CN108760655B - 一种苹果味觉图谱信息可视化方法 - Google Patents
一种苹果味觉图谱信息可视化方法 Download PDFInfo
- Publication number
- CN108760655B CN108760655B CN201810435827.3A CN201810435827A CN108760655B CN 108760655 B CN108760655 B CN 108760655B CN 201810435827 A CN201810435827 A CN 201810435827A CN 108760655 B CN108760655 B CN 108760655B
- Authority
- CN
- China
- Prior art keywords
- taste
- apple
- spectral
- image
- information
- 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.)
- Active
Links
- 235000019640 taste Nutrition 0.000 title claims abstract description 72
- 238000007794 visualization technique Methods 0.000 title claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 241000220225 Malus Species 0.000 claims description 58
- 230000003595 spectral effect Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 235000013399 edible fruits Nutrition 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 235000021016 apples Nutrition 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000012088 reference solution Substances 0.000 claims description 6
- 239000006228 supernatant Substances 0.000 claims description 6
- 235000009508 confectionery Nutrition 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 235000019614 sour taste Nutrition 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 5
- 235000019643 salty taste Nutrition 0.000 description 5
- 235000019605 sweet taste sensations Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000019613 sensory perceptions of taste Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000035923 taste sensation Effects 0.000 description 1
- 239000011782 vitamin Substances 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
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
本发明公开了一种苹果味觉图谱信息可视化方法,包括如下步骤:S1、基于电子舌苹果样本味觉数据的获取;S2、基于高光谱技术苹果样本数据的获取与预处理;S3、特征波段的选取;S4、苹果味觉可视化模型的构建;S5、在GS‑SVM模型建立之后,将10个波段下的预测光谱值按点输入,求出各点光谱值下的味觉预测输出值记为K(i,j),将味觉值转化为对应的实际色彩值,将苹果味觉信息可视化呈现。本发明利用苹果样本在高光谱单点差异上的优点与电子舌味觉整体信息检测技术相结合,从而实现了苹果味觉图谱信息的可视化。
Description
技术领域
本发明涉及苹果味觉分析领域,具体涉及一种苹果味觉图谱信息可视化方法。
背景技术
中国是苹果生产大国,其产量占苹果总产量的65%。苹果果实富含矿物质和维生素,可溶性大,易被人体吸收,故有“活水”之称,是人们经常食用的水果之一。苹果的味觉信息作为反映其品质的重要因素之一,它影响着大多数消费者是否购买时的选择,准确、高效的检测并表征味觉信息对苹果的育种、种植、储存等具有现实指导意义。传统的理化检测方法无法反映苹果的味觉感官信息,而由于鉴评员心理及周围环境等因素影响导致最常用的人工感官鉴评结果不够客观。基于此,SA-402B型电子舌作为单味觉智能仿生检测***以其客观、精准等优点逐渐取代传统检测方法在味觉信息方面的应用。对苹果样本进行抽样检测、批次处理,实现样本整体味觉信息的检测,并不能反映出各种味觉信息在样本空间上的分布情况。
发明内容
为解决上述问题,本发明提供了一种苹果味觉图谱信息可视化方法。
为实现上述目的,本发明采取的技术方案为:
一种苹果味觉图谱信息可视化方法,包括如下步骤:
S1、基于电子舌苹果样本味觉数据的获取
S11、选取同一批次、同一地点采摘的果形正、大小均匀、无缺陷或污染物的苹果,按国标GB/T10651-2008选出90个优等果品;
S12、将样品编号后置于常温20±2℃,相对湿度55±5%贮藏24小时,保持温湿度不变;
S13、将每个苹果样本清洗、削皮、榨汁、过滤取上层清液40mL分别置于2个纯净测量杯中,按编号顺序依次经电子舌的检测得到30秒处90×3维糖度、酸味、咸味三种味觉数据;测试开始前,传感器先在正负极清洗溶液中清洗90s,结束后在参比溶液中清洗120s,在另一种参比溶液中继续清洗120s,传感器平衡归零30s;达到平衡后,开始进行检测,测试时间为30s,每次测量结束后自动进入清洗步骤;
S2、基于高光谱技术苹果样本数据的获取与预处理
S21、通过下式采用黑白标定方法对高光谱图像进行校正,以消除噪声的影响:
式中,Rd-暗图像,Rw-白板的漫反射图像,Rs-苹果样本原始的漫反射光谱图像,R-校正后的漫反射光谱图。
S22、对黑白标定后的图像进行矢量化处理,获得图像描述曲线,圈定目标图像后,生成特定感兴趣掩膜图像,控制样本影像处理区域;
S23、对掩膜处理后的图像进行影像裁剪,掩膜后的光谱区域除感兴趣处外其他光谱数值均为0。
S24、获取预处理后的90个苹果光谱图像,其中,由于苹果为类球形水果,故在用高光谱分选仪进行照射样品时将一个苹果样本划分为4个面,并在每个面上分别取编号1-5的5个感兴趣区域,每个感兴趣区域大小为300像素点,求取每个样品5个表面整体的光谱均值,最终得到90×256维的苹果数据;
S3、特征波段的选取
分别选取甜、酸、咸3种基础味觉相对应的敏感波段,采用变异系数确定最佳敏感波段数量,然后采用灰色关联度(GRA)的方法确定苹果样品的味觉信息与光谱图像之间的关联程度;
S4、苹果味觉可视化模型的构建
采用SVM预测各个味觉信息离散点的浓度值,其中超平面函数、RBF核函数及回归函数公式(2)、(3)、(4)分别如下:
K(x,x′)=exp(g Px-x′P2) (2)
f(x)=wφ(x)+b (3)
式中,w-超平面的法向向量,φ(x)-非线性映射函数,b-偏置量,g-宽度系数;
S5、味觉可视化呈现
在GS-SVM模型建立之后,将10个波段下的预测光谱值按点输入,求出各点光谱值下的味觉预测输出值记为K(i,j),将味觉值转化为对应的实际色彩值,将苹果味觉信息可视化呈现。
优选地,所述灰色关联度法具体包括如下步骤:首先,将多量纲数据转化成统一的无量纲形式,定义参考数列为个味觉信息数列,比较数列为380-1038nm各波段下的光谱信息数列来进行无量纲处理,以此消除味觉与光谱信息量纲的差异;然后,求取各单一味觉信息数列与全波段下的光谱信息数列的灰色关联系数;最后,求取各波段的灰色关联度。
优选地,所述步骤S4基于遗传算法(GA)和网格式搜索(GS)的方法来对参数c和g进行寻优,在遗传算法中,最大的遗传代数为100,初始种群数为20,参数c的搜索范围是0到100,g为0到100;在网格式搜索方法中,以0.5为间隔进行参数寻优,参数c和g的搜索范围是2-10到210。
优选地,所述步骤S4中在建立模型的过程中,在进行光谱数据和味觉信息映射时,将每个波段下的光谱值进行均值求取后再进行模型的建立;其中利用Kennard-Stone方法将2/3个光谱数据样本选为训练集,1/3个光谱数据选为预测集,基于GS-SVM和GA-SVM实现光谱-味觉信息的可视化分析。
本发明利用苹果样本高光谱单点差异上的优点与电子舌味觉整体信息检测技术相结合,从而实现了苹果味觉图谱信息的可视化,从而为苹果味觉的分析提供了一种较为准确的分析方法。
附图说明
图1为本发明实施例中的光谱图像描述曲线。
图2为本发明实施例中的矢量掩膜图像。
图3为本发明实施例中的感兴趣区域光谱曲线。
图4为本发明实施例中的变异系数变化曲线图
图5为本发明实施例中的参数寻优过程示意图;
其中,(a)为遗传算法参数寻优过程;(b)为网格式搜索参数寻优过程。
图6为本发明实施例中的基于GS-SVM的味觉可视化结果图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例选取同一批次、同一地点采摘的果形正、大小均匀、无缺陷或污染物的阿克苏糖心苹果为研究对象,按国标GB/T10651-2008选出优等果品90个;包括如下步骤:
S1、基于电子舌苹果样本味觉数据的获取
将样品编号后置于常温20℃(±2℃),相对湿度55%(±5%)贮藏24小时,保持温湿度基本不变。按编号顺序依次测量90个样本,将每个苹果样本清洗、削皮、榨汁、过滤取上层清液40mL分别置于2个纯净测量杯中待测。测试开始前,传感器先在正负极清洗溶液中清洗90s,结束后在参比溶液中清洗120s,在另一种参比溶液中继续清洗120s,传感器平衡归零30s。达到平衡后,开始进行检测,测试时间为30s,每次测量结束后自动进入清洗步骤。经电子舌的检测得到30秒处90×3维三种味觉(糖度、酸味、咸味)数据。
S2、基于高光谱技术苹果样本数据的获取与预处理
高光谱图像采集过程中,因光源在各波段下强度分布的差异性和相机暗电流噪声的影响,会夹杂部分噪声信息。这些噪声信息会影响高光谱图像的质量,进而影响高光谱图像定性或定量分析模型的精度和稳定性。因此采用黑白标定方法对高光谱图像进行校正,以消除噪声的影响,公式(1)所示。
式中,Rd-暗图像,Rw-白板的漫反射图像,Rs-苹果样本原始的漫反射光谱图像,R-校正后的漫反射光谱图。
对黑白标定后的图像进行矢量化处理,获得如图1所示图像描述曲线,圈定目标图像后,生成如图2所示特定感兴趣掩膜图像,控制样本影像处理区域。由于获取的图像边缘包含较多的光谱噪声会增加后期数据处理难度,故对掩膜处理后的图像进行影像裁剪,掩膜后的光谱区域除感兴趣处外其他光谱数值均为0。
获取预处理后的90个苹果光谱图像。其中,由于苹果为类球形水果,故在用高光谱分选仪进行照射样品时将一个苹果样本划分为4个面,并在每个面上分别取编号1-5的5个感兴趣区域(每个感兴趣区域大小大约为300像素点)。每个截面上5个感兴趣区域的平均光谱值如图3所示,求取每个样品5个表面整体的光谱均值,最终得到90×256维的苹果数据。S3、特征波段的选取
光谱图像反应苹果内部品质的差异,电子舌通过苹果样品中游离出的官能团得到味觉信息。因此采用灰色关联度(GRA)的方法确定两者之间的关联程度,分别选取甜、酸、咸3种基础味觉相对应的敏感波段。在进行灰色关联分析之前,采用变异系数确定最佳敏感波段数量。综合变异系数越大表明变量间的相关性越低,研究以2为间隔的特征波段个数对变异系数的影响,由图4可以看出所示,特征波段个数在10处取得了最高的变异系数。其中灰色关联度法中,首先,将多量纲数据转化成统一的无量纲形式,定义参考数列为个味觉信息数列,比较数列为380-1038nm各波段下的光谱信息数列来进行无量纲处理,以此消除味觉与光谱信息量纲的差异。然后,求取各单一味觉信息数列与全波段下的光谱信息数列的灰色关联系数。最后,求取各波段的灰色关联度。结果如表1所示,各单一味觉信息前10个关联度值较高的特征波段。
表1 各味觉前10特征波段
S4、苹果味觉可视化模型的构建
光谱与味觉信息数据具有离散性,且二者之间呈现局部线性与非线性关系,而SVM主要思想是建立一个回归超平面作为决策面,利用核函数将多维数据映射到高维空间,使其尽可能线性,以解决原始数据的局部非线性,最终使集合中所有数据到超平面的距离最近。基于此本文采用SVM预测各个味觉信息离散点的浓度值,其中超平面函数、RBF核函数及回归函数公式(2)、(3)、(4)分别如下。SVR建模过程结果依赖于参数c和g,正确有效的参数选择对支持向量机具有良好的回归性能。因此,本文基于遗传算法(GA)和网格式搜索(GS)的方法来对参数c和g进行寻优,如图5所示。在遗传算法中,最大的遗传代数为100,初始种群数为20,参数c的搜索范围是0到100,g为0到100。在网格式搜索方法中,以0.5为间隔进行参数寻优,参数c和g的搜索范围是2-10到210。在建立模型的过程中,因实验所检测为整体样品的味觉值,故在进行光谱数据和味觉信息映射时,将每个波段下的光谱值进行均值求取后再进行模型的建立。其中利用Kennard-Stone方法将2/3个光谱数据样本选为训练集,1/3个光谱数据选为预测集,基于GS-SVM和GA-SVM实现光谱-味觉信息的可视化分析。结果如表2显示GA-SVM的参数寻优过程,遗传算法快速的在达到最佳的适应度Mse为0.01667条件下筛选出了建模最优参数c为6.3859,g为83.0159,GS-SVM的参数寻优过程,网格式搜索在达到最佳的适应度Mse为0.0037346条件下筛选出了建模最优参数c为22.6274,g为0.0019531,因此选择GS-SVM作为苹果味觉值求取的模型。
K(x,x′)=exp(g Px-x′P2) (2)
f(x)=wφ(x)+b (3)
式中w-超平面的法向向量,φ(x)-非线性映射函数,b-偏置量,g-宽度系数
表2 c与g寻优过程的结果值
S5、味觉可视化呈现
在GS-SVM模型建立之后,将10个波段下的预测光谱值按点输入,求出各点光谱值下的味觉预测输出值记为K(i,j),将味觉值转化为对应的实际色彩值,将苹果味觉信息可视化呈现,图6为甜味、酸味、咸味单点味觉分布图,图例从深蓝色到砖红色味道逐渐变浓。由图可以看出,阿克苏糖心苹果主要以甜味、酸味为主,咸味很淡,且甜味最浓且分布最广。甜味主要分布在赤道线两侧,且中轴线部分较甜;酸味的分布位置与甜味相似;咸味则是在赤道截面较为均匀且分布更为广泛。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种苹果味觉图谱信息可视化方法,其特征在于,包括如下步骤:
S1、基于电子舌苹果样本味觉数据的获取
S11、选取同一批次、同一地点采摘的果形正、大小均匀、无缺陷或污染物的苹果,按国标GB/T10651-2008选出90个优等果品;
S12、将样品编号后置于常温20±2℃,相对湿度55±5%贮藏24小时,保持温湿度不变;
S13、将每个苹果样本清洗、削皮、榨汁、过滤取上层清液40mL分别置于2个纯净测量杯中,按编号顺序依次经电子舌的检测得到30秒处90×3维糖度、酸味、成味三种味觉数据;测试开始前,传感器先在正负极清洗溶液中清洗90s,结束后在参比溶液中清洗120s,在另一种参比溶液中继续清洗120s,传感器平衡归零30s;达到平衡后,开始进行检测,测试时间为30s,每次测量结束后自动进入清洗步骤;
S2、基于高光谱技术苹果样本数据的获取与预处理
S21、通过下式采用黑白标定方法对高光谱图像进行校正,以消除噪声的影响:
式中,Rd-暗图像,Rw-白板的漫反射图像,RS-苹果样本原始的漫反射光谱图像,R-校正后的漫反射光谱图;
S22、对黑白标定后的图像进行矢量化处理,获得图像描述曲线,圈定目标图像后,生成特定感兴趣掩膜图像,控制样本影像处理区域;
S23、对掩膜处理后的图像进行影像裁剪,掩膜后的光谱区域除感兴趣处外其他光谱数值均为0;
S24、获取预处理后的90个苹果光谱图像,其中,由于苹果为类球形水果,故在用高光谱分选仪进行照射样品时将一个苹果样本划分为4个面,并在每个面上分别取编号1-5的5个感兴趣区域,每个感兴趣区域大小为300像素点,求取每个样品5个表面整体的光谱均值,最终得到90×256维的苹果数据;
S3、特征波段的选取
分别选取甜、酸、咸3种基础味觉相对应的敏感波段,采用变异系数确定最佳敏感波段数量,然后采用灰色关联度(GRA)的方法确定苹果样品的味觉信息与光谱图像之间的关联程度;
S4、苹果味觉可视化模型的构建
采用SVM预测各个味觉信息离散点的浓度值,其中超平面函数、RBF核函数及回归函数公式(2)、(3)、(4)分别如下:
K(x,x′)=exp(g Px-x′P2) (2)
f(x)=ωφ(x)+b (3)
式中,w-超平面的法向向量,φ(x)-非线性映射函数,b-偏置量,g-宽度系数;
S5、味觉可视化呈现
在GS-SVM模型建立之后,将10个波段下的预测光谱值按点输入,求出各点光谱值下的味觉预测输出值记为K(i,j),将味觉值转化为对应的实际色彩值,将苹果味觉信息可视化呈现。
2.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,
所述灰色关联度法具体包括如下步骤:首先,将多量纲数据转化成统一的无量纲形式,定义参考数列为个味觉信息数列,比较数列为380-1038nm各波段下的光谱信息数列来进行无量纲处理,以此消除味觉与光谱信息量纲的差异;然后,求取各单一味觉信息数列与全波段下的光谱信息数列的灰色关联系数;最后,求取各波段的灰色关联度。
3.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,所述步骤S4基于遗传算法(GA)和网格式搜索(GS)的方法来对参数c和g进行寻优,在遗传算法中,最大的遗传代数为100,初始种群数为20,参数c的搜索范围是0到100,g为0到100;在网格式搜索方法中,以0.5为间隔进行参数寻优,参数c和g的搜索范围是2-10到210。
4.如权利要求1所述的一种苹果味觉图谱信息可视化方法,其特征在于,所述步骤S4中在建立模型的过程中,在进行光谱数据和味觉信息映射时,将每个波段下的光谱值进行均值求取后再进行模型的建立;其中利用Kennard-Stone方法将2/3个光谱数据样本选为训练集,1/3个光谱数据选为预测集,基于GS-SVM和GA-SVM实现光谱-味觉信息的可视化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810435827.3A CN108760655B (zh) | 2018-04-28 | 2018-04-28 | 一种苹果味觉图谱信息可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810435827.3A CN108760655B (zh) | 2018-04-28 | 2018-04-28 | 一种苹果味觉图谱信息可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108760655A CN108760655A (zh) | 2018-11-06 |
CN108760655B true CN108760655B (zh) | 2021-03-30 |
Family
ID=64009312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810435827.3A Active CN108760655B (zh) | 2018-04-28 | 2018-04-28 | 一种苹果味觉图谱信息可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108760655B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685134A (zh) * | 2018-12-21 | 2019-04-26 | 龙口盛福达食品有限公司 | 一种基于无监督离散化的婴儿奶粉智能味觉分析方法 |
CN110763698B (zh) * | 2019-10-12 | 2022-01-14 | 仲恺农业工程学院 | 一种基于特征波长的高光谱柑橘叶片病害识别方法 |
SG10201911636PA (en) * | 2019-12-04 | 2020-03-30 | Teapasar Pte Ltd | System and method for non-destructive rapid food profiling using artificial intelligence |
CN111289516B (zh) * | 2020-03-26 | 2021-10-08 | 中国农业大学 | 植物叶片氨基酸含量检测方法及装置 |
CN111289446B (zh) * | 2020-03-30 | 2021-06-29 | 天津工业大学 | 一种复杂溶液成分浓度的检测方法及*** |
CN112285054A (zh) * | 2020-09-08 | 2021-01-29 | 塔里木大学 | 苹果身份识别模型建立方法及***、身份识别方法及*** |
Citations (6)
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 |
CN101021478A (zh) * | 2007-02-13 | 2007-08-22 | 江西农业大学 | 一种水果品质的激光诱导荧光高光谱图像检测方法和装置 |
CN101832926A (zh) * | 2010-03-19 | 2010-09-15 | 江南大学 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
CN101853392A (zh) * | 2010-04-21 | 2010-10-06 | 河海大学 | 基于条件互信息的遥感高光谱图像波段选择方法 |
CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
CN105866043A (zh) * | 2016-06-06 | 2016-08-17 | 东北电力大学 | 一种利用高光谱技术检测苹果酸味的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7151606B2 (en) * | 2001-07-09 | 2006-12-19 | Mitsui Mining & Smelting Co., Ltd. | Method for evaluation of vegetables and fruits and evaluation apparatus therefor |
CN201021922Y (zh) * | 2007-02-13 | 2008-02-13 | 江西农业大学 | 一种无损检测水果品质的装置 |
-
2018
- 2018-04-28 CN CN201810435827.3A patent/CN108760655B/zh active Active
Patent Citations (6)
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 |
CN101021478A (zh) * | 2007-02-13 | 2007-08-22 | 江西农业大学 | 一种水果品质的激光诱导荧光高光谱图像检测方法和装置 |
CN101832926A (zh) * | 2010-03-19 | 2010-09-15 | 江南大学 | 一种利用高光谱图像技术进行苹果粉质化无损检测方法 |
CN101853392A (zh) * | 2010-04-21 | 2010-10-06 | 河海大学 | 基于条件互信息的遥感高光谱图像波段选择方法 |
CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
CN105866043A (zh) * | 2016-06-06 | 2016-08-17 | 东北电力大学 | 一种利用高光谱技术检测苹果酸味的方法 |
Non-Patent Citations (3)
Title |
---|
寒富苹果品质无损检测光谱信息在线分析;宫元娟 等;《沈阳农业大学学报》;20141231;第45卷(第6期);第708-713页 * |
支持向量回归机的参数择优算法;张偲敏 等;《中国科技信息》;20150731(第13期);第26-27页 * |
高光谱图像技术检测苹果外部损伤;刘晶晶 等;《中国食品学报》;20180131;第18卷(第1期);第278-284页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108760655A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760655B (zh) | 一种苹果味觉图谱信息可视化方法 | |
CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
Sun et al. | Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content | |
Xie et al. | Detection of early blight and late blight diseases on tomato leaves using hyperspectral imaging | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
Kim et al. | Classification of grapefruit peel diseases using color texture feature analysis | |
CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Chen et al. | Nondestructive measurement of total volatile basic nitrogen (TVB-N) content in salted pork in jelly using a hyperspectral imaging technique combined with efficient hypercube processing algorithms | |
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 | |
Sabzi et al. | Non-destructive estimation of physicochemical properties and detection of ripeness level of apples using machine vision | |
Yu et al. | Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics | |
Chen et al. | Rapid detection of pomelo fruit quality using near-infrared hyperspectral imaging combined with chemometric methods | |
Xu et al. | A novel hyperspectral microscopic imaging system for evaluating fresh degree of pork | |
Sarkar et al. | Supervised learning aided multiple feature analysis for freshness class detection of Indian gooseberry (Phyllanthus emblica) | |
CN108535250A (zh) | 基于Streif指数的‘富士’苹果成熟度无损检测方法 | |
Diaz-Garcia et al. | GiNA, an efficient and high-throughput software for horticultural phenotyping | |
CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
Zhang et al. | Non-destructive hyperspectral imaging for rapid determination of catalase activity and ageing visualization of wheat stored for different durations | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和*** | |
Yu et al. | Nondestructive testing of external defects on Nanguo pear | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |