CN107300536B - 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 - Google Patents
基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 Download PDFInfo
- Publication number
- CN107300536B CN107300536B CN201710738974.3A CN201710738974A CN107300536B CN 107300536 B CN107300536 B CN 107300536B CN 201710738974 A CN201710738974 A CN 201710738974A CN 107300536 B CN107300536 B CN 107300536B
- Authority
- CN
- China
- Prior art keywords
- matrix
- soluble solid
- solid content
- mango
- sample
- 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.)
- Active
Links
- 239000007787 solid Substances 0.000 title claims abstract description 69
- 235000004936 Bromus mango Nutrition 0.000 title claims abstract description 47
- 235000014826 Mangifera indica Nutrition 0.000 title claims abstract description 47
- 235000009184 Spondias indica Nutrition 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 26
- 240000007228 Mangifera indica Species 0.000 title 1
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 241001093152 Mangifera Species 0.000 claims abstract description 45
- 238000000701 chemical imaging Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012417 linear regression Methods 0.000 claims description 18
- 230000002860 competitive effect Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000002203 pretreatment Methods 0.000 abstract 1
- 238000007619 statistical method Methods 0.000 abstract 1
- 235000013399 edible fruits Nutrition 0.000 description 9
- 238000001514 detection method Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000249058 Anthracothorax Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
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
本发明公开一种基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:芒果样品分为对照组和实验组,实验组样品分别在不同高度自由跌落产生冲击损伤;采集所有样品近红外波段的高光谱图像,测定所有芒果样品的可溶性固形物值;结合光谱预处理方法、特征波长提取方法及统计学方法,建立了可溶性固形物预测模型,用于芒果冲击损伤后可溶性固形物含量的预测。本发明基于高光谱成像技术和数学建模技术有效地评估了冲击损伤对芒果可溶性固形物含量的影响,具有无损、快速、准确等优点,可有效地检测受损后芒果中可溶性固形物含量的变化。
Description
技术领域
本发明涉及一种基于高光谱的芒果中可溶性固形物含量测定的方法,具体涉及一种基于近红外高光谱的受冲击损伤后芒果中可溶性固形物含量预测的方法。
背景技术
芒果为热带和亚热带重要水果之一,其果实富含糖、蛋白质、粗纤维等重要营养物质,一直颇受消费者的青睐。但是,仍存在很多因素影响着芒果的产后质量,进而降低其经济价值。比如发生在运输、包装等过程中的机械损伤,通常以冲击、磨损、穿刺等形式出现,其中冲击损伤最严重且最容易发生。研究表明,水果一旦受到损伤其生理变化显著,在果实存放期间会加速其成熟。因此,如何高效地预测芒果果实受冲击损伤后质量参数的变化是一个亟待解决的问题。
可溶性固形物是评价果实成熟度的重要参数之一,也是相关研究中的关注点之一。很多基于高光谱的研究借助于可溶性固形物含量的变化对果实的成熟度进行分类以便为储存和销售提供客观参考。也有研究结合可溶性固形物含量和机械参数(冲击能量、吸收能量等)建立数学模型评估机械损伤。然而这些研究中模型的精度及稳定性有待提高,预测效果不理想,且没有把质量参数的变化与损伤程度联系起来。
因此,建立基于高光谱技术的芒果冲击损伤后可溶性固形物含量的方法,可以为进一步评估机械损伤对果实的影响提供技术支持,具有重要的意义。
发明内容
本发明的目的在于提供一种基于高光谱的受冲击损伤后芒果中可溶性固形物含量预测方法,旨在实现无损、快速、准确地检测损伤后芒果中可溶性固形物含量。
本发明是这样实现的,一种基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:
将未损伤芒果样品分成对照组和实验组,实验组分成多个子组后分别从多个不同高度进行跌落实验,形成实验组受损与对照组未受损两类样品;
用近红外高光谱成像系统扫描受损与未受损样品,采集样品高光谱图像;
采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定,获得样品可溶性固形物含量值;
选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区,从样品高光谱图像中提取平均光谱,获得原始光谱;
使用多元散射校正对所述原始光谱预处理后,采用竞争性自适应重加权算法提取原始光谱的特征波长,形成特征光谱;
利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,然后对该线性回归模型校正并预测评估,最终建立预测模型;
采集待测受损伤芒果样品高光谱图像,提取特征光谱,将特征光谱矩阵输入预测模型,得到样品果肉的可溶性固形物含量值。
其中,所述线性回归模型的建立方式如下:
利用偏最小二乘算法将因子分析和回归分析相结合,对特征光谱矩阵X和可溶性固形物含量值矩阵Y同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和,再根据潜在变量的累积贡献率和预测残差平方和,寻找所需潜在变量个数,将特征光谱矩阵X和可溶性固形物含量矩阵Y关联,建立两者的线性回归模型。
其中,对该线性回归模型校正并预测评估,最终建立预测模型的步骤如下:
先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正;然后把剩下样品的特征光谱值与可溶性固形物含量值数据输入校正后模型进行预测,根据预测结果评估模型,最终建立预测模型。
优选的,所述近红外高光谱成像系统扫描时,光谱范围为900-1700nm,相关参数设置如下:光谱分辨率为3nm,曝光时间为20ms,移动台前进速度为1.4cm/s,镜头与样本距离为42cm;
优选的,采用手持式折光计对每个样品榨出的1mL芒果果汁进行测定,手持式折光计显示的读数即为样品可溶性固形物的数值,单位为°Brix。
优选的,采用竞争性自适应重加权算法提取原始光谱的特征波长共19个,分别为938,941,944,965,1031,1037,1046,1051,1436,1439,1445,1448,1451,1454,1457,1592,1595,1637,1640,单位为nm。
其中,采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下:
(1)蒙特卡罗采样,每次波长变量采样从建模样本集随机抽取80%-90%的样本,建立偏最小二乘回归模型;
(2)基于指数衰减函数去除不符合要求的波长变量;
(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选;
(4)N次蒙特卡罗采样后得到N个波长变量子集,比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差,误差值最小的变量子集为最优波长变量子集。
其中,建立线性回归模型的步骤如下:
(1)将特征光谱矩阵X和可溶性固形物含量值矩阵Y按下式(1)、(2)同时分解:
X=TP+E (1)
Y=UQ+F (2)
式中,T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵,U和Q分别为可溶性固形物含量值矩Y的得分矩阵和载荷矩阵,E和F为模型拟合特征光谱矩阵X和可溶性固形物含量值矩Y时引进的误差矩阵。
(2)利用下式(3),建立T和U线性回归关系:
U=TB (3)
式中,B是回归系数矩阵;
(3)对未知待测样本Xun的待测可溶性固形物含量值Yun进行预测:
Yun=TunBQ+F (4)
式中,Tun为根据P矩阵求出的未知待测样本Xun的得分矩阵。
以上步骤中,光谱数据的提取在ENVI 5.1软件上操作,光谱数据的预处理及回归模型的建立、预测在Unscrambler 9.7软件上操作,特征波长的提取在Matlab 2010b软件上操作。具体的操作过程可以参考软件的联机帮助或者公开出版的工具书。
本发明提供了基于近红外高光谱的受冲击损伤后芒果中可溶性固形物含量预测的方法,首先让实验样品产生损伤,采集芒果样品的高光谱图像、提取其原始光谱,采用折光计测定样品的可溶性固形物值,然后对原始光谱进行预处理并提取特征波长,最后通过建立偏最小二乘回归预测模型实现对待测样品可溶性固形物含量的预测。
本发明提供的光谱预处理方法有效地降低了噪声信号的干扰,有利于对原始数据进行深度挖掘。
本发明建模前通过采用竞争性自适应重加权算法提取特征波长,有效地减低了数据的维度,极大地提高了模型的运算效率,而且一定程度上提高了预测模型的准确度。
本发明避免了传统的破坏式检测果实可溶性固形物的方法,可实现无损、快速、准确地检测评估。
附图说明
图1为本发明基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法的流程图;
图2为本发明实际测得的芒果样品的可溶性固形物统计图;
图3为本发明经过反射率校正的芒果样品的原始光谱曲线图;
图4为本发明经过多元散射校正预处理后的平均光谱曲线图;
图5为本发明利用竞争性自适应重加权算法提取特征光谱的运行结果图;
图6为本发明基于偏最小二乘回归模型得出的实际测得可溶性固形物与预测的可溶性固形物的散点示意图。
具体实施方式
下面,结合具体实施实例对本发明作进一步描述,以下列举的仅是本发明的具体实施实例,但本发明的保护范围并不仅限于此。
如图1-6所示,基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:
1)样品冲击损伤的产生
将240个硬度、颜色、大小基本一致且未受到任何损伤的芒果随机分类成对照组(60个)和实验组(180个),实验组样品分成3组分别用于三天的观测,每组样品再分成3个子组分别从3个不同的高度(0.5m,1.0m,1.5m)自由跌落产生冲击损伤,利用跌落试验机进行跌落试验,形成受损伤的样品与对照组的未损伤样品两类样品。
2)样品高光谱图像的采集
将芒果样品分为受损(实验组)和未受损(对照组)两类,采用高光谱成像系统采集芒果样品900-1700nm近红外波段的高光谱图像,具体参数设置如下:曝光时间为20ms,移动台前进速度为1.4cm/s,回退速度为2cm/s,镜头与样本距离为42cm。
3)可溶性固形物含量的测定
采用手持式折光计对每个样品挤出的1mL芒果果汁进行测定,手持式折光计显示的读数即为样品可溶性固形物的数值,单位为°Brix。
从图2可以看出,相对于对照组,实验组样品的可溶性固形物含量上升。说明冲击损伤提高了芒果果实的可溶性固形物含量,而且损伤越严重(跌落高度越高),果实的可溶性固形物含量越高。
4)样品光谱的提取及预处理
采集芒果样品的高光谱图像后,选取实验组样品的受损伤区域和对照组样品的任意区域作为感兴趣区(ROI)提取平均光谱,获得原始光谱,原始光谱即为所有样品提取的平均光谱的集合;为降低噪声信号的干扰,使用多元散射校正对采集的所有样品的原始光谱进行预处理。
从图3可以看出芒果光谱的典型吸收峰在波长970nm,1050nm,1250nm,1450nm附近;
从图4可以看出多元散射校正预处理方法明显降低了噪音的干扰,提高了信噪比。
5)偏最小二乘回归模型的建立
为了提高模型的分析效率同时保持较高的稳定性,采用竞争性自适应重加权(Competitive adaptive reweighted sampling,CARS)算法提取光谱特征波长。竞争性自适应重加权算法具体步骤主要包括:
(1)蒙特卡罗采样,每次波长采样需从建模样本集随机抽取80%-90%的样本建立偏最小二乘回归模型;
(2)基于指数衰减函数去除不符合要求的波长变量,使大量不重要的波长变量逐步且有效地被去除;
(3)基于自适应重加权采样方式进一步对波长变量进行竞争性筛选;
(4)N次波长采样后得到N个变量子集,比较每次波长采样产生的变量子集的交叉验证均方根误差,误差值最小的变量子集为最优波长变量子集。
经竞争性自适应重加权算法50次采样后,共获得50个变量子集。从图5可以看出,当采样22次时,变量子集的交叉验证均方根误差最小,其对应的最优特征波长共19个,分别为:938,941,944,965,1031,1037,1046,1051,1436,1439,1445,1448,1451,1454,1457,1592,1595,1637,1640(单位:nm)。
为减少数据维度提高计算效率同时保证模型的准确度,建立提取的特征波长与实测可溶性固形物含量的偏最小二乘(PLS)回归预测模型,建模步骤如下:将因子分析和回归分析相结合,对光谱矩阵X和可溶性固形物含量矩阵Y同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和,再根据潜在变量的累积贡献率和预测残差平方和,寻找最佳的潜在变量个数将X和Y关联,建立两者的线性回归模型。具体的来说,
(1)光谱矩阵X和可溶性固形物含量值矩阵Y同时被分解:
X=TP+E (1)
Y=UQ+F (2)
式中,T和P分别为X的得分矩阵和载荷矩阵,U和Q分别为Y的得分矩阵和载荷矩阵,E和F为模型拟合X和Y时引进的误差矩阵。
(2)T和U建立线性回归关系:
U=TB (3)
式中,B是回归系数矩阵。
(3)对未知样本的待测参数进行预测:
Yun=TunBQ+F (4)
即先根据P矩阵求出未知样本Xun的得分矩阵Tun,然后由公式计算出Yun。
本实例的预测结果R2(coefficient of determination)最高可达0.9,对应的RMSEP值(root mean square error of the predicted)为0.49°Brix。
6)样品可溶性固形物含量的预测
采集待测芒果样品的高光谱数据,将特征光谱输入预测模型即可得到样品的可溶性固形物值。从图6可以看出模型的预测效果较好,说明本发明可以有效地测出芒果可溶性固形物的含量。
光谱数据的提取在ENVI5.1软件上操作,光谱数据的预处理及回归模型的建立、预测在Unscrambler 9.7软件上操作,特征波长的提取在Matlab 2010b软件上操作。
最后,本发明的上述实施方案都只能认为是对本发明的说明而不能限制本发明。权利要求书指明了本发明的保护范围,因此在与本发明的权利要求书相当的含义和范围内的任何改变,都应认为是包括在权利要求书的范围内。
Claims (7)
1.基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,步骤如下:
将未损伤芒果样品分成对照组和实验组,实验组分成多个子组后分别从多个不同高度进行跌落实验,形成实验组受损与对照组未受损两类样品;
用近红外高光谱成像系统扫描受损与未受损样品,采集样品高光谱图像;
采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定,获得样品可溶性固形物含量值;
选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区,从样品高光谱图像中提取平均光谱,获得原始光谱;
使用多元散射校正对所述原始光谱预处理后,采用竞争性自适应重加权算法提取原始光谱的特征波长,形成特征光谱;
利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,然后对该线性回归模型校正并预测评估,建立预测模型;
采集待测受损伤芒果样品高光谱图像,提取特征光谱,将特征光谱矩阵输入预测模型,得到样品果肉的可溶性固形物含量值。
2.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,所述线性回归模型的建立方式如下:
利用偏最小二乘算法将因子分析和回归分析相结合,对特征光谱矩阵X和可溶性固形物含量值矩阵Y同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和,再根据潜在变量的累积贡献率和预测残差平方和,寻找所需潜在变量个数,将特征光谱矩阵X和可溶性固形物含量矩阵Y关联,建立两者的线性回归模型。
3.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,对该线性回归模型校正并预测评估,最终建立预测模型的步骤如下:
先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正;然后把剩下样品的特征光谱值与可溶性固形物含量值数据输入校正后模型进行预测,根据预测结果评估模型,最终建立预测模型。
4.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,所述近红外高光谱成像系统扫描时,光谱范围为900-1700nm,相关参数设置如下:光谱分辨率为3nm,曝光时间为20ms,移动台前进速度为1.4cm/s,镜头与样本距离为42cm;
采用手持式折光计对每个样品榨出的1mL芒果果汁进行测定,手持式折光计显示的读数即为样品可溶性固形物的数值,单位为oBrix。
5.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,采用竞争性自适应重加权算法提取原始光谱的特征波长共19个,分别为938,941,944,965,1031,1037,1046,1051,1436,1439,1445,1448,1451,1454,1457,1592,1595,1637,1640,单位为nm。
6.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下:
(1)蒙特卡罗采样,每次波长变量采样从建模样本集随机抽取80%-90%的样本,建立偏最小二乘回归模型;
(2)基于指数衰减函数去除不符合要求的波长变量;
(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选;
(4)N次蒙特卡罗采样后得到N个波长变量子集,比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差,误差值最小的变量子集为最优波长变量子集。
7.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,建立线性回归模型的步骤如下:
(1)将特征光谱矩阵X和可溶性固形物含量值矩阵Y按下式(1)、(2)同时分解:
X=TP+E (1)
Y=UQ+F (2)
式中,T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵,U和Q分别为可溶性固形物含量值矩Y的得分矩阵和载荷矩阵,E和F为模型拟合特征光谱矩阵X和可溶性固形物含量值矩Y时引进的误差矩阵;
(2)利用下式(3),建立T和U线性回归关系:
U=TB (3)
式中,B是回归系数矩阵;
(3)对未知待测样本Xun的待测可溶性固形物含量值Yun进行预测:
Yun=TunBQ+F (4)
式中,Tun为根据P矩阵求出的未知待测样本Xun的得分矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710738974.3A CN107300536B (zh) | 2017-08-25 | 2017-08-25 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710738974.3A CN107300536B (zh) | 2017-08-25 | 2017-08-25 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107300536A CN107300536A (zh) | 2017-10-27 |
CN107300536B true CN107300536B (zh) | 2020-02-14 |
Family
ID=60132173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710738974.3A Active CN107300536B (zh) | 2017-08-25 | 2017-08-25 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107300536B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187378B (zh) * | 2018-10-17 | 2021-04-16 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
CN109324000A (zh) * | 2018-11-08 | 2019-02-12 | 江南大学 | 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法 |
CN109668857A (zh) * | 2019-01-25 | 2019-04-23 | 江苏大学 | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 |
CN109765604B (zh) * | 2019-01-30 | 2021-06-11 | 清华大学 | 场所伽玛剂量仪现场校准的环境散射校正方法及系统 |
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 |
CN109946243A (zh) * | 2019-03-26 | 2019-06-28 | 贵阳学院 | 快速无损检测李子可溶性固形物含量的方法 |
CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及系统 |
CN110243748A (zh) * | 2019-07-22 | 2019-09-17 | 南京财经大学 | 一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
CN111289463A (zh) * | 2020-02-24 | 2020-06-16 | 天津商业大学 | 苹果冲击损伤面积的高光谱无损预测方法 |
CN111968080B (zh) * | 2020-07-21 | 2023-06-23 | 山东农业大学 | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 |
CN114184564A (zh) * | 2021-12-14 | 2022-03-15 | 南宁师范大学 | 一种基于叶片钙含量的沙田柚可溶性固形物含量预报方法 |
CN117668766A (zh) * | 2023-11-23 | 2024-03-08 | 沈阳农业大学 | 蓝莓可溶性固形物检测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
CN103954563A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
CN104749126A (zh) * | 2015-02-28 | 2015-07-01 | 华北水利水电大学 | 基于近红外高光谱图像分析的小麦硬度预测方法 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
CN106885782A (zh) * | 2017-02-23 | 2017-06-23 | 浙江大学 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8971984B2 (en) * | 2005-04-04 | 2015-03-03 | Hypermed Imaging, Inc. | Hyperspectral technology for assessing and treating diabetic foot and tissue disease |
CA2685158C (en) * | 2007-04-25 | 2017-09-26 | The United States Of America, As Represented By The Secretary Of Agricture | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device |
US8538195B2 (en) * | 2007-09-17 | 2013-09-17 | Raytheon Company | Hyperspectral image dimension reduction system and method |
CN103528990B (zh) * | 2013-10-31 | 2017-07-28 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
-
2017
- 2017-08-25 CN CN201710738974.3A patent/CN107300536B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN103808669A (zh) * | 2014-01-26 | 2014-05-21 | 沈阳农业大学 | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 |
CN103954563A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
CN104749126A (zh) * | 2015-02-28 | 2015-07-01 | 华北水利水电大学 | 基于近红外高光谱图像分析的小麦硬度预测方法 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
CN106885782A (zh) * | 2017-02-23 | 2017-06-23 | 浙江大学 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
Non-Patent Citations (4)
Title |
---|
Hyperspectral near-infrared imaging for the detection of physical damages of pear;Wang-Hee Lee 等;《Journal of Food Engineering》;20140109;第130卷;第1-7页 * |
Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging;Gabriel A. Leiva-Valenzuela 等;《Journal or Food Engineering》;20120813;第115卷(第1期);第91-98页 * |
Studies on banana fruit quality and maturity stages using hyperspectral imaging;P.Rajkumar 等;《Journal of Food Engineering》;20110511;第108卷(第1期);第194-200页 * |
基于近红外光谱和高光谱图像技术的猕猴桃品质检测研究;汤明杰;《万方》;20110824;第11-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107300536A (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107300536B (zh) | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 | |
CN107543801B (zh) | 基于高光谱的芒果冲击损伤后硬度预测方法 | |
Zhang et al. | An effective method to inspect and classify the bruising degree of apples based on the optical properties | |
JP5441703B2 (ja) | 可視光線・近赤外線分光分析法及びブドウ醸造方法 | |
CN107389601B (zh) | 基于高光谱的芒果冲击损伤后可滴定酸含量预测方法 | |
Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
Li et al. | Evaluating the performance of a consumer scale SCiO™ molecular sensor to predict quality of horticultural products | |
Ríos-Reina et al. | Spectralprint techniques for wine and vinegar characterization, authentication and quality control: Advances and projections | |
CN105630743A (zh) | 一种光谱波数的选择方法 | |
Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
US20210247367A1 (en) | Workflow-based model optimization method for vibrational spectral analysis | |
CN109839358B (zh) | 农产品品质分析方法及装置 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
Valero et al. | Selection models for the internal quality of fruit, based on time domain laser reflectance spectroscopy | |
Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
Li et al. | Assessment of multiregion local models for detection of SSC of whole peach (Amygdalus persica L.) by combining both hyperspectral imaging and wavelength optimization methods | |
Zheng et al. | Improving the identification accuracy of sugar orange suffering from granulation through diameter correction and stepwise variable selection | |
CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
Verdú et al. | Laser scattering imaging combined with CNNs to model the textural variability in a vegetable food tissue | |
CN114783538A (zh) | 一种煤炭灰分预测方法及装置 | |
CN111289463A (zh) | 苹果冲击损伤面积的高光谱无损预测方法 | |
CN1789978A (zh) | 一种快速无损检测苹果内部质量的方法 | |
CN117805024B (zh) | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 | |
CN117929356B (zh) | 一种基于高斯过程回归的libs定量分析方法 | |
CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |