CN109187378A - 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 - Google Patents
基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 Download PDFInfo
- Publication number
- CN109187378A CN109187378A CN201811205621.8A CN201811205621A CN109187378A CN 109187378 A CN109187378 A CN 109187378A CN 201811205621 A CN201811205621 A CN 201811205621A CN 109187378 A CN109187378 A CN 109187378A
- Authority
- CN
- China
- Prior art keywords
- kiwi berry
- spectrum
- formula
- sample
- solid content
- 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
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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，首先利用高光谱分选仪采集猕猴桃的高光谱图像并对其进行黑白校正，从中提取整个猕猴桃区域作为感兴趣区域；该感兴趣区域的平均光谱信息作为原始光谱信息，对其进行去除首尾两端噪声波段的光谱预处理；然后将预处理后的光谱信息采用核主成分分析法降维提取出特征光谱，并将特征光谱输入用粒子群算法优化参数后的已训练检测器即最小二乘支持向量机，从而可检测出猕猴桃的可溶性固形物含量。本发明可实现对猕猴桃可溶性固形物含量的有效检测，无损检测且精确高。
Description
技术领域
本发明涉及基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，利用高光谱图像技术采集猕猴桃在高光谱下的光谱信息，分析处理光谱信息，将处理后的光谱信息用于检测猕猴桃可溶性固形物含量，属于机器视觉领域。
背景技术
猕猴桃内含有丰富的维生素C、葡萄酸、果糖、柠檬酸、苹果酸等物质，被称为“水果之王”；可溶性固形物含量直接影响猕猴桃的口感，进而影响我国猕猴桃出口情况及被国内消费者的接受程度。我国猕猴桃在世界上占有的出口份额极低，品质不高、高档品种比例相对较低；目前猕猴桃可溶性固形物含量以理化试验有损检测为主，具有检测繁琐、费用高等特点，难以实现工业化检测。高光谱技术是基于多窄波段的影像数据技术，利用电磁波谱以图像形式研究各种物质光谱特性，因此适用于农产品的品质检测。
发明内容
本发明在于提供基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，实现猕猴桃可溶性固形物含量的无损检测，操作简单、检测精确。
本发明的技术方案是：首先利用高光谱分选仪采集猕猴桃的高光谱图像并对其进行黑白校正，从中提取整个猕猴桃区域作为感兴趣区域；该感兴趣区域的平均光谱信息作为原始光谱信息，对其进行去除首尾两端噪声波段的光谱预处理；然后将预处理后的光谱信息采用核主成分分析法降维提取出特征光谱，并将特征光谱输入用粒子群算法优化参数后的已训练检测器即最小二乘支持向量机，从而可检测出猕猴桃的可溶性固形物含量。本发明可实现对猕猴桃可溶性固形物含量的有效检测，无损检测且精确高。
本发明公开基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，其特征在于，该方法包含的具体步骤为：
步骤101：通过高光谱分选仪采集猕猴桃的高光谱图像，对采集后的高光谱图像进行黑白校正，首先利用高光谱分选仪采集标准白色校正板得到全白的标定图像W，然后盖上镜头盖采集全黑的标定图像B；根据公式（1）计算出校正后的图像R：
（1）
式中，I o —采集的高光谱图像，R—校正后的高光谱图像；
步骤102：提取黑白校正后的猕猴桃高光谱图像中的整个猕猴桃区域，作为感兴趣区域；
步骤103：求取感兴趣区域的平均光谱信息，并将其作为原始光谱信息；
步骤104：去除原始光谱信息中的首尾两端噪声波段；
步骤105-1：求取去除首尾两端噪声波段后的原始光谱信息的平均光谱，并将该平均光谱作为标准光谱，根据公式（2）计算:
（2）
式中，为猕猴桃样本在各波长点处的光谱值，n为猕猴桃样本数，为猕猴桃样本在各波长点处求取的平均值；
步骤105-2：将去除首尾两端噪声波段的原始光谱信息与标准光谱进行一元线性回归运算，根据公式（3）求取出线性平移量和倾斜偏移量:
（3）
式中,为猕猴桃各样本的光谱值，为猕猴桃各样本的平均光谱值，、为求取的线性平移量和倾斜偏移量；
步骤105-3：将去除首尾两端噪声波段的原始光谱信息减去线性平移量并除以倾斜偏移量，以校正去除首尾两端噪声波段后的原始光谱信息的相对基线倾斜，从而获得包含有更多与所检测成分含量相关的光谱信息，该光谱信息即为预处理后的光谱信息，依照公式（4）计算：
（4）
式中，为预处理后的光谱信息；
步骤106：采用核主成分分析法对预处理后的光谱信息降维提取出特征光谱，首先将预处理后的光谱信息进行归一化处理，然后采用径向基核函数求其核矩阵，根据公式（5）计算：
（5）
式中，是核矩阵，为核函数中心，为径向基核函数中的核参数；
然后对核矩阵中心化处理得到中心化核矩阵，求取该中心化核矩阵的特征值λ 1…λ n 并降序排列以及其对应的特征向量u 1…u n ；设置降维后的特性光谱的维数，对特征向量u 1…u n 进行正交化后提取其主成分，即为提取出的低维特征光谱，其目的是消除光谱信息的冗余性；
步骤107：将提取的低维特征光谱作为输入、以理化试验检测的猕猴桃可溶性固形物含量作为输出形成训练样本对，对检测器即最小二乘支持向量机进行训练；在训练过程中，利用均方根误差及相关系数来选取低维特征光谱的维数，当均方根误差越小且相关系数越接近1时，此时对应的即为特征光谱的最佳维数；相关系数及均方根误差根据公式（6）、（7）计算：
（6）
（7）
式中，为猕猴桃样本相关系数，RMSEC为猕猴桃样本均方根误差，为猕猴桃样本可溶性固形物含量平均值，为第个样本的可溶性固形物含量检测值，是猕猴桃样本数；
其中，被训练的检测器即最小二乘支持向量机的γ、参数采用粒子群算法优化选取；γ为最小二乘支持向量机的正则化参数，为径向基核函数中的核参数,最小二乘支持向量机的模型为：
（8）
式中，是最小二乘支持向量机模型输出值，是核矩阵，是输入变量，为拉格朗日乘子，b为模型偏差；
步骤108-1：采用粒子群算法优化最小二乘支持向量机中的γ、参数时，初始化粒子群个数、初始化学习因子、初始权重、终止权重、迭代次数以及γ、的参数寻优范围；
步骤108-2：对每一个粒子初始化其随机速度信息和位置信息；
步骤108-3：定义每个粒子的位置和速度、每个粒子的最佳位置和最优适应度以及所有粒子的最佳位置和全局最优适应度；
步骤108-4：随着迭代次数的增加，γ、的变化导致每个粒子的适应度变化，评价每个粒子的适应度并更新当前粒子的最好位置以及全局的最佳位置，以获得合适的γ、值；
步骤109：待测猕猴桃通过上述步骤获得对应的低维特征光谱，并将该低维特征光谱输入训练后的最小二乘支持向量机，即可获得待测猕猴桃的可溶性固形物含量。
所述高光谱分选仪包括均匀光源、光谱相机、电控移动平台及计算机；其中，所述均匀光源采用4个LSTS-200溴钨灯并呈梯形结构排列，安装于所述电控移动平台的两侧保证光源在被拍摄直线上的均匀性；所述光谱相机固定在可上下滑动的升降平台上，包括成像光谱仪和电荷耦合器件，其安装方向垂直于所述电控移动平台，其光谱分辨率设置为2.8nm，即光谱范围为[400nm,1000nm]；所述电控移动平台用于放置待测猕猴桃样品，其可承载的最大样品空间尺寸为300mm×300mm×200mm；所述计算机用于控制整个系统工作，通信模式使用RS232标准串口线和RS485-USB信号线共同完成。
本发明与现有技术相比具有以下特点：（1）本发明算法新颖，操作简单，检测结果准确；（2）对猕猴桃进行无损检测，不破坏猕猴桃结构；（3）推广性强，具有广阔的市场应用前景。
附图说明
为了更清晰的说明本发明的具体步骤，下面结合附图作进一步的说明。
图1是本发明的检测流程图。
图2是本发明的高光谱预处理效果图。
图3是本发明选用的高光谱分选仪图。
图4是本发明的检测结果与理化检测结果（即代表真实值）对照表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明结合附图和实施例程进行详细说明。
本发明公开基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，首先利用高光谱分选仪采集猕猴桃的高光谱图像并对其进行黑白校正，从中提取整个猕猴桃区域作为感兴趣区域；该感兴趣区域的平均光谱信息作为原始光谱信息，对其进行去除首尾两端噪声波段的光谱预处理；然后将预处理后的光谱信息采用核主成分分析法降维提取出特征光谱，并将特征光谱输入用粒子群算法优化参数后的已训练检测器即最小二乘支持向量机，从而可检测出猕猴桃的可溶性固形物含量。
参照图1，本发明的具体步骤包括：
步骤101：通过高光谱分选仪采集猕猴桃的高光谱图像，对采集后的高光谱图像进行黑白校正，首先利用高光谱分选仪采集标准白色校正板得到全白的标定图像W，然后盖上镜头盖采集全黑的标定图像B；根据公式（1）计算出校正后的图像R：
（1）
式中，I o —采集的高光谱图像，R—校正后的高光谱图像；
步骤102：提取黑白校正后的猕猴桃高光谱图像中的整个猕猴桃区域，作为感兴趣区域；
步骤103：求取感兴趣区域的平均光谱信息，并将其作为原始光谱信息；
步骤104：去除原始光谱信息中的首尾两端噪声波段；
步骤105-1：求取去除首尾两端噪声波段后的原始光谱信息的平均光谱，并将该平均光谱作为标准光谱，根据公式（2）计算:
（2）
式中，为猕猴桃样本在各波长点处的光谱值，n为猕猴桃样本数，为猕猴桃样本在各波长点处求取的平均值；
步骤105-2：将去除首尾两端噪声波段的原始光谱信息与标准光谱进行一元线性回归运算，根据公式（3）求取出线性平移量和倾斜偏移量:
（3）
式中,为猕猴桃各样本的光谱值，为猕猴桃各样本的平均光谱值，、为求取的线性平移量和倾斜偏移量；
步骤105-3：将去除首尾两端噪声波段的原始光谱信息减去线性平移量并除以倾斜偏移量，以校正去除首尾两端噪声波段后的原始光谱信息的相对基线倾斜，从而获得包含有更多与所检测成分含量相关的光谱信息，该光谱信息即为预处理后的光谱信息，依照公式（4）计算：
（4）
式中，为预处理后的光谱信息；
步骤106：采用核主成分分析法对预处理后的光谱信息降维提取出特征光谱，首先将预处理后的光谱信息进行归一化处理，然后采用径向基核函数求其核矩阵，根据公式（5）计算：
（5）
式中，是核矩阵，为核函数中心，为径向基核函数中的核参数；
然后对核矩阵中心化处理得到中心化核矩阵，求取该中心化核矩阵的特征值λ 1…λ n 并降序排列以及其对应的特征向量u 1…u n ；设置降维后的特性光谱的维数，对特征向量u 1…u n 进行正交化后提取其主成分，即为提取出的低维特征光谱，其目的是消除光谱信息的冗余性；
步骤107：将提取的低维特征光谱作为输入、以理化试验检测的猕猴桃可溶性固形物含量作为输出形成训练样本对，对检测器即最小二乘支持向量机进行训练；在训练过程中，利用均方根误差及相关系数来选取低维特征光谱的维数，当均方根误差越小且相关系数越接近1时，此时对应的即为特征光谱的最佳维数；相关系数及均方根误差根据公式（6）、（7）计算：
（6）
（7）
式中，为猕猴桃样本相关系数，RMSEC为猕猴桃样本均方根误差，为猕猴桃样本可溶性固形物含量平均值，为第个样本的可溶性固形物含量检测值，是猕猴桃样本数；
其中，被训练的检测器即最小二乘支持向量机的γ、参数采用粒子群算法优化选取；γ为最小二乘支持向量机的正则化参数，为径向基核函数中的核参数,最小二乘支持向量机的模型为：
（8）
式中，是最小二乘支持向量机模型输出值，是核矩阵，是输入变量，为拉格朗日乘子，b为模型偏差；
步骤108-1：采用粒子群算法优化最小二乘支持向量机中的γ、参数时，初始化粒子群个数、初始化学习因子、初始权重、终止权重、迭代次数以及γ、的参数寻优范围；
步骤108-2：对每一个粒子初始化其随机速度信息和位置信息；
步骤108-3：定义每个粒子的位置和速度、每个粒子的最佳位置和最优适应度以及所有粒子的最佳位置和全局最优适应度；
步骤108-4：随着迭代次数的增加，γ、的变化导致每个粒子的适应度变化，评价每个粒子的适应度并更新当前粒子的最好位置以及全局的最佳位置，以获得合适的γ、值；
步骤109：待测猕猴桃通过上述步骤获得对应的低维特征光谱，并将该低维特征光谱输入训练后的最小二乘支持向量机，即可获得待测猕猴桃的可溶性固形物含量。
参照图2，其中，图2（a）为高光谱分选仪在光谱范围[400nm,1000nm]内采集的猕猴桃高光谱图像的原始光谱曲线，共256个光谱波段；图2（b）为去除首尾两端噪声波段、选取[442nm,1000nm]光谱范围内的原始光谱曲线，共220个光谱波段；图2（c）为光谱预处理后的光谱曲线。
参照图3，所述高光谱分选仪包括均匀光源301、光谱相机302、电控移动平台303及计算机304；其中，所述均匀光源301采用4个LSTS-200溴钨灯并呈梯形结构排列，安装于所述电控移动平台303两侧保证光源在被拍摄直线上的均匀性；所述光谱相机302固定在可上下滑动的升降平台上，包括成像光谱仪和电荷耦合器件，其安装方向垂直于所述电控移动平台303，其光谱分辨率设置为2.8nm，即光谱范围为[400nm,1000nm]；所述电控移动平台303用于放置待测猕猴桃样品，其可承载的最大样品空间尺寸为300mm300mm200mm；所述计算机304用于控制整个系统工作，通信模式使用RS232标准串口线和RS485-USB信号线共同完成。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制与本文所示的这些实施例，而是符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，其特征在于，首先利用高光谱分选仪采集猕猴桃的高光谱图像并对其进行黑白校正，从中提取整个猕猴桃区域作为感兴趣区域；该感兴趣区域的平均光谱信息作为原始光谱信息，对其进行去除首尾两端噪声波段的光谱预处理；然后将预处理后的光谱信息采用核主成分分析法降维提取出特征光谱，并将特征光谱输入用粒子群算法优化参数后的已训练检测器即最小二乘支持向量机，从而可检测出猕猴桃的可溶性固形物含量。
2.根据权利要求1所述的基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，其特征在于，具体步骤为：
步骤101：通过高光谱分选仪采集猕猴桃的高光谱图像，对采集后的高光谱图像进行黑白校正，首先利用高光谱分选仪采集标准白色校正板得到全白的标定图像W，然后盖上镜头盖采集全黑的标定图像B；根据公式（1）计算出校正后的图像R：
（1）
式中，I o —采集的高光谱图像，R—校正后的高光谱图像；
步骤102：提取黑白校正后的猕猴桃高光谱图像中的整个猕猴桃区域，作为感兴趣区域；
步骤103：求取感兴趣区域的平均光谱信息，并将其作为原始光谱信息；
步骤104：去除原始光谱信息中的首尾两端噪声波段；
步骤105-1：求取去除首尾两端噪声波段后的原始光谱信息的平均光谱，并将该平均光谱作为标准光谱，根据公式（2）计算:
（2）
式中，为猕猴桃样本在各波长点处的光谱值，n为猕猴桃样本数，为猕猴桃样本在各波长点处求取的平均值；
步骤105-2：将去除首尾两端噪声波段的原始光谱信息与标准光谱进行一元线性回归运算，根据公式（3）求取出线性平移量和倾斜偏移量:
（3）
式中,为猕猴桃各样本的光谱值，为猕猴桃各样本的平均光谱值，、为求取的线性平移量和倾斜偏移量；
步骤105-3：将去除首尾两端噪声波段的原始光谱信息减去线性平移量并除以倾斜偏移量，以校正去除首尾两端噪声波段后的原始光谱信息的相对基线倾斜，从而获得包含有更多与所检测成分含量相关的光谱信息，该光谱信息即为预处理后的光谱信息，依照公式（4）计算：
（4）
式中，为预处理后的光谱信息；
步骤106：采用核主成分分析法对预处理后的光谱信息降维提取出特征光谱，首先将预处理后的光谱信息进行归一化处理，然后采用径向基核函数求其核矩阵，根据公式（5）计算：
（5）
式中，是核矩阵，为核函数中心，为径向基核函数中的核参数；
然后对核矩阵中心化处理得到中心化核矩阵，求取该中心化核矩阵的特征值λ 1…λ n 并降序排列以及其对应的特征向量u 1…u n ；设置降维后的特性光谱的维数，对特征向量u 1…u n 进行正交化后提取其主成分，即为提取出的低维特征光谱，其目的是消除光谱信息的冗余性；
步骤107：将提取的低维特征光谱作为输入、以理化试验检测的猕猴桃可溶性固形物含量作为输出形成训练样本对，对检测器即最小二乘支持向量机进行训练；在训练过程中，利用均方根误差及相关系数来选取低维特征光谱的维数，当均方根误差越小且相关系数越接近1时，此时对应的即为特征光谱的最佳维数；相关系数及均方根误差根据公式（6）、（7）计算：
（6）
（7）
式中，为猕猴桃样本相关系数，RMSEC为猕猴桃样本均方根误差，为猕猴桃样本可溶性固形物含量平均值，为第个样本的可溶性固形物含量检测值，是猕猴桃样本数；
其中，被训练的检测器即最小二乘支持向量机的γ、参数采用粒子群算法优化选取；γ为最小二乘支持向量机的正则化参数，为径向基核函数中的核参数,最小二乘支持向量机的模型为：
（8）
式中，是最小二乘支持向量机模型输出值，是核矩阵，是输入变量，为拉格朗日乘子，b为模型偏差；
步骤108-1：采用粒子群算法优化最小二乘支持向量机中的γ、参数时，初始化粒子群个数、初始化学习因子、初始权重、终止权重、迭代次数以及γ、的参数寻优范围；
步骤108-2：对每一个粒子初始化其随机速度信息和位置信息；
步骤108-3：定义每个粒子的位置和速度、每个粒子的最佳位置和最优适应度以及所有粒子的最佳位置和全局最优适应度；
步骤108-4：随着迭代次数的增加，γ、的变化导致每个粒子的适应度变化，评价每个粒子的适应度并更新当前粒子的最好位置以及全局的最佳位置，以获得合适的γ、值；
步骤109：待测猕猴桃通过上述步骤获得对应的低维特征光谱，并将该低维特征光谱输入训练后的最小二乘支持向量机，即可获得待测猕猴桃的可溶性固形物含量。
3.根据权利要求1所述的基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法，其特征在于，所述高光谱分选仪包括均匀光源、光谱相机、电控移动平台及计算机；其中，所述均匀光源采用4个LSTS-200溴钨灯并呈梯形结构排列；所述光谱相机包括成像光谱仪和电荷耦合器件，设置光谱分辨率为2.8nm，即光谱范围为[400nm,1000nm]；所述电控移动平台用于放置待测猕猴桃样品，其可承载的最大样品空间尺寸为300mm300mm200mm；计算机用于控制整个系统工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811205621.8A CN109187378B (zh) | 2018-10-17 | 2018-10-17 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811205621.8A CN109187378B (zh) | 2018-10-17 | 2018-10-17 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109187378A true CN109187378A (zh) | 2019-01-11 |
| CN109187378B CN109187378B (zh) | 2021-04-16 |
Family
ID=64945022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811205621.8A Expired - Fee Related CN109187378B (zh) | 2018-10-17 | 2018-10-17 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109187378B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109856072A (zh) * | 2019-03-13 | 2019-06-07 | 西北农林科技大学 | 基于可见/近红外光谱的猕猴桃膨大果检测方法与装置 |
| CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
| CN110243748A (zh) * | 2019-07-22 | 2019-09-17 | 南京财经大学 | 一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
| CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
| CN113646619A (zh) * | 2019-02-14 | 2021-11-12 | 开米美景公司 | 扩展粒子群波段选择 |
| CN114166719A (zh) * | 2021-11-27 | 2022-03-11 | 北京擎科生物科技有限公司 | 核酸合成载体筛选方法与装置 |
| CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
| CN114965346A (zh) * | 2022-06-07 | 2022-08-30 | 河北工业大学 | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 |
| CN117805024A (zh) * | 2024-02-29 | 2024-04-02 | 四川农业大学 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
| CN118090672A (zh) * | 2024-04-25 | 2024-05-28 | 奥谱天成（厦门）光电有限公司 | 猕猴桃特征检测方法、装置、介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
-
2018
- 2018-10-17 CN CN201811205621.8A patent/CN109187378B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103411973A (zh) * | 2013-09-03 | 2013-11-27 | 西北农林科技大学 | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 |
| CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
| CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 毛博慧 等: "冬小麦苗期叶绿素含量检测光谱学参数寻优", 《农业工程学报》 * |
| 田野: "高光谱遥感图像降维方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 胡根生 等: "粒子群优化的最小二乘支持向量机在小麦白粉病监测中的应用", 《遥感技术与应用》 * |
| 董金磊 等: "采后猕猴桃可溶性固形物含量的高光谱无损检测", 《食品科学》 * |
| 金叶 等: "基于粒子群算法的最小二乘支持向量机在红花提取液近红外定量分析中的应用", 《分析化学(FENXI HUAXUE)研究报告》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113646619A (zh) * | 2019-02-14 | 2021-11-12 | 开米美景公司 | 扩展粒子群波段选择 |
| CN109946246B (zh) * | 2019-02-27 | 2023-03-14 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
| CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
| CN109856072A (zh) * | 2019-03-13 | 2019-06-07 | 西北农林科技大学 | 基于可见/近红外光谱的猕猴桃膨大果检测方法与装置 |
| CN110243748A (zh) * | 2019-07-22 | 2019-09-17 | 南京财经大学 | 一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN112974303A (zh) * | 2021-04-26 | 2021-06-18 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的果品品质检测方法、设备及介质 |
| CN113496486B (zh) * | 2021-07-08 | 2023-08-22 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
| CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
| CN114166719B (zh) * | 2021-11-27 | 2022-08-12 | 北京擎科生物科技有限公司 | 核酸合成载体筛选方法与装置 |
| CN114166719A (zh) * | 2021-11-27 | 2022-03-11 | 北京擎科生物科技有限公司 | 核酸合成载体筛选方法与装置 |
| CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
| CN114965346A (zh) * | 2022-06-07 | 2022-08-30 | 河北工业大学 | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 |
| CN117805024A (zh) * | 2024-02-29 | 2024-04-02 | 四川农业大学 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
| CN117805024B (zh) * | 2024-02-29 | 2024-05-14 | 四川农业大学 | 一种酥梨糖精度检测方法、装置、云端设备及计算机装置 |
| CN118090672A (zh) * | 2024-04-25 | 2024-05-28 | 奥谱天成（厦门）光电有限公司 | 猕猴桃特征检测方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109187378B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109187378A (zh) | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 | |
| CN105203464B (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
| Wei et al. | Visual detection of the moisture content of tea leaves with hyperspectral imaging technology | |
| CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
| Xiao-bo et al. | In-line detection of apple defects using three color cameras system | |
| CN106290230B (zh) | 一种近红外光谱结合化学成分的红茶萎凋程度的判别方法 | |
| CN102564993B (zh) | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 | |
| CA2771868A1 (en) | Method for real time detection of defects in a food product | |
| CN105115910B (zh) | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 | |
| CN110108644A (zh) | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 | |
| CN103389255A (zh) | 基于近红外高光谱纹理特征建模的预测茶叶含水率的方法 | |
| CN110596117A (zh) | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 | |
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
| Wang et al. | Variety identification of sweet maize seeds based on hyperspectral imaging combined with deep learning | |
| CN105954202A (zh) | 一种柑橘溃疡病高光谱模型传递的方法 | |
| Wei et al. | Tea moisture content detection with multispectral and depth images | |
| CN112699756A (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
| CN102788806B (zh) | 基于类球形亮度变换的水果表面缺陷检测方法 | |
| CN109187578A (zh) | 基于高光谱成像技术的猕猴桃表面缺陷快速无损识别方法 | |
| Liu et al. | Combined laser-induced breakdown spectroscopy and hyperspectral imaging with machine learning for the classification and identification of rice geographical origin | |
| Xie et al. | Modeling for mung bean variety classification using visible and near-infrared hyperspectral imaging | |
| CN104749126A (zh) | 基于近红外高光谱图像分析的小麦硬度预测方法 | |
| Yang et al. | A model for yellow tea polyphenols content estimation based on multi-feature fusion | |
| CN112098415A (zh) | 一种杨梅品质无损检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210416 Termination date: 20211017 |