CN114088635B - 一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 - Google Patents
一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 Download PDFInfo
- Publication number
- CN114088635B CN114088635B CN202111369297.5A CN202111369297A CN114088635B CN 114088635 B CN114088635 B CN 114088635B CN 202111369297 A CN202111369297 A CN 202111369297A CN 114088635 B CN114088635 B CN 114088635B
- Authority
- CN
- China
- Prior art keywords
- rice
- polarized light
- data
- freshness
- sample
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 306
- 235000009566 rice Nutrition 0.000 title claims abstract description 306
- 235000013339 cereals Nutrition 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 305
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000032683 aging Effects 0.000 claims description 106
- 235000021329 brown rice Nutrition 0.000 claims description 23
- 230000001419 dependent effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 21
- 238000012795 verification Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 229920002472 Starch Polymers 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 235000019698 starch Nutrition 0.000 description 8
- 239000008107 starch Substances 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000013078 crystal Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- NLKNQRATVPKPDG-UHFFFAOYSA-M potassium iodide Chemical compound [K+].[I-] NLKNQRATVPKPDG-UHFFFAOYSA-M 0.000 description 3
- 244000061661 Orchis Species 0.000 description 2
- -1 aldehyde ketone Chemical class 0.000 description 2
- 108010050181 aleurone Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000003480 eluent Substances 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- LHGVFZTZFXWLCP-UHFFFAOYSA-N guaiacol Chemical compound COC1=CC=CC=C1O LHGVFZTZFXWLCP-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011474 orchiectomy Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229940100486 rice starch Drugs 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 229920000945 Amylopectin Polymers 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 229960001867 guaiacol Drugs 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000010903 husk Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- WQGWDDDVZFFDIG-UHFFFAOYSA-N pyrogallol Chemical compound OC1=CC=CC(O)=C1O WQGWDDDVZFFDIG-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000002087 whitening effect Effects 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
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统，所述方法包括：构建稻米籽粒的偏振光数据与稻米籽粒新陈度之间的定量分析模型，所述偏振光数据为结合RGB颜色空间的偏振光数据；获取待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。其中，本发明创造性的引入了偏振光技术，构建了偏振光数据与稻米籽粒新陈度之间的定量分析模型，用于稻米新陈度检测。其过程无需粉碎制备样品，可以原籽粒形式以实现更快速、更准确、更简单的无损稻米新陈度的检测。
Description
技术领域
本发明属于粮食安全与加工技术领域，具体涉及一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统。
背景技术
稻米是我国最重要的粮食作为之一，国家每年都会储备大量的稻米用于调节社会粮食供求总量，稳定粮食市场，以及应对重大自然灾害或者其他突发事件等情况。稻米在储藏过程中，受温度、水分等因素的影响，发生陈化，品质逐渐下降。
国家标准GB/T 20569-2006《稻谷储存品质判定规则》从色泽气味、脂肪酸值、品尝评分值共三个方面将稻谷分为宜存、轻度不宜存和重度不宜存，但是这些判定依据对应的鉴别方法耗时长、花销大、对操作者的专业水平要求高，无法满足稻米流通环节的快速检测需求。地方标准DB12/T 245-2005《大米新陈度快速测定方法》通过染色法判断被检米粒新陈程度，根据不同颜色米粒数量，可判断不同新陈程度米粒掺和比例，但是此方法耗时耗力且受主观影响大，无法实现在稻米生产加工或储藏环节中进行大量不同新陈度稻米掺和情况的快速准确分析。目前，最新用于鉴别稻米新鲜度的方法是行业标准LS/T6118-2017《粮油检验稻谷新鲜度测定与判别》，其原理是：将净稻谷经脱壳后碾磨成规定加工精度等级的大米，并与显色剂反应，根据不同新鲜程度的大米含有的醛酮类物质的量不同，显示不同的颜色特征，通过光谱分析颜色差异，得到稻谷的新鲜度值。此方法运用到化学试剂，对环境产生污染，操作复杂，检测时间长，不能实现稻米新陈度无损快速分析。
此外，CN201621132990.5的专利公布了一种陈化粮快速检测试剂盒，将粮食放入洗脱液中制备样品的洗脱液，然后与显色指示剂反应，最后将显示的颜色与比色卡进行对比，从而判断陈化粮的新陈度。此方法受主观影响大，对样品造成了损坏无法食用，若用于稻米生产加工或储藏环节的新陈度检测，其检测结果不准确，不具有代表性，会造成粮食浪费。CN201010269378.3的专利公布了一种稻米新陈度近红外光谱分析快速检测方法，以稻米近红外光谱特征信息数据为自变量，稻米新陈度为因变量，基于偏最小二乘法建立品稻米近红外光谱特征信息与稻米新陈度之间的定标模型。此方法分析速度快，效率高，但近红外光谱技术只表征样品内部信息，样品为粉末样品引起较大误差，代表性和选择性不好，灵敏度差，不能检测外部属性，忽略了不同稻米新陈度外表颜色差异这一重要指标。北京东孚久恒仪器技术有限公司日本株式会社(佐竹)的合作产品——新型稻谷新鲜度测定仪，将待测稻谷碾制成大米，大米试样加入专用测鲜剂后，振荡混合并进行离心处理，经仪器检测后显示样品的新鲜度值。其工作原理是依据稻谷样品在陈化过程中产生的醛酮类物质的量，通过检测样品与测鲜剂混合反应后混合溶液颜色变化来判断稻谷的新鲜程度。该仪器主要应用于粮库、大米加工企业、粮食质检中心等对稻谷新鲜程度的评价，目前尚不适用于糙米和精米的检测。
综上所述，上述现有检测稻米新陈度的方法难以同时兼具无损、高精度、操作简单等优点，新型稻谷新鲜度测定仪操作简单，测试方便快捷，检测结果准确客观，但是不能实现糙米和精米新陈度的检测。因此，研究一种能够实现无损、准确、快速检测稻米(包括稻谷、糙米和精米)籽粒新陈度的方法实有必要。
发明内容
本发明的目的是针对稻米新陈度的无损检测问题，提供一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统。本发明利用偏振光技术快速无损定量检测稻米(包括稻谷、糙米和精米)籽粒新陈度，其过程无需粉碎制备样品，可以原籽粒形式以实现更快速、更准确、更简单的无损稻米新陈度的检测，用于指导稻米的收购和储存。
一方面，本发明提供的一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，其包括：
构建稻米籽粒的偏振光数据与稻米籽粒新陈度之间的定量分析模型，所述偏振光数据为结合RGB颜色空间的偏振光数据；
获取待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。
进一步可选的，若获取到陈化时间已知以及每一陈化时间下对应陈化程度一致的标准系列稻米样本，构建适用于陈化程度一致或者近似一致的待测稻米的新陈度检测的所述定量分析模型的过程如下：
将每个陈化时间下标准系列稻米样本的偏振光数据作为自变量，以及对应的陈化时间设为新陈度指标并作为因变量，进行数据建模构建定量分析模型；
其中，构建的所述定量分析模型的输入数据为偏振光数据，输出数据为陈化时间。
应当理解，陈化程度一致或者近似一致的待测稻米是指待测稻米中每个稻米的陈化程序相同或者相近。其中，近似一致表示稻米的陈化程度相近，譬如采用分类或者聚类等手段确定的一类陈化程度相近的待测稻米；或者设定近似标准，满足近似标准的待测稻米，该近似标准可以是环境标准或待测稻米的特征指标标准。
进一步可选的，所述标准系列稻米样本的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a1R+b1G+c1B，其中，a1、b1、c1均为预设系数，R、G、B为偏振光的R、G、B单通道数据；
待测稻米的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a2R+b2G+c2B，其中，a2、b2、c2均为系数，利用待测稻米样本的偏振光R、G、B单通道数据与标准系列稻米样本的偏振光R、G、B单通道数据确定系数a2、b2、c2的最佳取值。
其中，预设系数a1、b1、c1一般取值为1，其他可行的方式中对其进行微调也是可行的，其依据经验或者实验效果可以确定。
进一步可选的，系数a2、b2、c2的最佳取值分别为待测稻米样本的偏振光R、G、B单通道数据均值与标准系列稻米样本中陈化程度低的稻米样本对应的偏振光R、G、B单通道数据均值的比值。
其中，优选陈化程度最低，即陈化时间为0的标准系列稻米样本作为标定样本，用于确定系数a2、b2、c2；其他可行方式中，依据精度可以适应性放宽陈化程度的要求。
进一步可选的，若获取到定标样本，定标样本是与待测稻米为同一品种的陈化程度低且陈化程度一致的样本，构建的适用于未知陈化时间的陈化程度一致或不一致的稻米新陈度值检测的定量分析模型为：
每类相同或相近新陈度的待测稻米的偏振光数据与定标样本的偏振光数据的比值，或比值再乘以100％作为对应一类稻米的新陈度值；
其中，若待测稻米的陈化程度不一致，计算新陈度值之前还需要：利用所述待测稻米的偏振光数据以及所述定标样本的偏振光数据进行分类。
其中，优选定标样本是与待测稻米为同一品种的陈化程度为0的样本，其他可行的方式中，依据精度需求，可以根据实际结果或试验结果进行微调。
进一步可选的，若待测稻米的陈化程度不一致，所述方法还包括：分类后，计算每一类陈化程度的籽粒在待测稻米中所占的籽粒数比例。
进一步可选的，所述待测稻米的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a3R+b3G+c3B，其中，a3、b3、c3均为系数，利用待测稻米样本的偏振光R、G、B单通道数据与定标样本的偏振光R、G、B单通道数据确定系数a3、b3、c3的最佳取值；
所述定标样本的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a4R+b4G+c4B，其中，a4、b4、c4均为预设系数，R、G、B为偏振光的R、G、B单通道数据。
进一步可选的，获取稻米的偏振光数据之前还需要恒定水分含量，其中，稻谷、糙米、精米分别对应如下水分恒定参数：
{稻谷，恒定温度：30～40℃，恒定时间：10～20min}，{糙米，恒定温度：50～60℃，恒定时间：5～10min}，{精米，恒定温度：40～50℃，恒定时间：5～10min}。
进一步可选的，根据稻米类型设置偏振光的入射光源参数，其中，稻谷、糙米、精米分别对应如下入射光源参数：
{稻谷，入射光波长：800～1450nm，夹角θ：2kπ(k＝0、1、2、3…)，入射光距离：0.5～3cm}，{糙米，入射光波长：1500～1950nm，夹角θ：2kπ～(2k+1)π(k＝0、1、2、3…)，入射光距离：3～10cm}，{精米，入射光波长：390～750nm，夹角θ：2kπ～(2k+1)π(k＝0、1、2、3…)，入射光距离：1～5cm}。
第二方面，本发明提供一种基于上述稻米籽粒新陈度无损定量检测方法的系统，其包括：
定量分析模块，用于构建稻米籽粒偏振光数据与稻米籽粒新陈度之间的定量分析模型；
稻米的偏振光检测模块，用于获取稻米的偏振光数据；
新陈度检测模块，用于利用待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。
有益效果
1.本发明提供的一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，创造性的引入了偏振光技术，利用偏振光数据构建了偏振光数据与稻米籽新陈度之间的定量分析模型，从而利用待测稻米的偏振光数据以及定量分析模型检出待测稻米的新陈度。其过程无需粉碎制备样品，可以原籽粒形式以实现更快速、更准确、更简单的无损稻米新陈度的检测。相较于常用的显色法，如愈创木酚显色法、碘化钾显色法和焦性没食子酸显色法，显色法操作复杂、耗时长、受主观影响大、易对环境造成污染，本发明的检查方法更为环保以及简单。相较于挥发性物质分析方法，如脂肪酸测定、顶空固相微萃取—气质联用分析法和风味物质分析法，挥发性物质分析方法对操作人员专业要求高、检测成本高；而本发明的检查方法操作简单，检测效率高，检测结果准确。
2.本发明采集的偏振光主要是通过稻米胚乳中的淀粉晶体发生双折射和稻米籽粒表面反射所产生的，通过偏振光技术检测到不同新陈度的稻米淀粉晶体结构的偏振光数据，结合RGB颜色空间可突出稻米籽粒表面颜色变化，提高偏振信息识别能力。因此，本发明基于偏振光数据构建的定量分析模型具有可行性。其中，本发明所使用的偏振光技术与常见的光谱检测技术如近红外光谱技术、拉曼光谱分析技术、太赫兹光谱技术相比，可获得更稳定的光谱信息，结合RGB颜色空间可获得更具有代表性的光谱信息。以往光谱分析对稻米样品制备和检测环境要求相对较高，若是粉末样品其光谱分析很容易受到样品温湿度、样品检测部位以及装样条件等各种因素的影响，本发明所述方法能消除复杂的制样操作对信号数据的影响。
3.本发明进一步的优选方案中，构建的定量分析模型可以实现不同陈化程度的单一品种稻米样本的检测分析，在实际应用中，稻米的新陈度会因为在粮仓中陈化位置的不同而产生差异，利用本发明的技术方案能够快速检查稻米新陈度的差异，及时调整稻米储藏环境，可指导稻米的储藏；另外还可以检测，人为将不同陈化程度的相同品种稻米混杂在一起的情况，无良商家将不新鲜稻米掺入到新鲜稻谷中进行售卖，本发明进一步的可选方案可检测出样本中各新鲜度的籽粒数及其占比，用以判断商家是否存在违法行为，可指导稻米的收购，规范稻米市场，也为保障稻米加工原料的品质提供技术手段。
4.本发明所述检查方法能够适用于稻谷、糙米和精米的新陈度检测，可以有效克服新型稻谷新鲜度测定仪不适用于糙米和精米的检测的技术缺陷。
附图说明
图1为应用实例2对应的精米新陈度分析模型预测结果图；
图2是本发明一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法的流程示意图。
具体实施方式
本发明提供一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，用以检测稻米籽粒新陈度。其中，本发明所述方法引入了偏振光技术，其原理是：稻米支链淀粉含量在陈化过程中逐渐减少，淀粉降解酶可通过表面空洞进入淀粉颗粒内部，淀粉结构发生变化，并且淀粉晶体结构也发生变化，结晶区双螺旋结构减少，结晶度降低。稻米的表皮在陈化过程中与外界环境直接接触，其表面颜色逐渐加深、变暗。本发明采集的偏振光主要是通过稻米胚乳中的淀粉晶体发生双折射和稻米籽粒表面反射所产生的，通过偏振光技术检测到不同新陈度的稻米淀粉晶体结构的偏振光数据，结合RGB颜色空间可突出稻米籽粒表面颜色变化，提高偏振信息识别能力，建立稻米籽粒偏振光数据与稻米籽粒新陈度之间的定量分析模型。建立稻米籽粒新陈度定量分析模型后，采集未知样品的偏振光数据，根据稻米籽粒新陈度定量分析模型即可确定稻米的新陈度。
基于上述原理，本发明提供一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，其包括：
构建稻米籽粒的偏振光数据与稻米籽粒新陈度之间的定量分析模型，所述偏振光数据为结合RGB颜色空间的偏振光数据；
获取待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。
下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例是针对获取到陈化时间已知以及每一陈化时间下对应陈化程度一致的标准系列稻米样本，进而构建出适用于陈化程度一致或者近似一致的待测稻米的新陈度检测的定量分析模型，构建过程如下：
将每个陈化时间下标准系列稻米样本的偏振光数据作为自变量，以及对应的陈化时间设为新陈度指标并作为因变量，进行数据建模构建定量分析模型。其中，构建的所述定量分析模型的输入数据为偏振光数据，输出数据为陈化时间。
如下举例说明定量分析模型的构建过程：
(1)制备标准系列稻谷样本：取陈化时间0～36个月的晶两优1686稻谷(每月取样一次)，不同陈化时间制备平行样本10份，每份200粒。
(2)采集标准系列稻谷样本偏振光R、G、B单通道数据：将Paddy Check TM PC 6800仪器的偏振光传感器切换至线偏振光传感器，然后将经过水分含量恒定的标准系列稻谷样本置于Paddy Check仪器中，每份标准系列稻谷样本平行重复扫描20次，共获得(36+1)月×10份平行样本×20次扫描＝7400组偏振光数据。
(3)稻谷新陈度分析模型的建立：以经过数据预处理的标准系列稻谷样本R+G+B组合通道校正集数据为自变量，将已知标准系列稻谷样本的陈化时间(月份)设定为稻谷新陈度值作为因变量，基于偏最小二乘回归结合全交互验证算法建立定量分析模型。
应当理解，基于构建的定量分析模型，可以对陈化程度一致或者近似一致的待测稻米进行检测，检测过程为：获取待测稻米的偏振光数据，再利用定量分析模型可以得到待测稻米的陈化时间。
本实施例中，待测稻米的偏振光数据为其经过预处理的偏振光RGB通道组合数据，组合数据表示为：a2R+b2G+c2B。
本实施例中优选按照如下过程确定a2、b2、c2的取值：
计算待测稻米的偏振光R、G、B单通道数据均值，以及陈化时间为0个月的标准系列稻米样本(作为标定样本)的偏振光R、G、B单通道数据均值，再计算两者的比值并作为a2、b2、c2，如下：
为待测稻米的偏振光R、G、B单通道数据均值； 为标定样本的偏振光R、G、B单通道数据均值。其中，对样本进行平行取样以及多次偏振光扫描可以得到多组数据。
为了更为清楚了解本实施例的实施方案，提供如下应用实例1：
(1)制备标准系列稻谷样本(已知陈化时间且每个陈化时间下对应陈化程度相同的单一品种样本)：取陈化时间0～36个月的晶两优1686稻谷(每月取样一次)，不同陈化时间制备平行样本10份，每份200粒。
如将所有稻谷样本在相同温度和湿度环境中同时进行陈化，视为陈化程度相同。
(2)制备待测样本(陈化程度相同或相近)：从陈化时间0～36个月任一时期的晶两优1686稻谷中取样，并制备平行样本20份，每份200粒。其中，实际应用过程待测样本的陈化时间是未知的，本应用实例为了验证模型精度，可以选择陈化时间已知的待测样本进行试验与验证。
若选择出陈化时间已知且每个陈化时间下陈化程度相同的待测样本进行试验，则记录陈化时间并将其置于相同温度以及湿度环境中同时进行陈化。
若是选择陈化时间未知但陈化程度相同的待测样本进行试验，则开始陈化时间未知，但是置于相同的温度以及湿度环境中同时进行陈化。
(3)恒定样本水分含量：在温度23±5℃，湿度为65±15％的环境中，将标准系列稻谷样品和待测样本分别置于奥豪斯仪器(常州)有限公司生产的MB23MK水分测定仪中，温度设定为30℃，时间设定为10min，进行水分含量恒定。
其中，上述设定为本发明的举例说明，本发明根据稻米结构特点，设定不同的水分恒定参数{形式，恒定温度，恒定时间}：{稻谷，30～40℃，10～20min}，{糙米，50～60℃，5～10min}，{精米，40～50℃，5～10min}。
针对陈化稻谷的高水分含量以及稻壳易燃的特点，恒定水分含量需遵循低温长时的原则；针对糙米具有果皮和种皮、糊粉层的结构，恒定水分含量时需遵循较高温短时的原则；针对精米无稻壳、果皮和种皮的结构，淀粉易在加热过程中发生糊化，水分含量较低的特点，需遵循低温短时的原则。
(4)确定入射光光源参数：稻谷选择波长为1200nm的入射光，检偏器主截面与入射光振动方向的夹角θ设定为0°，入射光距离设定为0.5cm。
其中，上述设定为本发明的举例说明。本发明所检测的偏振光主要是通过稻米胚乳中的淀粉晶体发生双折射和稻米籽粒表面反射所产生的，需针对稻谷、糙米和精米不同的稻壳、果皮和种皮、糊粉层对偏振光的影响，选择不同的入射光波长和入射光照射距离。当检偏器主截面与入射光振动方向的夹角θ为2kπ(k＝0、1、2、3…)时，偏振光强度最大，当θ为(2k+1)π(k＝0、1、2、3…)时，偏振光强度为0。为了采集到有效的偏振光信息，需针对稻谷、糙米和精米结构的不同，选择不同的检偏器主截面与入射光振动方向的夹角θ。
本发明根据稻米结构特点，设定不同的入射光光源参数{形式，入射光波长，夹角θ，入射光距离}：{稻谷，800～1450nm，2kπ(k＝0、1、2、3…)，0.5～3cm}，{糙米，1500～1950nm，2kπ～(2k+1)π，(k＝0、1、2、3…)，3～10cm}，{精米，390～750nm，2kπ～(2k+1)π，(k＝0、1、2、3…)，1～5cm}。
(5)采集标准系列稻谷样本偏振光R、G、B单通道数据：将Paddy Check TM PC 6800仪器的偏振光传感器切换至线偏振光传感器，然后将经过水分含量恒定的标准系列稻谷样本置于Paddy Check仪器中，每份标准系列稻谷样本平行重复扫描20次，共获得(36+1)月×10份平行样本×20次扫描＝7400组偏振光数据。
(6)识别并剔除异常数据：使用The Unscrambler软件将标准系列稻谷样本偏振光RGB各单通道数据按R+G+B进行组合的数据在Sample Outliers窗口识别并剔除异常值，共剔除异常数据121组。
(7)剔除后的偏振光数据分集：利用Matlab软件通过KS法(Kennard-Stone)对剔除异常数据后的标准系列稻谷样本RGB通道组合数据划分为校正集和外部验证集，校正集和外部验证集的样本容量比约为4:1。本实例校正集包含5823组偏振光数据，外部验证集包含1456组偏振光数据。
(8)样本数据预处理：采用The Unscrambler软件，在derivatives对话中选择二阶导数进行数据预处理。校正集的测定系数R2由0.9204增加至0.9835，外部验证集的测定系数R2由0.8954升高至0.9698。测定系数越接近1，所建模型性能越好，进行二阶导数预处理能明显提高模型的准确度和精密度。
其中，关于异常数据剔除以及数据预处理均是现有技术手段可以实现的。二阶导数预处理可以减少系统噪声产生的误差以及平行样本带来的误差。除了上述技术手段之外，还可以采用其他现有的数据手段进行处理，本发明对此不进行具体的限定。
(9)定量分析模型的建立：以经过数据预处理的标准系列稻谷样本R+G+B组合通道校正集数据为自变量，将已知标准系列稻谷样本的陈化时间(月份)设定为稻谷新陈度值作为因变量，基于偏最小二乘回归结合全交互验证算法建立分析模型。评价所建模型的优劣一般采用测定系数(R2)、均方根误差(RMSE)和相对预测性能(RPD)。R2表征分析模型预测值和参考值的相关程度，越接近1越好。RMSE表征定量分析预测值和参考值的之间的误差程度，越接近0越好。针对校正集、交互验证集、外部验证集样品的数据，用不同的角标加以区分，即分别为C、CV、P。相对预测性能RPD表示样品数据集的样本标准差和模型预测均方根误差之比，RPD值越大，表明分析模型的预测性能越好。所建模型评价参数如表1所示。
表1稻谷新陈度分析模型评价参数
(10)所建模型的外部验证：采用经过数据预处理的标准系列稻谷样本R+G+B组合通道外部验证集数据进行模型的外部验证，R2 P的值为0.9671，RMSEP的值为1.74，这表明本实例对标准系列稻谷样本建立的新陈度分析的定量分析模型预测结果准确。
(11)确定待测样本最佳RGB通道组合数据：将经过水分含量恒定的待测样本放入Paddy Check仪器中采集R、G、B单通道数据，计算待测样本偏振光RGB各单通道数据均值与标定样本偏振光RGB各单通道数据均值的比值(本实例标定样本为陈化时间0个月的稻谷样本)，确定偏振光最佳组合为5.17R+2.32G+2.13B，并将各单通道数据按5.17R+2.32G+2.13B组合整理。
(12)待测样本新陈度的检测：将待测样本的偏振光5.17R+2.32G+2.13B通道组合数据进行二阶导数预处理后，输入至上述步骤建立的标准系列稻谷样本新陈度分析模型中进行拟合计算，获得待测稻谷样本的以陈化时间为指标的新陈度测定值，该值可以精确到月份。
应当理解，上述应用实例1为举例说明，在不脱离本发明构思的基础上，对应用实例1中执行的顺序的调整，部分步骤的实现手段的替换均属于本发明的保护范围。
实施例2：
本实施例构建出适用于陈化时间未知，陈化程度不一致的待测稻米的新陈度检测的定量分析模型。应当理解，构建的定量分析模型也适用于陈化时间未知，陈化程度一致的待测稻米的新陈度检测。其主要是分为两个部分：第一部分：针对待测稻米进行分类，即将陈化程度不一致的待测稻米进行判别，分为陈化程度相同或相近的多个类别；第二部分：针对每类陈化相同或相近的稻米，用待测稻米的偏振光数据与定标样本的偏振光数据的比值，或比值再乘以100％作为对应一类稻米的新陈度值；和/或分类后，计算每一类陈化程度的籽粒在待测稻米中所占的籽粒数比例。
应当理解，针对第二部分，其可以直接适用于陈化程度相同的待测稻米；也应当理解，在实际应用中，若无法获知待测稻米的陈化程度相同或不同时，可以按照本实施例第一部分和第二部分的逻辑进行检查，即先分类，再检测。
本实施例中定标样本是与待测稻米为同一品种的陈化程度0的样本。
为了更为清楚明了的陈述实施例的方案，下述提供应用实例2以供参考：
(1)制备定标样本：取晶两优1686精米对应的新鲜稻种，将该新鲜的稻种进行砻谷，再用农奥NA.JLG-2058型碾米机进行碾白，获得该精米新陈度为0的定标样本20份，每份300粒。
(2)制备待测样本：将不同陈化程度的晶两优1686精米混杂样本随机分为80份待测样本，每份300粒。
其中，本应用实例中选择未知陈化时间的陈化程度不一致的单一品种的待测稻米。即在在相同陈化条件下陈化程度产生差异的待测稻米样本或人为将不同陈化程度稻米混杂在一起的单一品种待测稻米样本。
未知陈化时间的陈化程度一致的单一品种待测稻米样本是指在所有样本籽粒在相同温度和湿度环境中同时进行陈化，陈化程度相同，但未知开始陈化时间的待测稻米样本。
(3)恒定样本水分含量：在温度23±5℃，湿度为65±15％的环境中，将待测样本和定标样本分别置于奥豪斯仪器(常州)有限公司生产的MB23MK水分测定仪中，温度设定为45℃，时间设定为5min，进行水分含量恒定。
(4)确定入射光光源参数：精米选择波长为540nm的入射光，检偏器主截面与入射光振动方向的夹角θ设定为60°，入射光距离设定为2cm。
关于水分恒定参数以及入射光光源参数的设置，可以参照实施例1的相关内容。
(5)采集待测样本和定标样本偏振光R、G、B单通道数据：将Paddy Check TM PC6800仪器的偏振光传感器切换至圆偏振光传感器，然后将经过水分含量恒定的待测样本和定标样本分别置于Paddy Check仪器中，每份待测样本和定标样本平行重复扫描40次，共获得80份待测样本×40次平行＝3200组待测样本偏振光R、G、B单通道数据和20份定标样本×40次平行＝800组定标样本偏振光R、G、B单通道数据。其中，针对每份样本的扫描，是一粒一粒进行进而获取到每粒样本的偏振光数据。
(6)确定最佳RGB通道组合数据：计算待测样本偏振光RGB各单通道数据均值与标定样本偏振光RGB各单通道数据均值的比值(本实例标定样本即定标样本)，确定该精米待测样本偏振光最佳组合为1.43R+2.98G+4.47B，并将待测样本各单通道数据按1.43R+2.98G+4.47B组合整理，定标样本各单通道数据按R+G+B组合整理。
(7)识别并剔除异常数据：使用The Unscrambler软件将待测样本1.43R+2.98G+4.47B通道组合数据和定标样本R+G+B通道组合数据分别在Sample Outliers窗口识别并剔除异常值，待测样本共剔除异常数据56组，定标样本共剔除异常数据17组。
(8)剔除后的偏振光数据分集：利用Matlab软件通过KS法(Kennard-Stone)对剔除异常数据后的待测样本1.43R+2.98G+4.47B通道组合数据和定标样本R+G+B通道组合数据划分为训练集和测试集，训练集和测试集的样本容量比约为4:1。本实例训练集包含3142组偏振光数据，测试集包含785组偏振光数据。
(9)样本数据预处理：采用The Unscrambler软件，在derivatives对话中选择二阶导数进行数据预处理。训练集的测定系数R2由0.8843增加至0.9482，测试集的测定系数R2由0.8783升高至0.9129。测定系数越接近1，所建模型性能越好，进行二阶导数预处理能明显提高模型的准确度和精密度。
(10)不同陈化程度的混杂精米新陈度分析模型的建立：将训练集偏振光RGB通道组合数据导入至The Unscrambler软件中，运用偏最小二乘判别算法建立分析模型进行分类，对每一粒精米籽粒进行新陈度判别并按照相同陈化程度分类的精米籽粒进行分类统计，其结果如表2和图1所示。计算每类相同陈化程度籽粒的偏振光数据平均值，与定标样本的R+G+B偏振光组合数据平均值进行二者比值，再乘以100％最终确定出每类相同陈化程度籽粒的新陈度值和该类陈化程度的籽粒在待测样本中所占的籽粒数比例。
其中，偏最小二乘判别算法为现有算法，应用于分类也是常规技术手段，因此对其实现过程不进行具体的陈述。此外，基于偏最小二乘判别算法的分析模型的训练以及验证过程也是现有技术可以实现的，其中，定标样本的结果可以作为模型训练过程的参照。
表2精米新陈度分析模型预测结果
(11)所建模型的外部验证：运用测试集数据对所建模型进行外部验证，模型正确率达93.29％。
(12)利用此模型进行精米籽粒新陈度无损快速分析：取相关待测精米样本300粒进行水分含量恒定，然后放入Paddy Check仪器中采集偏振光R、G、B单通道数据。计算相关待测样本偏振光RGB各单通道数据均值与标定样本偏振光RGB各单通道数据均值的比值(标定样本即上述定标样本)，确定该样本偏振光最佳组合为0.34R+2.72G+2.19B，再将相关待测样本偏振光单通道数据按0.34R+2.72G+2.19B进行组合。将相关待测精米样本的偏振光RGB通道组合数据进行二阶导数预处理后，输入至上述步骤建立的精米新陈度分析模型中进行拟合计算，获得以陈化程度值％进行表征的新陈度预测值。
综上所述，基于实施例1以及实施例2的相关陈述，本发明构建的一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法可以快速无损定量检测稻米籽粒新陈度，既能解决陈化程度相同一致的待测稻米的检测问题，也能解决陈化程度不同的待测稻米的检测问题。
实施例3：
本实施例提供一种基于上述稻米籽粒新陈度无损定量检测方法的系统，其包括：
定量分析模块，用于构建稻米的偏振光数据与稻米籽新陈度之间的定量分析模型；
稻米的偏振光检测模块，用于获取稻米的偏振光数据；
新陈度检测模块，用于利用待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。
其中，定量分析模块的构建可以参照实施例1和实施例2的相关内容。
以硬件构建上述系统时，在一些可行的方式中，该系统包括：偏振光检测器、水分测定仪、和计算机；其中，计算机内置入了本发明所述方法的计算机运行程序。
水分测定仪用于恒定样本水分含量，偏振光检测器用于获取稻米的偏振光数据，进而将数据输入至计算机中，计算机运行程序构建定量分析模型，并利用定量分析模型以及待测稻米的偏振光数据确定所述待测稻米的新陈度。
其中，本发明进行试验时选择的偏振光检测器为珀金埃尔默PaddyCheckTM PC6800米质分析仪。其中，稻谷选择线偏振光传感器，糙米选择椭圆偏振光传感器，精米选择圆偏振光传感器。
应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (5)
1.一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，其特征在于：包括：
在获取稻米的偏振光数据之前恒定水分含量，其中，稻谷、糙米、精米分别对应如下水分恒定参数：
稻谷，恒定温度：30～40℃，恒定时间：10～20min；糙米，恒定温度：50～60℃，恒定时间：5～10min；精米，恒定温度：40～50℃，恒定时间：5～10min；
根据稻米类型设置偏振光的入射光源参数，其中，稻谷、糙米、精米分别对应如下入射光源参数：
稻谷，入射光波长：800～1450nm，夹角θ：2kπ，k＝0、1、2、3…，入射光距离：0.5～3cm；糙米，入射光波长：1500～1950nm，夹角θ：2kπ～(2k+1)π，k＝0、1、2、3…，入射光距离：3～10cm；精米，入射光波长：390～750nm，夹角θ：2kπ～(2k+1)π，k＝0、1、2、3…，入射光距离：1～5cm；
构建稻米籽粒的偏振光数据与稻米籽粒新陈度之间的定量分析模型，所述偏振光数据为结合RGB颜色空间的偏振光数据；
获取待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度；
若获取到陈化时间已知以及每一陈化时间下对应陈化程度一致的标准系列稻米样本，构建适用于陈化程度一致的待测稻米的新陈度检测的所述定量分析模型的过程如下：
将每个陈化时间下标准系列稻米样本的偏振光数据作为自变量，以及对应的陈化时间设为新陈度指标并作为因变量，进行数据建模构建定量分析模型；
其中，构建的所述定量分析模型的输入数据为偏振光数据，输出数据为陈化时间；
所述标准系列稻米样本的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a1R+b1G+c1B，其中，a1、b1、c1均为预设系数，R、G、B为偏振光的R、G、B单通道数据；
待测稻米的偏振光数据为其偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a2R+b2G+c2B，其中，a2、b2、c2均为系数，利用待测稻米样本的偏振光R、G、B单通道数据与标准系列稻米样本的偏振光R、G、B单通道数据确定系数a2、b2、c2的最佳取值。
2.根据权利要求1所述的方法，其特征在于：系数a2、b2、c2的最佳取值分别为待测稻米样本的偏振光R、G、B单通道数据均值与标准系列稻米样本中陈化时间为0个月的稻米样本对应的偏振光R、G、B单通道数据均值的比值。
3.一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法，其特征在于：包括：
在获取稻米的偏振光数据之前恒定水分含量，其中，稻谷、糙米、精米分别对应如下水分恒定参数：
稻谷，恒定温度：30～40℃，恒定时间：10～20min；糙米，恒定温度：50～60℃，恒定时间：5～10min；精米，恒定温度：40～50℃，恒定时间：5～10min；
根据稻米类型设置偏振光的入射光源参数，其中，稻谷、糙米、精米分别对应如下入射光源参数：
稻谷，入射光波长：800～1450nm，夹角θ：2kπ，k＝0、1、2、3…，入射光距离：0.5～3cm；糙米，入射光波长：1500～1950nm，夹角θ：2kπ～(2k+1)π，k＝0、1、2、3…，入射光距离：3～10cm；精米，入射光波长：390～750nm，夹角θ：2kπ～(2k+1)π，k＝0、1、2、3…，入射光距离：1～5cm；
构建稻米籽粒的偏振光数据与稻米籽粒新陈度之间的定量分析模型，所述偏振光数据为结合RGB颜色空间的偏振光数据；
获取待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度；
若获取到定标样本，定标样本是与待测稻米为同一品种的陈化时间为0个月且陈化程度一致的样本，构建的适用于未知陈化时间的陈化程度一致或不一致的稻米新陈度值检测的定量分析模型为：
每类相同新陈度的待测稻米的偏振光数据与定标样本的偏振光数据的比值，或比值再乘以100％作为对应一类稻米的新陈度值；
其中，若待测稻米的陈化程度不一致，计算新陈度值之前还需要：利用所述待测稻米的偏振光数据以及所述定标样本的偏振光数据进行分类；
所述待测稻米的偏振光数据为偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a3R+b3G+c3B，其中，a3、b3、c3均为系数，利用待测稻米样本的偏振光R、G、B单通道数据与定标样本的偏振光R、G、B单通道数据确定系数a3、b3、c3的最佳取值；
所述定标样本的偏振光数据为偏振光RGB通道组合数据或经预处理后的组合数据，组合数据表示为：a4R+b4G+c4B，其中，a4、b4、c4均为预设系数，R、G、B为偏振光的R、G、B单通道数据。
4.根据权利要求3所述的方法，其特征在于：若待测稻米的陈化程度不一致，所述方法还包括：分类后，计算每一类陈化程度的籽粒在待测稻米中所占的籽粒数比例。
5.一种基于权利要求1-4任一项所述方法的系统，其特征在于：包括：
定量分析模块，用于构建稻米籽粒偏振光数据与稻米籽粒新陈度之间的定量分析模型；
稻米的偏振光检测模块，用于获取稻米的偏振光数据；
新陈度检测模块，用于利用待测稻米的偏振光数据，并根据所述定量分析模型确定所述待测稻米的新陈度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369297.5A CN114088635B (zh) | 2021-11-18 | 2021-11-18 | 一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369297.5A CN114088635B (zh) | 2021-11-18 | 2021-11-18 | 一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114088635A CN114088635A (zh) | 2022-02-25 |
| CN114088635B true CN114088635B (zh) | 2024-04-16 |
Family
ID=80301707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111369297.5A Active CN114088635B (zh) | 2021-11-18 | 2021-11-18 | 一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114088635B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0560688A (ja) * | 1991-09-03 | 1993-03-12 | Iseki & Co Ltd | 米の品質判定装置および食味分析装置 |
| CN101936895A (zh) * | 2010-09-02 | 2011-01-05 | 中南林业科技大学 | 一种稻米新陈度近红外光谱分析快速检测方法 |
| KR20120019203A (ko) * | 2010-08-25 | 2012-03-06 | 대한민국(농촌진흥청장) | 농작물 생육상태 관측 장치 |
| CN105181627A (zh) * | 2015-05-13 | 2015-12-23 | 河南工业大学 | 一种太赫兹波检测系统及其应用 |
| CN105806839A (zh) * | 2016-03-21 | 2016-07-27 | 北京北大明德科技发展有限公司 | 无胚芽大米新陈度检测试剂及方法 |
| CN109991115A (zh) * | 2019-04-08 | 2019-07-09 | 国家粮食和物资储备局科学研究院 | 一种稻谷新陈度检测方法 |
| CN110361307A (zh) * | 2019-08-15 | 2019-10-22 | 安徽工程大学 | 一种利用粒度分布特征值判断稻米新陈度的方法 |
| JP2020180845A (ja) * | 2019-04-24 | 2020-11-05 | 大阪瓦斯株式会社 | 老化度判定システム及び老化度判定方法 |
| CN113418869A (zh) * | 2021-07-01 | 2021-09-21 | 中南林业科技大学 | 一种基于偏振光的稻米籽粒掺杂或掺伪无损快速定量检测方法 |
-
2021
- 2021-11-18 CN CN202111369297.5A patent/CN114088635B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0560688A (ja) * | 1991-09-03 | 1993-03-12 | Iseki & Co Ltd | 米の品質判定装置および食味分析装置 |
| KR20120019203A (ko) * | 2010-08-25 | 2012-03-06 | 대한민국(농촌진흥청장) | 농작물 생육상태 관측 장치 |
| CN101936895A (zh) * | 2010-09-02 | 2011-01-05 | 中南林业科技大学 | 一种稻米新陈度近红外光谱分析快速检测方法 |
| CN105181627A (zh) * | 2015-05-13 | 2015-12-23 | 河南工业大学 | 一种太赫兹波检测系统及其应用 |
| CN105806839A (zh) * | 2016-03-21 | 2016-07-27 | 北京北大明德科技发展有限公司 | 无胚芽大米新陈度检测试剂及方法 |
| CN109991115A (zh) * | 2019-04-08 | 2019-07-09 | 国家粮食和物资储备局科学研究院 | 一种稻谷新陈度检测方法 |
| JP2020180845A (ja) * | 2019-04-24 | 2020-11-05 | 大阪瓦斯株式会社 | 老化度判定システム及び老化度判定方法 |
| CN110361307A (zh) * | 2019-08-15 | 2019-10-22 | 安徽工程大学 | 一种利用粒度分布特征值判断稻米新陈度的方法 |
| CN113418869A (zh) * | 2021-07-01 | 2021-09-21 | 中南林业科技大学 | 一种基于偏振光的稻米籽粒掺杂或掺伪无损快速定量检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114088635A (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Simultaneous estimation of several soil properties by ultra-violet, visible, and near-infrared reflectance spectroscopy | |
| Villareal et al. | Rice amylose analysis by near-infrared transmittance spectroscopy | |
| CN103543123A (zh) | 一种掺假牛奶的红外光谱识别方法 | |
| CN104122225A (zh) | 一种基于近红外光谱技术的茶叶非法添加物鉴别方法 | |
| Xiao et al. | Discrimination of organic and conventional rice by chemometric analysis of NIR spectra: a pilot study | |
| 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 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| Turgut et al. | Estimation of the sensory properties of black tea samples using non-destructive near-infrared spectroscopy sensors | |
| Duan et al. | Sensitive variables extraction, non-destructive detection and visualization of total viable count (TVC) and pH in vacuum packaged lamb using hyperspectral imaging | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| Lin et al. | Rice freshness identification based on visible near-infrared spectroscopy and colorimetric sensor array | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| CN113418869B (zh) | 一种基于偏振光的稻米籽粒掺杂或掺伪无损快速定量检测方法 | |
| CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
| CN110567941A (zh) | 一种基于主要元素光谱强度的水稻种子水分含量分级检测方法 | |
| Dong et al. | A case study of characteristic bands selection in near-infrared spectroscopy: Nondestructive detection of ash and moisture in wheat flour | |
| CN114088635B (zh) | 一种基于偏振光技术的稻米籽粒新陈度无损定量检测方法及其系统 | |
| CN117589708A (zh) | 一种基于近红外快速检测组织蛋白中蛋白质数据库的建立方法与应用方法 | |
| CN107328733A (zh) | 一种快速检测鱼糜中添加的淀粉含量的方法 | |
| Yang | Development of an integrated variety and appearance quality measurement system for milled rice | |
| CN107238557A (zh) | 一种利用近红外光谱法快速检测碳酸钙粒径分布的方法 | |
| Armstrong et al. | The effect of moisture content on determining corn hardness from grinding time, grinding energy, and near-infrared spectroscopy | |
| CN106053380A (zh) | 利用近红外光谱技术快速分析混合制浆木材树种比例的方法 | |
| Huang et al. | Development of a predictive model to determine potato flour content in potato-wheat blended powders using near-infrared spectroscopy |
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 |