CN110501310B - 一种基于非模型光学校正高光谱的食品检测方法 - Google Patents
一种基于非模型光学校正高光谱的食品检测方法 Download PDFInfo
- Publication number
- CN110501310B CN110501310B CN201910376128.0A CN201910376128A CN110501310B CN 110501310 B CN110501310 B CN 110501310B CN 201910376128 A CN201910376128 A CN 201910376128A CN 110501310 B CN110501310 B CN 110501310B
- Authority
- CN
- China
- Prior art keywords
- food
- scattering
- value
- power
- point
- 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.)
- Active
Links
Images
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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
Landscapes
- Physics & Mathematics (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非模型光学校正高光谱的食品检测方法,包括以下步骤:S1准备参考背景食品和参考富集食品;S2采集参考背景食品和参考富集食品的散射高光谱图像作为参考标准;S3得到参考背景食品和参考富集食品的参考曲线特征值的三维数据;S4得到待测食品的散射高光谱图像为三维数据;S5得到待测物含量的校正结果。本发明的食品检测方法用散射距离曲线每一点的曲线特征值作为特征,以标准品光学特征作为参考计算,无需进行复杂的数据计算或建立复杂的数学预测模型,具有较高的预测精度和很好的稳定性。
Description
技术领域
本发明涉及食品无损检测领域,特别涉及基于非模型光学校正高光谱的食品检测装置及方法。
背景技术
食品质量与安全问题一直以来都是大众关注的焦点。近年来,无损检测技术被广泛应用在食品检测上,其中光学无损检测技术是应用较为普遍的技术。在光学检测中,可见近红外波段可以提供食品的外观特性和化学信息,基于这个波段区间的光学检测方法主要有计算机视觉、近红外光谱、高光谱成像等方法,这些方法各有利弊,各有所长。
计算机视觉技术适合检测外观特征明显的食品品质,包括肉类的新鲜程度、果蔬外观分级等,但是对于化学信息相关性较强的品质则无法检测。近红外光谱技术可以检测食品的化学信息,包括食品的水分含量、肉类的蛋白脂肪含量、果蔬的糖酸含量等,但此技术的弊端是不能对食品品质的空间分布进行检测。传统高光谱技术可以结合上述两种方法的优势,既可以检测食品的化学信息,又可以提供其空间分布与外观特征属性,但是其模型建立初期需要大量的、多样的、可靠的样品进行支持,前期开发成本巨大。以上三种方法在回归分析或模式识别时,都需要复杂的算法作为支撑。
对于高光谱技术本身而言,传统高光谱技术只用了光谱的反射、吸收或散射值,却忽略了光在食品内传播的光学特性。传统散射高光谱技术虽然分析了光学特性,但是其空间信息表示较为缺失,只能检测散射距离内“一条线”的信息,既线扫描相机线阵列检测器采集的范围,同时也不能摆脱前期建模对大量样品的需求。
发明内容
为了克服现有技术的上述缺点与不足,本发明的目的在于提供基于非模型光学校正高光谱的食品检测装置及方法,检测精度高。
本发明的目的通过以下技术方案实现:
一种基于非模型光学校正高光谱的食品检测方法,包括以下步骤:
S1准备参考背景食品并确定参考背景食品待测物含量Vb;准备参考富集食品并确定参考富集食品待测物含量Vr;
S2可移动载物台静止,功率可调的线光源从比工作功率高的初始功率逐渐降低使光强线性降低,功率降到0时,得到反射率较高的参考食品的参考散射高光谱图像,确定其中的工作功率为检测被测食品时的功率;
调节线光源功率,使反射率较低的参考食品初始散射光谱最大值与初始功率下反射率较高的参考食品的散射光谱最大值相等,载物台静止,功率逐渐降低使光强线性降低,功率降到0时,得到反射率较低的参考食品的参考散射高光谱图像;
所述的参考食品为参考背景食品或参考富集食品;
S3规定散射高光谱图像中靠近光源的边界为散射距离零点,计算参考背景食品的散射距离曲线每一点的曲线特征值Cb和参考富集食品的散射距离曲线每一点的曲线特征值Cr;
分别得到参考背景食品光谱散射值的三维数据对应的光强Lb和参考富集食品光谱散射值的三维数据对应的光强Lr;
S4载物台以固定速度运动,线光源调节至工作功率且功率始终不变,采集待测物品的散射高光谱图像,计算待测物品的散射距离曲线每一点的曲线特征值Cs;
S5对Cs、Cb、Cr、Vb、Vr建立函数关系F(C),并预测每个像素点的待测物含量;用含有Lb和Lr的函数关系F(L)校正F(C)函数的结果,得到待测物含量的校正结果F(LC)。
为进一步实现本发明目的,优选地,步骤S1中,不含待测物的或待测物含量已知且含量极低的食品作为参考背景食品;只含待测物的或待测物含量已知且含量很高的食品作为参考富集食品。
优选地,步骤S2中,所述的功率可调的线光源的线光斑与线扫描相机的扫描线垂直。
优选地,步骤S2中,所述的功率可调的线光源产生光斑宽度调节在1-5mm。
优选地,步骤S2中,所述的功率可调的线光源与线扫描相机视野的距离调节在1-5mm。
优选地,步骤S4中,载物台移动方向与线扫描高光谱图像采集系统采集线垂直。
优选地,反射率较高的参考食品通过比较参考背景食品与参考富集食品在相同光照条件下的反射率得到。
优选地,对于猪扒作为待测食品,对猪扒的散射距离曲线每一点的一阶导数绝对值Cs、猪肉背最长肌的散射距离曲线每一点的一阶导数绝对值Cb、脂肪的散射距离曲线每一点的一阶导数绝对值Cr、猪肉背最长肌脂肪含量Vb、猪肉脂肪的脂肪含量Vr建立函数关系F(C):对猪肉背最长肌光谱散射值的三维数据对应的光强Lb和猪肉脂肪光谱散射值的三维数据对应的光强Lr建立函数关系将F(C)值与F(L)值相乘,得到校正函数F(LC)。
优选地,对于香蕉作为待测食品,新鲜香蕉作为参考背景食品,人为损坏香蕉作为参考背景食品;对新鲜香蕉的散射距离曲线每一点的二阶导数绝对值Cb、人为损坏香蕉的散射距离曲线每一点的二阶导数绝对值Cr、参考富集食品褐变程度Vr、参考背景食品褐变程度Vb、待测香蕉的散射距离曲线每一点的二阶导数绝对值Cs建立函数关系
将F(C)值与F(L)值相乘,得到校正函数F(LC)。
优选地,步骤S5后还包括将待测物含量的校正结果用可视化分布图表示。
与现有技术相比,本发明具有以下优点和有益效果:
(1)本发明用线光源模式采集散射高光谱图像,得到了三维散射高光谱图像,比传统的二维散射高光谱图像包含的信息更丰富。
(2)本发明用散射距离曲线每一点的曲线特征值作为特征,以标准品光学特征作为参考计算,无需进行大量的实验获得大量的建模样本。
(3)本发明采用简单的特定函数分析,无需进行复杂的数据计算或建立复杂的数学预测模型,具有较高的预测精度和很好的稳定性。
附图说明
图1为本发明基于非模型光学校正高光谱的食品检测装置的示意图。
图2为实施例1的基于非模型光学校正高光谱的猪肉脂肪含量及大理石花纹检测方法的流程图。
图3为实施例2的基于非模型光学校正高光谱的香蕉褐变程度及分布检测方法的流程图。
具体实施方式
为更好地理解本发明,下面结合附图及实施例对本发明作进一步的说明,但本发明的实施方式不限于此。
图1所示的装置用于实现基于非模型光学校正高光谱的食品检测方法。如图1所示,基于非模型光学校正高光谱的食品检测装置,包括暗室A、线扫描高光谱图像采集系统B、功率可调线光源C、可移动载物台D和计算机E;线扫描高光谱图像采集系统B、功率可调线光源C和可移动载物台D设置在暗室A中,可移动载物台D设置在线扫描高光谱图像采集系统B下端,功率可调线光源C设置在可移动载物台D一侧,功率可调线光源C发射的光源可照射在可移动载物台D的待测物品上。
实施例1
如图2所示,基于非模型光学校正高光谱的食品检测方法,具体如下:
从当地超市购买猪肉背最长肌和脂肪各一斤,猪扒10块,将猪肉背最长肌和脂肪切成2cm备用。将猪肉背最长肌作为参考背景食品,并用索氏提取法测定猪肉背最长肌脂肪含量Vb;将猪肉脂肪作为参考富集食品,并用索氏提取法测定猪肉脂肪的脂肪含量Vr;将猪扒作为待测食品。
调节基于非模型光学校正高光谱的食品检测装置中功率可调线光源C产生光斑宽度为3mm、光斑与线扫描相机视野的距离4mm。在150W光照条件下分别采集猪肉背最长肌与脂肪的散射光谱,对比发现脂肪的反射率较高。
调节线扫描散射高光谱装置的线扫描高光谱图像采集系统B的曝光时间为30ms,可移动载物台D移动速度调节到0cm/s,调节功率可调线光源C的功率为155W,并在30s将功率降低到0W,使光强线性降低,采集脂肪的参考散射高光谱图像,计算脂肪散射光谱的最大值。
调节功率可调线光源C的功率为173W,使猪肉背最长肌初始散射光谱最大值与脂肪散射光谱的最大值相等,并在30s将线光源功率降低到0W,使光强线性降低,采集猪肉背最长肌的参考散射高光谱图像。
通过分析脂肪和猪肉背最长肌的参考散射高光谱图像,规定散射高光谱图像中靠近光源的边界为散射距离零点,计算不同光照强度下的猪肉背最长肌的散射距离曲线每一点的一阶导数绝对值Cb,计算不同光照强度下的脂肪的散射距离曲线每一点的一阶导数绝对值Cr。
分别得到参考背景食品(猪肉背最长肌)光谱散射值的三维数据对应的光强Lb和参考富集食品(猪肉脂肪)光谱散射值的三维数据对应的光强Lr;
可移动载物台D移动速度调节到1.3cm/s,调节功率可调线光源C的功率调节至150W的工作功率保存不变。采集10块猪扒的散射高光谱图像,并计算猪扒的散射距离曲线每一点的一阶导数绝对值Cs。
对猪扒的散射距离曲线每一点的一阶导数绝对值Cs、猪肉背最长肌的散射距离曲线每一点的一阶导数绝对值Cb、脂肪的散射距离曲线每一点的一阶导数绝对值Cr、猪肉背最长肌脂肪含量Vb、猪肉脂肪的脂肪含量Vr建立函数关系F(C):
对猪肉背最长肌光谱散射值的三维数据对应的光强Lb和猪肉脂肪光谱散射值的三维数据对应的光强Lr建立函数关系F(L):
将F(C)值与F(L)值相乘,得到校正函数F(LC):
F(LC)=F(C)×F(L) (3)
得到的校正值即为脂肪含量,由于有些大理石花纹被浅埋在肌肉下或有些很薄的表层脂肪不能算作大理石花纹,因此用0.75作为阀值判定,校正值大于0.75的为大理石花纹。
将判定出的肌肉或脂肪用不同的颜色表示,得到物品的脂肪分布,也可计算得到物品的平均脂肪含量;将判定为大理石花纹的部分用特定颜色表示,得到牛扒大理石花纹的判定图像。
将10块牛扒按照现有猪肉大理石花纹可分为五级的标准,通过感官评定委员会进行分级。将10块牛扒按照本发明方法对得到的大理石花纹进行分析,计算每块肉的大理石花纹比例,按照小于10%、大于10%小于20%、大于20%小于30%、大于30%小于40%和大于40%五个等级,进行分级。
最终通过本发明实现的分级与通过感官评定委员会进行的分级,结果完全吻合,分级正确率为100%。
实施例2
如图3所示,本实施例的基于非模型光学校正高光谱的香蕉褐变程度及分布检测方法,具体如下:
从当地超市分6天购买新鲜香蕉,并放置备用。将第1天购买的香蕉取出一部分,通过人为方法挤压其较大面积的表面,放置到第6天后,已完全褐变,并将该人为损伤香蕉作为参考富集食品,该实施例参考富集食品褐变程度Vr=1;将第6天购买的新鲜香蕉作为参考背景食品,该实施例参考背景食品褐变程度Vb=0,将剩余香蕉作为待测食品。
调节线光源产生光斑宽度为3mm和光斑与线扫描相机视野的距离4mm。在150W光照条件下采集新鲜香蕉与人为损坏香蕉的散射光谱,比较发现新鲜香蕉的反射率较高。
调节线扫描散射高光谱装置的线扫描高光谱图像采集系统曝光时间为30ms,载物台速度调节到0cm/s,线光源功率为185W,并在30s将功率降低到0W,使光强线性降低,并采集新鲜香蕉的参考散射高光谱图像。计算新鲜香蕉散射光谱的最大值。
调节线光源功率为197W,使人为损伤香蕉初始散射光谱最大值与新鲜香蕉散射光谱的最大值相等,并在30s将功率降低到0W,使光强线性降低,并采集人为损伤香蕉的参考散射高光谱图像。
通过分析新鲜香蕉和人为损伤香蕉的参考散射高光谱图像,规定散射高光谱图像中靠近光源的边界为散射距离零点,计算不同光照强度下的新鲜香蕉的散射距离曲线每一点的二阶导数绝对值Cb和人为损坏香蕉的散射距离曲线每一点的二阶导数绝对值Cr。
分别得到参考背景食品(新鲜香蕉)光谱散射值的三维数据对应的光强Lb和参考富集食品(人为损伤香蕉)光谱散射值的三维数据对应的光强Lr;
载物台速度调节到1.3cm/s,线光源调节至185W的工作功率保存不变。采待测香蕉的散射高光谱图像,并计算待测香蕉的散射距离曲线每一点的二阶导数绝对值Cs。
对Cs、Cb、Cr、Vb、Vr建立函数关系F(C):
对Lb和Lr建立函数关系F(L):
将F(C)值与F(L)值相乘,得到校正函数F(LC):
F(LC)=F(C)×F(L) (6)
得到的校正值即为褐变程度,将褐变程度用不同颜色表示,得到褐变分布。
需要说明的是,本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于非模型光学校正高光谱的食品检测方法,其特征在于包括以下步骤:
S1准备参考背景食品并确定参考背景食品待测物含量Vb;准备参考富集食品并确定参考富集食品待测物含量Vr;不含待测物的或待测物含量已知且含量极低的食品作为参考背景食品;只含待测物的或待测物含量已知且含量很高的食品作为参考富集食品;
S2可移动载物台静止,功率可调的线光源从比工作功率高的初始功率逐渐降低使光强线性降低,功率降到0时,得到反射率较高的参考食品的参考散射高光谱图像,确定其中的工作功率为检测被测食品时的功率;反射率较高的参考食品通过比较参考背景食品与参考富集食品在相同光照条件下的反射率得到;
调节线光源功率,使反射率较低的参考食品初始散射光谱最大值与初始功率下反射率较高的参考食品的散射光谱最大值相等,载物台静止,功率逐渐降低使光强线性降低,功率降到0时,得到反射率较低的参考食品的参考散射高光谱图像;
所述的参考食品为参考背景食品或参考富集食品;
S3规定散射高光谱图像中靠近光源的边界为散射距离零点,计算参考背景食品的散射距离曲线每一点的曲线特征值Cb和参考富集食品的散射距离曲线每一点的曲线特征值Cr;
分别得到参考背景食品光谱散射值的三维数据对应的光强Lb和参考富集食品光谱散射值的三维数据对应的光强Lr;
S4载物台以固定速度运动,线光源调节至工作功率且功率始终不变,采集待测物品的散射高光谱图像,计算待测物品的散射距离曲线每一点的曲线特征值Cs;
S5对Cs、Cb、Cr、Vb、Vr建立函数关系F(C),并预测每个像素点的待测物含量;用含有Lb和Lr的函数关系F(L)校正F(C)函数的结果,得到待测物含量的校正函数F(LC);
其中,对于猪扒作为待测食品,对猪扒的散射距离曲线每一点的一阶导数绝对值Cs、猪肉背最长肌的散射距离曲线每一点的一阶导数绝对值Cb、脂肪的散射距离曲线每一点的一阶导数绝对值Cr、猪肉背最长肌脂肪含量Vb、猪肉脂肪的脂肪含量Vr建立函数关系F(C):对猪肉背最长肌光谱散射值的三维数据对应的光强Lb和猪肉脂肪光谱散射值的三维数据对应的光强Lr建立函数关系将F(C)值与F(L)值相乘,得到校正函数F(LC);
其中,对于香蕉作为待测食品,新鲜香蕉作为参考背景食品,人为损坏香蕉作为参考背景食品;对新鲜香蕉的散射距离曲线每一点的二阶导数绝对值Cb、人为损坏香蕉的散射距离曲线每一点的二阶导数绝对值Cr、参考富集食品褐变程度Vr、参考背景食品褐变程度Vb、待测香蕉的散射距离曲线每一点的二阶导数绝对值Cs建立函数关系
将F(C)值与F(L)值相乘,得到校正函数F(LC)。
2.根据权利要求1所述的基于非模型光学校正高光谱的食品检测方法,其特征在于:步骤S2中,所述的功率可调的线光源的线光斑与线扫描相机的扫描线垂直。
3.根据权利要求1所述的基于非模型光学校正高光谱的食品检测方法,其特征在于:步骤S2中,所述的功率可调的线光源产生光斑宽度调节在1-5mm。
4.根据权利要求1所述的基于非模型光学校正高光谱的食品检测方法,其特征在于:步骤S2中,所述的功率可调的线光源与线扫描相机视野的距离调节在1-5mm。
5.根据权利要求1所述的基于非模型光学校正高光谱的食品检测方法,其特征在于:步骤S4中,载物台移动方向与线扫描高光谱图像采集系统采集线垂直。
6.根据权利要求1所述的基于非模型光学校正高光谱的食品检测方法,其特征在于:步骤S5后还包括将待测物含量的校正结果用可视化分布图表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376128.0A CN110501310B (zh) | 2019-05-07 | 2019-05-07 | 一种基于非模型光学校正高光谱的食品检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376128.0A CN110501310B (zh) | 2019-05-07 | 2019-05-07 | 一种基于非模型光学校正高光谱的食品检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110501310A CN110501310A (zh) | 2019-11-26 |
CN110501310B true CN110501310B (zh) | 2020-12-22 |
Family
ID=68585664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910376128.0A Active CN110501310B (zh) | 2019-05-07 | 2019-05-07 | 一种基于非模型光学校正高光谱的食品检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501310B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN103344577A (zh) * | 2013-07-12 | 2013-10-09 | 中国农业大学 | 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 |
CN103439271A (zh) * | 2013-08-29 | 2013-12-11 | 华南理工大学 | 一种猪肉成熟状况的可视化检测方法 |
CN103674838A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 |
CN104880427A (zh) * | 2015-05-29 | 2015-09-02 | 华南理工大学 | 一种猪肉产品快速水分检测方法 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
CN107907500A (zh) * | 2017-10-19 | 2018-04-13 | 宁夏大学 | 一种羊肉产地的检测方法 |
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
CN109540892A (zh) * | 2018-12-13 | 2019-03-29 | 中国农业大学 | 鸭肉品种鉴别方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267684A1 (en) * | 2013-03-15 | 2014-09-18 | Chemlmage Corporation | System and method for detecting contamination in food using hyperspectral imaging |
CN103558167B (zh) * | 2013-10-31 | 2016-08-17 | 华南理工大学 | 一种快速测定腌肉中氯化钠含量的方法 |
CN105241821B (zh) * | 2015-08-07 | 2019-02-05 | 江苏大学 | 一种基于气味光谱成像技术的轻微腐烂水果快速鉴别方法 |
CN106525875A (zh) * | 2016-12-07 | 2017-03-22 | 江苏大学 | 一种腊肉腌制过程中色泽和质构变化的高光谱检测方法 |
-
2019
- 2019-05-07 CN CN201910376128.0A patent/CN110501310B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN103344577A (zh) * | 2013-07-12 | 2013-10-09 | 中国农业大学 | 一种基于多光谱成像技术的畜肉新鲜度无损伤检测方法 |
CN103439271A (zh) * | 2013-08-29 | 2013-12-11 | 华南理工大学 | 一种猪肉成熟状况的可视化检测方法 |
CN103674838A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 |
CN104880427A (zh) * | 2015-05-29 | 2015-09-02 | 华南理工大学 | 一种猪肉产品快速水分检测方法 |
CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
CN107907500A (zh) * | 2017-10-19 | 2018-04-13 | 宁夏大学 | 一种羊肉产地的检测方法 |
CN109540892A (zh) * | 2018-12-13 | 2019-03-29 | 中国农业大学 | 鸭肉品种鉴别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110501310A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat | |
ElMasry et al. | Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging | |
Iqbal et al. | Prediction of moisture, color and pH in cooked, pre-sliced turkey hams by NIR hyperspectral imaging system | |
Sun et al. | Detection of early decay in peaches by structured-illumination reflectance imaging | |
Ariana et al. | Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging | |
Yang et al. | Combination of spectral and textural information of hyperspectral imaging for the prediction of the moisture content and storage time of cooked beef | |
Xiong et al. | Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat | |
Sivertsen et al. | Automatic nematode detection in cod fillets (Gadus morhua L.) by hyperspectral imaging | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Liu et al. | Prediction of color and pH of salted porcine meats using visible and near-infrared hyperspectral imaging | |
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
CN108956604A (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
Taghizadeh et al. | The potential of visible-near infrared hyperspectral imaging to discriminate between casing soil, enzymatic browning and undamaged tissue on mushroom (Agaricus bisporus) surfaces | |
Cheng et al. | Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp (Ctenopharyngodon idella) | |
JP2006170669A (ja) | 青果物の品質検査装置 | |
Huang et al. | Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts | |
Li et al. | Nondestructive assessment of beef-marbling grade using hyperspectral imaging technology | |
Jun et al. | Pork quality classification using a hyperspectral imaging system and neural network | |
Shao et al. | Detection and analysis of sweet potato defects based on hyperspectral imaging technology | |
Yu et al. | Rapid detection of moisture content and shrinkage ratio of dried carrot slices by using a multispectral imaging system | |
CN201156043Y (zh) | 食品综合品质无损检测装置 | |
Zhang et al. | Prediction of TVB-N content in beef with packaging films using visible-near infrared hyperspectral imaging | |
CN110501310B (zh) | 一种基于非模型光学校正高光谱的食品检测方法 | |
CN112014376A (zh) | 一种基于空间偏移拉曼光谱的虾肉新鲜度检测方法 | |
Pu et al. | Evaluation of the effects of vacuum cooling on moisture contents, colour and texture of mushroom (Agaricus Bisporus) using hyperspectral imaging method |
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 |