CN111562235A - 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 - Google Patents
基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 Download PDFInfo
- Publication number
- CN111562235A CN111562235A CN202010417498.7A CN202010417498A CN111562235A CN 111562235 A CN111562235 A CN 111562235A CN 202010417498 A CN202010417498 A CN 202010417498A CN 111562235 A CN111562235 A CN 111562235A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaves
- near infrared
- infrared spectrum
- infection
- training set
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 89
- 241000208125 Nicotiana Species 0.000 title claims abstract description 88
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 50
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 28
- 201000010099 disease Diseases 0.000 title claims abstract description 25
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Chemical compound CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 title claims description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000009499 grossing Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000003443 Unconsciousness Diseases 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 208000002672 hepatitis B Diseases 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 238000004468 VIS-NIR spectroscopy Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，先收集不同黑暴病害感染程度的新鲜烟叶作为建模训练集，获取训练集烟叶的总氮含量，将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，建立近红外光谱数据训练集，然后对光谱数据进行预处理，再采用极限学习机算法，结合训练集烟叶光谱信息和分类标签，建立近红外光谱判别分析模型，并对判别分析模型进行评价；之后采集待测新鲜烟叶样本的近红外光谱信息，并输入至建立的判别分析模型中进行判别分析，快速鉴定待测烟叶样本是否存在黑暴感染及其感染程度。本发明方法具有方便快捷、无损、高效、绿色环保等优点。
Description
技术领域
本发明属于农产品病害检测技术领域，具体涉及利用近红外光谱技术鉴别烟叶黑暴病害及感染程度的方法。
背景技术
经过多年烟草生产新技术的大力推广，烟农种烟更加规范化、科学化，烟叶品质进一步提升。但还有部分烟农主要依据经验种烟，在生产中部分技术不科学，致使烟叶质量得不到提高，造成一定的经济损失。黑暴烟叶即是烟农为追求高产而过量施用氮肥而产生的病害，导致烟株营养失调，叶片肥大厚实，粗筋暴脉，组织致密，含水量不很高，干物质较多，烟叶的氮含量和叶绿素含量远远高于正常烟叶。此类烟叶难以适时成熟，且采收后不易烘烤，其品质更无法体现。因此，若能在黑暴烟叶未出现明显特征时，就可预测烟叶是否存在黑暴感染的可能性，是控制病害蔓延、减少损失、保障烟叶品质的有效手段。
目前，对黑暴烟叶的检测主要是肉眼观测和实验化学检测两种方法。肉眼观测方法是根据肉眼观察凭借经验来辨别烟叶病变组织和健康组织，这很容易产生由于视觉疲劳而导致的错误判断。实验化学检测方法虽然更加客观和准确，但是其检测时间长、成本高，而且不能实时提供结果。因此，研究一种简单、快速、准确的检测烟草黑暴病害的方法对烟叶生产具有重要意义。
在以前的研究中，自动和快速检测其他植物病害或感染的方法主要基于数字图像处理、可见近红外光谱、多光谱图像和高光谱成像。尽管高光谱成像可能比传统数字图像和其他光谱技术携带更多的信息，但其传感器价格昂贵且携带不便，这在经济性和实时性上是不可行的，尤其是在需要诊断大量植物的情况下。近红外光谱分析技术具有简便、快速、前处理简单、对样品无破坏性无污染并可多组分同时测定等优点，在许多植物的各个组织和各种成分的分析方面有着广泛应用，比如植物种类的鉴别、育种材料选择以及叶片内含物质测定等。然而，由于缺少科学和设计和计算，近红外光谱技术较少应用于烟叶病害感染检测相关领域，尤其是在快速预测与实时鉴定黑暴特征的烟叶方面没有有效采用。
发明内容
本发明的目的是解决现有技术的不足，提供一种利用近红外光谱分析技术，并联合机器学习中的极限学习机算法实现对烟叶的黑暴病害及感染程度进行快速鉴别，以解决现有技术中黑暴病害的早期检测鉴别存在的问题。
为了实现上述目的，本发明采取的技术方案如下：
基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，具体包括如下步骤：
(1)收集同时期不同黑暴病害感染程度的新鲜烟叶作为建模训练集，使用连续流动分析仪获取训练集烟叶的总氮含量，并根据总氮含量的高低将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，获取训练集烟叶的近红外光谱信息，建立烟叶近红外光谱数据训练集，然后使用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种方法对光谱数据进行预处理，所述对光谱信息的预处理包括消除基线漂移和去除光谱噪声；
(2)采用极限学习机算法，结合步骤(1)中获取的预处理后的训练集烟叶光谱信息和分类标签，建立近红外光谱判别分析模型，并对所构建的判别分析模型进行评价；
(3)在与步骤(1)相同的采集条件下，使用手持近红外光谱仪采集待测新鲜烟叶样本的近红外光谱信息，并输入至步骤(2)建立的近红外光谱判别分析模型中进行判别分析，快速鉴定待测烟叶样本是否存在黑暴感染及其感染程度。
进一步地，在光谱采集过程中每片烟叶样本选择至少5个不同点进行采集，计算获得5个点的平均光谱曲线作为样本的最终光谱。
进一步地，所述步骤(1)中，所述利用手持近红外光谱仪采集烟叶的光谱信息，近红外光谱的采集范围为900-1700nm，其分辨率为4cm-1，扫描次数为32或64次。
进一步地，所述步骤(2)中，对所述近红外光谱判别分析模型进行评价的步骤是对所述近红外光谱判别分析模型的精度进行评价，采用正确识别率为评价指标，准确率越接近100％，近红外光谱判别分析模型的精度越高。
本发明以近红外光谱分析技术为基础，结合机器学习中的极限学习机学习算法建立新鲜烟叶的黑暴病害及感染程度判别分析模型，对烟叶是否存在黑暴病害感染的可能性及感染程度进行快速实时的预测及鉴别。该方法不需要去叶和制备任何样品就可直接进行分析，因此在实际应用中非常方便，能够非常有效地帮助农民在准确控制田间黑暴烟叶感染方面作出正确的决策。与现有的检测方法相比，本发明具有快速准确、绿色无损等优点，能够在黑暴烟叶未出现明显特征时，就可预测烟叶是否存在黑暴感染的可能性，为黑暴烟叶的早期鉴别提供一种新的方法和思路，具有重要的理论意义和实际应用价值。
附图说明
图1为三片烟叶样本的近红外光谱采集位置图；
图2为正常生长、轻度感染和严重感染的样本光谱示意图；
图3为本发明实施例所选取烟叶的原始光谱图；
图4为图1经过预处理操作后的光谱图；
表1为建立判别分析模型的样本详细信息；
表2为建立判别分析模型的评价结果；
表3为建立判别分析模型的预测结果。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
一种基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，包括以下步骤：
(1)收集同时期不同黑暴病害感染程度的新鲜烟叶作为建模训练集，烟叶样本的详细信息如表1所示。使用连续流动分析仪获取训练集烟叶的总氮含量，并根据总氮含量的高低将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，获取训练集烟叶的近红外光谱信息，并对光谱数据进行预处理操作。本实施例中利用现有的手持近红外光谱仪进行光谱信息采集，其采集范围在波长900nm-1700nm之间或其中任意部分，其分辨率为4cm-1，扫描次数为64次，在光谱采集过程中，如图1所示，在每片烟叶上选择至少5个不同点进行采集，5个采集点分别位于靠向叶尖位置和位于主叶脉两侧，如图1中①～⑤所示，计算获得5个点的平均光谱曲线作为样本的最终光谱，三个不同类别的样本近红外光谱曲线如图2所示。对光谱信息的预处理包括消除基线漂移和去除光谱噪声；光谱信息预处理方法包括小波变换算法、Savitzky-Golay(SG)卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的任意一种，上述方法均为本领域普通技术人员所熟知。以SG卷积平滑法为例，它通过移动窗口多项式拟合的方法对数据进行平滑。设窗口宽度为2w+1，多项式的阶为n，SG平滑方法可以描述如下：用窗口i-w到i+w内的数据(i>w并且i≤p-w)拟合多项式参数，用拟合参数计算第i个点的拟合值；增加i移动窗口计算每个点的拟合值，即可实现SG平滑。计算时，对确定的窗口宽度和多项式阶，使用的参数是相同的，所以SG平滑计算速度较快。在本实施例中，选用窗口大小为9的一阶导数SG卷积算法和多元散射校正对光谱数据进行预处理。其中图3为本实施例所选取烟叶样本的原始光谱图，图4为图3经过预处理操作后的光谱图。
(2)采用极限学习机(Extreme learning machine)算法(ELM算法)，结合步骤(1)预处理后的训练集烟叶光谱信息和分类标签，建立新鲜烟叶的黑暴病害感染近红外光谱判别分析模型，并对所构建的判别分析模型进行评价。对所述近红外光谱判别分析模型进行评价的步骤是对所述近红外光谱判别分析模型的精度进行评价，采用正确识别率为评价指标，准确率越接近100％，近红外光谱判别分析模型的精度越高。模型的评价结果如表2所示。由表2能够看出，3个不同类别的训练正确率均达到了100％，模型取得了较为理想的训练结果。这是因为ELM算法具有学习效率高和泛化能力强的优点，解决了反向传播算法(backward probagation)学习效率低、参数设定繁琐的问题，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。
(3)在与步骤(1)相同的采集条件下，使用手持近红外光谱仪采集待测新鲜烟叶样本的近红外光谱信息，并输入至步骤(2)建立的近红外光谱判别分析模型中进行判别分析，快速鉴定待测烟叶样本是否存在黑暴感染及其感染程度。
本发明所采用的程序编写平台为Matlab2016b，程序编写方法为现有技术方法，本领域技术人员均可独立编写。
采用本发明方法，烟农可在烟田使用手持近红外光谱仪采集获取待测烟叶的近红外光谱信息，然后利用建立的近红外光谱判别分析模型，快速无损获取分析检测结果。具体为先对获取的待检测烟叶的光谱数据进行预处理操作，结合建立的近红外光谱判别分析模型，直接获取烟叶是否存在黑暴病害感染或感染程度。表3的数据证明，本发明方法识别率高，具有方便快捷、无损、高效、绿色环保等优点，能够满足烟叶黑暴病害的有效鉴别，还能够有效降低模型构建成本，提高模型检测效率，同时，对其他植物病害的早期快速鉴定具有重要的实用意义。
表1实施例中的样本详细信息
| 年份 | 取样位置 | 光谱特征 | 样本等级 | 总氮含量(％) | 样本数量 | 训练样本 | 测试样本 |
| 2018 | 云南马龙 | 320 | 严重感染 | 4.01-6.00 | 105 | 70 | 35 |
| 2018 | 云南马龙 | 320 | 轻度感染 | 2.21-4.00 | 105 | 70 | 35 |
| 2018 | 云南马龙 | 320 | 正常生长 | 1.50-2.20 | 105 | 70 | 35 |
表2训练模型的评价结果
| 样本等级 | 训练样本 | 训练正确数 | 训练正确率 |
| 严重感染 | 70 | 70 | 100％ |
| 轻度感染 | 70 | 70 | 100％ |
| 正常生长 | 70 | 70 | 100％ |
表3模型的预测结果
| 样本等级 | 测试样本 | 预测正确数 | 预测正确率 |
| 严重感染 | 35 | 34 | 97.14％ |
| 轻度感染 | 35 | 34 | 97.14％ |
| 正常生长 | 35 | 35 | 100％ |
Claims (4)
1.基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，其特征在于，具体包括如下步骤：
(1)收集同时期不同黑暴病害感染程度的新鲜烟叶作为建模训练集，使用连续流动分析仪获取训练集烟叶的总氮含量，并根据总氮含量的高低将训练集烟叶分为正常生长、轻度感染和严重感染三个类别；同时利用手持近红外光谱仪采集以上烟叶的光谱信息，获取训练集烟叶的近红外光谱信息，建立烟叶近红外光谱数据训练集，然后使用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种方法对光谱数据进行预处理，所述对光谱信息的预处理包括消除基线漂移和去除光谱噪声；
(2)采用极限学习机算法，结合步骤(1)中获取的预处理后的训练集烟叶光谱信息和分类标签，建立近红外光谱判别分析模型，并对所构建的判别分析模型进行评价；
(3)在与步骤(1)相同的采集条件下，使用手持近红外光谱仪采集待测新鲜烟叶样本的近红外光谱信息，并输入至步骤(2)建立的近红外光谱判别分析模型中进行判别分析，快速鉴定待测烟叶样本是否存在黑暴感染及其感染程度。
2.根据权利要求1所述的基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，其特征在于，在光谱采集过程中每片烟叶样本选择至少5个不同点进行采集，计算获得5个点的平均光谱曲线作为样本的最终光谱。
3.根据权利要求1或2所述的基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，其特征在于，所述步骤(1)中，所述利用手持近红外光谱仪采集烟叶的光谱信息，近红外光谱的采集范围为900-1700nm，其分辨率为4cm-1，扫描次数为32或64次。
4.根据权利要求1或2所述的基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法，其特征在于，所述步骤(2)中，对所述近红外光谱判别分析模型进行评价的步骤是对所述近红外光谱判别分析模型的精度进行评价，采用正确识别率为评价指标，准确率越接近100％，近红外光谱判别分析模型的精度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417498.7A CN111562235A (zh) | 2020-05-18 | 2020-05-18 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010417498.7A CN111562235A (zh) | 2020-05-18 | 2020-05-18 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111562235A true CN111562235A (zh) | 2020-08-21 |
Family
ID=72068157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010417498.7A Pending CN111562235A (zh) | 2020-05-18 | 2020-05-18 | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111562235A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113218885A (zh) * | 2021-05-06 | 2021-08-06 | 塔里木大学 | 一种基于特征提取法和分类算法的黄萎病严重度测估方法 |
| CN113447456A (zh) * | 2021-01-22 | 2021-09-28 | 广东中烟工业有限责任公司 | 基于nir技术和elm的烟草病原真菌种类快速鉴别方法 |
| CN113902673A (zh) * | 2021-09-02 | 2022-01-07 | 北京市农林科学院信息技术研究中心 | 番茄灰霉病程度识别方法及装置 |
| CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104713849A (zh) * | 2015-03-31 | 2015-06-17 | 云南同创检测技术股份有限公司 | 一种基于近红外光谱分析技术的烟叶霉变的快速预测方法 |
| CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| CN109374574A (zh) * | 2018-12-20 | 2019-02-22 | 中国烟草总公司郑州烟草研究院 | 一种利用近红外光谱信息鉴别烤烟烟叶蜡质感的方法 |
| CN110363119A (zh) * | 2019-06-28 | 2019-10-22 | 广东中烟工业有限责任公司 | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 |
| CN110967313A (zh) * | 2019-12-12 | 2020-04-07 | 云南拓宝科技有限公司 | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 |
-
2020
- 2020-05-18 CN CN202010417498.7A patent/CN111562235A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104713849A (zh) * | 2015-03-31 | 2015-06-17 | 云南同创检测技术股份有限公司 | 一种基于近红外光谱分析技术的烟叶霉变的快速预测方法 |
| CN106018332A (zh) * | 2016-07-21 | 2016-10-12 | 华南农业大学 | 一种柑桔黄龙病的近红外光谱田间检测方法 |
| CN107491784A (zh) * | 2017-08-09 | 2017-12-19 | 云南瑞升烟草技术（集团）有限公司 | 基于深度学习算法的烟叶近红外光谱定量建模方法及应用 |
| CN109374574A (zh) * | 2018-12-20 | 2019-02-22 | 中国烟草总公司郑州烟草研究院 | 一种利用近红外光谱信息鉴别烤烟烟叶蜡质感的方法 |
| CN110363119A (zh) * | 2019-06-28 | 2019-10-22 | 广东中烟工业有限责任公司 | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 |
| CN110967313A (zh) * | 2019-12-12 | 2020-04-07 | 云南拓宝科技有限公司 | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| ZHANG JIANQIANG 等: "Characterization of Deep Green Infection in Tobacco Leaves Using a Hand-Held Digital Light Projection Based Near-Infrared Spectrometer and an Extreme Learning Machine Algorithm", 《ANALYTICAL LETTERS》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447456A (zh) * | 2021-01-22 | 2021-09-28 | 广东中烟工业有限责任公司 | 基于nir技术和elm的烟草病原真菌种类快速鉴别方法 |
| CN113218885A (zh) * | 2021-05-06 | 2021-08-06 | 塔里木大学 | 一种基于特征提取法和分类算法的黄萎病严重度测估方法 |
| CN113902673A (zh) * | 2021-09-02 | 2022-01-07 | 北京市农林科学院信息技术研究中心 | 番茄灰霉病程度识别方法及装置 |
| CN114689526A (zh) * | 2022-05-31 | 2022-07-01 | 北京市农林科学院智能装备技术研究中心 | 一种香蕉枯萎病无损检测方法、装置及检测设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
| CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
| CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
| CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN107328735A (zh) | 基于太赫兹光谱技术的油菜种类鉴别方法 | |
| CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
| CN104255118B (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
| CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
| Van Wyngaard et al. | Infrared spectroscopy and chemometric applications for the qualitative and quantitative investigation of grapevine organs | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN114694023A (zh) | 一种光谱指数数据重构的棉花蚜害严重度分级方法 | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
| CN112716447A (zh) | 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统 | |
| CN111650130A (zh) | 一种荔枝叶片镁含量的预测方法及预测系统 | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
| Wu et al. | Nitrogen status assessment for multiple cultivars of strawberries using portable FT-NIR spectrometers combined with cultivar recognition and multivariate analysis | |
| Liu et al. | Visual discrimination of citrus HLB based on image features | |
| CN114324215A (zh) | 一种柠檬叶片叶绿素含量及其二维分布检测方法 | |
| CN103048275A (zh) | 基于近红外光谱的自适应软仪表装置及其构造方法 | |
| CN113030008A (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
| CN112229817A (zh) | 一种苏打盐碱地重金属定量反演模型建立方法 | |
| CN117269074A (zh) | 一种基于高光谱的杉木叶绿素含量预测方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200821 |