CN113567392A - 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 - Google Patents
一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 Download PDFInfo
- Publication number
- CN113567392A CN113567392A CN202110820135.2A CN202110820135A CN113567392A CN 113567392 A CN113567392 A CN 113567392A CN 202110820135 A CN202110820135 A CN 202110820135A CN 113567392 A CN113567392 A CN 113567392A
- Authority
- CN
- China
- Prior art keywords
- spores
- wheat
- near infrared
- spore
- airborne
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 33
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 244000052616 bacterial pathogen Species 0.000 title claims abstract description 20
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 13
- 241000221785 Erysiphales Species 0.000 claims abstract description 10
- 241000894007 species Species 0.000 claims abstract description 5
- 230000002538 fungal effect Effects 0.000 claims abstract description 4
- 241001123583 Puccinia striiformis Species 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000001717 pathogenic effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 241001246061 Puccinia triticina Species 0.000 claims description 4
- 244000000022 airborne pathogen Species 0.000 claims description 4
- 229910052736 halogen Inorganic materials 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 229910052721 tungsten Inorganic materials 0.000 claims description 4
- 239000010937 tungsten Substances 0.000 claims description 4
- -1 tungsten halogen Chemical class 0.000 claims description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000741 silica gel Substances 0.000 claims description 3
- 229910002027 silica gel Inorganic materials 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 241000221300 Puccinia Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000002779 inactivation Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241001480061 Blumeria graminis Species 0.000 description 1
- 241000510928 Erysiphe necator Species 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 241000576688 Phyllorhiza Species 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 208000022602 disease susceptibility Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 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
- 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
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
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
本发明一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，该方法基于近红外光谱技术，制备小麦条锈菌孢子、叶锈菌孢子和白粉菌孢子的样本并利用便携式光谱仪采集其近红外波段漫反射光谱数据，然后对整体数据进行特征波长选择，建立不同种类病原菌孢子的识别模型，其中BP神经网络模型的识别准确率达到100％。与现有检测方法相比，本判别方法使用便携式光谱仪，可实现小麦真菌孢子种类的快速无损识别，在小麦锈病的原味在线检测领域具有潜在的应用前景。
Description
技术领域
本发明属于小麦气传病的早初期监测预警和智能防控技术领域，特别涉及一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法。
背景技术
小麦锈病属于气传性真菌病害，其危害性强、发病范围广，小麦一旦感染，其生长会受到严重影响，已发展为影响小麦高产稳产的重要限制因素之一。研究表明，条形柄锈菌是导致小麦侵染的关键致病菌，它借助气流完成侵染，因此病害发生的决定因素除寄主感病特性和栽培条件和环境气象因素外，与病原物毒性及菌源数量密切相关。
现有检测方式多采用传统或新型孢子捕捉仪对田间孢子进行捕获，将黏附孢子的载玻片或其显微图像带回实验室，利用人工、分子生物学或图像处理等方法完成计数，以此判断病害发生程度，为及时防控提供理论依据。但由于检测设备价格昂贵、检测耗时耗力和采集性能不稳定等问题，导致菌源种类的快速无损检测较难实现，对小麦锈病的有效防治提出挑战。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，利用便携式光谱仪采集孢子样本的漫反射光谱数据，采用预处理、特征波长选择和神经网络建模方法实现小麦气传病原菌孢子的快速无损识别，为实现小麦气传病的早期监测提供理论依据。
为了实现上述目的，本发明采用的技术方案是：
一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，包括如下步骤：
步骤1，收取小麦叶锈菌孢子、白粉菌孢子和具有活性及失活的条锈菌孢子样本；
步骤2，利用便携式近红外光谱仪分别采集样本在650-1100nm波长范围的反射光谱数据；
步骤3，对得到的反射光谱数据进行预处理，并选择确定4个特征波长；
步骤4，基于支持向量机和反向传播神经网络建立真菌孢子的识别模型，确定不同孢子种类与特征波长之间的定性关系；
步骤5，将待测孢子样本特征波长处的近红外光谱数据输入所述识别模型，实现对不同种类孢子的快速无损判别。
所述步骤1中所用的小麦叶锈菌孢子、白粉菌孢子和条锈菌孢子均在低温温室内繁育收集，采集的样品存放于加硅胶的干燥皿中，于适宜条件下保存。
所述步骤2中对样本进行光谱采集前，先将其置于室内常温条件下平衡水分和温度，消除水分和温度对测量结果的影响，然后分别称取不同种类病原菌孢子样本平铺备用。
所述步骤2中便携式近红外光谱仪的触发模式参数选择0、积分时间0.1秒、滑动平均宽度为0，并启用基线校正；钨素卤光灯光源距样本距离为0.5cm；每个样本采集1000个数据。
所述步骤3中采用的预处理方法为多元散射校正和标准正态变量变换方法，采用的特征波长选择方法为主成分分析和随机蛙跳算法，确定4的个特征波长分别为766nm、785nm、841nm和911nm。
所述步骤4中分别选择全波长和步骤3中确定的特征波长3000个反射光谱数据建立气传病原菌孢子的识别模型，采用的建模方法为反向传播神经网络(BPNN)、偏最小二乘判别法(PLS)和支持向量机(SVM)。
所述步骤5中，4秒之内完成对不同种类孢子的识别。
与现有技术相比，本发明利用便携式近红外光谱仪，根据小麦气传病的病原菌孢子的漫反射光谱，通过4个特征波长建立病原菌孢子识别模型，预测小麦气传病原孢子的种类，实现孢子的快速无损检测。本发明检测方法也可用于建立其他孢子的识别模型，提供一种低成本、无损的、准确性高的分析方法，为便携式原位孢子检测装置的开发提供理论基础，同时为小麦气传病害的早期监测预警提供一定的科学依据。
附图说明
图1为本发明的光谱采集系统原理示意图。
图2为四种病原孢子的原始光谱图像，其中(a)为白粉菌孢子，(b)为条锈菌孢子，(c)为叶锈菌孢子，(d)失活条锈菌孢子。
图3为经过预处理以后的光谱数据图，其中(a)为白粉菌孢子MSC，(b)为叶锈菌孢子MSC，(c)为条锈菌孢子MSC，(d)失活条锈菌孢子MSC。
图4为经PCA分析的聚类图。
图5为测试集预测值与真实值的关系图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，利用便携式近红外光谱仪搭建如图1所示的光谱数据采集系统，具体包括海洋光学的STS-NIR便携式光谱仪4、光源6(钨素卤光灯)、反射光纤5、支架3和电脑2组成，待测样本1放在支架3上。
本发明具体包括如下步骤：
步骤1，收取小麦叶锈菌孢子、白粉菌孢子和具有活性及失活的条锈菌孢子样本。其中，小麦叶锈菌孢子、白粉菌孢子和条锈菌孢子均在低温温室内繁育，采集时确保样品不被污染，并将样品存放于加硅胶的干燥皿中置于适宜条件下保存，对待测样本1进行光谱采集前，先将其置于室内常温20℃下2h，平衡水分和温度，消除水分和温度对测量结果的影响，然后分别称取0.70g不同种类病原菌孢子样本平铺备用。
采集过程如图1所示，反射光纤5一头连接光源，反射光纤5表面距孢子样本0.5cm，反射光纤5的另一根连接STS-NIR便携式光谱仪4和电脑2，经Oceanview软件进行光谱数据的采集。采集前使用参考白板校正，将软件设定为连续采集1000个，并设置测试时间和速度，采集时将平铺的孢子样本以匀速Z字型移动，确保采集数据的有效性且避免重复数据的获取。
步骤2，利用STS-NIR便携式光谱仪4分别采集样本在650-1100nm波长范围的反射光谱数据。不同种类锈菌孢子其本身化学和生物性质有所差异，因此其对于近红外光的反射和吸收是不同的。
本发明使用的STS-NIR便携式光谱仪4的触发模式参数选择0、积分时间0.1秒、滑动平均宽度为0，并启用基线校正；钨素卤光灯光源6距待测样本1距离为0.5cm；每个待测样本1采集1000个数据。采集到的病原菌孢子的漫反射原始数据如图2中(a)、(b)、(c)、(d)所示，漫反射数据的波长范围为650-1100nm，反射率总体呈上升趋势，各曲线数据趋势一致但幅值略有差异，尤其是白粉菌孢子的漫反射光谱数据，分析原因为采集过程是动态的，白粉菌孢子单位重量较轻，平铺后孢子间间隙较大，因此反射幅值的范围更大，包含的光谱信息也更全面。
步骤3，对得到的反射光谱数据进行预处理，并选择确定4个特征波长。
具体地，利用多元散射校正和标准正态变量变换方法对原始光谱数据进行预处理，处理结果如图3中(a)、(b)、(c)、(d)所示。其中，多元散射校正可消除样品由颗粒大小、装填严密程度、湿度等因素引起的影响，提高数据的信噪比，较适合颗粒类样品光谱数据的处理。
通过主成分分析(PCA)和随机蛙跳(RF)算法对光谱数据进行特征波长的选择，利用PCA方法获取的第一个主成分PC-1的载荷为93.26，前两个载荷相加为99.70，前三个载荷相加已达99.92。应用PCA分析的聚类图如图4所示，PC-1的得分为X轴、PC-2的得分为Y轴、PC-3的得分为Z轴，由图可知不同种类病原菌孢子的得分情况有较明确的区分度，说明每种孢子均有独特的聚集特征，最后确定4个特征波长，分别为766nm、785nm、841nm和911nm。
步骤4，基于支持向量机和反向传播神经网络建立真菌孢子的识别模型，确定不同孢子种类与特征波长之间的定性关系。
剔除无效数据后共获取孢子的漫反射光谱数据3992个，分别选择全波长和4个特征波长的3000个光谱数据基于反向传播神经网络(BPNN)、偏最小二乘判别法(PLS)和支持向量机(SVM)等三种建模方法构建气传病原菌孢子的识别模型，以上计算均在MatlabR2021a的Windows操作系统中进行编程完成。将992个预测集数据输入此识别模型，并对孢子种类进行预测，预测率的决定系数均达到99％以上，说明模型具有较好的预测精度。
步骤5，将待测孢子样本特征波长处的近红外光谱数据输入所述识别模型，实现对不同种类孢子的快速无损判别。
具体地，若选择上述4个特征波长建模，利用PLS的测试结果如图5所示，其中横向1，2，3，4分别代表条锈菌孢子、叶锈菌孢子、失活的条锈菌孢子和白粉菌孢子，预测率的决定系数达到100％，模型的运行时间可控制在4s以内，说明该模型具有较好的预测精度和较快的预测时间。
综上结果分析，本发明提出的基于近红外光谱技术的小麦气传病原菌孢子的快速无损识别方法，可利用便携式近红外光谱仪实现病原孢子的快速准确、无损原位检测，为小麦常见气传病的监测预警提供技术支撑。
Claims (7)
1.一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，包括如下步骤：
步骤(1)，收取小麦叶锈菌孢子、白粉菌孢子和具有活性及失活的条锈菌孢子样本；
步骤(2)，利用便携式近红外光谱仪分别采集样本在650-1100nm波长范围的反射光谱数据；
步骤(3)，对得到的反射光谱数据进行预处理，并选择确定4个特征波长；
步骤(4)，基于支持向量机和反向传播神经网络建立真菌孢子的识别模型，确定不同孢子种类与特征波长之间的定性关系；
步骤(5)，将待测孢子样本特征波长处的近红外光谱数据输入所述识别模型，实现对不同种类孢子的快速无损判别。
2.根据权利要求1所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(1)中所用的小麦叶锈菌孢子、白粉菌孢子和条锈菌孢子均在低温温室内繁育收集，采集的样品存放于加硅胶的干燥皿中，于适宜条件下保存。
3.根据权利要求1所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(2)中对样本进行光谱采集前，先将其置于室内常温条件下平衡水分和温度，消除水分和温度对测量结果的影响，然后分别称取不同种类病原菌孢子样本平铺备用。
4.根据权利要求1所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(2)中便携式近红外光谱仪的触发模式参数选择0、积分时间0.1秒、滑动平均宽度为0，并启用基线校正；钨素卤光灯光源距样本距离为0.5cm；每个样本采集1000个数据。
5.根据权利要求1所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(3)中采用的预处理方法为多元散射校正和标准正态变量变换方法，采用的特征波长选择方法为主成分分析和随机蛙跳算法，确定4的个特征波长分别为766nm、785nm、841nm和911nm。
6.根据权利要求1所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(4)中分别选择全波长和步骤(3)中确定的特征波长3000个反射光谱数据建立气传病原菌孢子的识别模型，采用的建模方法为反向传播神经网络(BPNN)、偏最小二乘判别法(PLS)和支持向量机(SVM)。
7.根据权利要求6所述基于近红外光谱的小麦气传病原菌孢子快速无损识别方法，其特征在于，所述步骤(5)中，4秒之内完成对不同种类孢子的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820135.2A CN113567392A (zh) | 2021-07-20 | 2021-07-20 | 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820135.2A CN113567392A (zh) | 2021-07-20 | 2021-07-20 | 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113567392A true CN113567392A (zh) | 2021-10-29 |
Family
ID=78165694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110820135.2A Pending CN113567392A (zh) | 2021-07-20 | 2021-07-20 | 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113567392A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115963074A (zh) * | 2023-02-23 | 2023-04-14 | 中国人民解放军国防科技大学 | 一种微生物材料孢子菌丝占比的快速检测方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040021860A1 (en) * | 2002-01-10 | 2004-02-05 | Gardner, Charles W. | Method for detection of pathogenic microorganisms |
| US20120164681A1 (en) * | 2006-09-05 | 2012-06-28 | Lou Reinisch | Method for Detection or Identification of Bacteria or Bacterial Spores |
| CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
| CN104730027A (zh) * | 2015-02-03 | 2015-06-24 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
| CN105424636A (zh) * | 2015-12-29 | 2016-03-23 | 南京财经大学 | 一种粮食真菌污染情况的快速检测方法及其应用 |
| CN105803070A (zh) * | 2016-02-05 | 2016-07-27 | 中国农业大学 | 一种小麦叶片内条锈病菌dna相对含量测量方法 |
| CN105954281A (zh) * | 2016-04-21 | 2016-09-21 | 南京农业大学 | 一种稻谷霉变真菌菌落无损识别的方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
| US20190219499A1 (en) * | 2018-01-18 | 2019-07-18 | Wisconsin Alumni Research Foundation | System For Detection Of Disease In Plants |
-
2021
- 2021-07-20 CN CN202110820135.2A patent/CN113567392A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040021860A1 (en) * | 2002-01-10 | 2004-02-05 | Gardner, Charles W. | Method for detection of pathogenic microorganisms |
| US20120164681A1 (en) * | 2006-09-05 | 2012-06-28 | Lou Reinisch | Method for Detection or Identification of Bacteria or Bacterial Spores |
| CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
| CN104730027A (zh) * | 2015-02-03 | 2015-06-24 | 中国农业大学 | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 |
| CN105424636A (zh) * | 2015-12-29 | 2016-03-23 | 南京财经大学 | 一种粮食真菌污染情况的快速检测方法及其应用 |
| CN105803070A (zh) * | 2016-02-05 | 2016-07-27 | 中国农业大学 | 一种小麦叶片内条锈病菌dna相对含量测量方法 |
| CN105954281A (zh) * | 2016-04-21 | 2016-09-21 | 南京农业大学 | 一种稻谷霉变真菌菌落无损识别的方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
| US20190219499A1 (en) * | 2018-01-18 | 2019-07-18 | Wisconsin Alumni Research Foundation | System For Detection Of Disease In Plants |
Non-Patent Citations (2)
| Title |
|---|
| 陈全胜 等: "鸡肉中假单胞菌的近红外光谱快速识别", 《农业机械学报》, vol. 48, no. 8, pages 329 * |
| 龚报森，商鸿生，王旭: "小麦网腥黑粉菌与光腥黑粉菌冬孢子的红外光谱研究", 西北农业大学学报, vol. 22, no. 04, pages 1 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115963074A (zh) * | 2023-02-23 | 2023-04-14 | 中国人民解放军国防科技大学 | 一种微生物材料孢子菌丝占比的快速检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN208420696U (zh) | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 | |
| CN101382488B (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测系统 | |
| CN103439288B (zh) | 一种银杏叶药材实时放行检测方法 | |
| CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
| Fan et al. | Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies | |
| CN108663339A (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN104374711B (zh) | 一种树木叶面尘土量的确定方法及系统 | |
| CN102565023A (zh) | 一种基于激光拉曼光谱的果蔬农药残留快速检测装置及方法 | |
| CN106918572B (zh) | 马铃薯复配主食中马铃薯含量的测定方法 | |
| CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
| CN102788794A (zh) | 基于多传感信息融合的叶菜类蔬菜叶片农药残留检测装置及方法 | |
| KR20220038602A (ko) | 미생물을 동정하는 방법 및 시스템 | |
| CN104359855B (zh) | 一种基于近红外光谱的注水肉检测方法 | |
| CN101769866A (zh) | 一种牛奶成分的检测装置和方法 | |
| CN105866050A (zh) | 一种低成本苹果霉心病无损快速检测设备 | |
| CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| CN113567392A (zh) | 一种基于近红外光谱的小麦气传病原菌孢子快速无损识别方法 | |
| CN205719951U (zh) | 检测黑箱及利用该检测黑箱的苹果霉心病无损快速检测设备 | |
| CN110567894A (zh) | 一种含水溶液pH值快速检测方法和检测装置 | |
| CN104297136A (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
| Li et al. | Integrating spectral and image information for prediction of cottonseed vitality | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN102967557B (zh) | 基于近红外光谱的生物气溶胶含水量测定及其分类方法 |
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 |