CN107238587A - 基于光谱技术的蚕蛹雌雄快速无损检测方法 - Google Patents
基于光谱技术的蚕蛹雌雄快速无损检测方法 Download PDFInfo
- Publication number
- CN107238587A CN107238587A CN201710321569.1A CN201710321569A CN107238587A CN 107238587 A CN107238587 A CN 107238587A CN 201710321569 A CN201710321569 A CN 201710321569A CN 107238587 A CN107238587 A CN 107238587A
- Authority
- CN
- China
- Prior art keywords
- silkworm
- spectrum
- raman
- silkworm chrysalis
- male
- 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
- 241000255789 Bombyx mori Species 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 title claims abstract description 27
- 230000001066 destructive effect Effects 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 6
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001237 Raman spectrum Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000006862 quantum yield reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000411 transmission spectrum Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000002189 fluorescence spectrum Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 235000008708 Morus alba Nutrition 0.000 abstract description 3
- 240000000249 Morus alba Species 0.000 abstract description 3
- 238000002329 infrared spectrum Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000009366 sericulture Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G01N21/62—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
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- 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
- 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
- G01N21/62—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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及基于光谱技术的蚕蛹雌雄快速无损检测方法，步骤为：1)甄选不同品种的蚕样品进行光谱扫描；2)对光谱扫描过的该不同品种蚕样品进行破茧雌雄检测；3)构建成茧蚕样本的光学模型；4)搭建光谱采集模块进行光谱采集；5)分离采集到的光谱；6)将分离后的光谱进行预处理并提取特征波长，建立单源光谱的判别模型；7)多源信息融合，得出蚕蛹性别的无损检测结果。本发明以参考数据挖掘、光学技术、光谱分析技术、计算机技术和蚕桑科学已有的研究为基础，采用理论分析和实验验证相结合的方法，对基于拉曼、荧光和近红外光谱多源信息融合的茧壳内蚕蛹雌雄进行无损检测；具有检测精确度高、检测速度快、不会损伤到蚕蛹等优点。
Description
技术领域
本发明涉及蚕蛹雌雄识别的技术领域，尤其涉及到基于光谱技术的蚕蛹雌雄快速无损检测方法。
背景技术
蚕蛹雌雄识别技术无论对蚕种生产还是对蚕丝生产，都具有重要的经济意义。家蚕的雌雄识别技术一直是蚕业工作者想要解决的难题。在蚕业新品种选育及生产上蚕种制造过程中，都需要将不同品系的雌雄蚕蛹分开，进行杂交。据不完全统计，全国每年靠人工鉴别的蚕蛹数目高达数十亿之多，不仅浪费大量的人力物力和时间，而且容易出错。此外雌雄蚕在茧丝质量方面有较大的差别，雄茧的丝质和产量均明显高于雌茧，可缫制高品位的生丝，增加出口创汇。所以探索一种自动识别蚕蛹雌雄的新方法，无论对蚕种生产还是对蚕丝生产，都具有重要的经济意义。
为区别雌雄蚕蛹，人们曾尝试过多方面探索得出各种区别方法，但每种方法均有它的局限性，至今还没有出现一种检测精确度高、检测速度快、不会损伤到蚕蛹的检测方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种检测精确度高、检测速度快、不会损伤到蚕蛹的基于光谱技术的蚕蛹雌雄快速无损检测方法。
为实现上述目的，本发明所提供的技术方案为：方法包括以下步骤：
(1)甄选不同品种的蚕样品进行光谱扫描；
(2)对光谱扫描过的该不同品种蚕样品进行破茧雌雄检测；
(3)构建成茧蚕样本的光学模型；
(4)搭建光谱采集模块进行光谱采集；
(5)分离采集到的光谱；
(6)将分离后的光谱进行预处理并提取特征波长，建立单源光谱的判别模型；
(7)多源信息融合，得出蚕蛹性别的无损鉴别结果。
进一步地，所述步骤(3)构建的光学模型以蒙特卡罗模型为基础，设置吸收系数、折射系数、散射系数以及反射系数，以研究入射光在成茧蚕样本组织中的传播、拉曼光在成茧蚕样本组织中的产生和传播以及荧光在成茧蚕样本组织中的产生和传播。
进一步地，所述拉曼光的产生依据照明光产生拉曼散射光的概率p来估计:
其中，μa为吸收系数，μs为散射系数，RY为拉曼量子产量；为了确定拉曼光子是否在某个特定的散射位置上产生，产生一个0到1之间的随机数，若概率P大于这个随机数，则认为拉曼光子产生，否则，认为没有拉曼光子产生。
进一步地，所述步骤(4)光谱采集模块分为拉曼和荧光混合光谱采集模块和近红外漫透射光谱采集模块。
进一步地，所述光谱预处理前需将取得的拉曼与荧光混合光谱通过扣减环境背景，对积分时间和激发光强度进行归一化，然后使用五次多项式对曲线进行拟合并进行迭代减法，最终分离出拉曼光谱和荧光光谱。
进一步地，建立单源光谱判别模型的具体步骤如下：
1)对光谱进行小波变换除噪；
2)通过SPXY(sample set partitioning based on joint x-y distance)法选取样本，进行样本划分，选出建模样本；
3)进行区间偏最小二乘法处理，优选光谱区；
4)对预选择的波长进行连续投影算法和遗传算法处理，提取特征波长；
5)通过神经网络，偏最小二乘判别分析，支持向量机分类处理，利用光谱区的信息建模；
6)对提起的特征波长进行偏最小二乘判别分析，利用特征波长点组合建模；
7)结合步骤5)和6)选择最优单源光谱数学判别模型。
进一步地，所述多源信息融合具体为：采用两级Dempster-Shafer证据理论进行决策层多源信息融合；而在Dempster-Shafer证据理论融合中通过采用咨询专家、分析多源光谱信息的特异性信息以及采用灰关联分析方法解决基本概率赋值问题。
本方案原理以及优点如下：
本方案以参考数据挖掘、光学技术、光谱分析技术、计算机技术和蚕桑科学已有的研究为基础，采用理论分析和实验验证相结合的方法，对基于拉曼、荧光和近红外光谱多源信息融合的茧壳内蚕蛹雌雄进行无损检测；本方案具有检测精确度高、检测速度快、不会损伤到蚕蛹等优点。
附图说明
图1为本发明的工作流程图；
图2为本发明中建立单源光谱判别模型的流程图；
图3为本发明中两级D-S证据理论进行决策层多源信息融合流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1-3所示，本实施例所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，包括以下步骤：
(1)甄选不同品种的蚕样品进行光谱扫描；
(2)对光谱扫描过的该不同品种蚕样品进行破茧雌雄检测；
(3)构建成茧蚕样本的光学模型：
构建的光学模型以蒙特卡罗模型为基础，设置吸收系数、折射系数、散射系数以及反射系数，以研究入射光在成茧蚕样本组织中的传播、拉曼光在成茧蚕样本组织中的产生和传播以及荧光在成茧蚕样本组织中的产生和传播。
其中，拉曼光的产生依据照明光产生拉曼散射光的概率p来估计:
μa为吸收系数，μs为散射系数，RY为拉曼量子产量；为了确定拉曼光子是否在某个特定的散射位置上产生，产生一个0到1之间的随机数，若概率P大于这个随机数，则认为拉曼光子产生，否则，认为没有拉曼光子产生；
(4)搭建光谱采集模块进行光谱采集：
光谱采集模块分为拉曼和荧光混合光谱采集模块和近红外漫透射光谱采集模块。
(5)分离采集到的光谱：
将取得的拉曼与荧光混合光谱通过扣减环境背景，对积分时间和激发光强度进行归一化，然后使用五次多项式对曲线进行拟合并进行迭代减法，分离出拉曼光谱和荧光光谱；
(6)将分离后的光谱进行预处理并提取特征波长，建立单源光谱的判别模型，具体步骤如下：
1)对光谱进行小波变换除噪；
2)通过SPXY法选取样本，进行样本划分，选出建模样本；
3)进行区间偏最小二乘法处理，优选光谱区；
4)对预选择的波长进行连续投影算法和遗传算法处理，提取特征波长；
5)通过神经网络，偏最小二乘判别分析，支持向量机分类处理，利用光谱区的信息建模；
6)对提起的特征波长进行偏最小二乘判别分析，利用特征波长点组合建模；
7)结合步骤5)和6)选择最优数学判别模型；
(7)多源信息融合，得出蚕蛹性别的无损检测结果：
采用两级Dempster-Shafer证据理论进行决策层多源信息融合；而在Dempster-Shafer证据理论融合中通过采用咨询专家、分析多源光谱信息的特异性信息以及采用灰关联分析方法解决基本概率赋值问题。
本实施例以参考数据挖掘、光学技术、光谱分析技术、计算机技术和蚕桑科学已有的研究为基础，采用理论分析和实验验证相结合的方法，对基于拉曼、荧光和近红外光谱多源信息融合的茧壳内蚕蛹雌雄进行无损检测，具有检测精确度高、检测速度快、不会损伤到蚕蛹等优点。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：包括以下步骤：
(1)甄选不同品种的蚕样品进行光谱扫描；
(2)对光谱扫描过的该不同品种蚕样品进行破茧雌雄检测；
(3)构建成茧蚕样本的光学模型；
(4)搭建光谱采集模块进行光谱采集；
(5)分离采集到的光谱；
(6)将分离后的光谱进行预处理并提取特征波长，建立单源光谱的判别模型；
(7)多源信息融合，得出蚕蛹性别的无损检测结果。
2.根据权利要求1所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述步骤(3)构建的光学模型以蒙特卡罗模型为基础，设置吸收系数、折射系数、散射系数以及反射系数，以研究入射光在成茧蚕样本组织中的传播、拉曼光在成茧蚕样本组织中的产生和传播以及荧光在成茧蚕样本组织中的产生和传播。
3.根据权利要求2所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述拉曼光的产生依据照明光产生拉曼散射光的概率p来估计:
<mrow>
<mi>p</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>&mu;</mi>
<mi>s</mi>
</msub>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>a</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>R</mi>
<mi>Y</mi>
</mrow>
其中，μa为吸收系数，μs为散射系数，RY为拉曼量子产量；为了确定拉曼光子是否在某个特定的散射位置上产生，产生一个0到1之间的随机数，若概率P大于这个随机数，则认为拉曼光子产生，否则，认为没有拉曼光子产生。
4.根据权利要求1所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述步骤(4)光谱采集模块分为拉曼和荧光混合光谱采集模块和近红外漫透射光谱采集模块。
5.根据权利要求1所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述步骤(5)光谱分离的具体步骤如下：将取得的拉曼与荧光混合光谱通过扣减环境背景，对积分时间和激发光强度进行归一化，然后使用五次多项式对曲线进行拟合并进行迭代减法，分离出拉曼光谱和荧光光谱。
6.根据权利要求1所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述步骤(6)的具体步骤如下：
1)对光谱进行小波变换除噪；
2)通过SPXY法选取样本，进行样本划分，选出建模样本；
3)进行区间偏最小二乘法处理，优选光谱区；
4)对预选择的波长进行连续投影算法和遗传算法处理，提取特征波长；
5)通过神经网络，偏最小二乘判别分析，支持向量机分类处理，利用光谱区的信息建模；
6)对提起的特征波长进行偏最小二乘判别分析，利用特征波长点组合建模；
7)结合步骤5)和6)选择最优单源光谱数学判别模型。
7.根据权利要求1所述的基于光谱技术的蚕蛹雌雄快速无损检测方法，其特征在于：所述步骤(7)多源信息融合具体为：采用两级Dempster-Shafer证据理论进行决策层多源信息融合；而在Dempster-Shafer证据理论融合中通过采用咨询专家、分析多源光谱信息的特异性信息以及采用灰关联分析方法解决基本概率赋值问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321569.1A CN107238587A (zh) | 2017-05-09 | 2017-05-09 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321569.1A CN107238587A (zh) | 2017-05-09 | 2017-05-09 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107238587A true CN107238587A (zh) | 2017-10-10 |
Family
ID=59984959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710321569.1A Pending CN107238587A (zh) | 2017-05-09 | 2017-05-09 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107238587A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362652A (zh) * | 2018-03-02 | 2018-08-03 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
| CN108802002A (zh) * | 2018-05-08 | 2018-11-13 | 华南农业大学 | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 |
| CN109142248A (zh) * | 2018-08-27 | 2019-01-04 | 华中农业大学 | 早期鸡胚雌雄识别的方法 |
| CN109580526A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别人体性别的红外光谱分析方法 |
| CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
| CN110899146A (zh) * | 2019-04-25 | 2020-03-24 | 华南农业大学 | 一种茧中蚕蛹自动分拣装置 |
| CN111693488A (zh) * | 2020-06-08 | 2020-09-22 | 济南大学 | 基于ds证据理论融合的水果等级分类方法及系统 |
| CN113435115A (zh) * | 2021-06-21 | 2021-09-24 | 安徽理工大学 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
| CN113970539A (zh) * | 2021-10-08 | 2022-01-25 | 上海交通大学 | 一种快速检测包装容器内物质的拉曼光谱方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007071620A (ja) * | 2005-09-06 | 2007-03-22 | Kajitsu Hihakai Hinshitsu Kenkyusho:Kk | 蚕蛹の雌雄を判別する方法と装置 |
| CN101462112A (zh) * | 2009-01-12 | 2009-06-24 | 浙江省农业科学院 | 雌雄蚕卵激光分选仪及分选方法 |
| CN105842224A (zh) * | 2016-03-23 | 2016-08-10 | 中国科学院上海技术物理研究所 | 基于红外拉曼紫外荧光超连续谱的血液鉴别方法 |
| CN106198448A (zh) * | 2016-07-17 | 2016-12-07 | 北京化工大学 | 一种自动高速无损分拣活体雌雄蚕蛹或者活体雌雄蚕茧的工艺 |
-
2017
- 2017-05-09 CN CN201710321569.1A patent/CN107238587A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007071620A (ja) * | 2005-09-06 | 2007-03-22 | Kajitsu Hihakai Hinshitsu Kenkyusho:Kk | 蚕蛹の雌雄を判別する方法と装置 |
| CN101462112A (zh) * | 2009-01-12 | 2009-06-24 | 浙江省农业科学院 | 雌雄蚕卵激光分选仪及分选方法 |
| CN105842224A (zh) * | 2016-03-23 | 2016-08-10 | 中国科学院上海技术物理研究所 | 基于红外拉曼紫外荧光超连续谱的血液鉴别方法 |
| CN106198448A (zh) * | 2016-07-17 | 2016-12-07 | 北京化工大学 | 一种自动高速无损分拣活体雌雄蚕蛹或者活体雌雄蚕茧的工艺 |
Non-Patent Citations (4)
| Title |
|---|
| TONGMING JIN等: "Differentiation of male, female and dead", 《NEAR INFRARED SPECTROSC》 * |
| 代芬等: "基于近红外漫透射光谱信息的蚕茧雌雄检测", 《农业机械学报》 * |
| 代芬等: "近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种", 《光谱学与光谱分析》 * |
| 涂斌等: "基于多元光谱特征融合技术的花生油掺伪检测", 《食品与发酵工程》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108362652A (zh) * | 2018-03-02 | 2018-08-03 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
| CN108362652B (zh) * | 2018-03-02 | 2020-06-09 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
| CN108802002B (zh) * | 2018-05-08 | 2020-11-17 | 华南农业大学 | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 |
| CN108802002A (zh) * | 2018-05-08 | 2018-11-13 | 华南农业大学 | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 |
| CN109142248A (zh) * | 2018-08-27 | 2019-01-04 | 华中农业大学 | 早期鸡胚雌雄识别的方法 |
| CN109580526A (zh) * | 2019-01-18 | 2019-04-05 | 重庆医科大学 | 一种基于组织切片鉴别人体性别的红外光谱分析方法 |
| CN110899146A (zh) * | 2019-04-25 | 2020-03-24 | 华南农业大学 | 一种茧中蚕蛹自动分拣装置 |
| CN110899146B (zh) * | 2019-04-25 | 2024-04-09 | 华南农业大学 | 一种茧中蚕蛹自动分拣装置 |
| CN110575965A (zh) * | 2019-09-30 | 2019-12-17 | 中国计量大学 | 一种基于近红外光谱鉴别的蚕蛹雌雄筛选机及其筛选方法 |
| CN110575965B (zh) * | 2019-09-30 | 2021-06-01 | 中国计量大学 | 一种近红外光谱鉴别的蚕蛹雌雄筛选方法 |
| CN111693488B (zh) * | 2020-06-08 | 2022-12-06 | 济南大学 | 基于ds证据理论融合的水果等级分类方法及系统 |
| CN111693488A (zh) * | 2020-06-08 | 2020-09-22 | 济南大学 | 基于ds证据理论融合的水果等级分类方法及系统 |
| CN113435115A (zh) * | 2021-06-21 | 2021-09-24 | 安徽理工大学 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
| CN113435115B (zh) * | 2021-06-21 | 2024-01-19 | 安徽理工大学 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
| CN113970539A (zh) * | 2021-10-08 | 2022-01-25 | 上海交通大学 | 一种快速检测包装容器内物质的拉曼光谱方法 |
| CN113970539B (zh) * | 2021-10-08 | 2022-12-20 | 上海交通大学 | 一种快速检测包装容器内物质的拉曼光谱方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107238587A (zh) | 基于光谱技术的蚕蛹雌雄快速无损检测方法 | |
| CN109447977B (zh) | 一种基于多光谱深度卷积神经网络的视觉缺陷检测方法 | |
| Demattê et al. | Morphological Interpretation of Reflectance Spectrum (MIRS) using libraries looking towards soil classification | |
| CN103033512B (zh) | 一种基于高光谱识别种蛋孵化的方法 | |
| CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN1759804A (zh) | 中医四诊合参智能辨证方法 | |
| CN110378295B (zh) | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 | |
| CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
| FR2825814A1 (fr) | Procede de creation automatique d'une base de donnees images interrogeable par son contenu semantique | |
| CN110517790B (zh) | 基于深度学习和基因表达数据的化合物肝毒性早期预测方法 | |
| CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
| CN115661032A (zh) | 一种适用于复杂背景的路面病害智能检测方法 | |
| CN110136113B (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
| Xing et al. | Coal and gangue identification method based on the intensity image of lidar and DenseNet | |
| Rasse et al. | OpSeF: open source python framework for collaborative instance segmentation of bioimages | |
| Chen et al. | Deep learning on reflectance confocal microscopy improves Raman spectral diagnosis of basal cell carcinoma | |
| Kotiyal et al. | Diabetic retinopathy binary image classification using PySpark | |
| Thammasanya et al. | A new approach to classifying polymer type of microplastics based on Faster-RCNN-FPN and spectroscopic imagery under ultraviolet light | |
| CN104077307B (zh) | 单细胞表现型数据库系统和搜索引擎 | |
| CN106097303A (zh) | 一种适合处理显微图像pcnn模型的构建方法 | |
| Li et al. | Label‐free classification of dead and live colonic adenocarcinoma cells based on 2D light scattering and deep learning analysis | |
| CN117422881A (zh) | 一种智能化的安检集中判图系统 | |
| CN116893162A (zh) | 基于yolo及注意力神经网络的罕见抗核抗体核型探测方法 | |
| Rubino et al. | Plankton resting stages in the marine sediments of the Bay of Vlorë (Albania) | |
| Li et al. | Automatic identification of semi-tracks on apatite and mica using a deep learning method |
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: 20171010 |
|
| RJ01 | Rejection of invention patent application after publication |