CN107202784A - 一种水稻浸种催芽过程中工艺节点的检测方法 - Google Patents
一种水稻浸种催芽过程中工艺节点的检测方法 Download PDFInfo
- Publication number
- CN107202784A CN107202784A CN201710294235.XA CN201710294235A CN107202784A CN 107202784 A CN107202784 A CN 107202784A CN 201710294235 A CN201710294235 A CN 201710294235A CN 107202784 A CN107202784 A CN 107202784A
- Authority
- CN
- China
- Prior art keywords
- sample
- process node
- seed
- rice
- seed soaking
- 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.)
- Granted
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种水稻浸种催芽过程中工艺节点的检测方法,包括样本材料的收集、种子浸种催芽实验及不同工艺节点拉曼光谱数据测量、光谱预处理、样本集划分、数据降维、模型建立和节点分析步骤。该方法通过测量种子拉曼光谱数据的变化,实现水稻浸种完成、破胸完成和催芽完成三个关键工艺节点的无损、快速检测。
Description
技术领域
本发明属于水稻催芽率技术领域,具体涉及一种水稻浸种催芽过程中工艺节点的检测方法。
背景技术
水稻是世界上重要的粮食作物,也是我国最主要的粮食作物之一,据2014年国家统计局统计数据显示,水稻种植面积约占粮食作物播种面积的26.89%,水稻产量约占粮食总产量的34.02%,因此,水稻的安全生产直接关系到国家粮食安全问题。水稻的生产包括浸种催芽、育秧及本田种植三个阶段,若要使水稻优质高产,提高芽种出芽率进而培育壮秧是关键。
目前,水稻浸种催芽方法主要包括手工浸种催芽老办法和温控浸种催芽新办法,不论哪种方法,因浸种催芽的不同阶段对温度、水分及氧气的要求不同,只有使种子在适宜的环境条件下才能尽早发芽并提高出芽率,故掌握浸种完成、破胸完成、催芽完成等重要工艺节点非常关键。
长期以来,检测浸种完成、破胸完成、催芽完成工艺节点的方法主要为人工观测法,通过观察种子外表颜色、状态及手动折断米粒并捻成粉末等方式判断各工艺节点。其中,以水稻种子颖壳表面颜色变深,种子呈半透明状态,透过颖壳可以看到腹白和种胚,剥去颖壳后米粒易掐断,手捻成粉末,没有生芯作为浸种完成指标;以水稻种子破胸露白为破胸完成指标;以种子出芽的长度达到完全出芽的标准作为催芽完成指标。当前浸种催芽各阶段是否完成需要人工观测,不利于浸种催芽的自动化检测和控制;加之不同工艺节点时间不定,往往在夜间到达,需要大量的人力、物力,工作量大、检测结果的一致性差。
拉曼光谱技术是基于拉曼散射效应而发展起来的光谱分析技术,研究的是分子振动、转动信息。随着激光光源的不断发展,拉曼光谱在食品、生物监测、医药、刑事司法、石油化工、地质考古、宝石鉴定等领域都已得到广泛应用。与常规化学分析技术相比,该方法具有检测时间短、操作简单、所需样本量少、样本无需特殊预处理等特点,更适合进行农产品量变过程检测。然而,并未见其在水稻浸种催芽过程检测中的应用。
因此,我们急需建立一套基于拉曼光谱的检测技术,能够简单、快速、准确的检测浸种催芽过程各工艺节点。
发明内容
本发明提供的一种水稻浸种催芽过程中工艺节点的检测方法,利用水稻种子催芽过程中拉曼光谱信息实现水稻浸种完成、破胸完成和催芽完成三个关键工艺节点的快速检测,解决了以往采用人工观测方法需要大量的人力、物力,工作量大、检测结果的一致性差的问题。
本发明的目的是提供一种水稻浸种催芽过程中工艺节点的检测方法,包括以下步骤:
S1,样本材料的收集:随机选取发育良好、形态完整的水稻种子,备用;
S2,种子浸种催芽实验及不同工艺节点拉曼光谱数据测量;
S3,光谱预处理:对原始光谱数据进行三次多项式23点S-G光滑处理、二阶导数处理、基线校正,选取信息丰富的400~1700cm-1拉曼光谱数据,备用;
S4,样本集划分:利用K-S算法对步骤S3预处理后的拉曼光谱数据进行样本划分,最终将样本划分为训练集样本和预测集样本,训练集样本用于训练模型的建立,预测集样本用于检验模型的准确度;
S5,数据降维:利用主成分分析方法分别对训练集样本和预测集样本中所有样本的光谱数据进行降维处理,得出方差贡献率最大的前10个主成分,每个样本利用前10个主成分的得分数据作为该样本的输入变量,代替该样本的原始数据,进行下一步模型建立;
S6,模型建立:采用matlab软件中的LS-SVM工具箱,输入工艺节点数值和S5得到的输入变量,进行模型建立;
S7,节点分析
在LS-SVM工具箱中输入实测数据以及S6中建立的模型,根据输出的实测工艺节点数值判断当前水稻种子所处的工艺节点。
优选的,上述水稻浸种催芽过程中工艺节点的检测方法中,所述不同工艺节点包括浸种完成工艺节点、破胸完成工艺节点和催芽完成工艺节点。
优选的,上述水稻浸种催芽过程中工艺节点的检测方法中,S2中,所述种子浸种催芽实验包括浸种过程、破胸过程和催芽过程;
其中,所述浸种过程的操作步骤为:用盐水清洗水稻种子样本,然后将清洗后的水稻种子样本放置于器皿中加水浸泡,并将水温控制在15℃,直至水稻种子样本浸种结束,达到第一个关键的浸种完成工艺节点;
所述破胸过程的操作步骤为:对水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在30~32℃,每隔3~4h,直至水稻种子样本破胸结束,达到第二个关键的破胸完成工艺节点;
所述催芽过程的操作步骤为:对水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在25-28℃,每隔3~4h,直至水稻种子样本催芽结束,达到第三个关键的催芽完成工艺节点。
优选的,上述水稻浸种催芽过程中工艺节点的检测方法中,所述盐水的浓度为0.9g/100g。
优选的,上述水稻浸种催芽过程中工艺节点的检测方法中,S6中,所述工艺节点数值是不同工艺节点对应的标准值,浸种完成工艺节点、破胸完成工艺节点和催芽完成工艺节点的工艺节点数值分别是1、2、3。
优选的,上述水稻浸种催芽过程中工艺节点的检测方法中,S7中,所述实测数据为实际测量的拉曼光谱数据经光谱处理、样本计划分、数据降维后得到的。
与现有技术相比,本发明提供的水稻浸种催芽过程中工艺节点的检测方法,具有以下有益效果:
通过测量种子拉曼光谱数据的变化,实现水稻浸种完成、破胸完成和催芽完成三个关键工艺节点的无损、快速检测,可以利用水稻种子催芽过程中拉曼光谱信息定性估算种子有机物质成分变化情况,为种子有机物质成分简单、快速、准确测量提供一种新的检测方法和手段。
附图说明
图1为浸种完成工艺节点所有水稻种子样本的原始拉曼光谱图;
图2为破胸完成工艺节点所有水稻种子样本的原始拉曼光谱图;
图3为催芽完成工艺节点所有水稻种子样本的原始拉曼光谱图;
图4为浸种完成工艺节点所有水稻种子样本预处理后的拉曼光谱图;
图5为破胸完成工艺节点所有水稻种子样本预处理后的拉曼光谱图;
图6为催芽完成工艺节点所有水稻种子样本预处理后的拉曼光谱图。
具体实施方式
下面结合具体实施例对本发明进行详细说明,但不应理解为本发明的限制。下面实施例中如未注明具体条件的实验方法,均按照本领域的常规方法和条件进行。
实施例1
本发明提供的水稻浸种催芽过程中工艺节点的检测方法,包括以下步骤:
S1,样本材料的收集
收集水稻种子样本,用于进行浸种催芽实验,实验前对种子进行筛选,去掉瘪粒、断粒、虫洞粒,随机选取发育良好、形态完整的2015年收获龙粳31水稻种子2kg,然后进行种子浸种催芽实验。
S2,种子浸种催芽实验及不同工艺节点拉曼光谱数据测量
S21,浸种过程:用0.9g/100g的盐水清洗2kg的水稻种子样本,然后将清洗后的水稻种子样本放置于器皿中加水浸泡,并将水温控制在15℃,直至水稻种子样本浸种结束,达到第一个关键的浸种完成工艺节点,并在浸种完成工艺节点时取水稻种子样本30粒进行拉曼光谱数据采集,备用,其中拉曼光谱数据采集方法具体包括:
采用小于5mW的低激发功率,每个种子不同位置进行多次重复检测,扫描次数为4,积分时间为4s,获取200~3400cm-1范围的拉曼光谱数据,以种子不同位置的平均光谱数据作为最后的该种子的分析基础数据,测量不同位置是为了消除样本不均匀带来的误差。
其中,浸种完成的水稻样本种子状态为:水稻种子呈半透明状态,透过颖壳可以看到腹白和种胚,剥去颖壳后米粒易掐断,手捻成粉末、没有生芯。
S22,破胸过程:对剩余的水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在30~32℃,直至水稻种子样本破胸结束,达到第二个关键的破胸完成工艺节点。在破胸完成工艺节点时取水稻种子样本30粒进行拉曼光谱数据采集,备用,其中拉曼光谱数据采集方法同S21。
其中,破胸完成的水稻样本种子状态为:水稻种子破胸露白。
S23,催芽过程:对剩余的水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在25-28℃,直至水稻种子样本催芽结束,达到第三个关键的催芽完成工艺节点。并在催芽完成工艺节点时取水稻种子样本30粒进行拉曼光谱数据采集,备用,其中拉曼光谱数据采集方法同S21。
其中,破胸完成的水稻样本种子状态为:水稻种子发芽。
需要说明的是,拉曼光谱图像获取时,剥去种子颖壳,利用美国DeltaNu公司的台式拉曼光谱仪Advantage 532进行种子拉曼光谱图像获取,每粒种子测量不同位置,以平均光谱作为该粒种子的建模或预测数据,光谱采集过程在暗室内进行并保证环境温度恒定,以减少外界环境因素对测量结果的干扰。该数据用于水稻浸种催芽不同工艺节点的光谱对照使用。
其中,浸种完成、破胸完成、催芽完成三个工艺节点每个30个样本,除此之外的其他时期,总称为“普通浸种阶段”,“普通浸种阶段”随机选取30个样本采集拉曼光谱数据,备用。
S3,光谱预处理
为了消除样本不均匀、基线偏移、噪声信号等带来的测量影响,对采集到的光谱数据进行预处理是必不可少的。利用拉曼光谱仪自带软件Nuspec对原始光谱数据对上述获得的所有拉曼光谱数据进行三次多项式23点S-G光滑处理、二阶导数处理、基线校正,选取信息丰富的400~1700cm-1拉曼光谱数据,备用。
其中,水稻种子浸种完成工艺节点、破胸完成工艺节点、催芽完成工艺节点的原始拉曼光谱分别如图1、图2和图3所示;预处理后的拉曼光谱分别如图4、图5和图6所示。
S4,样本集划分
利用MATLAB软件编写Kennard-Stone(K-S)算法对步骤S3预处理后的拉曼光谱数据进行样本划分。采用样本选择方法的原理是通过计算样本的欧式距离来进行不同样本集划分,最终将样本划分为训练集样本和预测集样本,训练集样本用于训练模型的建立,预测集样本用于检验模型的准确度。样本信息如表1所示,在K-S算法中以总体样本数量的2/3作为训练集(样本数量为20个),以总体样本数量的1/3作为预测集(样本数量为10个)。
表1样本信息表
S5,数据降维
利用主成分分析方法对浸种完成工艺节点、破胸期工艺节点、催芽完成工艺节点及普通浸种阶段的训练集样本和预测集样本光谱数据进行降维处理,从大到小排列主成分,得出方差贡献率最大的前10个主成分,分别是PC1、PC2、PC3、PC4、PC5、PC6、PC7、PC8、PC9、PC10,同时得出每个样本与上述10个主成分之间的得分数据(得分数据用于表征该样本与各主成分之间的相关度);
每个样本利用前10个主成分的得分数据作为该样本的输入变量,代替该样本的原始数据,进行下一步模型建立。成分分析降维处理结果见表2,方差贡献率最大的前10个主成分累计贡献率达99.988%,可替代原始数据。
每个样本对应一组输入变量,且每组输入变量均有PC1-PC10这10个主成分的得分数据,训练集样本共计80组输入变量,建模时共计80行*10列的得分数据;训练集部分样本的得分数据见表3,由于样本量数据太多,表3仅举出几个例子作为代表,用以证明方法的可行性。预测集样本共计40组输入变量,检验模型是使用40行*10列的得分数据。
表2主成分特征值及贡献率
表3训练集部分样本的得分数据
对样本进行主成分分析(PCA),以达到数据降维的目的,通过对原始数据进行变量转换,采用少数新变量代替原变量而不丢失原变量数据特征信息的方法,有效消除了变量的多重共线性问题。主成分数的确定通常使累计方差贡献率大于85~95%,所需的主成分数即能够代表原始变量所能提供的绝大部分信息。
S6,模型建立
采用matlab软件中的LS-SVM工具箱,输入S5得到的输入变量,进行模型建立及检验;
模型建立具体操作如下:
(1)将S5得到的训练集样本的输入变量作为X值,共计80组X值;
所述工艺节点数值是浸种完成工艺节点、破胸完成工艺节点、催芽完成工艺节点和普通浸种阶段对应的标准值Y,浸种完成工艺节点、破胸完成工艺节点、催芽完成工艺节点和普通浸种阶段的Y值分别定义为1、2、3、4。
(2)在LS-SVM工具箱的命令窗口输入指令[yp,alpha,b,gam,sig2,model]=lssvm(X,Y,'c','RBF_kernel'),则软件自动生成model集。
其中,X是S5中得到的训练集样本的输入变量(80行*10列的得分数据),Y是工艺节点数值,c是LS-SVM工具箱中的classfication分类窗口,RBF_kernel是采用LS-SVM工具箱中的径向基函数RBF作为核函数;yp是训练集样本的数据进行建立模型时得到的model相比于训练集样本的识别准确度,alpha是拉格朗日乘子,b是LS-SVM的偏差项,gam是正则化参数,sig2是使用的RBF核函数的参数。
模型检验具体操作如下:
(1)将S5得到的预测集样本的输入变量(40行*10列的得分数据)作为Xt值,共计40组Xt值;
(2)在LS-SVM工具箱的命令窗口输入指令Yt=simlssvm(model,Xt),其中,Xt是S5中得到的预测集样本的输入变量,将LS-SVM工具箱输出的Yt与模型建立是采用的工艺节点数值相比较,训练集的训练模型整体正确率达91.25%,预测集整体正确率达80%,结果参见表4,可以实现对水稻浸种催芽过程关键工艺节点的检测。
表4 LS-SVM预测结果
S7,节点分析
在LS-SVM工具箱中输入实测数据以及S6中建立的模型,根据输出的实测工艺节点数值判断当前水稻种子所处的工艺节点。
具体按照以下步骤操作:
(1)将待测水稻种子的拉曼光谱数据经光谱处理、样本计划分、数据降维后得到的实测数据作为输入变量Xt,
(2)在LS-SVM工具箱的命令窗口输入指令Yt=simlssvm(model,Xt),其中的model为S6建立的模型,将LS-SVM工具箱输出的Yt与工艺节点数值相比较,判断当前水稻种子所处的工艺节点;
如果输出的Yt等于1则当前水稻种子处于浸种完成工艺节点;如果输出的Yt等于2则当前水稻种子处于破胸完成工艺节点;如果输出的Yt等于3则当前水稻种子处于催芽完成工艺节点;如果输出的Yt等于4则当前水稻种子处于普通浸种阶段。
需要说明的是,本实施例中采用的工艺节点数值是为了便于比较而定义的标准值,该数值也可以定义为其他便于比较的数值,只要标准统一即可,具体数值不受限制。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种水稻浸种催芽过程中工艺节点的检测方法,其特征在于,包括以下步骤:
S1,样本材料的收集:随机选取发育良好、形态完整的水稻种子,备用;
S2,种子浸种催芽实验及不同工艺节点拉曼光谱数据测量;
S3,光谱预处理:对原始光谱数据进行三次多项式23点S-G光滑处理、二阶导数处理、基线校正,选取信息丰富的400~1700cm-1拉曼光谱数据,备用;
S4,样本集划分:利用K-S算法对步骤S3预处理后的拉曼光谱数据进行样本划分,最终将样本划分为训练集样本和预测集样本,训练集样本用于训练模型的建立,预测集样本用于检验模型的准确度;
S5,数据降维:利用主成分分析方法分别对训练集样本和预测集样本中所有样本的光谱数据进行降维处理,得出方差贡献率最大的前10个主成分,每个样本利用前10个主成分的得分数据作为该样本的输入变量,代替该样本的原始数据,进行下一步模型建立;
S6,模型建立:采用matlab软件中的LS-SVM工具箱,输入工艺节点数值和S5得到的输入变量,进行模型建立;
S7,节点分析
在LS-SVM工具箱中输入实测数据以及S6中建立的模型,根据输出的实测工艺节点数值判断当前水稻种子所处的工艺节点。
2.根据权利要求1所述的水稻浸种催芽过程中工艺节点的检测方法,其特征在于,所述不同工艺节点包括:浸种完成工艺节点、破胸完成工艺节点和催芽完成工艺节点。
3.根据权利要求2所述的水稻浸种催芽过程中工艺节点的检测方法,其特征在于,S2中,所述种子浸种催芽实验包括浸种过程、破胸过程和催芽过程;
其中,所述浸种过程的操作步骤为:用盐水清洗水稻种子样本,然后将清洗后的水稻种子样本放置于器皿中加水浸泡,并将水温控制在15℃,直至水稻种子样本浸种结束,达到第一个关键的浸种完成工艺节点;
所述破胸过程的操作步骤为:对水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在30~32℃,每隔3~4h,直至水稻种子样本破胸结束,达到第二个关键的破胸完成工艺节点;
所述催芽过程的操作步骤为:对水稻种子样本继续进行浸种催芽实验,将器皿中水温控制在25-28℃,每隔3~4h,直至水稻种子样本催芽结束,达到第三个关键的催芽完成工艺节点。
4.根据权利要求3所述的水稻浸种催芽过程中工艺节点的检测方法,其特征在于,所述盐水的浓度为0.9g/100g。
5.根据权利要求2所述的水稻浸种催芽过程中工艺节点的检测方法,其特征在于,S6中,所述工艺节点数值是不同工艺节点对应的标准值,浸种完成工艺节点、破胸完成工艺节点和催芽完成工艺节点的工艺节点数值分别是1、2、3。
6.根据权利要求2所述的水稻浸种催芽过程中工艺节点的检测方法,其特征在于,S7中,所述实测数据为实际测量的拉曼光谱数据经光谱处理、样本计划分、数据降维后得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294235.XA CN107202784B (zh) | 2017-04-28 | 2017-04-28 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294235.XA CN107202784B (zh) | 2017-04-28 | 2017-04-28 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107202784A true CN107202784A (zh) | 2017-09-26 |
CN107202784B CN107202784B (zh) | 2020-01-24 |
Family
ID=59905068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710294235.XA Active CN107202784B (zh) | 2017-04-28 | 2017-04-28 | 一种水稻浸种催芽过程中工艺节点的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107202784B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
CN110537466A (zh) * | 2019-09-30 | 2019-12-06 | 毕节市农业科学研究所 | 一种粳稻高产的培育方法 |
CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
CN111738287A (zh) * | 2020-04-03 | 2020-10-02 | 南京林业大学 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060160065A1 (en) * | 1998-06-01 | 2006-07-20 | Roger Timmis | Method for classifying plant embryos using Raman spectroscopy |
CN202232067U (zh) * | 2011-09-05 | 2012-05-30 | 黑龙江八一农垦大学 | 自动控温水稻种子浸种催芽装置 |
CN103004321A (zh) * | 2012-12-22 | 2013-04-03 | 程太平 | 一种水稻种子催芽方法 |
-
2017
- 2017-04-28 CN CN201710294235.XA patent/CN107202784B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060160065A1 (en) * | 1998-06-01 | 2006-07-20 | Roger Timmis | Method for classifying plant embryos using Raman spectroscopy |
CN202232067U (zh) * | 2011-09-05 | 2012-05-30 | 黑龙江八一农垦大学 | 自动控温水稻种子浸种催芽装置 |
CN103004321A (zh) * | 2012-12-22 | 2013-04-03 | 程太平 | 一种水稻种子催芽方法 |
Non-Patent Citations (1)
Title |
---|
YUYING JIANG等: "Early detection of germinated wheat grains using terahertz image and chemometrics", 《SCIENTIFIC REPORTS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082309A (zh) * | 2019-05-20 | 2019-08-02 | 中国水利水电科学研究院 | 冬小麦冠层spad值综合光谱监测模型建立方法 |
CN110537466A (zh) * | 2019-09-30 | 2019-12-06 | 毕节市农业科学研究所 | 一种粳稻高产的培育方法 |
CN111738287A (zh) * | 2020-04-03 | 2020-10-02 | 南京林业大学 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
CN111562273A (zh) * | 2020-06-05 | 2020-08-21 | 大连工业大学 | 基于高光谱的鱼水射流除鳞轻微损伤可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107202784B (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107202784A (zh) | 一种水稻浸种催芽过程中工艺节点的检测方法 | |
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
Xu et al. | Determination of rice root density from Vis–NIR spectroscopy by support vector machine regression and spectral variable selection techniques | |
Wu et al. | Practicability investigation of using near-infrared hyperspectral imaging to detect rice kernels infected with rice false smut in different conditions | |
Dreccer et al. | Quantitative dynamics of stem water soluble carbohydrates in wheat can be monitored in the field using hyperspectral reflectance | |
Fan et al. | Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies | |
Zhang et al. | Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels | |
Kong et al. | Fast detection of peroxidase (POD) activity in tomato leaves which infected with Botrytis cinerea using hyperspectral imaging | |
Žibrat et al. | Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes | |
Jin et al. | Predicting the nutrition deficiency of fresh pear leaves with a miniature near-infrared spectrometer in the laboratory | |
CN112630184B (zh) | 一种棉花黄萎病病害发生表型识别的方法 | |
Shi et al. | Characterization of invisible symptoms caused by early phosphorus deficiency in cucumber plants using near-infrared hyperspectral imaging technology | |
IL296019A (en) | A method for estimating the level of nitrogen in plants by measuring the reflectance of ultra-red radiation in the short to visible range in carbon spectroscopy | |
He et al. | Study on the identification of resistance of rice blast based on near infrared spectroscopy | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
Wang et al. | Prediction of N, P, and K contents in sugarcane leaves by VIS-NIR spectroscopy and modeling of NPK interaction effects | |
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 | |
Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
CN107314985A (zh) | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 | |
CN110596048A (zh) | 一种光谱速测烟草叶片中钾含量的方法 | |
Ropelewska et al. | Discrimination of onion subjected to drought and normal watering mode based on fluorescence spectroscopic data | |
CN105891130B (zh) | 一种校正不同光谱信息确定物质信息误差的方法 | |
Wu et al. | Study on CAT activity of tomato leaf cells under salt stress based on microhyperspectral imaging and transfer learning algorithm | |
CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
Zhang et al. | Quantitative analysis of cadmium content in tomato leaves based on hyperspectral image and feature selection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |