CN112098361A - 一种基于近红外光谱的玉米种子鉴别方法 - Google Patents
一种基于近红外光谱的玉米种子鉴别方法 Download PDFInfo
- Publication number
- CN112098361A CN112098361A CN202010845304.3A CN202010845304A CN112098361A CN 112098361 A CN112098361 A CN 112098361A CN 202010845304 A CN202010845304 A CN 202010845304A CN 112098361 A CN112098361 A CN 112098361A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- sample
- corn seed
- identification
- 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.)
- Withdrawn
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 76
- 240000008042 Zea mays Species 0.000 title claims abstract description 73
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 73
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 73
- 235000005822 corn Nutrition 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000523 sample Substances 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000013074 reference sample Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000003909 pattern recognition Methods 0.000 claims abstract description 4
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 4
- 238000001962 electrophoresis Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 235000015220 hamburgers Nutrition 0.000 description 1
- 238000001823 molecular biology technique Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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近红外光谱的玉米种子鉴别方法，包括：测量各种玉米种子样本的标准近红外光谱，选择有效波长，增大信噪比，对样本近红外光谱的校正和预处理，提取样品种子的近红外光谱的特征，依靠若干个峰组、频率段来进行定性判别，采用偏差权重法、主成分分析法、偏最小二乘法、小波分析以及ANN特征筛选方法中的其中一种方法提取待测近红外光谱特征，采用模式识别来进行鉴别、分析，把待测品种样本的近红外光谱经近红外光谱校正及预处理,送入鉴别模型与参考样品进行比较，将光谱中对类型识别的有用信息提炼出来，并减少大量干扰信息，从而提高玉米种子类型识别的效果，且使得玉米种子鉴别工作更加高效快捷。
Description
技术领域
本发明涉及一种玉米种子鉴别领域，尤其涉及一种基于近红外光谱的玉米种子鉴别方法。
背景技术
中国是全球最大的农业生产国，玉米是我国重要农玉米之一，据国家统计局最新发布信息，2016年我国玉米总产量为21955.15万吨，占全年粮食总产量的35.63%，玉米产量关乎国家粮食生产安全，而玉米种子品种的真实性对于保证产量至关重要，保证玉米种业市场秩序对于保障农民收入、维护粮食安全具有重要意义。近年来，不良商家受经济利益驱使，制售假劣种子，利用产量不高、田间表现欠佳的玉米品种冒充市场上优质畅销品种，侵犯合法企业品种权，坑害农民利益，危害粮食生产安全，这种违法犯罪行为屡禁不止，究其原因是缺乏便捷、高效、准确的种子品种鉴别手段，难以建立种子监管长效机制。因此，玉米种子品种真实性鉴别是目前农业生产、玉米育种和种子检验的重要问题之一。国内外种子品种鉴别的常用方法主要有形态学方法、荧光扫描鉴定法、化学鉴定法和电泳鉴定法。形态学方法鉴别所需时间长，且精度不高。荧光扫描鉴定法、化学鉴定法和电泳鉴定法鉴别精度高，但所需时间较长，且鉴别过程复杂，非专业人员难以完成，不适宜对样品进行批量快速分析与无损在线监测。由于上述方法的不足，亟需发展新的现场、实时、低成本、易操作的种子品种鉴别方法。
种子检验鉴定起源于19世纪中期。1869年世界上第一个种子实验室由F.Nobble创建。1906年在德国汉堡举行了第一次国际种子检验大会。1921年欧洲种子检验协会，该协会1924年更名为国际种子检验协会（ISTA），并在20世纪50年代前发展了小区鉴定和田间检验技术，70年代年发展了电泳法，90年代开始分子生物学技术及计算机模拟形态分析的应用。
近红外光谱分析技术由于其无损、快捷、准确等优点在农业领域获得了广泛应用。目前已经开展了将该技术用于玉米品种鉴别的研究，相关研究大多针对整杯玉米的品种鉴别，整杯检测对于以次充好造假现象可以进行判断，但对于向大量真玉米种子中掺杂一定比例假种子的情况却无能为力，因常规整杯测量近红外鉴别方法无法对每粒种子进行鉴别，难以判断种子纯度，无法解决玉米种子掺假问题。
发明内容
本发明克服了现有技术的不足，提供一种基于近红外光谱的玉米种子鉴别方法。
为达到上述目的，本发明采用的技术方案为：一种基于近红外光谱的玉米种子鉴别方法，包括以下步骤：
S1：建立标准近红外光谱样品集：测量各种玉米种子样本的标准近红外光谱；
S2：对样本近红外光谱的校正和预处理：选择有效波长，增大信噪比，消除干扰；
S3：近红外光谱特征的提取：依靠若干个峰组、频率段来进行定性判别，采用偏差权重法、主成分分析法、偏最小二乘法、小波分析以及ANN特征筛选方法中的其中一种方法提取近红外光谱特征；
S4：鉴别模型的建立：采用模式识别来进行鉴别、分析，
S5：待测样品品种鉴别：把待测品种样本的近红外光谱经近红外光谱校正及预处理,送入鉴别模型与参考样品进行比较。
本发明一个较佳实施例中，同一所述样品需多次重复测量，不同批号的样品也需重复测量，以平均近红外光谱作为所述样品标准近红外光谱，对玉米种子近红外光谱图像转换成样本数据。
本发明一个较佳实施例中，所述模式识别方法采用逐步识别、SIMCA、DPLS、聚类分析、最小二乘回归、欧式距离和神经网络中等几种方法中的其中一种。
本发明一个较佳实施例中，获取待测玉米种子样本近红外光谱时所采用的测量方法，必须同获取参考近红外光谱时所采用的测量方法保持一致。
本发明一个较佳实施例中，将已知玉米种子样品的近红外光谱分成学习集和检验集两部分，划分的依据是学习集和检验集中的类别种类应相同，具有广泛的代表性。
本发明一个较佳实施例中，先对玉米种子样品依先验知识进行赋初值，建立品种鉴别模型,然后用检验集来评价模型的性能。
本发明一个较佳实施例中，减少模型中的参考样本和待测样品近红外光谱之间的变异来源，采样方法、分辩率、扫描间隔以及扫描时间测量参数保持一致。
本发明一个较佳实施例中，选择有效波长后，依次进行移动窗口平均、一阶差分导数、矢量归一化处。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
（1）本发明中通过对标准玉米种子和待测玉米种子的激光诱导击穿光谱进行积分处理，从而将其处理后的光谱作为BP神经网络的输入值，对玉米种子进行识别，能很好地兼顾数据处理效率以及识别结果准确性，特别是将对标准玉米种子和待测玉米种子的近红外光谱进行对比处理，分别得到标准玉米种子和待测玉米种子的近红外光谱，进而能将光谱中对类型识别的有用信息提炼出来，并减少大量干扰信息，从而提高玉米种子类型识别的效果，且使得玉米种子鉴别工作更加高效快捷。
（2）本发明中通过采集玉米种子光谱，研究最优采集方式、质量判定及特征提取方法，提高模型精确性、鲁棒性及通用性，通过实验验证，本发明在大样本量条件下，运用近红外光谱技术对自交系、杂交种、回交种的真实性进行鉴定，采用PCA、PLS、PCA+LDA、PLS+LDA四种方法降维，BPR建模，得出PCA、PLS加上LDA的效果好于不加LDA，其中PCA表现的比较明显，使玉米种子正确识别率都在95%以上，平均正确拒识率在93％以上。
（3）本发明能够实现玉米种子籽粒无损鉴别，鉴别时无需粉碎或破坏籽粒，不影响籽粒活性，本方法能够消除非均匀固体谷物颗粒玉米大小不一、形状各异的影响，非均匀固体籽粒因个体之间存在差异，其样品光谱中既包含近红外光谱定性分析所需提取的品种差异信息，又包含需要消除的个体差异信息，能够识别玉米品种达到最大化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中优选实施例的操作流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，一种基于近红外光谱的玉米种子鉴别方法，包括以下步骤：
S1：建立标准近红外光谱样品集：测量各种玉米种子样本的标准近红外光谱；
S2：对样本近红外光谱的校正和预处理：选择有效波长，增大信噪比，消除干扰；
S3：近红外光谱特征的提取：依靠若干个峰组、频率段来进行定性判别，采用偏差权重法、主成分分析法、偏最小二乘法、小波分析以及ANN特征筛选方法中的其中一种方法提取近红外光谱特征；
S4：鉴别模型的建立：采用模式识别来进行鉴别、分析，
S5：待测样品品种鉴别：把待测品种样本的近红外光谱经近红外光谱校正及预处理,送入鉴别模型与参考样品进行比较。
本发明一个较佳实施例中，同一所述样品需多次重复测量，不同批号的样品也需重复测量，以平均近红外光谱作为所述样品标准近红外光谱，对玉米种子近红外光谱图像转换成样本数据，所述模式识别方法采用逐步识别、SIMCA、DPLS、聚类分析、最小二乘回归、欧式距离和神经网络中等几种方法中的其中一种，获取待测玉米种子样本近红外光谱时所采用的测量方法，必须同获取参考近红外光谱时所采用的测量方法保持一致。
本发明一个较佳实施例中，将已知玉米种子样品的近红外光谱分成学习集和检验集两部分，划分的依据是学习集和检验集中的类别种类应相同，具有广泛的代表性，先对玉米种子样品依先验知识进行赋初值，建立品种鉴别模型,然后用检验集来评价模型的性能，减少模型中的参考样本和待测样品近红外光谱之间的变异来源，采样方法、分辩率、扫描间隔以及扫描时间测量参数保持一致，选择有效波长后，依次进行移动窗口平均、一阶差分导数、矢量归一化处。
本发明一个较佳实施例中，通过对标准玉米种子和待测玉米种子的激光诱导击穿光谱进行积分处理，从而将其处理后的光谱作为BP神经网络的输入值，对玉米种子进行识别，能很好地兼顾数据处理效率以及识别结果准确性，特别是将对标准玉米种子和待测玉米种子的近红外光谱进行对比处理，分别得到标准玉米种子和待测玉米种子的近红外光谱，进而能将光谱中对类型识别的有用信息提炼出来，并减少大量干扰信息，从而提高玉米种子类型识别的效果，且使得玉米种子鉴别工作更加高效快捷。
本发明一个较佳实施例中，通过采集玉米种子光谱，研究最优采集方式、质量判定及特征提取方法，提高模型精确性、鲁棒性及通用性，通过实验验证，本发明在大样本量条件下，运用近红外光谱技术对自交系、杂交种、回交种的真实性进行鉴定，采用PCA、PLS、PCA+LDA、PLS+LDA四种方法降维，BPR建模，得出PCA、PLS加上LDA的效果好于不加LDA，其中PCA表现的比较明显，使玉米种子正确识别率都在95%以上，平均正确拒识率在93％以上。
本发明一个较佳实施例中，能够实现玉米种子籽粒无损鉴别，鉴别时无需粉碎或破坏籽粒，不影响籽粒活性，本方法能够消除非均匀固体谷物颗粒玉米大小不一、形状各异的影响，非均匀固体籽粒因个体之间存在差异，其样品光谱中既包含近红外光谱定性分析所需提取的品种差异信息，又包含需要消除的个体差异信息，能够识别玉米品种达到最大化
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于近红外光谱的玉米种子鉴别方法，其特征在于，包括以下步骤：
S1：建立标准近红外光谱样品集：测量各种玉米种子样本的标准近红外光谱；
S2：对样本近红外光谱的校正和预处理：选择有效波长，增大信噪比，消除干扰；
S3：近红外光谱特征的提取：依靠若干个峰组、频率段来进行定性判别，采用偏差权重法、主成分分析法、偏最小二乘法、小波分析以及ANN特征筛选方法中的其中一种方法提取近红外光谱特征；
S4：鉴别模型的建立：采用模式识别来进行鉴别、分析，
S5：待测样品品种鉴别：把待测品种样本的近红外光谱经近红外光谱校正及预处理,送入鉴别模型与参考样品进行比较。
2.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：同一所述样品需多次重复测量，不同批号的样品也需重复测量，以平均近红外光谱作为所述样品标准近红外光谱，对玉米种子近红外光谱图像转换成样本数据。
3.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：所述模式识别方法采用逐步识别、SIMCA、DPLS、聚类分析、最小二乘回归、欧式距离和神经网络中等几种方法中的其中一种。
4.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：获取待测玉米种子样本近红外光谱时所采用的测量方法，必须同获取参考近红外光谱时所采用的测量方法保持一致。
5.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：将已知玉米种子样品的近红外光谱分成学习集和检验集两部分，划分的依据是学习集和检验集中的类别种类应相同，具有广泛的代表性。
6.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：先对玉米种子样品依先验知识进行赋初值，建立品种鉴别模型,然后用检验集来评价模型的性能。
7.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：减少模型中的参考样本和待测样品近红外光谱之间的变异来源，采样方法、分辩率、扫描间隔以及扫描时间测量参数保持一致。
8.根据权利要求1所述的一种基于近红外光谱的玉米种子鉴别方法，其特征在于：选择有效波长后，依次进行移动窗口平均、一阶差分导数、矢量归一化处。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010845304.3A CN112098361A (zh) | 2020-08-20 | 2020-08-20 | 一种基于近红外光谱的玉米种子鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010845304.3A CN112098361A (zh) | 2020-08-20 | 2020-08-20 | 一种基于近红外光谱的玉米种子鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112098361A true CN112098361A (zh) | 2020-12-18 |
Family
ID=73753316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010845304.3A Withdrawn CN112098361A (zh) | 2020-08-20 | 2020-08-20 | 一种基于近红外光谱的玉米种子鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098361A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN116933043A (zh) * | 2023-09-15 | 2023-10-24 | 天津现代创新中药科技有限公司 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
| CN117132843A (zh) * | 2023-10-26 | 2023-11-28 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
-
2020
- 2020-08-20 CN CN202010845304.3A patent/CN112098361A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114062305A (zh) * | 2021-10-15 | 2022-02-18 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN114062305B (zh) * | 2021-10-15 | 2024-01-26 | 中国科学院合肥物质科学研究院 | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 |
| CN116933043A (zh) * | 2023-09-15 | 2023-10-24 | 天津现代创新中药科技有限公司 | 菊花产地的鉴别方法、模型的构建方法及电子设备 |
| CN117132843A (zh) * | 2023-10-26 | 2023-11-28 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
| CN117132843B (zh) * | 2023-10-26 | 2024-04-09 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
| WO2016150130A1 (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| CN108645829B (zh) | 一种快速识别蜂蜜品种和掺假蜂蜜的方法 | |
| CN114627125A (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
| CN112782151B (zh) | 一种提高激光诱导击穿光谱分类准确性的数据处理方法 | |
| CN103822897A (zh) | 一种基于红外光谱的白酒鉴定及溯源方法 | |
| CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
| CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| 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 | |
| CN110231328B (zh) | 一种基于半峰高距离法的拉曼光谱定量分析方法 | |
| CN109164069B (zh) | 一种果树叶面病害级别的鉴定方法 | |
| CN112906740B (zh) | 一种针对组织质谱成像结果去除批次间差异的方法 | |
| CN110622651A (zh) | 一种甜玉米质量检测方法 | |
| CN115266728A (zh) | 一种冷轧带钢表面夹杂缺陷的识别方法 | |
| CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
| CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
| CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 | |
| CN111398208B (zh) | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 | |
| CN110991469B (zh) | 一种水果可溶性固形物在线检测方法及系统 | |
| CN113011296B (zh) | 快速鉴别小麦品种纯度的方法和系统 | |
| CN115630329A (zh) | 一种基于卷积神经网络的食用香精分类方法 | |
| CN111289451B (zh) | 复杂光谱组分浓度定量计算的方法 | |
| CN112611745A (zh) | 一种水果可溶性固形物间接无损检测方法及系统 | |
| CN111257240B (zh) | 基于近地高光谱数据和集成模型的油菜氮磷钾养分诊断方法 | |
| CN113418892A (zh) | 一种快速无损鉴别黄骅冬枣的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201218 |
|
| WW01 | Invention patent application withdrawn after publication |