CN111337450A - 一种大米加工精度等级的快速无损判定方法及装置 - Google Patents
一种大米加工精度等级的快速无损判定方法及装置 Download PDFInfo
- Publication number
- CN111337450A CN111337450A CN202010182832.5A CN202010182832A CN111337450A CN 111337450 A CN111337450 A CN 111337450A CN 202010182832 A CN202010182832 A CN 202010182832A CN 111337450 A CN111337450 A CN 111337450A
- Authority
- CN
- China
- Prior art keywords
- rice
- bran powder
- processing precision
- infrared spectrum
- grade
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 341
- 235000009566 rice Nutrition 0.000 title claims abstract description 341
- 238000012545 processing Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 111
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 340
- 239000000843 powder Substances 0.000 claims abstract description 172
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 81
- 238000000227 grinding Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 30
- 239000000523 sample Substances 0.000 claims description 89
- 229920002472 Starch Polymers 0.000 claims description 24
- 235000019698 starch Nutrition 0.000 claims description 24
- 239000008107 starch Substances 0.000 claims description 24
- 238000003801 milling Methods 0.000 claims description 23
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000000835 fiber Substances 0.000 claims description 13
- 102000004169 proteins and genes Human genes 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 239000010453 quartz Substances 0.000 claims description 10
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 9
- 238000005498 polishing Methods 0.000 claims description 8
- 235000019784 crude fat Nutrition 0.000 claims description 5
- 230000001066 destructive effect Effects 0.000 claims description 5
- 239000006153 eosin methylene blue Substances 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 238000004043 dyeing Methods 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 7
- 235000019197 fats Nutrition 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 235000021329 brown rice Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 235000018102 proteins Nutrition 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 210000001161 mammalian embryo Anatomy 0.000 description 3
- 238000003333 near-infrared imaging Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- LDVVTQMJQSCDMK-UHFFFAOYSA-N 1,3-dihydroxypropan-2-yl formate Chemical compound OCC(CO)OC=O LDVVTQMJQSCDMK-UHFFFAOYSA-N 0.000 description 1
- 101001018064 Homo sapiens Lysosomal-trafficking regulator Proteins 0.000 description 1
- 102100033472 Lysosomal-trafficking regulator Human genes 0.000 description 1
- 244000038561 Modiola caroliniana Species 0.000 description 1
- 235000010703 Modiola caroliniana Nutrition 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000004464 cereal grain Substances 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000012214 genetic breeding Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
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
- G01N21/25—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02B—PREPARING GRAIN FOR MILLING; REFINING GRANULAR FRUIT TO COMMERCIAL PRODUCTS BY WORKING THE SURFACE
- B02B7/00—Auxiliary devices
-
- 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
- G01N21/274—Calibration, base line adjustment, drift correction
- G01N21/278—Constitution of standards
Abstract
本发明公开了一种大米加工精度等级的快速无损判定方法及装置，所述方法包括：收集不同加工精度的大米的糠粉样品；采集糠粉样品的近红外光谱数据；获取糠粉样品的有机组分含量；根据近红外光谱数据和有机组分含量建立红外光谱校正模型；获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整；本发明的优点在于：实现在线调控大米加工精度且在实际应用中减少局限。
Description
技术领域
本发明涉及大米加工领域，更具体涉及一种大米加工精度等级的快速无损判定方法及装置。
背景技术
大米是全球三大粮食作物之一，我国约三分之二的人口以大米为主食。大米的产量和质量对我国的粮食安全和居民饮食有重大影响。遗传育种方法为提高大米产量提供了技术手段，另一方面大米加工过程对提高稻谷——大米的产出率和品质提升发挥重要作用。稻谷经过砻谷、碾磨、抛光等工序得到大米，大米的加工过程主要是去除米胚表面麸层成分，麸层中富含脂肪、蛋白质、矿物质和维生素等成分。加工过程中随着大米感官品质的提升，会导致营养成分的流失，并且随着碾磨工序的进行会导致米粒破碎的情形，降低大米整米产出率。因此需要建立一种准确、快速反映大米加工精度等级的判定方法，并以此为依据为提高加工精度和大米产出率提供依据和技术手段。
GB/T1354-2018中对大米加工精度等级进行了规定，主要是指加工后米胚残留以及米粒表面和背沟残留皮层的程度。加工精度检验方法(GB/T5502-2018)主要为基于大米染色的对比观测法、仪器辅助检测法、仪器检测法。此外，GB/T 18105-2000还规定了利用IDS试剂染色法对大米加工精度的判定标准，通过IDS染色剂使米粒胚乳和胚乳表面糠皮呈现不同的颜色差异，根据颜色差异来判定加工精度等级。中国专利号CN 101551376A公开了“一种米类加工精度的检验方法”，采用加热处理的方法使样品的留皮部分变色，再由人工或仪器检验样品留皮程度，再与标准样品比较判定出加工精度。CN 106404971A“气相色谱法鉴定大米加工精度的方法”中采用有机溶剂对大米样品进行萃取，分析得到萃取液中的脂肪酸、甘一脂、甘二脂和甘三脂含量百分比，通过百分比含量和预定的标准方程得到大米加工精度，建立了大米中脂肪含量与大米等级的定量关系。文献“基于图像处理技术大米加工精度的检测研究”和“基于颜色特征和BP神经网络的大米加工精度判别方法研究”中采用图像处理技术，选择灰度值作为特征参数建立了测定方法，在大米未经染色的情况下可以判断加工精度。文献“基于近红外光谱的大米加工精度等级快速判定”中利用偏最小二乘法建立稻谷糙出白率的定标模型，对稻米加工精度等级与糙出白率进行统计分析，结果表明糙出白率随着加工精度的提高呈对数下降的趋势，因此可通过糙出白率的近红外光谱法预测结果判断加工精度。文献“光谱分析检测大米加工精度等级”中采用大米表面营养物质浸出液的光谱吸收峰值评估大米加工精度等级。文献“糠粉成分与大米加工精度的关系”通过对加工过程中各道糠粉成分的测定分析，糠粉中粗纤维和灰分的含量比例随着加工精度的提高而降低，其结果表明糠粉中的成分与大米加工精度具有相关性。
现有的加工精度等级判定方法主要以染色法、色谱法、热处理法、图像处理和近红外光谱法为主。染色法和色谱法均需要消耗试剂，存在潜在的危害环境的风险且属于离线分析方法，热处理法和染色法判定过程中易受环境因素印象，和液相色谱法一样存在操作繁琐、效率低下、误差大等问题，不能满足快速、准确检测的需要。上述三种方法只能离线检测大米的加工精度，由于检测时间久和结果反馈的不及时，判定结果对指导加工操作有一定的延后性，不利于在线调控大米加工精度，影响加工质量。图像处理法和近红外光谱法属快速无损的分析方法，现有技术的方法主要针对加工过程中大米表层的脂肪含量和颜色参数进行检测，由于实际加工过程中大米品种繁多、形态各异且大米中各成分分布不均匀，不利于建立图像识别和近红外光谱校正模型，因而限制了其在实际中的应用。综上，现有技术的加工精度等级判定方法不利于在线调控大米加工精度且在实际应用中有局限。
发明内容
本发明所要解决的技术问题在于如何提供一种大米加工精度等级的快速无损判定方法及装置，以实现在线调控大米加工精度且在实际应用中减少局限。
本发明通过以下技术手段实现解决上述技术问题的：一种大米加工精度等级的快速无损判定方法，所述方法包括：
步骤一：收集不同加工精度的大米的糠粉样品；
步骤二：采集糠粉样品的近红外光谱数据；
步骤三：获取糠粉样品的有机组分含量；
步骤四：根据近红外光谱数据和有机组分含量建立红外光谱校正模型；
步骤五：获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；
步骤六：对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。
本发明提供的一种大米加工精度等级的快速无损判定方法，可以利用近红外光谱方法快速获取大米加工过程中的糠分成分，结合其中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程揭示大米的加工精度、指导大米生产加工。采用近红外光谱技术结合化学计量学方法获取糠粉中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程，提高大米加工过程中的精度识别，并且根据当前加工精度等级对大米的碾磨度在线调控。与现有近红外方法分析大米中的参数相比，本发明糠粉样本容易获取且具有良好的均匀性，通过对糠粉的分析可以减少不同大米物理形态和成分分布差异对光谱数据的影响，有助于提高近红外光谱模型的精度和适用性，减少实际应用中的局限。
优选的，所述步骤一还包括：大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
优选的，所述步骤二还包括：将糠粉样品装满石英皿，将石英皿放置于MPA型傅立叶变换近红外光谱仪的检测窗口上，采集糠粉样品近红外漫反射光谱数据，采集范围为834nm-2503nm，分辨率为1.074nm，对每份糠粉样品采集若干次近红外漫反射光谱数据取平均值。
优选的，所述步骤三中，使用旋光法检测糠粉样品的有机组分含量，所述有机组分包括粗脂肪、蛋白质、粗纤维、灰分和粗淀粉中的一种或多种。
优选的，所述步骤四中，获得糠粉样品的近红外光谱数据以及有机组分含量后，使用布鲁克仪器自带的OPUS软件构建红外光谱校正模型并优化该模型。
优选的，所述步骤五中，采用伊红-美兰乙醇溶液对不同加工精度的大米的糠粉样品对应的若干份大米进行染色，并与精碾、适碾标的准样品进行比对，根据比较结果统计若干份大米的加工精度等级，根据统计结果确定不同加工精度等级的大米对应的糠粉样品的有机组分含量范围得到大米加工精度等级与糠粉的有机组分含量之间的关系模型。
优选的，所述步骤六包括离线模式和在线模式，所述在线模式包括：对光谱仪外接光学探头，并将光学探头接入最后一道碾米机的糠粉下料口内部，在大米加工时，光学探头直接采集糠粉下料口处糠粉的近红外光谱数据，传送给光谱仪，通过调用红外光谱校正模型，得到糠粉中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到当前检测的糠粉对应大米的加工精度等级并发送给上位机，上位机根据当前加工精度等级给出调整碾米程度的指令，通过有线方式连接光谱仪所在的计算机和最后一道碾米机的控制中心，将调整碾米程度的指令传输给最后一道碾米机的控制中心，使碾米机对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度，直至所加工的大米的精度判定结果回归至精碾范围为止。
优选的，所述离线模式包括：直接在最后一道碾米机的糠粉下料口处收集糠粉样品，通过光谱仪采集糠粉样品的近红外光谱数据，根据红外光谱校正模型，得到糠粉样品中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到糠粉样品对应的大米的加工精度等级，根据对当前在加工大米的加工精度等级，调整最后一道碾米机的碾磨程度，对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度。
本发明还提供一种大米加工精度等级的快速无损判定装置，所述装置包括：
样品收集模块，用于收集不同加工精度的大米的糠粉样品；
近红外光谱数据采集模块，用于采集糠粉样品的近红外光谱数据；
有机组分含量获取模块，用于获取糠粉样品的有机组分含量；
校正模型建立模块，用于根据近红外光谱数据和有机组分含量建立红外光谱校正模型；
关系模型获取模块，用于获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；
判定调整模块，用于对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。
优选的，所述样品收集模块还用于：大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
优选的，所述近红外光谱数据采集模块还用于：将糠粉样品装满石英皿，将石英皿放置于MPA型傅立叶变换近红外光谱仪的检测窗口上，采集糠粉样品近红外漫反射光谱数据，采集范围为834nm-2503nm，分辨率为1.074nm，对每份糠粉样品采集若干次近红外漫反射光谱数据取平均值。
优选的，所述有机组分含量获取模块还用于：使用旋光法检测糠粉样品的有机组分含量，所述有机组分包括粗脂肪、蛋白质、粗纤维、灰分和粗淀粉中的一种或多种。
优选的，所述校正模型建立模块还用于：获得糠粉样品的近红外光谱数据以及有机组分含量后，使用布鲁克仪器自带的OPUS软件构建红外光谱校正模型并优化该模型。
优选的，所述关系模型获取模块还用于：采用伊红-美兰乙醇溶液对不同加工精度的大米的糠粉样品对应的若干份大米进行染色，并与精碾、适碾标的准样品进行比对，根据比较结果统计若干份大米的加工精度等级，根据统计结果确定不同加工精度等级的大米对应的糠粉样品的有机组分含量范围得到大米加工精度等级与糠粉的有机组分含量之间的关系模型。
优选的，所述判定调整模块包括离线模式和在线模式，所述在线模式包括：对光谱仪外接光学探头，并将光学探头接入最后一道碾米机的糠粉下料口内部，在大米加工时，光学探头直接采集糠粉下料口处糠粉的近红外光谱数据，传送给光谱仪，通过调用红外光谱校正模型，得到糠粉中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到当前检测的糠粉对应大米的加工精度等级并发送给上位机，上位机根据当前加工精度等级给出调整碾米程度的指令，通过有线方式连接光谱仪所在的计算机和最后一道碾米机的控制中心，将调整碾米程度的指令传输给最后一道碾米机的控制中心，使碾米机对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度，直至所加工的大米的精度判定结果回归至精碾范围为止。
优选的，所述离线模式包括：直接在最后一道碾米机的糠粉下料口处收集糠粉样品，通过光谱仪采集糠粉样品的近红外光谱数据，根据红外光谱校正模型，得到糠粉样品中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到糠粉样品对应的大米的加工精度等级，根据对当前在加工大米的加工精度等级，调整最后一道碾米机的碾磨程度，对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度。
本发明的优点在于：本发明提供的一种大米加工精度等级的快速无损判定方法，可以利用近红外光谱方法快速获取大米加工过程中的糠分成分，结合其中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程揭示大米的加工精度、指导大米生产加工。采用近红外光谱技术结合化学计量学方法获取糠粉中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程，提高大米加工过程中的精度识别，并且根据当前加工精度等级对大米的碾磨度在线调控。与现有近红外方法分析大米中的参数相比，本发明糠粉样本容易获取且具有良好的均匀性，通过对糠粉的分析可以减少不同大米物理形态和成分分布差异对光谱数据的影响，有助于提高近红外光谱模型的精度和适用性，减少实际应用中的局限。
附图说明
图1为本发明实施例所公开的一种大米加工精度等级的快速无损判定方法的流程图；
图2为本发明实施例所公开的一种大米加工精度等级的快速无损判定方法中大米加工工序图；
图3为本发明实施例所公开的一种大米加工精度等级的快速无损判定方法中红外光谱校正模型交叉验证的真值和预测值的散点图；
图4为本发明实施例所公开的一种大米加工精度等级的快速无损判定方法于一具体实施例中不同加工精度等级的大米对应的糠粉的粗淀粉含量范围散点图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
实施例1
如图1所示，一种大米加工精度等级的快速无损判定方法，所述方法包括：
步骤S1：收集不同加工精度的大米的糠粉样品；本实施例中共采集糠粉样品77份。其中47份不同碾磨程度的糠粉样品收集于安徽省寿县双沪粮油公司的大米加工生产线，该生产线有三道碾米工序。剩余30份糠粉样品来自30份不同遗传背景的水稻品种。这些水稻品种在中国安徽省合肥市科学岛收割、脱壳、并在实验室用精米机碾磨加工。大米生产加工的示意图和大米和糠粉的收集位置如图2所示。大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，稻谷经过砻谷、碾米、抛光和色选等几个步骤加工成精米。在砻谷机中稻谷被分离为稻壳和糙米，糙米经提升机进入三道碾米机进行碾磨，其碾磨排出的糠粉通过下料口，被传送带传送和打包收集；大米通过提升机进入下一道工序。通过改变最后一道碾米机的加工精度，不同加工精度的糠粉在最后一道碾米机的糠粉下料口1处收集；不同加工精度的大米在最后一道碾米机配套的提升机2处收集，其中，最后一道碾米机的糠粉下料口1处收集的糠粉对应最后一道碾米机配套的提升机2处收集的大米，糠粉为最后一道碾米加工后的产物，因此，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
步骤S2：采集糠粉样品的近红外光谱数据；具体包括：对于每一份糠粉样品，将糠粉样品装满高24mm、直径20mm的石英皿，将该石英皿放置于MPA型傅立叶变换近红外光谱仪的检测窗口上，采集该糠粉样品近红外漫反射光谱数据，其中，采集范围为834nm-2503nm，分辨率为1.074nm，对每份糠粉样品采集32次近红外漫反射光谱数据取平均值作为该糠粉样品最终的近红外漫反射光谱数据。需要说明的是，MPA型傅立叶变换近红外光谱仪为德国布鲁克公司的产品，对于采集近红外漫反射光谱数据过程中的参数设定以及参数调整属于现有技术，在此不做过多赘述。
步骤S3：获取糠粉样品的有机组分含量；具体包括：按照中国国家标准谷物籽粒粗淀粉测定法(GB 5006-1985)，使用旋光法检测糠粉样品的有机组分含量，所述有机组分包括粗脂肪、蛋白质、粗纤维、灰分和粗淀粉中的一种或多种。本实施例中，以有机组分为粗淀粉为例，所测得的糠粉粗淀粉含量在8.82％到84.59％之间。
步骤S4：根据近红外光谱数据和有机组分含量建立红外光谱校正模型；具体包括：获得糠粉样品的近红外光谱数据以及有机组分含量后，使用布鲁克仪器自带的OPUS软件构建红外光谱校正模型并优化该模型，经过优化后，在预处理方法为矢量归一化，光谱范围为834nm-1002nm，1167nm-1334nm，1501nm-1669nm时，糠粉样品的红外光谱校正模型的交叉验证结果最好。该模型交叉验证的真值和预测值间的散点图如图3所示。由图3所示，糠粉样品的红外光谱校正模型的交叉验证R2和RMSECV为0.933和4.53，其中，R2为交叉验证时真值和预测值间的决定系数，该值越接近1则模型的预测结果和真实化学成分间的相关性越好；RMSECV为交叉验证均方根误差，该值越小则模型预测时的误差越小。该模型的交叉验证结果有较高的R2和较低的RMSECV，表明所建红外光谱校正模型是准确可靠的。需要说明的是，使用OPUS软件构建红外光谱校正模型并优化该模型以及矢量归一化均属于现有技术，在此不做过多赘述，本发明旨在通过现有技术建立准确可靠的红外光谱校正模型，并将该红外光谱校正模型用于大米加工精度等级的快速无损判定过程中。需要注意的是，糠粉样品的近红外光谱数据获取可以使用适用于在线分析的光谱仪器，不局限于使用经典的傅里叶变换原理的光谱仪，也可以使用模块化的便携式光纤光谱仪。
步骤S5：获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；具体包括：从安徽省寿县双沪米厂收集不同加工精度的大米和对应的糠粉10份，收集位置如图2所示。改变最后一道碾米机的加工精度，不同加工精度的米糠样品从图2中最后一道碾米机的糠粉下料口1处采集，对应大米分别在最后一道碾米机配套的提升机2处采集，根据国标GB/T5502-2018，采用伊红-美兰乙醇溶液对不同加工精度的10份大米进行染色(皮层和胚部分被染色为蓝绿色，而胚乳部分被染为紫红色)，并与精碾、适碾标准样品进行比对，根据比较结果统计10份大米的加工精度等级，并统计这些不同加工精度等级的大米对应的糠粉的粗淀粉含量范围得到大米加工精度等级与糠粉的有机组分含量之间的关系模型，其中，不同加工精度等级的大米对应的糠粉的粗淀粉含量范围，如图4所示。
图4中，10份大米样品中有3份为适碾大米，4份为精碾大米，1份第二等外大米，2份第一等外大米，第一、第二属于对等外大米的区分，并不对其等级顺序做限定，且第二等外大米为欠碾磨的样品和第一等外大米为过度碾磨的样品。其中，1份欠碾磨大米的粗淀粉含量的光谱预测值为24.75％，3份适碾大米的粗淀粉含量值在27.38％至32.49％之间，4份精碾大米的粗淀粉含量在34.49％至37.05％之间，2份过度碾磨大米的粗淀粉含量高于40.22％。对每两个等级间相近的样品的粗淀粉含量取均值，作为加工精度等级的边界。可得适碾大米对应糠粉的粗淀粉含量范围在26.07％至33.49％之间，精碾大米对应糠粉的粗淀粉含量范围在33.49％至38.64％之间，而第二等外大米对应的糠粉的粗淀粉含量范围低于26.07％，第一等外大米高于38.64％。
步骤S6：对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整包括离线模式和在线模式，所述在线模式包括：对光谱仪外接光学探头，光谱仪为MPA型傅立叶变换近红外光谱仪，并将光学探头接入最后一道碾米机的糠粉下料口内部，在大米加工时，光学探头直接采集糠粉下料口处糠粉的近红外光谱数据，传送给光谱仪，通过调用红外光谱校正模型，得到糠粉中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到当前检测的糠粉对应大米的加工精度等级并发送给上位机，上位机根据当前加工精度等级给出调整碾米程度的指令，通过有线方式连接光谱仪所在的计算机和最后一道碾米机的控制中心，将调整碾米程度的指令传输给最后一道碾米机的控制中心，使碾米机对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度，直至所加工的大米的精度判定结果回归至精碾范围为止。
所述离线模式包括：直接在最后一道碾米机的糠粉下料口处收集糠粉样品，通过光谱仪采集糠粉样品的近红外光谱数据，根据红外光谱校正模型，得到糠粉样品中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到糠粉样品对应的大米的加工精度等级，根据对当前在加工大米的加工精度等级，调整最后一道碾米机的碾磨程度，对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度。
通过以上技术方案，本发明提供的一种大米加工精度等级的快速无损判定方法，可以利用近红外光谱方法快速获取大米加工过程中的糠分成分，结合其中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程揭示大米的加工精度、指导大米生产加工。采用近红外光谱技术结合化学计量学方法获取糠粉中脂肪、蛋白质、淀粉、粗纤维和灰分含量的变化过程，更加容易实现，并且能够提高大米加工过程中的精度识别。与现有近红外方法分析大米中的参数相比，糠粉样本容易获取且具有良好的均匀性，通过对糠粉的分析可以减少不同大米物理形态和成分分布差异对光谱数据的影响，有助于提高近红外光谱模型的精度和适用性。与原染色法、液相色谱法和热处理法相比，本发明所述方法在应用中不破坏样本，不使用化学试剂，安全环保。判定结果准确客观。根据本发明方法，可实现生产加工时对大米加工精度的实时在线或离线调控，提高大米加工的效率和质量。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供一种大米加工精度等级的快速无损判定装置，所述装置包括：
样品收集模块，用于收集不同加工精度的大米的糠粉样品；
近红外光谱数据采集模块，用于采集糠粉样品的近红外光谱数据；
有机组分含量获取模块，用于获取糠粉样品的有机组分含量；
校正模型建立模块，用于根据近红外光谱数据和有机组分含量建立红外光谱校正模型；
关系模型获取模块，用于获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；
判定调整模块，用于对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。
具体的，所述样品收集模块还用于：大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
具体的，所述近红外光谱数据采集模块还用于：将糠粉样品装满石英皿，将石英皿放置于MPA型傅立叶变换近红外光谱仪的检测窗口上，采集糠粉样品近红外漫反射光谱数据，采集范围为834nm-2503nm，分辨率为1.074nm，对每份糠粉样品采集若干次近红外漫反射光谱数据取平均值。
具体的，所述有机组分含量获取模块还用于：使用旋光法检测糠粉样品的有机组分含量，所述有机组分包括粗脂肪、蛋白质、粗纤维、灰分和粗淀粉中的一种或多种。
具体的，所述校正模型建立模块还用于：获得糠粉样品的近红外光谱数据以及有机组分含量后，使用布鲁克仪器自带的OPUS软件构建红外光谱校正模型并优化该模型。
具体的，所述关系模型获取模块还用于：采用伊红-美兰乙醇溶液对不同加工精度的大米的糠粉样品对应的若干份大米进行染色，并与精碾、适碾标的准样品进行比对，根据比较结果统计若干份大米的加工精度等级，根据统计结果确定不同加工精度等级的大米对应的糠粉样品的有机组分含量范围得到大米加工精度等级与糠粉的有机组分含量之间的关系模型。
具体的，所述判定调整模块包括离线模式和在线模式，所述在线模式包括：对光谱仪外接光学探头，并将光学探头接入最后一道碾米机的糠粉下料口内部，在大米加工时，光学探头直接采集糠粉下料口处糠粉的近红外光谱数据，传送给光谱仪，通过调用红外光谱校正模型，得到糠粉中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到当前检测的糠粉对应大米的加工精度等级并发送给上位机，上位机根据当前加工精度等级给出调整碾米程度的指令，通过有线方式连接光谱仪所在的计算机和最后一道碾米机的控制中心，将调整碾米程度的指令传输给最后一道碾米机的控制中心，使碾米机对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度，直至所加工的大米的精度判定结果回归至精碾范围为止。
具体的，所述离线模式包括：直接在最后一道碾米机的糠粉下料口处收集糠粉样品，通过光谱仪采集糠粉样品的近红外光谱数据，根据红外光谱校正模型，得到糠粉样品中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到糠粉样品对应的大米的加工精度等级，根据对当前在加工大米的加工精度等级，调整最后一道碾米机的碾磨程度，对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大米加工精度等级的快速无损判定方法，其特征在于，所述方法包括：
步骤一：收集不同加工精度的大米的糠粉样品；
步骤二：采集糠粉样品的近红外光谱数据；
步骤三：获取糠粉样品的有机组分含量；
步骤四：根据近红外光谱数据和有机组分含量建立红外光谱校正模型；
步骤五：获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；
步骤六：对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。
2.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤一还包括：大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
3.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤二还包括：将糠粉样品装满石英皿，将石英皿放置于MPA型傅立叶变换近红外光谱仪的检测窗口上，采集糠粉样品近红外漫反射光谱数据，采集范围为834nm-2503nm，分辨率为1.074nm，对每份糠粉样品采集若干次近红外漫反射光谱数据取平均值。
4.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤三中，使用旋光法检测糠粉样品的有机组分含量，所述有机组分包括粗脂肪、蛋白质、粗纤维、灰分和粗淀粉中的一种或多种。
5.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤四中，获得糠粉样品的近红外光谱数据以及有机组分含量后，使用布鲁克仪器自带的OPUS软件构建红外光谱校正模型并优化该模型。
6.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤五中，采用伊红-美兰乙醇溶液对不同加工精度的大米的糠粉样品对应的若干份大米进行染色，并与精碾、适碾标的准样品进行比对，根据比较结果统计若干份大米的加工精度等级，根据统计结果确定不同加工精度等级的大米对应的糠粉样品的有机组分含量范围得到大米加工精度等级与糠粉的有机组分含量之间的关系模型。
7.根据权利要求1所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述步骤六包括离线模式和在线模式，所述在线模式包括：对光谱仪外接光学探头，并将光学探头接入最后一道碾米机的糠粉下料口内部，在大米加工时，光学探头直接采集糠粉下料口处糠粉的近红外光谱数据，传送给光谱仪，通过调用红外光谱校正模型，得到糠粉中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到当前检测的糠粉对应大米的加工精度等级并发送给上位机，上位机根据当前加工精度等级给出调整碾米程度的指令，通过有线方式连接光谱仪所在的计算机和最后一道碾米机的控制中心，将调整碾米程度的指令传输给最后一道碾米机的控制中心，使碾米机对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度，直至所加工的大米的精度判定结果回归至精碾范围为止。
8.根据权利要求7所述的一种大米加工精度等级的快速无损判定方法，其特征在于，所述离线模式包括：直接在最后一道碾米机的糠粉下料口处收集糠粉样品，通过光谱仪采集糠粉样品的近红外光谱数据，根据红外光谱校正模型，得到糠粉样品中有机组分含量的预测值，并根据大米加工精度等级与糠粉的有机组分含量之间的关系模型，得到糠粉样品对应的大米的加工精度等级，根据对当前在加工大米的加工精度等级，调整最后一道碾米机的碾磨程度，对判定为过度碾磨的第一等外大米减少碾磨度，而对判定为欠碾磨的第二等外大米以及适碾的大米增加碾磨度。
9.一种大米加工精度等级的快速无损判定装置，其特征在于，所述装置包括：
样品收集模块，用于收集不同加工精度的大米的糠粉样品；
近红外光谱数据采集模块，用于采集糠粉样品的近红外光谱数据；
有机组分含量获取模块，用于获取糠粉样品的有机组分含量；
校正模型建立模块，用于根据近红外光谱数据和有机组分含量建立红外光谱校正模型；
关系模型获取模块，用于获取大米加工精度等级与糠粉的有机组分含量之间的关系模型；
判定调整模块，用于对大米当前加工精度等级进行判定并且根据当前加工精度等级对大米的碾磨度进行调整。
10.根据权利要求9所述的一种大米加工精度等级的快速无损判定装置，其特征在于，所述样品收集模块还用于：大米加工工序包括顺次连接的砻谷机、若干台碾米机、抛光机以及色选机，在大米加工工序的最后一道碾米机的糠粉下料口收集不同加工精度的大米的糠粉样品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182832.5A CN111337450A (zh) | 2020-03-16 | 2020-03-16 | 一种大米加工精度等级的快速无损判定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010182832.5A CN111337450A (zh) | 2020-03-16 | 2020-03-16 | 一种大米加工精度等级的快速无损判定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111337450A true CN111337450A (zh) | 2020-06-26 |
Family
ID=71182434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010182832.5A Pending CN111337450A (zh) | 2020-03-16 | 2020-03-16 | 一种大米加工精度等级的快速无损判定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337450A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297802A (zh) * | 2021-06-16 | 2021-08-24 | 惠州城市职业学院(惠州商贸旅游高级职业技术学校) | 基于物联网技术的稻谷精深加工监控方法和系统 |
| CN114354541A (zh) * | 2020-10-14 | 2022-04-15 | 中粮集团有限公司 | 大米加工精度检测方法及系统 |
| KR102393522B1 (ko) * | 2022-03-28 | 2022-05-03 | 주식회사 두레농산 | 지역별 쌀의 품질 관리를 위한 쌀 도정 제어 장치 |
| CN114721270A (zh) * | 2022-04-11 | 2022-07-08 | 中南林业科技大学 | 一种砻谷碾米协同控制方法、装置及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09288056A (ja) * | 1996-04-23 | 1997-11-04 | Nireco Corp | 米の食味値測定方法および装置 |
| JP2001311727A (ja) * | 2000-04-28 | 2001-11-09 | Niigata Prefecture | 食用米のとう精度合い評価方法，食用米のとう精方法，食用米及び食用米のとう精装置 |
| KR20040089251A (ko) * | 2003-04-11 | 2004-10-21 | 학교법인 순천향대학 | 근적외선 분광기를 이용한 미강과 현미에 함유된 비타민함량 측정 방법 |
| CN104089926A (zh) * | 2014-07-18 | 2014-10-08 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的nir光谱分析模型及鉴别方法 |
| CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
| CN107655890A (zh) * | 2017-09-22 | 2018-02-02 | 宿松县佳兴米业有限公司 | 一种大米加工精度自动化检测方法 |
| CN108414532A (zh) * | 2018-05-07 | 2018-08-17 | 合肥美亚光电技术股份有限公司 | 大米加工精度的检测装置和大米加工控制系统、方法 |
| CN208297372U (zh) * | 2018-05-07 | 2018-12-28 | 合肥美亚光电技术股份有限公司 | 大米加工精度的检测装置和大米加工控制系统 |
| CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
-
2020
- 2020-03-16 CN CN202010182832.5A patent/CN111337450A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09288056A (ja) * | 1996-04-23 | 1997-11-04 | Nireco Corp | 米の食味値測定方法および装置 |
| JP2001311727A (ja) * | 2000-04-28 | 2001-11-09 | Niigata Prefecture | 食用米のとう精度合い評価方法，食用米のとう精方法，食用米及び食用米のとう精装置 |
| KR20040089251A (ko) * | 2003-04-11 | 2004-10-21 | 학교법인 순천향대학 | 근적외선 분광기를 이용한 미강과 현미에 함유된 비타민함량 측정 방법 |
| CN104089926A (zh) * | 2014-07-18 | 2014-10-08 | 湖南省食品测试分析中心 | 用于鉴别稻米镉含量超标的nir光谱分析模型及鉴别方法 |
| CN105181643A (zh) * | 2015-10-12 | 2015-12-23 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
| CN107655890A (zh) * | 2017-09-22 | 2018-02-02 | 宿松县佳兴米业有限公司 | 一种大米加工精度自动化检测方法 |
| CN108414532A (zh) * | 2018-05-07 | 2018-08-17 | 合肥美亚光电技术股份有限公司 | 大米加工精度的检测装置和大米加工控制系统、方法 |
| CN208297372U (zh) * | 2018-05-07 | 2018-12-28 | 合肥美亚光电技术股份有限公司 | 大米加工精度的检测装置和大米加工控制系统 |
| CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
Non-Patent Citations (19)
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114354541A (zh) * | 2020-10-14 | 2022-04-15 | 中粮集团有限公司 | 大米加工精度检测方法及系统 |
| CN113297802A (zh) * | 2021-06-16 | 2021-08-24 | 惠州城市职业学院(惠州商贸旅游高级职业技术学校) | 基于物联网技术的稻谷精深加工监控方法和系统 |
| KR102393522B1 (ko) * | 2022-03-28 | 2022-05-03 | 주식회사 두레농산 | 지역별 쌀의 품질 관리를 위한 쌀 도정 제어 장치 |
| CN114721270A (zh) * | 2022-04-11 | 2022-07-08 | 中南林业科技大学 | 一种砻谷碾米协同控制方法、装置及存储介质 |
| CN114721270B (zh) * | 2022-04-11 | 2022-11-01 | 中南林业科技大学 | 一种砻谷碾米协同控制方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337450A (zh) | 一种大米加工精度等级的快速无损判定方法及装置 | |
| Caporaso et al. | Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains | |
| CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
| Huang et al. | Review of seed quality and safety tests using optical sensing technologies | |
| Delwiche et al. | Quality characteristics in rice by near-infrared reflectance analysis of whole-grain milled samples | |
| Zareiforoush et al. | Design, development and performance evaluation of an automatic control system for rice whitening machine based on computer vision and fuzzy logic | |
| US20070240242A1 (en) | Method for multivariate analysis in predicting a trait of interest | |
| CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
| Wang et al. | Singlewheat kernel color classification using neural networks | |
| CN110702637B (zh) | 一种热鲜和冷鲜羊肉的近红外在线融合快速判别方法 | |
| Campbell et al. | Whole grain amylose analysis in maize using near‐infrared transmittance spectroscopy | |
| CN105954140A (zh) | 一种稻谷出米率自动测定方法 | |
| Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review | |
| CN111104730A (zh) | 一种基于白度的大米碾白程度快速判别方法 | |
| Symons et al. | Measurement of hard vitreous kernels in durum wheat by machine vision | |
| Zhang et al. | Application of hyperspectral imaging in the detection of aflatoxin B1 on corn seed | |
| Osborne | Investigations into the use of near infrared reflectance spectroscopy for the quality assessment of wheat with respect to its potential for bread baking | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| CN109164069B (zh) | 一种果树叶面病害级别的鉴定方法 | |
| CN111398199A (zh) | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 | |
| Symons et al. | Quality evaluation of corn/maize | |
| Finney et al. | Prediction of damaged starch in straight-grade flour by near-infrared reflectance analysis of whole ground wheat | |
| Delwiche | Analysis of small grain crops | |
| CN106645022A (zh) | 一种大麦籽粒总淀粉含量的快速无损检测方法 | |
| Blazek et al. | Prediction of wheat milling characteristics by near-infrared reflectance spectroscopy |
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: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |