CN112198122B - 一种山核桃内部黑斑的快速无损检测方法 - Google Patents
一种山核桃内部黑斑的快速无损检测方法 Download PDFInfo
- Publication number
- CN112198122B CN112198122B CN202011048550.2A CN202011048550A CN112198122B CN 112198122 B CN112198122 B CN 112198122B CN 202011048550 A CN202011048550 A CN 202011048550A CN 112198122 B CN112198122 B CN 112198122B
- Authority
- CN
- China
- Prior art keywords
- sample
- hickory
- near infrared
- spectrum
- light source
- 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.)
- Active
Links
- 241000723418 Carya Species 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 129
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 235000009025 Carya illinoensis Nutrition 0.000 claims abstract description 63
- 241001453450 Carya illinoinensis Species 0.000 claims abstract description 63
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000000523 sample Substances 0.000 claims description 185
- 241000899834 Obovaria olivaria Species 0.000 claims description 79
- 235000013399 edible fruits Nutrition 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 12
- 238000000985 reflectance spectrum Methods 0.000 claims description 9
- 238000000411 transmission spectrum Methods 0.000 claims description 9
- 239000010903 husk Substances 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007873 sieving Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 3
- 238000012372 quality testing Methods 0.000 abstract 1
- 235000014571 nuts Nutrition 0.000 description 49
- 239000000126 substance Substances 0.000 description 2
- 206010017533 Fungal infection Diseases 0.000 description 1
- 240000007049 Juglans regia Species 0.000 description 1
- 235000009496 Juglans regia Nutrition 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 235000020234 walnut Nutrition 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种山核桃内部黑斑的快速无损检测方法,基于山核桃品质检测的需求,解决透过山核桃果壳对山核桃内部果仁进行无损检测的难度大的问题。本检测方法根据山核桃果壳、果仁对近红外光谱的不同特性进行光谱波长筛选,合理选择特征波长点,使近红外光谱检测能正常反应果仁特征,采用两种功率的近红外光源照射山核桃样本,获取山核桃样本的第一及第二漫反射光谱;将山核桃样本的第二漫反射光谱与第一漫反射光谱按一定方式扣减,以减少山核桃果壳光谱信息的影响,凸显山核桃黑斑的光谱信息,以提高山核桃黑斑的检测准确率。本方法实现了近红外光谱对山核桃内部黑斑的快速无损检测,可以有效筛选有内部黑斑的山核桃,提升产品品质。
Description
技术领域
本发明属于农产品品质检测领域,涉及一种山核桃内部黑斑的快速无损检测方法。
背景技术
山核桃,又名小核桃,其果实具有极高的营养价值和独特的口感风味,是一种深受人们喜爱的高档坚果。山核桃黑斑是由于受真菌感染引起的,会导致山核桃果仁味道苦涩,极大降低山核桃的品质。对于加工后的完整山核桃,其内部黑斑(果仁黑斑)肉眼不可见,需要剥壳才能发现。而剥壳属于破坏性方法,不适合于全部山核桃的检测,只适合于个别抽检;但由于黑斑山核桃仅占正常山核桃的一小部分,个别抽检对于山核桃内部黑斑检测的检出率代表性差,抽检意义不大。因此,快速无损检测山核桃内部黑斑,并从正常的山核桃中分离,能有助于提高山核桃的整体品质,使之匹配高档坚果的身份,具有重要的经济效益。
近红外光谱技术是一种快速、无损、绿色的现代分析技术,根据物质的透射或漫反射光谱可以对物质成分进行定性或定量检测。而山核桃的果壳完整而坚硬,采用常规的近红外检测方法受山核桃果壳的影响,光谱信息所受干扰大,透过果壳对果仁进行无损检测的难度大。
