CN109540831B - 基于高光谱成像技术的枸杞子品种识别方法 - Google Patents
基于高光谱成像技术的枸杞子品种识别方法 Download PDFInfo
- Publication number
- CN109540831B CN109540831B CN201910071737.5A CN201910071737A CN109540831B CN 109540831 B CN109540831 B CN 109540831B CN 201910071737 A CN201910071737 A CN 201910071737A CN 109540831 B CN109540831 B CN 109540831B
- Authority
- CN
- China
- Prior art keywords
- data
- wolfberry
- spectrum
- spectral
- variety
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 235000015468 Lycium chinense Nutrition 0.000 title claims abstract description 31
- 235000015459 Lycium barbarum Nutrition 0.000 title claims abstract description 29
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 244000241838 Lycium barbarum Species 0.000 title claims abstract 11
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 43
- 230000003595 spectral effect Effects 0.000 claims abstract description 41
- 235000017784 Mespilus germanica Nutrition 0.000 claims abstract description 25
- 244000182216 Mimusops elengi Species 0.000 claims abstract description 25
- 235000000560 Mimusops elengi Nutrition 0.000 claims abstract description 25
- 235000007837 Vangueria infausta Nutrition 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000002310 reflectometry Methods 0.000 claims abstract description 10
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 2
- 244000241872 Lycium chinense Species 0.000 description 20
- 238000002329 infrared spectrum Methods 0.000 description 8
- 238000013519 translation Methods 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
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
本发明公开了基于高光谱成像技术的枸杞子品种识别方法。它包括如下步骤：对同一产地不同品种的枸杞子进行光谱扫描，收集1000～2400nm波段的高光谱数据；进行RAD校正；然后黑白校正，处理为相对反射率数据；进行阈值分割，删除小面积运算；处理后的数据进行感兴趣区域提取，得到感兴趣区域平均光谱值；将3次所述感兴趣区域平均光谱值进行多元散射校正，得到多元散射校正值；将多元散射校正值进行数据分割，分为训练集，验证集与测试集；将训练集光谱得到的主要光谱信息与品种信息利用偏最小二乘回归进行建模，得到枸杞子品种识别模型；利用验证集与测试集调试模型；由最终确立的品种识别模型进行枸杞子品种识别。本发明技术操作流程，具有科学、高效识别的特点。
Description
技术领域
本发明涉及基于高光谱成像技术的枸杞子品种识别方法，属于中药材鉴定领域。
背景技术
枸杞资源在国内外分布多大80余种，在我国有7种，3变种。能够药用的有宁夏枸杞、黄果枸杞、黑果枸杞、中国枸杞，其中宁夏枸杞是我国药典规定的药用枸杞品种。宁夏枸杞经多年研究，已经繁育出多个类型的成熟树种，如***叶枸杞、宁杞1号至宁杞7号、宁杞9号、蒙杞1号。由于品种繁多，质量控制困难，市场流通的商品来源无法确保，至使枸杞子市场混乱，以次充好、以其他品种冲抵的现象频发。在市场交易过程中，对于枸杞子品质的鉴定多采用经验鉴别的方法，此方法误差较大，主观性较强，再加之枸杞子的品种本就多种，因此单单只依据经验鉴别可信度较低。而化学检验、分子检测由于操作方法复杂费时费力，因此也不能普及。
