CN105651727A - 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 - Google Patents
基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 Download PDFInfo
- Publication number
- CN105651727A CN105651727A CN201511005467.6A CN201511005467A CN105651727A CN 105651727 A CN105651727 A CN 105651727A CN 201511005467 A CN201511005467 A CN 201511005467A CN 105651727 A CN105651727 A CN 105651727A
- Authority
- CN
- China
- Prior art keywords
- shelf
- lives
- sample
- learning machine
- near infrared
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000010977 jade Substances 0.000 title claims abstract description 24
- 238000004497 NIR spectroscopy Methods 0.000 title abstract description 3
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 abstract description 30
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 241000220225 Malus Species 0.000 abstract 2
- 235000021016 apples Nutrition 0.000 abstract 1
- 238000012856 packing Methods 0.000 abstract 1
- 238000013441 quality evaluation Methods 0.000 abstract 1
- 238000004611 spectroscopical analysis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000021022 fresh fruits Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 102100020895 Ammonium transporter Rh type A Human genes 0.000 description 1
- 101100301844 Arabidopsis thaliana RH50 gene Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 101150107345 Rhag gene Proteins 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Inorganic materials [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005428 wave function Effects 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
- G01N21/17—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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法,包括以下步骤:(1)收集样品,采集样品光谱,得到样品近红外漫反射光谱数据,并使用离散小波变换压缩原始近红外光谱数据;(2)将压缩光谱数据使用特征矩阵联合近似对角化算法分解,得到独立分量矩阵和解混阵;(3)使用极限学习机方法,将解混阵作为模型输入,对应的货架期作为输出,建立极限学习机分析模型;(4)模型的质量评价,对待鉴别样品的货架期测定。本发明能够快速鉴别苹果货架期,丰富了化学计量学方法,具有良好的应用前景。
Description
技术领域
本发明涉及红外无损检测技术领域,尤其涉及一种基于特征矩阵联合近似对角化(JADE)和极限学习机(ELM)的近红外光谱分析鉴别苹果货架期的方法。
背景技术
苹果是我国北方盛产的主要水果,苹果采收后内部某些酶的活性变强,水果呼吸速率和乙烯释放速率变大,致腐性微生物繁殖加快,导致品质下降最终腐烂并失去商业价值。因此,加强苹果在贮藏、运输、销售环节中货架期的监测,有利于减少苹果鲜果的损耗并确保鲜果在货架期间的食用品质,提高经济效益。
现代近红外光谱分析法是一种快速无损的检测方法,其原理为对有机物中的含氢基团X-H的倍频合频产生吸收,通过化学计量方法测得有机物的理化指标,用有效的数学算法将理化指标与光谱建立函数关系,它已经被广泛应用于农产品的定量分析中。目前存在的基于近红外光谱法的水果货架期鉴别方法,建模所需样品基数大、训练时间久,大量样品理化值的获取耗时耗力。对此情况,急需一种普适性较强的模型,有效的鉴别苹果的货架期。
由于近红外光谱可以视作多种主要成分光谱的线性组合,近些年,有学者将“盲源分离(BBS)”问题引入近红外光谱分析方法中,试图将这些主要成分的光谱从复杂的混合光谱中分离出来。JADE算法是一种数值稳定、鲁棒性强的代数独立分量分析方法,适用于光谱的分解。同时,结合极限学习机建模,ELM是一种针对单隐含层前馈神经网络的新算法,该算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需设置隐含层神经元个数,便可获得唯一的最优解,具有学习速度快、泛化能力好等优点。
本发明采用了JADE和极限学习机分类结合的方法,使近红外光谱分析法可以有效的鉴别苹果货架期,丰富了化学计量方法并为近红外光谱分析领域中农作物货架期鉴别提供了理论前提和技术支持。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法。
本发明是通过以下技术方案实现的:一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法,包括以下步骤:
(1)收集样品,包括货架期为n天样品、货架期为m天样品和待鉴别样品,其中,m和n均小于30,且n与m差值大于等于7;采集三种样品的近红外光谱,并对这三种近红外光谱进行离散小波变换处理,得到三种压缩后的近红外光谱数据矩阵;
(2)将步骤(1)得到的三种压缩后的近红外光谱数据矩阵进行特征矩阵联合近似对角化(JADE)分解,得到三种解混阵;
(3)使用极限学习机(ELM)方法,建立初始极限学习机分析模型,将货架期为n天样品和货架期为m天样品的实际货架期以及由步骤(2)得到的货架期为n天样品和货架期为m天样品的解混阵作为初始极限学习机分析模型的模型输入,进而得到最佳极限学习机分析模型;
4)将待鉴别样品的解混阵输入最佳极限学习机分析模型,得到待鉴别样品的货架期。
进一步的,所述步骤(1)具体实现如下:
使用近红外光谱仪对三种样品进行扫描,得到三种样品的近红外光谱,使用K-S算法按3:1的数量比将货架期为n天样品和货架期为m天样品随机分为训练集样品和预测集样品,其中,校正集样品用于模型训练,预测集样品用于模型的质量评价;将三种样品的近红外光谱进行离散小波变换处理,离散小波变换选择小波母函数为dbn,n为消失矩,消失矩取2,分解至3层,得到三种压缩后的近红外光谱数据矩阵。
进一步的,所述步骤(3)具体实现如下:将货架期为n天样品和货架期为m天样品的实际货架期以及它们的解混阵作为极限学习机分析模型,使用极限学习机方法建立初始极限学习机分析模型;在得到最佳极限学习机分析模型过程中,采用“Sigmoidal”作为极限学习机分析模型中的隐含层激励函数,将隐含层神经元个数初始化设定为5,并以5为步长依次增加至50,在各隐含神经元取值下重复训练20次,得到最佳极限学习机分析模型的模型参数,从而获得最佳极限学习机分析模型。
本发明的有益效果是:利用JADE算法,选取最优独立分量数建立校正模型;采用ELM算法建立模型,需设置参数少,易于快速训练,提高模型精度,选取最优模型。与现有技术相比,如多元线性回归、主成分回归等,经JADE算法得到的独立分量更加接近实际光谱,所建模型更具实际意义。整个测量过程不消耗化学试剂,测试快速,节省人力物力,批量测试时结果准确,大大提高检测效率。本方法可以在果商贮藏、运输、销售等环节推广使用。
附图说明
图1为本发明货架期方法流程图;
图2为本发明货架期不同的两个样品原始光谱图。
具体实施方式
本发明提供了一种苹果货架期准确鉴别的近红外光谱分析法。下面结合附图1、附图2以及实施例对本发明进一步说明。实施例为本发明举例,并非对该发明限定。
本发明的技术方案为,收集样品和采谱,对原始光谱预处理,首先用离散小波变换对近红外光谱数据进行有效压缩,得到数据量适中的矩阵,对该矩阵使用JADE算法分解,得到独立分量矩阵和解混阵,将解混阵作为模型输入,通过极限学习机算法建模。整个方案流程图如附图1所示。
由近红外光谱仪直接获取的原始光谱,数据量庞大,重复性高,冗余信息重,并受噪声干扰。利用小波变换方法,压缩光谱数据,并去除光谱噪声,保留了光谱的主要信息且大大减小了数据量,实践证明,就概率密度而言,小波变换后的小波系数比原始信号的超高斯性更强,更适用于盲源分离,此步骤需选择合理的小波函数及小波分解层数。
JADE算法用于分解小波压缩后数据。JADE算法是盲源分离算法的一种,目的是将混合信号中的独立成分分离出来,该方法鲁棒性好,通常可以获得较稳定的源估计结果。用于光谱数据矩阵分解时,可以得到独立成分和相应的解混阵。独立成分矩阵的每一行相当于一种统计独立成分的光谱信息,及混合物样品中的纯物质信息,与其对应的解混阵反映了该物质在原始数据中所占比重,即该独立分量对整个样品近红外光谱的贡献。
极限学习机算法是由单隐含层前馈神经网络(SLFN)发展起来的一种新型神经网络算法,克服了传统人工神经网络训练过程中需要不断演算、调整各层之间的连接权值、隐含层神经元数目以及隐含层神经元阈值的缺点。极限学习机网络的隐含层神经元数目需要在训练前确定,输入层与隐含层之间的权值以及隐含层神经元的偏置只需随机设定,且训练过程无需调整。因此网络训练前先确定隐含层神经元数目,实施中,可将隐含层神经元数目初始化为5,并以5为步长增加到训练集样品数目,来确定最佳的隐含层神经元数目。本发明中以Sigmoidal函数为ELM网络隐含层神经元的激励函数。
实施例
1.样品收集与光谱采集
供试苹果为红富士苹果,产地山东省,适合鲜食,但货架期短,易在贮藏、运输等过程中受到损害。挑选中等大小,色泽相近且无病虫害和机械损伤的苹果80个,采摘当日即运往实验室室温下(25℃,RH50%-60%)贮藏。由于苹果从采摘后来到室温下,需要一个平衡过程,成分变化较大,贮藏两天,进行第一次光谱采集。采谱完成后,将样品继续贮藏,七天后,进行第二次光谱采集。如附图2所示,图中虚线为某一样品第一次采集的光谱,实线为其第二次采集的光谱,从图中可以看出,不同货架期的样品近红外光谱存在着差异。两次采集共得到160条光谱数据,包括两种货架期类别,将所有数据用Kennard/Stone(K/S)算法按3:1数量比划分为训练集样品和预测集样品,K/S算法是根据样品间光谱欧氏距离来计算样品差异的,据此可得到最具代表性的训练集样品。光谱采集仪器为美国ThermoNicolet公司生产的Nexus870型傅里叶近红外光谱仪,带有用于漫反射的Smartnear‐IR附件。谱区采集范围:800nm‐1850nm,实验均在室温下进行。实验中对每个样品沿赤道进行12次不同位置的扫描,使用BaSO4化片做为参比样品,取其平均光谱。为避免杂散光的干扰,采集光谱时使用了1.5mm垫片遮光。模型建立软件基于Matlab2013a进行。
2.光谱数据处理
为压缩近红外光谱数据,对采集到的原始光谱进行离散小波变换,小波基函数选择db2,分解至3层,压缩后数据约占原数据量的12%,且压缩后数据包含了原始数据的大部分信息。
用JADE算法分解压缩后矩阵。JADE算法中需设置独立分量数,该值代表了待分解矩阵中独立成分的个数,关系到JADE算法的有效性和建模速度与精度。将独立分量数的初始值设为5,为找到最佳独立分量数,以1为步长依次将独立分量数增加至10,并进行分析,得到独立分量最优值为7。根据独立分量值,使用JADE算法分解压缩后矩阵得到了独立分量矩阵和与其对应的解混阵。
3.建立极限学习机分析模型
极限学习机建模分析中,单隐层神经元个数的选取对模型的分类识别至关重要。本实施例中,先分别选取“Sigmoidal”、“Sine”、和“Hardlim”函数作为ELM模型隐含层激励函数。经试验可知,当隐含层激励函数选为“Sigmoidal”函数时,模型判别性能较为稳定,且具有较高的判别精度。为得到最佳模型参数,将隐含层神经元个数设为5,以5为步长依次增加至60,在各神经元取值下重复训练10次,最终将ELM隐层神经元数确定为30。以经JADE分解后得到的解混阵作为模型输入,模型内部交叉验证考察极限学习机模型的泛化能力,模型交叉验证准确率为98.75%。将预测集样品的40条光谱导入模型,对其货架期预测,经验证,预测结果与实际情况有极好的线性关系,预测准确率达97.5%,从而验证了极限学习机分析模型的正确性。
4.待鉴别样品的货架期鉴别
将待鉴别样品的光谱采集后,逐步使用离散小波变换、JADE分解方法做预处理,输入至极限学习机分析模型中,输出待鉴别样品货架期。
Claims (3)
1.一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法,其特征在于,包括以下步骤:
(1)收集样品,包括货架期为n天样品、货架期为m天样品和待鉴别样品,其中,m和n均小于30,且n与m差值大于等于7;采集三种样品的近红外光谱,并对这三种近红外光谱进行离散小波变换处理,得到三种压缩后的近红外光谱数据矩阵;
(2)将步骤(1)得到的三种压缩后的近红外光谱数据矩阵进行特征矩阵联合近似对角化(JADE)分解,得到三种解混阵;
(3)使用极限学习机(ELM)方法,建立初始极限学习机分析模型,将货架期为n天样品和货架期为m天样品的实际货架期以及由步骤(2)得到的货架期为n天样品和货架期为m天样品的解混阵作为初始极限学习机分析模型的模型输入,进而得到最佳极限学习机分析模型;
4)将待鉴别样品的解混阵输入最佳极限学习机分析模型,得到待鉴别样品的货架期。
2.根据权利要求1所述的基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法,其特征在于,所述步骤(1)具体实现如下:
使用近红外光谱仪对三种样品进行扫描,得到三种样品的近红外光谱,使用K-S算法按3:1的数量比将货架期为n天样品和货架期为m天样品随机分为训练集样品和预测集样品,其中,校正集样品用于模型训练,预测集样品用于模型的质量评价;将三种样品的近红外光谱进行离散小波变换处理,离散小波变换选择小波母函数为dbn,n为消失矩,消失矩取2,分解至3层,得到三种压缩后的近红外光谱数据矩阵。
3.根据权利要求1所述的基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法,其特征在于,所述步骤(3)具体实现如下:将货架期为n天样品和货架期为m天样品的实际货架期以及它们的解混阵作为极限学习机分析模型,使用极限学习机方法建立初始极限学习机分析模型;在得到最佳极限学习机分析模型过程中,采用“Sigmoidal”作为极限学习机分析模型中的隐含层激励函数,将隐含层神经元个数初始化设定为5,并以5为步长依次增加至50,在各隐含神经元取值下重复训练20次,得到最佳极限学习机分析模型的模型参数,从而获得最佳极限学习机分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005467.6A CN105651727B (zh) | 2015-12-28 | 2015-12-28 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005467.6A CN105651727B (zh) | 2015-12-28 | 2015-12-28 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105651727A true CN105651727A (zh) | 2016-06-08 |
CN105651727B CN105651727B (zh) | 2018-06-12 |
Family
ID=56478230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511005467.6A Expired - Fee Related CN105651727B (zh) | 2015-12-28 | 2015-12-28 | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105651727B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、***、方法和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
CN103018181A (zh) * | 2012-12-14 | 2013-04-03 | 江苏大学 | 基于相关性分析和elm神经网络的软测量方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
CN105092509A (zh) * | 2015-08-20 | 2015-11-25 | 东北大学 | 一种基于pcr-elm算法的样品成份测定方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
-
2015
- 2015-12-28 CN CN201511005467.6A patent/CN105651727B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
CN103018181A (zh) * | 2012-12-14 | 2013-04-03 | 江苏大学 | 基于相关性分析和elm神经网络的软测量方法 |
CN104374738A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外提高鉴别结果的定性分析方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105092509A (zh) * | 2015-08-20 | 2015-11-25 | 东北大学 | 一种基于pcr-elm算法的样品成份测定方法 |
Non-Patent Citations (5)
Title |
---|
PUNEET MISHRA 等: "Application of independent components analysis with the JADE algorithm and NIR hyperspectral imaging for revealing food adulteration", 《JOURNAL OF FOOD ENGINEERING》 * |
张世芝 等: "独立成分分析结合近红外光谱分析用于多组分同时测定", 《计算机与应用化学》 * |
杨一 等: "基于ELM和可见/近红外光谱的鲜枣动态分类检测", 《光谱学与光谱分析》 * |
毕贤 等: "独立组分分析在红外光谱分析中的应用", 《高等学校化学学报》 * |
郭文川 等: "近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃", 《光学精密工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、***、方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105651727B (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493287B (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. | Comparison of algorithms for wavelength variables selection from near-infrared (NIR) spectra for quantitative monitoring of yeast (Saccharomyces cerevisiae) cultivations | |
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
CN106644983B (zh) | 一种基于pls-vip-aco算法的光谱波长选择方法 | |
CN107121407A (zh) | 基于pso‑ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
Shao et al. | Near-infrared spectroscopy for classification of oranges and prediction of the sugar content | |
Zeng et al. | Food flavor analysis 4.0: A cross-domain application of machine learning | |
Yang et al. | A recognition method of corn varieties based on spectral technology and deep learning model | |
CN105651727A (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 | |
CN102135496A (zh) | 基于多尺度回归的红外光谱定量分析方法和装置 | |
Yang et al. | Rapid detection method of Pleurotus eryngii mycelium based on near infrared spectral characteristics | |
Song et al. | Rapid identification of adulterated rice based on data fusion of near-infrared spectroscopy and machine vision | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
Yang et al. | A rapid recognition method of Auricularia auricula varieties based on near-infrared spectral characteristics | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
Zhou et al. | Discrimination of Maturity Stages of Cabernet Sauvignon Wine Grapes Using Visible–Near-Infrared Spectroscopy | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
Xiao et al. | Rapid detection of maize seed germination rate based on Gaussian process regression with selection kernel function | |
CN113418889B (zh) | 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法 | |
Li et al. | Research on detection of potato varieties based on spectral imaging analytical algorithm | |
CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
CN113484303A (zh) | 基于拉曼光谱检测小米类胡萝卜素的方法 | |
Luo et al. | Prediction of the Harvest Time of Cabernet Sauvignon Grapes Using Near-Infrared Spectroscopy | |
Bin et al. | DISCRIMINATION OF CERASUS HUMILIS FRUIT MATURITY BASED ON HYPERSPECTRAL IMAGING TECHNOLOGY. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180612 |