CN109668859A - 基于svm算法的花椒产地和品种的近红外光谱识别方法 - Google Patents
基于svm算法的花椒产地和品种的近红外光谱识别方法 Download PDFInfo
- Publication number
- CN109668859A CN109668859A CN201910158130.0A CN201910158130A CN109668859A CN 109668859 A CN109668859 A CN 109668859A CN 201910158130 A CN201910158130 A CN 201910158130A CN 109668859 A CN109668859 A CN 109668859A
- Authority
- CN
- China
- Prior art keywords
- prickly ash
- chinese prickly
- production
- near infrared
- algorithm
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 26
- 241001079064 Zanthoxylum schinifolium Species 0.000 title claims abstract 15
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 244000089698 Zanthoxylum simulans Species 0.000 description 48
- 239000000523 sample Substances 0.000 description 45
- 238000012360 testing method Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 6
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 5
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 5
- 239000010453 quartz Substances 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 5
- 239000006101 laboratory sample Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000004949 mass spectrometry Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000007650 Aralia spinosa Nutrition 0.000 description 1
- 241000345998 Calamus manan Species 0.000 description 1
- 241000949456 Zanthoxylum Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000012950 rattan cane Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 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
- 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
本发明涉及花椒产地和品种的快速无损检测领域,特别是涉及一种基于SVM算法的花椒产地和品种的近红外光谱识别领域,属于花椒产地和品种的检测领域。该方法详细地说明了如何通过SVM算法建立分类模型,对花椒属性进行定性分析。首先,对已知花椒属性的样品进行相应的处理,并对NIR仪器进行相应参数的调整;其次,对已经制备好的样品,采集它的近红外光谱图,将光谱进行预处理;然后,对光谱图进行分析计算;最后,将光谱数据作为SVM算法的输入,通过粒子群算法(PSO)确立惩罚参数c和核函数参数g的最优参数组合,从而为构建最佳的分类模型提供一种方法,也最终为实现鉴别花椒产地和品种提供一种方法。
Description
技术领域
本发明涉及花椒产地和品种的快速无损检测领域,特别是涉及一种基于SVM 算法的花椒产地和品种的近红外光谱识别领域。
背景技术
花椒是我国重要的经济作物之一,其总面积、总产量均居世界之首。现代天然产物化学和药理学研究表明花椒中的这些生物活性成分具有抗氧化、抗肿瘤、消炎及抑菌防腐的功能。由于地理环境、气候差异、土壤、品种等不同,造成花椒化学成分和含量有所差异。然而目前我国对于花椒的产地和品种的鉴别,仍缺乏相应的评价标准和技术规范,所以,检测花椒的产地和品种有重要的意义。
传统花椒产地和品种的检测方法,主要以人为的感官分析为主,然而依据外形颜色、味道的判定方法缺乏客观性及准确性,较依赖于专业人员的经验,很难做到标准化和规范化。此外,当前主要检测技术有气相-质谱联用法、高效液相色谱法和中红外光谱法等,根据花椒内在化学成分和含量的差异性建立鉴别花椒的产地和品种的模型。但这些方法都以实验室应用为主,并且气相-质谱联用法和高效液相色谱法的检测成本都比较昂贵,样品处理繁琐,对实验操作要求很高。因此研究开发出一种简单、快速、无损的花椒产地和品种鉴别检测方法,具有重要的现实意义。
与其他化学分析方法相比,近红外光谱技术具有成本低廉、快速准确、无需样品预处理、无损、不破坏样品、无污染等特点。但从现有的近红外光谱测量结果来看,由于花椒中多种成分吸收谱的相互叠加,单靠光谱图来进行鉴别几乎不可行,必须借助化学计量学及模式识别等方法来进行鉴别分析。
针对这一难题,本发明提出利用近红外光谱技术,对花椒进行无损检测, 结合支持向量机(support vector machine,SVM)算法,快速鉴别花椒产地和品种,为花椒产地溯源和质量安全提供技术支持。
发明内容
针对传统花椒产地和品种的检测不足,本发明提出了基于SVM算法的花椒近红外光谱的识别方法。该发明实现步骤如下:(1)收集不同产地和品种的人工栽培红花椒和青花椒,并聘请三位以上专业人员对各产地和品种花椒进行鉴定,并做相应的标记;(2)进行近红外光谱仪器的调试,选择合适的近红外光谱参数;(3)对收集的花椒样本进行近红外光谱扫描,分别构建花椒产地鉴别近红外光谱图谱库、花椒品种鉴别近红外光谱图谱库;(4)进行光谱预处理;(5)使用SVM化学计量学方法对样品近红外光谱数据进行分析,建立花椒产地和品种的定性鉴别模型;(6)使用该模型对样品进行预测。
附图说明
图1本发明所述方法的流程示意图。
图2用于产地和品种鉴别的 205 份花椒样品近红外光谱图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明的实现流程图,如图1所示,其具体步骤如下:
(1)研究对象的选取,收集不同产地和品种的人工栽培红花椒和青花椒,使用经典的Kennard-Stone法对样品建模集样品进行挑选。并聘请三位以上专业人员对每个产地和品种的花椒进行鉴定,并做相应的标记;
(2)根据研究对象选择附积分球及石英样品池作为样本容器,同时对近红外光谱仪器设备进行参数的设定;
(3)测出空积分球及石英样品池时近红外光谱仪器中采集背景信号,相同实验条件下,将花椒样本放入石英样品池中,采集样品信号,对采集的近红外光谱信号分别建立花椒产地鉴别近红外光谱图谱库、花椒品种鉴别近红外光谱图谱库;
(4)采用了“小波变换”、“一阶导数+Savitzky-Golay 平滑”、“二阶导数+SavitzkyGolay 平滑”、“均值中心化”、 “最大最小归一化”、“MSC”、 “SNV”预处理方法对近红外光谱数据进行预处理;
(5)在建模过程中使用粒子群算法(PSO)确立惩罚参数c和核函数参数g的最优参数组合,使分类模型获得较好分类准确率的同时获得最佳泛化性能;采用了支持向量机中最常用的径向基核函数(radial basis function, RBF)的方法分别建立了花椒产地和品种的近红外光谱鉴别模型;
(6)将步骤(4)中的光谱数据借助模式识别SVM算法建立分类模型,对花椒属性进行定性分析。将分类模型预测结果与实际样品属性进行对照,得出模型的正确率。
具体的,所述的步骤一中研究材料“花椒”,指人工栽培花椒品种果皮干制后的俗称。
具体的,所述的步骤一中花椒样品数量为205份,实验样品按照约4:1和5:1的比例,将不同产地和品种的花椒样本分为训练集和测试集两部分,训练集用于近红外分析模型的建立,测试集样本用于模型的验证。
具体的,所述步骤二中的近红外光谱数据采集使用德国布鲁克公司生产的 MPA型近红外光谱仪。
具体的,所述步骤三重的化学计量学软件为Unscrambler 10.4软件、OPUS 7.0软件和MATLAB。
具体实施例一:
(1)花椒样品的采集与分类
实验花椒样品共收集205份,对于产地鉴别,实验样品的基本信息为四川茂汶17份,四川汉源40份,陕西韩城49份,重庆江津16份,云南昭通20份,四川汉源20份,四川金阳24份,贵州关岭19份,用“1”~“8”分别对样品产地进行编号;而对于品种鉴别,实验样品的基本信息为大红袍89份、正路椒17份、藤椒20份、青花椒44份、九叶青花椒16份、顶坛花椒19份等6种,同样用“1”~“6”分别对样品的品种进行编号;
(2)仪器参数的设定
近红外光谱数据采集使用德国布鲁克公司生产的 MPA 型近红外光谱仪,光谱采集范围为 12500~3300 cm-1, PbS 检测器,附积分球及石英样品池。光谱采集条件设置合适的参数,即扫描分辨率8 cm-1,扫描次数32,光谱数据点数2307点,对花椒样品进行波数范围12500~3800 cm-1 的漫反射光扫描;
(3)近红外光谱的采集
光谱扫描前需将近红外光谱仪开机预热 30 min,以保证样品测定的稳定性。在测量过程中,保持室温条件 25℃, 依次从每个样品中称取 25 g 装入石英样品池中, 采用旋转扫描方式重复采集三次,取其平均光谱作为该样品的光谱,图2为205份花椒样品近红外光谱图,构建包含8个花椒产地鉴别近红外光谱图谱库和6个花椒品种鉴别近红外光谱图谱库;
(4)光谱预处理
原始的近红外光谱不仅包含了样品的特征信息,对于仪器、外界环境的影响等往往也包含了随机噪声,因此在建立近红外分析模型以前需要对光谱数据进行预处理。为消除光谱信号的基线漂移和随机噪声,提高模型的预测准确性和稳定性,采用了“小波变换”、“一阶导数+Savitzky-Golay 平滑”、“二阶导数+SavitzkyGolay 平滑”预处理方法; 为消除原始光谱数据中包含的冗余信息,突出样本光谱信号间的差异,简化所建立的近红外光谱模型并提高模型的预测能力和预测精度采用了“均值中心化”、 “最大最小归一化”预处理方法;为消除样本粒度分布不均匀引起的散射,采用了“MSC”、 “SNV”预处理方法进行光谱预处理;
(5)建立SVM分类预测模型
将光谱预处理后的近红外光谱数据作为SVM模型的输入值,建立花椒产地和品种的近红外光谱鉴别模型。对于SVM分类模型采用最广泛的RBF核,它可将一个样本映射到更高维的空间,需要确定的参数也较少。而对于RBF核函数中的两个参数,惩罚参数c和核函数参数g采用粒子群算法(PSO)遍历设定范围内惩罚参数c和核函数参数g的组合建立SVM分类模型,并以测试集样本计算模型的精度,最终选出最优的参数组合。通过不断的参数优化,花椒产地鉴别的PSO搜索参数具体设置如下:当种群最大数量为30, c1=1.5, c2=1.7,最大迭代代数2000时,RBF核函数参数(c, g)的最优组合为(4.4515,0.067303);而花椒品种鉴别的PSO搜索参数具体设置如下:当种群最大数量25, c1=1.4, c2=1.6,最大迭代代数2000时,RBF核函数参数(c, g)的最优组合为(2.7179,0.0165560)。分别在最优的参数组合下使用SVM算法建立花椒产地和品种的近红外光谱鉴别模型,模型的准确率均为100%。
具体操作如下:实验样品按照约4:1和5:1的比例,将不同产地和品种的花椒样本分为训练集和测试集两部分,训练集用于近红外分析模型的建立,测试集样本用于模型的验证。对于花椒产地的鉴别,训练集164个样本建立SVM模型,测试集41个样本用来验证该模型,而花椒品种的鉴别,则训练集172个,测试集33个,并对样本进行类别值赋值。应用SVM建立定性鉴别模型,首先需要解决的是选择核函数,对分类问题均采用径向基核函数,该方法可以将非线性样本数据映射到高维特征空间,也可以处理具有非线性样本关系的样本数据。采用PSO寻优算法,对径向基核函数参数惩罚参数c、核函数参数g进行优化,使得分类器能够精确地预测未知的测试集数据。
对于花椒产地与品种的鉴别,分别使用训练集164个和172个样本光谱数据,8个产地和6个品种赋予的类别值,利用PSO搜索出的最佳参数(c, g)对建立SVM模型,分别使用测试集41个和33个样本进行验证。SVM分类鉴别模型的预测结果如下:测试集8个产地的样本均可以100%被正确识别,测试集总体鉴别正确率100%,且测试集6个品种的样本均可以100%被正确识别,测试集总体鉴别正确率为100%。
综上所述,经过模型训练,参数寻优,在正确选择模型参数的前提下,SVM算法对花椒样本训练集、测试集的产地和品种分类准确率都能达到100%。最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于SVM算法的花椒产地和品种的近红外光谱识别方法,其特征在于:根据12500~3300 cm-1波长范围内样品近红外光谱,借助结合支持向量机(SVM)算法建立基于近红外光谱的花椒产地和品种的分类模型;然后,使用粒子群算法(PSO)确立惩罚参数c和核函数参数g的最优参数组合;经过粒子群算法可以得到最优的惩罚参数和核函数参数,建立最优分类模型,然后通过比较实际样品属性与分类模型预测的样品属性,得出在SVM算法下的分类模型预测准确率。
2.根据权利要求1所述基于SVM算法的花椒产地和品种的近红外光谱识别方法,其特征在于,算法内容包括以下步骤:
(1)初始化SVM算法参数,包括:惩罚参数c和核函数参数g;
(2)根据支持向量机(SVM)的数学模型,通过粒子群算法(PSO)确立惩罚参数c和核函数参数g最优参数组合,其中,采用了支持向量机中最常用的径向基核函数(radial basisfunction, RBF)的方法建立模型;
(3)利用支持向量机(SVM)算法建立的预测模型,导入训练集与预测集样本的数据,得出模型的预测准确率。
3.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型,其特征在于,利用支持向量机(SVM)算法建立模型。
4.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型,其特征在于,通过对原始花椒样品的近红外光谱曲线进行各种预处理,在效果最好的预处理下进行识别模型的建立。
5.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型,其特征在于,粒子群算法(PSO)确立惩罚参数c和核函数参数g最优参数组合,设计了基于SVM算法的花椒产地和品种的近红外光谱预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158130.0A CN109668859A (zh) | 2019-03-03 | 2019-03-03 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158130.0A CN109668859A (zh) | 2019-03-03 | 2019-03-03 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109668859A true CN109668859A (zh) | 2019-04-23 |
Family
ID=66151894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910158130.0A Pending CN109668859A (zh) | 2019-03-03 | 2019-03-03 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109668859A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398212A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种基于便携式近红外光谱仪的花椒检测模型建立方法 |
CN111398233A (zh) * | 2020-04-07 | 2020-07-10 | 安徽理工大学 | 一种红酒品质的激光光谱检测方法 |
CN111488851A (zh) * | 2020-04-17 | 2020-08-04 | 成都曙光光纤网络有限责任公司 | 一种水果产地的溯源检测方法、装置、设备及介质 |
CN111595802A (zh) * | 2020-04-30 | 2020-08-28 | 珠海大横琴科技发展有限公司 | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
CN112697888A (zh) * | 2019-10-22 | 2021-04-23 | 重庆德庄农产品开发有限公司 | 一种辣椒素含量的测定方法 |
CN113033066A (zh) * | 2021-04-07 | 2021-06-25 | 温州大学 | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 |
CN113191618A (zh) * | 2021-04-25 | 2021-07-30 | 南京财经大学 | 一种基于中红外光谱技术及特征提取的小米产地溯源方法 |
CN113313157A (zh) * | 2021-05-22 | 2021-08-27 | 福州大学 | 一种基于机器学习的藕粉产地判别方法 |
CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及*** |
CN114881113A (zh) * | 2022-04-01 | 2022-08-09 | 燕山大学 | 基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法 |
CN114994150A (zh) * | 2022-05-31 | 2022-09-02 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
CN115326739A (zh) * | 2022-07-25 | 2022-11-11 | 五邑大学 | 陈皮产地预测方法和装置、存储介质 |
CN114881113B (zh) * | 2022-04-01 | 2024-08-02 | 燕山大学 | 基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102393376A (zh) * | 2011-10-14 | 2012-03-28 | 上海海洋大学 | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 |
CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
KR20180122955A (ko) * | 2017-05-04 | 2018-11-14 | 비아비 솔루션즈 아이엔씨. | 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출 |
-
2019
- 2019-03-03 CN CN201910158130.0A patent/CN109668859A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
CN102393376A (zh) * | 2011-10-14 | 2012-03-28 | 上海海洋大学 | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 |
CN103235095A (zh) * | 2013-04-18 | 2013-08-07 | 北京工商大学 | 注水肉检测方法和装置 |
CN105866063A (zh) * | 2016-04-08 | 2016-08-17 | 北京工商大学 | 香肠品质等级检测方法 |
KR20180122955A (ko) * | 2017-05-04 | 2018-11-14 | 비아비 솔루션즈 아이엔씨. | 근적외선 분광법 및 머신 러닝 기술에 의한 제조 프로세스에서의 엔드포인트 검출 |
Non-Patent Citations (1)
Title |
---|
吴习宇: ""花椒产地、新陈度及掺伪的近红外光谱鉴别方法研究"", 《中国博士学位论文全文数据库》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112697888A (zh) * | 2019-10-22 | 2021-04-23 | 重庆德庄农产品开发有限公司 | 一种辣椒素含量的测定方法 |
CN111398233A (zh) * | 2020-04-07 | 2020-07-10 | 安徽理工大学 | 一种红酒品质的激光光谱检测方法 |
CN111398212A (zh) * | 2020-04-08 | 2020-07-10 | 四川虹微技术有限公司 | 一种基于便携式近红外光谱仪的花椒检测模型建立方法 |
CN111488851A (zh) * | 2020-04-17 | 2020-08-04 | 成都曙光光纤网络有限责任公司 | 一种水果产地的溯源检测方法、装置、设备及介质 |
CN111595802A (zh) * | 2020-04-30 | 2020-08-28 | 珠海大横琴科技发展有限公司 | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
CN113033066A (zh) * | 2021-04-07 | 2021-06-25 | 温州大学 | 一种羊栖菜产地、品系和养殖方式的近红外光谱识别鉴定模型的建立方法及鉴定方法 |
CN113191618A (zh) * | 2021-04-25 | 2021-07-30 | 南京财经大学 | 一种基于中红外光谱技术及特征提取的小米产地溯源方法 |
CN113313157A (zh) * | 2021-05-22 | 2021-08-27 | 福州大学 | 一种基于机器学习的藕粉产地判别方法 |
CN114720420A (zh) * | 2022-03-24 | 2022-07-08 | 中国中医科学院中药研究所 | 一种基于高光谱成像技术的花椒产地识别方法及*** |
CN114881113A (zh) * | 2022-04-01 | 2022-08-09 | 燕山大学 | 基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法 |
CN114881113B (zh) * | 2022-04-01 | 2024-08-02 | 燕山大学 | 基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法 |
CN114994150A (zh) * | 2022-05-31 | 2022-09-02 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
CN114994150B (zh) * | 2022-05-31 | 2023-10-27 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
CN115326739A (zh) * | 2022-07-25 | 2022-11-11 | 五邑大学 | 陈皮产地预测方法和装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109668859A (zh) | 基于svm算法的花椒产地和品种的近红外光谱识别方法 | |
Chen et al. | Discrimination of Ganoderma lucidum according to geographical origin with near infrared diffuse reflectance spectroscopy and pattern recognition techniques | |
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
CN109799207A (zh) | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
CN105044022B (zh) | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 | |
CN106770003A (zh) | 基于近红外光谱技术的木材识别方法及*** | |
CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
CN106198447A (zh) | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 | |
CN109738380A (zh) | 一种土壤盐渍化程度的高光谱遥感判断方法 | |
CN109142263A (zh) | 一种固体推进剂制备过程的组分分散均匀性在线测试方法 | |
CN107421912A (zh) | 一种基于近红外透射技术的液态乳制品质量检测的装置与方法 | |
CN106053383A (zh) | 一种烟草加工过程中的近红外在线检测方法 | |
CN106950186A (zh) | 基于光纤光谱的土鸡蛋或洋鸡蛋品种检测装置及其方法 | |
Chen et al. | Rapid identification of three varieties of Chrysanthemum with near infrared spectroscopy | |
CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
CN106872398A (zh) | 一种hmx***水分含量快速测量方法 | |
CN113092403B (zh) | 一种学生校服纺织品材料太赫兹光谱定性检测方法 | |
CN107703074A (zh) | 一种用于四元掺伪三七快速准确的定量分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190423 |