CN108287145A - 一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 - Google Patents
一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 Download PDFInfo
- Publication number
- CN108287145A CN108287145A CN201810091783.7A CN201810091783A CN108287145A CN 108287145 A CN108287145 A CN 108287145A CN 201810091783 A CN201810091783 A CN 201810091783A CN 108287145 A CN108287145 A CN 108287145A
- Authority
- CN
- China
- Prior art keywords
- potato
- ring rot
- infrared spectrum
- discriminant analysis
- 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.)
- Pending
Links
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 125
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 33
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 16
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 13
- 230000001681 protective effect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000013573 potato product Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010007247 Carbuncle Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000207763 Solanum Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 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
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
本发明属于农产品质量检测技术领域，具体涉及一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法。本发明所述快速鉴定马铃薯环腐病的方法，由于马铃薯受病害胁迫后会发生一些生理变化，这些变化会在近红外区有显著的体现，因此，可采用近红外光谱技术对马铃薯是否感染环腐病进行早期判定，实现了马铃薯环腐病的快速鉴别，具有快速、高效、绿色环保等优点，同时，该方法可有效降低模型构建成本，提高模型检测效率。
Description
技术领域
本发明属于农产品质量检测技术领域，具体涉及一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法。
背景技术
马铃薯，别称土豆、地蛋、洋芋等，茄科茄属，一年生草本植物，高15-80厘米，无毛或被疏柔毛。马铃薯富含多种营养物质，能够提供人类所需的碳水化合物、蛋白质、矿物质和维生素等营养成分，素有“地下苹果”和“第二面包”之称；马铃薯是块茎繁殖，可入药，其性平味甘，可以治胃痛、痄肋、痈肿等疾病。马铃薯营养价值高、适应力强、产量大，是中国五大主食之一，也是仅次于水稻、小麦和玉米的世界第四大粮食作物。马铃薯兼具粮菜、饲用、轻工业原料等多种用途，受到人们的广泛青睐。
近年来，随着食品结构的调整，马铃薯产品逐渐多样化，而新兴的马铃薯产品开发更带动了马铃薯深加工技术的发展，推动了马铃薯农产品的大力发展。但随之而来的，马铃薯的品质保障问题也突显出来。众所周知，马铃薯属于季节型产品，其收获时间相对集中且周期较短，需要在很短的时间内对其进行深加工处理，否则会导致食用较为困难。因此，如何对马铃薯进行合理的贮藏保鲜就十分必要。我国虽是世界第一大马铃薯生产国，但种薯质量控制体系还存在很多不足，尤其是马铃薯在贮藏过程中极易受多种病害侵染，如环腐病、干腐病、软腐病、晚疫病等。
马铃薯环腐病，俗称转圈烂、黄眼圈，是一种细菌性维管束病害，其症状特点是病株地上部分发生萎焉和地下块茎维管束呈环状腐烂，在马铃薯生长期和贮藏期均能发生危害。环腐病主要的侵染来源为带菌种薯，如果采用切块播种时，切刀传病是扩大再侵染的主要途径。种薯一旦受到环腐病侵染后，就会引起退化，播种后会发病造成种薯和芽苗腐烂，使田间缺苗断垄；成株期发病使病株萎蔫死亡或矮小黄化，产量大减；贮藏期发病使块茎继续腐烂，严重时甚至造成烂窖，从而严重制约了马铃薯生产水平的提高。因此，若能在病害未出现明显特征时，就可检测到种薯感染环腐病的潜在危害，是控制病害蔓延、减少损失、保障马铃薯种薯品质的有效手段。但现有技术中，尚且没有适宜的技术对尚未出现染病特征的马铃薯是否感染环腐病进行快速的检测及鉴定。
近红外光谱分析技术是一种可利用有机化学物质在近红外光谱区的光学特性快速估测样本信息变化特征的方法，并具有快速、方便、准确的优点。因此，借助于近红外光谱分析技术对马铃薯是否感染环腐病进行检测及鉴别，不仅为马铃薯病害的早期鉴别提供一种新的方法和思路，进而为马铃薯产业高效、高质的发展奠定了基础，具有重要的理论意义和工程应用价值。
发明内容
为此，本发明所要解决的技术问题在于提供一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法，以解决现有技术中马铃薯环腐病难于早期检测鉴别的问题。
为解决上述技术问题，本发明所述的近红外光谱技术在快速鉴别马铃薯环腐病方法中的应用。
本发明还公开了一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法，包括如下步骤：
(1)收集健康马铃薯及染病马铃薯样本，分别设其标签为0和1；并分别将健康马铃薯及染病马铃薯样本分为定标集和验证集，并分别采集各健康马铃薯及染病马铃薯样本的近红外光谱信号，获得定标集光谱信号和验证集光谱信号；
(2)对采集的健康马铃薯及染病马铃薯样本的近红外光谱信号进行预处理；
(3)以经过预处理的数据为输入，建立偏最小二乘法判别分析(PLS-DA)模型，并对所构建的判别分析模型进行评价；
(4)在与步骤(1)相同的采集条件下，采集待测马铃薯样本的近红外光谱信息，并输入至步骤(3)中建立的所述判别分析模型中进行判别分析，以快速鉴定待测马铃薯样本是否感染环腐病。
所述步骤(1)中，所述步骤(1)中，所述近红外光谱采集范围为12000-4000cm-1，其分辨率为4或8cm-1，扫描次数为32或64次。
所述步骤(1)中，所述近红外光谱采集步骤中，马铃薯样本采用不透光金属盒遮蔽，并选择至少4个不同点进行采集，计算获得其平均光谱曲线。
所述步骤(1)中，所述定标集和验证集的数量比例为3-4：1。
所述步骤(2)中，所述预处理步骤的方式选自基线校正、加权最小二乘基线校正、15点一阶导数、15点二阶导数、去趋势、MSC、SNV、标准化、归一化方法中的至少一种。
所述步骤(3)中，所述建立偏最小二乘判别分析模型的步骤采用留一交互验证法。
所述步骤(3)中，对所述判别分析模型进行评价的步骤是对所述判别分析模型的精度进行评价。
所述步骤(3)中，所述判别分析模型的精度采用识别率和拒绝率为评价指标，所述识别率和拒绝率为0.85-1.00时，所述判别分析模型有效，所述识别率和拒绝率越接近1.00，所述判别分析模型的精度越高。
本发明还公开了所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法在马铃薯质量检测领域中的应用。
本发明所述快速鉴定马铃薯环腐病的方法，由于马铃薯受病害胁迫后会发生一些生理变化，这些变化会在近红外区有显著的体现，因此，可采用近红外光谱技术对马铃薯是否感染环腐病进行早期判定，实现了马铃薯环腐病的快速鉴别，具有快速、高效、绿色环保等优点，同时，该方法可有效降低模型构建成本，提高模型检测效率。
本发明所述快速鉴定马铃薯环腐病的方法，基于近红外光谱技术进行检测，由于近红外分析只是取得样本的光谱信号，有时甚至可以在原容器中进行测定，不需要其它试剂，因此，整个测试过程中不会产生任何污染，具有绿色环保的特点，同时，该模型的构建，也有利于环腐病马铃薯鉴别专用仪器开发，为马铃薯环腐病的早期快速鉴定提供了新的途径，具有重要的意义。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中，
图1为健康马铃薯样本与感染环腐病马铃薯样本的原始光谱图，健康薯样本为深色，染病薯样本为浅色；
图2为所述近红外光谱信息经MSC法预处理的光谱图；
图3为验证马铃薯环腐病样本的判定结果图。
具体实施方式
实施例1
本实施例采用近红外光谱技术对马铃薯样品是否感染环腐病进行快速鉴定，由于马铃薯在受病害胁迫后，会伴随着一定的生理变化，这些变化会在近红外区有显著的体现，具体操作方法包括如下步骤：
(1)样本收集
本实施例选取的马铃薯研究样本共计118份，其中102份为健康马铃薯，16份为感染环腐病的马铃薯。分别将所述健康马铃薯样本和染病马铃薯样本随机的以隔三取一的方式划分定标集和验证集，即将健康马铃薯样本按随机排序中编号为1、2、3、5、6、7、9、10、11…的设定为定标集，而编号为4、8、12…的设定为验证集，同样的操作方法适用于环腐病马铃薯。得到的定标集中健康马铃薯样本为77个，环腐病马铃薯样本为12个，验证集中健康马铃薯样本为25个，环腐病马铃薯样本为4个。然后分别将上述健康马铃薯样本和环腐病马铃薯样本进行近红外光谱采集，获得的健康马铃薯样本与环腐病马铃薯样本的原始光谱图见图1所示，以此分别获得定标集光谱和验证集光谱，所述定标集光谱和所述验证集光谱中分别包括相应数量的健康马铃薯光谱和环腐病马铃薯光谱。
对马铃薯样品进行近红外光谱检测采用德国布鲁克MPA傅里叶变换近红外光谱仪进行光谱采集，于25℃下开启近红外光谱仪预热30min，每次扫样前以空气光谱为背景光谱，近红外光谱仪采集方式为漫反射，光谱采集范围为12000-4000cm-1，分辨率为4cm-1，扫描次数为64次，样本采用不透光金属盒遮蔽，选择4个不同点进行采集，求其平均光谱曲线。
(2)对所采集的光谱信号进行预处理
采用Matlab软件(R2012a，美国Mathworks公司)，对步骤(1)中所采集的健康马铃薯及染病马铃薯样本的近红外光谱信号进行预处理。
所述预处理方式选自基线校正、加权最小二乘基线校正、15点一阶导数、15点二阶导数、去趋势、MSC、SNV、标准化、归一化方法中的至少一种方法。本实施例中采用MSC方法进行预处理，具体预处理过程如图2所示。
(3)偏最小二乘法判别模型的建立与评价
以上述步骤(2)中经过预处理的数据为基础进行输入，并采用留一交互验证法建立偏最小二乘法判别分析(PLS-DA)模型，并获得的基于模型识别率和拒绝率对所得判别分析模型的精度进行评价，当所述识别率和拒绝率为0.85-1.00时，所述判别分析模型有效，所述识别率和拒绝率越接近1.00，所述判别分析模型的精度越高。
样本识别率＝自身类样本识别个数/该类样本类总数×100％；
拒绝率＝其它类样本拒绝总数/其它类样本总数×100％。
本实施例获得判别分析(PLS-DA)模型的识别率和拒绝率数据见下表1。
表1偏最小二乘法判别(PLS-DA)模型识别率与拒绝率
(4)偏最小二乘法判别模型的验证和鉴定
另外选择29个马铃薯样本对所构建的偏最小二乘判别分析模型进行验证，所述29个马铃薯样本中，其中健康薯25个，环腐病马铃薯4个。对上述29个马铃薯样本进行近红外光谱检测，采集其近红外光谱数据，采集过程同步骤(1)。
将采集的近红外光谱数据输入所得的偏最小二乘判别分析模型进行验证，得到样本的识别率和拒绝率数据见表2所示，所述样本的识别率和拒绝率均为1.00，证明构建模型精度较高。
表2验证集样本识别率与拒绝率
| 样本类别 | 识别率 | 拒绝率 |
| 环腐病马铃薯 | 1.00 | 1.00 |
| 健康薯 | 1.00 | 1.00 |
而验证的马铃薯样品的是否感染环腐病的判定结果如图2所示，图中上半部分为健康马铃薯样本、图中下半部分为环腐病马铃薯样本，图中，从左到右的上、下部分分别是定标集健康马铃薯、定标集环腐病马铃薯、验证集健康马铃薯、验证集环腐病马铃薯。
图2中数据证明，本发明基于近红外光谱技术对马铃薯感染环腐病进行检测鉴别，该方法的整体识别率较高，能满足马铃薯环腐病的有效鉴别。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.近红外光谱技术在快速鉴别马铃薯环腐病方法中的应用。
2.一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，包括如下步骤：
(1)收集健康马铃薯及染病马铃薯样本，分别设其标签为0和1；并分别将健康马铃薯及染病马铃薯样本分为定标集和验证集，并分别采集各健康马铃薯及染病马铃薯样本的近红外光谱信号，获得定标集光谱信号和验证集光谱信号；
(2)对采集的健康马铃薯及染病马铃薯样本的近红外光谱信号进行预处理；
(3)以经过预处理的数据为输入，建立偏最小二乘法判别分析(PLS-DA)模型，并对所构建的判别分析模型进行评价；
(4)在与步骤(1)相同的采集条件下，采集待测马铃薯样本的近红外光谱信息，并输入至步骤(3)中建立的所述判别分析模型中进行判别分析，以快速鉴定待测马铃薯样本是否感染环腐病。
3.根据权利要求2所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(1)中，所述步骤(1)中，所述近红外光谱采集范围为12000-4000cm-1，其分辨率为4或cm-1，扫描次数为32或64次。
4.根据权利要求3所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(1)中，所述近红外光谱采集步骤中，马铃薯样本采用不透光金属盒遮蔽，并选择至少4个不同点进行采集，计算获得其平均光谱曲线。
5.根据权利要求2-4任一项所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(1)中，所述定标集和验证集的数量比例为3-4：1。
6.根据权利要求2-5任一项所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(2)中，所述预处理步骤的方式选自基线校正、加权最小二乘基线校正、15点一阶导数、15点二阶导数、去趋势、MSC、SNV、标准化、归一化方法中的至少一种。
7.根据权利要求2-6任一项所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(3)中，所述建立偏最小二乘判别分析模型的步骤采用留一交互验证法。
8.根据权利要求7所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(3)中，对所述判别分析模型进行评价的步骤是对所述判别分析模型的精度进行评价。
9.根据权利要求8所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法，其特征在于，所述步骤(3)中，所述判别分析模型的精度采用识别率和拒绝率为评价指标，所述识别率和拒绝率为0.85-1.00时，所述判别分析模型有效，所述识别率和拒绝率越接近1.00，所述判别分析模型的精度越高。
10.权利要求2-9任一项所述的基于近红外光谱技术快速鉴别马铃薯环腐病的方法在马铃薯质量检测领域中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810091783.7A CN108287145A (zh) | 2018-01-30 | 2018-01-30 | 一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810091783.7A CN108287145A (zh) | 2018-01-30 | 2018-01-30 | 一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108287145A true CN108287145A (zh) | 2018-07-17 |
Family
ID=62836344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810091783.7A Pending CN108287145A (zh) | 2018-01-30 | 2018-01-30 | 一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108287145A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760128A (zh) * | 2014-01-06 | 2014-04-30 | 北京农业质量标准与检测技术研究中心 | 松材线虫病早期诊断方法 |
| CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
| KR101683404B1 (ko) * | 2015-12-31 | 2016-12-06 | 충남대학교산학협력단 | 근적외선 반사스펙트럼을 이용한 오이녹반 모자이크 바이러스 감염 수박종자의 선별 방법 및 선별 장치 |
-
2018
- 2018-01-30 CN CN201810091783.7A patent/CN108287145A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103760128A (zh) * | 2014-01-06 | 2014-04-30 | 北京农业质量标准与检测技术研究中心 | 松材线虫病早期诊断方法 |
| KR101683404B1 (ko) * | 2015-12-31 | 2016-12-06 | 충남대학교산학협력단 | 근적외선 반사스펙트럼을 이용한 오이녹반 모자이크 바이러스 감염 수박종자의 선별 방법 및 선별 장치 |
| CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周竹等: "漫反射和透射光谱检测马铃薯黑心病的比较", 《农业工程学报》 * |
| 席那顺朝克图: "马铃薯环腐病可见/近红外光谱检测装置及方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 郭红艳等: "基于高光谱成像的马铃薯环腐病无损检测", 《食品科学》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
| Arendse et al. | Non-destructive prediction of internal and external quality attributes of fruit with thick rind: A review | |
| Sun et al. | Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content | |
| KR101574895B1 (ko) | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 | |
| Alfatni et al. | The application of internal grading system technologies for agricultural products–Review | |
| Qiao et al. | Analysis and detection of decayed blueberry by low field nuclear magnetic resonance and imaging | |
| Huang et al. | Online detection of soluble solids content and maturity of tomatoes using Vis/NIR full transmittance spectra | |
| Matteoli et al. | A spectroscopy-based approach for automated nondestructive maturity grading of peach fruits | |
| CN109470648A (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
| CN105158186A (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
| Li et al. | Non-destructive determination of soluble solids content using a multi-region combination model in hybrid citrus | |
| Jin et al. | Predicting the nutrition deficiency of fresh pear leaves with a miniature near-infrared spectrometer in the laboratory | |
| Lu et al. | Hyperspectral imaging with machine learning to differentiate cultivars, growth stages, flowers, and leaves of industrial hemp (Cannabis sativa L.) | |
| Zhang et al. | Detection of pears with moldy core using online full-transmittance spectroscopy combined with supervised classifier comparison and variable optimization | |
| Lu et al. | Hyperspectral imaging with chemometrics for non-destructive determination of cannabinoids in floral and leaf materials of industrial hemp (Cannabis sativa L.) | |
| Okere et al. | Pomegranate quality evaluation using non-destructive approaches: A review | |
| Gao et al. | Differentiation of storage time of wheat seed based on near infrared hyperspectral imaging | |
| Zhou et al. | Green plums surface defect detection based on deep learning methods | |
| CN102768194A (zh) | 一种虫草菌粉腺苷含量快速检测方法 | |
| Fu et al. | Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy | |
| CN108287145A (zh) | 一种基于近红外光谱技术快速鉴别马铃薯环腐病的方法 | |
| CN108344709A (zh) | 一种基于近红外光谱技术快速鉴别马铃薯发芽特性的方法 | |
| CN109685099A (zh) | 一种光谱波段优选模糊聚类的苹果品种辨别方法 | |
| KR101379959B1 (ko) | 광 반사방식을 이용한 감염 씨감자의 선별 방법 | |
| Iglesias | Application of ensemble learning to detect Alternaria solani infection on tomatoes cultivated under foil Tunnels |
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: 20180717 |
|
| RJ01 | Rejection of invention patent application after publication |