CN108426855A - 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 - Google Patents
基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 Download PDFInfo
- Publication number
- CN108426855A CN108426855A CN201710081593.2A CN201710081593A CN108426855A CN 108426855 A CN108426855 A CN 108426855A CN 201710081593 A CN201710081593 A CN 201710081593A CN 108426855 A CN108426855 A CN 108426855A
- Authority
- CN
- China
- Prior art keywords
- gray scale
- statistical characteristics
- milk
- infrared spectrum
- scale statistical
- 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
- 235000013336 milk Nutrition 0.000 title claims abstract description 71
- 210000004080 milk Anatomy 0.000 title claims abstract description 71
- 239000008267 milk Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 35
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 239000004202 carbamide Substances 0.000 title claims abstract description 25
- 238000005100 correlation spectroscopy Methods 0.000 title abstract 4
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000002329 infrared spectrum Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 39
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 3
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 235000019219 chocolate Nutrition 0.000 abstract 1
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000011835 investigation Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010016952 Food poisoning Diseases 0.000 description 2
- 208000019331 Foodborne disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method 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
- G01N21/31—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
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
本发明公开了一种基于二维相关近红外光谱灰度统计特征判别尿素掺杂牛奶的方法,该方法通过提取纯牛奶和掺杂尿素牛奶二维相关近红外光谱灰度图的灰度统计特征,运用主成分分析法对灰度统计特征进行优选,可得到优选灰度统计特征。采用最小错误率贝叶斯决策分类器对训练样品进行判别,可以实现尿素掺杂牛奶的自动客观判别,说明基于二维相关近红外光谱灰度统计特征判别尿素掺杂牛奶的方法是可行的,本发明的方法克服了谱图用人眼直接比对存在主观误判和无法大量谱图同时比对的缺点,判别效率和正确率高,具有深入研究的意义和价值,可在判别牛奶中得到良好的应用。
Description
技术领域
本发明属于检测判别技术领域,具体来说涉及一种基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法。
背景技术
众所周知,牛奶的营养价值是其他营养品无法替代的,因此它成为了人类营养品的不二选择。然而近年来,出现的食品中毒及因此引起的死亡事件频频见诸报端,而掺伪牛奶问题尤为突出。为了提高牛奶中的蛋白质含量,不少无良商人会在牛奶中掺杂尿素,从而获取高额的利润。这不仅威胁了无数婴幼儿的健康,甚至让有些孩子为此失去了宝贵的生命,由此一度引起社会恐慌,对社会造成了不良影响,研究可以快速检测掺杂尿素牛奶的方法对于奶牛养殖产业的健康发展有着重要意义。
近红外光谱检测技术在掺杂尿素牛奶检测中也得到了应用,但由于谱峰的重叠,难于进行直接鉴别,必须借助其他方法。采用二维相关近红外光谱检测方法可以提高近红外光谱的分辨率,实现掺杂尿素牛奶的判别,但目前所采用的人工识别二维相关近红外光谱等高线图的方法需要技术人员具有丰富的经验,同时由于谱图数据存在噪声,更增加了人工识别的难度,使得识别效率不高,存在主观误判,无法实现大量谱图的自动客观识别。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法,该方法简单,分析效率和判别正确率高,可有效地判别出牛奶中是否掺杂尿素,克服了用人眼直接比对谱图存在主观误判和无法对大量谱图同时比对的缺点。
为此,本发明的技术方案如下:
一种基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法,包括以下步骤:
1)准备纯牛奶和不同浓度的掺杂尿素牛奶作为训练样品,通过扫描得到所述训练样品的一维近红外光谱,在matlab环境中,通过Noda理论进行相关谱计算,得到每一个训练样品的二维相关近红外光谱矩阵,将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图;
2)提取步骤1)所得二维相关近红外光谱灰度图的灰度统计特征,其中,所述灰度统计特征由一阶熵、平均值、方差、偏度、峰度、一阶能量、二阶熵、自相关、二阶能量、惯性矩和绝对值组成;
3)利用主成分分析法对步骤2)中所述灰度统计特征进行优选,得到优选灰度统计特征;
4)建立判别模型,所述判别模型为最小错误率贝叶斯决策分类器。
5)将步骤3)得到训练样品的优选灰度统计特征代入步骤4)所建立的判别模型中并进行训练,得到训练好的判别模型;
6)准备待测试样品,将待测试样品的优选灰度统计特征代入步骤5)所得训练好的判别模型,判定待测试样品是否为掺杂尿素牛奶。
在所述步骤1)中,所述二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图的方法包括:将所述二维相关近红外光谱矩阵的数据归一化至0-L之间,其中L为二维相关近红外光谱灰度图的灰度等级,L为整数且位于16~1024之间。
在上述技术方案中,采用离差标准化(min-max标准化)对所述二维相关近红外光谱矩阵的数据进行归一化,离差标准化的转换公式为:
其中,原数据为未归一化的二维相关近红外光谱矩阵的数据,新数据为归一化后的二维相关近红外光谱矩阵的数据。
在所述步骤3)中,对所述灰度统计特征进行优选的方法为:
I.按照公式(2)将多个训练样品的灰度统计特征组成特征数据矩阵X′=(xij')s×l:
其中,xij'为第i个训练样品的第j个灰度统计特征的参数,l为灰度统计特征个数,s为训练样品的个数;标准化处理所述特征数据矩阵X′,得到X=(xij)s×l,其中:
其中,
II.按照公式(6)计算X的相关系数,得到相关系数矩阵R=(rij)s×l:
III.计算所述相关系数矩阵R的特征值(λ1,λ2,…,λl);
IV.计算贡献率:将步骤III所得特征值依次代入公式(7),得到l个贡献率;
V.确定主成分:将l个步骤IV所得贡献率从大到小排列并进行累加,选取贡献率累加值大于等于0.85的前t个主成分,确定所述t个主成分的灰度统计特征为优选灰度统计特征。
在所述步骤4)中,所述最小错误率贝叶斯决策分类器的判别函数为gm(X″)=p(X″|ωm)P(ωm)(m=1和2),其中,X″为一训练样品的多个优选灰度统计特征所组成的矩阵,P(ωm)为类别ωm发生的先验概率,p(X”|ωm)为所述类别ωm的类条件概率密度函数,其中,所述类别ωm为:纯牛奶和掺杂尿素牛奶。
在上述技术方案中,二维相关近红外光谱为同步-异步二维相关近红外光谱或同步二维相关近红外光谱。
上述方法在判别纯牛奶与掺杂尿素牛奶中的应用,正确率大于92%。
相比于现有技术,本发明的方法克服了谱图用人眼直接比对存在主观误判和无法大量谱图同时比对的缺点,判别效率和正确率高。
具体实施方式
下面结合具体实施例进一步说明本发明的技术方案。
一种基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法,包括以下步骤:
1)准备多个纯牛奶和不同浓度的掺杂尿素牛奶(即在纯牛奶中掺杂不同浓度尿素)作为训练样品,通过扫描得到所述训练的一维近红外光谱,并通过Noda理论进行相关谱计算,得到每一个训练样品的二维相关近红外光谱矩阵(详细计算过程见杨仁杰.基于二维相关近红外光谱掺杂牛奶检测方法研究[D].天津大学,2013.),并将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图。其中,二维相关近红外光谱为同步-异步二维相关近红外光谱或同步二维相关近红外光谱。通过实际操作可得,无论是同步-异步二维相关近红外光谱,还是同步二维相关近红外光谱都无法直接判别出掺杂尿素牛奶与纯牛奶的明显区别。
在所述步骤1)中,所述二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图的方法包括:将所述二维相关近红外光谱矩阵的数据归一化至0-L之间,其中L为二维相关近红外光谱灰度图的灰度等级,取值范围为16-1024之间的整数。其中,采用离差标准化(min-max标准化)对所述二维相关近红外光谱矩阵的数据进行归一化,离差标准化的转换公式为:
其中,原数据为未归一化的二维相关近红外光谱矩阵的数据,新数据为归一化后的二维相关近红外光谱矩阵的数据。
2)灰度统计特征反映了图像各点灰度的分布状况,可以用来对图像进行分析鉴别,在本发明的技术方案中,对步骤1)所得二维相关近红外光谱灰度图提取其灰度统计特征,其中,灰度统计特征由一阶熵、平均值、方差、偏度、峰度、一阶能量、二阶熵、自相关、二阶能量、惯性矩和绝对值组成。
提取灰度统计特征的方法见参考文献:
1、刘益新,郭依正.灰度直方图特征提取的Matlab实现[J].电脑知识与技术,2009,(32):9032-9034.
2、基于二阶灰度统计特征的SAR图像变化检测[J].吉林大学学报(信息科学版),2008,(05):536-541.
3)通过步骤2)可得到灰度统计特征,但是,如果对灰度统计特征不做分析,将全部灰度统计特征直接作为分类特征使用,则有可能会影响到后续判别牛奶的正确率,还会出现“特征维数灾难”。在本发明的技术方案中,利用主成分分析法对步骤2)中灰度统计特征进行优选,得到优选灰度统计特征。主成分分析法的主要思想是在不丢失原变量的信息的基础上,用最少的指标最大化的体现样品特征。其实质上就是一种特征降维处理。
对灰度统计特征进行优选的方法包括:
I.按照公式(2)将多个训练样品的灰度统计特征组成特征数据矩阵X′=(xij')s×l:
其中,xij'为第i个训练样品的第j个灰度统计特征的参数,l为灰度统计特征个数,s为训练样品的个数;标准化处理所述特征数据矩阵X′,得到X=(xij)s×l,其中,
其中,
II.按照公式(6)计算X的相关系数,得到相关系数矩阵R=(rij)s×l:
III.计算相关系数矩阵R的特征值(λ1,λ2,…,λl);
IV.计算贡献率:将步骤III所得特征值依次代入公式(7),得到l个贡献率;
V.确定主成分:将l个步骤IV所得贡献率从大到小排列并进行累加,选取贡献率累加值大于等于85%的前t个主成分,确定t个主成分的灰度统计特征为优选灰度统计特征。
4)建立判别模型,判别模型为最小错误率贝叶斯决策分类器;
其中,最小错误率贝叶斯决策分类器的判别函数为gm(X”)=p(X”|ωm)P(ωm)(m=1和2),其中,X″为一训练样品的多个优选灰度统计特征所组成的矩阵,P(ωm)为类别ωm发生的先验概率,p(X”|ωm)为类别ωm的类条件概率密度函数,其中,类别ωm为:纯牛奶和掺杂尿素牛奶。假设g1(X″)表示纯牛奶,g2(X″)表示掺杂尿素牛奶,每一个训练样品都要计算g1(X″)和g2(X″),在计算过程中因p(X”|ωm)的值不同,所以计算出来g1(X″)和g2(X″)的结果不同。当g1(X″).>g2(X″)时,训练样品属于纯牛奶,当g2(X″)>g1(X″)时,训练样品属于掺杂尿素牛奶。
5)将步骤3)得到的优选灰度统计特征代入步骤4)所建立的判别模型中并进行训练,得到训练好的判别模型;
6)准备待测试样品(纯牛奶和不同浓度的掺杂尿素牛奶),将待测试样品的优选灰度统计特征代入步骤5)所得训练好的判别模型,判定待测试样品是否为掺杂尿素牛奶。
下面结合具体实施例对本发明的方法进行详细说明。
实施例1
1)准备40个纯牛奶和40个不同浓度的掺杂尿素牛奶作为检测样品,通过扫描得到检测样品的一维近红外光谱,并通过Noda理论进行相关谱计算,得到每一个检测样品的同步—异步二维相关近红外光谱矩阵,选择L=256,将同步-异步二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图;选择27个纯牛奶和27个掺杂尿素牛奶作为训练样品,剩余的检测样品(13个纯牛奶和13个掺杂尿素牛奶)作为未知的待测试样品。
2)对步骤1)所得二维相关近红外光谱灰度图提取其灰度统计特征,其中,所述灰度统计特征由一阶熵、平均值、方差、偏度、峰度、一阶能量、二阶熵、自相关、二阶能量、惯性矩和绝对值组成。表1为部分掺杂尿素牛奶的11个灰度统计特征的参数。表2为部分纯牛奶的11个灰度统计特征的参数。
表1部分掺杂尿素牛奶11个灰度统计特征数据
表2部分纯牛奶11个灰度统计特征数据
3)利用主成分分析法对步骤2)中灰度统计特征进行优选,得到优选灰度统计特征;
对训练样品的11个灰度统计特征进行主成分分析后,其结果如表3所示。根据MATLAB运行结果可知:主成分有9个(贡献率从大到小排列的前9个),其贡献率累加值为0.9153。
表3主成分分析结果表
4)建立判别模型,判别模型为最小错误率贝叶斯决策分类器(先验概率为0.5)。
5)将步骤3)得到的优选灰度统计特征代入步骤4)所建立的判别模型中并进行训练,得到训练好的判别模型;模型训练时采用浓度梯度法选择纯牛奶和掺杂尿素牛奶(数量分别为27个)。
6)选择剩余的13个纯牛奶和13个掺杂尿素牛奶作为待测试样品,将待测试样品的优选灰度统计特征代入步骤5)所得训练好的判别模型,判定待测试样品是否为掺杂尿素牛奶。
表4为基于同步-异步近红外相关光谱的贝叶斯分类结果,其中ω1表示掺杂尿素牛奶,ω2表示纯牛奶。
表4掺杂尿素牛奶贝叶斯分类结果
综上所述,通过提取纯牛奶和掺杂尿素牛奶二维相关近红外光谱灰度图的灰度统计特征,运用主成分分析法对灰度统计特征进行优选,可得到优选灰度统计特征。采用最小错误率贝叶斯决策分类器对训练样品进行判别,可以实现掺杂尿素牛奶的自动客观判别,说明基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法是可行的,本发明的方法克服了谱图用人眼直接比对存在主观误判和无法大量谱图同时比对的缺点,判别效率和正确率高,具有深入研究的意义和价值,可在判别牛奶中得到良好的应用。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (7)
1.一种基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法,其特征在于,包括以下步骤:
1)准备纯牛奶和不同浓度的掺杂尿素牛奶作为训练样品,通过扫描得到所述训练样品的一维近红外光谱,在matlab环境中,通过Noda理论进行相关谱计算,得到每一个训练样品的二维相关近红外光谱矩阵,将所得到的二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图;
2)提取步骤1)所得二维相关近红外光谱灰度图的灰度统计特征,其中,所述灰度统计特征由一阶熵、平均值、方差、偏度、峰度、一阶能量、二阶熵、自相关、二阶能量、惯性矩和绝对值组成;
3)利用主成分分析法对步骤2)中所述灰度统计特征进行优选,得到优选灰度统计特征;
4)建立判别模型,所述判别模型为最小错误率贝叶斯决策分类器。
5)将步骤3)得到训练样品的优选灰度统计特征代入步骤4)所建立的判别模型中并进行训练,得到训练好的判别模型;
6)准备待测试样品,将待测试样品的优选灰度统计特征代入步骤5)所得训练好的判别模型,判定待测试样品是否为掺杂尿素牛奶。
2.根据权利要求1所述的方法,其特征在于,在所述步骤1)中,所述二维相关近红外光谱矩阵转化成二维相关近红外光谱灰度图的方法包括:将所述二维相关近红外光谱矩阵的数据归一化至0-L之间,其中L为二维相关近红外光谱灰度图的灰度等级,L为整数且位于16~1024之间。
3.根据权利要求2所述的方法,其特征在于,采用离差标准化对所述二维相关近红外光谱矩阵的数据进行归一化,离差标准化的转换公式为:
其中,原数据为未归一化的二维相关近红外光谱矩阵的数据,新数据为归一化后的二维相关近红外光谱矩阵的数据。
4.根据权利要求2或3所述的方法,其特征在于,在所述步骤3)中,对所述灰度统计特征进行优选的方法为:
I.按照公式(2)将多个训练样品的灰度统计特征组成特征数据矩阵X′=(xij')s×l:
其中,xij'为第i个训练样品的第j个灰度统计特征的参数,l为灰度统计特征个数,s为训练样品的个数;标准化处理所述特征数据矩阵X′,得到X=(xij)s×l,其中:
其中,
II.按照公式(6)计算X的相关系数,得到相关系数矩阵R=(rij)s×l:
III.计算所述相关系数矩阵R的特征值(λ1,λ2,…,λl);
IV.计算贡献率:将步骤III所得特征值依次代入公式(7),得到l个贡献率;
V.确定主成分:将l个步骤IV所得贡献率从大到小排列并进行累加,选取贡献率累加值大于等于0.85的前t个主成分,确定所述t个主成分的灰度统计特征为优选灰度统计特征。
5.根据权利要求4所述的方法,其特征在于,在所述步骤4)中,所述最小错误率贝叶斯决策分类器的判别函数为gm(X”)=p(X”|ωm)P(ωm),m=1和2,其中,X″为一训练样品的多个优选灰度统计特征所组成的矩阵,P(ωm)为类别ωm发生的先验概率,p(X”|ωm)为所述类别ωm的类条件概率密度函数,其中,所述类别ωm为:纯牛奶和掺杂尿素牛奶。
6.根据权利要求5所述的方法,其特征在于,二维相关近红外光谱为同步-异步二维相关近红外光谱或同步二维相关近红外光谱。
7.如权利要求1~6中任意一项所述方法在判别纯牛奶与掺杂尿素牛奶中的应用,其特征在于,正确率大于92%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710081593.2A CN108426855A (zh) | 2017-02-15 | 2017-02-15 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710081593.2A CN108426855A (zh) | 2017-02-15 | 2017-02-15 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108426855A true CN108426855A (zh) | 2018-08-21 |
Family
ID=63155445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710081593.2A Pending CN108426855A (zh) | 2017-02-15 | 2017-02-15 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108426855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398210A (zh) * | 2020-04-22 | 2020-07-10 | 青岛市产品质量监督检验研究院 | 一种利用中红外光谱技术快速测定车用尿素溶液中尿素含量的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070107947A (ko) * | 2006-05-04 | 2007-11-08 | 대한민국(관리부서:농촌진흥청) | 근적외선 분광 분석 시스템을 이용한 우유 중 요소태질소의분석방법 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103792198A (zh) * | 2014-02-24 | 2014-05-14 | 天津农学院 | 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法 |
CN104316491A (zh) * | 2014-11-12 | 2015-01-28 | 天津农学院 | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 |
CN104990892A (zh) * | 2015-06-24 | 2015-10-21 | 中国农业大学 | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 |
CN105205477A (zh) * | 2015-10-22 | 2015-12-30 | 西安理工大学 | 一种基于印品图像信息的印刷机状态识别方法 |
CN105214964A (zh) * | 2015-11-05 | 2016-01-06 | 安徽工程大学 | 基于pca的瑕疵开关插座自动分拣装置及方法 |
CN105466906A (zh) * | 2015-12-16 | 2016-04-06 | 新希望双喜乳业(苏州)有限公司 | 一种快速检测牛奶中掺伪尿素含量的方法 |
CN105588816A (zh) * | 2015-12-16 | 2016-05-18 | 新希望双喜乳业(苏州)有限公司 | 一种基于近红外光谱快速检测牛奶中掺伪三聚氰胺含量的方法 |
-
2017
- 2017-02-15 CN CN201710081593.2A patent/CN108426855A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070107947A (ko) * | 2006-05-04 | 2007-11-08 | 대한민국(관리부서:농촌진흥청) | 근적외선 분광 분석 시스템을 이용한 우유 중 요소태질소의분석방법 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103792198A (zh) * | 2014-02-24 | 2014-05-14 | 天津农学院 | 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法 |
CN104316491A (zh) * | 2014-11-12 | 2015-01-28 | 天津农学院 | 基于同步-异步二维近红外相关谱检测牛奶掺尿素的方法 |
CN104990892A (zh) * | 2015-06-24 | 2015-10-21 | 中国农业大学 | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 |
CN105205477A (zh) * | 2015-10-22 | 2015-12-30 | 西安理工大学 | 一种基于印品图像信息的印刷机状态识别方法 |
CN105214964A (zh) * | 2015-11-05 | 2016-01-06 | 安徽工程大学 | 基于pca的瑕疵开关插座自动分拣装置及方法 |
CN105466906A (zh) * | 2015-12-16 | 2016-04-06 | 新希望双喜乳业(苏州)有限公司 | 一种快速检测牛奶中掺伪尿素含量的方法 |
CN105588816A (zh) * | 2015-12-16 | 2016-05-18 | 新希望双喜乳业(苏州)有限公司 | 一种基于近红外光谱快速检测牛奶中掺伪三聚氰胺含量的方法 |
Non-Patent Citations (3)
Title |
---|
何彬: "基于红外光谱技术的牛奶掺杂判别方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
杨仁杰等: "用二维相关近红外谱和多维主成分分析判别掺杂牛奶", 《光学精密工程》 * |
杨晓明: "基于灰度统计特征的岩屑岩性最优描述方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398210A (zh) * | 2020-04-22 | 2020-07-10 | 青岛市产品质量监督检验研究院 | 一种利用中红外光谱技术快速测定车用尿素溶液中尿素含量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564000B (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
CN102721716A (zh) | 基于1h-nmr指纹图谱结合多变量分析的食用油质量检验方法 | |
US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN109685098B (zh) | 一种模糊簇间分离聚类的茶叶品种分类方法 | |
CN113310936A (zh) | 四种高温灭菌商品牛奶的快速鉴定方法 | |
CN112730312A (zh) | 一种基于近红外光谱技术的掺杂牛初乳定性识别方法 | |
CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN112666114A (zh) | 利用光谱识别水牛奶与马奶的方法 | |
CN113310934A (zh) | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 | |
CN108426855A (zh) | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 | |
CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
CN112213281A (zh) | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN112801173B (zh) | 一种qr模糊鉴别分析的生菜近红外光谱分类方法 | |
CN110059679A (zh) | 一种基于近红外图像的饲料原料中污染物非目标检测方法 | |
CN102435574B (zh) | 一种羊胴体产量的无损分级方法 | |
Zhang et al. | Detecting early embryo development of chicken hatching eggs by hyperspectral transmittance imaging | |
CN113866119A (zh) | 一种注水鸡快速鉴别方法及应用 | |
CN110567909B (zh) | 一种检测诱捕器芯片中性外激素含量的方法 | |
CN110108661B (zh) | 一种模糊极大熵聚类的茶叶近红外光谱分类方法 | |
CN113866122A (zh) | 一种鸡品种快速鉴别方法及其应用 | |
CN113310938A (zh) | 一种巴氏杀菌的水牛鲜奶和奶牛鲜奶的快速鉴定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |