CN113447502A - 一种粮食杂质含量的检测方法 - Google Patents
一种粮食杂质含量的检测方法 Download PDFInfo
- Publication number
- CN113447502A CN113447502A CN202110712899.XA CN202110712899A CN113447502A CN 113447502 A CN113447502 A CN 113447502A CN 202110712899 A CN202110712899 A CN 202110712899A CN 113447502 A CN113447502 A CN 113447502A
- Authority
- CN
- China
- Prior art keywords
- grain
- sample
- impurity
- impurities
- dimensional
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 19
- 235000013339 cereals Nutrition 0.000 claims description 76
- 241000209140 Triticum Species 0.000 claims description 21
- 235000021307 Triticum Nutrition 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010521 absorption reaction Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 39
- 238000003384 imaging method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000006063 cullet Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003958 fumigation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000010903 husk Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pulmonology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种粮食杂质含量的检测方法，采用锥束CT获取样本在不同扫描角度下的二维切片图像，推演粮食籽粒和杂质密度与X射线吸收系数的关系，据此重构掺杂粮食三维CT图像。在此基础上，建立基于灰度值的区域生长模型实现粮食籽粒的轮廓提取和体积计算；最后引入杂质的堆积密度实现粮食杂质含量的快速计算。本发明首次利用锥束CT技术检测粮食中杂质含量，无需破坏样品，保留了样品的原始性，利用体素点统计方法计算出杂质体积，通过杂质的质量占有率衡量杂质的占比，实现了粮食杂质含量的快速计算。
Description
技术领域
本发明属于检测技术领域，涉及一种粮食杂质含量的检测方法。
背景技术
杂质含量是粮食质量标准中的一项重要指标，粮食杂质含量也是粮食入库存储的一项重要指标。若杂质比重过大，不仅会直接影响其食用品质等级，还会对粮食的存储造成极大的负面影响。粮食杂质一般可分为有机杂质和无机杂质：无机杂质主要是粮食收割加工、储存过程中混入的土块、小石块、沙子、碎玻璃等矿物质；有机杂质一般是粮食自身生长的茎叶壳与异种粮粒；植物的茎叶壳与异种粮粒不同，这类杂质不像异种粮粒属于活的生命体，不存在呼吸作用，但是由于它们自身密度与粮粒相比较小，粮食入库时由于自动分级的原因，会导致此类杂质扎堆聚集。植物的茎叶壳自身带菌量大，杂质扎堆聚集又会造成粮堆内部通风不均，进而引起温度不均，粮食就会发生霉变；此外，粮食储存过程中会进行熏蒸杀虫，杂质的扎堆聚集也会造成熏蒸死角，进而引发病虫害，使得虫蚀粒增多。鉴于此，我们有必要测定粮食杂质含量，以利于粮食保质保鲜，达到粮食安全存储的目的。
传统人工计算粮食杂质含量，是通过筛子对样本中的杂质和粮粒进行分离，根据杂质质量和粮粒质量计算杂质的质量分数，得到粮食杂质含量；人工进行粮杂分离称重存在耗时、效率低、主观性较强等缺点。另外，近年来基于深度学习的方式也可进行粮食杂质含量的计算，前提是有大量的小麦籽粒和杂质的二维图片，通过神经网络对数据的训练集进行训练，网络训练完成后，可通过此网络对测试集中的粮食和杂质进行分类；通过神经网络计算粮食杂质含量有一定的创新性，但数据准备过程过于繁琐，而且计算的精度与训练集中图片数量有很大关系，若训练集不充足，则很难实现高精度计算。
X射线断层扫描成像技术具有高的空间和密度分辨率、高穿透性、友好的成像环境和线性吸收等特点，在医学、材料科学、化学、石油/地质学、生物学、微电子产业、环境科学等方面都已有广泛的应用。传统的CT断层成像技术是一层层对物体进行成像，重建后层间信息将无法还原，成本高且放射量大。因此，寻找一种无损、精密检测技术至关重要。。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种粮食杂质含量的检测方法，该方法能够实现粮食杂质含量的快速检测，具有检测精度高的特点。
本发明采用如下技术方案实现：
一种粮食杂质含量的检测方法，包括以下步骤：
(1)取待检测粮食样本进行锥束CT扫描，获取粮食样本在不同角度下的二维切片图像；
(2)对步骤(1)得到的二维切片图像重构得到三维图像；
(3)获取步骤(2)得到的三维图像的杂质体积和样本总体积，再引入杂质的堆积密度，计算出杂质质量，最后得出粮食杂质含量。
进一步地，所述步骤(1)具体为：将粮食样本放置在锥束CT的X射线扫描范围内，启动设备；将包含粮食样本的容器放至载物台上，旋转360°后，一次扫描结束，得到样本在不同角度下的二维切片图像。
进一步地，步骤(2)具体步骤为：对二维切片进行三维重建，得到三维重建图像后，然后进行基于区域生长的灰度值阈值分割，实现对杂质、粮食和容器的划分。
进一步地，所述步骤(3)的杂质体积根据阈值分割后三维图像内杂质的体素数量与单个体素的体积乘积得到，样本的总体积根据阈值分割后样本的总体素数量与单个体素的体积乘积得到。
进一步地，所述粮食为小麦。
相比现有技术，本发明的有益效果在于：
本发明提供的一种粮食杂质含量的检测方法，采用锥束CT获取粮食样本在不同扫描角度下的二维切片图像，推演粮食籽粒和杂质密度与X射线吸收系数的关系，据此重构掺杂粮食三维CT图像。在此基础上，建立基于灰度值的区域生长模型实现粮食籽粒的轮廓提取和体积计算；最后引入杂质的堆积密度实现粮食杂质含量的快速计算。
锥束CT能一次获得锥束覆盖范围内物体的各向同性的三维结构信息，成像精度高，可提高对检查部位内部的无损探测能力。锥束CT原理是通过由微焦点的锥形束光源、高分辨率的平板探测器和精密机电一体化物理平台获取原始数据，采用新的成像理论支撑的图像算法重建，借助高分辨率的内部透视图像，能够实现对物体结构的无损解剖和还原，形成高精度的三维结构信息，为无损快速精确地检测分析物体内部结构情况提供可靠的依据。本发明首次利用锥束CT技术检测粮食杂质含量，无需破坏样品，保留了样品的原始性，利用像素点统计方法计算出粮食的总体积和杂质体积，通过杂质的质量占有率衡量杂质的占比，提高了粮食杂质含量检测的准确性。
附图说明
图1为本发明实施例1实验流程图；
图2为本发明实施例1样本的数码照片；
图3为本发明杂质含量为2wt％样本的锥束CT扫描二维切片；
图4为本发明利用软件VG ST UDIO MAX 3.4 64bit得到的样本三维重构图像，其中A为杂质含量0wt％，B为杂质含量1wt％，C为杂质含量2wt％。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例1
一种粮食杂质含量的检测方法：
实施例1的实验流程图如图1所示。
材料来源：实验所需材料来自河南省郑州市兴隆国家粮食储备库。
(1)粮食样本由小麦和有机杂质组成，所述有机杂质为小麦壳和麦秸秆。测试样本为3个，样本总重均为50g，有机杂质的杂质含量分别为2wt％、1wt％、0wt％。将粮食样本分别置于高6cm、底部直径6cm、容器壁厚度3mm的透明无盖亚克力材质容器中，如图2所示。X射线旋转扫描过程中，要求被检测样本形态不发生改变，若样本在检测过程中某部分发生位置偏移，则检测失败。因此，在准备样本时，应将小麦和有机杂质在容器中压实，以防止检测过程中发生位置偏移，影响最终三维图像重建结果。
实验所用锥束CT型号为CI6M320I工业CT，确定X射线球管的电压、电流值以保证X射线具有足够的能量穿透小麦籽粒，同时确定检测器的像素以保证图像的分辨率。经过分析比较确定工业CT的部分运行参数为X射线球管扫描电压80KV、电流值240μA，测量分辨率为44.614μm，样本与探头之间的距离为350mm，对样品进行断层扫描。调整样本位置，确保粮食样本放置在锥束CT的X射线扫描单位内，启动设备，根据所需图像精度不同调整旋转台每次的旋转角度。旋转台完成360°旋转后，得到1800张二维切片，一次扫描结束。二维切片放大比为4.2倍。
(2)在步骤(1)二维切片图像采集过程中，由于人为或机器自身等原因，不可避免的会产生一些干扰噪声信号，应最大限度的对噪声信号进行剔除，尽可能保留完整的原始图像。因此首先需要对步骤(1)得到的二维切片图像进行消除图像噪声处理，然后进行灰度值阈值分割，实现对有机杂质、小麦籽粒的划分。由于被测样本中不同物质存在密度差异，不同密度的物质对X射线的吸收率不同，密度越高，吸收的X射线能量越高，X射线的衰减就越明显，可根据整个样品中X射线衰减程度不同，对不同物质进行区分。样本扫描得到的小麦杂质含量为2wt％样本的其中一个二维切片如图3所示，小麦籽粒的密度比有机杂质的密度要高，吸收的射线能量也就越多，最终成像也就越亮(灰度值越低)。根据灰度值的差异，实现对不同物体的划分。
本发明利用软件VG ST UDIO MAX 3.4 64bit对二维切片进行三维图像重建，三维重构图像如图4所示。利用VG ST UDIO MAX 3.4 64bit实现三维图像重构可视化，可得到样本的图像轮廓、细节纹理等特征。
(3)由于根据灰度值的差异对不同物质进行分割时，会使得容器内部样本与原始样本产生些许差异。相对于小麦籽粒三维图像而言，杂质的三维图像几乎不受影响。因此，本发明将对杂质体积进行提取。三维重构切片的每个像素代表了体积图像中的一个立方体体素，经过阈值分割后的三维数据每个组织结构所占的体素数量均为已知数值，麦粒体积可通过如下公式获取，从而得出小麦杂质含量。其中N麦和N总为三维重建后小麦体素数量及样本体素总数量，S为每个体素的体积；样本总体积与小麦体积的差值即为杂质总体积。
V麦＝S×N麦
V总＝S×N总
稻壳和秸秆的堆积密度约为130g/L，根据样本三维重建后的总体积和麦粒体积的差值，可得到样本中所含杂质的体积，将杂质的体积与杂质的堆积密度乘积计算得到杂质质量，杂质含量计算公式如下。
三个样本的总体积、麦粒体积、杂质体积、杂质质量所得杂质含量和准确度如表1所示。
表1
由表1可知，采用本发明实施例1的方法检测小麦中的杂质含量，其准确度较高，达87.22％以上。
综上，本发明提供了一种粮食杂质含量的检测方法，采用锥束CT获取粮食样本在不同角度下的二维切片图像，然后将二维切片图像重构得到三维图像，三维图像的可视化可以得到样本的图像轮廓、细节纹理等特征，也可获得定量分析数据，进而得到小麦中的杂质含量。本发明首次利用锥束CT技术检测小麦杂质含量，无需破坏样品，保留了样品的原始性，利用像素点统计方法计算出粮食的总体积和杂质体积，通过杂质的质量占有率衡量杂质的占比，提高了粮食杂质含量检测的准确性。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (5)
1.一种粮食杂质含量的检测方法，其特征在于，包括以下步骤：
(1)取待检测粮食样本进行锥束CT扫描，获取粮食样本在不同角度下的二维切片图像；
(2)对步骤(1)得到的二维切片图像重构得到三维图像；
(3)获取步骤(2)得到的三维图像的杂质体积和样本总体积，再引入杂质的堆积密度，计算出杂质质量，最后得出粮食杂质含量。
2.如权利要求1所述的粮食杂质含量的检测方法，其特征在于，所述步骤(1)具体为：将粮食样本放置在锥束CT的X射线扫描范围内，启动设备；将包含粮食样本的容器放至载物台上，旋转360°后，一次扫描结束，得到样本在不同角度下的二维切片图像。
3.如权利要求2所述的粮食杂质含量的检测方法，其特征在于，步骤(2)具体步骤为：对二维切片进行三维重建，得到三维重建图像后，然后进行基于区域生长的灰度值阈值分割，实现对杂质、粮食和容器的划分。
4.如权利要求3所述的粮食杂质含量的检测方法，其特征在于，所述步骤(3)的杂质体积根据阈值分割后三维图像内杂质的体素数量与单个体素的体积乘积得到，样本的总体积根据阈值分割后样本的总体素数量与单个体素的体积乘积得到。
5.如权利要求1至4任一项所述的粮食杂质含量的检测方法，其特征在于，所述粮食为小麦。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712899.XA CN113447502A (zh) | 2021-06-25 | 2021-06-25 | 一种粮食杂质含量的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712899.XA CN113447502A (zh) | 2021-06-25 | 2021-06-25 | 一种粮食杂质含量的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113447502A true CN113447502A (zh) | 2021-09-28 |
Family
ID=77812966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110712899.XA Pending CN113447502A (zh) | 2021-06-25 | 2021-06-25 | 一种粮食杂质含量的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113447502A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114674850A (zh) * | 2021-12-22 | 2022-06-28 | 中核建中核燃料元件有限公司 | 基于数字dr成像技术识别特种粉体物料中夹杂物的方法 |
| CN116503402A (zh) * | 2023-06-26 | 2023-07-28 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
| CN116893127A (zh) * | 2023-09-11 | 2023-10-17 | 中储粮成都储藏研究院有限公司 | 粮食外观质量指标检测仪 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1865949A (zh) * | 2006-05-17 | 2006-11-22 | 江苏大学 | 基于激光断层成像技术的农产品品质无损检测方法与装置 |
| EP2706505A1 (en) * | 2012-09-05 | 2014-03-12 | Consiglio Nazionale Delle Ricerche | A method and system for the three-dimensional reconstruction of formations dispersed in a matrix of a material, in particular of inclusions in crystalline matrices |
| US20140376685A1 (en) * | 2011-10-18 | 2014-12-25 | Schlumberger Technology Corporation | Method for 3d mineral mapping of a rock sample |
| CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
| CN104990888A (zh) * | 2015-06-24 | 2015-10-21 | 河南工业大学 | 利用太赫兹成像技术检测储备粮食粒内虫害的方法 |
| CN106950253A (zh) * | 2017-03-31 | 2017-07-14 | 河南工业大学 | 一种粮食虫蚀粒早期检测方法及装置 |
| CN107610122A (zh) * | 2017-09-30 | 2018-01-19 | 华北水利水电大学 | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 |
| CN108198165A (zh) * | 2017-12-04 | 2018-06-22 | 北京农业信息技术研究中心 | 籽粒真密度的测量方法及测量装置 |
| CN108387500A (zh) * | 2018-03-06 | 2018-08-10 | 东北大学 | 一种对非球形颗粒堆积体系中局部孔隙结构定量表征的方法 |
| CN111932498A (zh) * | 2020-07-09 | 2020-11-13 | 西南交通大学 | 无规则形状颗粒堆积体系中接触数定量表征方法 |
-
2021
- 2021-06-25 CN CN202110712899.XA patent/CN113447502A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1865949A (zh) * | 2006-05-17 | 2006-11-22 | 江苏大学 | 基于激光断层成像技术的农产品品质无损检测方法与装置 |
| US20140376685A1 (en) * | 2011-10-18 | 2014-12-25 | Schlumberger Technology Corporation | Method for 3d mineral mapping of a rock sample |
| EP2706505A1 (en) * | 2012-09-05 | 2014-03-12 | Consiglio Nazionale Delle Ricerche | A method and system for the three-dimensional reconstruction of formations dispersed in a matrix of a material, in particular of inclusions in crystalline matrices |
| CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
| CN104990888A (zh) * | 2015-06-24 | 2015-10-21 | 河南工业大学 | 利用太赫兹成像技术检测储备粮食粒内虫害的方法 |
| CN106950253A (zh) * | 2017-03-31 | 2017-07-14 | 河南工业大学 | 一种粮食虫蚀粒早期检测方法及装置 |
| CN107610122A (zh) * | 2017-09-30 | 2018-01-19 | 华北水利水电大学 | 一种基于Micro‑CT的单籽粒谷物内部虫害检测方法 |
| CN108198165A (zh) * | 2017-12-04 | 2018-06-22 | 北京农业信息技术研究中心 | 籽粒真密度的测量方法及测量装置 |
| CN108387500A (zh) * | 2018-03-06 | 2018-08-10 | 东北大学 | 一种对非球形颗粒堆积体系中局部孔隙结构定量表征的方法 |
| CN111932498A (zh) * | 2020-07-09 | 2020-11-13 | 西南交通大学 | 无规则形状颗粒堆积体系中接触数定量表征方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王宇，李晓: "《岩体细观结构力学工业CT技术与应用》", vol. 1, 31 August 2018, 复旦大学出版社, pages: 18 - 19 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114674850A (zh) * | 2021-12-22 | 2022-06-28 | 中核建中核燃料元件有限公司 | 基于数字dr成像技术识别特种粉体物料中夹杂物的方法 |
| CN116503402A (zh) * | 2023-06-26 | 2023-07-28 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
| CN116503402B (zh) * | 2023-06-26 | 2023-09-08 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
| CN116893127A (zh) * | 2023-09-11 | 2023-10-17 | 中储粮成都储藏研究院有限公司 | 粮食外观质量指标检测仪 |
| CN116893127B (zh) * | 2023-09-11 | 2023-12-08 | 中储粮成都储藏研究院有限公司 | 粮食外观质量指标检测仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113447502A (zh) | 一种粮食杂质含量的检测方法 | |
| Anderson et al. | Evaluation of constructed and natural soil macropores using X-ray computed tomography | |
| Du Plessis et al. | The CT Scanner Facility at Stellenbosch University: An open access X-ray computed tomography laboratory | |
| Rabbi et al. | Aggregate hierarchy and carbon mineralization in two Oxisols of New South Wales, Australia | |
| Gerke et al. | Tomographic method of studying soil pore space: Current perspectives and results for some Russian soils | |
| Yang et al. | High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography | |
| Wang et al. | Intra‐aggregate pore characteristics: X‐ray computed microtomography analysis | |
| Bendle et al. | A comparison of micro-CT and thin section analysis of Lateglacial glaciolacustrine varves from Glen Roy, Scotland | |
| Madden et al. | Modern fringing reef carbonates from equatorial SE Asia: An integrated environmental, sediment and satellite characterisation study | |
| Barigou et al. | X-ray micro-computed tomography for resolving food microstructures | |
| Kochiieru et al. | The effect of soil macroporosity, temperature and water content on CO 2 efflux in the soils of different genesis and land management. | |
| Francischini et al. | A middle Permian (Roadian) lungfish aestivation burrow from the Rio do Rasto Formation (Paraná Basin, Brazil) and associated U-Pb dating | |
| CN110264472B (zh) | 一种基于sd-oct的水果近皮下细胞无损成像方法 | |
| Lofi et al. | SCOPIX–digital processing of X-ray images for the enhancement of sedimentary structures in undisturbed core slabs | |
| Carducci et al. | Spatial variability of pores in oxidic latosol under a conservation management system with different gypsium doses | |
| CN102435621A (zh) | 双能欠采样物质识别方法和系统 | |
| Nehler et al. | Evaluating porosity estimates for sandstones based on X-ray micro-tomographic images | |
| Chan et al. | Micro‐computed tomography: Applications for high‐resolution skeletal density determinations: An example using annually banded crustose coralline algae | |
| Zou et al. | Identification of peanut storage period based on hyperspectral imaging technology | |
| Lu et al. | Real-time nondestructive inspection of chestnuts using X-ray imaging and dynamic threshold | |
| Calistru et al. | Applications of X-ray computed tomography for examining soil structure: a review | |
| Paquit et al. | Monitoring plant growth using high resolution micro-CT images | |
| Chung et al. | Soil texture classification algorithm using RGB characteristics of soil images | |
| Pajor | Quantification of short term interactions between soil and fungi | |
| Santos Carrillo | Characterization of pore structure of bulk wheat influenced by percentages of dockage |
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 |