CN108801971A - 基于高光谱成像技术的霉菌侵染板栗的检测方法 - Google Patents
基于高光谱成像技术的霉菌侵染板栗的检测方法 Download PDFInfo
- Publication number
- CN108801971A CN108801971A CN201810306448.4A CN201810306448A CN108801971A CN 108801971 A CN108801971 A CN 108801971A CN 201810306448 A CN201810306448 A CN 201810306448A CN 108801971 A CN108801971 A CN 108801971A
- Authority
- CN
- China
- Prior art keywords
- chinese chestnut
- sample
- infects
- mould
- image
- 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
- 235000006667 Aleurites moluccana Nutrition 0.000 title claims abstract description 87
- 235000018244 Castanea mollissima Nutrition 0.000 title claims abstract description 87
- 240000004957 Castanea mollissima Species 0.000 title claims abstract description 85
- 238000001228 spectrum Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001629 suppression Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 14
- 230000036541 health Effects 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 8
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 4
- 241001310793 Podium Species 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 244000298715 Actinidia chinensis Species 0.000 description 10
- 235000009434 Actinidia chinensis Nutrition 0.000 description 10
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 10
- 235000021028 berry Nutrition 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 241001070941 Castanea Species 0.000 description 4
- 235000014036 Castanea Nutrition 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 244000136475 Aleurites moluccana Species 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 244000287680 Garcinia dulcis Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000282553 Macaca Species 0.000 description 1
- 238000012408 PCR amplification Methods 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000249 desinfective effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 238000012549 training 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
- G01N21/3563—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
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高光谱成像技术的霉菌侵染板栗的检测方法，首先准备板栗样本，用高光谱扫描仪获取样本的原始高光谱三维图像，对原始高光谱三维图像进行校正和背景删除后对高光谱图像中每个像素点一定波长范围内的近红外光谱采用小波变换进行去噪预处理后，提取样本近红外图像的平均光谱数据，接着对光谱数据平均值采用二阶导数选取特征波长，然后再基于特征波长对应的光谱数据建立PLS‑DA模型，PLS‑DA模型采用全交互验证进行参数寻优，最后利用模型对样本的预测集进行判别，绘制可视化分布图，实验证明本发明建立的模型可以有效地对霉菌侵染板栗进行检测。
Description
技术领域
本发明涉及一种板栗无损检测方法，特别是涉及一种基于高光谱成像技术的霉菌侵染板栗的检测方法。
背景技术
板栗是重要的经济作物，在贮藏或加工过程中易受霉菌侵染，发生霉变，造成经济损失。目前，剔除霉变板栗主要采用人工拣选或盐水浮选，分选效率低。霉菌侵染初期，霉菌量少，不易被肉眼分辨，又或者板栗霉变发生在栗壳内，肉眼难以识别，导致分选错误率高。
另外，还可以通过组织分离法和分子生物学手段对板栗是否受霉菌侵染进行检测。即在无菌条件下，用无菌小刀将霉变板栗切开并去壳，在板栗病健交界处切3×3mm的组织块，用75％酒精消毒，将组织块接种于马铃薯葡萄糖(PDA)培养基上，置于28℃的恒温培养箱培养3-4天。待组织块周围长出混合菌落后，再挑取单菌落在PDA平板上分离纯化3-4天。纯化获得的菌株提取基因组DNA，经真菌通用引物ITS 1/ITS 4进行PCR扩增，所得PCR产物纯化后进行测序分析。整个分离鉴定过程至少需要一周，成本高，还必须由专业人员进行操作。因此，研究一种快速、准确、无损地识别霉变板栗的检测方法，对于板栗的贮藏与深加工具有重要的意义。
高光谱成像技术融合了图像技术与光谱技术，能同时提取目标的光谱信息和图像信息，获取更全面的信息进行分析检测，可以对检测对象的内外部属性进行可视化检测和表达，具有波段多、图像分辨率高等一系列优点。
目前，高光谱成像技术已经广泛应用在农业与食品的检测上，如种质资源品种鉴别、水果成熟度识别等方面。
中国专利CN103808669A公布了一种基于高光谱成像技术的苹果虫眼快速无损检测方法，通过构建一套高光谱成像采集系统，并根据此系统采集苹果高光谱图像，然后对采集的高光谱图像数据进行校正处理和分析苹果虫害部分和正常部分的校正后的光谱曲线特征，确定特征波长和特征图像；再对高光谱图像数据进行主成分分析，选取主成分图像；同时，对特征图像采用最大熵分级阈值分割方法先后分割出苹果和虫眼，提取苹果和虫眼，依此提取主成分图像的80×60像素大小的感兴趣区域，对其提取0°方向的能量、熵、惯性矩和相关性的4个纹理特征和646nm、824nm处的反射率2个光谱特征；最后融合这6个特征采用BP神经网络实现对苹果虫眼的快速、无损检测。
中国专利CN103822879A公布了一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，包括以下步骤：选取完好无损的猕猴桃膨大果和非膨大果作为样本；调试好高光谱图像采集系统的各项参数，采集猕猴桃样品的高光谱图像，并对采集的猕猴桃高光谱图像进行黑白校正；为了保证图像中仅有猕猴桃样本信息，构建掩膜以去除背景，进而求取猕猴桃果实区域中所有采样点下光谱的平均值，然后对光谱进行预处理；划分猕猴桃样本，得到校正集与预测集；对猕猴桃光谱数据进行降维；利用校正集样本建立猕猴桃膨大果识别模型，利用猕猴桃校正集和预测集样本分别检验模型对猕猴桃膨大果的正确识别率。但针对霉菌侵染板栗的检测方法尚无人涉及。
发明内容
为克服现有检测方法效率低、错误率高的不足，本发明提出一种基于高光谱技术的霉菌侵染板栗的检测方法，能无损、快速检测板栗是否受霉菌侵染，实现了大批量、规模化的快速检测，具有成本低、速度快、操作简单、无损样品等特点，对减少板栗采后损失，提高产业经济效益具有重要意义。
基于高光谱成像技术的霉菌侵染板栗的检测方法，包括如下步骤：
(1)准备测试样本，设置两组板栗作为检测样本，一组为健康板栗样本，一组为霉菌侵染板栗样本；
(2)用高光谱扫描仪获得放置在平台上的板栗样本中每个像素点在各个波长下的图像信息，得到板栗样本的原始高光谱三维图像；
(3)对获得的板栗样本的原始高光谱三维图像进行校正和背景删除；
(4)对高光谱图像中每个像素点一定波长范围内的近红外光谱采用小波变换(wavelet transform，WT)进行去噪预处理后，提取板栗样本近红外图像的平均光谱数据，记为X1，将对应近红外光谱的板栗是否健康记为Y1(健康样本类别赋值为1，霉菌侵染样本赋值为2)；
(5)对经过小波变换预处理后的近红外图像的平均光谱数据X1进行特征波长选择，记特征波长为X2；
(6)将所得数据(X2，Y1)按比例随机分为建模集S1和预测集S2；
(7)以X2为输入和Y1为输出，根据建模集S1建立PLS-DA(偏最小二乘判别分析)模型；
(8)将步骤(6)中的预测集S2的近红外光谱数据输入步骤(7)中建立的PLS-DA模型，对板栗的健康状况进行定性分析；
(9)利用步骤(5)中提取的特征波长和步骤(7)中的模型，以高光谱图像中板栗的光谱为预测集进行输入，记录样本坐标，利用MATLAB软件最终得到板栗健康状况的可视化分布图。
作为优选，所述的步骤(1)中的样本为同一品种、同一批次的板栗样本，从而保证分析健康板栗与霉变板栗的高光谱图像时不受其他因素干扰。
作为优选，所述的步骤(2)中高光谱扫描仪摄像头距离平台高度为25-30cm,平台移动速度为20-25mm/s,曝光时间1-3ms，从而确保能够获取清晰的高光谱图像。
作为优选，所述的步骤(2)中的高光谱扫描仪的扫描波长范围为975-1646nm，扫描方式为线扫描。
作为优选，所述的步骤(4)中去噪预处理方法为选择975-1646nm范围内的近红外光谱采用小波函数为db7，分解为3的小波变换进行去噪预处理，从而能够最大程度上减少光谱噪声对光谱曲线带来的影响。
作为优选，所述的步骤(5)中采用二阶导数(2nd spectra)进行特征波长选择，从而大大减少建模数据量，缩短建模时间。
作为优选，所述的步骤(5)中选取的特征波长分别为：985nm、1015nm、1079nm、1106nm、1126nm、1160nm、1170nm、1220nm、1251nm、1298nm、1311nm、1352nm、1382nm、1416nm、1443nm、1453nm、1497nm、1595nm、1615nm、1626nm，从而确保所选特征波长能最大程度上反映相关化学物质在健康板栗和霉变板栗中所发生的变化。
作为优选，所述的步骤(6)中建模集S1和预测集S2比例为2:1。
作为优选，所述的步骤(7)中PLS-DA模型采用全交互验证，判别阈值设定为0.5。
作为优选，所述的所述步骤(7)中建立的霉菌侵染板栗偏最小二乘判别分析模型为：
Y1＝-24.973X1+28.097X2-21.248X3+0.450X4+1.920X5+68.929X6-21.143X7-56.324X8+69.331X9-32.094X10-31.567X11+0.268X12+26.202X13-35.646X14+170.283X15-127.134X16-26.708X17+355.464X18-1054.041X19+706.806X20
其中，Y1为对板栗是否健康的判定，Xa代表对应特征波长的反射率图像中某一板栗的反射率，其中a为1～20。
与传统的检测霉菌侵染板栗方法相比，本发明的优点为：
(1)本发明预处理简单。
(2)近红外光谱测量快速简便，检测成本低，不需要特殊或者昂贵的试剂。
(3)近红外光谱成像可实现板栗霉菌实时在线的可视化检测。
附图说明
图1为本发明基于高光谱成像技术检测板栗霉层侵染状况方法流程图；
图2为本发明实施例提取板栗样品的高光谱图像的平均光谱；
图3为本发明实施例基于高光谱成像技术检测板栗受霉菌侵染状况的可视化分布图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本实施例基于高光谱成像技术的霉菌侵染板栗的检测方法，包括如下步骤：
(1)准备测试样本，设置两组同一品种、同一批次的板栗作为检测样本，一组为健康板栗样本，一组为霉菌侵染板栗样本，两组样本分别有264个板栗。
(2)用高光谱扫描仪获得放置在平台上的板栗样品中每个像素点在各个波长下的图像信息，得到板栗样本的原始高光谱三维图像，高光谱扫描仪摄像头距离平台高度为25cm，平台移动速度为25mm/s，曝光时间1-3ms，高光谱扫描仪的扫描波长范围为975-1646nm，扫描方式为线扫描。
(3)对获得的板栗样本的原始高光谱三维图像进行校正和背景删除。
(4)对高光谱图像中每一个像素点975-1646nm范围内的近红外光谱用小波函数为db7，分解尺度为3的小波变换进行去噪预处理，预处理后，提取板栗样本近红外图像的平均光谱，所得的光谱如图2所示，记为X1，将对应近红外光谱的板栗是否健康记为Y1，健康样本类别赋值为1，霉菌侵染样本赋值为2。
(5)对近红外光谱数据X1采用2ndspectra进行特征波长选择，选取的特征波长分别为：985nm、1015nm、1079nm、1106nm、1126nm、1160nm、1170nm、1220nm、1251nm、1298nm、1311nm、1352nm、1382nm、1416nm、1443nm、1453nm、1497nm、1595nm、1615nm、1626nm，记特征波长为X2。
(6)将所得数据(X2，Y1)按比例2:1随机分为建模集S1和预测集S2。
(7)以X2为输入和Y1为输出，根据建模集S1建立PLS-DA模型，得到的模型为：
Y1＝-24.973X1+28.097X2-21.248X3+0.450X4+1.920X5+68.929X6-21.143X7-56.324X8+69.331X9-32.094X10-31.567X11+0.268X12+26.202X13-35.646X14+170.283X15-127.134X16-26.708X17+355.464X18-1054.041X19+706.806X20
其中，Y1为对板栗是否健康的判定，Xa代表对应特征波长的反射率图像中某一板栗的反射率，其中a为1～20。
(8)利用步骤(7)中的模型，将步骤(6)中的预测集近红外光谱数据输入检测模型，对板栗的健康状况进行定性分析，分析结果见表1。
表1健康与霉菌侵染板栗检测结果
由表1的结果可知，利用本发明方法对预测集样本检测得到的检测结果显示，该模型能够有效地判定板栗受霉菌侵染的状况。对于健康的样本建模集回判准确率达到了95％，预测集回判准确率达到了88％；受霉菌侵染的板栗的建模集和预测集回判准确率都达到了100％。
(9)利用步骤(5)中选取的特征波长和步骤(7)中的模型，以高光谱图像中板栗的光谱为预测集进行输入，记录样本坐标，利用MATLAB软件最终得到板栗健康状况的可视化分布图，可视化结果如图3所示，由图可知，健康板栗与霉变板栗显示不同的颜色，由可视化分布图可更直观的分辨板栗的健康状况。
由本发明实施例可知，特征波长的选取和检测模型的建立对于板栗健康状况检测是否准确有重要影响，本发明选取的特征波长和建立的检测模型，可以有效地实现对健康与霉菌侵染板栗的检测。
Claims (10)
1.基于高光谱成像技术的霉菌侵染板栗的检测方法，包括如下步骤：
(1)准备测试样本，设置两组板栗作为检测样本，一组为健康板栗样本，一组为霉菌侵染板栗样本；
(2)用高光谱扫描仪获得放置在平台上的板栗样本中每个像素点在各个波长下的图像信息，得到板栗样本的原始高光谱三维图像；
(3)对获得的板栗样本的原始高光谱三维图像进行校正和背景删除；
(4)对高光谱图像中每个像素点一定波长范围内的近红外光谱采用小波变换进行去噪预处理后，提取板栗样本近红外图像的平均光谱数据，记为X1，将对应近红外光谱的板栗是否健康记为Y1，健康样本类别赋值为1，霉菌侵染样本赋值为2；
(5)对经过小波变换预处理后的近红外图像的平均光谱数据X1进行特征波长选择，记特征波长为X2；
(6)将所得数据(X2，Y1)按比例随机分为建模集S1和预测集S2；
(7)以X2为输入和Y1为输出，根据建模集S1建立PLS-DA模型；
(8)将步骤(6)中的预测集S2的近红外光谱数据输入步骤(7)中建立的PLS-DA模型，对板栗的健康状况进行定性分析；
(9)利用步骤(5)中提取的特征波长和步骤(7)中的模型，以高光谱图像中板栗的光谱为预测集进行输入，记录样本坐标，利用MATLAB软件得到板栗健康状况的可视化分布图。
2.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(1)中检测样本为同一品种、同一批次的板栗样本。
3.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(2)中高光谱扫描仪摄像头距离平台高度为25-30cm，平台移动速度为20-25mm/s，曝光时间1-3ms。
4.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(2)中的高光谱扫描仪的扫描波长范围为975-1646nm，扫描方式为线扫描。
5.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板的检测方法，其特征在于，所述的步骤(4)中去噪预处理方法为选择975-1646nm范围内的近红外光谱采用小波函数为db7，分解为3的小波变换进行去噪预处理。
6.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(5)中对近红外光谱数据X1采用二阶导数进行特征波数选择。
7.根据权利要求6所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(5)中选择的特征波长分别为：985nm、1015nm、1079nm、1106nm、1126nm、1160nm、1170nm、1220nm、1251nm、1298nm、1311nm、1352nm、1382nm、1416nm、1443nm、1453nm、1497nm、1595nm、1615nm、1626nm。
8.如权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(6)中建模集S1和预测集S2比例为2:1。
9.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(7)中偏最小二乘判别分析模型采用全交互验证，判别阈值设定为0.5。
10.根据权利要求1所述的基于高光谱成像技术的霉菌侵染板栗的检测方法，其特征在于，所述的步骤(7)中建立的霉菌侵染板栗偏最小二乘判别分析模型为：
Y1＝-24.973X1+28.097X2-21.248X3+0.450X4+1.920X5+68.929X6
-21.143X7-56.324X8+69.331X9-32.094X10-31.567X11+0.268X12
+26.202X13-35.646X14+170.283X15-127.134X16-26.708X17+355.464X18
-1054.041X19+706.806X20
其中，Y1为对板栗是否健康的判定，Xa代表对应特征波长的反射率图像中某一像素点的反射率，其中a为1～20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306448.4A CN108801971A (zh) | 2018-04-08 | 2018-04-08 | 基于高光谱成像技术的霉菌侵染板栗的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810306448.4A CN108801971A (zh) | 2018-04-08 | 2018-04-08 | 基于高光谱成像技术的霉菌侵染板栗的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108801971A true CN108801971A (zh) | 2018-11-13 |
Family
ID=64095396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810306448.4A Pending CN108801971A (zh) | 2018-04-08 | 2018-04-08 | 基于高光谱成像技术的霉菌侵染板栗的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108801971A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
| CN113237863A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱进行油菜花瓣核盘菌侵染的快速诊断的方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
| CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
| CN114993993A (zh) * | 2022-05-25 | 2022-09-02 | 北京远舢智能科技有限公司 | 一种烟叶霉变检测方法及装置 |
-
2018
- 2018-04-08 CN CN201810306448.4A patent/CN108801971A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
| CN109470648B (zh) * | 2018-11-21 | 2021-03-16 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
| CN113237863A (zh) * | 2021-03-23 | 2021-08-10 | 浙江大学山东工业技术研究院 | 一种基于光谱进行油菜花瓣核盘菌侵染的快速诊断的方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
| CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
| CN114252318B (zh) * | 2021-12-27 | 2023-11-17 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
| CN114993993A (zh) * | 2022-05-25 | 2022-09-02 | 北京远舢智能科技有限公司 | 一种烟叶霉变检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108801971A (zh) | 基于高光谱成像技术的霉菌侵染板栗的检测方法 | |
| Fuentes et al. | Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Huang et al. | Recent developments in hyperspectral imaging for assessment of food quality and safety | |
| US9546968B2 (en) | Meat assessment device | |
| Shahin et al. | Classification of sweet onions based on internal defects using image processing and neural network techniques | |
| Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
| Kaur et al. | Quality detection of fruits by using ANN technique | |
| Wang et al. | A multimodal machine vision system for quality inspection of onions | |
| CN106706546A (zh) | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 | |
| CN111325738B (zh) | 一种用于横穿孔周边裂纹的智能检测方法及系统 | |
| CN106780347A (zh) | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 | |
| CN110243805A (zh) | 基于拉曼高光谱成像技术的鱼刺检测方法 | |
| CN112691939A (zh) | 果蔬品质智能感知分拣机器人系统 | |
| CN103745231A (zh) | 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法 | |
| Cai et al. | Detection of early decayed oranges by structured-illumination reflectance imaging coupling with texture feature classification models | |
| CN114295556A (zh) | 一种基于一维卷积的高光谱理化指标拟合方法及系统 | |
| CN104297136A (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
| CN106556602A (zh) | 一种鱼体新鲜度的检测方法及其装置 | |
| Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
| Chu et al. | A Vis/NIR spectra-based approach for identifying bananas infected with Colletotrichum musae | |
| Khadabadi et al. | Disease detection in vegetables using image processing techniques: A review | |
| TWI731689B (zh) | 基於時域光譜的斷層攝影方法、系統及裝置 | |
| CN108535214A (zh) | 一种基于高光谱技术鉴定木霉菌的方法 | |
| Damayanti et al. | The prediction of chlorophyll content in african leaves (Vernonia amygdalina Del.) using flatbed scanner and optimised artificial neural network |
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: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |