CN110320165A - 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 - Google Patents
香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 Download PDFInfo
- Publication number
- CN110320165A CN110320165A CN201910729171.0A CN201910729171A CN110320165A CN 110320165 A CN110320165 A CN 110320165A CN 201910729171 A CN201910729171 A CN 201910729171A CN 110320165 A CN110320165 A CN 110320165A
- Authority
- CN
- China
- Prior art keywords
- banana
- sample
- model
- solid content
- spectroscopic 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.)
- Pending
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
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
本发明公开了一种香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,针对已知可溶性固形物含量的香蕉样品,用可见/近红外光谱仪采集香蕉样品表面的光谱信息,获得各种样本的光谱代表信息后,还需对光谱信息进行预处理;将香蕉光谱数据导入The Unscrambler X 10.1中,进行样本光谱数据的预处理;利用导数矫正法进行特征波长的提取,基于一阶微分提取的特征波长段对应的光谱数据建立多元线性回归模型,记录该模型下的衡量指标,最终选定特征波段为1230nm‑1440nm;建立数学模型后,需要有各项指标对模型的准确性、可靠性、稳定性和预测能力作出衡量和评价。本发明可以更加客观、准确实现香蕉可溶性固形物含量的快速检测,从而实现香蕉采摘期的快速无损判定。
Description
技术领域
本发明涉及物理参数测试/测量的技术领域,尤其是指一种香蕉可溶性固形物含量的可见/近红外光谱无损检测方法。
背景技术
香蕉的采收期决定了香蕉果实的可食品质和加工特性,也影响果实的贮运特性。目前香蕉采收期的判别主要依靠蕉农的经验,结合温度、日照、降雨量等气象条件,以及盛花后的天数等数据进行预测。受气候条件和管理方式等的影响,这种预测方式具有很大的不确定性,很难保证采后香蕉成熟度的一致性。香蕉属于呼吸跃变型水果,成熟过程中大量的淀粉转化为葡萄糖、果糖等可溶性固形物。可溶性固形物含量是香蕉成熟度的一个重要指标。
目前,可溶性固形物的含量主要采用折光计法进行测量,将样品捣碎破坏,并且稀释和过滤,步骤繁琐,难以满足快速在线检测的市场需求。可见/近红外光谱技术在水果品质检测方面的可行性已经得到验证,己应用于梨、苹果、柑橘、桃、草毒、芒果和葡萄等水果的品质参数的无损检测。然而,不同种类水果的可溶性固形物的含量差别较大,建立的判别模型不具有普适性。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,实现香蕉采摘期的快速无损判定,该方法利用可见/近红外光谱技术,通过获取完整香蕉果实的可见/近红外光谱数据,理化测量对应果实的可溶性固形物的含量,结合化学计量学方法,建立香蕉可溶性固形物含量的判别模型。
为实现上述目的,本发明所提供的技术方案为:香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,该方法针对已知可溶性固形物含量的香蕉样品,用可见/近红外光谱仪采集香蕉样品表面的光谱信息获得各种样本的光谱代表信息后,还需对光谱信息进行预处理;将香蕉光谱数据导入The Unscrambler X 10.1中,进行样本光谱数据的预处理,即依次采用多项式卷积平滑法(Savitzky-Golay,SG)和标准正态变量矫正(Standard NormalVariate Correction,SNV)进行消噪处理;为了提高模型精度,利用导数矫正法(Derivative Correction)进行特征波长的提取,基于一阶微分提取的特征波长段对应的光谱数据建立多元线性回归(MLR)模型,记录该模型下的衡量指标,最终选定特征波段为1230nm-1440nm;建立数学模型后,需要有指标对模型的准确性、可靠性、稳定性和预测能力作出衡量和评价。
上述香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,包括以下步骤:
1)样本准备
试验品种为巴西蕉,为减少样本大小造成的误差,用游标卡尺挑选出具有代表性且大小均匀、没有机械损伤和虫害缺陷的果实,总共果指数45根,为避免采后病害,试样用0.05%的施保功浸泡3min后常温下晾干,将45个样本以3:1的比例随机划分为校正集和预测集,其中校正集33个和预测集12个,并编号、标记;
2)光谱数据获取
采用900-1700nm的可见/近红外光谱仪扫描获得完整香蕉样本的光谱数据,扫描方式为连续波长扫描,采集方式为漫反射;光纤与样品表面刚好接触,采集前用白板进行校正;在每个样品弯曲度最大的部位,360度周向范围内均匀采集3个不同区域的光谱信息,然后取其均值作为相应样本的光谱信息,由软件自动保存至电脑;
3)可溶性固形物含量的理化检测
采集完香蕉样本的光谱信息后,再依照编号次序,利用手持式数显折光仪测量对应样本的糖分含量作为标准,具体流程为:称取香蕉样品光谱照射位置附近的果肉各1g,放入3个烧杯中研碎,用移液枪吸取去离子水,分别加入24ml到每个烧杯中,用磁力搅拌器搅拌后静置备用,用移液枪从每个烧杯中吸取5ml样品的上清液,逐次滴加到折光仪的检测部位,使汁液盖满检测部位进行测量,每测量一次之后,都用去离子水清洗折光仪的检测部位和移液枪,接着进行下一次的检测,以免造成数据误差,以三次测量的均值作为待测样本的理化值;
4)光谱数据预处理
在原始光谱图中,光谱两端的波段所掺杂的噪声较多,信噪比较低,为了建立模型的精度,选取955-1615nm波长下的光谱反射率进行预处理;将光谱数据导入TheUnscrambler X 10.1中,依次采用多项式卷积平滑法(Savitzky-Golay,SG)和标准正态变量矫正(Standard Normal Variate Correction,SNV)进行消噪处理;
5)特征波段的提取
为了提高模型的预测精度,用导数矫正法对原始光谱数据进行一阶微分,将微分后的光谱数据生成光谱图,由于糖类物质中的C-H、O-H在1200nm和1450nm附近有吸收峰,通过波峰选择特征波段:1230-1440nm,含有40个波长:1232nm、1238nm、1244nm、1249nm、1255nm、1261nm、1266nm、1272nm、1278nm、1283nm、1289nm、1295nm、1301nm、1306nm、1312nm、1318nm、1323nm、1329nm、1334nm、1339nm、1345nm、1351nm、1356nm、1341nm、1346nm、1352nm、1358nm、1363nm、1368nm、1373nm、1389nm、1395nm、1401nm、1407nm、1415nm、1421nm、1427nm、1432nm、1438nm;
6)校正集模型的建立
以折光仪测量的33个校正集的糖分含量为Y值,以步骤4)、5)处理后的光谱反射率为X值,基于特征波段对应的光谱数据建立多元线性回归(MLR)模型,结果表明,采用一阶微分法提取的特征波长所建立模型的效果最好,能满足需求,因此,一阶微分法能够作为香蕉果实特征波段提取的最佳方法;
7)模型预测
利用检验集的12个样本进行验证,得到预测集样本中糖分含量的预测值和真实值之间的线性关系,发现绝大多数样本的预测值和测量值的绝对误差值在0.06以下,都在规定范围内,因此,模型的精度能够满足需求。
本发明与现有技术相比,具有如下优点与有益效果:
1、实现香蕉可溶性固形物含量的快速检测,减少环境以及制作香蕉汁溶液等各个工序对可溶性固形物含量检测准确度的影响,减少繁杂湿化学的可溶性固形物含量检测与分析工序。
2、此方法与传统的根据经验判断,或结合温度、气象数据,以及盛花后的天数等方法来预测最佳采收期相比,更加客观、准确。
附图说明
图1为本发明方法流程图。
图2为原始光谱图(图中一条曲线代表一个样本)。
图3为一阶微分处理后的光谱图。
图4为模型判别效果图(以校正集为研究对象)。
图5为最优模型下12个预测集样本判别效果图。
图6为采集光谱信息的部位表示图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,具体是针对已知可溶性固形物(SSC)含量的香蕉样品,用可见/近红外光谱仪采集香蕉样品表面的光谱信息获得各种样本的光谱代表信息后,还需对光谱信息进行多种预处理;将香蕉光谱数据导入The Unscrambler X 10.1中,进行样本光谱数据的预处理,依次采用多项式卷积平滑法(Savitzky-Golay,SG)和标准正态变量矫正(Standard Normal VariateCorrection,SNV)进行消噪处理。为了提高模型精度,利用导数矫正法(DerivativeCorrection)进行特征波长的提取,基于一阶微分提取的特征波段对应的光谱数据建立多元线性回归(MLR)模型,记录该模型下的衡量指标,最终选定特征波段为1230nm-1440nm。数学模型的建立后,需要有各项指标对模型的准确性、可靠性、稳定性和预测能力等指标作出衡量和评价,包括判定系数R2,校正均方根误差RMSEC,预测均方根误差RMSEP,偏离率Bias;判定系数R2越高,说明所建模型预测效果最佳;由表1分析得知,利用一阶微分法所提取的特征波长对香蕉可溶性固形物含量进行预测具有最好的效果。
表1一阶微分法提取特征波段
名称 | 特征波段 | R<sup>2</sup> | RMSEC | RMSEP | Bias |
一阶微分 | 1230-1440nm | 0.965 | 1.1230 | 4.2335 | 0.0436 |
如图1所示,本例实施上述香蕉可溶性固形物含量的可见/近红外光谱无损检测方法的具体实施步骤如下:
1)样本准备
试验品种为“巴西蕉”,产地为我国海南省海口市,依据蕉农经验,在采收期准备一批香蕉。为减少样本大小造成的误差,用游标卡尺挑选出具有代表性且大小均匀,没有机械损伤和虫害等缺陷的果实,总共果指数45根。为避免采后病害,试样用0.05%的施保功浸泡3min后常温下晾干。将45个样本以3:1的比例随机划分为校正集和预测集,其中校正集33个和预测集12个,并编号、标记。
2)光谱数据获取
采用900-1700nm的可见/近红外光光纤与样品谱仪扫描获得完整香蕉样本的光谱数据,扫描方式为连续波长扫描,采集方式为漫反射。光纤与样本表面刚好接触,采集前均用白板进行校正;每个样本弯曲度最大的部位,360度周向范围内均匀采集3个不同区域的光谱信息,如图6所示,然后取其均值作为相应样本的光谱信息,由软件自动保存至电脑。
3)可溶性固形物含量的理化检测
采集完香蕉样本的光谱信息后,再依照编号次序,利用日本爱拓ATAGO PAL-1手持式数显折光仪测量对应样本的糖分含量作为标准。具体流程如下:称取香蕉样品光谱照射位置(3个部位)附近的果肉1g,放入3个烧杯中研碎,用移液枪吸取去离子水,分别加入24ml到每个烧杯中,用磁力搅拌器搅拌后静置备用。用移液枪从每个烧杯中吸取5ml样品的上清液,逐次滴加到折光仪的检测部位,使汁液盖满检测部位进行测量。每测量一次之后,都用去离子水清洗折光仪的检测部位和移液枪,接着进行下一次的检测,以免造成数据误差。以三次测量的均值作为待测样本的理化值。
4)光谱数据预处理
如图2所示,在原始光谱图中,光谱两端的波段所掺杂的噪声较多,信噪比较低,为了建立模型的精度,选取955-1615nm波长下的光谱反射率进行预处理;将光谱数据导入TheUnscrambler X 10.1中,依次采用多项式卷积平滑法(Savitzky-Golay,SG)和标准正态变量矫正(Standard Normal Variate Correction,SNV)进行消噪处理。
5)特征波段的提取
为了提高模型的预测精度,用导数矫正法对原始光谱数据进行一阶微分,将微分后的光谱数据生成光谱图,由于糖类物质中的C-H、O-H在1200nm和1450nm附近有吸收峰,通过波峰选择特征波段:1230-1440nm,含有40个波长:1232nm、1238nm、1244nm、1249nm、1255nm、1261nm、1266nm、1272nm、1278nm、1283nm、1289nm、1295nm、1301nm、1306nm、1312nm、1318nm、1323nm、1329nm、1334nm、1339nm、1345nm、1351nm、1356nm、1341nm、1346nm、1352nm、1358nm、1363nm、1368nm、1373nm、1389nm、1395nm、1401nm、1407nm、1415nm、1421nm、1427nm、1432nm、1438nm。
6)校正集模型的建立
以折光仪测量的糖度含量为Y值,以步骤4)、5)处理后的光谱反射率为X值,基于特征波段对应的光谱数据建立多元线性回归(MLR)模型,以校正集为研究对象,模型判别效果如图4所示,结果表明,采用一阶微分法提取的特征波长所建立模型的效果较好,能满足需求。因此,一阶微分法可作为香蕉果实特征波段提取的较佳方法。
7)模型预测
利用检验集的12个样本进行验证,得到预测集样本中糖分含量的预测值和真实值之间的线性关系,如图5所示,绝大多数样本的预测值和测量值的绝对误差值在0.06以下,都在规定范围内,模型的精度可以满足需求。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (2)
1.香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,其特征在于:针对已知可溶性固形物含量的香蕉样品,用可见/近红外光谱仪采集香蕉样品表面的光谱信息,获得各种样本的光谱代表信息后,还需对光谱信息进行预处理;将香蕉光谱数据导入TheUnscrambler X 10.1中,进行样本光谱数据的预处理,即依次采用多项式卷积平滑法和标准正态变量矫正进行消噪处理;为了提高模型精度,利用导数矫正法进行特征波长的提取,基于一阶微分提取的特征波长段对应的光谱数据建立多元线性回归模型,记录该模型下的衡量指标,最终选定特征波段为1230nm-1440nm;建立数学模型后,需要有指标对模型的准确性、可靠性、稳定性和预测能力作出衡量和评价。
2.根据权利要求1所述的香蕉可溶性固形物含量的可见/近红外光谱无损检测方法,其特征在于,包括以下步骤:
1)样本准备
试验品种为巴西蕉,为减少样本大小造成的误差,用游标卡尺挑选出具有代表性且大小均匀、没有机械损伤和虫害缺陷的果实,总共果指数45根,为避免采后病害,试样用0.05%的施保功浸泡3min后常温下晾干,将45个样本以3:1的比例随机划分为校正集和预测集,其中校正集33个和预测集12个,并编号、标记;
2)光谱数据获取
采用900-1700nm的可见/近红外光谱仪扫描获得完整香蕉样本的光谱数据,扫描方式为连续波长扫描,采集方式为漫反射;光纤与样品表面刚好接触,采集前用白板进行校正;在每个样品弯曲度最大的部位,360度周向范围内均匀采集3个不同区域的光谱信息,然后取其均值作为相应样本的光谱信息,由软件自动保存至电脑;
3)可溶性固形物含量的理化检测
采集完香蕉样本的光谱信息后,再依照编号次序,利用手持式数显折光仪测量对应样本的糖分含量作为标准,具体流程为:称取香蕉样品光谱照射位置附近的果肉各1g,放入3个烧杯中研碎,用移液枪吸取去离子水,分别加入24ml到每个烧杯中,用磁力搅拌器搅拌后静置备用,用移液枪从每个烧杯中吸取5ml样品的上清液,逐次滴加到折光仪的检测部位,使汁液盖满检测部位进行测量,每测量一次之后,都用去离子水清洗折光仪的检测部位和移液枪,接着进行下一次的检测,以免造成数据误差,以三次测量的均值作为待测样本的理化值;
4)光谱数据预处理
在原始光谱图中,光谱两端的波段所掺杂的噪声多,信噪比低,为了建立模型的精度,选取955-1615nm波长下的光谱反射率进行预处理;将光谱数据导入The Unscrambler X10.1中,依次采用多项式卷积平滑法和标准正态变量矫正进行消噪处理;
5)特征波段的提取
为了提高模型的预测精度,用导数矫正法对原始光谱数据进行一阶微分,将微分后的光谱数据生成光谱图,由于糖类物质中的C-H、O-H在1200nm和1450nm附近有吸收峰,通过波峰选择特征波段:1230-1440nm,含有40个波长:1232nm、1238nm、1244nm、1249nm、1255nm、1261nm、1266nm、1272nm、1278nm、1283nm、1289nm、1295nm、1301nm、1306nm、1312nm、1318nm、1323nm、1329nm、1334nm、1339nm、1345nm、1351nm、1356nm、1341nm、1346nm、1352nm、1358nm、1363nm、1368nm、1373nm、1389nm、1395nm、1401nm、1407nm、1415nm、1421nm、1427nm、1432nm、1438nm;
6)校正集模型的建立
以折光仪测量的33个校正集的糖分含量为Y值,以步骤4)、5)处理后的光谱反射率为X值,基于特征波段对应的光谱数据建立多元线性回归模型,结果表明,采用一阶微分法提取的特征波长所建立模型的效果最好,能满足需求,因此,一阶微分法能够作为香蕉果实特征波段提取的最佳方法;
7)模型预测
利用检验集的12个样本进行验证,得到预测集样本中糖分含量的预测值和真实值之间的线性关系,发现绝大多数样本的预测值和测量值的绝对误差值在0.06以下,都在规定范围内,因此,模型的精度能够满足需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729171.0A CN110320165A (zh) | 2019-08-08 | 2019-08-08 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729171.0A CN110320165A (zh) | 2019-08-08 | 2019-08-08 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110320165A true CN110320165A (zh) | 2019-10-11 |
Family
ID=68125765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729171.0A Pending CN110320165A (zh) | 2019-08-08 | 2019-08-08 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320165A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445469A (zh) * | 2020-04-15 | 2020-07-24 | 天津商业大学 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
CN111650137A (zh) * | 2020-04-26 | 2020-09-11 | 深圳市人工智能与机器人研究院 | 光谱文件生成方法、装置、计算机设备和存储介质 |
CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
CN113063750A (zh) * | 2021-03-23 | 2021-07-02 | 上海市农业科学院 | 一种基于高光谱的黄桃可溶性固形物快速检测方法及装置 |
CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
CN114166786A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 水牛奶中总固形物含量的中红外光谱快速批量检测方法及应用 |
CN114184576A (zh) * | 2021-10-19 | 2022-03-15 | 北京蓝星清洗有限公司 | 一种基于分子光谱流程工业在线测量方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 |
-
2019
- 2019-08-08 CN CN201910729171.0A patent/CN110320165A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 |
Non-Patent Citations (3)
Title |
---|
JOLANA TARKOSOVA ET AL: "Determination of carbohydrate content in bananas during ripening and storage by near infrared spectroscopy", 《J. NEAR INFRARED SPECTROSC.》 * |
冯帮等: "便携式近红外光谱检测系统的开发", 《现代仪器与医疗》 * |
章海亮等: "近红外漫反射检测梨可溶性固形物SSC和硬度的研究", 《中国农机化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445469A (zh) * | 2020-04-15 | 2020-07-24 | 天津商业大学 | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 |
CN111650137A (zh) * | 2020-04-26 | 2020-09-11 | 深圳市人工智能与机器人研究院 | 光谱文件生成方法、装置、计算机设备和存储介质 |
CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
CN113063750A (zh) * | 2021-03-23 | 2021-07-02 | 上海市农业科学院 | 一种基于高光谱的黄桃可溶性固形物快速检测方法及装置 |
CN113155776A (zh) * | 2021-04-29 | 2021-07-23 | 华东交通大学 | 一种柑桔最佳采收期预测方法 |
CN114184576A (zh) * | 2021-10-19 | 2022-03-15 | 北京蓝星清洗有限公司 | 一种基于分子光谱流程工业在线测量方法及系统 |
CN114166786A (zh) * | 2021-11-16 | 2022-03-11 | 华中农业大学 | 水牛奶中总固形物含量的中红外光谱快速批量检测方法及应用 |
CN114166786B (zh) * | 2021-11-16 | 2024-02-13 | 华中农业大学 | 水牛奶中总固形物含量的中红外光谱快速批量检测方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320165A (zh) | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 | |
Zhang et al. | Influence of physical and biological variability and solution methods in fruit and vegetable quality nondestructive inspection by using imaging and near-infrared spectroscopy techniques: A review | |
Zhang et al. | Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
Nicolai et al. | Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review | |
Larraín et al. | A multipurpose portable instrument for determining ripeness in wine grapes using NIR spectroscopy | |
CN107064047A (zh) | 一种基于近红外光谱的富士苹果品质无损检测方法 | |
EP2192399A1 (en) | Visible/near-infrared spectrum analyzing method and grape fermenting method | |
Khodabakhshian et al. | Development of a multispectral imaging system for online quality assessment of pomegranate fruit | |
Choi et al. | Portable, non-destructive tester integrating VIS/NIR reflectance spectroscopy for the detection of sugar content in Asian pears | |
Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
Paz et al. | Nondestructive determination of total soluble solid content and firmness in plums using near-infrared reflectance spectroscopy | |
CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
Wang et al. | Development of near‐infrared online grading device for long jujube | |
Tian et al. | Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm | |
Ferrara et al. | The prediction of ripening parameters in Primitivo wine grape cultivar using a portable NIR device | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
Hao et al. | Study on robust model construction method of multi-batch fruit online sorting by near-infrared spectroscopy | |
Lin et al. | Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique | |
CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
CN108535250A (zh) | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |