CN114720436A - 基于荧光高光谱成像的农产品品质参数检测方法及设备 - Google Patents
基于荧光高光谱成像的农产品品质参数检测方法及设备 Download PDFInfo
- Publication number
- CN114720436A CN114720436A CN202210077713.2A CN202210077713A CN114720436A CN 114720436 A CN114720436 A CN 114720436A CN 202210077713 A CN202210077713 A CN 202210077713A CN 114720436 A CN114720436 A CN 114720436A
- Authority
- CN
- China
- Prior art keywords
- ivmr
- fluorescence hyperspectral
- iriv
- fluorescence
- vissa
- 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.)
- Granted
Links
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于荧光高光谱成像的农产品品质参数检测方法及设备,属于农产品检测领域,包括:S1,采集荧光高光谱图像数据;S2,对采集数据预处理;S3,用IRIV、VISSA、MASS和RF算法对光谱图像进行特征提取,提取特征直接组合得到IVMR组合特征变量,利用VISSA算法进行特征提取得到IVMR‑VISSA特征变量,利用IRIV算法进行特征提取得到IVMR‑VISSA‑IRIV特征变量;S4,基于IVMR‑VISSA‑IRIV特征变量作为输入,构建MK‑SVR模型;S5,利用MK‑SVR模型预测农产品的内部品质参数。本发明方法准确率高,为农产品品质参数的无损检测分析提供了新的技术思路。
Description
技术领域
本发明涉及农产品检测技术领域,更为具体的,涉及一种基于荧光高光谱成像的农产品品质参数检测方法及设备。
背景技术
农产品类(例如猕猴桃等)的内部品质参数如可溶性固形物含量(SSC)、 PH含量、水分含量以及维生素含量等参数的无损检测的研究越来越多。目前,内部品质参数的常用检测手段是有损的理化实验,结果准确但费时费力。现有技术中有利用可见/近红外高光谱成像技术对水果进行无损检测的研究,但利用荧光高光谱成像技术进行检测的研究却很少。另一方面,关于光谱数据的分析处理有采用算法进行处理的方案,但是存在预测准确性较差的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于荧光高光谱成像的农产品品质参数检测方法及设备,准确率高,为品质参数的无损检测分析提供了新的技术思路等。
本发明的目的是通过以下方案实现的:
一种基于荧光高光谱成像的农产品品质参数检测方法,包括步骤:
S1,采集农产品的荧光高光谱图像数据;
S2,对采集的农产品的荧光高光谱图像数据进行预处理;
S3,分别采用IRIV、VISSA、MASS和RF四种算法对步骤S2中进行预处理后的光谱图像进行特征提取,得到对应的四种特征变量,然后将所述四种特征变量直接组合得到IVMR组合特征变量,再对IVMR组合特征变量利用VISSA算法进行特征提取得到IVMR-VISSA特征变量,再对 IVMR–VISSA特征利用IRIV算法进行特征提取得到IVMR-VISSA-IRIV特征变量;
S4,对步骤S3得到的IVMR-VISSA-IRIV特征变量作为输入,以农产品品质参数的理化值作为输出形成训练样本对,对多核支持向量回归模型 MK-SVR进行训练,在训练过程中,设置不同阶数的多项式核函数,选择决定系数RC 2最大值时对应的惩罚系数c作为最佳惩罚系数cbest,从而建立 MK-SVR预测模型;
S5,将待测农产品通过上述步骤S1~S3获得对应的IVMR-VISSA-IRIV 特征变量,并将之输入到S4步骤得到的训练后的MK-SVR模型进行预测,即可获得待测农产品的内部品质参数。
进一步地,在步骤S1中,所述荧光高光谱图像数据包括荧光高光谱图像中选取的感兴趣区域的平均光谱数据。
进一步地,在步骤S2中,所述预处理包括利用去趋势算法Detrending 对S1步骤采集到的农产品的荧光高光谱图像数据进行预处理。
进一步地,在步骤S3中,在步骤S4,所述建立多核支持向量回归预测模型MK-SVR包括子步骤:
选择多项式函数作为基本核函数,将多个基本核函数进行加权线性组合得到多核核函数,其计算如下:
上式中,km(x,y)为第m个单核核函数,θm为第m个单核核函数的权重。
进一步地,所述多个基本核函数包括五种不同阶数d的多项式核函数。
进一步地,所述农产品包括猕猴桃。
进一步地,所述感兴趣区域的平均光谱数据具体为采用ENVI软件将农产品荧光高光谱图像中的选定区域作为感兴趣区域,并计算该区域的平均光谱数据。
在步骤S2中,所述去趋势算法Detrending,用于去除对荧光高光谱图像的噪声。
进一步地,所述选定区域为3/4。
一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器加载时并执行如上任一项所述的方法。
本发明的有益效果包括:
本发明实施例方法,验证了采用荧光高光谱成像技术对猕猴桃PH含量进行预测的可行性,设计了一次、二次以及三次特征提取方法并建立相应的预测模型,为荧光高光谱成像技术用于猕猴桃PH含量的无损检测提供技术分析和方法参考。
在本发明的实施例中,选择Detrending算法对农产品的荧光高光谱图像数据进行预处理,可去除其中的噪声,采用一次特征提取后进行组合得到IVMR组合特征变量;进一步地,对IVMR组合特征变量分别依次VISSA 进行二次特征提取以及IRIV进行三次特征提取,以进一步剔除其中的冗余变量,使用MK-SVR作为回归预测模型。通过验证表明, IVMR-VISSA-IRIV-MK-SVR的预测效果最佳,其RP 2、RC 2、RPD分别为0.8512、0.8580和2.66。因此,本发明实施例提供的方法,不仅可行,而且准确率较高,为今后该技术用于对如猕猴桃PH含量乃至其他农产品品质参数的无损检测分析提供了新的技术思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为猕猴桃的荧光高光谱图像;
图2为Detrending预处理后的光谱图像;
图3为IRIV提取的特征变量分布;
图4为VISSA提取的特征变量分布;
图5为MASS提取的特征变量分布;
图6为RF提取的特征变量分布;
图7为IVMR-VISSA提取的特征变量分布;
IVMR组合特征变量、IVMR–VISSA特征变量和IVMR-VISSA-IRIV 特征变量均为自命名术语。
具体实施方式
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
下面根据附图1~图7,对本发明的技术构思、解决的技术问题、工作原理、工作过程和有益效果作进一步详细、充分地说明。
一、光谱数据的提取
参阅图1。本发明实施例可使用氙灯作为激发光源,激发滤光片选择 390nm、荧光滤光片选择495nm,利用高光谱荧光系统获取猕猴桃的荧光高光谱图像。采用ENVI软件将猕猴桃荧光高光谱图像中的3/4区域作为感兴趣区域(region of interest,ROI)并提取光谱,以ROI区域的平均光谱作为猕猴桃样本的荧光高光谱图像数据,猕猴桃样本的荧光高光谱图像如图1所示。选取的波长范围为376.80nm~1011.05nm,共计125个波段的光谱信息。
利用SPXY算法将90个样本划分成训练集和预测集,其中,训练集70 个,预测集20个,划分后的猕猴桃PH含量统计结果见表1。
表1猕猴桃PH含量统计结果
从表1可知,预测集的PH含量范围在训练集的PH含量范围之内,且训练集和预测集样本的分散程度基本一致,表明二者的样本具有代表性。
二、光谱预处理
参阅图2。提取光谱图像过程中产生的噪声会对预测结果造成一定影响,故对猕猴桃的荧光高光谱图像数据利用去趋势Detrending算法进行预处理,其预处理后的光谱图像如图2所示。
三、特征变量提取
采用IRIV、MASS、VISSA和RF等4种算法对Detrending预处理后的光谱图像进行一次特征提取,并在此基础上将4种一次特征变量直接组合得到IVMR组合特征变量,并对IVMR组合特征变量分别进行VISSA二次特征提取和IRIV三次特征提取,详述如下:
参阅图3,基于IRIV的特征变量提取:在实际应用过程中,对预处理后的光谱数据采用迭代保留信息变量方法(Iteratively reserved information variables,IRIV)提取特征变量。设置IRIV的最大主因子数为20,交叉验证为5次。IRIV提取特征变量的分布如图6所示,经过5次迭代提取出28 个特征变量。
参阅图4,基于VISSA的特征变量提取:在实际应用过程中,将预处理后的光谱数据采用变量迭代空间收缩法(variable iterative space shrinkage approach,VISSA)提取特征变量。设置交叉验证为5折,二进制矩阵采样数为1000,最大主因子数为10,变量的初始权重为0.5。图7为VISSA提取出的特征变量分布情况,经过24次迭代后提取出42个特征变量。
参阅图5,基于MASS的特征变量提取:在实际应用过程中,将预处理后的光谱数据通过模型自适应空间缩小法(The Model Adaptive Space Shrinkage,MASS)提取特征变量。设置样本采样率为0.95,特征采样率为 0.5,二进制矩阵采样数为1000,最大主因子数为10,交叉验证为5折。 MASS提取出的特征变量分布情况,经过25次迭代提取出34个特征变量。
参阅图6,基于RF的特征变量提取:在实际应用过程中,将预处理后的光谱数据采用随机蛙跳算法(Random Frog,RF)提取特征变量。设置初始变量数为5,迭代2000次,阈值概率为0.15。图6为提取出的特征变量分布图,提取出概率≥0.15的33个特征变量。
本发明实施例考虑到一种方法提取出的特征变量包含信息有限,故对前述4种方法提取的以此特征变量进行组合得到的60个 (IRIV+VISSA+MASS+RF,IVMR)组合特征变量,IVMR组合特征变量的数量较多且有相关性,故需进行二次特征提取。
参阅图7,二次特征提取:在实际应用过程中,用VISSA算法对60个 IVMR组合特征变量进行二次特征提取。设置参数为5折交叉验证,二进制矩阵采样数为1000,最大主因子数为10,变量初始权重为0.5。IVMR-VISSA 提取出的特征变量分布情况,经过25次迭代后提取出27个特征变量。27 个特征变量中还存在冗余变量,故本发明实施例对其进行三次特征提取。
三次特征提取:利用IRIV对IVMR-VISSA中的27个特征变量进行三次特征提取。设置最大主因子数为20,交叉验证8次。IVMR-VISSA-IRIV 提取出的特征变量分布情况,从中剔除了42、1、50、43等4个特征变量,提取出23个特征变量。
四、建模
用训练集样本提取出的IVMR-VISSA-IRIV特征变量训练多核支持向量回归模型MK-SVR,然后将预测集的IVMR-VISSA-IRIV特征变量输入训练后的MK-SVR模型进行预测。SVR模型仅设置一种核函数对样本进行预测,当数据来源较广时,其预测结果较差。考虑将多个核函数混合成一个核函数,该核函数被称为多核核函数(Multiple KernelFunction),此多核核函数可更大限度地适应多种特征变量从而可提升预测结果的准确性。
多核核函数是多个基本核函数的加权线性组合,其计算如下:
式中,km(x,y)为第m个单核核函数,θm为第m个单核核函数的权重。
选择多项式函数作为基本核函数,将五种不同阶数的多项式核函数进行线性组合用以构造多核核函数。设置多项式阶数d=[1,2,3,4,5],惩罚系数C的取值范围为[10-1~106],MK-SVR模型对猕猴桃样本(包括训练集和预测集)PH含量的预测结果见表2。
表2不同特征提取方法的MK-SVR预测结果
表2中,Rc 2、Rp 2分别表示训练集和预测集的决定系数(其值越接近1 就表示模型的稳定性以及拟合度越高),RMSEC、RMSEP分别表示训练集和预测集的均方根误差(其值越小表明模型的预测性能越好),RPD表示相对分析误差(RPD≥2表示模型的预测精度越高),从表2可知,IVMR-MK-SVR 的预测结果差,源于IVMR组合特征变量之间的冗余度较大,VISSA对IVMR组合特征变量进行第二次提取后剔除了其中的冗余变量,再进一步经 IRIV进行第三次特征提取,IVMR-VISSA-IRIV-MK-SVR的预测效果最佳,其RP 2、RC 2、RPD分别为0.8512、0.8580和2.66。
实施例1:一种基于荧光高光谱成像的农产品品质参数检测方法,包括步骤:
S1,采集农产品的荧光高光谱图像数据;
S2,对采集的农产品的荧光高光谱图像数据进行预处理;
S3,分别采用IRIV、VISSA、MASS和RF四种算法对步骤S2中进行预处理后的光谱图像进行特征提取,得到对应的四种特征变量,然后将所述四种特征变量直接组合得到IVMR组合特征变量,再对IVMR组合特征变量利用VISSA算法进行特征提取得到IVMR-VISSA特征变量,再对 IVMR–VISSA特征利用IRIV算法进行特征提取得到IVMR-VISSA-IRIV特征变量;
S4,对步骤S3得到的IVMR-VISSA-IRIV特征变量作为输入,以农产品品质参数的理化值作为输出形成训练样本对,对多核支持向量回归模型 MK-SVR进行训练,在训练过程中,设置不同阶数的多项式核函数,选择决定系数RC 2最大值时对应的惩罚系数c作为最佳惩罚系数cbest,从而建立 MK-SVR预测模型;
S5,将待测农产品通过上述步骤S1~S3获得对应的IVMR-VISSA-IRIV 特征变量,并将之输入到S4步骤得到的训练后的MK-SVR模型进行预测,即可获得待测农产品的内部品质参数。
实施例2:在实施例的基础上,在步骤S1中,所述荧光高光谱图像数据包括荧光高光谱图像中选取的感兴趣区域的平均光谱数据。
实施例3:在实施例2的基础上,在步骤S2中,所述预处理包括利用去趋势算法Detrending对S1步骤采集到的农产品的荧光高光谱图像数据进行预处理。
实施例4:在实施例1的基础上,在步骤S3中,在步骤S4,所述建立多核支持向量回归预测模型包括子步骤:
选择多项式函数作为基本核函数,将多个基本核函数进行加权线性组合得到多核核函数,其计算如下:
上式中,km(x,y)为第m个单核核函数,θm为第m个单核核函数的权重。
实施例5:在实施例4的基础上,所述多个基本核函数包括五种不同阶数d的多项式核函数。
实施例6:在实施例1的基础上,所述农产品包括猕猴桃。
实施例7:在实施例2的基础上,所述感兴趣区域的平均光谱数据具体为采用ENVI软件将农产品荧光高光谱图像中的选定区域作为感兴趣区域,并计算该区域的平均光谱数据。
实施例8:在实施例3的基础上,在步骤S2中,所述去趋势算法 Detrending,用于去除对荧光高光谱图像的噪声。
实施例9:在实施例7的基础上,所述选定区域为3/4。
实施例10:一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器加载时并执行如实施例1~9任一项所述的方法。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
除以上实例以外,本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例,各个实施例的特征可以互换或替换,本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,包括步骤:
S1,采集农产品的荧光高光谱图像数据;
S2,对采集的农产品的荧光高光谱图像数据进行预处理;
S3,分别采用IRIV、VISSA、MASS和RF四种算法对步骤S2中进行预处理后的光谱图像进行特征提取,得到对应的四种特征变量,然后将所述四种特征变量直接组合得到IVMR组合特征变量,再对IVMR组合特征变量利用VISSA算法进行特征提取得到IVMR-VISSA特征变量,再对IVMR–VISSA特征利用IRIV算法进行特征提取得到IVMR-VISSA-IRIV特征变量;
S4,对步骤S3得到的IVMR-VISSA-IRIV特征变量作为输入,以农产品品质参数的理化值作为输出形成训练样本对,对多核支持向量回归模型MK-SVR进行训练,在训练过程中,设置不同阶数的多项式核函数,选择决定系数RC 2最大值时对应的惩罚系数c作为最佳惩罚系数cbest,从而建立MK-SVR预测模型;
S5,将待测农产品通过上述步骤S1~S3获得对应的IVMR-VISSA-IRIV特征变量,并将之输入到S4步骤得到的训练后的MK-SVR模型进行预测,即可获得待测农产品的内部品质参数。
2.根据权利要1所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,在步骤S1中,所述荧光高光谱图像数据包括荧光高光谱图像中选取的感兴趣区域的平均光谱数据。
3.根据权利要1所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,在步骤S2中,所述预处理包括利用去趋势算法Detrending对S1步骤采集到的农产品的荧光高光谱图像数据进行预处理。
5.根据权利要4所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,所述多个基本核函数包括五种不同阶数d的多项式核函数。
6.根据权利要1所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,所述农产品包括猕猴桃。
7.根据权利要2所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,所述感兴趣区域的平均光谱数据具体为采用ENVI软件将农产品荧光高光谱图像中的选定区域作为感兴趣区域,并计算该区域的平均光谱数据。
8.根据权利要3所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,在步骤S2中,所述去趋势算法Detrending,用于去除对荧光高光谱图像的噪声。
9.根据权利要求7所述的基于荧光高光谱成像的农产品品质参数检测方法,其特征在于,所述选定区域为3/4。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器加载时并执行如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210077713.2A CN114720436B (zh) | 2022-01-24 | 2022-01-24 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210077713.2A CN114720436B (zh) | 2022-01-24 | 2022-01-24 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114720436A true CN114720436A (zh) | 2022-07-08 |
CN114720436B CN114720436B (zh) | 2023-05-12 |
Family
ID=82236448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210077713.2A Active CN114720436B (zh) | 2022-01-24 | 2022-01-24 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720436B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN108344701A (zh) * | 2018-02-02 | 2018-07-31 | 东北电力大学 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
CN110553999A (zh) * | 2019-07-04 | 2019-12-10 | 浙江大学山东工业技术研究院 | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 |
WO2020158107A1 (ja) * | 2019-01-28 | 2020-08-06 | 日本たばこ産業株式会社 | 蛍光画像を用いた試料の品質判定方法、プログラム、及び、装置 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
TW202037901A (zh) * | 2019-02-07 | 2020-10-16 | 美商奈米創尼克影像公司 | 螢光顯微鏡檢查系統、裝置及方法 |
CN112309498A (zh) * | 2020-12-31 | 2021-02-02 | 武汉纽福斯生物科技有限公司 | 一种基于深度学习和荧光光谱的基因检测方法及装置 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113820300A (zh) * | 2021-10-28 | 2021-12-21 | 南京农业大学 | 一种猪肉中荧光假单胞菌生长预测的方法 |
CN113917003A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种白芷饮片中欧前胡素含量的检测方法 |
-
2022
- 2022-01-24 CN CN202210077713.2A patent/CN114720436B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931470A (zh) * | 2015-06-02 | 2015-09-23 | 江苏大学 | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN108344701A (zh) * | 2018-02-02 | 2018-07-31 | 东北电力大学 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
CN109187378A (zh) * | 2018-10-17 | 2019-01-11 | 四川农业大学 | 基于高光谱图像的猕猴桃可溶性固形物含量无损检测方法 |
CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
WO2020158107A1 (ja) * | 2019-01-28 | 2020-08-06 | 日本たばこ産業株式会社 | 蛍光画像を用いた試料の品質判定方法、プログラム、及び、装置 |
TW202037901A (zh) * | 2019-02-07 | 2020-10-16 | 美商奈米創尼克影像公司 | 螢光顯微鏡檢查系統、裝置及方法 |
CN110553999A (zh) * | 2019-07-04 | 2019-12-10 | 浙江大学山东工业技术研究院 | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 |
CN111523542A (zh) * | 2020-04-21 | 2020-08-11 | 中国农业大学 | 一种菌落总数回归预测模型的构建及运用该模型检测鱼肉新鲜度的方法 |
CN112309498A (zh) * | 2020-12-31 | 2021-02-02 | 武汉纽福斯生物科技有限公司 | 一种基于深度学习和荧光光谱的基因检测方法及装置 |
CN113008805A (zh) * | 2021-02-07 | 2021-06-22 | 浙江工业大学 | 基于高光谱成像深度分析的白芷饮片质量预测方法 |
CN113496486A (zh) * | 2021-07-08 | 2021-10-12 | 四川农业大学 | 基于高光谱成像技术的猕猴桃货架期快速判别方法 |
CN113917003A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种白芷饮片中欧前胡素含量的检测方法 |
CN113820300A (zh) * | 2021-10-28 | 2021-12-21 | 南京农业大学 | 一种猪肉中荧光假单胞菌生长预测的方法 |
Non-Patent Citations (4)
Title |
---|
GUO, Z: "Quantitative detection of apple watercore and soluble solids content by near infrared transmittance spectroscopy" * |
YU, Y: "Nondestructive determination of SSC in Korla fragrant pear using a portable near-infrared spectroscopy system" * |
梁琨: "基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测" * |
许丽佳: "高光谱成像的猕猴桃糖度无损检测方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN114720436B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020073737A1 (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
Jiang et al. | A fully convolutional neural network-based regression approach for effective chemical composition analysis using near-infrared spectroscopy in cloud | |
Li et al. | Apple quality identification and classification by image processing based on convolutional neural networks | |
Zhang et al. | Wood defect detection method with PCA feature fusion and compressed sensing | |
Liu et al. | Deep feature representation with stacked sparse auto-encoder and convolutional neural network for hyperspectral imaging-based detection of cucumber defects | |
CN108335300A (zh) | 一种基于cnn的食品高光谱信息分析系统与方法 | |
CN113030001B (zh) | 一种水果糖度检测方法及系统 | |
Bhargava et al. | Machine learning based quality evaluation of mono-colored apples | |
CN113052216B (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
Yuan et al. | Moldy peanuts identification based on hyperspectral images and Point-centered convolutional neural network combined with embedded feature selection | |
Rafiq et al. | Application of computer vision system in food processing | |
Qi et al. | Moldy peanut kernel identification using wavelet spectral features extracted from hyperspectral images | |
CN107680081B (zh) | 基于卷积神经网络的高光谱图像解混方法 | |
WO2023159760A1 (zh) | 卷积神经网络模型剪枝方法和装置、电子设备、存储介质 | |
CN111398211A (zh) | 一种苍术颗粒剂的信息区分处理方法 | |
CN112926625B (zh) | 一种卫星辐射数据的偏差影响因子分析方法 | |
CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
CN114720436A (zh) | 基于荧光高光谱成像的农产品品质参数检测方法及设备 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN116026795A (zh) | 一种基于反射透射光谱的水稻籽粒品质性状无损预测方法 | |
Rezvanian et al. | Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral images | |
Guo et al. | Component prediction of Antai pills based on one-dimensional convolutional neural network and near-infrared spectroscopy | |
Li et al. | Apple quality identification and classification by computer vision based on deep learning | |
Nasr-Esfahani et al. | Detection of Pits in Olive Using Hyperspectral Imaging Data | |
Wang et al. | Detection of Insect-Damaged maize seeds using hyperspectral imaging and hybrid 1D-CNN-BiLSTM models |
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 |