近年来高光谱成像技术取得了飞速的发展，从最早仅仅应用于航空航天领域。再发展至地质勘探，矿石识别。紧随其后又步入农业领域，对农作物的品质进行识别，种类进行区分。如此一来，高光谱成像技术已深入生活的方方面面，唯独在中医药领域涉足不多。
发明内容
本发明的目的是提供基于高光谱成像技术的枸杞子品种识别方法，本发明技术操作流程，具有科学、高效识别的特点。
本发明提供的一种基于高光谱成像技术的枸杞子品种识别方法，包括如下步骤：1)对同一产地不同品种的枸杞子进行光谱扫描，收集1000～2400nm波段的高光谱数据；
2)将样本原始的高光谱数据进行RAD校正；
3)将步骤2)中RAD校正后的数据进行黑白校正，处理为相对反射率数据；
4)对所述相对反射率数据进行阈值分割，删除小面积运算；
5)步骤4)中处理后的数据进行感兴趣区域提取，得到感兴趣区域平均光谱值；
6)将所述感兴趣区域平均光谱值进行多元散射校正，得到多元散射校正值；
7)将步骤6)得到的多元散射校正值进行数据分割，分为训练集，验证集与测试集；
8)将由步骤7)处理后的训练集光谱得到的主要光谱信息与品种信息利用偏最小二乘回归进行建模，得到枸杞子品种识别模型；利用验证集与测试集调试模型；由最终确立的品种识别模型进行枸杞子品种识别。
上述的方法中，所述的样本数量大于等于300；
采用高光谱成像仪进行所述光谱扫描；
所述光谱扫描的条件如下：所述高光谱成像仪的镜头与所述枸杞子的距离为20～30cm；平台移动速度为1.5mm/s；当所收集的光谱范围在1000～2400nm时，积分时间可为4500μs，帧时间可为46928。
上述的方法中，步骤2)中RAD校正为Radiometric calibration辐射校准，为仪器自带校准软件。
上述的方法步骤3)中，黑白校正公式如下：
式中R表示经过校正后的图像的相对反射率，IR表示原始图像的能量值，IW表示白板图像的能量值，IB表示黑板图像的能量值。
上述的方法步骤4)采用MATLAB软件进行所述阈值分割，删除小面积运算。
上述的方法步骤5)中，采用MATLAB软件进行所述感兴趣区域提取以及平均光谱计算。
本发明步骤5)中，所述感兴趣区域提取的提取标准是按照本领域公知的常识，本发明具体提取的是枸杞子部分的光谱数据。
上述的方法步骤6)采用MATLAB软件进行多元散射校正；
所述多元散射校正处理方法为多波长数据建模预处理时常用方法；
所述多元散射校正处理方法具体步骤如下：所述感兴趣区域的平均光谱经多元散射校正后可有效消除散射影响，增强与特征变量相关的光谱吸收信息；首先计算所有样品近红外光谱的平均光谱，将平均光谱作为标准光谱，具体如下：
将每个样品的近红外光谱与标准光谱进行一元线性回归运算，求得各光谱相对于标准光谱的线性平移量(回归常数)和倾斜偏移量(回归系数)，具体如下：
在每个样品原始光谱中减去线性平移量同时除以回归系数修正光谱的基线相对倾斜，这样每个光谱的基线平移和偏移都在标准光谱的参考下予以修正，从而提高了光谱的信噪比。以下为具体的算法过程:
以上公式中A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数，A表示所有样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量，Ai是1×p维矩阵，表示单个样品光谱矢量，mi和bi分别表示样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
上述的方法中，步骤7)中多元散射校正光谱值分割为三部分的操作如下：采用MATLAB软件进行数据分割，将采用随机无放回的方式抽取光谱，生成1到mT随机数集R，将光谱数据对应随机数集，按照比例将光谱数据集中的mT条光谱数据分成三个数据集：训练集，验证集和测试集；训练集是用来训练模型，验证集是用来调节参数，测试集是用来测试模型性能。
上述的方法中，步骤8)采用MATLAB软件进行所述偏最小二乘回归模型建立；偏最小二乘回归作为多元线性回归、典型相关分析和主成分分析的集合与演化，其思路如下：从自变量集合X中提取成分th(h＝1,2,…),各成分间相互独立。随后建立提取成分th与因变量Y间的回归方程。
上述的方法中，所述同一产地不同品种的枸杞子的品种具体可为宁杞1号、宁杞5号、宁杞7号、宁杞9号、蒙杞1号中的至少一种；
所述同一产地不同品种的枸杞子的产地具体可为新疆、内蒙、甘肃、青海和宁夏中的至少一种。
本发明具有以下优点：
本发明采用高光谱成像技术，将其应用于中药材品种识别领域，不仅有利于药材品种的市场流通监控；还降低了人工识别的成本，提高了鉴别的准确性与科学性。本发明将高光谱应用于中药材品种鉴别，关键所在是找出了高光谱曲线与药材品种、药材本身性状、特征成分之间的关系。
本发明在光谱预处理时采用多元散射校正，本校正方法能够有效的消除散射影响，增强与成分含量、样品特征相关的光谱吸收信息的强度。
附图说明
图1为本发明基于高光谱成像光谱仪对不同品种枸杞子进行鉴别的流程图。
图2为本发明所用整体装置。
图3为枸杞摆放原图。
图4为阈值分割图像，其中图4中N1、N5、N7、N9、M1分别表示宁杞1号、宁杞5号、宁杞7号、宁杞9号、蒙杞1号的枸杞子的图像。
图5为不同品种光谱曲线，其中图5中n1、n5、n7、n9、m1分别表示宁杞1号、宁杞5号、宁杞7号、宁杞9号、蒙杞1号的枸杞子的光谱曲线。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例
按照图1所示的流程图，基于高光谱成像光谱仪对不同品种同一产地枸杞子进行鉴别，具体步骤如下：
1、通过高光谱成像仪对不同品种同一产地的枸杞子进行光谱扫描，扫描时，1000-2400nm镜头工作，收集高光谱数据。
取不同品种同一产地的枸杞子样品各300粒，每次100粒分3次扫描，每次扫描时尽量不要超出镜头范围。摆放枸杞子时，突出每一颗粒的特征，尽量没有重叠的紧密摆，将用于黑白校正的白板摆放在样品后方5cm处。等待仪器连接、自检。设置高光谱成像仪扫描参数，镜头距离30cm，平台移动速度1.5mm/s，1000-2400nm镜头积分时间为4500μs，帧时间46928。其中积分时间为单位时间内进入镜头的光子数，在不产生过曝点的情况下，积分时间越长，图像的质量越高。帧时间反应的是图像的长宽比，数值越大，则被扫描物体在水平方向上的比例被拉大，需要进行反复调试，找到最佳比例，进行数据记录。
2、将扫描后的结果利用光谱仪自带的RAD校正软件进行校正，此校正可消除因
扫描时外界环境不稳定而引起的条带与噪声，使图像质量更好。
3、采用matlab软件导入高光谱数据，利用黑白校正公式，将图像原始数据处理为相对反射率数据。
4、将进行过黑白校正的光谱图像进行阈值分割，删除小面积，得到图像的感兴趣区域掩模。
5、将确定好的掩模图像利用matlab软件进行感兴趣区域(枸杞子部分的光谱数据)的提取，计算ROI区域内的平均光谱值。
6、将感兴趣区域的平均光谱，进行多元散射校正，用得到的多元散射校正后数据进行数据分割，分为训练集，验证集与测试集。光谱数据集的划分，包括采用随机无放回的方式抽取光谱，首先生成1到nR的随机数集A，将标签信息与随机数据集对应，同时光谱数据又与每条标签对应。按照设定的比例通过抽取不同的标签信息将光谱信息分别划分入：训练集，验证集和测试集。其中训练集进行模型的训练，验证集进行参数的调节，测试集进行模型性能的测试。
多元散射校正光谱值划分，分3次平行采集225粒枸杞样品，将样品分为训练集、验证集、测试集，具体分类表如下表1。
表1数据分布
多元散射校正处理方法为多波长数据建模预处理时常用方法。光谱数据经多元散射校正后可有效消除散射影响，增强与特征变量相关的光谱吸收信息。首先计算所有样品近红外光谱的平均光谱，将平均光谱作为标准光谱，具体如下：
将每个样品的近红外光谱与标准光谱进行一元线性回归运算，求得各光谱相对于标准光谱的线性平移量(回归常数)和倾斜偏移量(回归系数)，具体如下：
在每个样品原始光谱中减去线性平移量同时除以回归系数修正光谱的基线相对倾斜，这样每个光谱的基线平移和偏移都在标准光谱的参考下予以修正，从而提高了光谱的信噪比。以下为具体的算法过程:
以上公式中A表示n×p维定光谱曲线标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数，A表示所有样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量，Ai是1×p维矩阵，表示单个样品光谱矢量，mi和bi分别表示样品近红外光谱Ai与平均光谱A进行一元线性回归后得到的相对偏移系数和平移量。
7、将由训练集光谱得到的主要光谱信息与品种信息利用偏最小二乘回归进行建模，得到枸杞子品种识别模型，利用所述光谱数据验证集与测试集光谱数据调试模型；由最终确立的品种识别模型进行枸杞子品种识别。
具体的一个应用如下：
采用本发明方鉴别宁夏产宁杞1号、宁杞5号、宁杞7号、宁杞9号、蒙杞1号，具体步骤如下：
1、取宁夏产宁杞1号、宁杞5号、宁杞7号、宁杞9号、蒙杞1号的枸杞子样品各300粒子，分3次摆放至移动平台上，尽量不要超出镜头范围。摆放枸杞子时，突出每一颗粒的特征，尽量没有重叠的紧密摆，将用于黑白校正的白板摆放在样品后方5cm处。等待仪器连接、自检。设置高光谱成像仪扫描参数，镜头距离30cm，平台移动速度1.5mm/s，1000-2400nm镜头积分时间为4500μs，帧时间46928。
2、将扫描后的结果利用光谱仪自带的RAD校正软件进行校正，此校正可消除因扫描时外界环境不稳定而引起的条带与噪声，使图像质量更好。
3、采用matlab软件导入高光谱数据，利用黑白校正公式，将图像原始数据处理为相对反射率数据。
4、取相对反射率数据进行阈值分割(对样品与背景进行计算，用黑白两色自动划分出两种区域范围)，删除小面积，得到图像的感兴趣区域掩模。
本步骤中提到的阈值分割方法，主要是将图像设为f(x,y)图像的灰度采集范围是[0,L]，在0和L之间选择一个合适的灰度值T，则图像可根据灰度值T进行与背景之间的分割，具体公式如下：
此时得到的g(x,y)图像为二值图像，利用得到的二值图像对原有光谱图像进行感兴趣区域的提取，如图4所示。
5、将确定好的掩模图像利用matlab软件进行感兴趣区域的提取，计算ROI区域内的平均光谱值，如图5所示。
6、将感兴趣区域的平均光谱，进行多元散射校正，用得到的多元散射校正后数据进行数据分割，分为训练集，验证集与测试集。
7、将由训练集光谱得到的主要光谱信息与品种信息利用偏最小二乘回归进行建模，得到枸杞子品种识别模型；利用所述光谱数据验证集与测试集光谱数据调试模型；由最终确立的品种识别模型进行枸杞子品种识别。
训练集预处理完采用PLS-DA建模，训练集平均准确率100％，验证集平均准确率99.45％，测试集准确率为93.23％，测试集准确率标准差为0.0107。
Claims (3)
1.一种基于高光谱成像技术的枸杞子品种识别方法，包括如下步骤：1)对同一产地不同品种的枸杞子进行光谱扫描，收集1000～2400nm波段的高光谱数据；
所述不同品种同一产地的枸杞子的品种为宁杞1号、宁杞5号、宁杞7号、宁杞9号和蒙杞1号中的至少一种；
所述不同品种同一产地的枸杞子的产地为新疆、内蒙、甘肃、青海和宁夏中的至少一种；
所述光谱扫描步骤中，摆放枸杞子时，突出每一颗粒的特征，尽量没有重叠的紧密摆放；
样本数量大于等于300；
采用高光谱成像仪进行所述光谱扫描；
所述光谱扫描的条件如下：所述高光谱成像仪的镜头与所述枸杞子的距离为20～30cm；平台移动速度为1.5mm/s；利用1000～2400nm镜头时，积分时间为4500μs，帧时间为46928；
2)将样本原始的高光谱数据进行RAD校正；
步骤2)中RAD校正为Radiometric calibration辐射校准；
3)将步骤2)中RAD校正后的数据进行黑白校正，处理为相对反射率数据；
步骤3)中黑白校正公式如下：
式中R表示经过校正后的图像的相对反射率，IR表示原始图像的能量值，IW表示白板图像的能量值，IB表示黑板图像的能量值；
4)对所述相对反射率数据进行阈值分割，删除小面积运算；
步骤4)采用MATLAB软件进行所述阈值分割，删除小面积运算；
5)对步骤4)中处理后的数据进行感兴趣区域提取，然后计算得到感兴趣区域平均光谱值；
步骤5)中，采用MATLAB软件进行所述感兴趣区域提取以及平均光谱计算；
6)将所述感兴趣区域平均光谱值进行多元散射校正，得到多元散射校正值；
7)将步骤6)得到的多元散射校正值进行数据分割，分为训练集，验证集与测试集；
步骤7)中多元散射校正光谱值分割为三部分的操作如下：采用MATLAB软件进行数据分割，将采用随机无放回的方式抽取光谱，生成1到mT随机数集R，将光谱数据对应随机数集，按照比例将光谱数据集中的mT条光谱数据分成三个数据集：训练集，验证集和测试集；训练集是用来训练模型，验证集是用来调节参数，测试集是用来测试模型性能；
8)将由步骤7)处理后的训练集光谱数据得到的主要光谱信息与品种信息利用偏最小二乘回归进行建模，得到枸杞子品种识别模型，利用所述光谱数据验证集与测试集光谱数据调试模型；由最终确立的品种识别模型进行枸杞子品种识别。
2.根据权利要求1所述的方法，其特征在于：采用MATLAB软件进行多元散射校正；
所述多元散射校正处理方法为多波长数据建模预处理时常用方法。
3.根据权利要求1或2所述的方法，其特征在于：步骤8)采用MATLAB软件进行所述偏最小二乘回归模型建立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910071737.5A CN109540831B (zh) | 2019-01-25 | 2019-01-25 | 基于高光谱成像技术的枸杞子品种识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910071737.5A CN109540831B (zh) | 2019-01-25 | 2019-01-25 | 基于高光谱成像技术的枸杞子品种识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109540831A CN109540831A (zh) | 2019-03-29 |
| CN109540831B true CN109540831B (zh) | 2021-06-18 |
Family
ID=65838698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910071737.5A Active CN109540831B (zh) | 2019-01-25 | 2019-01-25 | 基于高光谱成像技术的枸杞子品种识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109540831B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596117A (zh) * | 2019-08-15 | 2019-12-20 | 山东科技大学 | 一种基于高光谱成像的苹果表面损伤快速无损检测方法 |
| CN110516668A (zh) * | 2019-08-16 | 2019-11-29 | 浙江理工大学 | 一种基于高光谱成像技术的蜂蜜掺假检测方法和装置 |
| CN111398211A (zh) * | 2020-03-09 | 2020-07-10 | 浙江工业大学 | 一种苍术颗粒剂的信息区分处理方法 |
| CN112113922A (zh) * | 2020-09-16 | 2020-12-22 | 中国中医科学院中药研究所 | 基于高光谱成像技术的人参年限识别方法 |
| CN113008815A (zh) * | 2021-02-24 | 2021-06-22 | 浙江工业大学 | 一种基于高光谱图像信息无损检测酸枣仁中总黄酮的方法 |
| CN113686811B (zh) * | 2021-08-26 | 2023-11-03 | 四川启睿克科技有限公司 | 一种基于双传感器的光谱数据处理方法 |
| CN114386335A (zh) * | 2022-01-28 | 2022-04-22 | 深圳市现代农业装备研究院 | 杂交制种雄性不育苗早期识别分选方法、***及存储介质 |
| CN114609076B (zh) * | 2022-02-16 | 2023-12-15 | 中国科学院西北高原生物研究所 | 一种基于红外光谱的不同品种中宁枸杞鉴别方法及*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822879B (zh) * | 2014-02-24 | 2016-08-17 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
| CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
| CN107037001A (zh) * | 2017-06-15 | 2017-08-11 | 中国科学院半导体研究所 | 一种基于近红外光谱技术的玉米单倍体籽粒鉴别方法 |
| CN109001218A (zh) * | 2018-09-03 | 2018-12-14 | 贵阳学院 | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 |
-
2019
- 2019-01-25 CN CN201910071737.5A patent/CN109540831B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109540831A (zh) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
| Weng et al. | Hyperspectral imaging for accurate determination of rice variety using a deep learning network with multi-feature fusion | |
| CN109765194B (zh) | 基于高光谱成像技术的枸杞子产地识别方法 | |
| CN110542658A (zh) | 一种基于高光谱成像技术的烟草非烟物质分类方法 | |
| CN103149164A (zh) | 基于光谱成像技术的国画真伪鉴别方法与装置 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN114441457B (zh) | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 | |
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
| CN110108644A (zh) | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
| CN203178183U (zh) | 基于光谱成像技术的国画真伪鉴别装置 | |
| CN117132843A (zh) | 野山参、林下山参、园参原位鉴别方法、***及相关设备 | |
| CN110008989A (zh) | 一种光谱特征相似条件下不同目标的红外光谱识别方法 | |
| CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| Angelia et al. | Fermentation level classification of cross cut cacao beans using k-NN algorithm | |
| CN116642841A (zh) | 基于成像光谱的小麦单籽粒蛋白质含量检测与筛选方法 | |
| CN114689539A (zh) | 基于近红外高光谱图像的大豆种子病变粒识别方法及*** | |
| CN112113922A (zh) | 基于高光谱成像技术的人参年限识别方法 | |
| CN114521664A (zh) | 一种基于多模态图像数据和深度神经网络的自动烟叶分级***及装置 | |
| CN113390799A (zh) | 一种烟叶中梗的识别与检测方法 | |
| Yao et al. | Single aflatoxin contaminated corn kernel analysis with fluorescence hyperspectral image | |
| CN109406420B (zh) | 基于高光谱成像技术预测枸杞子中东莨菪内酯含量的方法 |
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 |