CN115909057A - 一种基于高光谱成像的牛黄智能鉴别方法及应用 - Google Patents
一种基于高光谱成像的牛黄智能鉴别方法及应用 Download PDFInfo
- Publication number
- CN115909057A CN115909057A CN202211408016.7A CN202211408016A CN115909057A CN 115909057 A CN115909057 A CN 115909057A CN 202211408016 A CN202211408016 A CN 202211408016A CN 115909057 A CN115909057 A CN 115909057A
- Authority
- CN
- China
- Prior art keywords
- sample
- identification
- bezoar
- calculus bovis
- hyperspectral
- 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
Images
Classifications
-
- 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
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种基于高光谱成像的牛黄智能鉴别方法及应用，涉及中药材鉴别领域，鉴别方法包括步骤：构建牛黄质量鉴别模型：采集牛黄样品的高光谱数据，得到高光谱图像并进行黑白校正处理，掩膜智能选择感兴趣区域；计算感兴趣区域内的平均光谱并进行光谱预处理；基于机器学习算法，构建牛黄鉴别模型；基于鉴别模型，进行牛黄样品的质量鉴别，完成对牛黄样品的质量的鉴别。本方法和鉴别模型应用于对不同质量牛黄类产品的质量鉴别中，可以智能高效、无损的完成牛黄的质量鉴别，解决传统牛黄鉴别方法耗时耗力的问题。
Description
技术领域
本发明属于中药材鉴别领域，具体涉及一种基于高光谱成像的牛黄智能鉴别方法及应用。
背景技术
天然牛黄是牛科动物牛Bos taurusdomesticusGmelin的干燥胆结石。在胆囊中产生的称“胆黄”或“蛋黄”，在胆管中产生的称“管黄”，在肝管中产生的称“肝黄”。牛黄表面金黄至黄褐色，细腻而有光泽。
牛黄作为一种名贵的中药材，其主要成分有胆色素类、胆汁酸(包括游离型和结合型胆汁酸)、脂肪酸、胆固醇、氨基酸、卵磷脂等。天然牛黄具有多重功效，牛黄可以抑制中枢神经系统，具有镇静镇痛、解热的功效；研究表明，牛黄具有抗心肌损伤及降压作用，并有利胆及保肝作用；抗炎、抗病原微生物、抗氧化及抑制肿瘤生长效果明显。而天然牛黄由于其资源紧缺、生产周期长、价格昂贵，天然牛黄掺杂、掺伪情况屡有发生，严重破坏交易秩序，甚至严重者引发以天然牛黄为原料的中药产品质量问题。
在天然牛黄中，常见的掺杂为在体外培育牛黄，常见的掺伪为掺糖天然牛黄。体外培育牛黄是根据胆红素钙结石体内形成的原理和生物化学过程，应用现代生物工程技术，在体外牛胆囊胆汁内模拟体内胆结石形成的原理和生物化学过程，培育牛胆红素钙结石。其化学成分、理化性质及药理作用与天然牛黄大体相似。
关于天然牛黄与非天然牛黄的检测方法，除了传统的形状鉴别外；目前，牛黄的真伪鉴别主要是基于所含的胆红素以及胆汁酸成分的含量，主要采用薄层法、重氮化比色法和水性溶剂法、高效液相色谱法、近红外光谱法及氨基酸自动分析仪法。薄层色谱建立的指纹特征图谱能准确、快速地进行胆酸含量的测定，薄层鉴别方法操作简单，但是鉴别准确度不高；重氮化比色法和水性溶剂法测定胆红素的含量，但是需要添加反应促进剂，以得到更准确的胆红素含量测定值；高效液相色谱法具有准确度与重现性较高的特点，能较好地控制牛黄及其代用品的质量，但需要使用有机溶剂，破坏样品；氨基酸自动分析仪通过检测氨基酸的含量来鉴别，但检测费用较高。
中国发明专利CN1598572A公开了一种牛黄质量的检测方法，首先根据胆汁酸类成分和胆红素类成分制定标准指纹图谱，然后将待测样品建立高效液相色谱数据，与上述的标准指纹图谱数据进行对比、鉴别。该方法将薄层色谱与高效液相色谱联用，可以作为区别体外培植牛黄与天然牛黄、人工牛黄的有效手段，该方法精密度高、重现性好、易于掌握，可以从色谱的整体特征面貌上把握牛黄的质量情况。但是，该方法需要将两种方法进行联用，且对牛黄样品质量有损。
中国发明专利CN115078440A公开一种使用1H NMR鉴定牛黄质量的方法，先使用有机溶剂提取、溶解牛黄，然后将牛黄溶液进行NMR检测，利用天然牛黄、体外培植牛黄及人工牛黄不同的化学位移鉴别掺杂、掺伪牛黄。此方法重复性良好、数据稳定、操作简单、灵敏度高、且可实时检测，但是牛黄的溶解使得样品受损。
随着社会发展的不断进步，亟需开发一种快速、无损、适用于工业生产现场的高通量智能鉴别方法。高光谱成像技术因其可快速无损地同时获取空间图像和光谱信息，近年来被广泛应用于遥感、农业、食品、药品等领域。目前，已见使用高光谱成像技术进行中药材产地鉴别，尚未见其应用于鉴定天然牛黄的掺杂、掺假。
发明内容
本发明针对现有技术存在的问题，提供了一种基于高光谱成像的牛黄智能鉴别方法及应用，对天然牛黄和掺杂、掺假牛黄或不同质量的牛黄类产品进行质量鉴别，此方法智能高效、无损，解决传统天然牛黄鉴别方法耗时耗力的问题。
为实现上述目的，本发明采用的技术方案如下：
一方面，本发明提供一种基于高光谱成像的牛黄智能鉴别方法，包括以下步骤：
S1、采集牛黄样品的高光谱数据，得到高光谱图像；
S2、对获取的高光谱图像进行黑白校正处理；
S3、制作样品掩膜，智能选择感兴趣区域；
S4、计算感兴趣区域内的平均光谱；
S5、对各平均光谱进行光谱预处理；
S6、基于机器学习算法，构建牛黄鉴别模型并进行牛黄样品的质量鉴别。
优选地，步骤S1中，所述牛黄样品，选自天然牛黄、体外培育牛黄、掺糖天然牛黄、掺蜜天然牛黄、人工牛黄中的至少一种。
进一步优选地，所述牛黄样品，包括天然牛黄110-150个样本、体外培育牛黄120-160个样本、掺糖天然牛黄40-60个样本。
进一步优选地，所述牛黄样品，包括天然牛黄120个样本、体外培育牛黄136个样本、掺糖天然牛黄42个样本。
优选地，步骤S1中，所述采集牛黄样品的高光谱数据，是利用高光谱仪器采400-2500nm范围共1024个波段的高光谱图像信息。
进一步优选地，所述采集牛黄样品的高光谱数据，是利用高光谱仪器采集898-1751nm范围共512个波段的高光谱图像信息。
更进一步优选地，所述采集牛黄样品的高光谱数据，为获取图像清晰、完整可靠的样品信息，开机后进行预热，以消除基线漂移带来的结果影响；由于仪器噪声等原因，保留900-1601nm的421个波段的高光谱图像信息用于后续分析。
优选地，步骤S1中，所述采集牛黄样品的高光谱数据时，高光谱仪器的参数为：样品平台的移动速度为1-10mm.s-1，相机曝光时间为1-60ms。
进一步优选地，步骤S1中，所述采集牛黄样品的高光谱数据时，高光谱仪器的参数为：样品平台的移动速度为2.3mm.s-1，相机曝光时间为18ms。
优选地，步骤S2中，所述黑白校正处理，具体为校正按下述公式进行：
其中，Icorrected为校正后图像，Iraw为原始图像，Idark为采集盖上镜头盖后视野的黑板图像，Iwhite为采集聚四氟乙烯板视野的白板图像。
优选地，步骤S2中，所述黑白校正处理的目的是减小暗电流和噪声影响。
优选地，步骤S3中，所述制作样品掩膜，具体为：对黑白校正后的高光谱图像对应的灰度图，进行二值化分割，去除背景后得到，掩膜所覆盖的区域即为感兴趣区域，二值化分割阈值设置为45/255，掩膜区域设置的像素点阈值为150。
优选地，步骤S3中，所述制作样品掩膜，可以设定可接受掺杂/掺假像素点阈值，避免异常光谱导致的误判。
优选地，步骤S4中，所述计算感兴趣区域内的平均光谱，具体计算按下述公式进行：
其中，
为当前样本在波段w下的平均反射率，n为当前样本感兴趣区域的像素点数目，
为当前样本的平均光谱，由此计算得到各牛黄样品的平均光谱信息。
优选地，步骤S5中，所述光谱预处理方式包括：不经过预处理、Savitsky-Golay(SG)平滑处理、多元散射校正(MSC)处理、标准正交变换(SNV)处理、基于SG平滑的一阶导数(SG1)处理和基于SG平滑的二阶导数(SG2)处理。
优选地，步骤S6中，所述机器学习算法包括：偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、卷积神经网络(CNN)和LightGBM(LGB)。
进一步优选地，步骤S6中，所述机器学习算法选自支持向量机(SVM)、LightGBM(LGB)中的至少一种。
优选地，步骤S6中，所述构建牛黄鉴别模型并进行牛黄样品的质量鉴别，具体为：样本集按照1-4:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结果。
进一步优选地，所述构建牛黄鉴别模型并进行牛黄样品的质量鉴别，具体为：样本集按照2:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结果；以不同牛黄样品的光谱为输入项，建立得到不同的鉴别模型；比较不同算法和光谱预处理方法对鉴别模型性能的影响，筛选出预测能力最佳的鉴别模型。
更进一步优选地，所述构建牛黄鉴别模型并进行牛黄样品的质量鉴别，具体为：样本集按照2:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结果；样本集中训练集包括199个样本，预测集包括99个样本；以不同牛黄样品的光谱为输入项，建立得到不同的鉴别模型；比较不同算法和光谱预处理方法对鉴别模型性能的影响，筛选出预测能力最佳的鉴别模型。
再者，本发明提供上述鉴别方法所建立的鉴别模型。
另一方面，本发明提供上述鉴别方法或鉴别模型在牛黄质量鉴别、牛黄掺杂/掺假鉴别中的应用。
相对于现有技术，本发明具有以下有益效果：
(1)本发明创新性提供了基于高光谱成像的天然牛黄智能鉴别方法，该方法具有快速、无损、高通量以及数据可视化的优点，并首次将其应用于天然牛黄掺假/掺杂鉴别，为高光谱成像技术在中药材检测、鉴别领域的应用提供依据，为提高牛黄等中药贵细药材质量控制水平和保障其经济价值提供了鉴别方法的技术指导；
(2)本发明将LightGBM算法、SVM算法应用于高光谱分类建模中，该算法在建立基于高维小样本数据的机器学习模型时具有速度快、准确率高等优点，本发明依据机器算法的所建立的鉴别模型和鉴别方法在牛黄质量鉴别过程中具有的成效，证明了该算法在光谱、高光谱定性/定量校正建模中的适用性。
附图说明
图1为牛黄药材图；
图2为牛黄样品掩膜示意图；
图3为牛黄样品平均原始光谱曲线图；
图4为牛黄样品经SG2预处理后的平均光谱曲线图；
图5为实施例1光谱经SG2预处理后，以SVM建立模型的混淆矩阵结果。
具体实施方式
以下非限制性实施例可以使本领域的普通技术人员更全面的理解本发明，但不以任何方式限制本发明。下述内容仅仅是对本申请要求保护的范围的示例性说明，本领域技术人员可以根据所公开的内容对本申请的发明做出多种改变和修饰，而其也应当属于本申请要求保护的范围之中。
下面以具体实施例的方式对本发明作进一步的说明。本发明实施例中所使用的各种化学试剂如无特殊说明均通过常规商业途径获得。
下述实施例中，所述的天然牛黄、体外培育牛黄样品收集于厦门中药厂和杭州胡庆余堂药业有限公司，掺糖天然牛黄由厦门中药厂提供。
高光谱为五铃光学HSI-NIR高光谱成像系统，主要由成像模块、光源、图像采集软件组成；
实施例1
一种基于高光谱成像的天然牛黄智能鉴别方法，包括步骤：
S1、收集不同牛黄样品作为鉴别样本集，样本集包括天然牛黄120个样本、体外培育牛黄136个样本、掺糖天然牛黄42个样本。收集的牛黄药材图见图1。采用高光谱仪器采集898-1751nm范围共512个波段的高光谱图像信息，高光谱仪器的参数为：样品平台的移动速度为2.3mm.s-1，相机曝光时间为18ms；由于仪器噪声等原因，保留900-1601nm的421个波段的高光谱图像信息用于后续分析。
S2、对获取的高光谱图像进行黑白校正处理，校正按公式
进行，其中，Icorrected为校正后图像，Iraw为原始图像，Idark为采集盖上镜头盖后视野的黑板图像，Iwhite为采集聚四氟乙烯板视野的白板图像。
S3、对黑白校正后的高光谱图像对应的灰度图，进行二值化分割，去除背景后得到，掩膜所覆盖的区域即为感兴趣区域，二值化分割阈值设置为45/255，掩膜区域设置的像素点阈值为150。掩膜示意图见图2。
S4、计算感兴趣区域(ROI)内的平均光谱，计算公式如下：
其中，
为当前样本在波段w下的平均反射率(w为S1中保留的421个波段)，n为当前样本感兴趣区域的像素点数目(由各样本的掩膜覆盖区域确定)，
为当前样本的平均光谱(光谱波段数m为421)，由此计算得到各牛黄样品的平均光谱信息。
S5、对各平均光谱进行光谱预处理，本实施例共6种处理方式，分别为不经过预处理、Savitsky-Golay(SG)平滑处理、多元散射校正(MSC)处理、标准正交变换(SNV)处理、基于SG平滑的一阶导数(SG1)处理和基于SG平滑的二阶导数(SG2)处理；其中，牛黄样品不经过预处理的平均原始光谱曲线图见图3，牛黄样品经过SG2预处理的平均光谱曲线图见图4。
S6、样本集按照2:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结果；样本集中训练集包括199个样本，预测集包括99个样本；将步骤S5处理后的平均光谱，基于SVM算法，构建得到牛黄鉴别模型；其中，光谱经SG2预处理后，以SVM建立模型的混淆矩阵结果见图5。
实施例2
与实施例1不同的是，步骤S6中，构建牛黄鉴别模型所用的算法为PLS-DA算法。
其余步骤和参数均与实施例1相同。
实施例3
与实施例1不同的是，步骤S6中，构建牛黄鉴别模型所用的算法为LGB算法。
其余步骤和参数均与实施例1相同。
实施例1-3中，经过不同光谱预处理和算法建立的鉴别模型，对牛黄样品的鉴别准确率见表1。
表1
表1中结果显示，本申请的牛黄质量鉴别模型和鉴别方法可以很好的对不同质量的牛黄样品进行鉴别，准确率高且迅速，对样品无损。其中，基于SG2预处理后的光谱建立的SVM模型可以达到最好的效果，对预测集的准确率为98.6％。
最后应当说明的是，以上内容仅用以说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。
Claims (13)
1.一种基于高光谱成像的牛黄智能鉴别方法，其特征在于，包括以下步骤：
S1、采集牛黄样品的高光谱数据，得到高光谱图像；
S2、对获取的高光谱图像进行黑白校正处理；
S3、制作样品掩膜，智能选择感兴趣区域；
S4、计算感兴趣区域内的平均光谱；
S5、对各平均光谱进行光谱预处理；
S6、基于机器学习算法，构建牛黄鉴别模型并进行牛黄样品的质量鉴别。
2.根据权利要求1所述的鉴别方法，其特征在于，步骤S1中，所述牛黄样品，选自天然牛黄、体外培育牛黄、掺糖天然牛黄、掺蜜天然牛黄、人工牛黄中的至少一种。
3.根据权利要求1所述的鉴别方法，其特征在于，步骤S1中，所述采集牛黄样品的高光谱数据，是利用高光谱仪器采集400-2500nm范围共1024个波段的高光谱图像信息；高光谱仪器的参数为：样品平台的移动速度为1-10mm.s-1，相机曝光时间为1-60ms。
4.根据权利要求3所述的鉴别方法，其特征在于，所述采集牛黄样品的高光谱数据，是利用高光谱仪器采集898-1751nm范围共512个波段的高光谱图像信息；高光谱仪器的参数为：样品平台的移动速度为2.3mm.s-1，相机曝光时间为18ms。
5.根据权利要求1所述的鉴别方法，其特征在于，步骤S2中，所述黑白校正处理，具体为：校正按下述公式进行：
其中，Icorrected为校正后图像，Iraw为原始图像，Idark为采集盖上镜头盖后视野的黑板图像，Iwhite为采集聚四氟乙烯板视野的白板图像。
6.根据权利要求1所述的鉴别方法，其特征在于，步骤S3中，所述制作样品掩膜，具体为：对黑白校正后的高光谱图像对应的灰度图，进行二值化分割，去除背景后得到，掩膜所覆盖的区域即为感兴趣区域，二值化分割阈值设置为45/255，掩膜区域设置的像素点阈值为150；可以设定可接受掺杂/掺假像素点阈值，避免异常光谱导致的误判。
7.根据权利要求1所述的鉴别方法，其特征在于，步骤S4中，所述计算感兴趣区域内的平均光谱，具体计算按下述公式进行：
其中，
为当前样本在波段w下的平均反射率，n为当前样本感兴趣区域的像素点数目，
为当前样本的平均光谱，由此计算得到各牛黄样品的平均光谱信息。
8.根据权利要求1所述的鉴别方法，其特征在于，步骤S5中，所述光谱预处理方式包括：不经过预处理、Savitsky-Golay平滑处理、多元散射校正处理、标准正交变换处理、基于SG平滑的一阶导数处理和基于SG平滑的二阶导数处理。
9.根据权利要求1所述的鉴别方法，其特征在于，步骤S6中，所述机器学习算法包括：偏最小二乘判别分析、支持向量机、卷积神经网络和LightGBM。
10.根据权利要求1所述的鉴别方法，其特征在于，步骤S6中，所述构建牛黄鉴别模型并进行牛黄样品的质量鉴别，具体为：样本集按照1-4:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结。
11.根据权利要求10所述的鉴别方法，其特征在于，所述构建牛黄鉴别模型并进行牛黄样品的质量鉴别，具体为：样本集按照2:1的比例划分为训练集和预测集，模型性能评估参照十次五折交叉验证的准确率结果；以不同牛黄样品的光谱为输入项，建立得到不同的鉴别模型；比较不同算法和光谱预处理方法对鉴别模型性能的影响，筛选出预测能力最佳的鉴别模型。
12.权利要求1-11任一项所述的鉴别方法所建立的鉴别模型。
13.权利要求1-11任一项所述的鉴别方法或权利要求12所述的鉴别模型在牛黄质量鉴别、牛黄掺杂/掺假鉴别中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408016.7A CN115909057A (zh) | 2022-11-10 | 2022-11-10 | 一种基于高光谱成像的牛黄智能鉴别方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211408016.7A CN115909057A (zh) | 2022-11-10 | 2022-11-10 | 一种基于高光谱成像的牛黄智能鉴别方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909057A true CN115909057A (zh) | 2023-04-04 |
Family
ID=86493296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211408016.7A Pending CN115909057A (zh) | 2022-11-10 | 2022-11-10 | 一种基于高光谱成像的牛黄智能鉴别方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909057A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117030628A (zh) * | 2023-06-27 | 2023-11-10 | 浙江大学 | 一种中药浸膏质量高光谱智能分析方法 |
| CN117132843A (zh) * | 2023-10-26 | 2023-11-28 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
-
2022
- 2022-11-10 CN CN202211408016.7A patent/CN115909057A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117030628A (zh) * | 2023-06-27 | 2023-11-10 | 浙江大学 | 一种中药浸膏质量高光谱智能分析方法 |
| CN117132843A (zh) * | 2023-10-26 | 2023-11-28 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
| CN117132843B (zh) * | 2023-10-26 | 2024-04-09 | 长春中医药大学 | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115909057A (zh) | 一种基于高光谱成像的牛黄智能鉴别方法及应用 | |
| Ma et al. | Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach | |
| El Hassani et al. | Emerging approach for analytical characterization and geographical classification of Moroccan and French honeys by means of a voltammetric electronic tongue | |
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| Li et al. | Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method | |
| Zhu et al. | High-speed sex identification and sorting of living silkworm pupae using near-infrared spectroscopy combined with chemometrics | |
| Zhu et al. | Determination of total acid content and moisture content during solid-state fermentation processes using hyperspectral imaging | |
| CN115937670A (zh) | 一种基于高光谱成像的麝香智能鉴别方法及应用 | |
| Lu et al. | Hyperspectral imaging with machine learning to differentiate cultivars, growth stages, flowers, and leaves of industrial hemp (Cannabis sativa L.) | |
| CN108519339A (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
| CN111742055A (zh) | 使用光谱技术识别微生物的方法 | |
| Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
| CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| Li et al. | Recent development and challenges in spectroscopy and machine vision technologies for crop nitrogen diagnosis: A review | |
| CN111751292A (zh) | 基于高光谱成像技术的大麦叶部病害侵染位点可视化方法 | |
| Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
| WO2012059748A1 (en) | Method, apparatus and software for identifying cells | |
| Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
| Galal et al. | Using RGB imaging, optimized three-band spectral indices, and a decision tree model to assess Orange fruit quality | |
| CN117054355A (zh) | 基于高光谱成像技术的银杏雌雄鉴别方法、系统及设备 | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| CN117368470A (zh) | 一种纺织品抗菌检测与质量评估系统 | |
| Zoccola et al. | Analytical Methods for the Identification and Quantitative Determination of Wool and Fine Animal Fibers: A Review | |
| CN117007541A (zh) | 一种基于高光谱技术的鲜烟叶农残等级检测方法及系统 |
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 |