CN103674838A - 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 - Google Patents

一种基于高光谱成像技术的鱼脂肪含量分布检测方法 Download PDF

Info

Publication number
CN103674838A
CN103674838A CN201310559434.0A CN201310559434A CN103674838A CN 103674838 A CN103674838 A CN 103674838A CN 201310559434 A CN201310559434 A CN 201310559434A CN 103674838 A CN103674838 A CN 103674838A
Authority
CN
China
Prior art keywords
fish
reflectivity
image
diffuse reflection
single band
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
Application number
CN201310559434.0A
Other languages
English (en)
Other versions
CN103674838B (zh
Inventor
何勇
朱逢乐
章海亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201310559434.0A priority Critical patent/CN103674838B/zh
Publication of CN103674838A publication Critical patent/CN103674838A/zh
Application granted granted Critical
Publication of CN103674838B publication Critical patent/CN103674838B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱成像技术的鱼脂肪含量分布检测方法，包括以下步骤：（1）采集待测鱼在十二个特征波长处的单波段光谱图像；所述十二个特征波长分别为956nm、975nm、1033nm、1081nm、1129nm、1153nm、1205nm、1234nm、1282nm、1354nm、1522nm、1627nm；（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；（3）依据公式计算得到鱼的反射率图像中每个像素点所对应的鱼脂肪含量。本发明提供的鱼脂肪含量分布检测方法，检测精度高，检测时间短，不仅减少了环境污染，也在一定程度上降低了检测成本。

Description

一种基于高光谱成像技术的鱼脂肪含量分布检测方法
技术领域
本发明涉及脂肪含量检测领域，具体涉及一种基于高光谱成像技术的鱼脂肪含量分布检测方法。
背景技术
高光谱成像技术是一种将光谱和图像处理技术集成为一体，同时具备光谱和图像的特点，并可以将检测尺度精确至纳米级，由于具备这些优点，现有技术中，高光谱成像技术已广泛应用于农业、食品、石油化工、制药、饲料等多个行业，尤其是在农产品生命信息快速检测研究中具有很大的应用潜力。
脂肪是鱼的重要组成部分，可为人体提供必需的脂肪酸，是一种富含热能的营养素，能够作为人体热能的主要来源，每克脂肪在体内可提供37.62kj(9kcal)热能，比碳水化合物和蛋白质高一倍以上。通过对鱼脂肪含量进行检测分析，可以实现对鱼的生长状况的检测以及连续监测，对于提高鱼的产量和质量具有重要意义。
传统的鱼脂肪含量检测利用食品安全国家标准GB/T5009.6—2003《食品的脂肪测定》中的索氏提取法，按照这一方法虽然能够获得比较可靠的测量结果，但是费时（8～16h）费力，不仅消耗的溶剂量大，对环境污染严重，且需要专用的仪器（索氏提取器），使用较为不便，最终获得的结果也只能获得鱼脂肪含量的平均状况，而不能获得鱼脂肪含量的分布情况。
授权公告号为CN101718692B的发明公开了一种快速检测牛初乳中脂肪、蛋白质、干物质含量的方法，包括以下步骤：(1)牛初乳样品用蒸馏水稀释，其中，检测脂肪含量的稀释比例为牛初乳∶水=3∶5，检测蛋白质含量的稀释比例为牛初乳∶水=3∶10，检测干物质含量的稀释比例为牛初乳∶水=3∶5；(2)用傅立叶红外全谱扫描乳品成分分析仪对样品进行检测；3)将上述所得检测结果乘以步骤1)中的相应稀释倍数。
利用该发明提供的方法也仅能获取脂肪的平均含量，而不能获得分布，因此，需要提供一种能够快速检测脂肪含量分布的检测方法。
发明内容
本发明提供了一种基于高光谱成像技术的鱼脂肪含量分布检测方法，检测精度高，检测时间短，不仅减少了环境污染，也在一定程度上降低了检测成本。
一种基于高光谱成像技术的鱼脂肪含量分布检测方法，包括以下步骤：
（1）采集待测鱼在十二个特征波长处的单波段光谱图像；所述十二个特征波长分别为956nm、975nm、1033nm、1081nm、1129nm、1153nm、1205nm、1234nm、1282nm、1354nm、1522nm、1627nm；
（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；
（3）依据下式计算得到鱼的反射率图像中每个像素点所对应的鱼脂肪含量；
Y=-273.066X1+149.398X2-239.908X3+184.117X4-118.958X5+98.682X6-105.307X7+78.676X8+82.497X9-180.767X10+42.217X11+42.736X12+26.707
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的鱼脂肪含量。
作为优选，所述步骤（2）中单波段光谱图像的灰度值与反射率的线性关系的获取步骤如下：
2-1、采集至少三块漫反射标准板在十二个特征波长处的基准单波段光谱图像，求取每幅基准单波段图像的灰度值，在可见近红外光谱范围内，所采用的漫反射标准板具有互不相同的反射率；
2-2、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
作为优选，所述漫反射标准板为三～十二块。
在每一个特征波长处，每块漫反射标准板各自对应一幅单波段图像，每幅单波段图像对应一个灰度值，以漫反射标准板的灰度值为自变量，以漫反射标准板的反射率为因变量，线性拟合得到灰度值与反射率的关系。
漫反射标准板的数目越多，线性拟合得到的灰度值与反射率的关系越准确，相应耗时也较长，优选地，所述漫反射标准板为三块，分别为99%漫反射标准板、75%漫反射标准板和2%漫反射标准板。
99%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为99%。
75%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为75%。
2%漫反射标准板是指：在整个可见近红外光谱范围内，漫反射标准板的反射率为2%。
采用99%漫反射标准板、75%漫反射标准板以及2%漫反射标准板，最大程度涵盖了反射率的范围，使得到的灰度值与反射率的线性关系更加准确。
为了直观地获知鱼脂肪含量的分布信息，优选地，所述步骤（3）中，计算得到鱼的反射率图像中每个像素点所对应的鱼脂肪含量后，绘制鱼脂肪含量分布图。
与现有技术相比，本发明具有以下有益的技术效果：
a)在选定的少数特征波长处采集鱼的高光谱图像，利用多元线性回归分析得到鱼脂肪含量与高光谱图像中像素点反射率的关系，快速准确检测鱼脂肪含量分布，节省时间。
b)不使用任何化学材料，无需进行理化分析，降低了检测成本，不污染环境。
c)能够分析尺寸较大的样品和多品种的样品，可实时在线检测鱼脂肪含量分布。
d)将鱼脂肪含量分布光谱信息特征和光谱成像信息特征在特征层上进行融合，得到鱼脂肪含量分布的直观图像，便于进一步分析。
附图说明
图1为三块漫反射标准板的反射率与波长的关系图；
图2为鱼脂肪含量的分布图。
具体实施方式
实施例1
（1）建立单波段光谱图像的灰度值与反射率的关系
1-a、采集三块漫反射标准板在十二个特征波长处的基准单波段光谱图像（每块漫反射标准板在每个特征波长处采集一幅基准单波段光谱图像），求取每幅基准单波段图像的灰度值。
在整个可见近红外光谱范围内，所采用的漫反射标准板分别对应的反射率为99%、75%、和2%，如图1所示，三块漫反射标准板在整个可见近红外光谱范围内的漫反射是互不相同的，对于每一块漫反射标准板来说，在所有波长处的反射率均相同。
1-b、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
针对每个特征波长来说，都有对应的三组灰度值和反射率值（每一组灰度值和反射率由同一漫反射标准板采集的基准单波段图像得到），以灰度值为自变量，反射率为因变量，对这三组灰度值和反射率值进行线性拟合，得到灰度值和反射率值的线性关系。
本发明方法中灰度值和反射率值的线性关系的获得、高光谱图像的采集以及鱼脂肪含量的分布均通过ENVI编程程序自动完成。
（2）计算鱼脂肪含量分布
2-a、收集150条鱼，先采用高光谱图像成像***(ImSpector V10E，Spectral Imaging Ltd．，Oulu，Finland)分别扫描每条鱼在十二个特征波长处的单波段光谱图像；十二个特征波长分别为956nm、975nm、1033nm、1081nm、1129nm、1153nm、1205nm、1234nm、1282nm、1354nm、1522nm、1627nm；每个波长处对应一幅单波段光谱图像，然后采用GB/T5009.6—2003《食品的脂肪测定》中的方法测量这150条鱼的20个不同区域的脂肪含量，即将每条鱼切割为20份，20个区域囊括整条鱼的所有部位。
在150条鱼中的随机选取100条作为建模集样本，其余50条作为预测集。
2-b、依据单波段光谱图像的灰度值与反射率的线性关系，将每条鱼在十二个特征波长处的单波段光谱图像转化为反射率图像。
基于步骤（1）中的十二个特征波长处的灰度值与反射率的关系，可以把待测鱼的单波段光谱图像（单波段光谱图像中的每个像素点分别对应鱼上的一个位点，每个像素点具有不同的灰度值）转换为反射率图像，反射率图像中的每个像素点对应不同的反射率。
对于建模集中的100条鱼，对于每个区域的高光谱图像都可以得到相应的反射率图像，经过平均后得到每个区域的平均反射率，利用每个区域的鱼脂肪含量（国标测定得到）和平均反射率拟合得到鱼脂肪含量与平均反射率的关系如下式（I）所示，
Y’=-273.066X’1+149.398X’2-239.908X’3+184.117X’4-118.958X’5+98.682X’6-105.307X’7+78.676X’8+82.497X’9-180.767X’10+42.217X’11+42.736X’12+26.707（I）
式中：X’a代表a nm特征波长处的反射率图像的平均反射率；
Y’代表相应像素点处的鱼脂肪含量。
利用平均反射率和鱼脂肪含量拟合得到的式（I）表达了平均反射率与鱼脂肪含量的关系，式（I）也反应了每一像素点处反射率与脂肪含量的关系，依据式（I）得到式（II）如下：
Y=-273.066X1+149.398X2-239.908X3+184.117X4-118.958X5+98.682X6-105.307X7+78.676X8+82.497X9-180.767X10+42.217X11+42.736X12+26.707
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的鱼脂肪含量。
将反射率图像中的每个像素点所对应的反射率代入式（II）中进行脂肪含量的计算，得到待测鱼图像中的每个像素点处的脂肪含量，进而据此绘制鱼的脂肪含量分布图，得到鱼各点处的脂肪含量分布信息，一个区域的脂肪含量分布如图2所示。
利用本发明方法对预测集中的50条鱼（每条鱼对应20个区域）检测得到的预测脂肪含量（将平均反射率代入式（I）中求得）与利用国标检测的真实脂肪含量的结果比较见表1。
表1
数据集 样本个数 相关系数 均方根误差
建模集 100 0.9045 1.4678
预测集 50 0.8867 1.5236
由表1中可以看出，本发明提出的检测方法的预测结果与国标方法的测量值呈高度相关性。
对比例1
选取十二个特征波长，分别为952nm、970nm、1030nm、1085nm、1122nm、1150nm、1209nm、1231nm、1288nm、1350nm、1528nm、1625nm，并基于这十二个特征波长以相同方式建立脂肪含量与反射率的关系如式（III）所示：
Y=-270.235X1+142.245X2-235.235X3+180.245X4-115.245X5+95.147X6-109.365X7+74.286X8+86.347X9-185.225X10+48.365X11+45.315X12+25.247
（III）
式（III）中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的脂肪含量。
在十二个特征波长处获取鱼的单波段光谱图像，并基于式（III）计算得到鱼的脂肪含量，与利用国标方法检测的真实脂肪含量的结果对比如表2所示。
表2
数据集 样本个数 相关系数 均方根误差
建模集 100 0.7954 1.9638
预测集 50 0.7682 2.065
对比例2
选取十二个特征波长，分别为955nm、974nm、1037nm、1081nm、1125nm、1152nm、1204nm、1235nm、1287nm、1357nm、1523nm、1629nm，并基于这十二个特征波长以相同方式建立脂肪含量与反射率的关系如式（IV）所示：
Y=-271.983X1+144.324X2-231.876X3+181.765X4-114.745X5+92.356X6-105.485X7+73.348X8+85.395X9-183.145X10+45.874X11+44.682X12+24.985（IV）
式（IV）中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的脂肪含量。
在十二个特征波长处获取鱼的单波段光谱图像，并基于式（IV）计算得到鱼的脂肪含量，与利用国标方法检测的真实脂肪含量的结果对比如表3所示。
表3
数据集 样本个数 相关系数 均方根误差
建模集 100 0.7256 2.2638
预测集 50 0.7195 2.3461
由实施例1和对比例1、2的结果来看，选取特征波长对于检测鱼脂肪含量是否准确有重要影响，本发明通过选取合适的特征波长，得到了决定系数很高的检测结果，用于快速进行鱼脂肪含量的空间分布结果。

Claims (5)

1.一种基于高光谱成像技术的鱼脂肪含量分布检测方法，其特征在于，包括以下步骤：
（1）采集待测鱼在十二个特征波长处的单波段光谱图像；所述十二个特征波长分别为956nm、975nm、1033nm、1081nm、1129nm、1153nm、1205nm、1234nm、1282nm、1354nm、1522nm、1627nm；
（2）依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1）中的单波段光谱图像转化为反射率图像；
（3）依据下式计算得到鱼的反射率图像中每个像素点所对应的鱼脂肪含量；
Y=-273.066X1+149.398X2-239.908X3+184.117X4-118.958X5+98.682X6-105.307X7+78.676X8+82.497X9-180.767X10+42.217X11+42.736X12+26.707
式中：Xa代表a nm特征波长处的反射率图像中，某一像素点的反射率；
Y代表相应像素点处的鱼脂肪含量。
2.如权利要求1所述的基于高光谱成像技术的鱼脂肪含量的检测方法，其特征在于，所述步骤（2）中单波段光谱图像的灰度值与反射率的线性关系的获取步骤如下：
2-1、采集至少三块漫反射标准板在十二个特征波长处的基准单波段光谱图像，求取每幅基准单波段图像的灰度值，在可见近红外光谱范围内，所采用的漫反射标准板具有互不相同的反射率；
2-2、针对每个特征波长，将相应基准单波段图像的灰度值与反射率进行线性拟合，得到灰度值与反射率的线性关系。
3.如权利要求2所述的基于高光谱成像技术的鱼脂肪含量的检测方法，其特征在于，所述漫反射标准板为三～十二块。
4.如权利要求3所述的基于高光谱成像技术的鱼脂肪含量的检测方法，其特征在于，所述漫反射标准板为三块，分别为99%漫反射标准板、75%漫反射标准板和2%漫反射标准板。
5.如权利要求1所述的基于高光谱成像技术的鱼脂肪含量的检测方法，其特征在于，所述步骤（3）中，计算得到鱼的反射率图像中每个像素点所对应的鱼脂肪含量后，绘制鱼脂肪含量分布图。
CN201310559434.0A 2013-11-12 2013-11-12 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 Active CN103674838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310559434.0A CN103674838B (zh) 2013-11-12 2013-11-12 一种基于高光谱成像技术的鱼脂肪含量分布检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310559434.0A CN103674838B (zh) 2013-11-12 2013-11-12 一种基于高光谱成像技术的鱼脂肪含量分布检测方法

Publications (2)

Publication Number Publication Date
CN103674838A true CN103674838A (zh) 2014-03-26
CN103674838B CN103674838B (zh) 2016-03-02

Family

ID=50313051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310559434.0A Active CN103674838B (zh) 2013-11-12 2013-11-12 一种基于高光谱成像技术的鱼脂肪含量分布检测方法

Country Status (1)

Country Link
CN (1) CN103674838B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458595A (zh) * 2014-12-21 2015-03-25 华东交通大学 多角度原位光谱检测番茄叶片脯氨酸含量装置及方法
CN104483274A (zh) * 2015-01-17 2015-04-01 华东交通大学 田间玉米植株叶片氮素含量检测装置和方法
CN104483273A (zh) * 2015-01-17 2015-04-01 华东交通大学 田间玉米植株叶片木质素含量检测装置和方法
CN104502287A (zh) * 2015-01-17 2015-04-08 华东交通大学 田间玉米植株叶片苏氨酸含量检测装置和方法
CN104535504A (zh) * 2015-01-17 2015-04-22 华东交通大学 田间玉米植株叶片蛋白质含量检测装置和方法
CN104535505A (zh) * 2015-01-17 2015-04-22 华东交通大学 田间玉米植株叶片天冬氨酸含量检测装置和方法
CN104568773A (zh) * 2014-12-21 2015-04-29 华东交通大学 原位光谱检测番茄叶片超氧化物歧化酶活性装置及方法
CN104568780A (zh) * 2015-01-17 2015-04-29 华东交通大学 田间玉米植株叶片叶绿素含量检测装置和方法
CN104568779A (zh) * 2015-01-17 2015-04-29 华东交通大学 田间玉米植株叶片丙二醛含量检测装置和方法
CN104568774A (zh) * 2014-12-21 2015-04-29 华东交通大学 多角度原位光谱检测番茄叶片氮素含量装置及方法
CN105115910A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中蛋白质含量分布的方法
CN105115909A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中脂肪含量分布的方法
CN105606216A (zh) * 2016-03-02 2016-05-25 复旦大学 一种光谱反射率测量装置及方法
CN105823753A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层锰含量的检测方法
CN105823736A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层类胡萝卜素含量的检测方法
CN105842187A (zh) * 2016-05-23 2016-08-10 塔里木大学 一种枣树冠层铁含量的检测方法
CN105842188A (zh) * 2016-05-23 2016-08-10 塔里木大学 一种枣树冠层镁含量的检测方法
CN105866058A (zh) * 2016-05-23 2016-08-17 塔里木大学 一种枣树冠层锌含量的检测方法
CN105866057A (zh) * 2016-05-23 2016-08-17 塔里木大学 一种枣树冠层钾含量的检测方法
CN105954207A (zh) * 2016-05-23 2016-09-21 塔里木大学 一种枣树冠层叶绿素b含量的检测方法
CN105973838A (zh) * 2016-05-23 2016-09-28 塔里木大学 一种枣树冠层钙含量的检测方法
CN106092911A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层磷含量的检测方法
CN106092912A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层水分含量的检测方法
CN106644957A (zh) * 2016-11-14 2017-05-10 浙江大学 一种枇杷采后果肉可溶性固形物分布成像的方法
CN109799202A (zh) * 2019-01-16 2019-05-24 黄文佳 一种利用电磁波反射成像图进行物质分析的装置及方法
CN110501310A (zh) * 2019-05-07 2019-11-26 华南理工大学 一种基于非模型光学校正高光谱的食品检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003270139A (ja) * 2002-03-20 2003-09-25 Kanetomo Co Ltd まぐろの脂肪量非破壊測定方法及びその装置の検出ヘッド
US20040067298A1 (en) * 2000-11-20 2004-04-08 Erik Slinde Cured products of marine raw materials, and a process for the fermentation of the same
CN101839979A (zh) * 2010-04-22 2010-09-22 中国农业大学 作物冠层植被指数测量方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040067298A1 (en) * 2000-11-20 2004-04-08 Erik Slinde Cured products of marine raw materials, and a process for the fermentation of the same
JP2003270139A (ja) * 2002-03-20 2003-09-25 Kanetomo Co Ltd まぐろの脂肪量非破壊測定方法及びその装置の検出ヘッド
CN101839979A (zh) * 2010-04-22 2010-09-22 中国农业大学 作物冠层植被指数测量方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONG-JU HE ET AL.: "Non-destructive and rapid analysis of moisture distribution in farmed Atlantic salmon (salmo salar) fillets using visible and near-infrared hyperspectral imaging", 《INNOVATIVE FOOD SCINCE AND EMERGING TECHNOLOGIES》, vol. 18, 30 April 2013 (2013-04-30) *
JENS PETTER WOLD ET AL.: "Non-contact transflectance near infrared imaging for representative on-line sampling of dried salted coalfish(bacalao)", 《NEAR INFRARED SPECTROSC》, vol. 14, 31 December 2006 (2006-12-31) *
MOHAMMED KAMRUZZAMAN ET AL.: "Non-destructive prediction and visualization of chemical composition in lamb meat", 《INNOVATIVE FOOD SCIENCE AND EMERGING TECHNOLOGIES》, vol. 16, 31 December 2012 (2012-12-31) *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104568774A (zh) * 2014-12-21 2015-04-29 华东交通大学 多角度原位光谱检测番茄叶片氮素含量装置及方法
CN104568773A (zh) * 2014-12-21 2015-04-29 华东交通大学 原位光谱检测番茄叶片超氧化物歧化酶活性装置及方法
CN104458595A (zh) * 2014-12-21 2015-03-25 华东交通大学 多角度原位光谱检测番茄叶片脯氨酸含量装置及方法
CN104568779A (zh) * 2015-01-17 2015-04-29 华东交通大学 田间玉米植株叶片丙二醛含量检测装置和方法
CN104535504A (zh) * 2015-01-17 2015-04-22 华东交通大学 田间玉米植株叶片蛋白质含量检测装置和方法
CN104535505A (zh) * 2015-01-17 2015-04-22 华东交通大学 田间玉米植株叶片天冬氨酸含量检测装置和方法
CN104483274A (zh) * 2015-01-17 2015-04-01 华东交通大学 田间玉米植株叶片氮素含量检测装置和方法
CN104568780A (zh) * 2015-01-17 2015-04-29 华东交通大学 田间玉米植株叶片叶绿素含量检测装置和方法
CN104502287A (zh) * 2015-01-17 2015-04-08 华东交通大学 田间玉米植株叶片苏氨酸含量检测装置和方法
CN104483273A (zh) * 2015-01-17 2015-04-01 华东交通大学 田间玉米植株叶片木质素含量检测装置和方法
CN105115910A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中蛋白质含量分布的方法
CN105115909A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中脂肪含量分布的方法
CN105115910B (zh) * 2015-08-28 2018-08-17 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中蛋白质含量分布的方法
CN105606216B (zh) * 2016-03-02 2018-04-03 复旦大学 一种光谱反射率测量装置及方法
CN105606216A (zh) * 2016-03-02 2016-05-25 复旦大学 一种光谱反射率测量装置及方法
CN105823736A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层类胡萝卜素含量的检测方法
CN106092912A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层水分含量的检测方法
CN105866058A (zh) * 2016-05-23 2016-08-17 塔里木大学 一种枣树冠层锌含量的检测方法
CN105866057A (zh) * 2016-05-23 2016-08-17 塔里木大学 一种枣树冠层钾含量的检测方法
CN105954207A (zh) * 2016-05-23 2016-09-21 塔里木大学 一种枣树冠层叶绿素b含量的检测方法
CN105973838A (zh) * 2016-05-23 2016-09-28 塔里木大学 一种枣树冠层钙含量的检测方法
CN106092911A (zh) * 2016-05-23 2016-11-09 塔里木大学 一种枣树冠层磷含量的检测方法
CN105842188A (zh) * 2016-05-23 2016-08-10 塔里木大学 一种枣树冠层镁含量的检测方法
CN105823753A (zh) * 2016-05-23 2016-08-03 塔里木大学 一种枣树冠层锰含量的检测方法
CN105842187A (zh) * 2016-05-23 2016-08-10 塔里木大学 一种枣树冠层铁含量的检测方法
CN106644957A (zh) * 2016-11-14 2017-05-10 浙江大学 一种枇杷采后果肉可溶性固形物分布成像的方法
CN106644957B (zh) * 2016-11-14 2019-04-05 浙江大学 一种枇杷采后果肉可溶性固形物分布成像的方法
CN109799202A (zh) * 2019-01-16 2019-05-24 黄文佳 一种利用电磁波反射成像图进行物质分析的装置及方法
CN110501310A (zh) * 2019-05-07 2019-11-26 华南理工大学 一种基于非模型光学校正高光谱的食品检测方法
CN110501310B (zh) * 2019-05-07 2020-12-22 华南理工大学 一种基于非模型光学校正高光谱的食品检测方法

Also Published As

Publication number Publication date
CN103674838B (zh) 2016-03-02

Similar Documents

Publication Publication Date Title
CN103674838B (zh) 一种基于高光谱成像技术的鱼脂肪含量分布检测方法
CN103630499B (zh) 一种基于高光谱成像技术的鱼蛋白质含量分布检测方法
CN103674864B (zh) 一种基于高光谱成像技术的鱼水分含量分布检测方法
Li et al. Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: a review
Mendoza et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content
CN103630498B (zh) 基于高光谱成像技术的脐橙表面农药残留量的检测方法
Wu et al. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet
Qing et al. Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis
CN102590129B (zh) 近红外检测花生中氨基酸含量的方法
CN102721651B (zh) 基于多光谱图像的植物叶片水分含量的检测方法及***
Gao et al. Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds
CN103792198B (zh) 牛奶中掺三聚氰胺的中红外-近红外相关谱判别方法
CN101504363A (zh) 一种基于近红外光谱分析的食用油脂酸价检测方法
CN103900972B (zh) 基于多特征融合的肉类新鲜度高光谱图像可视化检测
CN103940748B (zh) 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法
Li et al. Identification of aged-rice adulteration based on near-infrared spectroscopy combined with partial least squares regression and characteristic wavelength variables
CN111044483A (zh) 一种基于近红外光谱的奶油中色素测定方法、***和介质
CN111896497B (zh) 一种基于预测值的光谱数据修正方法
Zhou et al. Research on hyperspectral regression method of soluble solids in green plum based on one-dimensional deep convolution network
CN108398400B (zh) 利用太赫兹成像无损检测小麦中脂肪酸含量的方法
CN103592258B (zh) 一种茶叶中茶多酚含量的检测方法
CN113504198A (zh) 一种苋菜红色素浓度检测方法、装置及存储介质
CN103163083A (zh) 一种生鲜肉类多参数检测的双波段光谱融合方法及***
Peng et al. Defects recognition of pine nuts using hyperspectral imaging and deep learning approaches
CN103592231A (zh) 一种茶叶叶片中氮含量的测定方法

Legal Events

Date Code Title Description
PB01 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