CN107014756A - 一种光谱测试系统光源设计方法 - Google Patents
一种光谱测试系统光源设计方法 Download PDFInfo
- Publication number
- CN107014756A CN107014756A CN201710248865.3A CN201710248865A CN107014756A CN 107014756 A CN107014756 A CN 107014756A CN 201710248865 A CN201710248865 A CN 201710248865A CN 107014756 A CN107014756 A CN 107014756A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- light source
- characteristic
- spectroscopic data
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 125
- 238000012360 testing method Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013461 design Methods 0.000 title claims abstract description 27
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000013307 optical fiber Substances 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000546 chi-square test Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 3
- 229910052753 mercury Inorganic materials 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 abstract description 5
- 230000003595 spectral effect Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation 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
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- 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
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
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)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种光谱测试系统光源设计方法，包括：以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得被测样品的光谱数据；对获得的光谱数据进行特征数据筛选和提取，获取特征数据子集，并以特征数据子集重新构建光谱数据；以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定被测样品的特征光谱波段，选取光谱波段与被测样品的特征光谱波段匹配的光源作为光谱测试系统的光源。本发明光谱测试系统光源设计方法，通过对测得的被测样品的光谱数据进行特征筛选和统计分析，找到特征光谱波段，从而选取与被测样品的特征光谱波段匹配的窄带光源作为光谱测试系统的光源，可降低光源成本。
Description
技术领域
本发明涉及光谱测试技术领域，特别是涉及一种光谱测试系统光源设计方法。
背景技术
现有技术中，在对样品进行近红外光谱分析时，通常辐射光源的光谱覆盖从可见光到中红外之间的全部波段，但在实际测试中，针对测试样品，不同样品的光谱特征信息不同，而对于某一样品，其有效的光谱特征信息只集中在近红外波段的个别区间范围，并不是分散在近红外波段的全部波段。
因此，现有光谱测试系统所使用的光源输出光谱范围宽，导致光源器件的制造及生产成本高，并且这类光源具有较大的功率消耗，系统运行时还需要使用单独的冷却系统对光源散热，以保障光源正常工作。可见，现有光谱测试系统所采用的光源，不仅造成较高的生产成本，还造成较高的运行维护成本。
发明内容
本发明的目的是提供一种光谱测试系统光源设计方法，通过对测试到的被测样品的光谱数据进行特征提取和统计分析，找到样品的特征光谱波段，来选取相匹配的窄带光谱波段光源，从而避免采用输出宽光谱波段的光源，可降低光源成本。
为实现上述目的，本发明提供如下技术方案：
一种光谱测试系统光源设计方法，包括：
以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得所述被测样品的光谱数据；
对获得的光谱数据进行特征数据筛选和提取，获取特征数据子集，并以所述特征数据子集重新构建光谱数据；
以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定所述被测样品的特征光谱波段，选取输出光谱波段与所述被测样品的特征光谱波段匹配的光源作为光谱测试系统的光源。
可选地，所述以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定所述被测样品的特征光谱波段包括：
以重新构建的光谱数据进行模型学习和训练，得到初步分类模型；
以所述初步分类模型对作为测试数据的光谱数据进行特征数据筛选，并进行模型评价，根据评价结果动态调整特征筛选参数和模型参数，得到最优的特征筛选参数和分类模型；
根据最优的分类模型确定所述被测样品的特征光谱波段。
可选地，以重新构建的光谱数据进行模型学习和训练，得到初步分类模型的方法包括交叉验证、随机组合特征数据子集。
可选地，对获得的光谱数据进行特征数据筛选的方法包括卡方检验、相关分析法或者主成分分析法。
可选地，所述以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试包括：
以多个波段范围的光分别投射到被测样品，分别对被测样品进行光谱测试，所述多个波段范围的光的总波段范围大于所述被测样品的特征光谱波段。
可选地，所述光谱测试系统包括光源装置、传导光纤和光谱仪；
所述传导光纤包括主体段、由所述主体段一端分出的第一分束和第二分束；
所述光源装置用于产生辐射光，输入所述第一分束，辐射光由所述主体段另一端投射到被测样品，由所述被测样品产生的反射光进入所述传导光纤，由所述第二分束输出至所述光谱仪；
所述光谱仪用于接收输出光，将接收到的光谱转换为光谱数据。
可选地，所述光源装置包括卤素灯或者汞灯。
由上述技术方案可知，本发明所提供的光谱测试系统光源设计方法，以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得被测样品的光谱数据，对获得的光谱数据进行特征数据筛选和提取，获得特征数据子集，并以特征数据子集重新构建光谱数据，然后以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定所述被测样品的特征光谱波段，从而选取输出光谱波段与被测样品特征光谱波段相匹配的光源作为光谱测试系统的光源。
因此，本发明光谱测试系统光源设计方法，通过对测试到的被测样品的光谱数据进行特征提取和统计分析，找到样品的特征光谱波段，从而根据样品的特征光谱波段来选取窄光谱波段光源，作为光谱测试系统的光源，避免采用输出宽光谱波段的光源，可降低光源成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光谱测试系统光源设计方法的流程图；
图2为本发明方法中采用的一种光谱测试系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请参考图1，本发明实施例提供的一种光谱测试系统光源设计方法，包括步骤：
S10：以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得被测样品的光谱数据。
本方法中，首先以波段范围大于样品的特征光谱波段的光作为投射光，对被测样品进行光谱测试，测试得到样品原始的一组光谱数据。S11：对获得的光谱数据进行特征数据筛选和分割，获取特征数据子集，并以所述特征数据子集重新构建光谱数据。
本步骤中，对获得的样品的原始光谱数据进行特征数据筛选，消除原始光谱数据中的冗余波段，得到经过初步筛选的特征数据子集。并以所述特征数据子集重新构建光谱数据。
S12：以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定被测样品的特征光谱波段，选取输出光谱波段与所述特征光谱波段匹配的光源作为光谱测试系统的光源。
本步骤中，以重新构建的光谱数据进行模型学习和训练，得到分类模型。
进一步根据分类模型确定被测样品的特征光谱波段，然后选取输出光谱波段与所述特征光谱波段匹配的光源，作为光谱测试系统的光源。
可以看出，本实施例光谱测试系统光源设计方法，通过对测试获得的被测样品的光谱数据进行特征提取和统计分析，找到样品的特征光谱波段，然后根据样品的特征光谱波段来选取光源，选取与被测样品的特征光谱波段匹配的窄光谱波段光源，从而避免采用输出宽光谱波段的光源，与现有技术相比，可降低光源成本。
下面对本实施例光谱测试系统光源设计方法做进一步详细说明。
本实施例提供的光谱测试系统光源设计方法，包括步骤：
S10：以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得被测样品的光谱数据。
比如，对被测样品进行近红外光谱测试，则先选取光谱覆盖范围大于近红外波段的辐射光，对样品进行近红外光谱测试，如可采用输出光谱覆盖可见光到中红外之间全部波段的光源，测试得到被测样品在此全光谱波段内的光谱数据。
S11：对获得的光谱数据进行特征数据筛选和提取，获得特征数据子集，并以所述特征数据子集重新构建光谱数据。
本步骤中，对获得的样品的原始光谱数据进行特征数据筛选。
可选的，对光谱数据进行特征数据筛选的方法可采用卡方检验、相关分析法或者主成分分析法。
通过本步骤对光谱数据进行初步筛选，消除其中的冗余特征，保留初步筛选的近红外特征。以得到的特征数据子集构建新的光谱数据。
S12：以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定被测样品的特征光谱波段，选取输出光谱波段与所述特征光谱波段匹配的光源作为光谱测试系统的光源。
优选的，本步骤中具体包括以下步骤：
S120：以重新构建的光谱数据进行模型学习和训练，得到初步分类模型。
首先，以上一步骤中重新构建得到的新光谱数据进行模型训练，得到初步分类模型。
可选的，模型训练的方法包括交叉验证、随机组合特征数据子集等方法。
S121：以所述初步分类模型对作为测试数据的光谱数据进行特征数据筛选，并进行模型评价，根据评价结果动态调整特征筛选参数和模型参数，得到最优的特征筛选参数和分类模型。
在步骤S10中测试得到的被测样品的原始光谱数据，一部分作为训练模型的数据，另一部分作为测试数据。
本步骤中，按照初步分类模型确定的特征筛选参数对测试数据进行特征筛选，并进行模型评价。具体的，可根据分类精度、召回率、F1参数等评估指标，将评价结果反馈给特征筛选过程和模型训练过程，根据评价结果动态调整特征筛选参数和模型参数。通过反复迭代和调优，当各项评估指标不再变化或者变化幅度在设定范围内，即确定为达到整个筛选过程的最佳状态，则得到最优的特征筛选参数和分类模型。
S122：根据最优的分类模型确定所述被测样品的特征光谱波段。
根据最优的分类模型所对应的特征光谱波段，确定为被测样品核心的特征光谱波段。
进一步，根据确定的被测样品的特征光谱波段，选取输出光谱波段与所述特征光谱波段匹配的光源，作为光谱测试系统的光源。
这样，可选用低成本、易集成的窄带光源(如LED光源等)，来代替原有的价格高、体积大的宽带光源。
因此，本实施例光谱测试系统光源设计方法，通过对被测样品的光谱数据进行特征提取和统计分析，找到样品有效的特征光谱波段，来针对性地设计和改进光源，避免采用宽光谱波段的光源，可降低光源制造成本及运行维护成本，也有利于实现设备小型化。
另外，在光谱分析中，特征选取是数据分析中的一重要部分，特征选择结果的好坏直接影响着数据分类器的分类精度和泛化性能。现有方法中，采用宽光谱波段的辐射光源，测试得到的是全波段光谱数据，存在大量冗余信息，难以找到有效光谱特征信息，给数据分析造成较大难度。利用测试得到的全波段光谱数据来设计分类器，无论从计算开销还是从分类器性能来说都不合时宜。此外，近红外特征和分类器性能之间并不存在线性关系，当特征数量超过一定限度时，会导致分类器性能变坏。
而通过本实施例方法，采用与样品的核心特征光谱波段匹配的光源，对数据分析带来很大方便，精简有效的数据可以提高分析模型的性能，使分类器的稳定性、准确度都有较大的提高；另外，数据量的减小也使得分析模型的计算量大大减小，使其也能应用于对分析速度有较高要求的实时检测场合。
另外，本实施例光谱测试系统光源设计方法中，在步骤S10中对被测样品进行光谱测试获得光谱数据时，也能够以多个波段范围的光分别投射到被测样品，分别对被测样品进行光谱测试，所述多个波段范围的光的总波段范围大于所述被测样品的特征光谱波段，然后以测试得到的光谱数据进行特征数据筛选和提取，进行模型训练。
可选的，本实施例方法中，可采用如下光谱测试系统对被测样品进行光谱测试。请参考图2，所述光谱测试系统包括光源装置100、传导光纤101和光谱仪102；
所述传导光纤101包括主体段、由所述主体段一端分出的第一分束和第二分束；
所述光源装置100用于产生辐射光，输入所述第一分束，辐射光由所述主体段另一端投射到被测样品，由所述被测样品产生的反射光进入所述传导光纤101，由所述第二分束输出至所述光谱仪102；
所述光谱仪102用于接收输出光，将接收到的光谱转换为光谱数据。
采用本光谱测试系统对被测样品进行光谱测试，光源装置100产生辐射光，辐射光通过传导光纤101第一分束输入，沿传导光纤101传播，由传导光纤主体段另一端投射到被测样品，光照射到被测样品发生漫反射；被测样品产生的反射光进入传导光纤101，由第二分束输出至光谱仪102，光谱仪将接收到的光谱转换为光谱数据。
进一步的，设置与光谱仪连接的数据处理装置，通过数据处理装置对获得的光谱数据进行特征数据筛选，获取特征数据子集，并以所述特征数据子集重新构建光谱数据；以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定被测样品的特征光谱波段。
本实施例光谱测试系统具体可应用于对样品进行近红外光谱测试，其中可选的，所述光源装置100可采用卤素灯或者汞灯。
本实施例光谱测试系统光源设计方法，不仅仅可应用于近红外波段，还可应用于其它电磁波波段。
以上对本发明所提供的一种光谱测试系统光源设计方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种光谱测试系统光源设计方法，其特征在于，包括：
以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试，获得所述被测样品的光谱数据；
对获得的光谱数据进行特征数据筛选和提取，获得特征数据子集，并以所述特征数据子集重新构建光谱数据；
以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定所述被测样品的特征光谱波段，选取输出光谱波段与所述被测样品的特征光谱波段匹配的光源作为光谱测试系统的光源。
2.根据权利要求1所述的光谱测试系统光源设计方法，其特征在于，所述以重新构建的光谱数据进行模型学习和训练，根据训练得到的分类模型确定所述被测样品的特征光谱波段包括：
以重新构建的光谱数据进行模型学习和训练，得到初步分类模型；
以所述初步分类模型对作为测试数据的光谱数据进行特征数据筛选，并进行模型评价，根据评价结果动态调整特征筛选参数和模型参数，得到最优的特征筛选参数和分类模型；
根据最优的分类模型确定所述被测样品的特征光谱波段。
3.根据权利要求2所述的光谱测试系统光源设计方法，其特征在于，以重新构建的光谱数据进行模型学习和训练，得到初步分类模型的方法包括交叉验证、随机组合特征数据子集。
4.根据权利要求1所述的光谱测试系统光源设计方法，其特征在于，对获得的光谱数据进行特征数据筛选的方法包括卡方检验、相关分析法或者主成分分析法。
5.根据权利要求1所述的光谱测试系统光源设计方法，其特征在于，所述以波段范围大于被测样品的特征光谱波段的测试光投射到被测样品，对被测样品进行光谱测试包括：
以多个波段范围的光分别投射到被测样品，分别对被测样品进行光谱测试，所述多个波段范围的光的总波段范围大于所述被测样品的特征光谱波段。
6.根据权利要求1所述的光谱测试系统光源设计方法，其特征在于，所述光谱测试系统包括光源装置、传导光纤和光谱仪；
所述传导光纤包括主体段、由所述主体段一端分出的第一分束和第二分束；
所述光源装置用于产生辐射光，输入所述第一分束，辐射光由所述主体段另一端投射到被测样品，由所述被测样品产生的反射光进入所述传导光纤，由所述第二分束输出至所述光谱仪；
所述光谱仪用于接收输出光，将接收到的光谱转换为光谱数据。
7.根据权利要求6所述的光谱测试系统光源设计方法，其特征在于，所述光源装置包括卤素灯或者汞灯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710248865.3A CN107014756A (zh) | 2017-04-17 | 2017-04-17 | 一种光谱测试系统光源设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710248865.3A CN107014756A (zh) | 2017-04-17 | 2017-04-17 | 一种光谱测试系统光源设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107014756A true CN107014756A (zh) | 2017-08-04 |
Family
ID=59447200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710248865.3A Pending CN107014756A (zh) | 2017-04-17 | 2017-04-17 | 一种光谱测试系统光源设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107014756A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108429589A (zh) * | 2018-01-29 | 2018-08-21 | 清华大学 | 光谱分析方法及多节点光谱协同分析方法 |
| CN108814592A (zh) * | 2018-04-24 | 2018-11-16 | 哈尔滨工业大学 | 基于小波能量判定癫痫发作前脑电信号的方法及系统 |
| CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080043469A1 (en) * | 2006-06-05 | 2008-02-21 | Olympus Corporation | Lighting device and microscope system |
| CN101275912A (zh) * | 2008-05-08 | 2008-10-01 | 中国农业大学 | 一种液体食品褐变检测方法 |
| CN101788459A (zh) * | 2010-02-08 | 2010-07-28 | 暨南大学 | 一种准连续方式的分光波长组合方法 |
| 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 |
| CN103543123A (zh) * | 2013-10-08 | 2014-01-29 | 江南大学 | 一种掺假牛奶的红外光谱识别方法 |
| US20150042999A1 (en) * | 2011-07-28 | 2015-02-12 | Asml Netherlands B.V. | Illumination Source for use in Inspection Methods and/or Lithography; Inspection and Lithographic Apparatus and Inspection Method |
| CN104749134A (zh) * | 2015-03-31 | 2015-07-01 | 江苏大学 | 一种检测叶菜类作物冠层水分含量的方法 |
| CN104897574A (zh) * | 2015-06-23 | 2015-09-09 | 中国农业大学 | 一种集成光学便携式农畜产品检测器 |
| CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
| CN106092893A (zh) * | 2016-08-17 | 2016-11-09 | 暨南大学 | 一种光谱判别分析的波长优选方法 |
| CN106546558A (zh) * | 2016-11-07 | 2017-03-29 | 江南大学 | 一种基于特征波段的近红外在线检测模型的更新方法 |
-
2017
- 2017-04-17 CN CN201710248865.3A patent/CN107014756A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080043469A1 (en) * | 2006-06-05 | 2008-02-21 | Olympus Corporation | Lighting device and microscope system |
| CN101275912A (zh) * | 2008-05-08 | 2008-10-01 | 中国农业大学 | 一种液体食品褐变检测方法 |
| CN101788459A (zh) * | 2010-02-08 | 2010-07-28 | 暨南大学 | 一种准连续方式的分光波长组合方法 |
| US20150042999A1 (en) * | 2011-07-28 | 2015-02-12 | Asml Netherlands B.V. | Illumination Source for use in Inspection Methods and/or Lithography; Inspection and Lithographic Apparatus and Inspection Method |
| 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 |
| CN103543123A (zh) * | 2013-10-08 | 2014-01-29 | 江南大学 | 一种掺假牛奶的红外光谱识别方法 |
| CN104749134A (zh) * | 2015-03-31 | 2015-07-01 | 江苏大学 | 一种检测叶菜类作物冠层水分含量的方法 |
| CN104897574A (zh) * | 2015-06-23 | 2015-09-09 | 中国农业大学 | 一种集成光学便携式农畜产品检测器 |
| CN105334186A (zh) * | 2015-12-10 | 2016-02-17 | 山东大学 | 一种近红外光谱分析方法 |
| CN106092893A (zh) * | 2016-08-17 | 2016-11-09 | 暨南大学 | 一种光谱判别分析的波长优选方法 |
| CN106546558A (zh) * | 2016-11-07 | 2017-03-29 | 江南大学 | 一种基于特征波段的近红外在线检测模型的更新方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108429589A (zh) * | 2018-01-29 | 2018-08-21 | 清华大学 | 光谱分析方法及多节点光谱协同分析方法 |
| CN108814592A (zh) * | 2018-04-24 | 2018-11-16 | 哈尔滨工业大学 | 基于小波能量判定癫痫发作前脑电信号的方法及系统 |
| CN108872140A (zh) * | 2018-05-09 | 2018-11-23 | 塔里木大学 | 一种户外监测红枣品质的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
| He et al. | Discrimination of varieties of tea using near infrared spectroscopy by principal component analysis and BP model | |
| CN102564993A (zh) | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 | |
| CN107014756A (zh) | 一种光谱测试系统光源设计方法 | |
| CN101762586B (zh) | 测定和展示钻石光学效果的方法 | |
| CN103063585A (zh) | 瓜果成熟度快速无损检测装置及检测系统建立方法 | |
| WO2023231902A1 (zh) | 适用于检测农产品中番茄红素含量的光谱检测方法 | |
| CN108362702A (zh) | 一种基于人工智能的单板缺陷检测方法、系统及设备 | |
| CN105548066A (zh) | 一种胶体种类区分方法及系统 | |
| CN107044959A (zh) | 显微多模态融合光谱检测系统 | |
| CN206557053U (zh) | 一种油品质量检测装置 | |
| CN103543107A (zh) | 基于机器视觉和高光谱技术的烟叶智能分级系统和方法 | |
| CN107220625A (zh) | 一种对样品的libs光谱自动识别分类方法 | |
| CN104318249A (zh) | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 | |
| CN103487397A (zh) | 一种雷竹笋硬度快速检测方法及装置 | |
| CN108535258A (zh) | 一种快速无损判别区分软玉产地的方法 | |
| CN106546325A (zh) | 一种光度学测试的光谱校正方法 | |
| CN107091820A (zh) | 激光散射式水浊度测量仪 | |
| CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 | |
| WO2023231903A1 (zh) | 适用于检测农产品中微量元素的光谱仪及其应用 | |
| CN117949429A (zh) | 基于拉曼光谱和多模态混合式模型的杏仁产地鉴别方法 | |
| CN107389566A (zh) | 一种用于光谱仪中收集样品漫反射光的装置 | |
| CN107462528A (zh) | 一种多通道光谱检测红枣品质的方法 | |
| Niu et al. | Tobacco shred varieties classification using Multi-Scale-X-ResNet network and machine vision | |
| CN115165848A (zh) | 基于激光诱导击穿光谱的中药重金属定量检测方法及系统 |
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: 20170804 |
|
| RJ01 | Rejection of invention patent application after publication |