CN111735807A - 基于libs对大叶农作物部位以及油份的在线检测方法 - Google Patents
基于libs对大叶农作物部位以及油份的在线检测方法 Download PDFInfo
- Publication number
- CN111735807A CN111735807A CN202010673491.1A CN202010673491A CN111735807A CN 111735807 A CN111735807 A CN 111735807A CN 202010673491 A CN202010673491 A CN 202010673491A CN 111735807 A CN111735807 A CN 111735807A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- leaf
- libs
- parts
- detection method
- 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
- 241000037488 Coccoloba pubescens Species 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000695 excitation spectrum Methods 0.000 claims abstract description 5
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 abstract description 27
- 235000002637 Nicotiana tabacum Nutrition 0.000 abstract description 27
- 238000004451 qualitative analysis Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- 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
- G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Plasma & Fusion (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于LIBS对大叶农作物部位以及油份的在线检测方法，使用激光诱导击穿光谱仪分别采集不同部位和不同油分的烟叶激发光谱；采用多元散射校正方法对光谱进行预处理，预处理后的光谱使用遗传算法提取特征光谱，再使用主成分分析法对数据进行降维处理；降维处理后的信息代入随机森林算法建立分类模型；将在线采集的烟叶光谱信息输入到分类模型实现对烟叶的部位和油分的在线检测。本发明具有快速定性和定量分析、无需样品繁琐预处理以及检测范围宽等优点；在烟叶部位分析方面，与传统方法对比有较高的准确率；而在油份检测的应用中只选取特征光谱便能去节约资源，从而提升检测的效率和检测精度。
Description
技术领域
本发明涉及一种在线检测方法，尤其是一种基于LIBS对大叶农作物部位以及油份的在线检测方法。
背景技术
在目前的大叶农作物收购阶段，主要依靠人工收购，人工收购存在诸多的问题：1、收购标准不客观；2、收购的烟叶质量难以监控；3、需要大量的人力，劳动强度高；4、随着近年用工成本不断增加，专业的收购人员成本在不断上升。
造成以上问题的原因在于：1、人工收购存在主观性标准难以统一，质量难以把控，劳动强度高等；2、当前使用机器视觉法检测大叶农作物指标，针对大叶农作物部位指标，由于不同部位大叶农作物的色泽和形状相近，无法使用图像算法精确识别大叶农作物的部位；针对油分指标，由于不同油分无法体现为图像色泽特征，所以无法使用视觉法检测大叶农作物的油分。
发明内容
本发明要解决的技术问题是：提供一种基于LIBS对大叶农作物部位以及油份的在线检测方法，具有快速定性和定量分析、无需样品繁琐预处理以及检测范围宽等优点。
本发明解决其技术问题所采用的技术方案是：一种基于LIBS对大叶农作物部位以及油份的在线检测方法，包括以下步骤，
1)使用激光诱导击穿光谱仪分别采集大叶农作物不同部位和不同油分的激发光谱；
2)采用多元散射校正方法对采集到的光谱进行预处理；
3)对预处理后的光谱使用遗传算法提取特征光谱；
4)使用主成分分析法对数据进行降维处理；
5)降维处理后的信息代入随机森林算法建立分类模型；
6)将在线采集的待检测的大叶农作物的光谱信息输入到分类模型实现对大叶农作物的部位和油分的在线检测。
进一步的说，本发明所述的步骤1)中，大叶农作物首先用粉碎机粉碎后得到粉末，然后采用压饼机挤压成饼状后再经过激光诱导击穿光谱仪得到光谱信息。
再进一步的说，本发明所述的步骤1)中，在同样的试验条件下，获取多次光谱信息，光谱数据取平均值。
再进一步的说，本发明所述的步骤2)中，预处理过程包括删除光谱两端波动不稳定的信息。
再进一步的说，本发明所述的步骤2)中，将平均光谱作为标准光谱S，用S和待处理光谱Si进行一元线性回归，求得系数；使用系数进行反运算实现对每个样本的多元散射校正，校正后的光谱用于后续的提取特征光谱。
再进一步的说，本发明所述的步骤5)中，建立分类模型包括建立部位模型和建立油份模型，建立部位模型训练时，将前N个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型，N大于等于10；建立油份模型训练时，将前M个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型，M大于等于15。
本发明的有益效果是：
(1)样品准备简单，不需要复杂的预处理，研究对象再污染的几率很小；
(2)对样品的破坏性小，对试验对象所在的整个系统无干扰；
(3)可在恶劣条件下进行；
(4)可以同时对多种元素进行分析；所需样品量少(0.1.μg-1mg)；
(5)可以进行在线测量；
(6)检测过程简单快速，物质蒸发和激化可一次性完成，实现真正的快速分析。
附图说明
图1是本发明实施例烟叶激发光谱图；
图2是烟叶部位特征光谱前10个主成分得分及累计得分；图中的柱状表示主成分得分，线状表示累计得分；
图3是烟叶油分特征光谱前15个主成分得分及累计得分；图中的柱状表示主成分得分，线状表示累计得分；
图4是随机森林模型烟叶部位分级结果；图中1-8代表类别B1-B8；
图5是随机森林模型烟叶油分分级结果；图中1-8代表类别C1-C8。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-5所示，一种基于LIBS(激光诱导击穿光谱仪)对大叶农作物部位以及油份的在线检测方法，本实施例中的大叶农作物特指为烟叶；使用激光诱导击穿光谱仪分别采集烟叶不同部位和不同油分的激发光谱；采用多元散射校正方法对光谱进行预处理，预处理后的光谱使用遗传算法提取特征光谱，再使用主成分分析法对数据进行降维处理；降维处理后的信息代入随机森林算法建立分类模型；将在线采集的烟叶光谱信息输入到分类模型实现对烟叶的部位和油分的在线检测。
具体步骤如下：
1、样本制备
将烟叶部位自下到上分为8个类别，分别为B1、B2、B3、B4、B5、B6、B7、B8，每类取50片烟叶；此外将烟叶根据烟叶油分含量由低到高分为8个类别，分为C1、C2、C3、C4、C5、C6、C7、C8，每类取50片烟叶。首先每片烟叶用粉碎机粉碎再在200μm过筛得到粉末，然后用压饼机在15MPa的压强下持续2min得到半径为10mm，厚度为2mm的烟饼，用烟饼测量激光诱导击穿光谱。
2、光谱采集
激光诱导击穿光谱仪的激光器为主动调Q的Nd:YAG(QUANTEL,France)固体激光器，波长为1064nm，频率为1Hz，脉宽为7ns，激光出射能量为50mJ；光谱仪为3通道光纤光谱仪，光谱分辨率为0.1nm，实验过程中积分时间2-5ms。每个烟饼在同样的试验条件下获取光谱信息，激发三次，光谱数据取三次的平均值。
3、光谱预处理
(1)删除两端光谱：由于光谱两端的信息波动大，包含的无用信息会掩盖样本光谱信息，所以删除两端信息，保留150nm-750nm的有效光谱信息用于后续处理；
(2)光谱预处理：采用多元散射校正方法对光谱进行预处理，消除由于散射水平不同带来的光谱基线平移和漂移现象，从而增强光谱与数据之间的相关性。先计算样本的平均光谱作为标准光谱S,用S和待处理光谱Si进行一元线性回归，求得系数，使用系数进行反运算实现对每个样本的多元散射校正，校正后的光谱用于后续的提取特征光谱；
(3)运用遗传算法对不同部位和不同油分类似的烟叶进行特征波长挑选，筛选的特征光谱再使用主成分分析(PCA，Principal component analysis)对特征光谱进行降维处理，选取累计得分达到99％的主成分信息用于建模。
4、建模
(1)建立部位模型
以随机分组的方式按照2：1的比例将样本数据分为训练集和预测集。训练样本时，以前10个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型。训练集分级精度为83.59％，测试集分级精度为：80.75％，具体见图5。
(2)建立油分模型
以随机分组的方式按照2：1的比例将样本数据分为训练集和预测集。训练样本时，以前15个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型。训练集分级精度为93.59％，测试集分级精度为：89.50％，具体见图6。
5、在线检测
在线采集烟叶的激光诱导击穿光谱，采用步骤3的预处理方法处理光谱，然后将处理后的信息输入到步骤4的模型中，实现烟叶的部位和油分在线分级。
本发明具有快速定性和定量分析、无需样品繁琐预处理以及检测范围宽等优点。在烟叶部位分析方面，与传统方法对比有较高的准确率。而在油份检测的应用中只选取特征光谱便能去节约资源，从而提升检测的效率和检测精度。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。
Claims (7)
1.一种基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：包括以下步骤，
1)使用激光诱导击穿光谱仪分别采集大叶农作物不同部位和不同油分的激发光谱；
2)采用多元散射校正方法对采集到的光谱进行预处理；
3)对预处理后的光谱使用遗传算法提取特征光谱；
4)使用主成分分析法对数据进行降维处理；
5)降维处理后的信息代入随机森林算法建立分类模型；
6)将在线采集的待检测的大叶农作物的光谱信息输入到分类模型实现对大叶农作物的部位和油分的在线检测。
2.如权利要求1所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤1)中，大叶农作物首先用粉碎机粉碎后得到粉末，然后采用压饼机挤压成饼状后再经过激光诱导击穿光谱仪得到光谱信息。
3.如权利要求2所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤1)中，在同样的试验条件下，获取多次光谱信息，光谱数据取平均值。
4.如权利要求1所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤2)中，预处理过程包括删除光谱两端波动不稳定的信息。
5.如权利要求4所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤2)中，将平均光谱作为标准光谱
用
和待处理光谱Si进行一元线性回归，求得系数；使用系数进行反运算实现对每个样本的多元散射校正，校正后的光谱用于后续的提取特征光谱。
6.如权利要求1所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤5)中，建立分类模型包括建立部位模型，训练时，将前N个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型，N大于等于10。
7.如权利要求1所述的基于LIBS对大叶农作物部位以及油份的在线检测方法，其特征在于：所述的步骤5)中，建立分类模型包括建立油份模型，训练时，将前M个主成分信息作为自变量，以部位类别作为因变量，代入随机森林模型建立模型，M大于等于15。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010673491.1A CN111735807A (zh) | 2020-07-14 | 2020-07-14 | 基于libs对大叶农作物部位以及油份的在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010673491.1A CN111735807A (zh) | 2020-07-14 | 2020-07-14 | 基于libs对大叶农作物部位以及油份的在线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111735807A true CN111735807A (zh) | 2020-10-02 |
Family
ID=72655270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010673491.1A Pending CN111735807A (zh) | 2020-07-14 | 2020-07-14 | 基于libs对大叶农作物部位以及油份的在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111735807A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
| CN113588597A (zh) * | 2021-06-25 | 2021-11-02 | 河钢股份有限公司 | 一种提升炉渣分析精度的方法 |
| CN114486772A (zh) * | 2021-12-29 | 2022-05-13 | 中国烟草总公司郑州烟草研究院 | 卷烟产品的重金属检测设备及检测方法 |
| CN114504116A (zh) * | 2021-12-29 | 2022-05-17 | 中国烟草总公司郑州烟草研究院 | 基于激光诱导击穿光谱的烟叶分类设备及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674884A (zh) * | 2012-09-17 | 2014-03-26 | 福建中烟工业有限责任公司 | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 |
| CN104697964A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱定量分析钢铁中硫磷的方法 |
| CN105758843A (zh) * | 2016-04-19 | 2016-07-13 | 长江大学 | 一种基于激光诱导击穿光谱的油料作物种子含油量检测方法 |
| CN108181263A (zh) * | 2017-12-29 | 2018-06-19 | 浙江中烟工业有限责任公司 | 基于近红外光谱的烟叶部位特征提取及判别方法 |
| CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
| KR102127597B1 (ko) * | 2019-03-22 | 2020-06-29 | 스페클립스 주식회사 | 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치 |
-
2020
- 2020-07-14 CN CN202010673491.1A patent/CN111735807A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674884A (zh) * | 2012-09-17 | 2014-03-26 | 福建中烟工业有限责任公司 | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 |
| CN104697964A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱定量分析钢铁中硫磷的方法 |
| CN105758843A (zh) * | 2016-04-19 | 2016-07-13 | 长江大学 | 一种基于激光诱导击穿光谱的油料作物种子含油量检测方法 |
| CN108181263A (zh) * | 2017-12-29 | 2018-06-19 | 浙江中烟工业有限责任公司 | 基于近红外光谱的烟叶部位特征提取及判别方法 |
| CN109883967A (zh) * | 2019-02-26 | 2019-06-14 | 江苏大学 | 一种基于信息融合的中华绒螯蟹品质等级判别方法 |
| KR102127597B1 (ko) * | 2019-03-22 | 2020-06-29 | 스페클립스 주식회사 | 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치 |
Non-Patent Citations (8)
| Title |
|---|
| 余克强等: "应用激光诱导击穿光谱对土壤中多元素同时定量分析" * |
| 刘木华: "《农产品质量安全光学无损检测技术及应用》", 30 June 2011, 华中科技大学出版社 * |
| 刘金桐: "多光谱峰值分离技术在LIBS中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 吴习宇: "花椒产地、新陈度及掺伪的近红外光谱鉴别方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 周汉平等: "烟叶结构和油分的近红外光谱预测", 《烟草科技》 * |
| 徐冰等: "中药工业大数据关键技术与应用", 《中国中药杂志》 * |
| 杨平等: "LIBS检测污染马铃薯中的Pb及偏最小二乘定量分析模型" * |
| 杨晖等: "光谱滤波法提高激光诱导击穿光谱对蔬菜中元素Pb的检测精度" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112611745A (zh) * | 2020-12-11 | 2021-04-06 | 华中科技大学 | 一种水果可溶性固形物间接无损检测方法及系统 |
| CN113588597A (zh) * | 2021-06-25 | 2021-11-02 | 河钢股份有限公司 | 一种提升炉渣分析精度的方法 |
| CN114486772A (zh) * | 2021-12-29 | 2022-05-13 | 中国烟草总公司郑州烟草研究院 | 卷烟产品的重金属检测设备及检测方法 |
| CN114504116A (zh) * | 2021-12-29 | 2022-05-17 | 中国烟草总公司郑州烟草研究院 | 基于激光诱导击穿光谱的烟叶分类设备及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111735807A (zh) | 基于libs对大叶农作物部位以及油份的在线检测方法 | |
| Gomes et al. | Comparison of different approaches for the prediction of sugar content in new vintages of whole Port wine grape berries using hyperspectral imaging | |
| Ali et al. | Non-destructive techniques of detecting plant diseases: A review | |
| US11946806B2 (en) | On-line oil and foreign matter detection system and method employing hyperspectral imaging | |
| Wang et al. | Near-infrared spectroscopy and imaging in food quality and safety | |
| Gabriëls et al. | Non-destructive measurement of internal browning in mangoes using visible and near-infrared spectroscopy supported by artificial neural network analysis | |
| Pierna et al. | NIR hyperspectral imaging spectroscopy and chemometrics for the detection of undesirable substances in food and feed | |
| Li et al. | Detection of common defects on oranges using hyperspectral reflectance imaging | |
| US9910024B2 (en) | Method, sensor unit and machine for detecting “sugar top” defects in potatoes | |
| CN109975238B (zh) | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 | |
| Cozzolino | Near infrared spectroscopy and food authenticity | |
| CN110542658A (zh) | 一种基于高光谱成像技术的烟草非烟物质分类方法 | |
| DE112011100038T5 (de) | Verfahren zur Entwicklung von Erkennungsalgorithmen für die laserinduzierte PlasmaEmissionsspektroskopie | |
| Guzmán et al. | Infrared machine vision system for the automatic detection of olive fruit quality | |
| Marcelo et al. | Fast inline tobacco classification by near-infrared hyperspectral imaging and support vector machine-discriminant analysis | |
| Xing et al. | Bruise detection on Jonagold apples by visible and near-infrared spectroscopy | |
| EP3290908A1 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
| Tugnolo et al. | A diagnostic visible/near infrared tool for a fully automated olive ripeness evaluation in a view of a simplified optical system | |
| Martínez Gila et al. | The advantage of multispectral images in fruit quality control for extra virgin olive oil production | |
| Davies et al. | Study of the use of molecular spectroscopy for the authentication of extra virgin olive oils. Part I: Fourier transform Raman spectroscopy | |
| Lorenc et al. | An attempt to classify the botanical origin of honey using visible spectroscopy | |
| WO2023148692A1 (de) | Verfahren und vorrichtung zur bestimmung, ob eine ölfrucht, eine nuss, insbesondere eine haselnuss oder ein samen faulig ist | |
| CN114324195A (zh) | 一种多通道农产品无损检测方法 | |
| Xu et al. | Detection of Cucumber Powdery Mildew Based on Spectral and Image Information | |
| Ravindran et al. | A review on non-destructive techniques for evaluating quality of fruits |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |