送命令+发送命令+接收发送成功信息；接收命令(IN)模式为：发送预接收命令+接收数据+接收数据成功信息。
在软件安装之前，需要将整个检测硬件搭配完整，即MicroNIR1700除了外接移动电源外，还需要借助于Y型线与智能手机连接在一起，确保检测系统中的各个硬件设备能正常通信。本发明按照USB通信模式编写驱动模块，开发了应用安装包nirbtbu.apk，用于驱动小型近红外光谱仪响应智能手机端发出的指令。当安装软件时，根据“选择适用于USB设备的应用程序”提示语句，选择nirbtbu.apk进行安装。软件安装完成后，在手机主界面中生成一个nirbtbu软件的快捷方式。当用户使用时，只需点击该快捷方式就可以快速启动检测软件。
软件安装完成以后连接微型光谱引擎，并在手机触摸屏上点击nirbtbu软件，进入光谱检测界面，如图1所示。
本实施例中，软件设置的默认的积分时间为9000ms，采样次数为50次。用户可以根据检测对象的特性设置合适的积分时间和采样次数。在“积分时间文本编辑框”中手动输入积分时间后点击“积分时间”按钮，实现对积分时间的设定。在“采样次数文本编辑框”中手动输入需求的采样次数后点击“采样次数”按钮，完成对采样次数的设定。软件参数设置完成后，根据探头特性首要需要采集暗电流光谱数据，将探头对准校正白板后点击“暗电流”按钮，进行光谱数据采集，如图2所示。
暗电流光谱数据扫描完成后，需要进行背景光谱数据扫描。通过点击手机应用软件界面中的“100％背景”按钮，获取背景光谱数据，如图3所示。
100％背景光谱数据采集完成后，将探头对准检测对象，点击界面中的“扫描”按钮，实现对检测对象的快速品质分析，并将分析结果显示在界面中，如图4所示。
本发明利用上述便携式近红外光谱食品快速检测与建模一体化系统，实现一种便携式近红外光谱食品快速检测与建模一体化方法，该一体化方法在android平台下对便携式近红外光谱仪进行二次开发，首先通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型，再通过校正模型对待测集的未知食品样本的组分参数进行检测，得到未知食品样本的待测组分浓度检测值；本发明在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型。检测包括如下步骤：
1)采集具有代表性的食品样本，作为校正集食品样本；
2)通过便携式近红外光谱仪测得校正集食品样本的近红外光谱数据；
3)通过化学分析方法测得校正集食品样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；
4)对步骤2)获得的校正集食品样本的近红外光谱数据进行预处理；
5)利用步骤3)得到的校正集食品样本的待测组分的浓度和步骤4)得到的进行预处理后的校正集食品样本的近红外光谱数据，针对需要检测的组分指标参数，通过多元线性回归方法建立校正模型；
6)对待测集食品样本，通过便携式近红外光谱仪测得近红外光谱数据；
7)对步骤6)获得的待测集食品样本的近红外光谱数据进行光谱预处理；
8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测，得到待测集食品样本的组分浓度检测值；
9)对步骤5)中建立的校正模型采用模型评价参数对所述校正模型进行评价；模型评价参数可包括残差、校正标准偏差、交互验证的校正标准偏差、预测标准偏差或决定系数；
步骤4)和步骤7)中，近红外光谱数据预处理过程利用基于android开发的便携式近红外光谱系统进行操作；其中，光谱数据需要通过Y数据线传输至android端。
步骤4)和步骤7)光谱预处理具体是通过采用插值法方法对食品样本的近红外光谱图进行预处理。目前常用的插值算法主要有线性插值法、三次样条插值法以及样条插值法等。其中，应用最广泛的是线性插值算法。线性插值在估计两个主干点之间的点值、拟合基本曲线方面有着广泛的应用。当采用线性插值无法拟合准确的平滑曲线时，可以采用样条插值法进行曲线拟合。样条法的基本原理是首先构造一条平滑的曲线，并根据曲线中存在的主干点采用多项式(一般采用三次曲线)进行曲线拟合。
步骤5)中光谱模型的建立采用多元线性回归方法。多元线性回归算法的中心思想是研究多个自变量对一个因变量的影响，分析原因变量对结局变量的贡献，并用已知的原因变量对结果变量的变化进行预测。其数学模型为公式4-16：
公式1中，Y为因变量，Xj(j＝1,2,…,m)为m个自变量，βj(j＝0,1,2,…,m)为m+1个未知参数， 为随机误差。对于n组观测值Yi,X1i,X2i,…,Xmi(i＝1,2,…,n)，其方程组形式为公式2：
将公式2写成矩阵形式，为公式3：
即
其中为因变量的观测值向量；为自变量的观测值矩阵；为总体回归方程参数向量，为随机误差向量。
总体回归方程表示为：E(Y)＝Xβ。
在多元线性回归模型中，多元线性回归模型将偏回归系数作为回归系数可以有效地表达出各个自变量对因变量的影响。运用样本观测值(X1i,X2i,…,Xmi；Yi)对未知参数β0,β1,β2,…，βm采用最小二乘法进行估计，得到参数估计值为将估计值代入模型得样本回归方程其中，为参数估计值，为Yi的样本拟合值。
采用偏最小二乘法进行参数估计时，样本回归方程的矩阵表达形式为公式4：
样本回归方程求解后得到的因变量估计值与实际观测值Yi的偏差称为残差εi：
在采用模型进行检测时，需要对结果进行统计检验，以剔除误差比较大的数据，以保证建模的准确性。
步骤9)中的模型评价参数残差(d)，代表第i个样本的检测值与实际值的差值，表达式为公式11：
di＝yi,predicted-yi,actual (式11)
公式1中，di代表第i个样本的残差，yi,predicited代表第i个样本的检测值，yi,actual代表第i个样本的真值。
步骤9)中的模型评价参数交叉验证均方根误差(RMSECV)，采用交叉验证算法对模型算法和预测能力的可行性进行评价。按照公式12进行计算：
公式12中，yi代表校正集中第i个样本的化学值，代表样本集中第i个样本剔除后建立的模型测量样本i的结果，n为校正集总样本数。
步骤9)中的模型评价参数预测均方根误差(RMSEP)，该指标对所建模型对预测样本集预测能力进行评判，是用校正模型检测预测集样本结果得到的均方根误差，RMSEP值越小，代表校正模型进行定量预测的能力越好。按照公式13计算：
公式13中，和yi分别表示第i个预测样本的月蹙额结果和真实测量值，n为预测集总样本数量。
步骤9)中的模型评价参数相关系数(R2):用来计算样本通过光谱方法的预测值和通过常规检测方法得到的实际测定值之间的相关性。在浓度范围相同的前提下，R2越接近1，就表明预测结果和真实值之间的关联性越好。按照公式14计算：
公式14中，yi和分别代表第i个样本的预测结果、真实测量结果和所有样本真实 测量结果的平均值。
本次试验以面粉为检测对象，将探头对准面粉后，该检测软件能够对面粉中的灰分、水分、面筋含量进行初步快速检测，并将检测的含量值显示在界面中，方便用户查看。
本次实验的测试样本是从古船面粉厂采集的14种小麦粉样本共计400个，为了建立适用性广、准确的定量分析模型需要保证样本多样性、均匀分布及一定的浓度范围，所以从中选取了300个样本作为校正集样本，100个作为验证集样样本。样本种类及样本数如表1所示。
表1面粉样本种类及个数
面粉是一种不透明的粉末状固体物质，用投射的方式对面粉进行近红外光谱扫描难以达到准确的测量结果，因此本次实验采用漫反射的方式进行光谱数据扫描。
除了选择的测样方式外，检测仪器的参数指标和外界实验环境条件也能够影响整个测量过程的检测、分析结果。对光谱采集过程中的关键参数的设置需要考虑以下几方面：
(1)确定合适的设备检测温度。在用近红外光谱仪对面粉样本进行光谱数据扫描时，光谱仪自身的温度能够影响光谱数据的准确性。因此，在测量时，为了将设备温度改变造成的光谱误差降低到最小，需要保证光谱仪能够在相对合适的温度范围内运行。本次采集光谱时需要保持室内环境温度保持20℃左右。
(2)选择恰当的光谱区间。光谱的各个区间内不仅含有丰富的样本光谱信息，而且还不可避免的存在一些杂质信号。在选取的过程中，应该在选取的区间段包含大量有效的物质信息的前提下，尽可能的剔除杂质信息谱区。通常情况下将全部谱图纳入分析范围。本次实验选取950nm～1650nm全谱段进行光谱采集。
(3)积分时间的选择。通常情况下，积分时间与能量之间是正比例关系，能量随着积分时间的增加而提高，但是容易出现信号饱和现象导致信号失真；信号强度也随着积分时间的减小而变弱。通常情况下，积分时间的范围取决于不同的检测物质和应用情况。本次实验中积分时间设置为0.9s。
(4)选取正确的扫描次数。不同的扫描次数，根据近红外光谱数据简历的模型的稳定度 也不同。近红外光谱的稳定性受扫描次数的影响不容忽视。如果扫描次数太少，就会出现光谱数据准确度降低的现象；反之，如果扫描次数太多，就会出现“过拟合”现象，从而导致光谱数据发生变化，而且增加了整个检测实验时间。在尽可能的降低标准差，增大信噪比的前提下，本次实验中扫描次数选择50次。
(5)选择合理的样本测量次数。在实验过程中，难以保证装样的一致和样本始终均匀分布，从而难以避免由于随机误差的存在而引起的对检测结果的影响。为了尽可能地降低随机误差对检测精度的不良影响，本次实验对样本进行3次光谱扫描，然后去3次光谱数据的平均值作为计算值。
综上，本次测试试验采用漫反射测样方式，检测系统参数设置如下：波数范围采用全光谱范围即950nm～1650nm，扫描次数设置为50次，外界环境温度20℃左右，并对同一样本测量3次后取平均值作为样本最终光谱数据。部分面粉样本的近红外漫反射光谱图如图5所示。
本次测试的面粉样本数目为400个，其中300个样本用于建立模型，调整模型参数，100个样本用于模型评价分析。其中，水分含量分布为12.8％--14.5％，灰分含量分布为0.4％--1.0％，面筋含量分布28.9％--40.4％。所有面粉样本数据特性如表2所示。
表2面粉样本数据特性
本测试试验利用本发明提供的便携式近红外光谱检测系统对400个不同生产批次、不同种类的面粉样本进行了光谱数据扫描，并建立了面粉的多元线性回归模型。通过多元线性回归算法建立校正集模型，并用验证集评价所建模型的准确性和精度，用R2、RMSECV和RMSEP作为模型的评价指标。面粉的全光谱数据中包含了大量有效信息，因此，采用全光谱范围建立面粉水分、灰分、面筋模型。多元线性回模型的建模结果如表3所示，预测结果如图6所示。
