CN112834454A - 基于近红外高光谱技术的冬枣检测方法 - Google Patents
基于近红外高光谱技术的冬枣检测方法 Download PDFInfo
- Publication number
- CN112834454A CN112834454A CN202011616645.XA CN202011616645A CN112834454A CN 112834454 A CN112834454 A CN 112834454A CN 202011616645 A CN202011616645 A CN 202011616645A CN 112834454 A CN112834454 A CN 112834454A
- Authority
- CN
- China
- Prior art keywords
- winter
- winter jujubes
- hyperspectral data
- jujubes
- infrared
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 240000008866 Ziziphus nummularia Species 0.000 title 1
- 241001247821 Ziziphus Species 0.000 claims abstract description 115
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 16
- 238000002310 reflectometry Methods 0.000 claims description 10
- 230000002860 competitive effect Effects 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 244000298697 Actinidia deliciosa Species 0.000 description 1
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 244000131522 Citrus pyriformis Species 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 239000002699 waste material 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
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
本发明提供了基于近红外高光谱技术的冬枣检测方法，包括以下步骤：(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；(A2)在近红外高光谱数据中选择感兴趣区域，并提取高光谱数据；获得冬枣的参数；根据获得的冬枣的参数，划分校正集和验证集；(A3)预处理冬枣的提取的高光谱数据；(A4)选择冬枣的特征波长；(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；(B1)在近红外高光谱数据中，分割出冬枣的高光谱数据；(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；(B3)利用建模的波段、波段的回归系数和偏置处理步骤(B2)中预处理后的高光谱数据，得到冬枣样品图像的灰度图。本发明满足了检测效率高的要求。
Description
技术领域
本发明涉及水果检测，特别涉及基于近红外高光谱技术的冬枣检测方法。
背景技术
冬枣又名冻枣，是目前公认的鲜食优质栽培品种。虽然身材矮、小、圆，但就在冬枣圆滚滚的小身子里，含有高达243mg/100g的维生素C(Vc)，差不多是苹果的60倍，柠檬的10倍，猕猴桃的4倍，是水果中的Vc之王了。
国内早期的冬枣品质检测主要是人工检测和化学试剂检测，人工检测仅仅局限于冬枣的外观和大小，并且检测标准不明确，易于受到个人主观因素的影响。传统的化学检测方法和技术，不仅需要耗费大量的人力、财力和物力而且过程繁琐所产生的废液还会污染环境，由于技术的复杂性，并不利于推广技术做到广泛地应用。
近年来兴起的近红外光谱检测技术，克服了传统化学检测方法的一些缺点，只需要事先建立好冬枣的模型，然后就可以预测冬枣的Vc。但是受制于其技术本身缺陷，只能采集冬枣的表面的单点光谱进行预测，并不具有代表性和不能体现冬枣Vc的分布。后续提出在以冬枣的赤轴进行光谱数据采集，每隔120°采集一次光谱，一共采集三次光谱取平均值进行预测，虽然相对于单点光谱，提高了模型的预测能力。同时也增加了专业人员的工作量。
近红外高光谱技术是近红外技术与成像技术的结合，具有图谱合一的优势。近年来，近高光谱技术广泛的用于农产品的检测与分级，有的利用近红外高光谱技术进行苹果表面的损伤判别，有的利用近红外高光谱技术进行羊肉的掺假定性判别等。目前还有没利用近红外高光谱技术对冬枣的Vc进行快速检测和分级的。因此提供一种快速准确冬枣Vc的检测方法，显得尤为重要。
发明内容
为解决上述现有技术方案中的不足，本发明提供了一种基于近红外高光谱技术的冬枣检测方法。
本发明的目的是通过以下技术方案实现的：
基于近红外高光谱技术的冬枣检测方法，所述基于近红外高光谱技术的冬枣检测方法包括以下步骤：
(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；
(A2)在所述近红外高光谱技术中选择感兴趣区域，并提取高光谱数据；
对所述感兴趣区域检测，获得冬枣的参数，所述参数是Vc含量或水分含量或含糖量；根据获得的冬枣的参数，划分校正集和验证集；
(A3)预处理所述冬枣的提取的高光谱数据；
(A4)使用连续投影算法或全谱建模方法或竞争性自适应加权算法选择冬枣的特征波长；
(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；
(B1)在所述近红外高光谱数据中，提取冬枣和背景的平均光谱，并分割出冬枣的高光谱数据，该高光谱数据包括每一个像元的位置和反射率；
(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；
(B3)利用所述建模的波段、波段的回归系数和偏置处理步骤(B2)中预处理后的冬枣的高光谱数据，得到冬枣样品图像的灰度图，该灰度图的每一个像元的灰度值对应冬枣的参数。
与现有技术相比，本发明具有的有益效果为：
1.检测效率高；
使用近红外高光谱技术对冬枣参数Vc含量进行检测，相对于以前近红外光谱技术，大大提高了检测效率。
2.可视化；
将冬枣的参数如Vc含量反演到图像上，实现了冬枣参数的可视化，建立了冬枣参数的分布图。
2.检测准确；
将每一颗冬枣像元光谱进行预测并求取所有预测值的平均值，使预测结果更具有准确性和代表性，依据此冬枣参数预测值的结果，可以对冬枣进行进一步的分级。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：
图1是根据本发明实施例的基于近红外高光谱技术的冬枣检测方法的流程图。
具体实施方式
图1和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将在本发明的范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。
实施例1：
图1给出了本发明实施例的基于近红外高光谱技术的冬枣检测方法的结构示意图，如图1所示，所述基于近红外高光谱技术的冬枣检测方法包括：
(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；
(A2)在所述近红外高光谱数据中选择感兴趣区域，并提取高光谱数据；
对所述感兴趣区域检测，获得冬枣的参数，所述参数是Vc含量或水分含量或含糖量；根据获得的冬枣的参数，划分校正集和验证集；
(A3)预处理所述冬枣的提取的高光谱数据；
(A4)使用连续投影算法或全谱建模方法或竞争性自适应加权算法选择冬枣的特征波长；
(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；
(B1)在所述近红外高光谱数据中，提取冬枣和背景的平均光谱，并分割出冬枣的高光谱数据，该高光谱数据包括每一个像元的位置和反射率；
(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；
(B3)利用所述建模的波段、波段的回归系数和偏置处理步骤(B2)中预处理后的冬枣的高光谱数据，得到冬枣样品图像的灰度图，该灰度图的每一个像元的灰度值对应冬枣的参数。
为了实现冬枣参数的可视化，进一步地，所述冬枣检测方法还包括以下步骤：
(B4)将冬枣的参数反演到图像，图像的颜色与参数的量对应。
为了获得不受外界干扰的高光谱数据，进一步地，将冬枣置于黑色传送带上，并在暗箱中进行光谱采集。
为了提高数据处理效率，进一步地，在步骤(A1)中，对采集到的高光谱数据进行黑白校正。
为了提高预处理效果，进一步地，在步骤(A3)中，预处理的方式为均值中心化、卷积平滑、多元散射校正和标准归一化中至少一种。
为了获得高光谱数据中特征波长，进一步地，在步骤(A4)中，若采用竞争性自适应加权算法，则需运行多次，并选择最好的值。
为了获得待测冬枣的参数，进一步地，采集待测冬枣的近红外高光谱数据，经过步骤(B1)和(B2)后送步骤(B3)。
为了提高分割准确性，进一步地，在步骤(B1)中，分割的方式为：
提取冬枣和背景平均光谱，选择冬枣光谱和背景光谱反射率差异大于阈值的波段，使用阈值分割，建立掩膜，将冬枣光谱和背景中分割出来。
为了将冬枣的参数反演到图像中以做到可视化，进一步地，在步骤(B4)中，反演的方式为：
生成一个和步骤(A1)中高光谱数据空间域相同大小的零矩阵，按照步骤(B1)中每一个像素点的位置将反演的参数值替代零矩阵中的数值；
采用假彩色伪编码技术，将不同的参数值用不同的颜色表示，实现冬枣参数的可视化。
为了提高建模的准确性，进一步地，在步骤(A2)中，按照参数从小到大的梯度分布进行划分。
实施例2：
根据本发明实施例1的基于近红外高光谱技术的冬枣检测方法的应用例。
在该应用例中，基于近红外高光谱技术的冬枣检测方法，包括以下步骤：
(A1)选择150个冬枣样品，将样品表面进行除尘处理；
传送动作的黑色传送带的速度为1.6cm/s，相机高度为35cm，曝光时间为20.6ms；
分别采集黑帧和白帧对采集的高光谱数据进行校正，其校正公式如下：
其中R为校正后的数据，I为原始数据，W和B分别表示黑帧和白帧，进入步骤(A2)和步骤(B1)
(A2)冬枣的高光谱数据上选择5*5的感兴趣区域，对这25个像元取平均值得到每一颗冬枣的平均光谱，选取感兴趣区域时注意避开冬枣表面的缺陷等；
选择冬枣感兴趣区域位置切块，然后按照国标(GB/T5009.86-2003)进行Vc的测量；
对提取的冬枣光谱和测量的Vc含量导入Matlab中进行分析处理，首先划分校正集和验证集，为了能使模型具有较好的预测能力，按照Vc的含量进行梯度划分；校正集和验证集比例为2:1。
(A3)分别使用均值中心化、SG卷积平滑、多元散射校正和标准归一化对冬枣光谱进行预处理；选择校正标准偏差(RMSEC)、预测标准偏差(RMSEP)较低，相对分析误差(RPD)和决定系数(R2)最高的预处理方法；
(A4)全波段建模不仅计算时间慢，而且大量的冗余向量会降低模型的预测能力；
选择连续投影算法(SPA)和竞争性自适应加权算法对冬枣的波段进行优选。由于竞争性自适应加权算法具有随机性，运行5次选择最好的值；同样选择校正标准偏差(RMSEC)、预测标准偏差(RMSEP)较低，相对分析误差(RPD)和决定系数(R2)最高的波长算法；
(A5)使用偏最小二乘算法进行回归，在Matlab会生成一个beta列向量，第一行为偏置，其他行为参与建模波段的系数，分别记录下来；
(B1)对采集的黑白校正后的冬枣高光谱数据在ENVI中进行掩膜，对冬枣样品和传送带的黑色背景选择感兴趣区域求平均光谱；然后寻找背景和冬枣光谱反射率差异最大波段，使用阈值分割的方法进行冬枣的掩膜，公式如下:
b(t)gt(x)，表示在t波段反射率大于等于x的像元为白色，小于t波段反射率为黑色
其中t为选择的波段，x为设定的反射率的阈值。
得到冬枣的掩膜图像后，在ENVI中将掩膜图像应用到高光谱图像中去，将冬枣从背景中分割出来，然后从ENVI中导出去除背景的冬枣高光谱数据；此时的数据包含每一个像元的位置和反射率；
(B2)使用Matlab读取导出的数据，将每个波段高光谱数据的灰度图放进元胞数组一个细胞里面，方便后续的调用和处理；
将读取的高光谱数据采用建立模型的相同的光谱预处理方法进行预处理；
(B3)将预处理后的高光谱数据挑选出与与步骤(A5)相同的波段乘以回归系数并加上偏置；此时得到就是冬枣每一个像素点光谱反演出的Vc含量；
(B4)生成一个和原始高光谱数据空间域相同大小的零矩阵，按照上述记录的每一个像素点的位置将反演的Vc含量替代零矩阵中的数值；然后假彩色伪编码技术，将不同的Vc含量用不同的颜色表示，实现冬枣的Vc的可视化；
在检测冬枣时，按照步骤(A1)中方式获得高光谱数据，然后进入步骤(B4)，将每一颗冬枣所有像元光谱预测值Vc求取平均值，使预测结果更具有代表性，按照冬枣的Vc含量作为冬枣的分级依据，实现分级。
Claims (10)
1.基于近红外高光谱技术的冬枣检测方法，所述基于近红外高光谱技术的冬枣检测方法包括以下步骤：
(A1)采集红枣的近红外高光谱数据，分别进入步骤(A2)和步骤(B1)；
(A2)在所述近红外高光谱数据中选择感兴趣区域，并提取高光谱数据；
对所述感兴趣区域检测，获得冬枣的参数，所述参数是Vc含量或水分含量或含糖量；根据获得的冬枣的参数，划分校正集和验证集；
(A3)预处理所述冬枣的提取的高光谱数据；
(A4)使用连续投影算法或全谱建模方法或竞争性自适应加权算法选择冬枣的特征波长；
(A5)对预处理后的高光谱数据回归建模，得到建模的波段、波段的回归系数和偏置，进入步骤(B3)；
(B1)在所述近红外高光谱数据中，提取冬枣和背景的平均光谱，并分割出冬枣的高光谱数据，该高光谱数据包括每一个像元的位置和反射率；
(B2)预处理分割出的冬枣的高光谱数据，预处理方式与步骤(A3)相同；
(B3)利用所述建模的波段、波段的回归系数和偏置处理步骤(B2)中预处理后的冬枣的高光谱数据，得到冬枣样品图像的灰度图，该灰度图的每一个像元的灰度值对应冬枣的参数。
2.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，所述冬枣检测方法还包括以下步骤：
(B4)将冬枣的参数反演到图像，图像的颜色与参数的量对应。
3.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，将冬枣置于黑色传送带上，并在暗箱中进行光谱采集。
4.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(A1)中，对采集到的高光谱数据进行黑白校正。
5.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(A3)中，预处理的方式为均值中心化、卷积平滑、多元散射校正和标准归一化中至少一种。
6.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(A4)中，若采用竞争性自适应加权算法，则需运行多次，并选择最好的值。
7.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，采集待测冬枣的近红外高光谱数据，之后送步骤(B3)。
8.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(B1)中，分割的方式为：
提取冬枣和背景平均光谱，选择冬枣光谱和背景光谱反射率差异大于阈值的波段，使用阈值分割，建立掩膜，将冬枣光谱和背景中分割出来。
9.根据权利要求2所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(B4)中，反演的方式为：
生成一个和步骤(A1)中高光谱数据空间域相同大小的零矩阵，按照步骤(B1)中每一个像素点的位置将反演的参数值替代零矩阵中的数值；
采用假彩色伪编码技术，将不同的参数值用不同的颜色表示，实现冬枣参数的可视化。
10.根据权利要求1所述的基于近红外高光谱技术的冬枣检测方法，其特征在于，在步骤(A2)中，按照参数从小到大的梯度分布进行划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011616645.XA CN112834454A (zh) | 2020-12-31 | 2020-12-31 | 基于近红外高光谱技术的冬枣检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011616645.XA CN112834454A (zh) | 2020-12-31 | 2020-12-31 | 基于近红外高光谱技术的冬枣检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112834454A true CN112834454A (zh) | 2021-05-25 |
Family
ID=75925671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011616645.XA Pending CN112834454A (zh) | 2020-12-31 | 2020-12-31 | 基于近红外高光谱技术的冬枣检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112834454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170444A (zh) * | 2022-02-10 | 2022-03-11 | 南通海扬食品有限公司 | 一种基于人工智能与高光谱成像的红枣品种鉴别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505325A (zh) * | 2017-08-18 | 2017-12-22 | 西北农林科技大学 | 冬枣果实的全方位品质检测方法 |
| WO2019174572A1 (zh) * | 2018-03-12 | 2019-09-19 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
| CN110441248A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥水分预测模型建立的方法 |
-
2020
- 2020-12-31 CN CN202011616645.XA patent/CN112834454A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505325A (zh) * | 2017-08-18 | 2017-12-22 | 西北农林科技大学 | 冬枣果实的全方位品质检测方法 |
| WO2019174572A1 (zh) * | 2018-03-12 | 2019-09-19 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
| CN110441248A (zh) * | 2019-09-10 | 2019-11-12 | 四川轻化工大学 | 基于高光谱图像技术的窖泥水分预测模型建立的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李伟 等: "冬枣水分高光谱快速反演模型研究", 食品科技, vol. 45, no. 02, pages 329 - 333 * |
| 石鲁珍 等: "光谱测定南疆鲜冬枣Vc含量方法的研究", 塔里木大学学报, vol. 27, no. 04, pages 93 - 98 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114170444A (zh) * | 2022-02-10 | 2022-03-11 | 南通海扬食品有限公司 | 一种基于人工智能与高光谱成像的红枣品种鉴别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Classification of maize seeds of different years based on hyperspectral imaging and model updating | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| Nandi et al. | A machine vision-based maturity prediction system for sorting of harvested mangoes | |
| Zhang et al. | Fast prediction of sugar content in dangshan pear (Pyrus spp.) using hyperspectral imagery data | |
| Singh et al. | Nondestructive identification of barley seeds variety using near‐infrared hyperspectral imaging coupled with convolutional neural network | |
| Zheng et al. | AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube crack detection | |
| CN104867150A (zh) | 遥感影像模糊聚类的波段修正变化检测方法及系统 | |
| Yan et al. | Nondestructive phenolic compounds measurement and origin discrimination of peated barley malt using near-infrared hyperspectral imagery and machine learning | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN107590816B (zh) | 一种基于遥感图像的水体信息拟合方法 | |
| CN111855608A (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
| Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
| CN111192260A (zh) | 一种基于高光谱图像深度特征融合的甜瓜品质检测方法 | |
| CN114663821A (zh) | 基于视频高光谱成像技术的产品质量实时无损检测方法 | |
| CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
| CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
| Sun et al. | Detection of the soluble solid contents from fresh jujubes during different maturation periods using NIR hyperspectral imaging and an artificial bee colony | |
| CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
| CN112834454A (zh) | 基于近红外高光谱技术的冬枣检测方法 | |
| CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
| Huang et al. | Detection of early bruises in Gongcheng persimmon using hyperspectral imaging | |
| Oishi et al. | Preliminary verification for application of a support vector machine-based cloud detection method to GOSAT-2 CAI-2 | |
| CN112974303A (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
| Silva et al. | Boosting the performance of SOTA convolution-based networks with dimensionality reduction: An application on hyperspectral images of wine grape berries | |
| CN116203001A (zh) | 黄曲霉毒素b1无损检测方法及装置 |
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 |