CN105911000A - 基于特征波段的血斑蛋在线检测方法 - Google Patents
基于特征波段的血斑蛋在线检测方法 Download PDFInfo
- Publication number
- CN105911000A CN105911000A CN201610234435.1A CN201610234435A CN105911000A CN 105911000 A CN105911000 A CN 105911000A CN 201610234435 A CN201610234435 A CN 201610234435A CN 105911000 A CN105911000 A CN 105911000A
- Authority
- CN
- China
- Prior art keywords
- egg
- model
- blood cake
- variable
- blood spot
- 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
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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (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特征波段的血斑蛋在线检测方法,涉及鸡蛋内部缺陷动态检测技术领域。本方法是①搭建血斑蛋在线检测平台;②设置在线试验参数;③采集光谱数据;④光谱数据预处理;⑤特征波段筛选;⑥建立血斑蛋在线判别模型;⑦检验模型。本方法经过自适应重加权采样算法后,又经过逐步筛选最后确定模型的最终变量,此过程相当于二次筛选变量,将原有波段大幅度简化;筛选出的最终进入判别函数的变量只有5个,大幅度减小模型运算复杂度,提高了血斑蛋在线检测的速度;利用光学技术,实现了对血斑蛋快速无损鉴别,解决了实际生产中血斑蛋难鉴别、难检测的弊端,提高了蛋品企业检测效率和质量。
Description
技术领域
本发明涉及鸡蛋内部缺陷动态检测技术领域,尤其涉及一种基于特征波段的血斑蛋在线检测方法。
背景技术
我国是鸡蛋生产消费大国,但鸡蛋的出口率很低,原因是鸡蛋的内部品质分选精度不高,很多存在内部缺陷的鸡蛋不能及时检测出来,造成鸡蛋整体品质质量不高。血斑蛋是鸡蛋中含有少量血液,一般血斑呈现在蛋黄上,鸡蛋中含有血斑无论是国内还是国外都被认定为是一种质量缺陷【United States Department of Agriculture Egg-Grading Manual[S],2012:28-29;SB/T 10638-2011鲜鸡蛋咸鸭蛋分级[S].中国质检出版社,2011】。
目前对于血斑蛋的检测大部分是基于静态试验平台。徐惠荣等人融合蛋壳颜色信息,将500-700nm波段建立最小二乘支持向量机判别模型,血斑蛋准确率为91.7%【徐惠荣,徐文豪,陈华瑞,等.基于光谱技术的褐壳血斑蛋鉴别方法研究[J].农业机械学报,2014,45(2):194-198】。祝志慧等利用光纤光谱技术静态检测血斑蛋,通过多分类器融合建立判别模型,最后血斑蛋检测正确率分别为92.86%【祝志慧、谢德君、李婉清、王巧华、马美湖,基于光谱技术和多分类器融合的异物蛋检测,农业工程学报[J],2015,31(02)】。对于血斑蛋在线检测的探索,专利CN103109754A发明一种血斑蛋在线无损检测分选方法,利用ARM***将563.449nm-576.509nm的透过率共18个波长变量进行分析,根据设置的阈值来判别样本的归属类别,此方法的变量个数对于在线来说较多且阀值的设置没有具体依据。专利CN103698285A发明一种基于双波段的血斑蛋在线检测方法,利用580±10nm和600±10nm两个波段建立logistic判别模型,此方法血斑蛋检测达到96.9%,此方法可行,但是波长变量较多,影响实际在线运行效率,且他的实验样品为人工注射血斑蛋,对于是否适合天然血斑蛋的判别还需要考证。
发明内容
本发明的目的就在于克服目前对于血斑蛋在线检测效率低和精度低的现状,提供一种基于特征波段的血斑蛋在线检测方法。
本发明的目的是这样实现的:
利用海阳光学微型光纤光谱仪采集鸡蛋的光谱数据,通过特定的数据处理和波段筛选方法,建立血斑蛋在线判别模型,将原有波段经过层层筛选,提取出有效的5个特征波段,大幅度简化数据维数,提高在线检测模型的效率和精度。
实现过程如下:
利用光纤光谱技术,通过特定的算法对传送过程中的鸡蛋样品的透过率光谱数据进行处理,提取全波段中有效的特征波段,将特征波段中选择其判别能力最显著的变量进入判别函数,得到最后的判别模型,实现血斑蛋的在线判别。
完成以下几项工作:
1、搭建血斑蛋在线检测平台,采集每个样品的在线光谱数据,此过程包括光强大小,光源位置,暗电流,参考电流的设置,准直透镜距离待测样本的高度以及传送带的运行速度。
2、采用特定的预处理和光谱波段提取方法,得到血斑蛋检测的特征波段。这部分去除了实验过程中因为环境噪声,仪器震动等非人为因素的影响,减小光谱的散射产生的差异,将原始波段进行第一步的简化,消除了多维变量的共线性问题,提高了模型的稳健性。
3、通过逐步筛选,根据检验标准得到最后进入模型的变量,这一过程在特征波段的基础上得到了最后的决定性变量,相当于第二次简化,经过二次筛选变量,大幅度简化变量维数,在整个模型中具有至关重要的作用。
具体地说,本方法包括以下步骤:
①搭建血斑蛋在线检测平台;
②设置在线试验参数
在线试验参数包括光强大小、积分时间、暗电流、参考电流以及传送带的运行速度;
③采集光谱数据
鸡蛋随着传送带的运行陆续进入暗箱,光电传感器被鸡蛋触发后将信号传至可编程控制器直至计算机;
透过鸡蛋的光通过准直透镜接收后,再由光纤光谱仪采集每个鸡蛋的光谱数据;
④光谱数据预处理
将所有采集到的光谱数据进行标准正态变换(SNV)预处理,标准正态变换预处理公式为:
其中:
Xi,k为需要变换的光谱矩阵,为第i个光谱的平均值,m为波长的点数,将通过标准正态变换预处理后的数据按照2:1的原则随机分成训练集和预测集;
⑤特征波段筛选
采用竞争性自适应重加权采样算法(CARS),筛选出偏最小二乘(PLS)回归模型中回归系数绝对值大的波长点,去掉权重小的波长点,利用交叉验证选出均方根误差值最低的子集为筛选出的最优变量;
⑥建立血斑蛋在线判别模型
将筛选出的特征波段建立逐步贝叶斯判别模型,将竞争性自适应重加权采样算法(CARS)得到的特征波段通过逐步贝叶斯判别分析中“有进有出”的方式,逐步将最重要的判别变量进入判别函数,通过特定的W检验标准,最终确定进入模型的变量,得到最终的判别模型;
⑦检验模型
将预测集的数据选出对应的特征波段代入判别模型中得到预测值,通过与真实值的比较来检验模型的适用性。
本发明具有以下几点优点和积极效果:
①本方法经过自适应重加权算法后,又经过逐步筛选最后确定模型的最终变量,此过程相当于二次筛选变量,将原有波段大幅度简化;
②筛选出的最终进入判别函数的变量只有5个,大幅度减小模型运算复杂度,提高了血斑蛋在线检测的速度;
③利用光学技术,实现了对血斑蛋快速无损鉴别,解决了实际生产中血斑蛋难鉴别、难检测的弊端,提高了蛋品企业检测效率和质量。
附图说明
图1是血斑蛋在线检测平台,图中:
0—鸡蛋;1—可调光源;2—光纤;3—聚焦透镜;4—准直透镜;5—暗箱;6—光纤光谱仪;7—光电传感器;8—计算机;9—传送带;10—可编程控制器。
图2是血斑蛋在线检测方法流程图;
图3是竞争性自适应重加权采样算法流程图。
具体实施方式:
下面结合附图和实施例进一步说明:
一、平台
如图1,本平台包括检测对象鸡蛋0,设置有可调光源1、光纤2、聚焦透镜3、准直透镜4、暗箱5、光纤光谱仪6、光电传感器7、计算机8、传送带9和可编程控制器10;
在暗箱5内设置传送带9,在传送带9中间的上面放置有鸡蛋0;
在暗箱5的底面中间设置有聚焦透镜3,可调光源1、光纤2和聚焦透镜3依次连接;
在暗箱5的顶面中间设置有准直透镜4,准直透镜4、光纤光谱仪6和计算机8依次连接;
在传送带9中间的侧面设置有光电传感器7,光电传感器7、可编程控制器10和计算机8依次连接。
二、方法
如图2,血斑蛋在线检测方法的流程是:
①搭建血斑蛋动态检测平台-101
可调光源1发出的光通过光纤2传播,又通过聚焦透镜3聚焦照射到待检鸡蛋0的下方,鸡蛋0横放在传送带9上,透过鸡蛋的光束通过准直透镜4接收然后传至光纤光谱仪6,光电传感器7放置在与传送带9平行的侧面,准直透镜4距离鸡蛋2.5cm,鸡蛋0的样品为不限品种的白色、粉色和介于白色粉色之间壳色的血斑蛋和正常蛋样品,将所有样品进行清洗和编号,并按编号顺序依次放入传送带9上。
②设置在线试验参数-102
在线试验参数包括积分时间为100ms,平均次数为10,平滑宽度为5nm,传送带运行速度4800枚/小时。
③采集光谱数据-103
将所有鸡蛋0的样品按编号顺序依次放置在运动的传送带9上,当鸡蛋0路过暗箱5中,光电传感器7被触发,将信号传至可编程控制器10直至计算机8;
透过鸡蛋0的光通过准直透镜4接收再由光纤光谱仪6采集每个鸡蛋0样品的透过率。
④将采集的光谱数据进行预处理-104
将全部样品500-600nm的范围内的光谱数据进行标准正态变换,得到预处理后的光谱数据,此过程减少了试验环境的噪声和仪器震动等随机因素的影响,减小了由于鸡蛋0内部液体的晃动产生的光谱差异影响,SNV预处理公式为:
其中:Xi,k为需要变换的光谱矩阵,为第i个光谱的平均值,m是波长的点数;
通过预处理后的数据根据训练集与预测集比例为2:1原则,分别随机选出血斑蛋和正常蛋样本中的三分之二建立训练集,用于建立模型,剩余的组成预测集,用于验证模型;
⑤特征波段的筛选-105
波段筛选采用的竞争性自适应重加权算法(CARS),筛选出偏最小二乘(PLS)模型中回归系数绝对值大的波长点,去掉权重小的波长点,利用交叉验证选出均方根误差值最低的子集为筛选出的最优变量;
如图3,采用竞争性自适应性重加权采样算法将全波段500nm-600nm的数据筛选出特征波段,具体步骤为:
A、将标准正态变换后建立好的训练集采用竞争性自适应重加权采样算法分析-201;
B、采用蒙特卡罗(MCS)采样50次,将训练集中80%样本作为校正集-202;
C、建立偏最小二乘回归模型-203;
用指数衰减函数去掉权重值相对较小的波长点,权重为:
|Bi|表示第i个波长对类别变量的贡献值,其值越大表示该变量越重要-204;
E、通过50次自适应重加权采样技术(CARS)选出偏最小二乘回归模型中回归系数绝对值大的波长点,选出每次新变量所建模型中交叉验证均方根误差值最小模型所对应的变量子集即为特征波段-205。
⑥判别模型的建立-106
将筛选出的特征波段建立逐步贝叶斯判别模型;
具体步骤:将竞争性自适应重加权采样算法(CARS)得到的特征波段通过逐步贝叶斯判别分析中“有进有出”的方式,逐步将最重要的判别变量进入判别函数,通过W检验结果选出最终进入模型的变量,计算各变量的均值和均值向量以及各变量的总均值和均值变量,计算类内协方差矩阵和逆矩阵,最后计算判别函数中的各变量的系数和常数项值,血斑蛋和正常蛋每组的先验概率均设置为0.5,表1是5个变量的显著性检验结果,sig值均远远小于0.001,说明这5个变量对于模型的贡献都是显著的,所以最终将这5个变量进入模型,建立判别函数。
表1 最终变量的显著性分析
得到两个判别模型:
血斑蛋:Y1=87.136×X1-250.597×X2+48.701×X3+97.284×X4+146.398×X5-285.268
正常蛋:Y2=50.842×X1-192.88×X2+22.686×X3+84.808×X4+129.239×X5-235.646
其中X1、X2、X3、X4、X5为509nm、511nm、526nm、571nm、599nm对应的SNV预处理后的变量。
⑦检验模型-107
用预测集数据检验得到的模型,将预测集数据代入模型中,若Y1>Y2,则被判别为血斑蛋;若Y2>Y1,则被判别为正常蛋;若Y1=Y2,则不能判别。表2是判别函数的W检验结果分析,Sig值远远小于0.01,说明判别函数在统计学上具有显著性,判别函数的判别能力是显著的。
表2 检验的结果
W检验 | 卡方 | df | Sig. |
0.314 | 175.284 | 5 | .000 |
三、检测结果
本实验的试验样品是购买于湖北神丹公司检测出的天然血斑蛋和正常蛋,壳色为白色,粉色和介于白色和粉色之间的壳色,血斑蛋共计117枚,正常蛋118枚,得到血斑蛋在线判别模型,其中血斑蛋检测准确率为92.3%,正常蛋检测准确率为98.3%,可投入于实际生产,具有可观的前景。
Claims (3)
1.一种基于特征波段的血斑蛋在线检测方法,其特征在于包括以下步骤:
①搭建血斑蛋在线检测平台;
②设置在线试验参数
在线试验参数包括光强大小、积分时间、暗电流、参考电流以及传送带的运行速度;
③采集光谱数据
鸡蛋随着传送带的运行陆续进入暗箱,光电传感器被鸡蛋触发后将信号传至可编程控制器直至计算机;
透过鸡蛋的光通过准直透镜接收后,再由光纤光谱仪采集每个鸡蛋的光谱数据;
④光谱数据预处理
将所有采集到的光谱数据进行标准正态变换预处理,标准正态变换预处理公式为:
其中:
Xi,k为需要变换的光谱矩阵,为第i个光谱的平均值,m为波长的点数,将通过标准正态变换预处理后的数据按照2:1的原则随机分成训练集和预测集;
⑤特征波段筛选
采用竞争性自适应重加权采样算法,筛选出偏最小二乘回归模型中回归系数绝对值大的波长点,去掉权重小的波长点,利用交叉验证选出均方根误差值最低的子集为筛选出的最优变量;
⑥建立血斑蛋在线判别模型
将筛选出的特征波段建立逐步贝叶斯判别模型,将竞争性自适应重加权采样算法(CARS)得到的特征波段通过逐步贝叶斯判别分析中“有进有出”的方式,逐步将最重要的判别变量进入判别函数,通过特定的W检验标准,最终确定进入模型的变量,得到最终的判别模型;
⑦检验模型
将预测集的数据选出对应的特征波段代入判别模型中得到预测值,通过与真实值的比较来检验模型的适用性。
2.按权利要求1所述的血斑蛋在线检测方法,其特征在于:
所述的血斑蛋在线检测平台包括被检测对象鸡蛋(0),设置有可调光源(1)、光纤(2)、聚焦透镜(3)、准直透镜(4)、暗箱(5)、光纤光谱仪(6)、光电传感器(7)、计算机(8)、传送带(9)和可编程控制器(10);
在暗箱(5)内设置传送带(9),在传送带(9)中间的上面放置有鸡蛋(0);
在暗箱(5)的底面中间设置有聚焦透镜(3),可调光源(1)、光纤(2)和聚焦透镜(3)依次连接;
在暗箱(5)的顶面中间设置有准直透镜(4),准直透镜(4)、光纤光谱仪(6)和计算机(8)依次连接;
在传送带(9)中间的侧面设置有光电传感器(7),光电传感器(7)、可编程控制器(10)和计算机(8)依次连接。
3.按权利要求1所述的血斑蛋在线检测方法,其特征在于所述的竞争性自适应重加权采样算法是:
A、将标准正态变换后建立好的训练集采用竞争性自适应重加权采样算法分析(201);
B、采用蒙特卡罗采样50次,将训练集中80%样本作为校正集(202);
C、建立偏最小二乘回归模型(203);
D、用指数衰减函数去掉权重值相对较小的波长点,权重为:
|Bi|表示第i个波长对类别变量的贡献值,其值越大表示该变量越重要(204);
E、通过50次自适应重加权采样算法选出偏最小二乘回归模型中回归系数绝对值大的波长点,选出每次新变量所建模型中交叉验证均方根误差值最小模型所对应的变量子集即为特征波段(205)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610234435.1A CN105911000B (zh) | 2016-04-15 | 2016-04-15 | 基于特征波段的血斑蛋在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610234435.1A CN105911000B (zh) | 2016-04-15 | 2016-04-15 | 基于特征波段的血斑蛋在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105911000A true CN105911000A (zh) | 2016-08-31 |
CN105911000B CN105911000B (zh) | 2018-10-19 |
Family
ID=56746154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610234435.1A Active CN105911000B (zh) | 2016-04-15 | 2016-04-15 | 基于特征波段的血斑蛋在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105911000B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064021A (zh) * | 2017-04-14 | 2017-08-18 | 华中农业大学 | 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 |
CN109145887A (zh) * | 2018-10-23 | 2019-01-04 | 桂林理工大学 | 一种基于光谱潜变量混淆判别的阈值分析方法 |
CN110333160A (zh) * | 2019-07-18 | 2019-10-15 | 华中农业大学 | 基于排水法的鸡蛋新鲜度无损检测装置及其方法 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3130255A (en) * | 1962-03-12 | 1964-04-21 | Gen Precision Inc | Apparatus for detecting blood spots in eggs |
JP2001124761A (ja) * | 1999-10-27 | 2001-05-11 | Kubota Corp | 検卵装置 |
CN103109754A (zh) * | 2013-02-28 | 2013-05-22 | 华中农业大学 | 血斑蛋在线无损检测分选设备及其方法 |
CN103698285A (zh) * | 2013-12-17 | 2014-04-02 | 浙江大学 | 基于双波段的血斑蛋在线检测方法和装置 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
-
2016
- 2016-04-15 CN CN201610234435.1A patent/CN105911000B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3130255A (en) * | 1962-03-12 | 1964-04-21 | Gen Precision Inc | Apparatus for detecting blood spots in eggs |
JP2001124761A (ja) * | 1999-10-27 | 2001-05-11 | Kubota Corp | 検卵装置 |
CN103109754A (zh) * | 2013-02-28 | 2013-05-22 | 华中农业大学 | 血斑蛋在线无损检测分选设备及其方法 |
CN103698285A (zh) * | 2013-12-17 | 2014-04-02 | 浙江大学 | 基于双波段的血斑蛋在线检测方法和装置 |
CN104764744A (zh) * | 2015-04-21 | 2015-07-08 | 华中农业大学 | 一种禽蛋新鲜度的视觉检测装置及其方法 |
Non-Patent Citations (2)
Title |
---|
王晓明 等: "基于UV-Vis检测养殖水体中化学需氧量含量研究", 《光谱学与光谱分析》 * |
白敬 等: "基于光谱特性分析的冬油菜苗期田间杂草识别", 《农业工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064021A (zh) * | 2017-04-14 | 2017-08-18 | 华中农业大学 | 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 |
CN107064021B (zh) * | 2017-04-14 | 2019-10-15 | 华中农业大学 | 一种基于光谱幅值空间转换的血斑蛋在线无损检测方法 |
CN109145887A (zh) * | 2018-10-23 | 2019-01-04 | 桂林理工大学 | 一种基于光谱潜变量混淆判别的阈值分析方法 |
CN109145887B (zh) * | 2018-10-23 | 2022-03-22 | 桂林理工大学 | 一种基于光谱潜变量混淆判别的阈值分析方法 |
CN110333160A (zh) * | 2019-07-18 | 2019-10-15 | 华中农业大学 | 基于排水法的鸡蛋新鲜度无损检测装置及其方法 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
CN115812634B (zh) * | 2023-02-20 | 2023-04-28 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105911000B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Raman spectroscopy coupled with chemometrics for food authentication: A review | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
CN1995987B (zh) | 基于高光谱图像技术的农畜产品无损检测方法 | |
Pan et al. | Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
CN105630743A (zh) | 一种光谱波数的选择方法 | |
CN103439270A (zh) | 一种高光谱图像检测桃果实冷害的装置和方法 | |
CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
CN106769970A (zh) | 一种快速无损检测苹果的品种、糖度和酸度的方法 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
CN103235095A (zh) | 注水肉检测方法和装置 | |
CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
CN104655585B (zh) | 一种基于近红外光谱的pse肉筛选方法 | |
CN117524340A (zh) | 基于多层一维cnn深度网络的纺织品成份定量表征方法 | |
CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
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 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
van Wyngaard et al. | Infrared spectroscopy investigation of fresh grapevine (Vitis vinifera) shoots, leaves, and berries using novel chemometric applications for viticultural data | |
CN105158178A (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
CN104297205A (zh) | 一种快速、无损的食用油鉴别方法 | |
CN213996781U (zh) | 一种基于光谱技术的艾草质量分级检测设备 |
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 |