CN113607681A - 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 - Google Patents
杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113607681A CN113607681A CN202110815244.5A CN202110815244A CN113607681A CN 113607681 A CN113607681 A CN 113607681A CN 202110815244 A CN202110815244 A CN 202110815244A CN 113607681 A CN113607681 A CN 113607681A
- Authority
- CN
- China
- Prior art keywords
- pleurotus eryngii
- mycelium
- growth period
- eryngii mycelium
- wave number
- 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
- 244000252132 Pleurotus eryngii Species 0.000 title claims abstract description 152
- 235000001681 Pleurotus eryngii Nutrition 0.000 title claims abstract description 152
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims description 44
- 230000003595 spectral effect Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims abstract description 32
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000002860 competitive effect Effects 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000002835 absorbance Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000002609 medium Substances 0.000 description 11
- 241000233866 Fungi Species 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010238 partial least squares regression Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000001963 growth medium Substances 0.000 description 3
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005400 testing for adjacent nuclei with gyration operator Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
本发明涉及一种杏鲍菇菌丝体检测方法、装置、电子设备及存储介质，该方法包括：采集杏鲍菇菌丝体的近红外光谱数据；利用多元散射校正方法对近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将特征波数输入前馈神经网络模型，以检测得到杏鲍菇菌丝体的生育期，其中前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。本发明通过以竞争性自适应重加权采样算法提取的特征波数为依据，降低模型计算量同时保证模型精度，高准确率地快速检测杏鲍菇菌丝体的生长情况。
Description
技术领域
本发明涉及近红外光谱特征处理和食用菌育种栽培技术领域，尤其涉及一种杏鲍菇菌丝体检测方法、装置、电子设备及存储介质。
背景技术
食用菌是具有食用和药用价值的大型菌物，已成为我国农业第五大产业，快速检测菌丝体生和子实体表型特征，对于食用菌高品质育种和智慧栽培具有重要意义。其中，杏鲍菇是我国工厂化栽培的珍稀食用菌品种之一，杏鲍菇菌丝体长速度、密度、颜色、特殊物质含量等表型检测已成为该研究领域热点之一。
现阶段食用菌菌丝体表型检测方面的基础仍然薄弱，传统肉眼和经验观察菌包内菌丝体生长情况，存在偏面的主观判断极易出错，并且缺乏统一标准且效率较低等不足。由于不同生长环境下菌丝体生长速度不同，肉眼和经验观察其生育阶段极易出错，难以作为调控栽培环境的可靠依据，无法保证食用菌的产量和品质。目前，通过光学设备和传感器将人工观察和手工测量的数据进行数字化后，在食用菌种质资源评价、鉴定、品种选育、生产装备等方面取得一定突破。
然而，如何基于光学设备和传感器采集到的数据，对杏鲍菇菌丝体进行检测、从而确定杏鲍菇的生长情况和品质，亟需快速而准确率高的解决方法。
发明内容
本发明的目的是提供一种杏鲍菇菌丝体检测方法、装置、电子设备及存储介质，用以解决现有技术中存在的问题。
第一方面，本发明提供一种杏鲍菇菌丝体检测方法，包括：
采集杏鲍菇菌丝体的近红外光谱数据；
利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
进一步地，所述利用多元散射校正方法对所述近红外光谱数据进行预处理用于消除由于杏鲍菇菌丝体的颗粒的分布和大小不均而产生的散射和基线漂移。
进一步地，所述利用多元散射校正方法对所述近红外光谱数据进行预处理包括：
在完成预设的次数的蒙特卡洛采样后，根据交互验证均方根误差值最小原则选择所述特征波数。
进一步地，在每次蒙特卡洛采样时，使用指数衰减函数删除回归系数绝对值相对较小的菌丝体光谱曲线波数点。
进一步地，所述特征波数具有对应的吸光度值。
进一步地，所述前馈神经网络模型的训练样本包括杏鲍菇菌丝体的每个生育期的多组数据。
进一步地，所述检测得到所述杏鲍菇菌丝体的生育期包括：
使用所述前馈神经网络模型的输出层的输出值构建编码向量，并解析所述编码向量得到杏鲍菇菌丝体的生育期。
第二方面，本发明提供一种杏鲍菇菌丝体检测装置，包括：
光谱数据采集模块，用于采集杏鲍菇菌丝体的近红外光谱数据；
光谱数据处理模块，用于利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现根据第一方面所述杏鲍菇菌丝体检测方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现根据第一方面所述杏鲍菇菌丝体检测方法的步骤。
由上面技术方案可知，本发明提供的杏鲍菇菌丝体检测方法、装置、电子设备及存储介质，通过多元散射校正对菌丝体原光谱数据进行预处理，以竞争性自适应重加权采样算法提取的特征波数为依据，降低模型计算量同时保证模型精度，建立不同生育时期杏鲍菇菌丝体快速检测模型，能够以高准确率快速检测杏鲍菇菌丝体的生长情况。
附图说明
图1是根据本发明实施例的杏鲍菇菌丝体检测方法的流程图；
图2是根据本发明实施例的杏鲍菇菌丝体第一个生育期的原始光谱数据图；
图3是根据本发明实施例的杏鲍菇菌丝体第二个生育期的原始光谱数据图；
图4是根据本发明实施例的杏鲍菇菌丝体第三个生育期的原始光谱数据图；
图5是根据本发明实施例的杏鲍菇菌丝体第四个生育期的原始光谱数据图；
图6是根据本发明实施例的杏鲍菇菌丝体第五个生育期的原始光谱数据图；
图7是根据本发明实施例的杏鲍菇菌丝体第六个生育期的原始光谱数据图；
图8是根据本发明实施例的杏鲍菇菌丝体第一个生育期的预处理后的光谱数据图；
图9是根据本发明实施例的杏鲍菇菌丝体第二个生育期的预处理后的光谱数据图；
图10是根据本发明实施例的杏鲍菇菌丝体第三个生育期的预处理后的光谱数据图；
图11是根据本发明实施例的杏鲍菇菌丝体第四个生育期的预处理后的光谱数据图；
图12是根据本发明实施例的杏鲍菇菌丝体第五个生育期的预处理后的光谱数据图；
图13是根据本发明实施例的杏鲍菇菌丝体第六个生育期的预处理后的光谱数据图；
图14是根据本发明实施例的使用竞争性自适应重加权采样算法选择杏鲍菇菌丝体的光谱特征波数的示意图；
图15是根据本发明实施例的前馈神经网络模型的网络结构示意图；
图16是根据本发明实施例的前馈神经网络模型的训练过程中曲线收敛图；
图17是根据本发明实施例的对杏鲍菇菌丝体的生育期的检测流程图；
图18是根据本发明实施例的杏鲍菇菌丝体检测装置的结构示意图；
图19是根据本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文提出了一种基于近红外光谱特征的杏鲍菇不同时期菌丝体快速检测方法。首先，以黑龙江主栽杏鲍菇为对象，通过傅立叶变换近红外光谱仪(TANGO)，获取六个不同生育阶段的杏鲍菇菌丝体光谱数据。然后，应用多元散射校正法(MSC)对原始光谱数据预处理，可以有效地消除样本间散射影响所导致基线漂移的现象,并提高原始光谱吸光度的信噪比，利用竞争性自适应重加权采样算法(CARS)对六个不同生育时期杏鲍菇菌丝体进行特征波长提取，优选杏鲍菇菌丝体有效变量的特征波数。最后，采用前馈(BP)神经网络，建立杏鲍菇菌丝体生育时期和近红外光谱特征波数之间的数学模型，并将网络输出的编码向量解析至菌丝体所对应生育时期作为检测结果。
图1是根据本发明实施例的杏鲍菇菌丝体检测方法的流程图，参考图1，根据本发明实施例的杏鲍菇菌丝体检测方法包括：
步骤110：采集杏鲍菇菌丝体的近红外光谱数据；
步骤120：利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
在本发明实施例中，需要说明的是，通过傅立叶变换近红外光谱仪(TANGO)，采集杏鲍菇菌丝体的光谱数据，波数采集范围：11542-3940cm-1，分辨率为8cm-1，样品扫描32次，每个样本扫描三次，共获得样本的4500条光谱曲线。
将杏鲍菇菌丝体，每个样本所测得的三条数据，取平均后共获得六个不同生育时期的菌丝体1500组样本，即每个生育期250组近红外光谱曲线数据。杏鲍菇菌丝体的六个生育时期分为：未接种的培养料、生长十天的菌丝体、生长二十天的菌丝体、生长三十天的菌丝体、生长四十天的菌丝体、生长五十天的菌丝体。六个不同生育时期的杏鲍菇菌丝体的近红外光谱原始光谱数据，如图2至图7所示。
在利用近红外光谱技术进行定性分析时，由于杏鲍菇培养基料主要成分为木屑或碎秸秆等原料，致使原始光谱数据存在不同波段干扰噪声、散射信息和基线漂移等问题，所以需要利用多元散射校正方法进行预处理，来消除由于样本自身存在颗粒不均匀及颗粒大小不同而产生的散射信息影响和基线漂移现象。该方法是一种多变量散射校正技术，可以消除不同光谱间物理散射信息存在的差异，并将不同样本的光谱散射信息校正到同一水平，从而减少各种因素的干扰，提高原始吸光度光谱的信噪比。通过对原始光谱进行预处理后，可以简化后续建模处理运算的过程，为分析不同生育时期杏鲍菇菌丝体光谱数据特性提供准确的光谱数据。
应用多元散射校正预处理方法，将杏鲍菇六个不同生育时期菌丝体进行平均处理，得到标准平均光谱。首先将所有菌丝体样本光谱曲线进行平均处理，取得标准光谱，标准光谱即为平均光谱，再将每个样品的光谱与平均准光谱进行一元线性回归，便得到了每个光谱的回归系数与回归常数，接下来，让每个菌丝体样品初始光谱回归常数相减，并除以回归系数，目的是修正光谱基线的相对倾斜，经过这样的处理后，便可以在标准光谱的参考下使得每一个光谱的基线偏移得到修正和提高原始光谱的信噪比。具体算法如下：
在多元散射校正中，如果X1×m代表菌丝体样本的光谱，那么平均光谱为
接着对X,
做线性回归，得到式(1)：
式中，X1×m里的1代表单个绿豆样本，m代表1，2，....m个光谱变量。
通过利用最小二乘法求取β0和β的值后，对杏鲍菇菌丝体的原始光谱曲线进行运算，可得到菌丝体原始光谱曲线经过多元散射校正预处理的散射方程为：
在杏鲍菇菌丝体原始光谱数据的多元散射校正预处理过程中，按照公式(1)和(2)，计算得到六个生育时期菌丝体的校正曲线平均值为0.7759。通过该预处理过程消除了由于颗粒不均造成的散射影响，预处理后的菌丝体光谱数据，如图8至图13所示。
在图8至图13中可以看出，通过杏鲍菇菌丝体的原始光谱进行多元散射校正预处理，可以有效消除原始光谱相对存在的基线漂移现象和信噪比的影响，从而加强近红外光谱数据特征波数的分辨率。根据显著性检验的假设概率P-value，进行多元散射校正的误差分析。经过多元散射校正预处理后，杏鲍菇第一个生育时期菌丝体光谱曲线的误差从0.3530降到0.3516；杏鲍菇第二个生育时期菌丝体光谱曲线的误差从0.3552降到0.3538；杏鲍菇第三个生育时期的菌丝体光谱曲线的误差从0.3552降到0.3537；杏鲍菇第四个生育时期的菌丝体光谱曲线的误差从0.3524降到0.3497；杏鲍菇第五个生育时期的菌丝体光谱曲线的误差从0.3780降到0.3771；杏鲍菇第六个生育时期菌丝以光谱曲线的误差从0.2314降到0.2283。六个不同时期的菌丝显著性检验的假设概率均趋近于0，从而降低了由于杏鲍菇菌包内培养基料颗粒大小和分布不均匀而产生的散射和噪声影响。
竞争性自适应重加权采样算法是一种变量选择理论，可以有效去除无效信息变量，尽可能减少共线性变量对模型的影响，从而选取出光谱数据中最关键的波数变量，以简化模型的输入变量。CARS算法是将每个变量看成一个独立的个体，并应用自适重加权采样技术来选择建立模型中回归系数绝对值较大的变量，去除权重比较小的变量，根据交互验证均方根误差(RMSECV)值最小原则，选择出最优的变量子集。由于六个不同生育时期杏鲍菇菌丝体的原始光谱数据变量较多，采用CARS方法优选出六个不同生育时期杏鲍菇菌丝体的NIR光谱特征波数，作为构建模型的菌丝体近红外光谱数据的特征指标。
竞争性自适应重加权采样算法(CARS)是一个基于蒙特卡罗采样和PLS回归系数的优选特征波数的方法。首先采用蒙特卡罗采样选择的校正集样本建立对应的PLS回归模型，对该次采样中波数回归系数的绝对值权重进行计算，删除绝对值较小的波数变量，并利用衰减指数法(EDF)来确定删除的波数变量的个数，在基于剩余的不同生育时期菌丝体光谱波数变量的基础上，通过自适应重加权采样(ARS)选择波数建立PLS模型，PLS模型对应的波数在RMSECV最小的基础上，即为选择能够检测菌丝体不同生育时期的特征波数。
(1)本实施例中蒙特卡罗(Monte Carlo，MC)的采样次数N设置为50次，设所测的菌丝体样本的多维度光谱矩阵为X(m×n)，m为菌丝体样本数，n为光谱变量数，与多维度光谱曲线对应的生育时期设置变量真实值矩阵为y(m×1),则PLS回归模型为：
y＝Xb+e (3)
式中，b代表n维的菌丝体光谱系数向量；e表示PLS回归模型的预测残差。
(2)选用指数衰减函数(Exponentially Decreasing Function,EDF)强行删除回归系数绝对值相对较小的菌丝体光谱曲线波数点。在第i次采样时，根据EDF得到确定菌丝体光谱曲线波数点的保留率Ri为：
Ri＝μe-ki (4)
式中，μ与k是常数，可以按照公式(5)～(6)进行计算：
式中，在第1次采样时，R1＝1，n表示菌丝体光谱原始波数变量均参与建模；在第N次采样时，RN＝2/n，仅剩2个变量参与建模，N为采样次数。
(3)基于自适应重加权采样技术(ARS)通过评价|wi|为菌丝体光谱曲线中第i个变量的权重来进行相应变量的筛选，权重值的建立如下：
其中n为光谱变量，bi为b中第i个光谱变量的绝对值|bi|(1≤i≤n)代表第i个值对识别产地检测的贡献。
(4)在N次采样完成之后，通过计算并选择RMSECV最小值所对应的波数变量子集为特征波数，表示所选特征波数在检测菌丝体生育时期是最优变量子集。
利用CARS算法提取特征波长的运算过程，可以具体化表达为图14所示，显示出光谱的变量数、内部交叉验证RMSEVC值、以及每个变量的回归系数。
由图14中第一个图可以看出，变量数正逐步下降，且下降的趋势由快变慢；图14中第二个图中的RMSECV值表明了基于自适应加权采样选择的特征波长建立的PLS模型的预测效果；图14中第三个图中每条线代表每个波长变量回归系数的变化趋势，*号为RMSECV值最小的位置，*号之后RMSECV值开始增大，根据RMSECV值最小的原则，优选杏鲍菇菌丝体回归模型的光谱数据特征波数。当蒙特卡罗采样次数为50次时，图14中第二个图中的RMSECV值达到最小值0.2418，此时筛选出的光谱特征波数，共包含86个特征波数，并将其作为六个不同生育时期杏鲍菇菌丝体快速检测方法的有效依据。
BP神经网络是学习算法误差反向传播机制的神经网络，具有极强的非线性映射能力，可以自适应地对外界刺激和输入信息进行联想记忆能力，因此对外界输入的样本有很强的识别与分类能力。从而构建不同生育时期杏鲍菇菌丝体和光谱数据的特征波数之间的数学模型，实现一种杏鲍菇菌丝体不同生育时期的快速检测方法。
构建六个不同生育时期杏鲍菇菌丝体的BP神经网络模型结构，依据输入层为提取菌丝体的86个特征波数，即输入层节点数为优选出的有效变量86个节点；输出层是六个不同生育时期杏鲍菇菌丝体二进制编码，即输出层为6个节点；根据Kolmogorov定理和实际实验，确定第一隐含层、第二隐含层和第三隐含层节点数分别为85个、85个和95个节点，所以检测不同生育时期菌丝体的神经网络模型结构为86-85-85-95-3型，具体如图15所示。
从图15拓扑结构上看，前馈网络是典型的分层网络结构，分为输入层，隐含层和输出层，层与层之间一般采用全互连方式，同层单元之间不存在相互连接，网络各层分别有nI＝86，nh1＝85，nh2＝85，nh3＝95，no＝6。
输入层：设网络输入向量为
其中
只是传递信号到隐含层，令
为输入层第i节点的输出：
第一隐含层：令输入层到隐含层为的连接权为
隐含层激励函数为f，阈值为
该层输出向量
则
为第一隐含层第j节点的输出：
第二隐含层和第三隐含层：采用与第一隐含层相同的激励函数，可以推理得出第二隐含层和第三隐含层节点的输出分别为：
输出层。令隐含层到输出层为的连接权为wjk，输出层的激励函数p，阈值为
输出向量为
其中
则
为输出层的第k节点输出：
建立了一种前馈神经网络，利用其具有自适应性和稳定快速收敛特性，作为菌丝体生育时期检测的智能识别模型。在实际应用中，可以通过改变各层连接方式和激励函数，获得新的网络结构，实现不同的非线性映射关系。
设共有M样本，第p个样本，对应的期望输出为dp，计算网络输出为yp，网络各个输出总误差为：
若记wsq是待调参数连接权和阈值，则学习规则为：
式中，η为学习速度，α为惯性系数；t为学习次数。
采用近红外光谱特征的杏鲍菇菌丝体快速检测步骤如下：(1)通过多元散射校正对杏鲍菇菌丝体的原始光谱进行预处理，有效消除原始光谱相对存在的基线漂移现象和信噪比的影响；(2)采用CARS算法选取出菌丝体光谱数据中关键的86个特征波数，作为BP神经网络的输入向量，训练适合的网络结构及相应参数，建立MSC-CARS-BP检测模型；(3)利用训练好的神经网络模型对测试样本进行仿真，将预测集光谱数据样本的预处理后86个特征波数输入检测模型，进而获得杏鲍菇菌丝体生育时期的输出结果。
将六个不同生育时期的菌丝体1500组样本，即每个生育期250组近红外光谱曲线数据，按照4：1的比例划分校正集和预测集，即校正集为1200组(每个生育时期各200组)，预测集为300组(每个生育时期各50组)。选定杏鲍菇菌丝体的六个生育时期各200组数据，作为神经网络的训练样本，累计训练样本集共含1200组样本，定义训练目标迭代精度为0.001，学习速度0.8，惯性系数0.5，最大学习次数13000，利用梯度下降算法求解网络参数的最优解，具体收敛曲线效果如图16所示。
从图16可以看出，BP神经网络收敛曲线平滑，当学习次数达到13000次时，误差精度为0.010561，虽然未达到设定目标差精度0.01，但训练样本集的准确率达到99.25％，得到了较好的效果。
利用训练好的前馈神经网络模型，对300组六个不同生育时期的杏鲍菇菌丝体快速检测，具体流程如图17所示。
为测试及评价基于近红外光谱特征的杏鲍菇菌丝体快速检测方法(MSC-CARS-BP型)，对于菌丝体生育阶段检测性能的效果，在相同条件下，与RAW-BP和MSC-BP进行性能比较，同样设定目标精度为0.001。
通过仿真结果的分析可知，采用CARS算法提取特征波长后，将原始光谱的1845个波数优选出了86个特征波数，相比较原始光谱波数减少了95.34％；而构建的三种模型预测集的准确率都达到了90％以上，但是MSC-BP和MSC-CARS-BP模型预测集的准确率达到了99.67％，错误率只有0.33％，优于RAW-BP模型。同时，虽然MSC-BP和MSC-CARS-BP模型预测集的准确率一致，但是相比较而言，MSC-CARS-BP校正集的准确率是99.25％高于MSC-BP模型校正集的准确率是97.25％。可以看出，对原始光谱数据进行相同预处理后，经过CARS算法提取特征波长后所构建的模型准确率最高，并且模型稳定性也有所提高。所以，构建的MSC-CARS-BP模型快速检测性能最好，是一种对不同生育时期杏鲍菇菌丝体快速检测的有效方法。
本发明以六个不同生育时期杏鲍菇菌丝体为对象，通过多元散射校正(MSC)对菌丝体原光谱数据进行预处理，以CARS算法提取的特征波数为依据，建立不同生育时期杏鲍菇菌丝体快速检测模型。
(1)应用竞争性自适应重加权采样算法(CARS)提取86个特征波数，去除了权重较小的波数变量，简化原始光谱波数量达到95.34％，降低了模型计算量同时保证模型精度。
(2)本发明提出了MSC-CARS-BP不同生育时期菌丝体检测模型，预测集的检测结果准确率达到99.67％，实现了一种食用菌菌丝体表型快速检测的新方法。
该模型方法简化了原始光谱的计算量和模型规模，解决了针对不同生育时期食用菌菌丝体快速检测的难题，实现了一种不同生育时期杏鲍菇菌丝体快速检测方法，为食用菌菌丝体生长情况快速检测提供了新思路和技术参考。
图18为本发明实施例提供的杏鲍菇菌丝体检测装置的示意图，如图18所示，本发明实施例提供的杏鲍菇菌丝体检测装置包括：
光谱数据采集模块1810，用于采集杏鲍菇菌丝体的近红外光谱数据；
光谱数据处理模块1820，用于利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。由于本发明实施例提供的杏鲍菇菌丝体检测装置，可以用于执行上述实施例所述的杏鲍菇菌丝体检测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
图19示例了一种电子设备的实体结构示意图，如图19所示，该电子设备可以包括：处理器(processor)1910、通信接口(Communications Interface)1920、存储器(memory)1930和通信总线1940，其中，处理器1910，通信接口1920，存储器1930通过通信总线1940完成相互间的通信。处理器1910可以调用存储器1930中的逻辑指令，以执行杏鲍菇菌丝体检测方法，该方法包括：采集杏鲍菇菌丝体的近红外光谱数据；利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
此外，上述的存储器1930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的杏鲍菇菌丝体检测方法，该方法包括：采集杏鲍菇菌丝体的近红外光谱数据；利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的杏鲍菇菌丝体检测方法，该方法包括：采集杏鲍菇菌丝体的近红外光谱数据；利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种杏鲍菇菌丝体检测方法，其特征在于，包括：
采集杏鲍菇菌丝体的近红外光谱数据；
利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
2.根据权利要求1所述的杏鲍菇菌丝体检测方法，其特征在于，所述利用多元散射校正方法对所述近红外光谱数据进行预处理用于消除由于杏鲍菇菌丝体的颗粒的分布和大小不均而产生的散射和基线漂移。
3.根据权利要求1所述的杏鲍菇菌丝体检测方法，其特征在于，所述利用多元散射校正方法对所述近红外光谱数据进行预处理包括：
在完成预设的次数的蒙特卡洛采样后，根据交互验证均方根误差值最小原则选择所述特征波数。
4.根据权利要求3所述的杏鲍菇菌丝体检测方法，其特征在于，在每次蒙特卡洛采样时，使用指数衰减函数删除回归系数绝对值相对较小的菌丝体光谱曲线波数点。
5.根据权利要求1所述的杏鲍菇菌丝体检测方法，其特征在于，所述特征波数具有对应的吸光度值。
6.根据权利要求1所述的杏鲍菇菌丝体检测方法，其特征在于，所述前馈神经网络模型的训练样本包括杏鲍菇菌丝体的每个生育期的多组数据。
7.根据权利要求1所述的杏鲍菇菌丝体检测方法，其特征在于，所述检测得到所述杏鲍菇菌丝体的生育期包括：
使用所述前馈神经网络模型的输出层的输出值构建编码向量，并解析所述编码向量得到杏鲍菇菌丝体的生育期。
8.一种杏鲍菇菌丝体检测装置，其特征在于，包括：
光谱数据采集模块，用于采集杏鲍菇菌丝体的近红外光谱数据；
光谱数据处理模块，用于利用多元散射校正方法对所述近红外光谱数据进行预处理，得到提高信噪比的光谱数据；利用竞争性自适应重加权采样算法从所述提高信噪比的光谱数据中选择用于检测杏鲍菇菌丝体的生育期的特征波数；将所述特征波数输入前馈神经网络模型，以检测得到所述杏鲍菇菌丝体的生育期，其中所述前馈神经网络模型的输入层的节点数对应于用于检测杏鲍菇菌丝体的生育期的特征波数，输出层的节点数对应于杏鲍菇菌丝体的各个生育期。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现根据权利要求1至7任一项所述杏鲍菇菌丝体检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现根据权利要求1至7任一项所述杏鲍菇菌丝体检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110815244.5A CN113607681A (zh) | 2021-07-19 | 2021-07-19 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110815244.5A CN113607681A (zh) | 2021-07-19 | 2021-07-19 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113607681A true CN113607681A (zh) | 2021-11-05 |
Family
ID=78304835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110815244.5A Pending CN113607681A (zh) | 2021-07-19 | 2021-07-19 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113607681A (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 (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519903A (zh) * | 2011-11-22 | 2012-06-27 | 山东理工大学 | 一种近红外光谱测定双孢蘑菇白度值的方法 |
| CN102768195A (zh) * | 2012-06-29 | 2012-11-07 | 杭州中美华东制药有限公司 | 一种虫草菌粉水分含量快速检测方法 |
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
| CN106290240A (zh) * | 2016-08-29 | 2017-01-04 | 江苏大学 | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN109492665A (zh) * | 2018-09-28 | 2019-03-19 | 江苏省无线电科学研究所有限公司 | 水稻生育期的检测方法、装置及电子设备 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN110243748A (zh) * | 2019-07-22 | 2019-09-17 | 南京财经大学 | 一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
| CN110398473A (zh) * | 2019-07-25 | 2019-11-01 | 黑龙江八一农垦大学 | 一种农产品产地检测方法及系统 |
| CN110849828A (zh) * | 2019-12-13 | 2020-02-28 | 嘉兴职业技术学院 | 一种基于高光谱图像技术的藏红花分类方法 |
| CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
| US10845243B1 (en) * | 2019-05-20 | 2020-11-24 | China Institute Of Water Resources And Hydropower Research | Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters |
| US20210082104A1 (en) * | 2017-12-15 | 2021-03-18 | Vineland Research And Innovation Centre | Methods and systems related to mushroom ripeness determination |
| KR20210080055A (ko) * | 2019-12-20 | 2021-06-30 | 순천대학교 산학협력단 | 버섯 병해충 검출 시스템 |
-
2021
- 2021-07-19 CN CN202110815244.5A patent/CN113607681A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519903A (zh) * | 2011-11-22 | 2012-06-27 | 山东理工大学 | 一种近红外光谱测定双孢蘑菇白度值的方法 |
| CN102768195A (zh) * | 2012-06-29 | 2012-11-07 | 杭州中美华东制药有限公司 | 一种虫草菌粉水分含量快速检测方法 |
| CN102788752A (zh) * | 2012-08-08 | 2012-11-21 | 江苏大学 | 基于光谱技术的农作物内部信息无损检测装置及方法 |
| CN104297165A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对腐败真菌生长预测的方法 |
| CN106290240A (zh) * | 2016-08-29 | 2017-01-04 | 江苏大学 | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| US20210082104A1 (en) * | 2017-12-15 | 2021-03-18 | Vineland Research And Innovation Centre | Methods and systems related to mushroom ripeness determination |
| CN109492665A (zh) * | 2018-09-28 | 2019-03-19 | 江苏省无线电科学研究所有限公司 | 水稻生育期的检测方法、装置及电子设备 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| US10845243B1 (en) * | 2019-05-20 | 2020-11-24 | China Institute Of Water Resources And Hydropower Research | Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters |
| CN110243748A (zh) * | 2019-07-22 | 2019-09-17 | 南京财经大学 | 一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
| CN110398473A (zh) * | 2019-07-25 | 2019-11-01 | 黑龙江八一农垦大学 | 一种农产品产地检测方法及系统 |
| CN110849828A (zh) * | 2019-12-13 | 2020-02-28 | 嘉兴职业技术学院 | 一种基于高光谱图像技术的藏红花分类方法 |
| KR20210080055A (ko) * | 2019-12-20 | 2021-06-30 | 순천대학교 산학협력단 | 버섯 병해충 검출 시스템 |
| CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姚森;张霁;刘鸿高;李杰庆;王元忠;: "红外光谱技术在食用菌研究中的应用", 食品科学, vol. 39, no. 01, pages 305 - 312 * |
| 孙素琴, 杜德国, 梁曦云, 杨显荣: "36种灵芝产品傅里叶变换红外光谱快速鉴别研究", 分析化学, vol. 29, no. 03, pages 309 - 312 * |
| 王家胜: "《阳城县志》", 31 January 2015, 山西人民出版社, pages: 251 - 257 * |
Cited By (2)
| 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 |
| CN115963074B (zh) * | 2023-02-23 | 2023-06-02 | 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 |
|---|---|---|
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
| Zhang et al. | Noise reduction in the spectral domain of hyperspectral images using denoising autoencoder methods | |
| CN110991064B (zh) | 土壤重金属含量反演模型生成方法、系统及反演方法 | |
| CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN110705372A (zh) | 基于深度学习卷积神经网络的libs多成分定量反演方法 | |
| CN111931983B (zh) | 一种降水量预测方法及系统 | |
| 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 | |
| CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| CN108254324B (zh) | 一种蟹肉新鲜度快速检测方法及装置 | |
| CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
| CN113607681A (zh) | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 | |
| Guan et al. | A recognition method of mushroom mycelium varieties based on near-infrared spectroscopy and deep learning model | |
| CN117332358B (zh) | 一种玉米浸泡水处理方法及系统 | |
| CN104730027B (zh) | 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 | |
| CN112651428A (zh) | 一种用于远程拉曼矿物识别的深度学习模型多分类方法 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
| Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
| CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
| CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
| Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
| Yang et al. | Size estimation of tomato fruits based on spectroscopic analysis | |
| CN109858127B (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 |
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 |