CN109254034A - 一种便携式扇贝数字化品质评价装置和方法 - Google Patents
一种便携式扇贝数字化品质评价装置和方法 Download PDFInfo
- Publication number
- CN109254034A CN109254034A CN201811345532.3A CN201811345532A CN109254034A CN 109254034 A CN109254034 A CN 109254034A CN 201811345532 A CN201811345532 A CN 201811345532A CN 109254034 A CN109254034 A CN 109254034A
- Authority
- CN
- China
- Prior art keywords
- sample
- scallop
- data
- quality
- evaluation device
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种便携式扇贝数字化品质评价装置和方法,包括样品室,以及测试腔;所述样品室通过顶空进样系统与测试腔连接,用于样品的放置与加热,所述顶空进样系统用于气体的采集进样,所述测试腔用于扇贝的检测,其中测试腔内绕中心环形排布气味传感器阵列。本发明的品质评价装置能够便携式使用,方便、小巧、灵活;且根据基于神经网络的扇贝鲜活品质评价的实验结果,将支持向量机作为模式识别的核心算法,利用模式识别系统将人机交互LCD上线性变化的扇贝品质显示为数字化等级,评价简单快捷,扇贝品质一目了然。
Description
技术领域
本发明涉及一种便携式扇贝数字化品质评价装置和方法,属于扇贝品质评价技术领域。
背景技术
扇贝自20世纪80年代初由日本引入中国,并在辽宁、山东等北方海域进行规模化养殖,现已成为我国北方沿海重要的经济养殖贝类。目前我国活品扇贝供应链存在的问题是,扇贝随着流通时间的延长其品质不断下降,甚至死亡,长距离陆路运输仍未实现。活品扇贝供应链优化的前提是建立有效的专业品质评价方法,然而由于活体生物状态变化的复杂性,目前仍缺乏可靠的活品扇贝品质评价手段。
发明内容
为了克服现有技术的不足,本发明提供一种便携式扇贝数字化品质评价装置和方法,具有方便、快捷、灵敏、安全的特点。
本发明解决其技术问题采用的技术方案是:
一种便携式扇贝数字化品质评价装置,包括样品室,以及测试腔;所述样品室通过顶空进样系统与测试腔连接,用于样品的放置与加热,所述顶空进样系统用于气体的采集进样,所述测试腔用于扇贝的检测,其中测试腔内绕中心环形排布气味传感器阵列。
作为本申请的优选技术方案,还包括温度控制系统、模拟信号采集与转换模块,数据处理模块,模式识别模块,数据传送模块,供电模块,空气过滤及配气系统;
所述温度控制系统用于为样品处理以及气体传感器阵列提供稳定的工作温度;所述模拟信号采集与转换模块对气敏传感器的响应输出的模拟信号进行采集和转换;数据处理模块进行数据预处理,完成滤波和特征提取任务;模式识别模块用于对信号处理模块所输出进来的信号做进一步的处理,完成对样品品质的自动模式识别;所述空气过滤及配气系统与样品室连通,为样品室提供定值的洁净气体流量。
作为本申请的优选技术方案,所述模拟信号采集与转换模块为研华 PCI-1710U;所述数据处理模块为研华RSB-4221;所述模式识别模块为NI CompactRIO模块。
作为本申请的优选技术方案,还设有通信模块,所述通信模块包括4G和 Wifi双通信模块,用于在不通过网络环境下的控制信息和采集数据的传输。
作为本申请的优选技术方案,所述温度控制系统包括样品加热控制系统和检测区加热控制系统,所述样品加热控制系统用于控制所述样品室内的温度;所述检测区加热控制系统用于控制所述测试腔内的检测区温度。
作为本申请的优选技术方案,所述样品室由样品腔和加热隔层组成,所述加热隔层与测试腔的出气口连通。
作为本申请的优选技术方案,所述传感器阵列包括8个等间距排布的MOS 传感器,分别为LY2/Gct1,LY2/GCT,T30/1,PA/2,P30/1,P30/2,T40/1以及TA/2。
优选的,所述测试腔通过电路板与传感器连接,连接位置设有六点式插槽。
作为本申请的优选技术方案,所述装置还设有控制面板,面板上设有LCD 显示屏和按键,用于用户查看、设定与查询相关信息。
基于上述装置的扇贝的品质评价方法,包括如下步骤:
步骤1,配备适于检测要求的品质评价装置:其传感器阵列包括等间距排布的8 个MOS传感器;
步骤2,将扇贝待检品放置于样品室内,密封,50℃平衡10min;
步骤3,以洁净干燥空气为载体,流速150mL/min,进样体积300μL,1s进样完毕,注射针温度60℃,采集时间120s,传感器清洗时间10min;
步骤4,传感器阵列发生响应,得到传感器阵列对待检品的响应数据矩阵;
步骤5,根据预先获取的扇贝品质与气味指纹图谱的对应关系,对比待检品的数据矩阵,确定待检品的品质。
作为本申请优选技术方案,所述步骤5包括如下步骤:
(1)MOS传感器数据矩阵的采集,具体分步骤如下:
(a)通过检测气体浓度变化后的8个MOS传感器电阻变化,采集8个MOS 传感器电压变化;
(b)电压信号Vout=Vh-Vc,其中Vh为系统电压值,Vc为固定电阻电压;
(c)电压信号由数据采集卡转换成模拟数字信号;
(d)8个MOS传感器电压信号最终组成8个MOS传感器模拟数字信号,取最大值组成数字矩阵如下所示:
{x1 x2 x3 x4 x5 x6 x7 x8};
(2)不同等级的扇贝MOS阵列数据特征区分,具体分步骤如下:
(a)采集不同品质水平的扇贝气味特征得到其数据矩阵;
(b)不同样品二维数据矩阵间的标准化欧氏距离计算,两个样本 a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的标准化欧氏距离d12的公式:
上式中Sk表示第k个元素的标准差;
(c)基于上述欧氏距离计算方法,以类平均法为准则,对不同样品进行聚类分析,分组Gp和分组Gq的距离的平方D2 pq公式:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nq、np分别是Gq和分组Gp 中样本的个数。
Gp和Gq并成一类Gr后,Gr与其他类Gk的距离为Drk时:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nr、nk分别是Gr和分组Gk 中样本的个数。
(3)基于MATLAB的LIBSVM软件包中的svmtrain和svmpredict函数,用支持向量机方法对扇贝品质等级进行进行有监督的分类,具体分步骤如下:
(a)取100个已知分类结果的样品,等级分别为1、2、3、4、5,每个等级20个,数据属性值做归一化处理;
(b)g核函数的参数系数,c惩罚因子系数的最优化:
利用LOOCV方法,进行交叉验证参数网格寻优,得到最优参数c和g,交叉验证方程如下:
在上式中n为训练集样本数,每次取出一个数据作为测试集的唯一元素,而其他n-1个数据都作为训练集用于训练模型和调参,最终训练了n个模型,每次都能得到一个MSE;而计算最终test MSE等于n个MSE取平均;;
(c)最优化调整参数c和g,以svmtrain训练函数,训练数据产生预测模型,以svmpredict训练函数,使用训练的模型去预测待测样品的数据类型。
有益效果
本发明提供的便携式扇贝数字化品质评价装置和方法,具有以下有益效果:
(1)本发明的品质评价装置能够便携式使用,方便、小巧、灵活;
(2)根据基于神经网络的扇贝鲜活品质评价的实验结果,将支持向量机作为模式识别的核心算法,利用模式识别系统将人机交互LCD上线性变化的扇贝品质显示为数字化等级,评价简单快捷,扇贝品质一目了然;
(3)气味传感器阵列产生的相对高温的废气直接排放到样品室的加热隔层,满足样品加热、节能的同时,可以冷却高温废气;
(4)将传感器集成到一个小型气体测试腔室,缩小了气体测试腔室体积,降低了模拟信号数据的转化、采集、传输和处理的难度;
(5)将传感器在气体测试腔内圆形排列,确保中心注入的气体均匀接触每一个传感器;
(6)气味传感器阵列电路板与传感器连接位置为六点式插槽,传感器可拆卸,方便更换维修。
附图说明
图1是本发明样品室与测试腔示意简图;
图2是本发明便携式扇贝数字化品质评价装置示意图;
其中:1-温度控制系统;2-空气过滤及配气系统;3-样品室;4-测试腔,5- 模拟信号采集与转换模块(A/D模块);6-数据处理模块,7-模式识别模块,8- 控制面板。
具体实施方式
为了使本发明的内容更容易被清楚的理解,以下结合实施例对本发明做进一步详细说明。现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
如图1和图2所示,一种便携式扇贝数字化品质评价装置,包括样品室3,以及测试腔4;所述样品室3通过顶空定量进样系统与测试腔4连接,用于样品的放置与加热,所述顶空定量进样系统用于气体的采集进样,所述测试腔4用于扇贝的检测,测试腔4内绕中心环形排布8个气味传感器阵列,分别为LY2/Gct1, LY2/GCT,T30/1,PA/2,P30/1,P30/2,T40/1以及TA/2;所述测试腔通过电路板与传感器连接,连接位置设有六点式或四点式插槽;所述样品室3由样品腔和加热隔层组成,所述加热隔层与测试腔4的出气口连通,测试腔4气味传感器阵列产生的高温废气直接排放到加热隔层,满足样品加热、节能的同时,可以冷却高温废气。
样品室3和测试腔4还连接温度控制系统1,用于为样品处理以及气体传感器阵列提供稳定的工作温度;样品室3与空气过滤及配气系统2连通为样品室提供定值的洁净气体流量;测试腔4后接模拟信号采集与转换模块(A/D模块)5,数据处理模块6,模式识别模块7;
所述模拟信号采集与转换模块(A/D模块)5为研华PCI-1710U,对气敏传感器的响应输出的模拟信号进行采集和转换;数据处理模块6研华RSB-4221进行数据预处理,完成滤波和特征提取任务;模式识别模块7为NI CompactRIO模块,用于对信号处理模块6所输出进来的信号做进一步的处理,完成对样品品质的自动模式识别。
所述温度控制系统1包括样品加热控制系统9和检测区加热控制系统10,由于温度需求不同,所以两个区都有单独的加热元件和温度检测电阻,所述样品加热控制系统9用于控制所述样品室内的温度;所述检测区加热控制系统10用于控制所述测试腔内的检测区温度,这样配置更加合理。
所述装置设有电源,由锂离子电池组和充电供电模块供电,提供所有模块及单元的供电;所述装置还设有控制面板8,面板上设有LCD显示屏和按键,用于用户查看、设定与查询相关信息。
所述装置还设有通信模块,通信模块包括4G和Wifi双通信模块,用于在不通过网络环境下的控制信息和采集数据的传输。
本发明能够快捷准确判定活品扇贝品质等级甚至预测其流通期间的品质走势,进而预判活品贝的货架期,这对进一步提高活品扇贝的流通工艺、促进整个活品扇贝产业的成熟均具有十分重要的意义;活品扇贝作为食品原材料,气味是其重要的感官印象,并且气味检测具有方便、快捷、灵敏、安全等特点。
实施例2
基于实施例1所述装置的扇贝的品质评价方法,包括如下步骤:
步骤1,配备适于检测要求的品质评价装置:其传感器阵列包括等间距排布的8 个MOS传感器,分别为LY2/Gct1,LY2/GCT,T30/1,PA/2,P30/1,P30/2, T40/1以及TA/2;
步骤2,将扇贝待检品放置于样品室内,密封,50℃平衡10min;
步骤3,以洁净干燥空气为载体,以流速150mL/min,顶空定量进样,进样体积 300μL,1s进样完毕,注射针温度60℃,采集时间120s,传感器清洗时间10min;
步骤4,传感器与扇贝的气味气体进行反应,阻值发生变化,各传感器的电压信号经过研华PCI-1710U进行信号采集与A/D转换;再经研华RSB-4221数据处理模块进行数据预处理,完成滤波和提取任务;再经NI CompactRIO模块对信号做进一步的处理;
步骤5,根据预先获取的扇贝品质与气味指纹图谱的对应关系,对比待检品的数据矩阵,确定待检品的品质。
其中,步骤5包括如下步骤:
(1)MOS传感器数据矩阵的采集,具体分步骤如下:
(a)通过检测气体浓度变化后的8个MOS传感器电阻变化,采集8个MOS 传感器电压变化;
(b)电压信号Vout=Vh-Vc,其中Vh为系统电压值,Vc为固定电阻电压;
(c)电压信号由数据采集卡转换成模拟数字信号;
(d)8个MOS传感器电压信号最终组成8个MOS传感器模拟数字信号,取最大值组成数字矩阵如下所示:
{x1 x2 x3 x4 x5 x6 x7 x8}
(2)不同等级的扇贝MOS阵列数据特征区分,具体分步骤如下:
(a)采集不同品质水平的扇贝气味特征得到其数据矩阵;
(b)不同样品二维数据矩阵间的标准化欧氏距离计算,两个样本 a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的标准化欧氏距离d12的公式:
上式中Sk表示第k个元素的标准差。
(c)基于上述欧氏距离计算方法,以类平均法为准则,对不同样品进行聚类分析,分组Gp和分组Gq的距离的平方D2 pq公式:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nq、np分别是Gq和分组Gp 中样本的个数。
Gp和Gq并成一类Gr后,Gr与其他类Gk的距离为Drk时:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nr、nk分别是Gr和分组Gk 中样本的个数。
(3)基于MATLAB的LIBSVM软件包中的svmtrain和svmpredict函数,用支持向量机方法对扇贝品质等级进行进行有监督的分类,具体分步骤如下:
(a)取100个已知分类结果的样品,等级分别为1、2、3、4、5,每个等级20个,数据属性值做归一化处理;
(b)g核函数的参数系数,c惩罚因子系数的最优化:
利用LOOCV方法,进行交叉验证参数网格寻优,得到最优参数c和g,交叉验证方程如下:
在上式中n为训练集样本数,每次取出一个数据作为测试集的唯一元素,而其他n-1个数据都作为训练集用于训练模型和调参,最终训练了n个模型,每次都能得到一个MSE。而计算最终test MSE等于n个MSE取平均。。
(c)最优化调整参数c和g,以svmtrain训练函数,训练数据产生预测模型,以svmpredict训练函数,使用训练的模型去预测待测样品的数据类型。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求为保护范围。
Claims (10)
1.一种便携式扇贝数字化品质评价装置,其特征在于,包括样品室,以及测试腔;所述样品室通过顶空进样系统与测试腔连接,用于样品的放置与加热,所述顶空进样系统用于气体的采集进样,所述测试腔用于扇贝的检测,其中测试腔内绕中心环形排布气味传感器阵列。
2.根据权利要求1所述的便携式扇贝数字化品质评价装置,其特征在于,还包括温度控制系统、模拟信号采集与转换模块,数据处理模块,模式识别模块,数据传送模块,供电模块,空气过滤及配气系统;
所述温度控制系统用于为样品处理以及气体传感器阵列提供稳定的工作温度;所述模拟信号采集与转换模块对气敏传感器的响应输出的模拟信号进行采集和转换;数据处理模块进行数据预处理,完成滤波和特征提取任务;模式识别模块用于对信号处理模块所输出进来的信号做进一步的处理,完成对样品品质自动模式识别;所述空气过滤及配气系统与样品室连通,为样品室提供定值的洁净气体流量。
3.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,所述模拟信号采集与转换模块为研华PCI-1710U;所述数据处理模块为研华RSB-4221;所述模式识别模块为NI CompactRIO模块。
4.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,还设有通信模块,所述通信模块包括4G和Wifi双通信模块,用于在不通过网络环境下的控制信息和采集数据的传输。
5.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,所述温度控制系统包括样品加热控制系统和检测区加热控制系统,所述样品加热控制系统用于控制所述样品室内的温度;所述检测区加热控制系统用于控制所述测试腔内的检测区温度。
6.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,所述样品室由样品腔和加热隔层组成,所述加热隔层与测试腔的出气口连通。
7.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,所述传感器阵列包括8个等间距排布的MOS传感器,分别为LY2/Gct1,LY2/GCT,T30/1,PA/2,P30/1,P30/2,T40/1以及TA/2。
8.根据权利要求2所述的便携式扇贝数字化品质评价装置,其特征在于,所述测试腔通过电路板与传感器连接,连接位置设有六点式插槽。
9.基于权利要求1所述的便携式数字化品质评价装置的扇贝的品质评价方法,其特征在于,包括如下步骤:
步骤1,配备适于检测要求的品质评价装置:其传感器阵列包括等间距排布的8个MOS传感器;
步骤2,将扇贝待检品放置于样品室内,密封,50℃平衡10min;
步骤3,以洁净干燥空气为载体,流速150mL/min,进样体积300μL,1s进样完毕,注射针温度60℃,采集时间120s,传感器清洗时间10min;
步骤4,传感器阵列发生响应,得到传感器阵列对待检品的响应数据矩阵;
步骤5,根据预先获取的扇贝品质与气味指纹图谱的对应关系,对比待检品的数据矩阵,确定待检品的品质。
10.根据权利要求9所述的扇贝的品质评价方法,其特征在于,所述步骤5包括如下步骤:
(1)MOS传感器数据矩阵的采集,具体分步骤如下:
(a)通过检测气体浓度变化后的8个MOS传感器电阻变化,采集8个MOS传感器电压变化;
(b)电压信号Vout=Vh-Vc,其中Vh为系统电压值,Vc为固定电阻电压;
(c)电压信号由数据采集卡转换成模拟数字信号;
(d)8个MOS传感器电压信号最终组成8个MOS传感器模拟数字信号,取最大值组成数字矩阵如下所示:
{x1 x2 x3 x4 x5 x6 x7 x8};
(2)不同等级的扇贝MOS阵列数据特征区分,具体分步骤如下:
(a)采集不同品质水平的扇贝气味特征得到其数据矩阵;
(b)不同样品二维数据矩阵间的标准化欧氏距离计算,两个样本a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的标准化欧氏距离d12的公式:
上式中Sk表示第k个元素的标准差;
(c)基于上述欧氏距离计算方法,以类平均法为准则,对不同样品进行聚类分析,分组Gp和分组Gq的距离的平方D2 pq公式:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nq、np分别是Gq和分组Gp中样本的个数。
Gp和Gq并成一类Gr后,Gr与其他类Gk的距离为Drk时:
其中d2 ij为步骤(b)中标准化欧氏距离的平方,nr、nk分别是Gr和分组Gk中样本的个数。
(3)基于MATLAB的LIBSVM软件包中的svmtrain和svmpredict函数,用支持向量机方法对扇贝品质等级进行进行有监督的分类,具体分步骤如下:
(a)取100个已知分类结果的样品,等级分别为1、2、3、4、5,每个等级20个,数据属性值做归一化处理;
(b)g核函数的参数系数,c惩罚因子系数的最优化:
利用LOOCV方法,进行交叉验证参数网格寻优,得到最优参数c和g,交叉验证方程如下:
在上式中n为训练集样本数,每次取出一个数据作为测试集的唯一元素,而其他n-1个数据都作为训练集用于训练模型和调参,最终训练了n个模型,每次都能得到一个MSE;而计算最终test MSE等于n个MSE取平均;;
(c)最优化调整参数c和g,以svmtrain训练函数,训练数据产生预测模型,以svmpredict训练函数,使用训练的模型去预测待测样品的数据类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811345532.3A CN109254034A (zh) | 2018-11-13 | 2018-11-13 | 一种便携式扇贝数字化品质评价装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811345532.3A CN109254034A (zh) | 2018-11-13 | 2018-11-13 | 一种便携式扇贝数字化品质评价装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109254034A true CN109254034A (zh) | 2019-01-22 |
Family
ID=65043658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811345532.3A Pending CN109254034A (zh) | 2018-11-13 | 2018-11-13 | 一种便携式扇贝数字化品质评价装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254034A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110440969A (zh) * | 2019-08-08 | 2019-11-12 | 大连海洋大学 | 一种虾夷扇贝活力快速评价方法 |
CN110850028A (zh) * | 2019-10-09 | 2020-02-28 | 南京所云人工智能科技有限公司 | 一种基于机器学习的水果品质检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330441A (zh) * | 2014-09-30 | 2015-02-04 | 山东国家农产品现代物流工程技术研究中心 | 一种判定鱼肉品质变化的方法与系统 |
CN105699437A (zh) * | 2016-02-01 | 2016-06-22 | 浙江大学 | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 |
CN106295686A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 参数优化支持向量机的茶叶香气分类方法 |
CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
-
2018
- 2018-11-13 CN CN201811345532.3A patent/CN109254034A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330441A (zh) * | 2014-09-30 | 2015-02-04 | 山东国家农产品现代物流工程技术研究中心 | 一种判定鱼肉品质变化的方法与系统 |
CN105699437A (zh) * | 2016-02-01 | 2016-06-22 | 浙江大学 | 一种基于电子鼻的不同新鲜度山核桃的快速无损区分方法 |
CN106295686A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 参数优化支持向量机的茶叶香气分类方法 |
CN108469455A (zh) * | 2017-02-23 | 2018-08-31 | 南京农业大学 | 一种用于草莓新鲜度判别的便携式电子鼻系统的设计及方法 |
Non-Patent Citations (1)
Title |
---|
傅润泽: "《万方数据库》", 16 June 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110440969A (zh) * | 2019-08-08 | 2019-11-12 | 大连海洋大学 | 一种虾夷扇贝活力快速评价方法 |
CN110440969B (zh) * | 2019-08-08 | 2023-05-23 | 大连海洋大学 | 一种虾夷扇贝活力快速评价方法 |
CN110850028A (zh) * | 2019-10-09 | 2020-02-28 | 南京所云人工智能科技有限公司 | 一种基于机器学习的水果品质检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109254034A (zh) | 一种便携式扇贝数字化品质评价装置和方法 | |
CN103080331A (zh) | 微生物检测方法、微生物检测设备和程序 | |
CN106805985B (zh) | 基于功能性近红外光谱技术的专注力检测、训练系统和方法 | |
CN102680654B (zh) | 一种联合评价食物镉蓄积对人体生物有效性和毒性的模型建立方法 | |
CN208283385U (zh) | 用于水产养殖业的水下检测机器人 | |
CN109213017A (zh) | 水产养殖智能投饲系统及方法 | |
CN106560030A (zh) | 一种用于池塘的溶解氧实时控制装置及控制方法 | |
CN206057854U (zh) | 一种智能水产养殖执行系统 | |
CN205443316U (zh) | 一种食品微生物检测用培养箱 | |
CN108057643B (zh) | 一种筛选装置的工作方法 | |
CN103134795A (zh) | 红茶发酵适度点的识别方法及装置 | |
CN106367330A (zh) | 一种微生物形态拍摄鉴定装置及方法 | |
CN104535618A (zh) | 一种基于电子鼻技术的白酒识别方法 | |
CN108157172A (zh) | 一种微型植物培养箱 | |
CN208836782U (zh) | 一种家畜饮水信息收集装置及系统 | |
CN109668857A (zh) | 基于近红外高光谱图像技术的茶叶菌落总数检测装置及方法 | |
CN210952126U (zh) | 一种实验用谷物计数烘干称重一体装置 | |
CN101589677A (zh) | 应用液体菌种生产真姬菇的培养质量检测方法 | |
CN206804135U (zh) | 一种便携式多功能综合体质测量分析仪及系统 | |
CN206303140U (zh) | 一种智能腌菜装置 | |
CN209400014U (zh) | 一种珍珠类型与珠层厚度的无损识别装置 | |
CN206808385U (zh) | 一种自动筛选称重饲喂槽 | |
CN212363294U (zh) | 茶叶质量等级分类用的智能检测分类装置 | |
CN205748462U (zh) | 一种作物生长检测系统 | |
CN205120574U (zh) | 一种玉米品质的光谱检测装置 |
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: 20190122 |