CN106885783A - 一种高光拍照和无损光谱扫描判断果蔬品质的方法 - Google Patents
一种高光拍照和无损光谱扫描判断果蔬品质的方法 Download PDFInfo
- Publication number
- CN106885783A CN106885783A CN201611261038.XA CN201611261038A CN106885783A CN 106885783 A CN106885783 A CN 106885783A CN 201611261038 A CN201611261038 A CN 201611261038A CN 106885783 A CN106885783 A CN 106885783A
- Authority
- CN
- China
- Prior art keywords
- bloom
- data
- vegetables
- fruits
- quality
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003595 spectral effect Effects 0.000 title claims abstract description 17
- 235000012055 fruits and vegetables Nutrition 0.000 claims abstract description 68
- 239000000203 mixture Substances 0.000 claims abstract description 42
- 239000000126 substance Substances 0.000 claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 8
- 238000002329 infrared spectrum Methods 0.000 claims description 26
- 240000003768 Solanum lycopersicum Species 0.000 claims description 22
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims description 21
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 244000189799 Asimina triloba Species 0.000 claims description 5
- 235000006264 Asimina triloba Nutrition 0.000 claims description 5
- 235000004936 Bromus mango Nutrition 0.000 claims description 5
- 235000009467 Carica papaya Nutrition 0.000 claims description 5
- 240000007228 Mangifera indica Species 0.000 claims description 5
- 235000014826 Mangifera indica Nutrition 0.000 claims description 5
- 241000220324 Pyrus Species 0.000 claims description 5
- 244000061458 Solanum melongena Species 0.000 claims description 5
- 235000002597 Solanum melongena Nutrition 0.000 claims description 5
- 235000009184 Spondias indica Nutrition 0.000 claims description 5
- 235000009754 Vitis X bourquina Nutrition 0.000 claims description 5
- 235000012333 Vitis X labruscana Nutrition 0.000 claims description 5
- 240000006365 Vitis vinifera Species 0.000 claims description 5
- 235000014787 Vitis vinifera Nutrition 0.000 claims description 5
- 235000021017 pears Nutrition 0.000 claims description 5
- 235000013311 vegetables Nutrition 0.000 claims description 5
- 241000219112 Cucumis Species 0.000 claims description 3
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 claims description 3
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 claims description 3
- 244000144730 Amygdalus persica Species 0.000 claims description 2
- 241000167854 Bourreria succulenta Species 0.000 claims description 2
- 241000207199 Citrus Species 0.000 claims description 2
- 244000276331 Citrus maxima Species 0.000 claims description 2
- 235000001759 Citrus maxima Nutrition 0.000 claims description 2
- 240000008067 Cucumis sativus Species 0.000 claims description 2
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 claims description 2
- 235000011511 Diospyros Nutrition 0.000 claims description 2
- 244000236655 Diospyros kaki Species 0.000 claims description 2
- 240000008790 Musa x paradisiaca Species 0.000 claims description 2
- 235000018290 Musa x paradisiaca Nutrition 0.000 claims description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 2
- 235000019693 cherries Nutrition 0.000 claims description 2
- 235000020971 citrus fruits Nutrition 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 244000241235 Citrullus lanatus Species 0.000 claims 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 abstract description 6
- 238000013459 approach Methods 0.000 abstract 1
- 241000220225 Malus Species 0.000 description 49
- 235000013305 food Nutrition 0.000 description 10
- 244000081841 Malus domestica Species 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
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
本发明涉及一种高光拍照和无损光谱扫描判断果蔬品质的方法，其特征在于将果蔬进行高光拍照，高光拍照的数据输入高光数据库进行计算，获得果蔬表面品质数据；同时针对相同的果蔬，应用光谱扫描仪进行检测，将检测获得的光谱数据输入光谱数据库，获得果蔬的化学成分含量数据，将果蔬的化学成分含量数据和果蔬的表面品质数据进行双指标评价，获得果蔬的综合品质。本发明实现了将光谱检测和高光拍照的结合来进行果蔬综合品质评价，这两种方法基本上不会对果蔬造成任何损伤，所以可以对果蔬进行无限制评价。
Description
技术领域
本发明属于食品品质检测领域，特别是涉及一种高光拍照和无损光谱扫描判断果蔬品质的方法。
背景技术
现有技术中检测食品品质的方法一般有：单纯针对食品表面品质进行检测的方法，也有应用光谱对食品化学成分进行检测的方法。但是无论是哪一种方法，检测的结果都是片面性的，而针对食品表面检测方法一般采用的是高光谱仪器进行食品表面品质检测，通过图像和可见光光谱数据进行综合分析获得。光谱检测食品化学成分的方法，一般有近红外光谱检测或者是其他的光谱检测，即需要建立光谱数据和化学数据的数据库，而这种检测仅仅是针对食品的内在品质检测，并没有对食品的外在品质进行检测，检测结果也是片面的。
现有技术中，针对食品内在品质的检测，尤其是针对水果的品质检测已经有大量的研究，例如，通过近红外光谱无损检测苹果品质的方法，例如参见“苹果品质近红外光谱无损检测技术研究进展”，《保鲜与加工》，2013,13(3)：1-7，张鹏，李江阔，陈绍慧，国家农产品保鲜工程技术研究中心。
还有，就是通过果蔬表面进行高光谱成像无损检测来检测果蔬表面品质的方法，例如参见“果蔬品质高光谱成像无损检测研究进展”，《激光与红外》，2010年6月，第40卷第6期，彭彦颖，孙旭东，刘燕德，华东交通大学机电学院。
本发明的目的是为了建立果蔬表面品质和化学成分检测双重指标来评价果蔬的综合品质，尤其是可以通过表面果蔬表面品质和化学成分检测数据判断果蔬表面品质形成的原因，以及化学成分含量产生重大变化的果蔬表面品质变化症状。
发明内容
为解决上述技术内容，本发明提供了一种高光拍照和无损光谱扫描判断果蔬品质的方法，该方法解决了对果蔬品质片面性评价的问题，实现了对果蔬表面品质和内在品质的双重评价，也就是综合评价，同时可以通过该综合评价对果蔬表面品质形成的化学成分内在原因和内在品质形成的果蔬表面品质的外部症状进行评估。
具体的，本发明提供了一种高光拍照和无损光谱扫描判断果蔬品质的方法，其特征在于将果蔬进行高光拍照，高光拍照的数据输入高光数据库进行计算，获得果蔬表面品质数据；同时针对相同的果蔬，应用光谱扫描仪进行检测，将检测获得的光谱数据输入光谱数据库，获得果蔬的化学成分含量数据，将果蔬的化学成分含量数据和果蔬的表面品质数据进行双指标评价，获得果蔬的综合品质。
果蔬的品质，对于消费者来说，有时表面比较好看的果蔬，其内在品质并不好，例如含糖量比较低，或者蛋白、维生素营养比较少，或者是因为储藏时间过长，导致内在水分流失过大。因为目前果蔬表面的处理方法比较多，所以往往会形成果蔬表面品质比较好，但其内在品质往往较差，为此本发明的上述方法，解决了该问题。
同时，在目前的市场上，有很多果蔬种植者认为其果蔬品质是非常好的，但是水果的卖相并不好，对此只能进行有损伤的品尝，品尝之后才能够知道水果的内在品质，如果可以通过无损检测，能够证明其外观品质并不影响其内在品质，那么本发明的上述方法也具有重大的贡献。
优选的，上述方法中，所述的高光拍照选自高光比拍照或高广谱拍照，所述高光比拍照为相机高光比拍照，所述高广谱拍照为高光谱仪器的高广谱拍照。
高光比拍照是指利用外界自然光的原理，使用光学相机对果蔬进行拍照，进而形成有些亮点或暗点的照片，该亮点或暗点表明果蔬表面品质产生了差异化，而高光谱仪器的高光谱拍照是指通过高广谱仪器对果蔬表面进行拍照处理，获得照片的同时能够检测果蔬表面反射回来的可见光谱数据，对可见光谱数据进行分析获得可见光的差异化数据。
优选的，上述方法中，所述的高光拍照的数据包括平滑度、粗糙度、颗粒性、随机性数据中的一种或多种。
优选的，上述方法中，其特征在于，所述的高光拍照的数据包括400-780nm的红外光谱数据。
优选的，上述方法中，其特征在于，所述的光谱扫描仪为近红外光谱扫描仪。
光谱扫描仪并不仅仅限于近红外光谱扫描仪，实际上目前市场上有很多不可见光的光谱扫描仪都是可以的，前提是需要这些光谱扫描仪对果蔬进行光谱扫描的同时，还要通过化学方法检测果蔬的化学成分，并能够建立光谱数据和化学成分数据的运算数据库。
优选的，上述方法中，所述的近红外光谱仪的近红外光谱的光谱范围为800-2000nm。
优选的，上述方法中，所述的高光数据库为n次高光拍照的数据和肉眼判断果蔬表面品质结果形成的数据库，其中n≥50。
高光数据库的建立在于能够通过该数据库实现高光数据输入后直接判断出果蔬的表面品质，这样就需要建立有效的高光数据和表面品质对应的数据模型，而该数据模型是需要通过一定数量有效检测建立的，本发明的技术方案需要通过至少50次的重复来建立该高光数据库。
优选的，上述方法中，所述的光谱数据库为n次光谱扫描仪检测的光谱数据和化学成分检测数据形成的数据库。
优选的，上述方法中，所述的方法还包括判断果蔬品质形成原因的步骤，其特征在于将表面品质数据和化学成分含量数据形成数据库，分析化学成分含量和果蔬表面品质的关系，判断果蔬表面品质形成的化学成分影响因素和判断果蔬化学成分改变的果蔬表面品质影响因素。
本发明的目的，一方面是能够判断果蔬的综合品质，同时在建立好果蔬的表面品质和内在品质的关系数据库之后，还可以实时地判断果蔬表面品质形成的内在原因，和果蔬内在原因导致的表观品质症状。
优选的，上述方法中，所述的果蔬为苹果、香蕉、橘子、柿子、桃、哈密瓜、柚子、西瓜、柑桔、樱桃、葡萄、梨、芒果、木瓜、黄瓜、番茄或茄子。
实际上本发明的方法所针对的对象，不仅仅限于上面的果蔬，实际上只要果蔬表面能够进行高光拍照获得有规律数据，同时其果蔬的内在品质检测可以通过光谱扫描仪进行扫描获得，那么这些果蔬都是本发明方法所针对的对象。
有益效果：
1、本发明的方法解决了果蔬综合品质的判断，同时也实现了果蔬表面品质形成的内在原因和果蔬内在品质所导致的表观症状的判断。
2、本发明还解决了现有技术当中片面性评价果蔬品质的缺陷，获得通过表面品质数据和化学成分数据结合形成的数据库，该数据库在后期果蔬品质评价中能够形成基础数据库，解决果蔬品质评价的效率较低的问题。
3、本发明还实现了将光谱检测和高光拍照的结合来进行果蔬综合品质评价，这两种方法基本上不会对果蔬造成任何损伤，所以可以对果蔬进行无限制评价。
附图说明：
图1为高光拍照和光谱扫描判断果蔬品质的示意图
图2为高光数据库的种类示意图
图3为高光比表面品质评价数据库建立的示意图
图4为高光谱表面品质评价数据库建立的示意图
具体实施方式
实施例1：建立高光比表面品质评价数据库
选取100个苹果分别进行高光比拍照，获得100个苹果的高光比照片，然后通过肉眼识别100个苹果获得肉眼识别表面品质信息，肉眼判断表面品质信息指标包括平滑度、粗糙度、颗粒性和随机性。将100个苹果的高光比照片和100个苹果的肉眼的苹果表面品质评价信息一一对应后输入数据库，建立高光比拍照照片特征和肉眼识别表面品质信息的对应关系，形成高光比拍照照片和肉眼识别品质的评价模型，建立含有评价模型的苹果高光比表面品质评价数据库。
同样的过程，建立葡萄、梨、芒果、木瓜的高光比表面品质评价数据库。
实施例2：建立高广谱表面品质评价数据库
选取100个番茄分别进行高光谱拍照，获得100个番茄的高光谱照片和高广谱数据，高广谱数据的光谱范围为400-780nm，然后通过肉眼识别100个番茄获得肉眼识别表面品质信息，肉眼判断表面品质信息指标包括平滑度、粗糙度、颗粒性和随机性。将100个番茄的高光谱照片和高广谱数据及100个番茄的肉眼评价的番茄表面品质信息一一对应后输入数据库，建立高光谱数据照片和高广谱数据及肉眼识别表面品质信息的对应关系，形成高光谱的番茄表面评价模型，建立含有评价模型的番茄高光谱表面品质评价数据库。
同样的过程，建立茄子的高光谱表面品质评价数据库。
实施例3：建立近红外光谱数据库
选取100个苹果进行近红外光谱扫描，获得苹果的近红外光谱数据，近红外光谱的光谱范围为800-2000nm，同时检测100个苹果的化学成分及其含量数据，将近红外光谱扫描获得的近红外光谱数据和苹果的化学成分及其含量数据一一对应输入数据库，形成苹果近红外光谱计算苹果化学成分及其含量的计算模型，建立包含计算模型的苹果近红外光谱数据库。
同样的过程，建立葡萄、梨、芒果、木瓜的近红外光谱数据库。
同样的过程，建立番茄和茄子的近红外光谱数据库。
实施例4：苹果综合品质评价
将苹果进行高光比拍照，高光比拍照的照片输入实施例1的苹果高光比表面品质评价数据库进行计算，获得苹果表面品质数据；同时对苹果应用近红外光谱扫描仪进行扫描检测，将检测获得的苹果近红外光谱数据输入实施例3的苹果近红外光谱数据库，获得苹果的化学成分含量数据，将苹果的表面品质数据和苹果的化学成分含量数据进行双指标评价，双指标的评价的权重比为苹果的表面品质和化学成分含量权重比为4:6。通过该权重确定苹果的综合品质数据。
实施例5：苹果表面品质形成因素判断
再次选取100个苹果，重复实施例4的方法，获得的苹果的表面品质数据和苹果的化学成分含量数据一一对应输入数据库，计算苹果的表面品质数据和苹果的化学成分含量数据之间的关系，形成苹果的表面品质数据和苹果的化学成分含量数据相互评价模型，建立含有相互评价模型的苹果表面品质和化学成分综合数据库。从该数据库中提取苹果化学成分及其含量数据影响苹果的表面品质因素，同时从该数据库中提取苹果的表面品质影响苹果化学成分及其含量数据的因素。
选取1个苹果，进行苹果的高光比拍照，将苹果的高光比照片输入到苹果表面品质评价数据库获得苹果表面品质数据，将该苹果表面品质数据输入到上述苹果表面品质和化学成分综合数据库，确定苹果内在估算化学成分及其含量信息。同时对该苹果进行近红外检测，通过近红外光谱数据库确定苹果的化学成分及其含量，通过估算化学成分及其含量数据和近红外光谱确定的化学成分及其含量数据评估苹果表面品质和化学成分综合数据库在苹果表面品质和内在化学成分及其含量数据之间对应的准确性。
重复实施例4和实施例5，进行葡萄、梨、芒果、木瓜的综合品质评价。
实施例6：番茄综合品质评价
将番茄进行高广谱拍照，高广谱拍照的照片和高广谱数据输入实施例2的番茄高广谱表面品质评价数据库进行计算，获得番茄表面品质数据；同时对番茄应用近红外光谱扫描仪进行扫描检测，将检测获得的番茄近红外光谱数据输入实施例3的番茄近红外光谱数据库，获得番茄的化学成分含量数据，将番茄的表面品质数据和番茄的化学成分含量数据进行双指标评价，双指标评价的权重比为番茄的表面品质和化学成分含量权重比为7:3。通过该权重确定番茄的综合品质数据。
重复实施例6的方法，判断茄子的综合品质。
Claims (10)
1.一种高光拍照和无损光谱扫描判断果蔬品质的方法，其特征在于将果蔬进行高光拍照，高光拍照的数据输入高光数据库进行计算，获得果蔬表面品质数据；同时针对相同的果蔬，应用光谱扫描仪进行检测，将检测获得的光谱数据输入光谱数据库，获得果蔬的化学成分含量数据，将果蔬的果蔬的表面品质数据和化学成分含量数据进行双指标评价，获得果蔬的综合品质。
2.根据权利要求1所述的方法，其特征在于，所述的高光拍照选自高光比拍照或高广谱拍照，所述高光比拍照为相机高光比拍照，所述高广谱拍照为高光谱仪器的高广谱拍照。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述的高光拍照的数据包括平滑度、粗糙度、颗粒性、随机性数据中的一种或多种。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述的高光拍照的数据包括400-780nm的红外光谱数据。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述的光谱扫描仪为近红外光谱扫描仪。
6.根据权利要求1-5任一项所述的方法，其特征在于，近红外光谱仪的近红外光谱的光谱范围为800-2000nm。
7.根据权利要求1-6任一项所述的方法，其特征在于，高光数据库为n次高光拍照的数据和肉眼判断果蔬表面品质结果形成的数据库，其中n≥50。
8.根据权利要求1-7任一项所述的方法，其特征在于，光谱数据库为n次光谱扫描仪检测的光谱数据和化学成分检测数据形成的数据库。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述方法还包括判断果蔬品质形成原因的步骤，其特征在于将表面品质数据和化学成分含量数据形成数据库，分析化学成分含量和果蔬表面品质的关系，判断果蔬表面品质形成的化学成分影响因素和判断果蔬化学成分改变的果蔬表面品质影响因素。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述的果蔬为苹果、香蕉、橘子、柿子、桃、哈密瓜、柚子、西瓜、柑桔、樱桃、葡萄、梨、芒果、木瓜、黄瓜、番茄或茄子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611261038.XA CN106885783A (zh) | 2016-12-30 | 2016-12-30 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611261038.XA CN106885783A (zh) | 2016-12-30 | 2016-12-30 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106885783A true CN106885783A (zh) | 2017-06-23 |
Family
ID=59176470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611261038.XA Pending CN106885783A (zh) | 2016-12-30 | 2016-12-30 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106885783A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
| CN101726492A (zh) * | 2009-11-10 | 2010-06-09 | 山东大学 | 高光谱食品在线实时检测装置及其工作方法 |
| CN101949686A (zh) * | 2010-08-02 | 2011-01-19 | 扬州福尔喜果蔬汁机械有限公司 | 水果内外综合品质在线无损检测方法及装置 |
| CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
| CN103954563A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
| CN105512430A (zh) * | 2015-12-31 | 2016-04-20 | 深圳市芭田生态工程股份有限公司 | 一种光谱数据和化学检测数据共享输入和输出的*** |
-
2016
- 2016-12-30 CN CN201611261038.XA patent/CN106885783A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
| CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
| CN101726492A (zh) * | 2009-11-10 | 2010-06-09 | 山东大学 | 高光谱食品在线实时检测装置及其工作方法 |
| CN101949686A (zh) * | 2010-08-02 | 2011-01-19 | 扬州福尔喜果蔬汁机械有限公司 | 水果内外综合品质在线无损检测方法及装置 |
| CN103344575A (zh) * | 2013-07-01 | 2013-10-09 | 江南大学 | 基于高光谱图像技术的干燥毛豆多品质无损检测方法 |
| CN103954563A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 一种基于高光谱的果蔬表面损伤检测装置 |
| CN105512430A (zh) * | 2015-12-31 | 2016-04-20 | 深圳市芭田生态工程股份有限公司 | 一种光谱数据和化学检测数据共享输入和输出的*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484278A (zh) * | 2021-05-21 | 2021-10-08 | 北京农业智能装备技术研究中心 | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | SSC and pH for sweet assessment and maturity classification of harvested cherry fruit based on NIR hyperspectral imaging technology | |
| Nicolai et al. | Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review | |
| JP5441703B2 (ja) | 可視光線・近赤外線分光分析法及びブドウ醸造方法 | |
| Jha et al. | Non-destructive prediction of quality of intact apple using near infrared spectroscopy | |
| Wang et al. | Comparison of detection modes in terms of the necessity of visible region (VIS) and influence of the peel on soluble solids content (SSC) determination of navel orange using VIS–SWNIR spectroscopy | |
| Ali et al. | Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review | |
| Nicolaï et al. | Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage | |
| CN103837492B (zh) | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 | |
| Xu et al. | Research on nondestructive identification of grape varieties based on EEMD‐DWT and hyperspectral image | |
| Nogales-Bueno et al. | Comparative study on the use of anthocyanin profile, color image analysis and near-infrared hyperspectral imaging as tools to discriminate between four autochthonous red grape cultivars from La Rioja (Spain) | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| CN103868857A (zh) | 一种农药残留的检测方法、装置及*** | |
| Qi et al. | Establishment of a comprehensive indicator to nondestructively analyze watermelon quality at different ripening stages | |
| CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
| CN106885783A (zh) | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 | |
| CN106872396B (zh) | 一种不同近红外仪器测定葡萄糖度模型转换的方法 | |
| CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
| Zhiming et al. | Shortwave infrared hyperspectral imaging for detection of pH value in Fuji apple | |
| PUANGSOMBUT et al. | Evaluation of internal quality of fresh‐cut pomelo using VIS/NIR transmittance | |
| Chen et al. | Prediction of apple internal qualities using hyperspectral imaging techniques | |
| Omar et al. | Specialized optical fiber sensor for nondestructive intrinsic quality measurement of Averrhoa Carambola | |
| Shiddiq et al. | Neural network with k-fold cross validation for oil palm fruit ripeness prediction | |
| CN103592258B (zh) | 一种茶叶中茶多酚含量的检测方法 | |
| Wu et al. | Non-destructive detection of defects in Zizphus jujube Mill cv. Lingwu changzao based on near-infrared hyperspectral imaging |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170623 |
|
| RJ01 | Rejection of invention patent application after publication |