CN111398277A - 一种面膜分析检测方法 - Google Patents

一种面膜分析检测方法 Download PDF

Info

Publication number
CN111398277A
CN111398277A CN202010259412.2A CN202010259412A CN111398277A CN 111398277 A CN111398277 A CN 111398277A CN 202010259412 A CN202010259412 A CN 202010259412A CN 111398277 A CN111398277 A CN 111398277A
Authority
CN
China
Prior art keywords
detection
analysis
image information
facial mask
deep learning
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
Application number
CN202010259412.2A
Other languages
English (en)
Inventor
李迪
贾国柱
杨鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Normal University
Original Assignee
Sichuan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Normal University filed Critical Sichuan Normal University
Priority to CN202010259412.2A priority Critical patent/CN111398277A/zh
Publication of CN111398277A publication Critical patent/CN111398277A/zh
Pending legal-status Critical Current

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
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/44—Sample treatment involving radiation, e.g. heat
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种面膜分析检测方法，包括以下步骤：步骤1：将待测面膜液滴滴在圆形玻璃器皿中进行微波加热，获取微波加热后的图像信息；步骤2：将所述图像信息利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果。本发明检测方法，通过微波加热的方式提高了检测效率，通过与深度学习相结合的图像处理系统处理图像信息的方式提高了检测精度。

Description

一种面膜分析检测方法
技术领域
本发明涉及检测技术领域，尤其涉及一种面膜分析检测方法。
背景技术
化妆品已经成为日常工作和生活中必不可少的存在,人们对化妆品的质量越来越关注。近年来化妆品规模已经突破百亿元，呈现出野蛮生长态势。在化妆品中添加一定成分，才能确保它的功能性，但是有些化妆品企业过分追求经济利益，劣质化妆品问题频频爆出，化妆品的安全问题不容小觑。现在市面上的化妆品名目繁多，良莠不齐；化妆品微商之乱，两月造出国际大品牌，更是害人不浅。面对鱼龙混杂的微商产品，如何快速甄别化妆品成分，判断是否有皮肤鸦片(糖皮质激素)，铅汞含量是否超标，防腐成分是否合理，致癌物质，重金属等是否被添加等等。现有的检测方法还远远不能满足社会卫生监督的需要，对化妆品检测技术的研究还需要更加广泛深入地持续开展下去。
现有检测化妆品成分的方法主要有气相色谱仪、离子色谱仪、气质联用仪、液质联用仪及热重分析仪等等，存在操作流程复杂，抗干扰能力差，精密度不高，准确性降低，检出受限等缺点。虽然快速检测技术作为准确定量检测的前期辅助筛查，可以排除一些不必要的检测，为后期定量检测节省大量的人力和物力，提高检测速度，但是由于现在的检测多是微量或痕量检测，对仪器和人员的要求都很高，检测的前处理要求也高。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种检测精度高、检测效率高的面膜分析检测方法。
一种面膜分析检测方法，包括以下步骤：
步骤1：将待测面膜液滴滴在圆形玻璃器皿中进行微波加热，获取微波加热后的图像信息；
步骤2：将所述图像信息利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果。
进一步地，如上所述的面膜分析检测方法，所述利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果包括：将所述图像信息输入已经训练好的CNN神经网络，通过CNN神经网络输出检测结果；
所述已经训练好的CNN神经网络为利用合格的面膜获取的图像信息经过训练得到的CNN神经网络。
进一步地，如上所述的面膜分析检测方法，所述步骤1包括：将待测面膜液滴滴在圆形玻璃器皿上，利用微波加热，面膜液滴形成咖啡环结构，获取咖啡环结构的图像信息。
有益效果：
(1)本发明利用微波快速加热的特点可以大大提高咖啡环形成速率，与传统意义上的加热方法相比，不仅节省了时间，而且保证了检测液滴不受外界环境干扰；不需气相色谱法和液相色谱法那样，为了避免直接测定时灵敏度不高的问题，要对检测成分进行前衍生处理，也避免了表面增强拉曼光谱法只对于低浓度检测才会有良好的检测结果的弊端；
(2)与深度学习相结合的图像处理技术，保证了检测结果的准确性和及时可靠性；这解决了现有检测技术——近红外光谱法存在的对标准分析方法准确度的依赖。
(3)批量检测可以大大节省人力物力，提高检测速率。
附图说明
图1为本发明面膜分析检测方法的流程图；
图2为本发明利用CNN进行面膜分析检测方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明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。
微波因其高效、清洁、无污染、低成本和实时连续监测的特点，被广泛应用于微波化学，生物医疗及微流体检测等新技术领域，微波加热在食品中的应用更是随处可见，但是微波在化妆品检测领域的应用却是少之又少。因此我们利用微波加热速度快，无损加热及均匀加热特点对化妆品成分进行批量加热。一方面可以保证被检测化妆品成分不被破坏，另一方面保证了速率的提升。基于此本申请借鉴咖啡环理念，将微波与深度学习的图像处理技术结合，提出一种快速方便可靠的检测化妆品成分的方法。利用深度学习图片处理技术来分析经过微波加热面膜成分形成的咖啡环结构，达到批量检测的目的。
咖啡环效应是指当一滴咖啡或者茶滴落桌面时，其颗粒物质就会在桌面上留下一个被染色的环状物，而且环状物的颜色却是不均匀的，边缘部分要比中间更深一些的现象。形成过程可概括如下：蒸发过程中，水的接触角会一直保持不变，半径变小，而溶液的边缘会一直固着在接触线上，半径不变，接触角变小。溶液中要维持液滴的面积不变，就会产生一个从中心向外的流动，这个流动将溶液中的溶质带到接触线上并沉积下来，最终形成了环状沉积物，即咖啡环结构。咖啡环效应有很广泛的应用，例如绘画，印刷，生物检测和医疗诊断等领域。本项发明将视“咖啡环结构”为一个宏观上的分子指纹，利用“分子指纹”识别原理结合深度学习特有的图像识别处理技术进行化妆品成分检测。
深度学习是机器学习研究中的一个新的领域，是机器学习中一种基于对数据进行表征学习的方法，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。用较为复杂的模型降低模型偏差，用大数据提升统计估计的准确度，用可扩展的梯度下降算法求解大规模优化问题。深度学习研究的初衷主要就是应用于图像识别。迄今为止，尽管深度学习已经被应用到语音、图像、文字等方面，但深度学习领域发表的论文中大约70％是关于图像识别的。从2012年的ImageNet竞赛开始，深度学习在在通用图像分类、图像检测、光学字符识别、人脸识别等领域发挥出巨大威力。模型结构越来越复杂，训练数据规模也不断增加；各种关于数据结构的先验知识被体现到新的模型结构中；端到端学习让我们越来越摒弃基于人工规则的中间步骤。
本发明的其中一个目的在于利用微波的快速、无损、清洁、均匀加热等特点对面膜成分进行批量检测，解决已有面膜检测技术存在的检测流程复杂、外界影响因素大、检测结果不稳定的问题。从技术上大大减少了操作流程，从人员配置上降低了检测人员的专业素质要求。批量检测也大大提高了检测速率，确保了产品的可靠性。
在固体表面上悬浮的颗粒液滴干燥后，沿液滴边沿会留下一个环形结构，这通常被称为咖啡环现象。虽然这些咖啡环结构的形成是一个普遍观察到的现象，如溢出的咖啡液留下的环形污渍；但它背后的物理机制相当复杂。
我们利用微波高效、清洁、无损、低耗的特点对面膜液滴进行加热，在不破坏分子结构的前提下，对面膜成分液滴进行均匀加热，对照已有的合格面膜产品的咖啡环图像，进行批量比较，这将大大的节约检测时间，在工艺检测上减少了很多测试环节，而且保证了检测结果的准确性。
本发明的另一个目的在于通过快照拍摄了化妆品成分液滴蒸干后形成的咖啡环结构，在与合格的咖啡环进行比对时，由于成分含量的不同最终形成的咖啡环结构会有差异性变化，但这种变化是肉眼所不易观察到的，为了保证检测结果的准确性，我们的检测还要扩展到深度学习领域，利用深度学习的图像识别能力，加快分析效率，近一步保证图片比对结果的准确性。但是深度学习目前处于刚刚起步阶段，在算法的优化和选择上还是一个技术难点。而且计算量大，训练数据的规模也大，需要消耗很多计算资源，成本较高，完成难度大。应用深度学习需要解决三个不同维度的挑战。首先，底层计算维度。相对于每时每刻都在飞速增长的数据，计算机单机的计算能力远远无法满足需要，超大规模的并行计算势在必行。其次，算法模型开发维度。随着越来越广泛的关注、大量研究机构的投入，深度学习成为人工智能最活跃的领域。新的算法模型不断涌现，新的、好的结果不断刷新，需要迅速开发、迭代新的方法模型。第三，一线业务部门应用维度。互联网每天都在产生新的产品、新的应用，将深度学习高效、便捷地整合到不同的产品和应用中面临新的挑战。针对这三个问题，本申请给出了相应的解决方案：既在底层计算维度，我们使用的是图形处理单元上的通用计算，这种方法是利用高端图形处理器(GPU)的大量处理内核来同时执行计算任务，即GPU并行计算集群。由于图像处理是基于Google开源深度学习系统TensorFlow，所以可以通过大规模的GPU并行计算明显地提升计算机的计算性能。在算法模型的开发维度，应用的是CNN算法。CNN作为神经网络的一种，在处理图像数据方面具有明显的优势，主要是因为CNN通过引入卷积核(或过滤器filter)实现了“空间共享”的概念。TensorFlow一大亮点便是支持异构设备分布式计算，它能够在各个平台上自动运行模型。因此，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。同时，TensorFlow完全开源，任何人都可以使用，在不同的产品和应用中具有很好的兼容性。
如图1、图2所示，本发明提供一种面膜分析检测方法，包括以下步骤：
步骤1：将待测面膜液滴滴在圆形玻璃器皿上，利用微波加热，面膜液滴形成咖啡环结构，获取咖啡环结构的图像信息；
步骤2：将所述图像信息利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果。
所述利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果包括：将所述图像信息输入已经训练好的CNN神经网络，通过CNN神经网络输出检测结果；所述已经训练好的CNN神经网络为利用合格的面膜获取的图像信息经过训练得到的CNN神经网络。
具体地，本发明提供的检测方法为：
步骤101：将合格面膜的液滴滴在圆形玻璃器皿上，利用微波炉进行加热，使合格面膜的液滴经过微波加热干燥后，形成咖啡环，通过电子显微镜获取该咖啡环的照片，然后将该照片进行扫描获取扫描后的图像信息，将该图像信息放入CNN神经网络进行训练，得到一个CNN神经网络模型；
步骤102：将待测面膜液滴滴在圆形玻璃器皿上，利用微波炉进行加热，使待测面膜的液滴经过微波加热干燥后，形成咖啡环，通过电子显微镜获取该待测咖啡环的照片，然后将该待测照片进行扫描获取扫描后的待测图像信息；
步骤103：将待测图像信息输入已经训练好的CNN神经网络模型中进行训练，训练的目的是将待测图像信息与合格面膜的图像信息进行对比，并最终通过CNN神经网络输出检测结果。
本申请利用了微波加热对样品进行批量处理，节约资源，提高检测速率。其一微波可快速加热液体，热源来自物体内部，加热均匀，不会造成局部过热现象。这相较于传统加热和自然风干在时间上体现了大大的优势；其二，微波加热不会破坏原料的成分，不会给检测带来干扰；其三提出将深度学习的图像识别与处理技术应用到检测领域，具体过程为可以描述为将产品品质信息和对应形状的咖啡环图像导入神经网络。然后将图像细分为像素点矩阵，通过神经网络将不同品质产品的咖啡环图像特征化，建立起产品的品质信息和咖啡环的形状对应的映射关系。
通过这种深度学习的方式构建一一对应的产品与图像信息并以数据库的方式保存。产品检测时，通过快照拍摄待测液滴微波干燥后形成的咖啡环，将咖啡环图像分解为矩阵，与数据库中的结果进行特征比对，就可以得到这种咖啡环图像对应的产品品质。保证了检测结果的可靠性。
最后应说明的是：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 (3)

1.一种面膜分析检测方法，其特征在于，包括以下步骤：
步骤1：将待测面膜液滴滴在圆形玻璃器皿中进行微波加热，获取微波加热后的图像信息；
步骤2：将所述图像信息利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果。
2.根据权利要求1所述的面膜分析检测方法，其特征在于，所述利用与深度学习相结合的图像处理系统进行分析处理，得到分析检测结果包括：将所述图像信息输入已经训练好的CNN神经网络，通过CNN神经网络输出检测结果；
所述已经训练好的CNN神经网络为利用合格的面膜获取的图像信息经过训练得到的CNN神经网络。
3.根据权利要求1所述的面膜分析检测方法，其特征在于，所述步骤1包括：将待测面膜液滴滴在圆形玻璃器皿上，利用微波加热，面膜液滴形成咖啡环结构，获取咖啡环结构的图像信息。
CN202010259412.2A 2020-04-03 2020-04-03 一种面膜分析检测方法 Pending CN111398277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010259412.2A CN111398277A (zh) 2020-04-03 2020-04-03 一种面膜分析检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010259412.2A CN111398277A (zh) 2020-04-03 2020-04-03 一种面膜分析检测方法

Publications (1)

Publication Number Publication Date
CN111398277A true CN111398277A (zh) 2020-07-10

Family

ID=71436850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010259412.2A Pending CN111398277A (zh) 2020-04-03 2020-04-03 一种面膜分析检测方法

Country Status (1)

Country Link
CN (1) CN111398277A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112485252A (zh) * 2020-10-13 2021-03-12 中国农业大学 柔性传感器制备过程中抑制咖啡环的控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013023110A2 (en) * 2011-08-11 2013-02-14 The Trustees Of The University Of Pennsylvania Uniform coatings produced by suspensions of anisotropic particles
US20150293011A1 (en) * 2014-04-10 2015-10-15 City University Of Hong Kong Detection of analyte using coffee-ring effect
US20160249459A1 (en) * 2012-10-30 2016-08-25 National Institute Of Advanced Industrial Science And Technology Structure formed on substrate, structure manufacturing method and line pattern
CN109879344A (zh) * 2019-03-06 2019-06-14 华北电力大学 一种光热蒸发表面及其制备和应用
CN109932326A (zh) * 2017-12-15 2019-06-25 Tcl集团股份有限公司 一种量子点表面配体覆盖率的测定方法
CN109932354A (zh) * 2019-05-06 2019-06-25 中山大学 一种用于表面增强拉曼光谱痕量分析的原位分离富集装置及应用
CN110632128A (zh) * 2019-09-29 2019-12-31 浙江大学 石墨烯材料电阻式气体传感阵列的制备方法及其应用方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013023110A2 (en) * 2011-08-11 2013-02-14 The Trustees Of The University Of Pennsylvania Uniform coatings produced by suspensions of anisotropic particles
US20160249459A1 (en) * 2012-10-30 2016-08-25 National Institute Of Advanced Industrial Science And Technology Structure formed on substrate, structure manufacturing method and line pattern
US20150293011A1 (en) * 2014-04-10 2015-10-15 City University Of Hong Kong Detection of analyte using coffee-ring effect
CN109932326A (zh) * 2017-12-15 2019-06-25 Tcl集团股份有限公司 一种量子点表面配体覆盖率的测定方法
CN109879344A (zh) * 2019-03-06 2019-06-14 华北电力大学 一种光热蒸发表面及其制备和应用
CN109932354A (zh) * 2019-05-06 2019-06-25 中山大学 一种用于表面增强拉曼光谱痕量分析的原位分离富集装置及应用
CN110632128A (zh) * 2019-09-29 2019-12-31 浙江大学 石墨烯材料电阻式气体传感阵列的制备方法及其应用方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIAOYAN LI ET AL: "Tap water fingerprinting using a convolutional neural network built from images of the coffee-ring effect", 《THE ROYAL SOCIETY OF CHEMISTRY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112485252A (zh) * 2020-10-13 2021-03-12 中国农业大学 柔性传感器制备过程中抑制咖啡环的控制方法及装置
CN112485252B (zh) * 2020-10-13 2022-02-15 中国农业大学 柔性传感器制备过程中抑制咖啡环的控制方法及装置

Similar Documents

Publication Publication Date Title
Geronimo et al. Computer vision system and near-infrared spectroscopy for identification and classification of chicken with wooden breast, and physicochemical and technological characterization
Mogol et al. Computer vision‐based analysis of foods: A non‐destructive colour measurement tool to monitor quality and safety
Mu et al. Portable detection and quantification of olive oil adulteration by 473-nm laser-induced fluorescence
CN102830087A (zh) 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法
JP2012226763A (ja) 光輝性顔料の同定方法、同定システム、同定プログラム及びその記録媒体
CN102998350B (zh) 利用电化学指纹图谱鉴别食用油和地沟油的方法
Wei et al. Fabrication of conducting polymer/noble metal nanocomposite modified electrodes for glucose, ascorbic acid and tyrosine detection and its application to identify the marked ages of rice wines
Cetó et al. Cava wine authentication employing a voltammetric electronic tongue
Hou et al. A feasibility research on the application of machine vision technology in appearance quality inspection of Xuesaitong dropping pills
CN110189383A (zh) 基于机器学习的中医舌色苔色定量分析方法
CN111398277A (zh) 一种面膜分析检测方法
Luo et al. Automatic identification of cashmere and wool fibers based on microscopic visual features and residual network model
Chen et al. Classification of vinegar with different marked ages using olfactory sensors and gustatory sensors
Wang et al. Application of hybrid image features for fast and non-invasive classification of raisin
Zuñiga et al. Grape maturity estimation based on seed images and neural networks
Wei et al. Colorimetric visualization and SECM imaging of latent fingerprints on food surfaces
CN111398211A (zh) 一种苍术颗粒剂的信息区分处理方法
Ren et al. An electronic sense-based machine learning model to predict formulas and processes for vegetable-fruit beverages
US9519963B2 (en) Device and method for analysis of coating additive performance
CN105738303B (zh) 基于全谱段分子光谱的卷烟烟气质量趋势分析方法
CN110210464A (zh) 一种基于迁移学习的拉曼光谱智能分析方法
CN107356536B (zh) 葡萄酒品质检测方法、服务器及光谱测量设备
Tuesta-Monteza et al. Automatic classification of citrus aurantifolia based on digital image processing and pattern recognition
Shelke et al. Detection of Artificially Ripened Fruits using Machine Learning
Yuan et al. Rapid discrimination and ratio quantification of mixed antibiotics in aqueous solution through integrative analysis of SERS spectra via CNN combined with NN-EN model

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: 20200710

RJ01 Rejection of invention patent application after publication