表3水分、灰分、面筋的定量模型评价指数
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种便携式近红外光谱食品快速检测与建模一体化系统，包括小型近红外光谱仪和智能手机，还包括驱动模块；所述小型近红外光谱仪为智能手机的外接USB设备；小型近红外光谱仪与智能手机通过Y型数据线进行连接；小型近红外光谱仪可使用近红外光谱引擎MicroNIR1700；智能手机为android平台的智能手机；小型近红外光谱仪和手机均可外接移动电源；所述驱动模块用于驱动小型近红外光谱仪响应智能手机端发出的指令，实现软件对硬件的识别和判断、Android手机与外接USB设备进行通信、对传输到手机端的数据进行处理，实现食品快速检测与建模。
2.一种便携式近红外光谱食品快速检测与建模一体化方法，在android平台下对便携式近红外光谱仪进行二次开发，首先通过校正集食品样本的组分指标参数的浓度参考值和近红外光谱数据建立食品检测校正模型；在进行检测中可通过调整模型参数，得到针对具体检测食品对象的最佳检测校正模型；再通过校正模型对待测集的未知食品样本的组分参数进行检测，得到未知食品样本的待测组分浓度检测值；包括如下步骤：
S1)通过Y型数据线连接小型近红外光谱仪与android智能手机；
S2)按照USB通信模式编写驱动模块，开发android应用安装包，用于驱动小型近红外光谱仪响应智能手机端发出的指令；
S3)安装应用安装包到智能手机中，利用应用安装包执行食品快速检测与建模的操作，实现近红外光谱食品快速检测与建模。
3.如权利要求2所述一体化方法，其特征是，步骤S2)所述驱动模块通过对手机中的相关应用软件与外接的USB设施的适用度进行自动判断，实现手机android应用与外接设备的信息交互。
4.如权利要求2所述一体化方法，其特征是，步骤S3)所述食品快速检测与建模的操作包括如下步骤：
1)采集具有代表性的食品样本，作为校正集食品样本；
2)通过便携式近红外光谱仪测得校正集食品样本的近红外光谱数据；
3)通过化学分析方法测得校正集食品样本的待测组分的浓度，作为相应组分指标参数的浓度参考值；
4)步骤2)获得的校正集食品样本的近红外光谱数据通过Y数据线传输至智能手机端，通过智能手机端安装的应用，对近红外光谱数据进行预处理；
5)利用步骤3)得到的校正集食品样本的待测组分的浓度和步骤4)进行预处理后得到的校正集食品样本的近红外光谱数据，针对需要检测的组分指标参数，建立校正模型；
6)对待测集食品样本，通过便携式近红外光谱仪测得近红外光谱数据；
7)将步骤6)获得的待测集食品样本的近红外光谱数据通过Y数据线传输至android智能手机端，通过智能手机端安装的应用，对近红外光谱数据进行预处理；
8)针对需要检测的组分指标参数，利用步骤5)获得的校正模型对待测集食品样本的相应的组分参数进行检测，得到待测集食品样本的组分浓度检测值。
5.如权利要求4所述一体化方法，其特征是，步骤5)具体通过多元线性回归方法建立校正模型。
6.如权利要求4所述一体化方法，其特征是，在得到待测集食品样本的组分浓度检测值后，对步骤5)中建立的校正模型采用模型评价参数对所述校正模型进行评价。
7.如权利要求6所述一体化方法，其特征是，所述模型评价参数包括残差、校正标准偏差、交互验证的校正标准偏差、预测标准偏差或决定系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710130402.7A CN106932360A (zh) | 2017-03-07 | 2017-03-07 | 便携式近红外光谱食品快速检测与建模一体化系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710130402.7A CN106932360A (zh) | 2017-03-07 | 2017-03-07 | 便携式近红外光谱食品快速检测与建模一体化系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106932360A true CN106932360A (zh) | 2017-07-07 |
Family
ID=59423486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710130402.7A Pending CN106932360A (zh) | 2017-03-07 | 2017-03-07 | 便携式近红外光谱食品快速检测与建模一体化系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106932360A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107589092A (zh) * | 2017-08-18 | 2018-01-16 | 北京工商大学 | 基于移动网络终端的蓝牙便携式近红外光谱快检系统 |
| CN107809464A (zh) * | 2017-09-27 | 2018-03-16 | 浙江农林大学 | 一种移动式珍稀木材鉴别云服务系统 |
| CN108152246A (zh) * | 2017-12-25 | 2018-06-12 | 四川长虹电器股份有限公司 | 基于移动终端的无线智能光谱检测系统 |
| CN108562555A (zh) * | 2018-06-06 | 2018-09-21 | 北京工商大学 | 基于微型近红外光谱仪的小麦粉品质在线检测系统 |
| CN110044842A (zh) * | 2019-05-22 | 2019-07-23 | 江南大学 | 一种快速测定奇亚籽水分含量的方法 |
| CN110286101A (zh) * | 2019-07-16 | 2019-09-27 | 四川长虹电器股份有限公司 | 适用于流水线体系的光谱持续建模异常检测系统及方法 |
| CN110514620A (zh) * | 2019-08-30 | 2019-11-29 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
| CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
| CN114112988A (zh) * | 2021-11-26 | 2022-03-01 | 江苏省农业科学院 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101647703A (zh) * | 2009-08-10 | 2010-02-17 | 中卫莱康科技发展（北京）有限公司 | 血糖实时监控系统与方法、血糖检测装置和手机终端 |
| CN101769869A (zh) * | 2009-01-07 | 2010-07-07 | 英华达(上海)电子有限公司 | 一种测量水果糖度的方法和测量水果糖度的便携设备 |
| 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 |
| CN105718925A (zh) * | 2016-04-14 | 2016-06-29 | 苏州优化智能科技有限公司 | 基于近红外和面部微表情的真人活体身份验证终端设备 |
-
2017
- 2017-03-07 CN CN201710130402.7A patent/CN106932360A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769869A (zh) * | 2009-01-07 | 2010-07-07 | 英华达(上海)电子有限公司 | 一种测量水果糖度的方法和测量水果糖度的便携设备 |
| CN101647703A (zh) * | 2009-08-10 | 2010-02-17 | 中卫莱康科技发展（北京）有限公司 | 血糖实时监控系统与方法、血糖检测装置和手机终端 |
| 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 |
| CN105718925A (zh) * | 2016-04-14 | 2016-06-29 | 苏州优化智能科技有限公司 | 基于近红外和面部微表情的真人活体身份验证终端设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107589092A (zh) * | 2017-08-18 | 2018-01-16 | 北京工商大学 | 基于移动网络终端的蓝牙便携式近红外光谱快检系统 |
| CN107809464A (zh) * | 2017-09-27 | 2018-03-16 | 浙江农林大学 | 一种移动式珍稀木材鉴别云服务系统 |
| CN108152246A (zh) * | 2017-12-25 | 2018-06-12 | 四川长虹电器股份有限公司 | 基于移动终端的无线智能光谱检测系统 |
| CN108562555A (zh) * | 2018-06-06 | 2018-09-21 | 北京工商大学 | 基于微型近红外光谱仪的小麦粉品质在线检测系统 |
| CN110044842A (zh) * | 2019-05-22 | 2019-07-23 | 江南大学 | 一种快速测定奇亚籽水分含量的方法 |
| CN110286101A (zh) * | 2019-07-16 | 2019-09-27 | 四川长虹电器股份有限公司 | 适用于流水线体系的光谱持续建模异常检测系统及方法 |
| CN110514620A (zh) * | 2019-08-30 | 2019-11-29 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
| CN110793922A (zh) * | 2019-10-31 | 2020-02-14 | 北京绿土科技有限公司 | 一种基于手机的土壤光谱数据采集方法 |
| CN114112988A (zh) * | 2021-11-26 | 2022-03-01 | 江苏省农业科学院 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化系统和方法 | |
| Deiss et al. | Tuning support vector machines regression models improves prediction accuracy of soil properties in MIR spectroscopy | |
| Liu et al. | Estimating forest soil organic carbon content using vis-NIR spectroscopy: Implications for large-scale soil carbon spectroscopic assessment | |
| Mishra et al. | Sequential fusion of information from two portable spectrometers for improved prediction of moisture and soluble solids content in pear fruit | |
| CN104897607A (zh) | 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 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| Westerhaus et al. | Quantitative analysis | |
| Liu et al. | Prediction of soil organic carbon with different parent materials development using visible-near infrared spectroscopy | |
| Deiss et al. | Optimizing acquisition parameters in diffuse reflectance infrared Fourier transform spectroscopy of soils | |
| CN105527246A (zh) | 一种便携式近红外光谱检测系统 | |
| Shen et al. | Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy | |
| Costa et al. | Near‐infrared spectrometry allows fast and extensive predictions of functional traits from dry leaves and branches | |
| CN101701911A (zh) | 一种检测发酵物料中还原糖含量的方法 | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| CN100557413C (zh) | 固体推进剂中高氯酸铵粒度的快速分析方法 | |
| Wolfrum et al. | A performance comparison of low-cost near-infrared (NIR) spectrometers to a conventional laboratory spectrometer for rapid biomass compositional analysis | |
| CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
| Yang et al. | Feasibility of terahertz spectroscopy for hybrid purity verification of rice seeds | |
| CN205506679U (zh) | 一种便携式近红外光谱检测系统 | |
| Mishra | CT-GUI: A graphical user interface to perform calibration transfer for multivariate calibrations | |
| CN103308507A (zh) | 一种快速测定聚氨酯中游离-nco的分析方法 | |
| Sun et al. | Visible-NIR spectroscopy and least square support vector machines regression for determination of vitamin C of mandarin fruit | |
| Duan et al. | Interpretable Perturbator for Variable Selection in near-Infrared Spectral Analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |