CN1789978A - 一种快速无损检测苹果内部质量的方法 - Google Patents
一种快速无损检测苹果内部质量的方法 Download PDFInfo
- Publication number
- CN1789978A CN1789978A CNA2004100986214A CN200410098621A CN1789978A CN 1789978 A CN1789978 A CN 1789978A CN A2004100986214 A CNA2004100986214 A CN A2004100986214A CN 200410098621 A CN200410098621 A CN 200410098621A CN 1789978 A CN1789978 A CN 1789978A
- Authority
- CN
- China
- Prior art keywords
- apple
- sample
- brown stain
- quality
- fruit
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种快速无损检测苹果内部质量的方法，它包括以下步骤：(1)将光谱范围在638～1295nm的可见－近红外光谱仪对待测苹果逐个进行连续光谱检测；(2)将被测苹果的连续光谱检测结果，带入预先建立的苹果内部质量判别函数，得到苹果内部质量的判定。本发明检测时，只需对苹果进行一次连续光谱的采集，便可以分别通过预先建立的两大类判别函数，进行水心病和褐变两种病症的同时检测。本发明可以大量减少因抽样检测所造成的果品浪费，其不但采摘时可以对苹果进行现场检测，而且可以经常性地对贮藏的苹果进行监测，减少贮藏损失。
Description
技术领域
本发明涉及一种检测苹果内部质量的方法，特别是关于一种针对苹果水心病和褐变的快速无损检测苹果内部质量的方法。
背景技术
我国是世界第一水果生产大国，其中苹果是最主要的品种，但每年出口量却较少，仅占总产量的2.1％。制约我国苹果出口的一个重要原因是国内对苹果的分选检测能力弱，速度慢，试验环境条件差，分选技术水平达不到国际市场的要求。苹果水心病是其在生长期和贮藏期经常发生的一种内部生理失调病，在我国各苹果产区均有发生，水心病果的果心呈水渍状，严重时病变部分接近果皮，使果皮也出现水渍状透明似蜡，后期病果内病组织可发生败坏。苹果褐变是在贮藏过程中常见的一种病害，除严重水心病会导致苹果褐变外，高CO2、低O2、冷冻害及衰老崩溃等都能引起褐变。果实褐变可发生在果肉、果心和果皮，褐变组织变坚实、湿润或松散干燥，果肉变苦，病变严重时整个果实全部褐变。由于产生苹果水心病、褐变的病果一般与正常果在外观上没有区别，因此原有对苹果内在品质的检验方法，只能是通过观察随机样品的切片来进行，但这种方法属于破坏性抽样检测的方法，不但浪费极大，而且对出口产品分级毫无意义。因此必须采用非破坏性的无损伤检测方法对苹果内部品质进行评价分级，才能适应国际市场的要求。
目前无损伤检测苹果水心病的方法包括以下几种：(1)浮力密度法：据Fidler等报道，根据苹果水心病果比重发生变化的特征，可通过浮力分离的原理来分离水心病果，利用酒精水溶液可分选78％的水心病果；Cavalieri等报告，根据水心病果的密度可分选100％的严重病果。但这种密度检测法只能分离质量合格的苹果与严重水心病果(4级)，而无法对相邻级别的苹果进行分离。(2)透光图像密度法：据Throop报告，使用可视计算机检测苹果的透光率，并根据苹果图像估算面积、计算密度来判断苹果水心病，尽管该方法能正确分离出75％的水心病果，但不足以精确区分水心病的严重程度，原因是病果各级之间密度差异很小；而且Upchurch和Throop的进一步研究发现，检测效果与计算机可视系统的摄像机灵敏度有关。(3)X射线扫描法：Shahin和Tollner报道，利用X射线扫描苹果样品，经过对图像的处理可以正确分离75％的轻微病果、40％的中等程度病果和60％的严重病果。(4)核磁共振法：Clark和Bieleski报告，可使用核磁共振成像跟踪苹果在贮藏过程中水心病的变化，但该技术成本太高，检测速度慢，无法应用到苹果分选线上。Staoru Tsuchikawa等报告，采用TOE-NIR(time-of-flight Near-infrared)光谱技术，通过检测光通过样品的时间来判断水心病。(5)差分法：经典的光学水心病检测方法为760nm和810nm的差分法，检测精度还是不够理想。据报道，褐变果有用600nm和740nm检测的。另外，Bramlage探讨了利用光学方法检测完整苹果的可能性；而Paola等使用time-resolved反射光谱对梨褐心进行了无损伤检测，但只能检测到果皮以下2cm范围内，对果心周围的轻微褐变检测比较困难。
发明内容
针对上述问题，本发明的目的是提供一种针对苹果水心病和褐变的快速无损检测苹果内部质量的方法。
为实现上述目的，本发明采取以下技术方案：一种快速无损检测苹果内部质量的方法，它包括以下步骤：(1)用光谱范围在638～1295nm的可见-近红外光谱仪对待测苹果逐个进行连续光谱检测；(2)将被测苹果的连续光谱检测结果，带入预先建立的苹果内部质量判别函数，得到苹果内部质量的判定。
所述预先建立的苹果内部质量判别函数为苹果水心病等级的判别函数，其采用以下方法建立：(1)采集苹果样品集，用可见-近红外光谱仪对样品集中的样品进行波长范围在650nm～950nm的连续光谱检测，并对检测结果进行预处理，得到在连续光谱范围内OD值变化的连续光谱；(2)将每个经连续光谱检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，计算苹果水心病的病变程度，并按病变程度对样品分级；(3)对样品集中各样品连续光谱与切片后的水心病分级结果，采用TQ analyst 6.2分析软件包进行计算分析后，确定出与步骤(2)中苹果水心病分级相对应的判别函数；(4)将未知被测苹果的波长范围在650nm～950nm的连续光谱检测结果进行预处理后，将要判断的观测值带入到判别函数中，哪一个判别函数值最大，就属于哪一类苹果的等级。
所述步骤(2)中计算苹果水心病病变的程度，是指计算病变面积占整个截面面积的百分比，其包括五级：A级＝0％，B级≤1％，C级＝1～3％，D级＝3～10％，E级≥10％以上。
所述预先建立的苹果内部质量判别函数为苹果褐变的判别函数，其采用以下方法建立：(1)采集苹果样品集，用可见-近红外光谱仪对样品集中的样品进行波长范围在650nm～950nm的连续光谱检测，并对检测结果进行预处理，得到在连续光谱范围内OD值变化的连续光谱；(2)将每个经连续光谱检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，按照是否发生褐变分为正常果和褐变果两级；(3)将样品集中各样品在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值与切片后的苹果褐变分级结果，采用SAS 8.0 discrim进行计算分析后，确定出苹果褐变的判别函数；褐变果＝-741.58928-71.5161OD(715±5)+1508OD(750±5)-1640OD(810±5)；正常果＝-830.51874-81.46691OD(715±5)+1600OD(750±5)-1736OD(810±5)；(4)将未知被测苹果在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入判别函数进行计算，两方程中计算结果数值较大的方程，被判定为代表未知被测苹果的检测结果。
所述预处理包括光谱数据的平滑、求导、多元散射校正等。
所述三个特征波长为715nm、750nm和810nm。
一种快速无损检测苹果内部质量的方法，它包括以下步骤：(1)用滤光片仪，逐个对待测苹果检测波长在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值；(2)将被测苹果的(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入预先建立的苹果内部质量判别函数，得到苹果内部质量的判定。
所述预先建立的苹果内部质量判别函数为苹果褐变的判别函数，其采用以下方法建立：(1)采集苹果样品集，用滤光片仪逐个对待测苹果检测波长在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值；(2)将每个检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，按照是否发生褐变分为正常果和褐变果两级；(3)对样品集中各样品在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值与切片后的苹果褐变分级结果，采用SAS8.0discrim法进行计算分析后，确定出苹果褐变的判别函数：褐变果＝-741.58928-71.5161OD(715±5)+1508OD(750±5)-1640OD(810±5)；正常果＝-830.51874-81.46691OD(715±5)+1600OD(750±5)-1736OD(810±5)；(4)将未知被测苹果在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入判别函数进行计算，两方程中计算结果数值较大的方程，被判定为代表未知被测苹果的检测结果。
所述三个特征波长为715nm、750nm和810nm。
本发明由于采取以上技术方案，其具有以下优点：1、本发明由于通过预先对苹果样品集进行近红外连续光谱采集，并结合对光谱采集后的样品切片进行观察和相关性分析，建立苹果水心病和褐变程度分级的判别函数，因此无论是在线检测时还是进行抽样检测时，都可以逐个判别每个苹果的等级，保证每个苹果的分选质量。2、本发明检测时，只需对苹果进行一次连续光谱的采集，便可以分别通过预先建立的两大类判别函数，进行水心病和褐变两种病症的同时检测。3、本发明根据水心病的危害程度将其分为五个等级，检测时计算机软件计算被测苹果的连续光谱属于哪一级，便可以得到水心病等级结论。4、本发明考虑到苹果褐变的不可接受性，将其仅分为褐变果和好果两个等级，而且根据实验和分析结果，确定了三个特征波长(715±5)nm、(750±5)nm和(810±5)nm处的OD值作为变量，得到褐变果和正常果的判别函数，因此检测时，计算机软件只需采集连续光谱在这三个特征波长处的OD值，便可以通过判别函数的计算得出是褐变果还是正常果的结论。本发明采用方法设备简单，可以同时检测出苹果水心病和苹果褐变，大量减少因抽样检测所造成的果品浪费，其不但采摘时可以对苹果进行现场检测，而且可以经常性地对贮藏的苹果进行监测，减少贮藏损失。
具体实施方式
实施例1：关于苹果水心病的快速无损检测
一、首先建立苹果水心病的判别函数：
(1)样品采集及检测仪器：
在同区域、同一采摘时期、不同的果树株棵上、同一果树株棵上的不同部位上，随机采摘具有代表性的红富士苹果样品200个，果径范围52.4mm～93.3mm。
采用CCD光栅型可见-近红外光谱仪，其波长范围为638nm～1295nm，计算机内装有TQ analyst 6.2分析软件包(美国NICOLET公司)，用于对光谱数据进行处理。
(2)对样品进行连续光谱采集：
用CCD光栅型可见-近红外光谱仪对样品集中的各样品进行连续光谱采集，波长范围为638nm～1295nm，每隔0.35nm照射一个点，每张光谱共照射2047个点，光源位于仪器上部，监测器位于底端，两者成180°，积分时间为1000ms，平均照射次数为10次；可以选择多个测点，取平均光谱用作分析。由于在650nm之前和950nm之后的波长峰值不明显，故仅选择波长范围在650nm～950nm之间的光谱。
(3)将样品切片观察：
将每个检测后的样品，沿赤道方向切开，对切片的截面进行拍摄，并将照片输入计算机，通过Scion Image图像处理软件对照片进行内部病变面积的计算，根据病变面积占整个截面面积的百分比确定出每个样品水心病的病变程度，并将所有样品苹果按其病变程度人为地划分为五个级别，各级别如下：A级＝0％，B级≤1％，C级＝1～3％，D级＝3～10％，E级＝≥10％以上。
(4)分析各样品光谱与切片结果的相关性，建立苹果水心病判别函数：
根据测试过程的精确记录，利用TQ analyst 6.2分析软件包(美国NICOLET公司)对样品集中各样品的近红外线检测结果与相应样品切片后的内部质量分级结果进行相关性分析。首先对每条光谱进行Savitzky-Golay25点3次平滑预处理，为了消除苹果大小和散射造成的影响，光谱透过苹果内部时的路径变化，利用SNV(标准正态变量)进行校正。程序采用分类方法中的discriminant analysis(判别分析)，对所选光谱范围进行分析判断，计算机分别自动给出五个等级水心病病变对应的判别函数，但无具体判别函数显示，其一般表达形式为：
组(A、B、C、D、E)＝K0+K1×X1+K2×X2+…+Kn×Xn
K0-常数项，Kn-变量系数，Xn-波长
该程序通过计算各级之间的Mahalanobis(马氏)距离，确定与已知材料级别中最相近的未知级别作为计算级。即将新观测值带入到五个判别函数中，哪个判别函数值最大，该观测就属于哪一类。
二、快速无损检测苹果水心病：
采用CCD光栅型可见-近红外光谱仪，对待测苹果逐个进行波长范围在650nm～950nm的连续光谱检测，然后将被测苹果的连续光谱检测结果带入上述苹果内部质量判别函数，通过计算机软件的计算结果，可以得到被测苹果更接近哪一级。下面是应用本发明方法进行的一组苹果水心病检测判别及验证结果(如表1所示)：
表1：快速无损检测苹果水心病判别结果
| E级数量及判别率 | 0 | 0 | 0 | 0 | 正确15个 | 0 |
| 0 | 0 | 0 | 0 | 1.00 | 0 | |
| 误判合计数 | 5个 | 25个 | 0 | 4个 | 0 | 34个 |
| 总误判率 | 0.17 |
本实施例经对受测苹果切片检验表明，利用本发明方法快速无损检测苹果水心病，其正确判别率如表2所示。
表2：正确判别率
| 判别分级 | A级 | B级 | C级 | D级 | E级 | 总判别率 |
| 判别率 | 74％ | 89％ | 79％ | 94％ | 100％ | 83％ |
实施例2：关于苹果褐变的快速无损检测
一、首先建立苹果褐变的判别函数：
(1)样品采集及检测仪器：
在同区域、同一采摘时期、不同的果树株棵上、同一果树株棵上的不同部位上，随机采摘具有代表性的富士苹果样品184个，果径范围7.33cm～9.5cm。将所有样品苹果分四袋装入聚氯乙烯薄膜(厚0.8mm)密封袋中，分别充入CO2气体并使其含量达到30％，O2含量为5％。当聚氯乙烯薄膜袋自然漏气发扁时即充入空气使其保持一定的气压，并在室内自然状态下放置一个月，促使苹果发生褐变后取出。
采用CCD光栅型可见-近红外光谱仪，其波长范围为638nm～1295nm，计算机内装有TQ analyst 6.2分析软件包(美国NICOLET公司)，用于对光谱数据进行处理。
(2)对样品进行连续光谱照射：
用CCD光栅型可见-近红外光谱仪对样品集中各样品进行连续光谱采集，波长范围为638nm～1295nm；每隔0.35nm照射一个点，每张光谱共照射2047个点，光源位于仪器上部，监测器位于底端，两者成180°，积分时间为1000ms，平均照射次数为10次。每个苹果可以照射三次，每次水平旋转120度，对三次检测的平均光谱作分析。检测时可以仅从果柄向上朝向光源的一个方向做检测，也可以从两个方向做检测，一个是沿果轴方向，一个是垂直果轴方向。
(3)将样品切片观察：
将每个检测后的样品，沿赤道方向切开，对切片的截面进行拍摄，并将照片输入计算机，通过Scion Image图像处理软件对照片进行苹果内部病变面积的计算，根据病变面积占整个截面面积的百分比确定出每一个苹果褐变的程度，并将褐变程度划分为六个级别，各级别如下：0级＝0％，1级＝0～10％，2级＝10～25％，3级＝25～40％，4级＝40～60％，5级＞60％。
(4)分析光谱与切片结果的相关性建立苹果褐变判别函数：
苹果发生褐变对消费者来说就是不可接受的，所以检测褐变苹果只需要有两个指标，一个是好一个是坏(褐变)，我们把不同程度的褐变归为一类，与好果做判别分析。选择三个单波长715nm、750nm、810nm的OD值，作为判别指标，715nm是褐变变化最明显的波长，750nm处是吸收峰，810nm吸收最少。通过SAS 8.0discrim一般判别程序计算结果，得到苹果褐变果和正常果的判别函数：
褐变果＝-741.58928-71.5161OD715+1508OD750-1640OD810
正常果＝-830.51874-81.46691OD715+1600OD750-1736OD810
将未知被测苹果在715nm、750nm、810nm处的OD值，带入判别函数进行计算，两方程中计算结果数值较大的方程，被判定为代表未知被测苹果的检测结果。
二、快速无损检测苹果褐变：
检测苹果褐变，可以采用两种方法，一种是与苹果水心病同时检测苹果褐变；另一种是单独检测苹果褐变。与水心病同时检测时，与水心病采用同一个CCD光栅型可见-近红外光谱仪，对待测苹果逐个进行波长范围在650nm～950nm的连续光谱检测，然后将检测结果采用同一个计算机软件进行预处理，再将被测苹果的连续光谱带入水心病判别函数；将连续光谱中波长为715nm、750nm、810nm三点的OD值带入苹果褐变的判别函数，根据两方程计算的数值，按其中数值较大的方程所代表的褐变果或正常果，作为被测苹果质量的判定结果。
如果单独检测苹果褐变，只需检测波长为715nm、750nm、810nm三点的OD值，并将这三点的OD值带入苹果褐变的判别函数，再根据上述同样方法判定褐变果或正常果即可。单独检测苹果褐变可以采用其它更为简单的设备(如滤光片型仪器等)，得到波长为715nm、750nm、810nm三点的OD值。
以下是采用本发明方法进行一组苹果褐变检测判断和验证的结果(如表3所示)：
表3：快速无损检测苹果褐变程度的判别结果
| 组别 | 检测结果 | |||
| 合计 | 褐变果 | 正常果 | ||
| 样品苹果褐变真 | 褐变 | 126个 | 123个 | 3个 |
| 判别率％ | 正确率97.63 | 误判率2.38 | ||
| 正常 | 58个 | 5个 | 53个 | |
| 实状况 | 判别率％ | 误判率8.62 | 正确率91.38 | |
| Total | 184个 | 126个 | 58个 | |
| 误判率％ | 4.35 | 2.38 | 8.62 | |
| 样品比例 | 68.48 | 31.52 | ||
由表3可见，184个被测苹果，实际褐变果有126个，快速无损检测正确判别出褐变果123个，正确率97.63％；误判率为正常果的3个，误判率2.38％。样品苹果实际正常果有58个，快速无损检测正确判别出正常果的53个，正确率91.38％；误判率为褐变果的5个，误判率8.62％。这个结果表明，本发明快速无损检测苹果褐变程度的方法，完全可以用于快速无损检测苹果内部的质量。
上述实施例中，三个特定波长715nm、750nm、810nm的选定是可以有所变化的，但一般在±5nm的范围内变化即可。
由于各地区，各不同树木，及每年的气候情况都会造成苹果内部的情况有所不同，因此在使用时本发明时，可以根据测量结果和实际观察情况，按本发明提供的方法对建立的判别模型进行一些调整，这些调整不应排除在本发明的保护范围之外。
Claims (9)
1、一种快速无损检测苹果内部质量的方法，它包括以下步骤：
(1)用光谱范围在638～1295nm的可见-近红外光谱仪对待测苹果逐个进行连续光谱检测；
(2)将被测苹果的连续光谱检测结果，带入预先建立的苹果内部质量判别函数，得到苹果内部质量的判定。
2、如权利要求1所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述预先建立的苹果内部质量判别函数为苹果水心病等级的判别函数，其采用以下方法建立：
(1)采集苹果样品集，用可见-近红外光谱仪对样品集中的样品进行波长范围在650nm～950nm的连续光谱检测，并对检测结果进行预处理，得到在连续光谱范围内OD值变化的连续光谱；
(2)将每个经连续光谱检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，计算苹果水心病的病变程度，并按病变程度对样品分级；
(3)对样品集中各样品连续光谱与切片后的水心病分级结果，采用TQ analyst6.2分析软件包进行计算分析后，确定出与步骤(2)中苹果水心病分级相对应的判别函数；
(4)将未知被测苹果的波长范围在650nm～950nm的连续光谱检测结果进行预处理后，将要判断的观测值带入到判别函数中，哪一个判别函数值最大，就属于哪一类苹果的等级。
3、如权利要求2所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述步骤(2)中计算苹果水心病病变的程度，是指计算病变面积占整个截面面积的百分比，其包括五级：A级＝0％，B级≤1％，C级＝1～3％，D级＝3～10％，E级≥10％以上。
4、如权利要求1所述的一种快速无损检测苹果内部质量的方法，其特征在于：预先建立的苹果内部质量判别函数为苹果褐变的判别函数，其采用以下方法建立：
(1)采集苹果样品集，用可见-近红外光谱仪对样品集中的样品进行波长范围在650nm～950nm的连续光谱检测，并对检测结果进行预处理，得到在连续光谱范围内OD值变化的连续光谱；
(2)将每个经连续光谱检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，按照是否发生褐变分为正常果和褐变果两级；
(3)将样品集中各样品在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值与切片后的苹果褐变分级结果，采用SAS 8.0 discrim进行计算分析后，确定出苹果褐变的判别函数；
褐变果＝-741.58928-71.5161OD(715±5)+1508OD(750±5)-1640OD(810±5)
正常果＝-830.51874-81.46691OD(715±5)+1600OD(750±5)-1736OD(810±5)
(4)将未知被测苹果在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入判别函数进行计算，两方程中计算结果数值较大的方程，被判定为代表未知被测苹果的检测结果。
5、如权利要求2或4所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述预处理包括光谱数据的平滑、求导、多元散射校正等。
6、如权利要求4所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述三个特征波长为715nm、750nm和810nm。
7、一种快速无损检测苹果内部质量的方法，它包括以下步骤：
(1)用滤光片仪，逐个对待测苹果检测波长在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值；
(2)将被测苹果的(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入预先建立的苹果内部质量判别函数，得到苹果内部质量的判定。
8、如权利要求7所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述预先建立的苹果内部质量判别函数为苹果褐变的判别函数，其采用以下方法建立：
(1)采集苹果样品集，用滤光片仪逐个对待测苹果检测波长在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值；
(2)将每个检测后的样品沿赤道方向切开，对切片截面进行拍照后输入计算机，按照是否发生褐变分为正常果和褐变果两级；
(3)对样品集中各样品在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值与切片后的苹果褐变分级结果，采用SAS 8.0discrim法进行计算分析后，确定出苹果褐变的判别函数：
褐变果＝-741.58928-71.5161OD(715±5)+1508OD(750±5)-1640OD(810±5)
正常果＝-830.51874-81.46691OD(715±5)+1600OD(750±5)-1736OD(810±5)
(4)将未知被测苹果在(715±5)nm、(750±5)nm、(810±5)nm三个特征波长处的OD值，带入判别函数进行计算，两方程中计算结果数值较大的方程，被判定为代表未知被测苹果的检测结果。
9、如权利要求7或8所述的一种快速无损检测苹果内部质量的方法，其特征在于：所述三个特征波长为715nm、750nm和810nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2004100986214A CN100429502C (zh) | 2004-12-14 | 2004-12-14 | 一种快速无损检测苹果内部质量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2004100986214A CN100429502C (zh) | 2004-12-14 | 2004-12-14 | 一种快速无损检测苹果内部质量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1789978A true CN1789978A (zh) | 2006-06-21 |
| CN100429502C CN100429502C (zh) | 2008-10-29 |
Family
ID=36787985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2004100986214A Expired - Fee Related CN100429502C (zh) | 2004-12-14 | 2004-12-14 | 一种快速无损检测苹果内部质量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100429502C (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
| CN104062248A (zh) * | 2014-06-26 | 2014-09-24 | 中国农业大学 | 一种检测苹果机械损伤的方法 |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| CN104174597A (zh) * | 2014-08-13 | 2014-12-03 | 山西农业大学 | 轻微损伤鲜枣的快速无损在线检测与分选装置 |
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105606561A (zh) * | 2015-12-31 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定火龙果主要营养成分的方法 |
| CN106000914A (zh) * | 2016-05-24 | 2016-10-12 | 西北农林科技大学 | 一种在线无损检测霉心病的苹果分选装置 |
| CN105628630B (zh) * | 2015-12-28 | 2019-04-16 | 中国农业科学院农产品加工研究所 | 一种基于模拟体系的果蔬脆片褐变因素的分析方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5845002A (en) * | 1994-11-03 | 1998-12-01 | Sunkist Growers, Inc. | Method and apparatus for detecting surface features of translucent objects |
| FR2784665B1 (fr) * | 1998-10-14 | 2001-01-26 | Xeda International | Station d'examen visuel de fruits |
| JP2002098636A (ja) * | 2000-09-27 | 2002-04-05 | Kubota Corp | 分光分析装置 |
| JP3792175B2 (ja) * | 2002-05-15 | 2006-07-05 | 東罐興業株式会社 | 有芯青果物の内部品質検査方法及び装置 |
| CN2553907Y (zh) * | 2002-08-03 | 2003-06-04 | 浙江大学 | 基于循环队列控制分级的水果品质实时分级控制系统 |
| CN1394699A (zh) * | 2002-08-03 | 2003-02-05 | 浙江大学 | 水果品质实时检测和分级机器人系统 |
| WO2004059300A1 (ja) * | 2002-12-24 | 2004-07-15 | Kubota Corporation | 果菜類の品質評価装置 |
-
2004
- 2004-12-14 CN CNB2004100986214A patent/CN100429502C/zh not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102788806A (zh) * | 2012-07-19 | 2012-11-21 | 北京农业智能装备技术研究中心 | 基于类球形亮度变换的水果表面缺陷检测方法 |
| CN104062248A (zh) * | 2014-06-26 | 2014-09-24 | 中国农业大学 | 一种检测苹果机械损伤的方法 |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| CN104174597A (zh) * | 2014-08-13 | 2014-12-03 | 山西农业大学 | 轻微损伤鲜枣的快速无损在线检测与分选装置 |
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105628630B (zh) * | 2015-12-28 | 2019-04-16 | 中国农业科学院农产品加工研究所 | 一种基于模拟体系的果蔬脆片褐变因素的分析方法 |
| CN105606561A (zh) * | 2015-12-31 | 2016-05-25 | 深圳市芭田生态工程股份有限公司 | 一种利用光谱法测定火龙果主要营养成分的方法 |
| CN106000914A (zh) * | 2016-05-24 | 2016-10-12 | 西北农林科技大学 | 一种在线无损检测霉心病的苹果分选装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100429502C (zh) | 2008-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | An effective method to inspect and classify the bruising degree of apples based on the optical properties | |
| Fan et al. | Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with optimum wavelengths | |
| Baranowski et al. | Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data | |
| Lü et al. | Detection of hidden bruise on kiwi fruit using hyperspectral imaging and parallelepiped classification | |
| Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
| CN107543801B (zh) | 基于高光谱的芒果冲击损伤后硬度预测方法 | |
| Pilling et al. | High-throughput quantum cascade laser (QCL) spectral histopathology: a practical approach towards clinical translation | |
| Sun et al. | Detecting decayed peach using a rotating hyperspectral imaging testbed | |
| CN103439270B (zh) | 一种高光谱图像检测桃果实早期冷害的方法 | |
| CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
| CN105158186B (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
| Li et al. | Supervised classification of slightly bruised peaches with respect to the time after bruising by using hyperspectral imaging technology | |
| CN113533236B (zh) | 水果光谱的特征提取方法、模型训练方法、检测方法 | |
| Wang et al. | A multimodal machine vision system for quality inspection of onions | |
| Moomkesh et al. | Early detection of freezing damage in sweet lemons using Vis/SWNIR spectroscopy | |
| Xing et al. | Fresh bruise detection by predicting softening index of apple tissue using VIS/NIR spectroscopy | |
| CN100429502C (zh) | 一种快速无损检测苹果内部质量的方法 | |
| CN113751345B (zh) | 一种菠萝无损检测分级装置和方法 | |
| Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
| Jian et al. | Predicting bruise susceptibility in apples using Vis/SWNIR technique combined with ensemble learning | |
| Zhang et al. | Non-destructive evaluation of the edible rate for pomelo using X-ray imaging method | |
| Kawano | New application of nondestructive methods for quality evaluation of fruits and vegetables in Japan (quality and its evaluation of horticultural products, for further development of horticulture in East Asia) | |
| Zhang et al. | Rapid and non-destructive decay detection of Yali pears using hyperspectral imaging coupled with 2D correlation spectroscopy | |
| CN105069504B (zh) | 基于单片机的bp神经网络苹果霉心病判别模型及其建立方法 | |
| Hsieh et al. | Applied visible/near-infrared spectroscopy on detecting the sugar content and hardness of pearl guava |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20081029 Termination date: 20111214 |