发明内容
本发明基于山核桃品质检测的需求,针对透过山核桃果壳对山核桃内部果仁进行无损检测的难度大的问题,提供一种山核桃内部黑斑的快速无损检测方法,根据光谱信息筛选适用的特征波长,选取对果壳穿透性好、果仁特征差异大的波长,对近红外光源功率进行标定,而后采用近红外漫反射光谱技术检测山核桃内部黑斑,采用不同功率的近红外光源照射山核桃,进行果壳噪声的消除,从而有效获取果仁的光谱信息,提高山核桃内部黑斑检测的准确率;并通过多点检测,对山核桃黑斑的严重程度及部位进行判别。
本发明解决其技术问题所采用的技术方案是:一种山核桃内部黑斑的快速无损检测方法,该方法的步骤如下:
步骤1:确定山核桃黑斑的主要特征波长;
步骤1.1,获取若干山核桃样本,剥壳后,将果仁按照有黑斑和正常进行分类,并将果壳归拢;
步骤1.2,对于有黑斑的山核桃果仁,将果仁的黑斑部分进行粉碎,并过60目筛,取过筛后的果仁压成块状,记为样本A1;按同样方法继续获取k-1个黑斑山核桃块状样本,记为A2,A3,A4,…,Ak,厚度与样本A1相同;
步骤1.3,归拢的果壳中随机选取品相完整的半圆型果壳样本k个,记为B1,B2,B3,…,Bk;
步骤1.4,对于正常的山核桃果仁,粉碎并过60目筛,取过筛后的正常山核桃果仁k份压成块状,获得k个正常的山核桃果仁块状样本,记为C1,C2,C3,…,Ck,样本C1,C2,C3,…,Ck的厚度与样本A1,A2,A3,…,Ak相同;
步骤1.5,采用近红外光源照射样本A1,A2,A3,…,Ak,调整光源强度令光源不穿透样本的整个厚度,然后采用近红外光谱仪获取其漫反射光谱,记为
步骤1.6,对于样本光谱取其平均光谱,即
步骤1.7,对于B1,B2,B3,…,Bk,调整光源强度令光源穿透果壳,然后采用近红外光谱仪获取其透射光谱记为并计算平均透射光谱记为RB;
步骤1.8,对样本C1,C2,C3,…,Ck,按照步骤1.5获取其漫反射光谱并按照步骤1.6计算其平均光谱,记为RC;
步骤1.9,对于光谱RB,计算各波长的平均光谱强度Iave,筛选光谱强度大于f*Iave的波长集合记为λB,f为调节系数,取值范围1~1.3;将RC与RA相减得RC-A,在波长集合λB范围内,取RC-A三个最大的波峰处的波长分别记为λ1,λ2和λ3,将λ1,λ2和λ3作为山核桃黑斑的主要特征波长;
步骤2:确定合适的近红外光源入射功率;
步骤2.1,根据国家标准GB/T 24307-2009,将山核桃样本按直径大小分成四类,特大型:坚果直径≥2.15cm、大型:2.15cm>坚果直径≥1.95cm、中型:1.95cm>坚果直径>1.75cm及小型:坚果直径≤1.75cm;收集同一品种的上述四类山核桃样本各n个,分别记为ST1,ST2,ST3,…,STn,SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn;
步骤2.2,对于特大型山核桃样本ST1,剥开果壳,获取其近似半球形果壳;采用功率可调的近红外光源照射果壳外表面,光纤探头在对应的果壳内表面接收光信号,光纤探头连接近红外光谱仪;近红外光源关闭时,近红外光谱仪的光谱信号、即暗电流信号的强度记为Id,则山核桃黑斑特征波长λ1、λ2及λ3处的强度记为和/>打开近红外光源,则近红外光谱仪的光谱信号强度记为/>特征波长λ1、λ2及λ3处的强度记为/>和调节近红外光源功率,使得/>且/>及中有一个强度刚好为对应的/>和/>的2倍,此时认为近红外光源功率刚好能穿透山核桃样本ST1的果壳,该近红外光源功率记为穿透功率GT1;
步骤2.3,对于特大型山核桃样本ST2,ST3,ST4,…,STn,按照步骤2.2获得ST2,ST3,ST4,…,STn对应的穿透功率,分别记为GT2,GT3,GT4,…,GTn;
步骤2.4,由于果壳样本的差异,GT1,GT2,GT3,…,GTn的大小也不同;按照从小到大对GT1,GT2,GT3,…,GTn进行排序,在序列中取最接近第5百分位数和第95百分位数,分别记为GRT1和GRT2;
步骤2.5,由近红外光源入射,所采集的果仁漫反射光谱需要往返两次穿透果壳,令2GRT1作为特大型山核桃样本的近红外光源第一入射功率,2.6GRT2作为特大型山核桃样本的近红外光源第二入射功率;对于绝大多数特大型山核桃样本而言,采用入射功率为GRT1的近红外光源照射样本时,近红外光基本不会到达山核桃果仁;而采用入射功率为2GRT1的近红外光源照射样本时,近红外光虽然会照射到山核桃果仁,但由于需要反射并穿透果壳,携带山核桃果仁特征信息的光谱信号难以到达果壳表面而被近红外光谱仪获取,因此获取的漫反射光谱主要包含果壳的光谱信息;而采用入射功率为2.6GRT2的近红外光源照射样本时,近红外光能穿透果仁一定深度,且携带山核桃果仁特征信息的光谱信号可以到达果壳表面而被近红外光谱仪获取,从而获取果仁的光谱信息;
步骤2.6,对于山核桃样本SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn,按照步骤2.2和2.3,获得对应的近红外光源功率,分别记为GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn;
步骤2.7,对GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn,按照步骤2.4获得在序列中取最接近第5百分位数和第95百分位数,分别记为GRD1、GRD2,GRZ1、GRZ2及GRX1、GRX2;
步骤2.8,2GRD1和2.6GRD2分别作为大型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRZ1和2.6GRZ2分别作为中型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRX1和2.6GRX2分别作为小型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;
步骤3:山核桃内部黑斑检测模型的建立;
步骤3.1,收集步骤2.1中同一品种的山核桃样本m个,记为S1,S2,S3,…,Sm;
步骤3.2,对于山核桃样本S1,测定其直径,记为d1,匹配果型;以d1≥2.15cm为例,属于特大型山核桃,需采用功率为2GRT1和2.6GRT2作为山核桃样本的近红外光源第一及第二入射功率;由于山核桃内部黑斑可能仅在果仁的某一方位,为提高检测准确率,采用多点检测的方式,每个山核桃选取4个检测点,四个检测点在山核桃表面均匀选取;
步骤3.3,首先,采用功率为2GRT1的近红外光源照射山核桃第一检测点,并利用近红外光谱仪采集样本S1的第一次漫反射光谱,记为然后,调节近红外光源功率为2.6GRT2,并照射山核桃第一检测点同一部位,利用近红外光谱仪采集样本S1的第二次漫反射光谱,记为/>为降低样本光谱中果壳光谱信息的噪声影响,且校正光源功率不同对样本光谱的影响,按如下方式进行处理,即/>获得样本S1的第1个检测点校正光谱记为/>
步骤3.4,对于样本S1的其余3个检测点,按照步骤3.3,分别采集第一次、第二次漫反射光谱并校正,获得样本S1的其余3个检测点校正光谱分别记为及/>
步骤3.5,对于样本S1,对其4个检测点的校正光谱取平均值作为样本S1的最终输出光谱,记为即/>
步骤3.6,对于样本S2,S3,S4,…,Sm,分别测定样本的直径,记为d2,d3,d4,…,dm,并确定果型;根据果型分级,根据步骤2.5、步骤2.8选取近红外光源第一及第二入射功率,参照步骤3.2至3.5,获取样本S2,S3,S4,…,Sm的最终输出光谱分别记为
步骤3.7,对于样本S1,S2,S3,…,Sm,剥开果壳,人工检测是否有黑斑;若为正常山核桃样本,则赋予类别值0;若山核桃样本有黑斑,则分离黑斑部分,计算黑斑部分的质量占总果仁质量的比例,比例≤5%,认定为轻度黑斑,则样本赋予类别值1;若15%>黑斑比例>5%,认定为中度黑斑,则样本赋予类别值2;若黑斑比例≥15%,认定为重度黑斑,则样本赋予类别值3;
步骤3.8,对于样本最终输出光谱去除波长λ1、λ2及λ3的光谱信息,再采用竞争自适应重加权采样算法进一步筛选山核桃黑斑的特征波长,最终获得q-3个特征波长,记为λ4,λ5,λ6,…,λq;加上特征波长λ1、λ2及λ3,共获得q个特征波长;
步骤3.9,将样本S1,S2,S3,…,Sm的q个特征波长的光谱值作为自变量,相应的类别值作为应变量,采用偏最小二乘-判别分析方法建立该品种山核桃的内部黑斑检测模型;检测模型公式如下:其中y为预测的类别值,为k个特征波长对应的漫反射光谱值,a1,a2,a3,…,aq为检测模型的系数,b为检测模型的截距;
步骤4:山核桃内部黑斑快速无损检测;
步骤4.1,获取同一品种的山核桃样本Sp,测定样本Sp的直径,记为dp,并确定果型分级;根据果型分级,参照步骤2.5、步骤2.8选取近红外光源第一及第二入射功率;
步骤4.2,对于样本Sp,按照步骤3.3采集样本第一检测点的的第一次和第二次漫反射光谱,分别记为和/>然后,按照步骤3.3方法降低样本光谱果壳信息及校正光源功率的影响,处理后,Sp第一检测点校正光谱分别记为/>
步骤4.3,对于样本Sp,按照步骤3.3采集样本另外3个检测点的第一次和第二次漫反射光谱,分别记为和/>处理后,获取Sp其余3个检测点校正光谱分别记为/>和/>
步骤4.4,对于样本Sp,按照步骤3.5对样本4个检测点的光谱取平均值,样本的最终输出光谱记为
步骤4.5,将样本Sp的最终输出光谱获取特征波长λ1,λ2,λ3,…,λq的光谱值,并输入到山核桃黑斑检测模型中,即可计算样本Sp的类别预测值;若类别预测值<0.5,则判定为正常山核桃,0.5≥类别预测值≥1.5,则判定为轻度黑斑山核桃,1.5>类别预测值≥2.5,则判定为中度黑斑山核桃,类别预测值>2.5,则判定为重度黑斑山核桃;步骤4.6,若样本Sp检测出黑斑,则把样本Sp的4个检测点校正光谱/>及/>的q个特征波长的光谱值分别输入山核桃黑斑检测模型中,即可获得样本4个检测点的类别预测值,参照步骤4.5的判定方法,可进一步判断山核桃黑斑的部位。
作为优选,山核桃具有天然分割面,将山核桃分成左半球和右半球,步骤3.2中,4个检测点在左半球和右半球分别选取两个,并对称选点,对于左半球,检测点分别选取在上半球和下半球中部,两个检测点间隔90度,且上下对称选点。
本方法步骤1先根据山核桃近红外光谱检测的特点选定特征波长,近红外光源被近红外光谱仪采集到的光谱信息,需要先穿透果壳照射果仁、果仁反射光谱需要再次穿透果壳被近红外光谱仪采集,这样的光谱信号才能提供有效的、可用于检测分析的光谱信息。因此所选特征波长处的光谱强度必须满足以下特征:对果壳穿透性好,对正常山核桃果仁和带黑斑山核桃果仁的光谱信息存在明显差异,据此初选三个带黑斑山核桃果仁的特征波长。而后对近红外光源的强度进行标定,获取三个特征波长处的满足穿透山核桃果壳需求的近红外光源功率,以此为依据来选择检测用的两个近红外光源的功率。最后将两个不同近红外光源功率下采集的光谱进行校正,消除噪声,突出正常山核桃果仁和带黑斑山核桃果仁的光谱差异化信息,进行建模检测。
本发明根据山核桃果壳噪声干扰大的特殊性,基于山核桃果壳、果仁对近红外光谱的不同特性进行光谱波长筛选,合理选择特征波长点,使近红外光谱检测能正常反应果仁特征,进一步利用近红外光源入射功率的差异化检测,尽量消除果壳噪声,突出果仁差异化光谱信息,实现了近红外光谱对山核桃内部黑斑的快速无损检测,可以有效筛选有内部黑斑的山核桃,提升产品品质。
具体实施方式
下面通过具体实施例对本发明进一步说明。
实施例:一种山核桃内部黑斑的快速无损检测方法,该方法的步骤如下:
步骤1:确定山核桃黑斑的主要特征波长;
步骤1.1,获取若干山核桃样本,剥壳后,将果仁按照有黑斑和正常进行分类,并将果壳归拢;
步骤1.2,对于有黑斑的山核桃果仁,将果仁的黑斑部分进行粉碎,并过60目筛,取过筛后的果仁压成块状,记为样本A1;按同样方法继续获取k-1个黑斑山核桃块状样本,记为A2,A3,A4,…,Ak,厚度与样本A1相同;
步骤1.3,归拢的果壳中随机选取品相完整的半圆型果壳样本k个,记为B1,B2,B3,…,Bk;
步骤1.4,对于正常的山核桃果仁,粉碎并过60目筛,取过筛后的正常山核桃果仁k份压成块状,获得k个正常的山核桃果仁块状样本,记为C1,C2,C3,…,Ck,样本C1,C2,C3,…,Ck的厚度与样本A1,A2,A3,…,Ak相同;
步骤1.5,采用近红外光源照射样本A1,A2,A3,…,Ak,调整光源强度令光源不穿透样本的整个厚度,然后采用近红外光谱仪获取其漫反射光谱,记为
步骤1.6,对于样本光谱取其平均光谱,即
步骤1.7,对于B1,B2,B3,…,Bk,调整光源强度令光源穿透果壳,然后采用近红外光谱仪获取其透射光谱记为并计算平均透射光谱记为RB;
步骤1.8,对样本C1,C2,C3,…,Ck,按照步骤1.5获取其漫反射光谱并按照步骤1.6计算其平均光谱,记为RC;
步骤1.9,对于光谱RB,计算各波长的平均光谱强度Iave,筛选光谱强度大于f*Iave的波长集合记为λB,f为调节系数,取值范围1~1.3;将RC与RA相减得RC-A,在波长集合λB范围内,取RC-A三个最大的波峰处的波长分别记为λ1,λ2和λ3,将λ1,λ2和λ3作为山核桃黑斑的主要特征波长;
步骤2:确定合适的近红外光源入射功率;
步骤2.1,根据国家标准GB/T 24307-2009,将山核桃样本按直径大小分成四类,特大型:坚果直径≥2.15cm、大型:2.15cm>坚果直径≥1.95cm、中型:1.95cm>坚果直径>1.75cm及小型:坚果直径≤1.75cm;收集同一品种的上述四类山核桃样本各n个,分别记为ST1,ST2,ST3,…,STn,SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn;
步骤2.2,对于特大型山核桃样本ST1,剥开果壳,获取其近似半球形果壳;采用功率可调的近红外光源照射果壳外表面,光纤探头在对应的果壳内表面接收光信号,光纤探头连接近红外光谱仪;近红外光源关闭时,近红外光谱仪的光谱信号、即暗电流信号的强度记为Id,则山核桃黑斑特征波长λ1、λ2及λ3处的强度记为和/>打开近红外光源,则近红外光谱仪的光谱信号强度记为/>特征波长λ1、λ2及λ3处的强度记为/>和调节近红外光源功率,使得/>且/>及中有一个强度刚好为对应的/>和/>的2倍,此时认为近红外光源功率刚好能穿透山核桃样本ST1的果壳,该近红外光源功率记为穿透功率GT1;
步骤2.3,对于特大型山核桃样本ST2,ST3,ST4,…,STn,按照步骤2.2获得ST2,ST3,ST4,…,STn对应的穿透功率,分别记为GT2,GT3,GT4,…,GTn;
步骤2.4,由于果壳样本的差异,GT1,GT2,GT3,…,GTn的大小也不同;按照从小到大对GT1,GT2,GT3,…,GTn进行排序,在序列中取最接近第5百分位数和第95百分位数,分别记为GRT1和GRT2;
步骤2.5,由近红外光源入射,所采集的果仁漫反射光谱需要往返两次穿透果壳,令2GRT1作为特大型山核桃样本的近红外光源第一入射功率,2.6GRT2作为特大型山核桃样本的近红外光源第二入射功率;对于绝大多数特大型山核桃样本而言,采用入射功率为GRT1的近红外光源照射样本时,近红外光基本不会到达山核桃果仁;而采用入射功率为2GRT1的近红外光源照射样本时,近红外光虽然会照射到山核桃果仁,但由于需要反射并穿透果壳,携带山核桃果仁特征信息的光谱信号难以到达果壳表面而被近红外光谱仪获取,因此获取的漫反射光谱主要包含果壳的光谱信息;而采用入射功率为2.6GRT2的近红外光源照射样本时,近红外光能穿透果仁一定深度,且携带山核桃果仁特征信息的光谱信号可以到达果壳表面而被近红外光谱仪获取,从而获取果仁的光谱信息;
步骤2.6,对于山核桃样本SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn,按照步骤2.2和2.3,获得对应的近红外光源功率,分别记为GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn;
步骤2.7,对GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn,按照步骤2.4获得在序列中取最接近第5百分位数和第95百分位数,分别记为GRD1、GRD2,GRZ1、GRZ2及GRX1、GRX2;
步骤2.8,2GRD1和2.6GRD2分别作为大型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRZ1和2.6GRZ2分别作为中型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRX1和2.6GRX2分别作为小型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;
步骤3:山核桃内部黑斑检测模型的建立;
步骤3.1,收集步骤2.1中同一品种的山核桃样本m个,记为S1,S2,S3,…,Sm;
步骤3.2,对于山核桃样本S1,测定其直径,记为d1,匹配果型;以d1≥2.15cm为例,属于特大型山核桃,需采用功率为2GRT1和2.6GRT2作为山核桃样本的近红外光源第一及第二入射功率;由于山核桃内部黑斑可能仅在果仁的某一方位,为提高检测准确率,采用多点检测的方式,每个山核桃选取4个检测点,四个检测点在山核桃表面均匀选取;山核桃具有天然分割面,将山核桃分成左半球和右半球,4个检测点在左半球和右半球分别选取两个,并对称选点,对于左半球,检测点分别选取在上半球和半球中部,两个检测点间隔90度,且上下对称选点
步骤3.3,首先,采用功率为2GRT1的近红外光源照射山核桃第一检测点,并利用近红外光谱仪采集样本S1的第一次漫反射光谱,记为然后,调节近红外光源功率为2.6GRT2,并照射山核桃第一检测点同一部位,利用近红外光谱仪采集样本S1的第二次漫反射光谱,记为/>为降低样本光谱中果壳光谱信息的噪声影响,且校正光源功率不同对样本光谱的影响,按如下方式进行处理,即/>获得样本S1的第1个检测点校正光谱记为/>
步骤3.4,对于样本S1的其余3个检测点,按照步骤3.3,分别采集第一次、第二次漫反射光谱并校正,获得样本S1的其余3个检测点校正光谱分别记为及/>
步骤3.5,对于样本S1,对其4个检测点的校正光谱取平均值作为样本S1的最终输出光谱,记为即/>
步骤3.6,对于样本S2,S3,S4,…,Sm,分别测定样本的直径,记为d2,d3,d4,…,dm,并确定果型;根据果型分级,根据步骤2.5、步骤2.8选取近红外光源第一及第二入射功率,参照步骤3.2至3.5,获取样本S2,S3,S4,…,Sm的最终输出光谱分别记为
步骤3.7,对于样本S1,S2,S3,…,Sm,剥开果壳,人工检测是否有黑斑;若为正常山核桃样本,则赋予类别值0;若山核桃样本有黑斑,则分离黑斑部分,计算黑斑部分的质量占总果仁质量的比例,比例≤5%,认定为轻度黑斑,则样本赋予类别值1;若15%>黑斑比例>5%,认定为中度黑斑,则样本赋予类别值2;若黑斑比例≥15%,认定为重度黑斑,则样本赋予类别值3;
步骤3.8,对于样本最终输出光谱去除波长λ1、λ2及λ3的光谱信息,再采用竞争自适应重加权采样算法进一步筛选山核桃黑斑的特征波长,最终获得q-3个特征波长,记为λ4,λ5,λ6,…,λq;加上特征波长λ1、λ2及λ3,共获得q个特征波长;
步骤3.9,将样本S1,S2,S3,…,Sm的q个特征波长的光谱值作为自变量,相应的类别值作为应变量,采用偏最小二乘-判别分析方法建立该品种山核桃的内部黑斑检测模型;检测模型公式如下:其中y为预测的类别值,为k个特征波长对应的漫反射光谱值,a1,a2,a3,…,aq为检测模型的系数,b为检测模型的截距;
步骤4:山核桃内部黑斑快速无损检测;
步骤4.1,获取同一品种的山核桃样本Sp,测定样本Sp的直径,记为dp,并确定果型分级;根据果型分级,参照步骤2.5、步骤2.8选取近红外光源第一及第二入射功率;
步骤4.2,对于样本Sp,按照步骤3.3采集样本第一检测点的的第一次和第二次漫反射光谱,分别记为和/>然后,按照步骤3.3方法降低样本光谱果壳信息及校正光源功率的影响,处理后,Sp第一检测点校正光谱分别记为/>
步骤4.3,对于样本Sp,按照步骤3.3采集样本另外3个检测点的第一次和第二次漫反射光谱,分别记为和/>处理后,获取Sp其余3个检测点校正光谱分别记为/>和/>
步骤4.4,对于样本Sp,按照步骤3.5对样本4个检测点的光谱取平均值,样本的最终输出光谱记为
步骤4.5,将样本Sp的最终输出光谱获取特征波长λ1,λ2,λ3,…,λq的光谱值,并输入到山核桃黑斑检测模型中,即可计算样本Sp的类别预测值;若类别预测值<0.5,则判定为正常山核桃,0.5≥类别预测值≥1.5,则判定为轻度黑斑山核桃,1.5>类别预测值≥2.5,则判定为中度黑斑山核桃,类别预测值>2.5,则判定为重度黑斑山核桃;步骤4.6,若样本Sp检测出黑斑,则把样本Sp的4个检测点校正光谱/>及/>的q个特征波长的光谱值分别输入山核桃黑斑检测模型中,即可获得样本4个检测点的类别预测值,参照步骤4.5的判定方法,可进一步判断山核桃黑斑的部位。
Claims (2)
1.一种山核桃内部黑斑的快速无损检测方法,该方法的步骤如下:
步骤1:确定山核桃黑斑的主要特征波长;
步骤1.1,获取若干山核桃样本,剥壳后,将果仁按照有黑斑和正常进行分类,并将果壳归拢;
步骤1.2,对于有黑斑的山核桃果仁,将果仁的黑斑部分进行粉碎,并过60目筛,取过筛后的果仁压成块状,记为样本A1;按同样方法继续获取k-1个黑斑山核桃块状样本,记为A2,A3,A4,…,Ak,厚度与样本A1相同;
步骤1.3,归拢的果壳中随机选取品相完整的半圆型果壳样本k个,记为B1,B2,B3,…,Bk;
步骤1.4,对于正常的山核桃果仁,粉碎并过60目筛,取过筛后的正常山核桃果仁k份压成块状,获得k个正常的山核桃果仁块状样本,记为C1,C2,C3,…,Ck,样本C1,C2,C3,…,Ck的厚度与样本A1,A2,A3,…,Ak相同;
步骤1.5,采用近红外光源照射样本A1,A2,A3,…,Ak,调整光源强度令光源不穿透样本的整个厚度,然后采用近红外光谱仪获取其漫反射光谱,记为
步骤1.6,对于样本光谱取其平均光谱,即
步骤1.7,对于B1,B2,B3,…,Bk,调整光源强度令光源穿透果壳,然后采用近红外光谱仪获取其透射光谱记为并计算平均透射光谱记为RB;
步骤1.8,对样本C1,C2,C3,…,Ck,按照步骤1.5获取其漫反射光谱并按照步骤1.6计算其平均光谱,记为RC;
步骤1.9,对于光谱RB,计算各波长的平均光谱强度Iave,筛选光谱强度大于f*Iave的波长集合记为λB,f为调节系数,取值范围1~1.3;将RC与RA相减得RC-A,在波长集合λB范围内,取RC-A三个最大的波峰处的波长分别记为λ1,λ2和λ3,将λ1,λ2和λ3作为山核桃黑斑的主要特征波长;
步骤2:确定合适的近红外光源入射功率;
步骤2.1,根据国家标准GB/T 24307-2009,将山核桃样本按直径大小分成四类,特大型:坚果直径≥2.15cm、大型:2.15cm>坚果直径≥1.95cm、中型:1.95cm>坚果直径>1.75cm及小型:坚果直径≤1.75cm;收集同一品种的上述四类山核桃样本各n个,分别记为ST1,ST2,ST3,…,STn,SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn;
步骤2.2,对于特大型山核桃样本ST1,剥开果壳,获取其近似半球形果壳;采用功率可调的近红外光源照射果壳外表面,光纤探头在对应的果壳内表面接收光信号,光纤探头连接近红外光谱仪;近红外光源关闭时,近红外光谱仪的光谱信号、即暗电流信号的强度记为Id,则山核桃黑斑特征波长λ1、λ2及λ3处的强度记为和/>打开近红外光源,则近红外光谱仪的光谱信号强度记为/>特征波长λ1、λ2及λ3处的强度记为/>和/>调节近红外光源功率,使得/>且/>及/>中有一个强度刚好为对应的/>和/>的2倍,此时认为近红外光源功率刚好能穿透山核桃样本ST1的果壳,该近红外光源功率记为穿透功率GT1;
步骤2.3,对于特大型山核桃样本ST2,ST3,ST4,…,STn,按照步骤2.2获得ST2,ST3,ST4,…,STn对应的穿透功率,分别记为GT2,GT3,GT4,…,GTn;
步骤2.4,由于果壳样本的差异,GT1,GT2,GT3,…,GTn的大小也不同;按照从小到大对GT1,GT2,GT3,…,GTn进行排序,在序列中取最接近第5百分位数和第95百分位数,分别记为GRT1和GRT2;
步骤2.5,由近红外光源入射,所采集的果仁漫反射光谱需要往返两次穿透果壳,令2GRT1作为特大型山核桃样本的近红外光源第一入射功率,2.6GRT2作为特大型山核桃样本的近红外光源第二入射功率;对于绝大多数特大型山核桃样本而言,采用入射功率为GRT1的近红外光源照射样本时,近红外光基本不会到达山核桃果仁;而采用入射功率为2GRT1的近红外光源照射样本时,近红外光虽然会照射到山核桃果仁,但由于需要反射并穿透果壳,携带山核桃果仁特征信息的光谱信号难以到达果壳表面而被近红外光谱仪获取,因此获取的漫反射光谱主要包含果壳的光谱信息;而采用入射功率为2.6GRT2的近红外光源照射样本时,近红外光能穿透果仁一定深度,且携带山核桃果仁特征信息的光谱信号可以到达果壳表面而被近红外光谱仪获取,从而获取果仁的光谱信息;
步骤2.6,对于山核桃样本SD1,SD2,SD3,…,SDn,SZ1,SZ2,SZ3,…,SZn及SX1,SX2,SX3,…,SXn,按照步骤2.2和2.3,获得对应的近红外光源功率,分别记为GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn;
步骤2.7,对GD1,GD2,GD3,…,GDn、GZ1,GZ2,GZ3,…,GZn及GX1,GX2,GX3,…,GXn,按照步骤2.4获得在序列中取最接近第5百分位数和第95百分位数,分别记为GRD1、GRD2,GRZ1、GRZ2及GRX1、GRX2;
步骤2.8,2GRD1和2.6GRD2分别作为大型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRZ1和2.6GRZ2分别作为中型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;2GRX1和2.6GRX2分别作为小型山核桃样本漫反射光谱采集的近红外光源第一及第二入射功率;
步骤3:山核桃内部黑斑检测模型的建立;
步骤3.1,收集步骤2.1中同一品种的山核桃样本m个,记为S1,S2,S3,…,Sm;
步骤3.2,对于山核桃样本S1,测定其直径,记为d1,匹配果型;以d1≥2.15cm为例,属于特大型山核桃,需采用功率为2GRT1和2.6GRT2作为山核桃样本的近红外光源第一及第二入射功率;由于山核桃内部黑斑可能仅在果仁的某一方位,为提高检测准确率,采用多点检测的方式,每个山核桃选取4个检测点,四个检测点在山核桃表面均匀选取;
步骤3.3,首先,采用功率为2GRT1的近红外光源照射山核桃第一检测点,并利用近红外光谱仪采集样本S1的第一次漫反射光谱,记为然后,调节近红外光源功率为2.6GRT2,并照射山核桃第一检测点同一部位,利用近红外光谱仪采集样本S1的第二次漫反射光谱,记为/>为降低样本光谱中果壳光谱信息的噪声影响,且校正光源功率不同对样本光谱的影响,按如下方式进行处理,即/>获得样本S1的第1个检测点校正光谱记为/>
步骤3.4,对于样本S1的其余3个检测点,按照步骤3.3,分别采集第一次、第二次漫反射光谱并校正,获得样本S1的其余3个检测点校正光谱分别记为及/>
步骤3.5,对于样本S1,对其4个检测点的校正光谱取平均值作为样本S1的最终输出光谱,记为即/>
步骤3.6,对于样本S2,S3,S4,…,Sm,分别测定样本的直径,记为d2,d3,d4,…,dm,并确定果型;根据果型分级,根据步骤2.5、步骤2.8选取近红外光源第一及第二入射功率,参照步骤3.2至3.5,获取样本S2,S3,S4,…,Sm的最终输出光谱分别记为
步骤3.7,对于样本S1,S2,S3,…,Sm,剥开果壳,人工检测是否有黑斑;若为正常山核桃样本,则赋予类别值0;若山核桃样本有黑斑,则分离黑斑部分,计算黑斑部分的质量占总果仁质量的比例,比例≤5%,认定为轻度黑斑,则样本赋予类别值1;若15%>黑斑比例>5%,认定为中度黑斑,则样本赋予类别值2;若黑斑比例≥15%,认定为重度黑斑,则样本赋予类别值3;
步骤3.8,对于样本最终输出光谱去除波长λ1、λ2及λ3的光谱信息,再采用竞争自适应重加权采样算法进一步筛选山核桃黑斑的特征波长,最终获得q-3个特征波长,记为λ4,λ5,λ6,…,λq;加上特征波长λ1、λ2及λ3,共获得q个特征波长;
步骤3.9,将样本S1,S2,S3,…,Sm的q个特征波长的光谱值作为自变量,相应的类别值作为应变量,采用偏最小二乘-判别分析方法建立该品种山核桃的内部黑斑检测模型;检测模型公式如下:其中y为预测的类别值,为k个特征波长对应的漫反射光谱值,a1,a2,a3,…,aq为检测模型的系数,b为检测模型的截距;
步骤4:山核桃内部黑斑快速无损检测;
步骤4.1,获取同一品种的山核桃样本Sp,测定样本Sp的直径,记为dp,并确定果型分级;根据果型分级,参照步骤2.5、步骤2.8选取近红外光源第一及第二入射功率;
步骤4.2,对于样本Sp,按照步骤3.3采集样本第一检测点的的第一次和第二次漫反射光谱,分别记为和/>然后,按照步骤3.3方法降低样本光谱果壳信息及校正光源功率的影响,处理后,Sp第一检测点校正光谱分别记为/>
步骤4.3,对于样本Sp,按照步骤3.3采集样本另外3个检测点的第一次和第二次漫反射光谱,分别记为和/>处理后,获取Sp其余3个检测点校正光谱分别记为/>和/>
步骤4.4,对于样本Sp,按照步骤3.5对样本4个检测点的光谱取平均值,样本的最终输出光谱记为
步骤4.5,将样本Sp的最终输出光谱获取特征波长λ1,λ2,λ3,…,λq的光谱值,并输入到山核桃黑斑检测模型中,即可计算样本Sp的类别预测值;若类别预测值<0.5,则判定为正常山核桃,0.5≥类别预测值≥1.5,则判定为轻度黑斑山核桃,1.5>类别预测值≥2.5,则判定为中度黑斑山核桃,类别预测值>2.5,则判定为重度黑斑山核桃;
步骤4.6,若样本Sp检测出黑斑,则把样本Sp的4个检测点校正光谱及的q个特征波长的光谱值分别输入山核桃黑斑检测模型中,即可获得样本4个检测点的类别预测值,参照步骤4.5的判定方法,可进一步判断山核桃黑斑的部位。
2.根据权利要求1所述的一种山核桃内部黑斑的快速无损检测方法,其特征在于,山核桃具有天然分割面,将山核桃分成左半球和右半球,步骤3.2中,4个检测点在左半球和右半球分别选取两个,并对称选点,对于左半球,检测点分别选取在上半球和下半球中部,两个检测点间隔90度,且上下对称选点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048550.2A CN112198122B (zh) | 2020-09-29 | 2020-09-29 | 一种山核桃内部黑斑的快速无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048550.2A CN112198122B (zh) | 2020-09-29 | 2020-09-29 | 一种山核桃内部黑斑的快速无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112198122A CN112198122A (zh) | 2021-01-08 |
CN112198122B true CN112198122B (zh) | 2023-07-25 |
Family
ID=74007855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011048550.2A Active CN112198122B (zh) | 2020-09-29 | 2020-09-29 | 一种山核桃内部黑斑的快速无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198122B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116223440A (zh) * | 2023-05-08 | 2023-06-06 | 四川威斯派克科技有限公司 | 一种烟叶原料配比的近红外检测装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013021898A1 (de) * | 2013-12-24 | 2015-06-25 | Kws Saat Ag | Verfahren zur Klassifizierung von Saatgut |
US10712326B2 (en) * | 2016-11-26 | 2020-07-14 | The Regents Of The University Of California | Nondestructive method of identifying concealed damage in nuts |
-
2020
- 2020-09-29 CN CN202011048550.2A patent/CN112198122B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
Non-Patent Citations (8)
Title |
---|
基于机器视觉的核桃仁分级方法;蔡建;周军;史建新;王勇;郭政;刘航;;江苏农业科学(第05期);全文 * |
基于近红外光谱的核桃仁品种快速分类方法;马文强;张漫;李忠新;;农业机械学报(第S1期);全文 * |
基于近红外光谱的核桃仁蛋白质含量检测分析;马文强;张漫;李忠新;杨莉玲;;农业机械学报(第S1期);全文 * |
基于近红外光谱的骏枣病虫害与风沙损伤检测;范泽华;张楠楠;喻彩丽;白铁成;;江苏农业科学(第02期);全文 * |
基于高光谱成像技术的核桃黑斑识别研究;李成吉;张淑娟;任锐;廉孟茹;池江涛;穆炳宇;孙双双;;农产品加工(第08期);全文 * |
近红外光谱法快速测定山核桃品质性状的研究;汪庆平;黎其万;董宝生;束继红;;西南农业学报(第03期);全文 * |
近红外光谱联合CARS-PLS-LDA的山茶油检测;孙通;吴宜青;许朋;温珍才;胡田;刘木华;;核农学报(第05期);全文 * |
高光谱成像技术在核桃壳仁检测中的应用;陈彩虹;张淑娟;孙海霞;李成吉;邢书海;;山西农业大学学报(自然科学版)(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112198122A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | The optimal local model selection for robust and fast evaluation of soluble solid content in melon with thick peel and large size by Vis-NIR spectroscopy | |
Liu et al. | Discriminating and elimination of damaged soybean seeds based on image characteristics | |
Munera et al. | Use of hyperspectral transmittance imaging to evaluate the internal quality of nectarines | |
Long et al. | Integration of textural and spectral features of Raman hyperspectral imaging for quantitative determination of a single maize kernel mildew coupled with chemometrics | |
Wedding et al. | Non‐destructive prediction of ‘Hass’ avocado dry matter via FT‐NIR spectroscopy | |
Calvini et al. | Exploring the potential of NIR hyperspectral imaging for automated quantification of rind amount in grated Parmigiano Reggiano cheese | |
Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review | |
Yu et al. | Rapid high-throughput determination of major components and amino acids in a single peanut kernel based on portable near-infrared spectroscopy combined with chemometrics | |
Takizawa et al. | Development of nondestructive technique for detecting internal defects in Japanese radishes | |
Zhao et al. | Integration of spectra and image features of Vis/NIR hyperspectral imaging for prediction of deoxynivalenol contamination in whole wheat flour | |
Phuphaphud et al. | Non-destructive and rapid measurement of sugar content in growing cane stalks for breeding programmes using visible-near infrared spectroscopy | |
CN112198122B (zh) | 一种山核桃内部黑斑的快速无损检测方法 | |
CN107064056B (zh) | 一种水果无损检测的方法及装置 | |
Aredo et al. | Predicting of the Quality Attributes of Orange Fruit Using Hyperspec-tral Images | |
Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
Mat et al. | Prediction of sugarcane quality parameters using visible-shortwave near infrared spectroradiometer | |
Rahman et al. | Intact macadamia nut quality assessment using near-infrared spectroscopy and multivariate analysis | |
Semyalo et al. | Nondestructive online measurement of pineapple maturity and soluble solids content using visible and near-infrared spectral analysis | |
Sun et al. | Rapid and nondestructive method for identification of molds growth time in wheat grains based on hyperspectral imaging technology and chemometrics | |
Bakar et al. | Development of ripeness indicator for quality assessment of harumanis mango by using image processing technique | |
Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
Femenias et al. | Hyperspectral Imaging | |
Symons et al. | Quality evaluation of corn/maize |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |