CN108982406A - 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 - Google Patents
一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 Download PDFInfo
- Publication number
- CN108982406A CN108982406A CN201810737269.6A CN201810737269A CN108982406A CN 108982406 A CN108982406 A CN 108982406A CN 201810737269 A CN201810737269 A CN 201810737269A CN 108982406 A CN108982406 A CN 108982406A
- Authority
- CN
- China
- Prior art keywords
- soil
- characteristic
- spectrum
- nitrogen
- method based
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 239000002689 soil Substances 0.000 title claims abstract description 101
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003595 spectral effect Effects 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 16
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims abstract description 13
- 239000004202 carbamide Substances 0.000 claims abstract description 13
- 229910001710 laterite Inorganic materials 0.000 claims abstract description 10
- 239000011504 laterite Substances 0.000 claims abstract description 10
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910052791 calcium Inorganic materials 0.000 claims abstract description 9
- 239000011575 calcium Substances 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 8
- 239000007788 liquid Substances 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 239000008187 granular material Substances 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims 1
- 238000001035 drying Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 12
- 238000010187 selection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007811 spectroscopic assay Methods 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000003283 Pachira macrocarpa Nutrition 0.000 description 1
- 240000001085 Trapa natans Species 0.000 description 1
- 235000014364 Trapa natans Nutrition 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 235000009165 saligot Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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算法融合的土壤氮素近红外光谱特征波段选取方法，包括：取黄土、钙土、黑土和红土与不同浓度梯度的尿素溶液混合并搅拌均匀，压成薄片后并烘干；采集四种土壤样品的光谱信息；采用偏最小二乘法建立四种土壤全段光谱数据与土壤氮素含量的预测模型；采用向后区间片最小二乘法选取土壤近红外光谱特征区间，采用竞争自适应权重采样法选取土壤近红外光谱特征变量，融合两种算法的结果确定四种土壤的特征波段；再次用PLS算法建立特征波段光谱与土壤氮素含量的预测模型，比较全光谱与特征波段的建模效果。本发明通过比较特征波段与全光谱建模的模型效果，更贴近在实际环境中实时、在线检测土壤氮素含量的需求。
Description
技术领域
本发明涉及土壤成分检测技术领域，具体涉及一种基于算法融合的土壤氮素近红外光谱特征波段选取方法。
背景技术
土壤是作物养分来源的主要基质，土壤的光谱反射特性是土壤的基本属性之一，与土壤的理化性质具有密切的联系。土壤中的氮元素含量直接影响作物的生长的营养水平，是对作物长势估计的重要参考因素。近红外光谱法是一种分析速度快、样品处理简便、操作简单并且成本较低的分析方法，利用近红外光谱技术准确、快速地估测土壤中的氮素含量与传统方法相对具有更大的优势和更为广泛的应用前景。我国地域辽阔，土壤种类繁多，不同土壤之间有着较大的性质差异，探究不同土壤间近红外光谱的差异以及特征波段的选取对开发一种通用型的检测仪器具有重要价值，满足精准农业快速、准确和实时的要求。
利用近红外光谱技术能够快速检测土壤中的氮元素含量，检测过程快速、准确、无污染。而土壤氮素的近红外光谱特征波段选取受土壤种类、检测手段、挑选方法等多方面因素的影响。卢艳丽等人分析了东北黑土在350-2500nm波段范围的光谱反射率变化，确定了利用由可见光波段550nm和450nm组成的归一化光谱指数预测黑土总氮含量的最佳预测模型。潘涛等人利用移动窗口偏最小二乘法和Savitzky-Golay平滑算法优选出土壤总氮的近红外光谱特征波段为1692至2138nm，其中建模集相关系数为0.931以及预测集相关系数为0.882。张瑶等人组合小波分析和连续消除算法的结果确定了6个敏感波段用于预测土壤总氮含量，结果表明利用敏感波段实时预测土壤总氮含量具有较高的预测精度。
虽然一些研究学者已经采用不同的方法对土壤氮素的近红外光谱特征波段进行了挑选，但由于土壤种类众多，不同土壤具有相似但各不相同的近红外光谱，确定一个具有较高普适性的特征波段选择方法对研发土壤氮素的近红外实时快速检测装置具有重要的参考价值。
发明内容
本发明提供了一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，提高土壤氮素检测的效率。
一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，包括：
步骤1，制备土壤样品，方法如下：
步骤1-1、针对四种土壤(黄土、钙土、黑土和红土)的原始氮素含量，分别配比不同氮浓度梯度的尿素溶液，每次取15ml尿素溶液与100g土壤样品混合均匀，压成薄片后分割成利于检测光谱的大小；
步骤1-2、将所有土壤样品置于80摄氏度的烘箱中烘干24小时；
步骤2，用便携式近红外光谱仪采集所有土壤样品的光谱信息；
步骤3，用偏最小二乘法PLS建立四种土壤全段光谱数据与土壤氮素含量的预测模型；
步骤4，利用将向后区间偏最小二乘法BIPLS与竞争自适应权重采样法CARS融合的方式，分别选择出土壤的近红外光谱特征区间与特征变量，对两种算法的结果进行优化融合后确定该土壤的近红外光谱特征区间。再次用PLS算法建立特征波段光谱与土壤氮素含量之间的预测模型，比较利用全光谱建模与特征波段建模的预测模型效果。
作为优选，步骤1-1中，不同氮元素浓度由尿素颗粒配制而成，根据土壤中原始氮素含量，配比的尿素溶液浓度梯度分别为：黄土0g/kg至2.0g/kg，钙土0g/kg至2.5g/kg，黑土0g/kg至4.6g/kg以及红土0g/kg至4.5g/kg。
步骤1-1中，尿素水溶液与土壤样本需充分混合均匀，保证氮素在土壤样本中的均匀分布，以利于后续光谱采集结果的准确性。
步骤1-1中，尿素溶液与土壤样本混合后压成薄片后的大小约为100mm×100mm，随后分割成约10mm×10mm的土壤样本块。
作为优选，步骤2中，在进行光谱测定之前，仪器应预热15分钟，并用黑板和白板校正操作。
步骤2中，近红外光谱采集的波段范围为900nm-1700nm，设置每条光谱采集400个点，平均每扫描3次得到一个光谱图像，共测定618个土壤样本。
步骤2中，为了减少实验环境光和日光灯对光谱信息采集的影响，光谱采集在黑暗的环境下进行。
作为优选，步骤4中，向后区间偏最小二乘法BIPLS用于挑选土壤氮素的近红外光谱特征区间，竞争自适应权重采样法CARS用于挑选土壤氮素的近红外光谱特征变量，结合两种算法的挑选结果，分别优选出四种土壤的近红外光谱特征波段。
步骤4中，BIPLS在逐步剔除光谱区间的过程中，模型的RMSECV的值不断变化，模型中剩余的区间数和变量数不断减少，直至模型的RMSECV达到最小值，从而选出几个特征区间。
步骤4中，CARS算法在运行过程中挑选部分样本进行PLS回归建模，如此反复进行上百次的迭代建模，在挑选特征变量的过程中仅保留PLS回归系数绝对值大的波长变量，用选出的波长变量建立PLS回归模型，计算模型的RMSECV值，选择最小RMSECV值对应的变量子集为最优的变量子集。
本发明提供的一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，探究一种具有普适性的土壤氮素近红外光谱特征波段挑选方法，采用融合BIPLS和CARS两种算法的方式，针对不同种类的土壤，确立了一种具有普适性的特征波段选择方法。更贴近在实际环境中实时、在线检测土壤氮素含量的需求，使用特征波段代替全光谱建模提高了土壤氮素与近红外光谱预测模型的运行效率。
与现有技术相比，本发明具有以下优点：
(1)算法融合过程简便，对土壤氮素近红外光谱特征波段的挑选方法具有较高的普适性；
(2)利用特征波段替代全光谱建立土壤氮素的预测模型，大大提高了模型的运行效率；
(3)为研发更高效的近红外光谱检测仪器提供理论支持。
附图说明
图1为本发明一种基于算法融合的土壤氮素近红外光谱特征波段选取方法的流程图；
图2为本发明的四种土壤的近红外平均光谱曲线图；
图3为本发明的四种土壤的近红外全光谱PLS建模效果图；
图4为本发明的四种土壤的特征波段PLS建模效果图。
具体实施方式
下面结合附图，对本发明种基于算法融合的土壤氮素近红外光谱特征波段选取方法做详细描述。
种基于算法融合的土壤氮素近红外光谱特征波段选取方法，如图1所示，包括以下步骤：
(1)样本制备
本实施例采用的土壤样本包括黄土、钙土、黑土和红土四种不同类型的土壤分别来自于陕西西安、山东济宁、内蒙古大兴安岭以及浙江丽水。
样本制备的方法，包括以下步骤：
首先，针对四种土壤的原始氮素含量，分别配比不同氮浓度梯度的尿素溶液，分别为：黄土0g/kg至2.0g/kg，钙土0g/kg至2.5g/kg，黑土0g/kg至4.6g/kg以及红土0g/kg至4.5g/kg。每次取15ml尿素溶液与100g土壤样品混合均匀，压成薄片后分割成大约10mm×10mm的土壤样本块；
其次，将所有土壤样品置于80摄氏度的烘箱中烘干24小时。
(2)光谱获取
如图2所示，本实验采用五菱光学的近红外线分光式光谱测量仪器，光谱波段范围、分标率和扫描次数均可自行设定。光谱采集波段范围是900nm-1700nm，可以采集到光的强度，反射度和吸收度；设置每条光谱采集400个点，平均每扫描3次得到一个光谱图像。在进行光谱测定之前，仪器应预热15分钟，并用黑板和白板校正操作，为了减少实验环境光和日光灯对光谱信息采集的影响，光谱采集在黑暗的环境下进行。实验测定选取土壤样本方块光滑的一面，共测定618个土壤样本。
(3)特征波段选取
本文利用BIPLS选取光谱的特征区间，利用CARS选取土壤近红外光谱的特征变量。BIPLS在逐步剔除光谱区间的过程中，模型的RMSECV的值不断变化，模型中剩余的区间数和变量数不断减少，直至模型的RMSECV达到最小值，从而选出几个特征区间。组合特征变量和特征区间的结果，即可优选出土壤氮素的近红外光谱特征波段。而CARS算法在运行过程中挑选部分样本进行PLS回归建模，如此反复进行上百次的迭代建模，在挑选特征变量的过程中仅保留PLS回归系数绝对值大的波长变量，用选出的波长变量建立PLS回归模型，计算模型的RMSECV值，选择最小RMSECV值对应的变量子集为最优的变量子集。以红土为例，挑选过程和结果如下表1和2所示：
表1 BIPLS的特征区间选择过程
表2 特征区间与特征变量选择结果
结合两种算法的挑选结果，最终确定的四种土壤的特征波段分别为黄土1152nm-1162nm和1296nm-1309nm，钙土1036nm-1055nm和1129nm-1156nm，黑土1055nm、1281nm、1414nm-1428nm和1472nm-1493nm，红土1250nm、1480nm和1680nm。
(4)模型建立
如图3和图4所示，本发明采用偏最小二乘法(PLS)分别建立近红外全光谱数据、特征波段与土壤氮元素含量的预测模型。以基线校正、归一化处理后的全波段光谱数据作为自变量X，全氮含量作为因变量Y，建立各烘干时间下的全氮含量预测模型。其中建模集和预测集按照2:1的比例划分。相关系数R反映变量之间的密切程度，均方根误差RMSE反映测量的精度。相关系数越接近与1，均方根误差越接近于0，说明预测模型的性能越好，预测模型精度越高。相关系数R的计算公式如下：
均方根误差RMSE的计算公式如下：
结果表明：特征波段的预测模型精度总体较好，黄土和黑土的相关系数甚至超过了全波段模型，分别达到了0.9826和0.91；钙土的相关系数为0.9561，与全波段的相关系数相差无几；红土的相关系数为0.9188，尽管稍次于全波段(0.9467)但依旧取到了较高的精度。总的来说，四种土壤的特征波段模型就建模精度而言完全能够替代全光谱，大大提高了预测模型的运行效率。
Claims (8)
1.一种基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，包括：
步骤1，制备土壤样品，方法如下：
步骤1-1、针对黄土、钙土、黑土和红土的原始氮素含量，分别配比不同氮浓度梯度的尿素溶液，将尿素溶液与土壤样品混合均匀，压成薄片后分割成利于检测光谱的大小；
步骤1-2、将所有土壤样品进行烘干；
步骤2，利用近红外光谱仪采集所有土壤样品的光谱信息；
步骤3，用偏最小二乘法PLS建立四种土壤全段光谱数据与土壤氮素含量的预测模型；
步骤4，利用将向后区间偏最小二乘法BIPLS与竞争自适应权重采样法CARS融合的方式，分别选择出各土壤的近红外光谱特征区间与特征变量，对两种算法的结果进行优化融合后确定该土壤的近红外光谱特征区间；再次用PLS算法建立特征波段光谱与土壤氮素含量之间的预测模型，比较利用全光谱建模与特征波段建模的预测模型效果。
2.如权利要求1所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，步骤1-1中，不同氮元素浓度由尿素颗粒配制而成，根据土壤中原始氮素含量，配比的尿素溶液浓度梯度分别为：黄土0g/kg至2.0g/kg，钙土0g/kg至2.5g/kg，黑土0g/kg至4.6g/kg以及红土0g/kg至4.5g/kg。
3.如权利要求1所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，步骤1-1中，尿素溶液与土壤样本混合后压成薄片后的大小约为100mm×100mm，随后分割成约10mm×10mm的土壤样本块。
4.如权利要求1所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，步骤2中，近红外光谱采集的波段范围为900nm-1700nm，设置每条光谱采集400个点，平均每扫描3次得到一个光谱图像，共测定618个土壤样本。
5.如权利要求1所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，步骤4中，后区间偏最小二乘法BIPLS用于挑选土壤氮素的近红外光谱特征区间，竞争自适应权重采样法CARS用于挑选土壤氮素的近红外光谱特征变量；结合两种算法的挑选结果，优选出四种土壤的近红外光谱特征波段。
6.如权利要求5所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，BIPLS在逐步剔除光谱区间的过程中，模型的RMSECV的值不断变化，模型中剩余的区间数和变量数不断减少，直至模型的RMSECV达到最小值，从而选出几个特征区间。
7.如权利要求5所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，竞争自适应权重采样法CARS在运行过程中挑选部分样本进行PLS回归建模，如此反复进行上百次的迭代建模，在挑选特征变量的过程中仅保留PLS回归系数绝对值大的波长变量，用选出的波长变量建立PLS回归模型，计算模型的RMSECV值，选择最小RMSECV值对应的变量子集为最优的变量子集。
8.如权利要求1所述的基于算法融合的土壤氮素近红外光谱特征波段选取方法，其特征在于，步骤4中，比较近红外全光谱建模效果与所挑选的特征波段建模效果的目的在于探究利用特征波段代替全光谱建模的可行性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810737269.6A CN108982406A (zh) | 2018-07-06 | 2018-07-06 | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810737269.6A CN108982406A (zh) | 2018-07-06 | 2018-07-06 | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108982406A true CN108982406A (zh) | 2018-12-11 |
Family
ID=64536366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810737269.6A Pending CN108982406A (zh) | 2018-07-06 | 2018-07-06 | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108982406A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110672547A (zh) * | 2019-11-08 | 2020-01-10 | 万华化学集团股份有限公司 | 一种测定乙苯过氧化氢含量的方法 |
| CN110867221A (zh) * | 2019-11-08 | 2020-03-06 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤含铅量预测模型确定方法及装置 |
| CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
| CN113758897A (zh) * | 2021-09-23 | 2021-12-07 | 云南省烟草公司昆明市公司 | 一种基于近红外光谱的土壤水解性氮的计算方法、预测方法和预测系统 |
| CN113916822A (zh) * | 2021-08-27 | 2022-01-11 | 电子科技大学长三角研究院(湖州) | 一种含水土壤的总氮含量红外光谱分析方法 |
| CN116992259A (zh) * | 2023-09-28 | 2023-11-03 | 奥谱天成（厦门）光电有限公司 | 适用于生物品质检测的光谱特征提取方法、检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147360A (zh) * | 2011-03-07 | 2011-08-10 | 华润三九医药股份有限公司 | 一种药物组合物的检测方法 |
| CN102879351A (zh) * | 2011-07-15 | 2013-01-16 | 天津天士力之骄药业有限公司 | 近红外透射光谱法测定丹酚酸提取物中丹酚酸b的含量 |
| CN103091274A (zh) * | 2011-10-31 | 2013-05-08 | 天津天士力之骄药业有限公司 | 近红外漫反射光谱测定注射用丹参多酚酸水分含量的方法 |
| CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
| CN104048927A (zh) * | 2014-06-27 | 2014-09-17 | 上海理工大学 | 检测苹果可溶性固体含量的方法 |
| CN104155262A (zh) * | 2014-08-20 | 2014-11-19 | 浙江中烟工业有限责任公司 | 一种烟草水溶性糖近红外定量模型中光谱范围的选择方法 |
| CN104359838A (zh) * | 2014-11-11 | 2015-02-18 | 上海理工大学 | 一种无损检测梨的硬度方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
| CN106018336A (zh) * | 2016-08-05 | 2016-10-12 | 山东大学 | 一种基于近红外光谱分析技术监测人血白蛋白醋酸缓冲液沉淀过程的方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
-
2018
- 2018-07-06 CN CN201810737269.6A patent/CN108982406A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147360A (zh) * | 2011-03-07 | 2011-08-10 | 华润三九医药股份有限公司 | 一种药物组合物的检测方法 |
| CN102879351A (zh) * | 2011-07-15 | 2013-01-16 | 天津天士力之骄药业有限公司 | 近红外透射光谱法测定丹酚酸提取物中丹酚酸b的含量 |
| CN103091274A (zh) * | 2011-10-31 | 2013-05-08 | 天津天士力之骄药业有限公司 | 近红外漫反射光谱测定注射用丹参多酚酸水分含量的方法 |
| CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
| CN104048927A (zh) * | 2014-06-27 | 2014-09-17 | 上海理工大学 | 检测苹果可溶性固体含量的方法 |
| CN104155262A (zh) * | 2014-08-20 | 2014-11-19 | 浙江中烟工业有限责任公司 | 一种烟草水溶性糖近红外定量模型中光谱范围的选择方法 |
| CN104359838A (zh) * | 2014-11-11 | 2015-02-18 | 上海理工大学 | 一种无损检测梨的硬度方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
| CN106018336A (zh) * | 2016-08-05 | 2016-10-12 | 山东大学 | 一种基于近红外光谱分析技术监测人血白蛋白醋酸缓冲液沉淀过程的方法 |
| CN106596416A (zh) * | 2016-11-25 | 2017-04-26 | 华中农业大学 | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 |
| CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周竹等: "《雷竹笋硬度的近红外光谱检测模型优化》", 《浙江农林大学学报》 * |
| 李晓丽等: "《基于共聚焦拉曼光谱技术检测茶叶中非法添加美术绿的研究》", 《光谱学与光谱分析》 * |
| 陈斌等: "《基于微型近红外光谱仪的油菜籽含油率模型参数优化研究》", 《现代食品科技》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110672547A (zh) * | 2019-11-08 | 2020-01-10 | 万华化学集团股份有限公司 | 一种测定乙苯过氧化氢含量的方法 |
| CN110867221A (zh) * | 2019-11-08 | 2020-03-06 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤含铅量预测模型确定方法及装置 |
| CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
| CN113916822A (zh) * | 2021-08-27 | 2022-01-11 | 电子科技大学长三角研究院(湖州) | 一种含水土壤的总氮含量红外光谱分析方法 |
| CN113758897A (zh) * | 2021-09-23 | 2021-12-07 | 云南省烟草公司昆明市公司 | 一种基于近红外光谱的土壤水解性氮的计算方法、预测方法和预测系统 |
| CN116992259A (zh) * | 2023-09-28 | 2023-11-03 | 奥谱天成（厦门）光电有限公司 | 适用于生物品质检测的光谱特征提取方法、检测方法 |
| CN116992259B (zh) * | 2023-09-28 | 2023-12-08 | 奥谱天成（厦门）光电有限公司 | 适用于生物品质检测的光谱特征提取方法、检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108982406A (zh) | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 | |
| Ellis et al. | Metabolic fingerprinting in disease diagnosis: biomedical applications of infrared and Raman spectroscopy | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN101382488B (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| Song et al. | Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat | |
| CN107796764A (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
| CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| CN103048276B (zh) | 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN103196838A (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
| CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
| CN109115951A (zh) | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 | |
| CN106018331B (zh) | 多通道光谱系统的稳定性评价方法及预处理优化方法 | |
| CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| CN106990056A (zh) | 一种土壤全氮光谱估算模型校正样本集构建方法 | |
| CN107505179A (zh) | 一种土壤预处理与养分近红外光谱检测方法 | |
| CN104849234A (zh) | 基于近红外光谱分析吡虫啉原药主成分含量的测定方法 | |
| CN107036999A (zh) | 一种基于近红外光谱及化学计量学的五元调和油定量分析方法 | |
| CN108982407A (zh) | 一种利用近红外光谱探究检测土壤氮素的土壤最佳含水率的方法 | |
| CN101788459A (zh) | 一种准连续方式的分光波长组合方法 |
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: 20181211 |