CN117647501B - 基于icp光谱特征的食品中元素智能检测方法及系统 - Google Patents
基于icp光谱特征的食品中元素智能检测方法及系统 Download PDFInfo
- Publication number
- CN117647501B CN117647501B CN202410115859.0A CN202410115859A CN117647501B CN 117647501 B CN117647501 B CN 117647501B CN 202410115859 A CN202410115859 A CN 202410115859A CN 117647501 B CN117647501 B CN 117647501B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- analyzed
- point
- light intensity
- sampling
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 83
- 230000003595 spectral effect Effects 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 372
- 239000013598 vector Substances 0.000 claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 230000006866 deterioration Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 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
- G01N21/25—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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及食品中元素异常检测技术领域，具体涉及基于ICP光谱特征的食品中元素智能检测方法及系统。方法包括：获取待检测食品上每个位置在不同的波长下的NIR光谱数据和每个采样点的ICP光谱数据；根据待分析采样点的光强矢量、沿待分析采样点的光强矢量的反方向上与待分析采样点距离最近的异常区域内的待分析采样点的光强矢量的差异，得到异常评价值；根据待分析采样点与其邻域内采样点之间的光强矢量的角度差异、待分析采样点与其邻域内采样点的ICP光谱数据的差异和异常评价值，得到匹配程度值，进而确定变质区域。本发明提高了变质区域提取结果的准确度。
Description
技术领域
本发明涉及食品中元素异常检测技术领域，具体涉及基于ICP光谱特征的食品中元素智能检测方法及系统。
背景技术
在通过近红外光谱分析技术（NIR）对食品表面进行变质区域识别时，由于食品的变质位置可能从食品内部开始向周边辐射，当其接触到表面时，虽然在表面部分区域可以识别到光谱数据的变化，但实际在内部仍有部分区域未识别到，导致变质区域识别出现缺失的情况，使得变质区域识别不准确；在利用ICP光谱技术对NIR识别出的食品的变质区域进行修正时，可能存在一些离散的位置的光谱数据出现异常，此时若将这些点也囊括进变质区域中，会导致变质区域修正过度，修正结果不合理，变质区域提取结果准确度较低。
发明内容
为了解决现有方法在利用ICP光谱技术对NIR识别出的食品的变质区域进行修正时存在的修正结果不合理，变质区域提取结果准确度较低的问题，本发明的目的在于提供一种基于ICP光谱特征的食品中元素智能检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明提供了一种基于ICP光谱特征的食品中元素智能检测方法，该方法包括以下步骤：
获取待检测食品上每个位置在不同的波长下的NIR光谱数据，利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据；
根据每个位置在每个波长下的NIR光谱数据，确定每个位置每种元素的光谱强度特征值；基于所述NIR光谱数据确定异常区域，将所有采样点中除所述异常区域外的采样点记为待分析采样点；基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量；根据每个待分析采样点的光强矢量、沿每个待分析采样点的光强矢量的反方向上与每个待分析采样点距离最近的异常区域内的待分析采样点的光强矢量的差异，得到每个待分析采样点的异常评价值；
根据每个待分析采样点与其预设邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其预设邻域内采样点之间的ICP光谱数据的差异和所述异常评价值，得到每个待分析采样点对应的匹配程度值；基于每个待分析采样点和沿其光强矢量的反方向上与其距离最近的异常区域之间的距离和所述匹配程度值，筛选变质区域的边界点；
基于所有边界点确定待检测食品上每种元素对应的变质区域。
优选的，所述根据每个位置在每个波长下的NIR光谱数据，确定每个位置每种元素的光谱强度特征值，包括：
第j个位置在任意一种元素下：
对于第k个波长：将第j个位置的该元素在第k个波长下的NIR光谱数据与所有位置的该元素在第k个波长下的NIR光谱数据的最大值之间的比值，记为第j个位置在第k个波长下的第一占比；基于第j个位置在第k个波长下的NIR光谱数据以及第j个位置在第k个波长下的左右相邻位置的NIR光谱数据，确定第j个位置在第k个波长下对应的斜率以及第j+1个位置在第k个波长下对应的斜率；将第j个位置在第k个波长下对应的斜率与第j+1个位置在第k个波长下对应的斜率之间的差异记为第j个位置在第k个波长下的第一差异；将所述第一占比与所述第一差异的乘积的归一化结果，确定为第j个位置在第k个波长下的权值；
基于第j个位置在每个波长下的权值对第j个位置的该元素在所有波长下的NIR光谱数据加权求和，获得第j个位置的该种元素的光谱强度特征值。
优选的，所述基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量，包括：
对于第i个采样点：
对于第i个采样点的预设邻域内第j个采样点：将第i个采样点的光谱强度特征值与其预设邻域内第j个采样点的光谱强度特征值的差值，作为第i个采样点的预设邻域内第j个采样点的第一差值；将所述第一差值作为第j个采样点对应的特征向量的大小；若所述第一差值大于0，则将由第i个采样点指向第i个采样点的预设邻域内第j个采样点的方向作为第j个采样点对应的特征向量的方向；若所述第一差值小于或等于0，则将由第i个采样点的预设邻域内第j个采样点指向第i个采样点的方向作为第j个采样点对应的特征向量的方向；
将第i个采样点的预设邻域内所有采样点对应的特征向量之和，作为第i个采样点的光强矢量。
优选的，所述根据每个待分析采样点的光强矢量、沿每个待分析采样点的光强矢量的反方向上与每个待分析采样点距离最近的异常区域内的待分析采样点的光强矢量的差异，得到每个待分析采样点的异常评价值，包括：
对于第z个待分析采样点：
以第z个待分析采样点为起点，沿着第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近的异常区域，记为第z个待分析采样点对应的参考区域；
将第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近时所对应的参考区域的边缘像素点，确定为第z个待分析采样点对应的第一节点；以第z个待分析采样点为起点，过所述第一节点作射线，分别获取所述射线与所述参考区域的边缘线的交点，将与第z个待分析采样点距离最远的交点作为第z个待分析采样点对应的第二节点；
在所述射线上，将所述参考区域内与所述第一节点相邻的位置为起点，依次获取预设数量个位置，作为第z个待分析采样点对应的参考点；
根据第z个待分析采样点的光强矢量、第z个待分析采样点与其对应的第一节点之间的距离、第z个待分析采样点与其对应的第二节点之间的距离、第z个待分析采样点对应的每两个相邻参考点的光强矢量之间的差异，得到第z个待分析采样点的异常评价值。
优选的，采用如下公式计算第z个待分析采样点的异常评价值：
其中，表示第z个待分析采样点的异常评价值，/>表示第z个待分析采样点的光强矢量的大小，/>表示第z个待分析采样点与其对应的第二节点之间的距离，/>表示第z个待分析采样点与其对应的第一节点之间的距离，/>表示第z个待分析采样点的光强矢量的角度，/>表示第z个待分析采样点对应的第二节点的光强矢量的角度，Q表示第z个待分析采样点对应的参考点的数量，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的角度，/>表示第z个待分析采样点对应的第q+1个参考点的光强矢量的角度，/>表示第z个待分析采样点对应的第q+1个参考点的光强矢量的大小，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的大小，/>表示圆周率，/>表示预设第一调整参数，/>大于0。
优选的，所述根据每个待分析采样点与其预设邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其预设邻域内采样点之间的ICP光谱数据的差异和所述异常评价值，得到每个待分析采样点对应的匹配程度值，包括：
对于第z个待分析采样点：
在第z个待分析采样点的预设邻域内，获取ICP光谱数据大于预设标准值的采样点记为第z个待分析采样点对应的特征点；
对于第z个待分析采样点对应的第v个特征点：将第z个待分析采样点与其对应的第v个特征点之间的光强矢量的角度差异，作为第v个特征点对应的第二差异；
若第z个待分析采样点与其对应的第v个特征点所对应的参考区域不相同，则将第v个特征点的第一系数设置为0；若第z个待分析采样点与其对应的第v个特征点所对应的参考区域相同，则将第v个特征点的第一系数设置为第v个特征点的异常评价值；将第v个特征点的第一系数与第z个待分析采样点的异常评价值的乘积记为第v个特征点对应的第二乘积；
根据第z个待分析采样点的每个特征点对应的第二乘积和所述第二差异，获得第z个待分析采样点对应的匹配程度值，所述第二乘积与所述匹配程度值呈正相关关系，所述第二差异与所述匹配程度值呈负相关关系。
优选的，所述基于每个待分析采样点和沿其光强矢量的反方向上与其距离最近的异常区域之间的距离和所述匹配程度值，筛选变质区域的边界点，包括：
对于第z个待分析采样点：基于第z个待分析采样点与其对应的参考区域之间的距离、第z个待分析采样点对应的匹配程度值，获得第z个待分析采样点的判别值，所述第z个待分析采样点与其对应的参考区域之间的距离与所述判别值呈正相关关系，所述第z个待分析采样点对应的匹配程度值与所述判别值呈负相关关系；
基于每个待分析采样点的判别值筛选变质区域的边界点。
优选的，所述基于每个待分析采样点的判别值筛选变质区域的边界点，包括：
若待分析采样点的判别值大于预设判别阈值，则将对应待分析采样点确定为变质区域的边界点。
优选的，所述基于所述NIR光谱数据确定异常区域，包括：
将NIR光谱数据大于预设光谱数据阈值的位置构成的区域，作为异常区域。
第二方面，本发明提供了一种基于ICP光谱特征的食品中元素智能检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于ICP光谱特征的食品中元素智能检测方法。
本发明至少具有如下有益效果：
本发明首先采用NIR光谱技术获取了待检测食品上每个位置在不同的波长下的NIR光谱数据，然后利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据，通过对待检测食品上不同位置在一定波长范围内每个波长下对应的NIR光谱数据的波动程度进行评价，确定了每个位置每种元素的光谱强度特征值，该操作避免了直接对固定范围内数据求均或直接以数据峰值点作为该类型无机物光谱强度所产生的数据误差，提高了光谱强度获取结果的准确度。本发明根据每个待分析采样点与其邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其邻域内采样点之间的ICP光谱数据的差异和异常评价值，筛选了变质区域的边界点，进而确定了待检测食品上每种元素对应的变质区域，提高了变质区域获取结果的准确度。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于ICP光谱特征的食品中元素智能检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于ICP光谱特征的食品中元素智能检测方法及系统进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于ICP光谱特征的食品中元素智能检测方法及系统的具体方案。
基于ICP光谱特征的食品中元素智能检测方法实施例：
本实施例所针对的具体场景为：食品在变质的过程中，极有可能从内部出现变质，但其在食品表面进行表现时，利用NIR光谱对待检测食品中的变质区域进行检测提取到的变质区域很可能存在一定误差，本实施例将结合ICP技术对变质区域进行修正，提取准确的变质区域。
本实施例提出了基于ICP光谱特征的食品中元素智能检测方法，如图1所示，本实施例的基于ICP光谱特征的食品中元素智能检测方法包括以下步骤：
步骤S1，获取待检测食品上每个位置在不同的波长下的NIR光谱数据，利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据。
本实施例首先利用NIR光谱仪获取待检测食品上每个位置在不同的波长下的NIR光谱数据，然后对待检测食品上的位置进行抽样检测，利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据。需要说明的是：本实施例在对待检测食品上的位置进行抽样检测时，进行均匀抽样，也即采样点在待检测食品上均匀分布，采样点的具体数量实施者根据待检测食品的实际大小进行设置。
至此，获得了待检测食品上每个位置在不同的波长下的NIR光谱数据，利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据。
步骤S2，根据每个位置在每个波长下的NIR光谱数据，确定每个位置每种元素的光谱强度特征值；基于所述NIR光谱数据确定异常区域，将所有采样点中除所述异常区域外的采样点记为待分析采样点；基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量；根据每个待分析采样点的光强矢量、沿每个待分析采样点的光强矢量的反方向上与每个待分析采样点距离最近的异常区域内的待分析采样点的光强矢量的差异，得到每个待分析采样点的异常评价值。
由于待检测食品往往富含多种元素，因此本实施例将以待检测食品中的一种元素为例进行说明，确定该种元素对应的变质区域，对于其他种元素均可采用本实施例提供的方法进行处理。
食品在变质的过程中，很可能从内部出现变质，但其在食品表面进行表现时，利用NIR光谱进行检测的区域可能存在一定误差，此时利用神经网络算法对变质区域进行修正时，样本中所识别出的变质区域并不完整，导致变质区域提取结果不准确。由于利用NIR光谱仪采集食品表面上每个位置的光谱数据并判断是否存在成分变质时，通常会通过改变输出波长，使表面不同的无机成分在不同波长处响应，从而获取食品不同波长时表面光谱图像；而对于任意一个波长下光谱图像中，任意一个位置对于不同波长可能产生诸多响应，此时对于某种无机物光谱强度越多，在对应波长下光谱图像中亮度越高。此时对于NIR光谱图像中任意一个位置，可获取其在不同波长下分别对应光谱强度的数据曲线。在NIR光谱图像中，不同波长处不同位置的响应不同。对于待检测食品上任意一个位置，需要初步计算其对于当前所分析元素的光谱强度，因而首先获取该位置处的光谱响应数据的加权均值；需要说明的是，由于不同无机物的响应波长范围不同，因此直接计算每个位置的光谱强度时容易产生较大的误差，而当任意位置对于当前所分析元素光谱强度较多时，会产生较为明显的特征峰，因此通过分析当前所分析元素的先验响应范围内不同波长处对应光谱强度的突变程度，获取每个位置在每个波长下的权值，进而确定待检测食品上每个位置的光谱强度特征值。
具体地，第j个位置在任意一种元素下：
对于第k个波长：将第j个位置的该元素在第k个波长下的NIR光谱数据与所有位置的该元素在第k个波长下的NIR光谱数据的最大值之间的比值，记为第j个位置在第k个波长下的第一占比；基于第j个位置在第k个波长下的NIR光谱数据以及第j个位置在第k个波长下的左右相邻位置的NIR光谱数据，确定第j个位置在第k个波长下对应的斜率以及第j+1个位置在第k个波长下对应的斜率；将第j个位置在第k个波长下对应的斜率与第j+1个位置在第k个波长下对应的斜率之间的差异记为第j个位置在第k个波长下的第一差异；将所述第一占比与所述第一差异的乘积的归一化结果，确定为第j个位置在第k个波长下的权值；基于第j个位置在每个波长下的权值对第j个位置的该元素在所有波长下的NIR光谱数据加权求和，获得第j个位置的该种元素的光谱强度特征值。第j个位置的该种元素的光谱强度特征值的具体计算公式为：
其中，表示第j个位置的该种元素的光谱强度特征值，K表示波长的数量，/>表示第j个位置的该元素在第k个波长下的NIR光谱数据，/>表示所有位置的该元素在第k个波长下的NIR光谱数据的最大值，/>表示第j个位置在第k个波长下对应的斜率，/>表示第j+1个位置在第k个波长下对应的斜率，norm（ ）表示归一化函数，/>表示取绝对值符号。
表示第j个位置在第k个波长下的第一占比，该占比越大，说明第j个位置的数据值越大，其表现实际光谱强度的权值越大；/>表示第j个位置在第k个波长下的第一差异，能够反映斜率的突变程度，该值越大，说明第j个位置的数据的突变程度越大，第j个位置实际光谱强度的权值越大；/>表示第j个位置在第k个波长下的权值。当第j个位置在每个波长下的NIR光谱数据越大、第j个位置在每个波长下对应的斜率与第j+1个位置的斜率之间的差异越大时，第j个位置的光谱强度特征值越大。
采用上述方法，通过对待检测食品上不同位置在一定波长范围内的数据波动情况进行分析，获得了每个位置的光谱强度特征值，避免了直接对范围内数据求均或直接以数据峰值点作为该类型元素的光谱强度所产生数据误差，提高了光谱强度结果的准确性。
当食品变质后对于任意一种元素其含量会增加并超出额定正常值，因此本实施例将NIR光谱数据大于预设光谱数据阈值的位置构成的区域，作为异常区域。在具体应用中，实施者根据具体情况设置预设光谱数据阈值。本实施例将所有采样点中除所述异常区域外的采样点记为待分析采样点，也即获得了多个待采样点，接下来本实施例将基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量。
具体地，对于第i个采样点：对于第i个采样点的预设邻域内第j个采样点：将第i个采样点的光谱强度特征值与其预设邻域内第j个采样点的光谱强度特征值的差值，作为第i个采样点的预设邻域内第j个采样点的第一差值；将所述第一差值作为第j个采样点对应的特征向量的大小；若所述第一差值大于0，则将由第i个采样点指向第i个采样点的预设邻域内第j个采样点的方向作为第j个采样点对应的特征向量的方向；若所述第一差值小于或等于0，则将由第i个采样点的预设邻域内第j个采样点指向第i个采样点的方向作为第j个采样点对应的特征向量的方向；将第i个采样点的预设邻域内所有采样点对应的特征向量之和，作为第i个采样点的光强矢量。采用上述方法，能够获得每个采样点的光强矢量。本实施例中预设邻域的大小为八邻域，在具体应用中，实施者可根据具体情况进行设置。
由于采样点在异常区域内外都可能存在，当其在异常区域外并且表现为某一异常区域在食品内部的延伸区域时，其光谱强度的变化方向应与所对应异常区域内的光谱强度方向基本一致。
对于第z个待分析采样点：
以第z个待分析采样点为起点，沿着第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近的异常区域，记为第z个待分析采样点对应的参考区域；将第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近时所对应的参考区域的边缘像素点，确定为第z个待分析采样点对应的第一节点；以第z个待分析采样点为起点，过所述第一节点作射线，分别获取所述射线与所述参考区域的边缘线的交点，将与第z个待分析采样点距离最远的交点作为第z个待分析采样点对应的第二节点。在所述射线上，将所述参考区域内与所述第一节点相邻的位置为起点，依次获取预设数量个位置，作为第z个待分析采样点对应的参考点，参考点均位于所作射线上。本实施例中的预设数量为3，在具体应用中，实施者可根据具体情况进行设置。根据第z个待分析采样点的光强矢量、第z个待分析采样点与其对应的第一节点之间的距离、第z个待分析采样点与其对应的第二节点之间的距离、第z个待分析采样点对应的每两个相邻参考点的光强矢量之间的差异，计算第z个待分析采样点的异常评价值，具体计算公式为：
其中，表示第z个待分析采样点的异常评价值，/>表示第z个待分析采样点的光强矢量的大小，/>表示第z个待分析采样点与其对应的第二节点之间的距离，/>表示第z个待分析采样点与其对应的第一节点之间的距离，/>表示第z个待分析采样点的光强矢量的角度，/>表示第z个待分析采样点对应的第二节点的光强矢量的角度，Q表示第z个待分析采样点对应的参考点的数量，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的角度，/>表示第z个待分析采样点对应的第q+1个参考点的光强矢量的角度，/>表示第z个待分析采样点对应的第q+1个参考点的光强矢量的大小，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的大小，/>表示圆周率，/>表示预设第一调整参数，/>大于0。
本实施例在异常评价值的计算公式中引入预设第一调整参数是为了防止分母为0，本实施例中预设第一调整参数为0.01，在具体应用中，实施者可根据具体情况进行设置。需要说明的是：光强矢量的角度为以水平向右方向为起始角度，逆时针进行旋转，将旋转之后的方向与光强矢量方向重合时的旋转角度作为光强矢量的角度，也即水平向右方向为0度，光强矢量的角度的取值范围为[0，2]。第z个待分析采样点的光强矢量的大小越大，说明当前所分析的元素在待分析采样点的光强矢量所对应的方向上的延伸趋势越高；第z个待分析采样点与其对应的第一节点之间的距离越近，说明该异常区域内向食品内部延伸的可能性越高；第z个待分析采样点与其对应的第二节点之间的距离越远，说明沿第z个待分析采样点的光强矢量的反方向的异常区域较长，该待分析采样点表现异常区域在食品内部延伸的可能性越大。/>表示第z个待分析采样点的光强矢量的角度与第z个待分析采样点对应的第二节点的光强矢量的角度之间的差异，该差异越小，说明沿该方向异常区域延伸的可能性越高，第z个待分析采样点表现异常区域内在食品内部延伸的可能性越高。
采用上述方法，能够获得每个待分析采样点的异常评价值。本实施例利用各个位置光谱强度特征值以及与周围位置的光谱强度差异，确定了每个采样点的光强矢量，根据该矢量对比光谱数据的差异，判断任每个待分析采样点表现为异常区域在食品内部延伸的可能性，该操作避免了仅利用NIR光谱技术获取边缘区域导致后续利用神经网络技术时对变质区域的识别不准确的问题。
步骤S3，根据每个待分析采样点与其预设邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其预设邻域内采样点之间的ICP光谱数据的差异和所述异常评价值，得到每个待分析采样点对应的匹配程度值；基于每个待分析采样点和沿其光强矢量所在的方向上与其距离最近的异常区域之间的距离和所述匹配程度值，筛选变质区域的边界点。
对于待分析采样点，本实施例对每个待分析采样点的光强矢量与异常区域之间的关联性进行评价，确定了每个待分析采样点的异常评价值，但可能存在某一待分析采样点周围其他采样点并不符合中心采样点与对应异常区域的关系，因此应通过比较周围采样点与当前待分析采样点之间与对应异常区域的匹配程度，进而减小离群点的出现。
具体地，对于第z个待分析采样点：
在第z个待分析采样点的预设邻域内，获取ICP光谱数据大于预设标准值的采样点记为第z个待分析采样点对应的特征点；预设标准值实施者根据具体情况进行设置。对于第z个待分析采样点对应的第v个特征点：将第z个待分析采样点与其对应的第v个特征点之间的光强矢量的角度差异，作为第v个特征点对应的第二差异。若第z个待分析采样点与其对应的第v个特征点所对应的参考区域不相同，则将第v个特征点的第一系数设置为0；若第z个待分析采样点与其对应的第v个特征点所对应的参考区域相同，则将第v个特征点的第一系数设置为第v个特征点的异常评价值；将第v个特征点的第一系数与第z个待分析采样点的异常评价值的乘积记为第v个特征点对应的第二乘积。采用该方法，能够获得第z个待分析采样点对应的每个特征点对应的第二差异和第二乘积。接下来本实施例将根据第z个待分析采样点的每个特征点对应的第二乘积和所述第二差异，获得第z个待分析采样点对应的匹配程度值，所述第二乘积与所述匹配程度值呈正相关关系，所述第二差异与所述匹配程度值呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出匹配程度值的具体计算公式，第z个待分析采样点对应的匹配程度值的具体计算公式为：
其中，表示第z个待分析采样点对应的匹配程度值，/>表示第z个待分析采样点对应的特征点的数量，/>表示第z个待分析采样点的异常评价值，/>表示第z个待分析采样点对应的第v个特征点的第一系数，/>表示第z个待分析采样点的光强矢量的角度，/>表示第z个待分析采样点对应的第v个特征点的光强矢量的角度，/>表示预设第二调整参数，/>大于0。
本实施例在判别式的计算公式中引入预设第二调整参数是为了防止分母为0，本实施例中的预设第二调整参数为0.01，在具体应用中，实施者可根据具体情况进行设置。当第z个待分析采样点的光强矢量的角度与其对应的第v个特征点的光强矢量的角度之间的差异越大、第z个待分析采样点的异常评价值越小、第z个待分析采样点对应的第v个特征点的第一系数越小时，第z个待分析采样点对应的匹配程度值越小。
对于第z个待分析采样点：基于第z个待分析采样点与其对应的参考区域之间的距离、第z个待分析采样点对应的匹配程度值，获得第z个待分析采样点的判别值，所述第z个待分析采样点与其对应的参考区域之间的距离与所述判别值呈正相关关系，所述第z个待分析采样点对应的匹配程度值与所述判别值呈负相关关系。其中，负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出判别值的具体计算公式，第z个待分析采样点的判别值的具体计算公式为：
其中，表示第z个待分析采样点的判别值，/>表示第z个待分析采样点与其对应的参考区域之间的距离，/>表示第z个待分析采样点对应的匹配程度值。
当第z个待分析采样点与其对应的参考区域之间的距离越远、第z个待分析采样点对应的匹配程度值越小时，第z个待分析采样点的判别值越大。当第z个待分析采样点与其对应的参考区域之间的距离越近、第z个待分析采样点对应的匹配程度值越大时，第z个待分析采样点的判别值越小。
采用上述方法，能够获得每个待分析采样点的判别值。
若待分析采样点的判别值大于预设判别阈值，则将对应待分析采样点确定为变质区域的边界点，采用该方法，能够筛选多个边界点。在具体应用中，实施者可根据具体情况设置预设判别阈值。
步骤S4，基于所有边界点确定待检测食品上每种元素对应的变质区域。
本实施例在步骤S3中筛选了多个边界点，本实施例对获取的所有边界点依次相连，链接形成的闭合边缘并进行平滑，由此获得到待检测食品上对应的变质区域。
至此，采用本实施例的方法，完成对待检测食品的异常区域的检测。
本实施例首先采用NIR光谱技术获取了待检测食品上每个位置在不同的波长下的NIR光谱数据，然后利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据，通过对待检测食品上不同位置在一定波长范围内每个波长下对应的NIR光谱数据的波动程度进行评价，确定了每个位置每种元素的光谱强度特征值，该操作避免了直接对固定范围内数据求均或直接以数据峰值点作为该类型无机物光谱强度所产生的数据误差，提高了光谱强度获取结果的准确度。本实施例根据每个待分析采样点与其邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其邻域内采样点之间的ICP光谱数据的差异和异常评价值，筛选了变质区域的边界点，进而确定了待检测食品上每种元素对应的变质区域，提高了变质区域获取结果的准确度。
基于ICP光谱特征的食品中元素智能检测系统实施例：
本实施例基于ICP光谱特征的食品中元素智能检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于ICP光谱特征的食品中元素智能检测方法。
由于基于ICP光谱特征的食品中元素智能检测方法已经在基于ICP光谱特征的食品中元素智能检测方法实施例中进行了说明，所以本实施例不再对基于ICP光谱特征的食品中元素智能检测方法进行赘述。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于ICP光谱特征的食品中元素智能检测方法，其特征在于，该方法包括以下步骤：
获取待检测食品上每个位置在不同的波长下的NIR光谱数据，利用ICP光谱仪获取待检测食品上每个采样点的ICP光谱数据；
根据每个位置在每个波长下的NIR光谱数据，确定每个位置每种元素的光谱强度特征值；基于所述NIR光谱数据确定异常区域，将所有采样点中除所述异常区域外的采样点记为待分析采样点；基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量；根据每个待分析采样点的光强矢量、沿每个待分析采样点的光强矢量的反方向上与每个待分析采样点距离最近的异常区域内的采样点的光强矢量的差异，得到每个待分析采样点的异常评价值；
根据每个待分析采样点与其预设邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其预设邻域内采样点之间的ICP光谱数据的差异和所述异常评价值，得到每个待分析采样点对应的匹配程度值；基于每个待分析采样点和沿其光强矢量的反方向上与其距离最近的异常区域之间的距离和所述匹配程度值，筛选变质区域的边界点；
基于所有边界点确定待检测食品上每种元素对应的变质区域；
所述根据每个待分析采样点的光强矢量、沿每个待分析采样点的光强矢量的反方向上与每个待分析采样点距离最近的异常区域内的待分析采样点的光强矢量的差异，得到每个待分析采样点的异常评价值，包括：
对于第z个待分析采样点：
以第z个待分析采样点为起点，沿着第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近的异常区域，记为第z个待分析采样点对应的参考区域；
将第z个待分析采样点的光强矢量的反方向上与第z个待分析采样点距离最近时所对应的参考区域的边缘像素点，确定为第z个待分析采样点对应的第一节点；以第z个待分析采样点为起点，过所述第一节点作射线，分别获取所述射线与所述参考区域的边缘线的交点，将与第z个待分析采样点距离最远的交点作为第z个待分析采样点对应的第二节点；
在所述射线上，将所述参考区域内与所述第一节点相邻的位置为起点，依次获取预设数量个位置，作为第z个待分析采样点对应的参考点；
根据第z个待分析采样点的光强矢量、第z个待分析采样点与其对应的第一节点之间的距离、第z个待分析采样点与其对应的第二节点之间的距离、第z个待分析采样点对应的每两个相邻参考点的光强矢量之间的差异，得到第z个待分析采样点的异常评价值；
所述根据每个待分析采样点与其预设邻域内采样点之间的光强矢量的角度差异、每个待分析采样点与其预设邻域内采样点之间的ICP光谱数据的差异和所述异常评价值，得到每个待分析采样点对应的匹配程度值，包括：
对于第z个待分析采样点：
在第z个待分析采样点的预设邻域内，获取ICP光谱数据大于预设标准值的采样点记为第z个待分析采样点对应的特征点；
对于第z个待分析采样点对应的第v个特征点：将第z个待分析采样点与其对应的第v个特征点之间的光强矢量的角度差异，作为第v个特征点对应的第二差异；
若第z个待分析采样点与其对应的第v个特征点所对应的参考区域不相同，则将第v个特征点的第一系数设置为0；若第z个待分析采样点与其对应的第v个特征点所对应的参考区域相同，则将第v个特征点的第一系数设置为第v个特征点的异常评价值；将第v个特征点的第一系数与第z个待分析采样点的异常评价值的乘积记为第v个特征点对应的第二乘积；
根据第z个待分析采样点的每个特征点对应的第二乘积和所述第二差异，获得第z个待分析采样点对应的匹配程度值，所述第二乘积与所述匹配程度值呈正相关关系，所述第二差异与所述匹配程度值呈负相关关系；
所述基于每个待分析采样点和沿其光强矢量的反方向上与其距离最近的异常区域之间的距离和所述匹配程度值，筛选变质区域的边界点，包括：
对于第z个待分析采样点：基于第z个待分析采样点与其对应的参考区域之间的距离、第z个待分析采样点对应的匹配程度值，获得第z个待分析采样点的判别值，所述第z个待分析采样点与其对应的参考区域之间的距离与所述判别值呈正相关关系，所述第z个待分析采样点对应的匹配程度值与所述判别值呈负相关关系；
基于每个待分析采样点的判别值筛选变质区域的边界点。
2.根据权利要求1所述的基于ICP光谱特征的食品中元素智能检测方法，其特征在于，所述根据每个位置在每个波长下的NIR光谱数据，确定每个位置每种元素的光谱强度特征值，包括：
第j个位置在任意一种元素下：
对于第k个波长：将第j个位置的该元素在第k个波长下的NIR光谱数据与所有位置的该元素在第k个波长下的NIR光谱数据的最大值之间的比值，记为第j个位置在第k个波长下的第一占比；基于第j个位置在第k个波长下的NIR光谱数据以及第j个位置在第k个波长下的左右相邻位置的NIR光谱数据，确定第j个位置在第k个波长下对应的斜率以及第j+1个位置在第k个波长下对应的斜率；将第j个位置在第k个波长下对应的斜率与第j+1个位置在第k个波长下对应的斜率之间的差异记为第j个位置在第k个波长下的第一差异；将所述第一占比与所述第一差异的乘积的归一化结果，确定为第j个位置在第k个波长下的权值；
基于第j个位置在每个波长下的权值对第j个位置的该元素在所有波长下的NIR光谱数据加权求和，获得第j个位置的该种元素的光谱强度特征值。
3.根据权利要求1所述的基于ICP光谱特征的食品中元素智能检测方法，其特征在于，所述基于每个采样点与其预设邻域内采样点之间的光谱强度特征值之间的差异，确定每个采样点的光强矢量，包括：
对于第i个采样点：
对于第i个采样点的预设邻域内第j个采样点：将第i个采样点的光谱强度特征值与其预设邻域内第j个采样点的光谱强度特征值的差值，作为第i个采样点的预设邻域内第j个采样点的第一差值；将所述第一差值作为第j个采样点对应的特征向量的大小；若所述第一差值大于0，则将由第i个采样点指向第i个采样点的预设邻域内第j个采样点的方向作为第j个采样点对应的特征向量的方向；若所述第一差值小于或等于0，则将由第i个采样点的预设邻域内第j个采样点指向第i个采样点的方向作为第j个采样点对应的特征向量的方向；
将第i个采样点的预设邻域内所有采样点对应的特征向量之和，作为第i个采样点的光强矢量。
4.根据权利要求1所述的基于ICP光谱特征的食品中元素智能检测方法，其特征在于，采用如下公式计算第z个待分析采样点的异常评价值：
其中，表示第z个待分析采样点的异常评价值，/>表示第z个待分析采样点的光强矢量的大小，/>表示第z个待分析采样点与其对应的第二节点之间的距离，/>表示第z个待分析采样点与其对应的第一节点之间的距离，/>表示第z个待分析采样点的光强矢量的角度，表示第z个待分析采样点对应的第二节点的光强矢量的角度，Q表示第z个待分析采样点对应的参考点的数量，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的角度，表示第z个待分析采样点对应的第q+1个参考点的光强矢量的角度，/>表示第z个待分析采样点对应的第q+1个参考点的光强矢量的大小，/>表示第z个待分析采样点对应的第q个参考点的光强矢量的大小，/>表示圆周率，/>表示预设第一调整参数，/>大于0。
5.根据权利要求1所述的基于ICP光谱特征的食品中元素智能检测方法，其特征在于，所述基于每个待分析采样点的判别值筛选变质区域的边界点，包括：
若待分析采样点的判别值大于预设判别阈值，则将对应待分析采样点确定为变质区域的边界点。
6.根据权利要求1所述的基于ICP光谱特征的食品中元素智能检测方法，其特征在于，所述基于所述NIR光谱数据确定异常区域，包括：
将NIR光谱数据大于预设光谱数据阈值的位置构成的区域，作为异常区域。
7.一种基于ICP光谱特征的食品中元素智能检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的基于ICP光谱特征的食品中元素智能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410115859.0A CN117647501B (zh) | 2024-01-29 | 2024-01-29 | 基于icp光谱特征的食品中元素智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410115859.0A CN117647501B (zh) | 2024-01-29 | 2024-01-29 | 基于icp光谱特征的食品中元素智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117647501A CN117647501A (zh) | 2024-03-05 |
| CN117647501B true CN117647501B (zh) | 2024-04-26 |
Family
ID=90046230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410115859.0A Active CN117647501B (zh) | 2024-01-29 | 2024-01-29 | 基于icp光谱特征的食品中元素智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117647501B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009229191A (ja) * | 2008-03-21 | 2009-10-08 | Naraken Chusho Kigyo Sien Center | 品質予測装置、品質予測方法、品質予測プログラム、およびコンピュータ読取可能な記録媒体 |
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| CN108663491A (zh) * | 2018-05-03 | 2018-10-16 | 江西六艺斋茶叶有限公司 | 一种茶的品质分析方法 |
| CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
| CN114018833A (zh) * | 2021-11-07 | 2022-02-08 | 福建师范大学 | 基于高光谱遥感技术估算土壤重金属含量的方法 |
| CN117349683A (zh) * | 2023-12-04 | 2024-01-05 | 广东台塑智能科技有限公司 | 基于光谱数据的汽车配件涂装色差异常检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG10201911636PA (en) * | 2019-12-04 | 2020-03-30 | Teapasar Pte Ltd | System and method for non-destructive rapid food profiling using artificial intelligence |
-
2024
- 2024-01-29 CN CN202410115859.0A patent/CN117647501B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009229191A (ja) * | 2008-03-21 | 2009-10-08 | Naraken Chusho Kigyo Sien Center | 品質予測装置、品質予測方法、品質予測プログラム、およびコンピュータ読取可能な記録媒体 |
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| CN108663491A (zh) * | 2018-05-03 | 2018-10-16 | 江西六艺斋茶叶有限公司 | 一种茶的品质分析方法 |
| CN111398198A (zh) * | 2020-04-29 | 2020-07-10 | 中国农业大学 | 一种小麦籽粒微量元素快速无损检测方法 |
| CN114018833A (zh) * | 2021-11-07 | 2022-02-08 | 福建师范大学 | 基于高光谱遥感技术估算土壤重金属含量的方法 |
| CN117349683A (zh) * | 2023-12-04 | 2024-01-05 | 广东台塑智能科技有限公司 | 基于光谱数据的汽车配件涂装色差异常检测系统 |
Non-Patent Citations (3)
| Title |
|---|
| Internal standardization-atomic spectrometry and geographical pattern recognition techniques for the multielement analysis and classification of Catalonian red wines;Iglesias, M等;JOURNAL OF AGRICULTURAL AND FOOD CHEMISTRY;20070124;第55卷(第2期);全文 * |
| 基于GWO-SVR的土壤镉元素含量含水率校正预测模型研究;陈颖;张灿;肖春艳;赵学亮;史彦新;杨惠;刘峥莹;李少华;;光学学报;20200525(第10期);全文 * |
| 基于野外实测光谱的金矿区土壤重金属铬监测研究;王菲;曹文涛;康日斐;曹见飞;吴泉源;;环境污染与防治;20160215(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117647501A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Efficient illuminant estimation for color constancy using grey pixels | |
| Kumar et al. | N-CNN based transfer learning method for classification of powdery mildew wheat disease | |
| JP5496509B2 (ja) | 色分類および皮膚色検出のための画像処理のためのシステム、方法、および装置 | |
| US7639874B2 (en) | Methods for discriminating moving objects in motion image sequences | |
| CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
| CN117191716B (zh) | 基于人工智能的磁性印刷品质量实时检测方法 | |
| CN113128388B (zh) | 一种基于时空谱特征的光学遥感图像变化检测方法 | |
| CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
| CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
| CN113269201A (zh) | 一种基于潜在特征融合的高光谱影像波段选择方法及系统 | |
| CN117647501B (zh) | 基于icp光谱特征的食品中元素智能检测方法及系统 | |
| KR102013392B1 (ko) | Ft-ir 기반 분광 스펙트럼에서 svm 분류기를 이용한 가스 탐지 방법 | |
| CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
| CN115862006B (zh) | 一种面粉磨粉过程中麸星的检测方法 | |
| CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
| CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
| Sippel et al. | Optimal Filter Selection for Multispectral Object Classification Using Fast Binary Search | |
| CN118397617B (zh) | 基于图像处理的食品变质检测方法及系统 | |
| CN117765391B (zh) | 基于机器学习的人参总皂苷含量预测方法、系统、设备和介质 | |
| CN116824586B (zh) | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 | |
| CN112017127B (zh) | 一种基于光谱滤波的图像条带噪声去除方法及系统 | |
| CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
| CN115797345B (zh) | 一种海鲜烘烤异常识别方法 | |
| CN115855836A (zh) | 一种基于高光谱成像的茶鲜叶萎凋与发酵程度判断方法及系统 | |
| CN118608497A (zh) | 一种对象分析方法、装置及电子设备 |
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 |