CN108444944A - 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 - Google Patents
一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 Download PDFInfo
- Publication number
- CN108444944A CN108444944A CN201810157179.XA CN201810157179A CN108444944A CN 108444944 A CN108444944 A CN 108444944A CN 201810157179 A CN201810157179 A CN 201810157179A CN 108444944 A CN108444944 A CN 108444944A
- Authority
- CN
- China
- Prior art keywords
- polygoni multiflori
- radix polygoni
- production
- place
- multiflori powder
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000004611 spectroscopical analysis Methods 0.000 title claims abstract description 30
- 238000012850 discrimination method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000011664 signaling Effects 0.000 claims 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010049865 Achromotrichia acquired Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 206010046788 Uterine haemorrhage Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 208000006278 hypochromic anemia Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 231100000886 tinnitus Toxicity 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
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
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
本发明涉及一种基于近红外漫反射光谱法的首乌粉产地鉴别方法，包括以下步骤：测量首乌粉的近红外光谱数据，并绘制光谱曲线；对步骤一所得光谱数据进行预处理，根据预处理后的鉴别正确率选择正确率最高的预处理方法；对步骤一的光谱数据进行降维选取主成分数；建立BP人工神经网络预测模型：以步骤三所得主成分数作为输入层节点数，以产地分类数作为输出节点数进行产地鉴别。本发明为快速、无损鉴别首乌粉产地提供技术依据，提高了产地鉴别正确率。
Description
技术领域
本发明涉及一种首乌粉的鉴别方法，尤其涉及一种基于近红外漫反射光谱法的首乌粉产地鉴别方法。
背景技术
首乌粉是一种常见的中药材，适于高血压、高血脂、脂肪肝、肥胖症人群，具有补肝肾，益精血，乌须发，强筋骨，降血脂，抗衰老的功效，可用于血虚萎黄，眩晕耳鸣，须发早白，腰膝酸软，肢体麻木，崩漏带下，久病体虚等症状。盐城市滨海县当地特产首乌粉，其营养价值和药用价值均较高，在首乌粉市场颇具影响力。首乌粉产业的发展对盐城市滨海县的经济具有重大的影响作用，因此必须确保滨海县首乌粉的质量品质。市场上有部分不法商贩，从其他省市低价购买首乌粉，然后冒充滨海县特产的首乌粉进行高价销售，极大地破坏了首乌粉市场的经济秩序，而且对滨海县的首乌粉经销商造成了极大的损害。目前在首乌粉产地的判别分析中，仍以形态学特征的鉴定和化学方法为主，形态学法鉴定首乌粉的产地，易受人为和外界因素的影响；而化学方法，需对样品进行预处理，方法繁琐，成本高。因此，建立自动、准确、环保的首乌粉产地鉴别方法，以保证滨海县特产首乌粉的品质，具有十分重要的意义。
近红外光谱分析技术是近年发展起来并逐渐走向成熟的一种绿色分析技术，具有快速、无损、操作简便等优点。该技术主要反映 C-H、O-H、N-H 等含氢基团的倍频及合频吸收，这是近红外光谱分析技术进行分析研究的物质基础。近红外光谱分析技术已经广泛地应用于农产品、制药、烟草和石化等领域。
发明内容
本发明的目的在于提供一种首乌粉产地的鉴别方法，以保证首乌粉的品质，本发明为了实现上述目的提供了一种基于近红外漫反射光谱法的首乌粉产地鉴别方法，该方法首先使用近红外光谱仪得到首乌粉样品的原始光谱数据，然后使用主成分分析技术提取实验样本的主要信息，以此作为BP人工神经网络(back propagation artificial neuralnetwork, BPANN )的输入数据，构建基于BP人工神经网络的首乌粉产地快速识别模型，为快速、无损鉴别首乌粉产地提供技术依据。
本发明所采取的技术方案为：一种基于近红外漫反射光谱法的首乌粉产地鉴别方法，包括以下步骤
步骤一：测量首乌粉的近红外光谱数据，并绘制光谱曲线；
步骤二：对步骤一所得光谱数据进行预处理，根据预处理后的鉴别正确率选择正确率最高的预处理方法；
步骤三：对步骤一的光谱数据进行降维选取主成分数；
步骤四：建立BP人工神经网络预测模型：以步骤三所得主成分数作为输入层节点数，以产地分类数作为输出节点数进行产地鉴别。
进一步的，选取若干首乌粉测量近红外光谱数据，并选用Savitzky-Golay法、多元散射校正法、标准正态变量变换法、一阶导数法、二阶导数法、小波变换法、矢量归一化法、正交信号校正法分别对所述光谱数据进行预处理；以BP人工神经网络作为建模方法，全光谱数据作为输入，比较各光谱数据预处理方法的建模鉴别准确率。
进一步的，所述步骤三具体为：以BP神经网络作为建模方法，全光谱数据作为输入，采用正交信号校正法进行数据预处理，分别选取前若干个主成分进行首乌粉的产地鉴别，并比较实验结果的鉴别准确率，所述若干个主成分的累积方差贡献率不低于80%。
进一步的，所述步骤四中BP人工神经网络分为3层，分别为输入层、隐含层和输出层，BP人工神经网络的最小训练速率为0.1，训练迭代次数为4000次。
进一步的，所述若干个主成分为10个主成分。
进一步的，所述隐含层的节点数为9。
本发明所产生的有益效果包括：本发明使用近红外光谱仪得到首乌粉样品的原始光谱数据，通过对数据进行预处理和降维选择主成分提取实验样本的主要信息，构建基于BP人工神经网络的首乌粉产地快速识别模型，为快速、无损鉴别首乌粉产地提供技术依据，该方法鉴别准确率高达99%以上。
附图说明
图1首乌粉样本的光谱曲线；
图2主成分的累积方差贡献率；
图3BP人工神经网络对训练集的分类效果；
图4BP人工神经网络对预测集的分类效果。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的解释说明，但应当理解为本发明的保护范围并不受具体实施方式的限制。
仪器设备
MPA-TM傅里叶变换近红外光谱仪 德国布鲁克光学仪器公司；CT-C-0型烘箱 南京德悦康机电有限公司。
实验采用3种首乌粉样品，其产地分别为1 号：盐城市滨海县；2号：浙江省杭州市；3号：福建省福州市。
以分类准确率（鉴别准确率）作为评价指标，分类准确率的计算如公式(1)所示：
Accuracy=分类正确的样本个数/测试样本个数 (1)
步骤一：光谱获取
先分别将3种首乌粉，依次过 400 目筛子后，置于 100 ℃ 烘箱中干燥 2 h，冷却后保存于干燥器中备用。采用积分球漫反射模块采集3个样品的近红外光谱，采集光谱范围为4000-10000 cm-1，分辨率为8 cm-1，每个样品重复装样3次，取其平均光谱作为最后分析用的样品谱图，样品谱图曲线见图1，从图 1可以看出, 不同首乌粉样本的光谱曲线的趋势非常相似, 基于人工的判别方式难以区分不同产地的首乌粉样本。
步骤二：光谱数据预处理
为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等因素带来的影响，需要进行光谱预处理来消除噪声。对3种首乌粉样品，以BP人工神经网络作为建模方法，全光谱数据作为输入，比较8种光谱数据预处理方法的建模分类准确率，实验结果如表1所示。
表1 不同预处理方法的分类准确率
| 编号 | 所用方法 | 分类正确率 |
| 1 | Savitzky-Golay法 | 79% |
| 2 | 多元散射校正法 | 88% |
| 3 | 标准正态变量变换法 | 81% |
| 4 | 一阶导数法 | 83% |
| 5 | 二阶导数法 | 80% |
| 6 | 小波变换法 | 76% |
| 7 | 矢量归一化法 | 85% |
| 8 | 正交信号校正法 | 92% |
由表1可知，正交信号校正法的分类准确率最高，达到92%，优于其它光谱数据预处理方法所达到的分类准确率，因此本研究采用正交信号校正法作为首乌粉原始光谱的预处理方法。
步骤三：光谱数据降维
主成分分析算法(principal component analysis, PCA)是多元统计分析中用来分析数据的一种常用方法，算法核心思想是用较少数量的特征对样本进行描述，以达到降低特征空间维数的目的。PCA算法主要计算步骤为：对原始数据进行标准化处理，计算样本相关系数矩阵，用雅克比方法求相关系数矩阵的特征值和相应的特征向量，选择重要的主成分并写出主成分表达式。主成分分析可以得到P个主成分，但是由于各个主成分的方差是递减的，包含的信息量也是递减的，所以在实际分析时，一般不是选取所有的P个主成分，而是根据各个主成分累计贡献率的大小选取前k个主成分。贡献率越大，说明该主成分所包含的原始变量的信息越强。主成分个数k的选取，主要根据主成分的累积贡献率来决定，一般要求累积贡献率达到80%以上，才能保证包含原始变量的绝大多数信息。
主成分分析是本研究所采用的数据降维方法，前10个主成分的累积方差贡献率如图2所示，由图2可知，前10个主成分可以解释原始光谱98%的信息。
对于3种首乌粉样本，每种选择10个样品，以BP神经网络作为建模方法，全光谱数据作为输入，采用正交信号校正法进行数据预处理，分别选取前1、2、3、...、10个主成分进行首乌粉的产地鉴别，比较试验结果的分类准确率。由图2可见，前3个主成分的累积方差贡献率达到87%，能够包含原始光谱数据的大部分信息。实验过程中发现在选取前1至3个主成分时，分类准确率呈上升趋势；在选取前4至10个主成分时，分类准确率呈下降趋势。因此，本研究选取前3个主成分作为BP人工神经网络的特征输入量。
步骤四：BP人工神经网络预测模型建立
BP人工神经网络是一种单向传播的多层前向网络，是一种具有三层或三层以上的神经网络，包括输入层、中间层和输出层。上下两层之间实现全连接，而每层神经元之间无连接。当学习样本提供给BP人工神经网络后，神经元的激活值从输入层经各个中间层向输出层传播，在输入层的各个神经元获得网络的输入响应。然后，按照减少目标输出与实际误差的目标，从输出层经过各中间层逐层修正各连接权值，最后返回到输入层。随着误差的传播修正不断进行，BP人工神经网络对输入模式响应的正确率不断提升。
本实施例构建了一个3层BP人工神经网络，输入层、隐含层、输出层节点数分别为3，9，3，其中输入层的3个节点来自主成分分析得到的前3个主成分。设定BP人工神经网络的最小训练速率为0.1，训练迭代次数为4000次。所有的50个首乌粉样本被随机划分为训练集和预测集，其中30个样本为训练集，20个样本为预测集。1号首乌粉样品的产地分类标签为1，2号首乌粉样品的产地分类标签为2，3号首乌粉样品的产地分类标签为3。
基于BP人工神经网络的分类模型对训练集的分类效果如图3所示，误判个数为1，分类准确率为96.67%。
基于BP人工神经网络的分类模型对预测集的分类效果如图4所示，误判个数为0，分类准确率为100%。
上述仅为本发明的优选实施例，本发明并不仅限于实施例的内容。对于本领域中的技术人员来说，在本发明的技术方案范围内可以有各种变化和更改，所作的任何变化和更改，均在本发明保护范围之内。
Claims (6)
1.一种基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：包括以下步骤
步骤一：测量首乌粉的近红外光谱数据，并绘制光谱曲线；
步骤二：对步骤一所得光谱数据进行预处理，根据预处理后的鉴别正确率选择正确率最高的预处理方法；
步骤三：对步骤一的光谱数据进行降维选取主成分数；
步骤四：建立BP人工神经网络预测模型：以步骤三所得主成分数作为输入层节点数，以产地分类数作为输出节点数进行产地鉴别。
2.根据权利要求1所述的基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：选取若干首乌粉样本测量近红外光谱数据，并选用Savitzky-Golay法、多元散射校正法、标准正态变量变换法、一阶导数法、二阶导数法、小波变换法、矢量归一化法、正交信号校正法分别对所述光谱数据进行预处理；以BP人工神经网络作为建模方法，全光谱数据作为输入，比较各光谱数据预处理方法的建模鉴别准确率。
3.根据权利要求1所述的基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：所述步骤三具体为：以BP神经网络作为建模方法，全光谱数据作为输入，采用正交信号校正法进行数据预处理，分别选取前若干个主成分进行首乌粉的产地鉴别，并比较试验结果的鉴别准确率，所述若干个主成分的累积方差贡献率不低于80%。
4.根据权利要求1所述的基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：所述步骤四中BP人工神经网络分为3层，分别为输入层、隐含层和输出层，BP人工神经网络的最小训练速率为0.1，训练迭代次数为4000次。
5.根据权利要求3所述的基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：所述若干个主成分为10个主成分。
6.根据权利要求4所述的基于近红外漫反射光谱法的首乌粉产地鉴别方法，其特征在于：所述隐含层的节点数为9。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810157179.XA CN108444944A (zh) | 2018-02-24 | 2018-02-24 | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810157179.XA CN108444944A (zh) | 2018-02-24 | 2018-02-24 | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108444944A true CN108444944A (zh) | 2018-08-24 |
Family
ID=63192802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810157179.XA Pending CN108444944A (zh) | 2018-02-24 | 2018-02-24 | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108444944A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109632696A (zh) * | 2018-12-13 | 2019-04-16 | 宜宾学院 | 一种识别药物片剂来源的低成本近红外光谱方法 |
| CN109975236A (zh) * | 2019-04-04 | 2019-07-05 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种利用近红外光谱技术鉴别金银花产地的方法 |
| CN110006422A (zh) * | 2019-03-28 | 2019-07-12 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
| CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
| CN114863286A (zh) * | 2022-06-02 | 2022-08-05 | 青岛科技大学 | 一种基于多算法协同选优的混合废塑料分类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776797A (zh) * | 2014-02-25 | 2014-05-07 | 河北大学 | 一种近红外光谱鉴别平利绞股蓝的方法 |
| CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
-
2018
- 2018-02-24 CN CN201810157179.XA patent/CN108444944A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776797A (zh) * | 2014-02-25 | 2014-05-07 | 河北大学 | 一种近红外光谱鉴别平利绞股蓝的方法 |
| CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张辞海 等: "基于主成分分析和神经网络的近红外光谱烤烟产地判别", 《贵州农业科学》 * |
| 韩莹 等: "近红外光谱法鉴别何首乌真伪的应用研究", 《中国中药杂志》 * |
| 黄建荣 等: "适用于高维数据的正交信号校正预处理方法", 《高等学校化学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109632696A (zh) * | 2018-12-13 | 2019-04-16 | 宜宾学院 | 一种识别药物片剂来源的低成本近红外光谱方法 |
| CN110006422A (zh) * | 2019-03-28 | 2019-07-12 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
| CN110006422B (zh) * | 2019-03-28 | 2021-03-09 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
| CN109975236A (zh) * | 2019-04-04 | 2019-07-05 | 山东省农业科学院农业质量标准与检测技术研究所 | 一种利用近红外光谱技术鉴别金银花产地的方法 |
| CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
| CN110108655B (zh) * | 2019-05-23 | 2022-01-11 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
| CN114863286A (zh) * | 2022-06-02 | 2022-08-05 | 青岛科技大学 | 一种基于多算法协同选优的混合废塑料分类方法 |
| CN114863286B (zh) * | 2022-06-02 | 2024-03-08 | 青岛科技大学 | 一种基于多算法协同选优的混合废塑料分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108444944A (zh) | 一种基于近红外漫反射光谱法的首乌粉产地鉴别方法 | |
| Yun et al. | An overview of variable selection methods in multivariate analysis of near-infrared spectra | |
| Geronimo et al. | Computer vision system and near-infrared spectroscopy for identification and classification of chicken with wooden breast, and physicochemical and technological characterization | |
| Shao et al. | Visible/near-infrared spectra for linear and nonlinear calibrations: a case to predict soluble solids contents and pH value in peach | |
| Song et al. | A novel algorithm for spectral interval combination optimization | |
| Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
| Silalahi et al. | Robust generalized multiplicative scatter correction algorithm on pretreatment of near infrared spectral data | |
| Pu et al. | Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging | |
| Tian et al. | Nondestructive determining the soluble solids content of citrus using near infrared transmittance technology combined with the variable selection algorithm | |
| Luo et al. | Robustness improvement of NIR-based determination of soluble solids in apple fruit by local calibration | |
| CN101532954A (zh) | 一种用红外光谱结合聚类分析鉴定中药材的方法 | |
| Wu et al. | Classification of apple varieties using near infrared reflectance spectroscopy and fuzzy discriminant c‐means clustering model | |
| Mishra et al. | Parallel pre-processing through orthogonalization (PORTO) and its application to near-infrared spectroscopy | |
| Malvandi et al. | Non-destructive measurement and real-time monitoring of apple hardness during ultrasonic contact drying via portable NIR spectroscopy and machine learning | |
| CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
| Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
| Hou et al. | Convolutional neural network based approach for classification of edible oils using low-field nuclear magnetic resonance | |
| CN109564199A (zh) | 分析数据处理方法和分析数据处理装置 | |
| Bi et al. | Quality evaluation of flue-cured tobacco by near infrared spectroscopy and spectral similarity method | |
| Tugnolo et al. | Characterization of green, roasted beans, and ground coffee using near infrared spectroscopy: A comparison of two devices | |
| Allegrini et al. | Regression models based on new local strategies for near infrared spectroscopic data | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| CN107796766A (zh) | 一种臭脚盐产地鉴别方法、装置及计算机可读存储介质 | |
| Qu et al. | Application of serum mid-infrared spectroscopy combined with an ensemble learning method in rapid diagnosis of gliomas | |
| Song et al. | Detection of aflatoxin B1 in peanut oil using attenuated total reflection fourier transform infrared spectroscopy combined with partial least squares discriminant analysis and support vector machine models |
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: 20180824 |