CN108875913A - 一种基于卷积神经网络的松茸快速无损检测系统及方法 - Google Patents
一种基于卷积神经网络的松茸快速无损检测系统及方法 Download PDFInfo
- Publication number
- CN108875913A CN108875913A CN201810539012.XA CN201810539012A CN108875913A CN 108875913 A CN108875913 A CN 108875913A CN 201810539012 A CN201810539012 A CN 201810539012A CN 108875913 A CN108875913 A CN 108875913A
- Authority
- CN
- China
- Prior art keywords
- sample
- matsutake
- convolutional neural
- neural networks
- data
- 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.)
- Granted
Links
- 241000121220 Tricholoma matsutake Species 0.000 title claims abstract description 82
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 239000000126 substance Substances 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000000523 sample Substances 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 14
- 150000004676 glycans Chemical class 0.000 claims description 11
- 229920001282 polysaccharide Polymers 0.000 claims description 11
- 239000005017 polysaccharide Substances 0.000 claims description 11
- 150000001413 amino acids Chemical class 0.000 claims description 10
- 238000002835 absorbance Methods 0.000 claims description 9
- 238000002329 infrared spectrum Methods 0.000 claims description 8
- 235000021122 unsaturated fatty acids Nutrition 0.000 claims description 8
- 150000004670 unsaturated fatty acids Chemical class 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000013068 control sample Substances 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 102000004169 proteins and genes Human genes 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005571 anion exchange chromatography Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 206010013786 Dry skin Diseases 0.000 claims description 3
- 229920002684 Sepharose Polymers 0.000 claims description 3
- 238000000944 Soxhlet extraction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000287 crude extract Substances 0.000 claims description 3
- 235000019784 crude fat Nutrition 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 230000032050 esterification Effects 0.000 claims description 3
- 238000005886 esterification reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000000706 filtrate Substances 0.000 claims description 3
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 claims description 3
- 238000005227 gel permeation chromatography Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- -1 moisture Chemical class 0.000 claims description 3
- 239000002504 physiological saline solution Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000012488 sample solution Substances 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000108 ultra-filtration Methods 0.000 claims description 3
- 238000000705 flame atomic absorption spectrometry Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims 2
- 241000208340 Araliaceae Species 0.000 claims 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims 1
- 241000372132 Hydrometridae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims 1
- 235000011613 Pinus brutia Nutrition 0.000 claims 1
- 241000018646 Pinus brutia Species 0.000 claims 1
- 210000003056 antler Anatomy 0.000 claims 1
- 238000004821 distillation Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005121 nitriding Methods 0.000 claims 1
- 239000001117 sulphuric acid Substances 0.000 claims 1
- 239000010410 layer Substances 0.000 description 34
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 10
- 235000013305 food Nutrition 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241000233866 Fungi Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 description 2
- 238000005349 anion exchange Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 241001493065 dsRNA viruses Species 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- OQUKIQWCVTZJAF-UHFFFAOYSA-N phenol;sulfuric acid Chemical compound OS(O)(=O)=O.OC1=CC=CC=C1 OQUKIQWCVTZJAF-UHFFFAOYSA-N 0.000 description 2
- 108090000765 processed proteins & peptides Proteins 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- VSMOENVRRABVKN-UHFFFAOYSA-N (+/-)-matsutakeol Natural products CCCCCC(O)C=C VSMOENVRRABVKN-UHFFFAOYSA-N 0.000 description 1
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 240000006794 Volvariella volvacea Species 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000002019 anti-mutation Effects 0.000 description 1
- 230000003471 anti-radiation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000002365 multiple layer Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005502 peroxidation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000021081 unsaturated fats Nutrition 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于卷积神经网络的松茸快速无损检测系统及方法，包括深度学习卷积神经网络模型、控制端和消费者终端；深度学习卷积神经网络模型包括样本收集、数据采集、深度学习卷积神经网络建模及优化；样本收集完成对检测对象的样本筛选建立样本集，并将样本集分为训练集、验证集和测试集；数据采集包括样本化学含量测量和光谱数据采集；深度学习卷积神经网络建模及优化利用深度学习中的卷积神经网络模型和池化处理对经过预处理的光谱数据和相应的化学含量进行建模；深度学习卷积神经网络模型对松茸的检测结果存储在所述控制端；消费者终端通过访问控制端能够得到松茸的检测数据。本发明能够有效降低检测成本，并有利于监管部门监管市场。
Description
技术领域
本发明涉及无损检测技术领域，具体是一种基于深度学习卷积神经网络和近红外分析技术的菌类食品快速无损检测系统及方法。
背景技术
现代近红外光谱分析技术是利用化学物质在NIR光谱区内的光学特性，快速测定样品中一种或多种化学成分含量和特性的新物理测定技术，具有样品用量少，样品无损失，分析速度快，同时测定多指标，无废物污染以及成本低，利用率高等常规方法无法比拟的优点，已被广泛应用于食品质检、石油化工、农业生产、临床制药等领域。
深度学习是一种采用多层非线性变换的信息提取方法，通过无监督训练或有监督训练训练一组能够提取数据丰富内涵的网络参数，最终用于信息提取或转换以及模式分类等任务。它所具有的这种多层特征表示结果使其能够对数据间的复杂关系进行拟合，其中高层特征受底层驱动得以挖掘更深层的信息，这样把多层叠加起来，从而构建一个层次化的特征提取体系。
无损检测技术是指通过利用物质的声、光、磁和电等特性，在不损害或不影响检测对象使用性能或价值的前提下，完成对被测对象定性或定量等特定任务的检测。松茸富含蛋白质，有18种氨基酸，14种人体必需微量元素、49种活性营养物质、5种不饱和脂肪酸，核酸衍生物，肽类物质等稀有元素。另含有3种珍贵的活性物质，分别是双链松茸多糖、松茸多肽和全世界独一无二的抗癌物质--松茸醇，是世界上最珍贵的天然药用菌类。现有临床实验已证明长期食用松茸有助于促进人体新陈代谢、延缓组织器官衰老、增强人体免疫力等功效，特别是松茸所独有的松茸多糖，它具有抗辐射、抗突变、抗癌作用，同时具有促进自由基消除、抑制脂质过氧化反应的作用，正是基于以上特点以及野生松茸无法移植培育、保质时间短、营养成分易丢失等原因，致使纯正松茸价格一直居高不下，松茸种植已发展为地方主要经济产业，但是近年来松茸市场上不断出现以次充好、以假乱真等现象，严重影响了人们生活消费保障、食品安全和国家进出口贸易。
专利“一种食用菌dsRNA病毒的检测方法”[专利申请号：2016105311487，公开号：CN 106226524 A]公开了一种通过斑点杂交检测食用菌dsRNA病毒的方法，该方法利用基于dsRNA单克隆抗体J2的斑点杂交检测方法完成对香菇、草菇等食用菌的病毒检测，需要培育专门的抗体和在专业操作人员指导下才能完成，耗时费力，成本高，而且在进行病毒检验中容易受操作熟练度和环境变化的影响，无法保证检测精度和推广使用范围。
因此，必须对进入市场的松茸进行快速、准确的检测，建立对松茸等级、真伪评价及氨基酸等主要成分含量测量的完整体系，以最大限度地保障市场公平和食品安全，同时提高信息共享，完善和保障消费者权利体系。然而目前国内对于松茸等名贵食用菌的检测存在诸多缺点，主要有：
1.对于偏远地区野生松茸的检测，主要通过依靠经验和松茸的大小完成等级评价，不能对其内部所含元素或组分进行定量测定，无法检测出的内部腐质严重影响食用或运输安全。仅通过前期经验以体积大小为依据进行等级划分无法体现松茸的市场价值，而且在食用菌中存在着很多与松茸外形相似的异类菌，仅依靠外形和经验进行分类准确低，消费者无法判别具体物质的含量，降低松茸的市场竞争力。
2.采用传统的检测方法耗时费力、成本高，而且有些方法通过破坏松茸实体来完成检测。松茸对保鲜方式非常敏感。因野生松茸一般生长在四川、云南和东北的森林中，如果采用传统的检测方法，需要将松茸从采摘地运输到特定的地方进行检测，在这个运输和检测过程中，松茸水分丢失十分明显，内部元素含量会发现变化，影响新鲜松茸食用口感甚至失去市场价值。
3.传统检测方法准确率低、速度慢，无法完成对多种元素的快速同步测量。因松茸属于名贵食用菌，市场对于其内部的特定组分含量有严格要求，准确率低的检测方式导致人们对市场上松茸的不认可，间接损害了地方经济和国家经济发展。
4.现有检测机构体系主要建立于检测机构和生产商之间，未能有效地保障消费者的权益。消费者未能及时或有效地了解松茸的具体信息，譬如等级、微量元素以及松茸多糖含量等，存在着盲目消费和误导消费等现象，不利于市场公平竞争和长期发展。
5.传统的松茸检测模型是基于不同波长区间的吸光度和化学含量之间的关系而建立的，这种方法需要使用矩阵乘法来建立输入和输出之间的链接关系，即每一个输出和输入之间都产生交互，计算量大且无法保证准确率。
发明内容
本发明的目的在于解决目前无损检测存在的主要问题，提出一种基于深度学习和近红外光谱分析的松茸快速无损检测方法，能够实现对松茸等食用菌快速、准确、多变量的快速无损检测，整个系统主要包含深度学习卷积神经网络模型部分、消费者终端部分和控制端部分。
所述深度学习卷积神经网络模型部分包括样本收集、数据采集、深度学习卷积网络建模及优化三部分。所述样本收集部分是指完成对检测对象的样本筛选，需要建立具有完整性、代表性的样本集，才能确保样本的代表性和预测模型的准确性。对于特定的检测对象，以产地、海拔等为依据通过常规选择或计算机识别进行样本采集，并将样本按比例分为训练集、验证集和测试集。
所述数据采集部分主要包括样本化学含量测量和光谱数据采集两部分。化学含量测量包括物化分析和数据预处理，对于不同的指标采用不同的检测方法检测包含蛋白质、氨基酸、松茸多糖、水分、不饱和脂肪酸、微量元素、松茸多肽在内的7个指标，在完成物化分析后，需要通过杠杆值或学生t检验对异常样本进行剔除处理，最终确定建模样本。光谱数据采集主要包括波长区间选择、异常光谱剔除和光谱数据预处理，通过相关系数、方差分析、逐步回归等方法进行波长选取，有效剔除不相关数据，减少计算量，增加系统的准确性和快速性。异常光谱剔除是指对样本光谱图中表现异常的起始端、终止端及距离平均光谱距离较远的样本进行剔除，这些数据存在着测量误差或系统误差，通过肖维勒准则及Spectrum outliner检验剔除异常样本。从光谱仪上采集到的数据不仅包含与化学物质相关的信息，还包含其他干扰因素的信号，例如不同成分之间的干扰、谱线的重叠及噪声扰动等，在进行建模之前需对样本的光谱数据进行预处理，针对松茸的检测，本发明采用傅里叶变换进行预处理方法。
通过上述方法，本发明对建模数据进行了多种处理，最大限度地确保数据的准确性和完整性，有效地剔除了重叠、无效或干扰信号，降低了建模的计算量，确保了快速性。
所述深度学习卷积神经网络建模及优化是指利用深度学习进行建模，在松茸检测中，本发明利用深度学习中的卷积神经网络模型和池化处理对上述经过预处理的光谱数据和相应的化学含量之间进行建模。卷积神经网络包含三级：输入级、探测级和池化级，输入级是通过并行的多个卷积产生一组线性激活响应，主要包括稀疏交互和参数共享两部分，通过将输入数据从原来的吸光度变为基于同一基点的光谱图，这样极大地增加了有效输入变量，再利用卷积网络的稀疏交互提取有效像素点，提高统计效率、降低计算量和存储要求。参数共享是指在一个模型的多个函数中使用相同的参数，在含有多个隐层的卷积神经网络中参数共享是指权重共享，权重共享使得对于学习一组参数集合而言，只需学习一个参数即可，这极大的降低了计算量和存储需求。探测级是指每一个线性激活响应通过一个非线性激活函数。池化级是指使用池化函数进行调整输出。
在使用训练集建立模型之后，使用验证集进行超参数优化，与此同时还需要对第一阶段剔除的异常样本进行检测，配合不断调整的隐层深度，直到系统性能达到预期要求，此阶段仍属于模型优化阶段，最终以测试集样本数据验证系统性能，若未达到设定精度，需不断配合调整隐层深度和样本容量，直到达到预定性能指标。
所述控制端用于存储模型检测的松茸指标结果，在系统使用后期根据消费者或市场对检测对象指标及检测精度等要求变化后对深度学习模型进行的相应调整。根据消费者对松茸不同指标的不同要求，需要结合市场消费现状进行检测指标和检测精度调整，通过设置控制端进行直接或远程调整。
所述手持终端是指基于此系统的完整网络结构，消费者在购买松茸时能够通过手机APP访问控制端，实时实地的获知相应商品的具体指标含量，与此同时，消费者通过便携式近红外光谱仪采集松茸的信息，将此采集的信息发送给卷积神经网络模型进行检测，并将检测结果反馈给控制端进行信息实时共享，这样监管部门能够更好的了解市场消费情况，从根本上有效的保障消费者权益和食品安全。
基于上述系统，本发明提出了一种基于深度学习和近红外分析的菌类食品快速无损检测方法，包括如下步骤：
步骤1：样本筛选，通过采用人工方法或者计算机识别挑选具有代表性的样本，建立样本集；
步骤2：数据采集，包括通过近红外光谱仪采集光谱数据和通过物化实验采集化学含量数据：氨基酸测量采用L-8900氨基酸分析仪；水分测量采用水分测定仪；蛋白质测量采用凯氏定氮法；微量元素测量采用火焰原子吸收光谱法；不饱和脂肪酸：采用索氏提取法提取松茸中的粗脂肪,通过甲酯化,并运用气相色谱-质谱联用(GC/MS)技术测定不饱和脂肪酸组成与含量；
松茸多肽测定：用生理盐水对松茸粗提取物进行溶解，用分子量为5kDa的超滤膜收集滤液，依次进行Q SepharoseR Fast Flow阴离子交换柱层析、Mono-Q阴离子交换柱层析和FPLC凝胶过滤层析,最后将含有过滤后的液体进行冷冻干燥即得松茸多肽。
多糖含量的测定：精密称取105℃干燥指恒重的无水葡萄糖对照样品0.1g,置于1000ml容量瓶中，加入适量水进行溶解，稀释至刻度线即得对照样品溶液。采用苯酚-硫酸法绘制以吸光度为纵坐标，浓度为横坐标的标准曲线，取待测松茸样品溶液置具塞试管中，加蒸馏水至2.0ml，按照标准曲线的制备方法测定吸光度，通过标准曲线和转化公式即可计算出多糖的含量。
步骤3：波长区间选择和样本数据预处理，选择有效的波长区间和光谱数据，剔除异常样本；
步骤4：使用训练集进行建模，以样本的近红外光谱图作为卷积神经网络的输入，以相应样本的特定物质含量作为输出，通过结合具有多个隐藏层的卷积神经网络建立深度学习模型；
步骤5：使用验证集进行模型验证，不断调整模型的超参数；
步骤6：使用测试集进行系统性能评价，若未满足预设要求，则返回步骤4进行重新建模，若多次返回仍未达到要求，则返回步骤1，扩大建模样本，直到系统达到预定要求。
步骤7：利用优化好的模型进行松茸检测，并将检测结果存储在控制端云服务器内；
步骤8：将控制端和智能终端网络连接，建立完整的网络结构；
步骤9：消费者使用智能终端APP访问控制端实时获取松茸检测指标；同时消费者使用便携式近红外光谱仪采集松茸光谱信息，并将采集的信息发送给卷积神经网络模型进行检测，检测结果存储在控制端实现实时共享；监管部门也可以实时访问控制端查看松茸检测指标结果。
本发明的有益效果：
本发明通过使用卷积神经网络，建立近红外光谱图和化学组分含量之间的模型，同时结合控制端和手持终端建立完整的网络架构，相比于已有检测方法，本方法所具有的优势和特点为：
1.采用近红外光谱图为输入，结合深度学习对于大数据的处理能力，极大地提高了有效的输入变量，虽然增大了输入变量，但是卷积神经网络的参数共享和稀疏交互又有效地降低了计算量和存储要求，有效地提高了系统的快速性。
2.采用谱图输入提高了样本的有效信息，提高了系统的准确性，现有检测方法只是提取部分特征值，减少了部分有效输入，降级了系统精度。
3.采用卷积神经网络，能够完成多变量同时测量，实现成倍地缩减检测时间，对于松茸这种对保鲜时间有严格要求的食用菌而言有利于进一步开拓市场。
4.多变量同步测量降低了检测成本，对松茸等名贵物质检测而言，在确保检测精度的同时需要考虑检测成本，以光谱图为输入，多变量组分含量为输出，实现一个检测物体的多变量同时检测，有效降低检测成本。
5.手持终端和控制端保障了消费者对食品信息的实时了解，避免了市场误导消费和盲目消费等现象，保障了消费者基本权益，同时有利于政府监管部门有效地监管市场，促进市场良好有序发展。
附图说明
图1是本发明总体架构图；
图2是本发明总体流程图；
图3是图1中卷积神经网络数据处理流程图；
附图符号说明：
110～待检测样品
120～近红外光谱仪
130～物化分析测量仪器
140～卷积神经网络
150～便携式近红外光谱仪
160～深度学习模型
170～手机终端APP
180～消费者
190～PC控制端
200～无线传输网络
210～市场监管部门
具体实施方式
下面结合附图对本发明作进一步说明。
本发明将深度学习网络和近红外光谱技术相结合，根据国内居民消费和国家进出口贸易现状，提出一种针对松茸等名贵食用菌的快速无损检测方法，附图1为本发明总体架构图，图中体现了深度学习模型160、控制端190、手持终端170、消费者180和监管部门210之间的关系，在深度学习模型160检测完松茸指标结果后，将检测结果存放在控制端的云服务器，消费者180通过手持终端170安装的APP访问云服务器以获得检测结果；同时监管部门210也可以访问云服务器获得检测结果。消费者180还可以通过便携式近红外光谱仪150采集光谱数据，并将采集的数据送给模型检测，然后再把检测结果存入云服务器。
附图2是设计流程图，包含样本收集、数据采集及预处理、网络模型建立及优化三部分，各环节采用的检测方法能够最大程度地剔除无用信息，采用光谱图作为系统输入能够增加有效输入变量，卷积神经网络140则有效地减少计算量和存储空间，使用训练集完成建模后，需要使用验证集和测试集不断对深度学习模型160的系统超参数进行调整。
附图2中系统流程图所示步骤具体如下：
步骤1：样本筛选，通过采用常规方法或者计算机识别挑选具有代表性的样本110，建立样本集；
步骤2：数据采集，包括通过近红外光谱仪120采集光谱数据和通过物化实验仪130采集检测指标的化学含量数据，具体指标采集方式为：氨基酸测量采用L-8900氨基酸分析仪；水分测量采用水分测定仪；蛋白质测量采用凯氏定氮法；微量元素测量采用火焰原子吸收光谱法；不饱和脂肪酸：采用索氏提取法提取松茸中的粗脂肪,通过甲酯化,并运用气相色谱-质谱联用(GC/MS)技术测定不饱和脂肪酸组成与含量；
松茸多肽测定：用生理盐水对松茸粗提取物进行溶解，用分子量为5kDa的超滤膜收集滤液，依次进行Q SepharoseR Fast Flow阴离子交换柱层析、Mono-Q阴离子交换柱层析和FPLC凝胶过滤层析,最后将含有过滤后的液体进行冷冻干燥即得松茸多肽。
多糖含量的测定：精密称取105℃干燥指恒重的无水葡萄糖对照样品0.1g,置于1000ml容量瓶中，加入适量水进行溶解，稀释至刻度线即得对照样品溶液。采用苯酚-硫酸法绘制以吸光度为纵坐标，浓度为横坐标的标准曲线，取待测松茸样品溶液置具塞试管中，加蒸馏水至2.0ml，按照标准曲线的制备方法测定吸光度，通过标准曲线和转化公式即可计算出多糖的含量。
步骤3：波长区间选择和样本数据预处理，选择有效的波长区间和光谱数据，剔除异常样本；
步骤4：使用训练集进行建模，以样本的近红外光谱图作为卷积神经网络140的输入，以相应样本的特定物质含量作为输出，通过结合具有多个隐藏层的卷积神经网络建立深度学习模型160；
步骤5：使用验证集进行模型验证，不断调整模型的超参数；
步骤6：使用测试集进行系统性能评价，若未满足预设要求，则返回步骤4进行重新建模，若多次返回仍未达到要求，则返回步骤1，扩大建模样本，直到系统达到预定要求。
步骤7：进行控制端190、消费端180、手持终端170和监管部门210之间的无线网络200连接，建立完整的网络结构。
附图3说明卷积神经网络140在本发明中的处理过程，主要包含输入层、卷积层、采样层、链接层和输出层，其中输入层是检测对象32x32大小的近红外光谱图，输出是包含蛋白质、松茸多糖、微量元素等在内的10个测量指标，复合的多个卷积层和采样层采用参数共享和稀疏交互进行逐层稀疏特征提取，层的数目决定了卷积神经网络的深度，在具体实施过程中结合不同的检测对象110进行调整，连接层是将随后一层包含输出特征的卷积层和输出层进行连接。在检测过程中，根据输出层变量的不同选择不同的输出层函数，本发明中第一层卷积层是6个特征映射，每一个特征映射为28x28的神经阵列，第二层为一个含有6个14x14特征映射的采样层，第三层为含有16个特征映射的卷积层，每一个卷积层为10x10的神经矩阵，第四层为含有16个5x5特征映射的采样层，第五层是120维特征向量，第六层是由84个神经元组成的链接层，最后一层是由10个检测指标相对应向量组成的输出层，整个网络在计算过程中步长均设为1。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，包括深度学习卷积神经网络模型部分、控制端部分和消费者终端部分；
所述深度学习卷积神经网络模型包括样本收集、数据采集、深度学习卷积神经网络建模及优化三部分；所述样本收集部分完成对检测对象的样本筛选建立样本集，并将样本集分为训练集、验证集和测试集；所述数据采集部分包括样本化学含量测量和光谱数据采集；所述深度学习卷积神经网络建模及优化部分利用深度学习中的卷积神经网络模型和池化处理对经过预处理的光谱数据和相应的化学含量进行建模；
所述深度学习卷积神经网络模型对松茸的检测结果存储在所述控制端；
所述消费者终端通过访问所述控制端能够得到松茸的检测数据。
2.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述化学含量测量包括物化分析和数据预处理，对于不同的指标采用不同的检测方法检测蛋白质、氨基酸、松茸多糖、水分、不饱和脂肪酸、微量元素、松茸多肽7个指标，在完成物化分析后，通过杠杆值或学生t检验对异常样本进行剔除处理，确定建模样本。
3.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述光谱数据采集包括波长区间选择、异常光谱剔除和光谱数据预处理；
所述波长区间选择通过相关系数、方差分析、逐步回归方法进行波长选取，剔除不相关数据；
所述异常光谱剔除是指对样本光谱数据中表现异常的起始端、终止端及距离平均光谱距离远的样本进行剔除，通过肖维勒准则及Spectrum outliner检验剔除异常样本；
所述光谱数据预处理采用傅里叶变换进行预处理。
4.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述深度学习卷积神经网络模型包含三级：输入级、探测级和池化级。
5.根据权利要求4所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述输入级通过并行的多个卷积产生一组线性激活响应，包括稀疏交互和参数共享两部分；所述输入级通过将输入数据从原来的吸光度变为基于同一基点的光谱图，利用卷积网络的稀疏交互提取有效像素点；利用参数共享在一个模型的多个函数中使用相同的参数。
6.根据权利要求4所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述探测级是指每一个线性激活响应通过一个非线性激活函数；所述池化级是指使用池化函数进行调整输出。
7.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述深度学习卷积神经网络模型的优化：使用训练集建立模型之后，再使用验证集进行超参数优化，与此同时对第一阶段剔除的异常样本进行检测，配合不断调整的隐层深度，直到模型性能达到要求，最终以测试集样本数据验证系统性能，若未达到设定精度，则不断配合调整隐层深度和样本容量，直到达到要求。
8.根据权利要求1所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，所述消费者终端包括智能手机终端和便携式近红外光谱仪；所述智能手机终端装有APP，所述APP通过无线网络访问所述控制端以查看松茸的指标含量信息；所述便携式近红外光谱仪采集松茸光谱信息，并将采集的光谱信息送给深度学习卷积神经网络模型进行检测，检测结果反馈给控制端进行信息实时共享。
9.根据权利要求8所述的一种基于卷积神经网络的松茸快速无损检测系统，其特征在于，还包括监管部门机构；所述监管部门机构能够通过有线或无线的方式访问所述控制端的检测结果数据。
10.根据权利要求1-9任意一项所述的一种基于卷积神经网络的松茸快速无损检测系统的无损检测方法，其特征在于，包括如下步骤：
步骤1：样本筛选，通过采用人工方法或者计算机识别挑选具有代表性的样本，建立样本集；并将样本集划分为训练集、验证集和测试集；
步骤2：数据采集，通过近红外光谱仪采集光谱数据和通过物化实验采集化学含量数据，具体地：
氨基酸测量采用L-8900氨基酸分析仪；水分测量采用水分测定仪；蛋白质测量采用凯氏定氮法；微量元素测量采用火焰原子吸收光谱法；不饱和脂肪酸：采用索氏提取法提取松茸中的粗脂肪，通过甲酯化，并运用气相色谱-质谱联用技术测定不饱和脂肪酸组成与含量；
松茸多肽测定：用生理盐水对松茸粗提取物进行溶解，用分子量为5kDa的超滤膜收集滤液，依次进行Q SepharoseR Fast Flow阴离子交换柱层析、Mono-Q阴离子交换柱层析和FPLC凝胶过滤层析,最后将含有过滤后的液体进行冷冻干燥即得松茸多肽；
多糖含量的测定：精密称取105℃干燥指恒重的无水葡萄糖对照样品0.1g，置于1000ml容量瓶中，加入适量水进行溶解，稀释至刻度线即得对照样品溶液；采用苯酚-硫酸法绘制以吸光度为纵坐标，浓度为横坐标的标准曲线，取待测松茸样品溶液置具塞试管中，加蒸馏水至2.0ml，按照标准曲线的制备方法测定吸光度，通过标准曲线和转化公式即可计算出多糖的含量；
步骤3：波长区间选择和样本数据预处理，选择有效的波长区间和光谱数据，剔除异常样本；
所述波长区间选择：通过相关系数、方差分析、逐步回归方法进行波长选取，剔除不相关数据；
所述剔除异常样本是指对样本光谱数据中表现异常的起始端、终止端及距离平均光谱距离远的样本进行剔除，通过肖维勒准则及Spectrum outliner检验剔除异常样本；
所述样本数据预处理采用傅里叶变换进行预处理；
步骤4：使用训练集进行建模，以样本的近红外光谱图作为卷积神经网络的输入，以相应样本的特定物质含量作为输出，通过结合具有多个隐藏层的卷积神经网络建立深度学习卷积神经网络模型；
步骤5：使用验证集进行模型验证，不断调整模型的超参数；
步骤6：使用测试集进行系统性能评价，若未满足预设要求，则返回步骤4进行重新建模，若多次返回仍未达到要求，则返回步骤1，扩大建模样本，直到系统达到预定要求；
步骤7：利用优化好的模型进行松茸检测，并将检测的结果放在控制端云服务内；
步骤8：将控制端和智能终端网络连接，建立完整的网络结构；
步骤9：消费者使用智能终端APP访问控制端实时获取松茸检测指标；同时消费者使用便携式近红外光谱仪采集松茸光谱信息，并将采集的信息发送给卷积神经网络模型进行检测，检测结果放入控制端实现实时共享；监管部门也可以实时访问控制端查看松茸检测指标结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539012.XA CN108875913B (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810539012.XA CN108875913B (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875913A true CN108875913A (zh) | 2018-11-23 |
| CN108875913B CN108875913B (zh) | 2021-09-17 |
Family
ID=64335853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810539012.XA Active CN108875913B (zh) | 2018-05-30 | 2018-05-30 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875913B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447045A (zh) * | 2018-12-26 | 2019-03-08 | 安徽大学 | 一种基于深度学习卷积神经网络的食用菌快速识别系统及方法 |
| CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
| CN111186878A (zh) * | 2019-12-23 | 2020-05-22 | 光大环境科技（中国）有限公司 | 一种通过神经网络实现超滤循环泵调节的方法、装置、系统 |
| CN111504927A (zh) * | 2020-05-22 | 2020-08-07 | 清远市食品检验中心 | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 |
| CN112070761A (zh) * | 2020-09-18 | 2020-12-11 | 福州大学 | 一种基于深度学习的明虾新鲜度无损检测方法 |
| CN112633370A (zh) * | 2020-12-22 | 2021-04-09 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
| JP2021529935A (ja) * | 2019-06-11 | 2021-11-04 | 南▲開▼大学Ｎａｎｋａｉ Ｕｎｉｖｅｒｓｉｔｙ | 材料光学定数の確定方法、材料データベースの拡張方法及び装置 |
| CN115950993A (zh) * | 2023-03-15 | 2023-04-11 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
| CN116000895A (zh) * | 2023-03-28 | 2023-04-25 | 浙江大学 | 一种基于深度学习的中药制药过程质量检测机器人及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
| CN104792652A (zh) * | 2015-05-02 | 2015-07-22 | 浙江大学 | 一种黄芪药材多指标快速检测方法 |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
-
2018
- 2018-05-30 CN CN201810539012.XA patent/CN108875913B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104062257A (zh) * | 2013-04-15 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种基于近红外光谱测定溶液中总黄酮含量的方法 |
| CN104792652A (zh) * | 2015-05-02 | 2015-07-22 | 浙江大学 | 一种黄芪药材多指标快速检测方法 |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
Non-Patent Citations (3)
| Title |
|---|
| SUN, CHENGXIAO: "Rapid Prediction of Rice Quality Characteristics by Near-Infrared Reflectance Spectroscopy for Breeding Programs", 《CEREAL CHEMISTRY》 * |
| 张卢锐: "皇冠梨糖度可见/近红外光谱在线无损检测若干问题研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 赖来展: "《黑色食品与健康长寿》", 31 October 2014 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447045A (zh) * | 2018-12-26 | 2019-03-08 | 安徽大学 | 一种基于深度学习卷积神经网络的食用菌快速识别系统及方法 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN109883990A (zh) * | 2019-02-28 | 2019-06-14 | 吉林大学 | 一种药用真菌近红外光谱分析方法 |
| US11619578B2 (en) | 2019-06-11 | 2023-04-04 | Nankai University | Method and apparatus for determining optical constant of material, and method and apparatus for extending material database |
| JP7072924B2 (ja) | 2019-06-11 | 2022-05-23 | 南▲開▼大学 | 材料光学定数の確定方法、材料データベースの拡張方法及び装置 |
| JP2021529935A (ja) * | 2019-06-11 | 2021-11-04 | 南▲開▼大学Ｎａｎｋａｉ Ｕｎｉｖｅｒｓｉｔｙ | 材料光学定数の確定方法、材料データベースの拡張方法及び装置 |
| CN110736968B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| CN111007035B (zh) * | 2019-12-12 | 2022-03-25 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
| CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
| CN111186878A (zh) * | 2019-12-23 | 2020-05-22 | 光大环境科技（中国）有限公司 | 一种通过神经网络实现超滤循环泵调节的方法、装置、系统 |
| CN111504927A (zh) * | 2020-05-22 | 2020-08-07 | 清远市食品检验中心 | 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法 |
| CN112070761A (zh) * | 2020-09-18 | 2020-12-11 | 福州大学 | 一种基于深度学习的明虾新鲜度无损检测方法 |
| CN112633370A (zh) * | 2020-12-22 | 2021-04-09 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
| CN112633370B (zh) * | 2020-12-22 | 2022-01-14 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
| CN115950993A (zh) * | 2023-03-15 | 2023-04-11 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
| CN115950993B (zh) * | 2023-03-15 | 2023-07-25 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
| CN116000895A (zh) * | 2023-03-28 | 2023-04-25 | 浙江大学 | 一种基于深度学习的中药制药过程质量检测机器人及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875913B (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
| Zheng et al. | Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming | |
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN107180076B (zh) | 基于高分辨质谱+互联网+地理信息的农药残留可视方法 | |
| CN104374738B (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
| Tan et al. | Applications of photonics in agriculture sector: A review | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN106501470A (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
| Yue et al. | A smart data-driven rapid method to recognize the strawberry maturity | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
| US11461899B1 (en) | Method for detecting infection stage of anthracnose pathogenic with pre-analysis capacity | |
| CN102841070B (zh) | 由二维相关红外同步光谱识别原油种类的方法 | |
| CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| Fang et al. | Application of multiple spectral systems for the tree disease detection: A review | |
| Liu et al. | Estimating leaf chlorophyll contents by combining multiple spectral indices with an artificial neural network | |
| Lu et al. | Nondestructive testing of pear based on Fourier near-infrared spectroscopy | |
| CN107024445A (zh) | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| Mu et al. | Non‐destructive detection of blueberry skin pigments and intrinsic fruit qualities based on deep learning | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| Fan et al. | Comparison of Different Dimensional Spectral Indices for Estimating Nitrogen Content of Potato Plants over Multiple Growth Periods | |
| CN109447045A (zh) | 一种基于深度学习卷积神经网络的食用菌快速识别系统及方法 |
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 |