CN109975217A - 基于高光谱成像***的李子可溶性固形物含量值检测方法 - Google Patents

基于高光谱成像***的李子可溶性固形物含量值检测方法 Download PDF

Info

Publication number
CN109975217A
CN109975217A CN201910232861.5A CN201910232861A CN109975217A CN 109975217 A CN109975217 A CN 109975217A CN 201910232861 A CN201910232861 A CN 201910232861A CN 109975217 A CN109975217 A CN 109975217A
Authority
CN
China
Prior art keywords
plum
solid content
sample
soluble solid
content value
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
Application number
CN201910232861.5A
Other languages
English (en)
Inventor
孟庆龙
张艳
尚静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guiyang University
Original Assignee
Guiyang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guiyang University filed Critical Guiyang University
Priority to CN201910232861.5A priority Critical patent/CN109975217A/zh
Publication of CN109975217A publication Critical patent/CN109975217A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • G01N21/4133—Refractometers, e.g. differential

Landscapes

  • Physics & Mathematics (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)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及高光谱成像技术检测领域，具体是一种基于高光谱成像***的李子可溶性固形物含量值检测方法，该方法包括以下步骤：收集不同品种的新鲜李子样本，采用高光谱图像采集***获取所有样本的高光谱图像，并提取整个果实区域的平均反射光谱；利用ATAGO PAL‑α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值；利用SPXY算法按照校正集和预测集样本数3:1的比例划分所有李子样本，并应用竞争性自适应重加权算法选取特征波长；结合光谱预处理方法和化学计量学，建立李子可溶性固形物含量值的预测模型；本发明基于高光谱成像技术可快速、无损地检测李子可溶性固形物含量值。

Description

基于高光谱成像***的李子可溶性固形物含量值检测方法
技术领域
本发明涉及高光谱成像技术检测领域，具体是一种基于高光谱成像***的李子可溶性固形物含量值检测方法。
背景技术
李子果肉中含有丰富的营养成分，经常食用可起到非常好的养颜美容、润滑肌肤的作用，深受广大消费者的青睐。可溶性固形物含量值是评价果实成熟度的重要指标之一，由于李子属于典型的呼吸跃变型水果，采后果肉极易后熟软化，难以贮藏。通常采摘还未成熟的李子，以延长其贮藏期；但若采摘过早，李子过于生硬影响口感，若采摘过晚，李子过于柔软，容易腐烂难以贮藏。因此，确定合适的采摘成熟度是延长贮藏期并保证其品质的关键因素。目前对李子可溶性固形物含量值的测定需要对样品进行处理，不仅会破坏检测样品，而且难以实现快速、大样本量的无损检测。
高光谱成像技术集图像信息与光谱信息于一身，在获得样本图像的同时，还为图像上每个像素点提供其波长点的光谱信息，实现了“图谱合一”，基于高光谱成像技术的无损检测是近年来新兴的无损检测技术。然而，高光谱数据量冗余，难以实现工业化检测。因此，在实现对李子可溶性固形物含量值无损检测的同时，需要采用特征变量提取方法对高光谱数据进行降维，进而实现李子可溶性固形物含量值的快速、无损检测。
发明内容
针对上述现有技术中的不足之处，本发明旨在提供一种基于高光谱成像***的李子可溶性固形物含量值检测方法。
为解决上述技术问题，本发明的技术方案为：一种基于高光谱成像***的李子可溶性固形物含量值检测方法，该方法包括以下步骤：选取不同品种的新鲜李子样本，采用高光谱图像采集***获取所有样本的高光谱图像，并提取整个果实区域的平均反射光谱；利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值；利用SPXY算法按照校正集和预测集样本数3:1的比例划分所有李子样本，并应用竞争性自适应重加权算法选取特征波长；结合光谱预处理方法和化学计量学，建立李子可溶性固形物含量值的预测模型。
具体步骤为：
①选取大小均匀、无任何损伤的“红”李子、“青”李子样本，将所有样本依次编号后放在室温（22+2）℃下储藏，每隔1天取样一次，利用高光谱图像采集***获取李子样本的高光谱图像，其中CCD相机的曝光时间是12.6ms，镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s，光谱范围为集392.53~1027.62nm，在此范围内共256个波段；
②对采集到的李子高光谱图像进行黑白校正，即在与样本采集相同的***条件下，首先扫描标准白色校正板，得到全白的标定图像W；然后，盖上相机的镜头盖进行图像采集得到全黑的标定图像；最后，按照下面校正公式（1）完成图像标定，采集得到的原始图像I变成校正图像R；
（1）
式中，I—采集的高光谱图像，R—校正后的高光谱图像；
③进一步在ENVI 5.4（Research System，INc.，USA）图像处理软件中提取整个果实区域的平均光谱反射率，在MATLAB R2016b软件中采用标准正态变换对提取的原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响，经标准正态变换处理后的光谱曲线；
④将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值，每个样本分别测量3次求平均值，建立李子可溶性固形物含量值数据库；结合预处理后的光谱数据（步骤①所得）和实际测得的可溶性固形物含量值，进一步利用SPXY算法将李子按照3:1的比例划分为校正集和预测集；
④应用竞争性自适应重加权算法选取特征波长，共选取了26个波长作为特征波长，分别为：420.48，427.49，811.41，816.51，821.62，854.95，860.09，862.67，865.25，870.41，878.15，893.68，896.27，898.87，901.46，904.06，906.66，911.86，964.16，966.79，985.22，995.79，1001.08，1006.38，1011.68，1016.99nm；
⑤将步骤④中经竞争性自适应重加权算法选取的26个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.986，均方根误差RMSEC为0.241，预测集中李子样本预测值与实际的决定系数RP为0.965，均方根误差RMSEP为0.556，进行预测值与真实值的比较；
⑥利用高光谱图像采集***扫描待检李子样本，并提取样本整个果实区域的平均光谱反射率，对所得原始光谱数据进行标准正态变换（SNV）后，再将26个特征波长对应的光谱反射率输入李子可溶性固形物含量值预测模型中，计算得到测定待检李子样本的可溶性固形物含量值。
所述的新鲜李子要求大小均匀，无任何损伤的新鲜李子。
所述高光谱成像采集***，包括暗箱，所述暗箱中设置有电动平移台，所述暗箱上设置有相机，所述相机下端连接设置有成像光谱仪，所述成像光谱仪下端连接设置有镜头，所述镜头正对所述电移动平台，所述暗箱的两侧均设置有漫反射光源，所述漫反射光源斜照于所述电动平移台上，所述电动平移台及相机均与一计算机信号连接，所述电动平移台用于放置待测李子样品，计算机用于控制整个***工作。
所述相机的CCD相机，像素为1392×1040。
所述镜头的焦距为23 mm。
所述电移动平台为精密防尘型电动平移台。
本发明利用高光谱成像技术检测李子可溶性固形物含量值不但能实现快速无损检测，而且检测效果很好。
附图说明
图1为本发明高光谱图像采集***的结构示意图；
图2为本发明提供的经标准正态变换（SNV）处理后的光谱曲线图；
图3为本发明提供的应用竞争性自适应重加权算法（CARS）对全光谱特征波长选取结果；
图4为本发明提供的李子可溶性固形物含量值预测值与真实值的比较示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例
本实施例中在当地沃尔玛超市选取一批大小均匀无任何损伤的“红”李子60个、“青”李子60个，共120个李子样本；将所有样本依次编号后放在室温（22+2）℃下储藏，每隔1天取样一次，每次取样30个，利用高光谱图像采集***获取李子样本的高光谱图像，高光谱图像采集***如图1所示；包括暗箱6，所述暗箱6中设置有电动平移台5，所述暗箱6上设置有相机1，所述相机1下端连接设置有成像光谱仪2，所述成像光谱仪2下端连接设置有镜头3，所述镜头3正对所述电移动平台5，所述暗箱6的两侧均设置有漫反射光源4，所述漫反射光源4斜照于所述电动平移台5上，所述电动平移台5及相机1均与一计算机7信号连接，所述电动平移台5用于放置待测李子样品，计算机7用于控制整个***工作。所述相机1的CCD相机，像素为1392×1040。所述镜头3的焦距为23 mm。所述电移动平台5为精密防尘型电动平移台。其中CCD相机的曝光时间是12.6ms，镜头与样本距离为40cm，电动平移台5的移动速度是1.35cm/s；
图像采集过程由Spectral SENS（Spectral Imaging Ltd.，Finland）软件控制，光谱范围为集392.53~1027.62nm，在此范围内共256个波段；
对采集到的李子高光谱图像进行黑白校正，即在与样本采集相同的***条件下，首先扫描标准白色校正板，得到全白的标定图像W；然后，盖上相机的镜头盖进行图像采集得到全黑的标定图像；最后，按照下面校正公式（1）完成图像标定，采集得到的原始图像I变成校正图像R；
（1）
进一步在ENVI 5.4（Research System，INc.，USA）图像处理软件中提取整个果实区域的平均光谱反射率，在MATLAB R2016b软件中采用标准正态变换（standard normalvariate，SNV）对提取的原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响，经标准正态变换（SNV）处理后的光谱曲线如图2所示；
将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值（糖度值），每个样本分别测量3次求平均值，建立李子可溶性固形物含量值数据库；结合预处理后的光谱数据（前述所得）和实际测得的可溶性固形物含量值，进一步利用SPXY（sample set partitioning based on joint x-y distances）算法将120个李子按照3:1的比例划分为校正集（90个样本）和预测集（30个样本）；
应用竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）选取特征波长，共选取了26个波长作为特征波长，分别为：420.48，427.49，811.41，816.51，821.62，854.95，860.09，862.67，865.25，870.41，878.15，893.68，896.27，898.87，901.46，904.06，906.66，911.86，964.16，966.79，985.22，995.79，1001.08，1006.38，1011.68，1016.99nm；应用竞争性自适应重加权算法（CARS）对全光谱特征波长选取结果如图3所示；
将前述中经CARS选取的26个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.986，均方根误差RMSEC为0.241，预测集中李子样本预测值与实际的决定系数RP为0.965，均方根误差RMSEP为0.556，其预测值与真实值的比较示意图如图4所示；
利用高光谱图像采集***扫描待检李子样本，并提取样本整个果实区域的平均光谱反射率，对所得原始光谱数据进行标准正态变换（SNV）后，再将26个特征波长对应的光谱反射率输入李子可溶性固形物含量值预测模型中，计算得到测定待检李子样本的可溶性固形物含量值。
由以上实施例可以看出，本发明利用高光谱成像技术检测李子可溶性固形物含量值不但能实现快速无损检测，而且检测效果很好。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

Claims (7)

1.一种基于高光谱成像***的李子可溶性固形物含量值检测方法，其特征在于，该方法包括以下步骤：选取不同品种的新鲜李子样本，采用高光谱图像采集***获取所有样本的高光谱图像，并提取整个果实区域的平均反射光谱；利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值；利用SPXY算法按照校正集和预测集样本数3:1的比例划分所有李子样本，并应用竞争性自适应重加权算法选取特征波长；结合光谱预处理方法和化学计量学，建立李子可溶性固形物含量值的预测模型。
2.根据权利要求1所述的基于高光谱成像***的李子可溶性固形物含量值检测方法，其特征在于，具体步骤为：
①选取大小均匀、无任何损伤的“红”李子、“青”李子样本，将所有样本依次编号后放在室温（22+2）℃下储藏，每隔1天取样一次，利用高光谱图像采集***获取李子样本的高光谱图像，其中CCD相机的曝光时间是12.6ms，镜头与样本距离为40cm，电动平移台的移动速度是1.35cm/s，光谱范围为集392.53~1027.62nm，在此范围内共256个波段；
②对采集到的李子高光谱图像进行黑白校正，即在与样本采集相同的***条件下，首先扫描标准白色校正板，得到全白的标定图像W；然后，盖上相机的镜头盖进行图像采集得到全黑的标定图像；最后，按照下面校正公式（1）完成图像标定，采集得到的原始图像I变成校正图像R；
（1）
式中，I—采集的高光谱图像，R—校正后的高光谱图像；
③进一步在ENVI 5.4（Research System，INc.，USA）图像处理软件中提取整个果实区域的平均光谱反射率，在MATLAB R2016b软件中采用标准正态变换对提取的原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响；
④将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值，每个样本分别测量3次求平均值，建立李子可溶性固形物含量值数据库；结合预处理后的光谱数据和实际测得的可溶性固形物含量值，进一步利用SPXY算法将李子按照3:1的比例划分为校正集和预测集；
④应用竞争性自适应重加权算法选取特征波长，共选取了26个波长作为特征波长，分别为：420.48，427.49，811.41，816.51，821.62，854.95，860.09，862.67，865.25，870.41，878.15，893.68，896.27，898.87，901.46，904.06，906.66，911.86，964.16，966.79，985.22，995.79，1001.08，1006.38，1011.68，1016.99nm；
⑤将步骤④中经竞争性自适应重加权算法选取的26个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.986，均方根误差RMSEC为0.241，预测集中李子样本预测值与实际的决定系数RP为0.965，均方根误差RMSEP为0.556，进行预测值与真实值的比较；
⑥利用高光谱图像采集***扫描待检李子样本，并提取样本整个果实区域的平均光谱反射率，对所得原始光谱数据进行标准正态变换（SNV）后，再将26个特征波长对应的光谱反射率输入李子可溶性固形物含量值预测模型中，计算得到测定待检李子样本的可溶性固形物含量值。
3.根据权利要求1或2所述的基于高光谱成像***的李子可溶性固形物含量值检测方法，其特征在于：所述的新鲜李子要求大小均匀，无任何损伤的新鲜李子。
4.根据权利要求1或2所述的基于高光谱成像***的李子可溶性固形物含量值检测方法，其特征在于：所述高光谱成像采集***，包括暗箱，所述暗箱中设置有电动平移台，所述暗箱上设置有相机，所述相机下端连接设置有成像光谱仪，所述成像光谱仪下端连接设置有镜头，所述镜头正对所述电移动平台，所述暗箱的两侧均设置有漫反射光源，所述漫反射光源斜照于所述电动平移台上，所述电动平移台及相机均与一计算机连接，所述电动平移台用于放置待测李子样品，计算机用于控制整个***工作。
5.根据权利要求4所述的高光谱成像采集***，其特征在于：所述相机的CCD相机，像素为1392×1040。
6.根据权利要求4所述的高光谱成像采集***，其特征在于：所述镜头的焦距为23 mm。
7.根据权利要求4所述的高光谱成像采集***，其特征在于：所述电移动平台为精密防尘型电动平移台。
CN201910232861.5A 2019-03-26 2019-03-26 基于高光谱成像***的李子可溶性固形物含量值检测方法 Pending CN109975217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910232861.5A CN109975217A (zh) 2019-03-26 2019-03-26 基于高光谱成像***的李子可溶性固形物含量值检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910232861.5A CN109975217A (zh) 2019-03-26 2019-03-26 基于高光谱成像***的李子可溶性固形物含量值检测方法

Publications (1)

Publication Number Publication Date
CN109975217A true CN109975217A (zh) 2019-07-05

Family

ID=67080717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910232861.5A Pending CN109975217A (zh) 2019-03-26 2019-03-26 基于高光谱成像***的李子可溶性固形物含量值检测方法

Country Status (1)

Country Link
CN (1) CN109975217A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110320165A (zh) * 2019-08-08 2019-10-11 华南农业大学 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法
CN110376154A (zh) * 2019-07-19 2019-10-25 北京农业智能装备技术研究中心 基于光谱校正的水果在线检测方法及***
CN110455722A (zh) * 2019-08-20 2019-11-15 中国热带农业科学院橡胶研究所 橡胶树叶片磷含量高光谱反演方法和***
CN110553983A (zh) * 2019-09-05 2019-12-10 东北农业大学 一种牛奶中山梨酸钾的快速检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010081116A2 (en) * 2009-01-10 2010-07-15 Goldfinch Solutions, Llc System and method for analyzing properties of meat using multispectral imaging
CN106290224A (zh) * 2016-07-29 2017-01-04 北京工商大学 腊肉品质的检测方法
CN107300536A (zh) * 2017-08-25 2017-10-27 天津商业大学 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法
WO2018054091A1 (zh) * 2016-09-23 2018-03-29 广州道地南药技术研究有限公司 化橘红成分鉴定方法
CN109324000A (zh) * 2018-11-08 2019-02-12 江南大学 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN109342331A (zh) * 2018-11-05 2019-02-15 贵阳学院 基于可见/近红外光谱技术的李子硬度无损检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010081116A2 (en) * 2009-01-10 2010-07-15 Goldfinch Solutions, Llc System and method for analyzing properties of meat using multispectral imaging
CN106290224A (zh) * 2016-07-29 2017-01-04 北京工商大学 腊肉品质的检测方法
WO2018054091A1 (zh) * 2016-09-23 2018-03-29 广州道地南药技术研究有限公司 化橘红成分鉴定方法
CN107300536A (zh) * 2017-08-25 2017-10-27 天津商业大学 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法
CN109342331A (zh) * 2018-11-05 2019-02-15 贵阳学院 基于可见/近红外光谱技术的李子硬度无损检测方法
CN109324000A (zh) * 2018-11-08 2019-02-12 江南大学 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙静涛等: "高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究", 光谱学与光谱分析, vol. 37, no. 07, pages 2184 - 2191 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110376154A (zh) * 2019-07-19 2019-10-25 北京农业智能装备技术研究中心 基于光谱校正的水果在线检测方法及***
CN110320165A (zh) * 2019-08-08 2019-10-11 华南农业大学 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法
CN110455722A (zh) * 2019-08-20 2019-11-15 中国热带农业科学院橡胶研究所 橡胶树叶片磷含量高光谱反演方法和***
CN110553983A (zh) * 2019-09-05 2019-12-10 东北农业大学 一种牛奶中山梨酸钾的快速检测方法
CN110553983B (zh) * 2019-09-05 2022-03-04 东北农业大学 一种牛奶中山梨酸钾的快速检测方法

Similar Documents

Publication Publication Date Title
CN109975217A (zh) 基于高光谱成像***的李子可溶性固形物含量值检测方法
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
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
CN107271375A (zh) 一种羊肉品质指标的高光谱图像检测方法
Cavaco et al. Validation of short wave near infrared calibration models for the quality and ripening of ‘Newhall’orange on tree across years and orchards
CN109324000A (zh) 基于cars-miv-svr的库尔勒香梨可溶性固体含量预测方法
CN104833638B (zh) 基于连续波的双层瓜果组织光学特性无损检测方法与装置
CN109342331A (zh) 基于可见/近红外光谱技术的李子硬度无损检测方法
CN100357725C (zh) 近红外技术快速检测牛肉嫩度的方法和装置
CN103472031A (zh) 一种基于高光谱成像技术的脐橙糖度检测方法
Yuan et al. Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach
CN113466143B (zh) 土壤养分反演方法、装置、设备及介质
CN104677853B (zh) 一种基于近红外高光谱的壁画起甲病害评估方法
CN101696935A (zh) 基于高光谱空间散射曲线的苹果硬度无损检测方法
Li et al. Seasonal change of leaf and woody area profiles in a midlatitude deciduous forest canopy from classified dual-wavelength terrestrial lidar point clouds
CN113570538B (zh) 一种叶片rgb图像偏态分布参数信息采集及分析方法
CN109946246A (zh) 一种苹果可溶性固形物的检测方法及装置
Lu et al. Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy
Zarco-Tejada et al. Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring: Application to hyperspectral CASI data
Hu et al. Modelling postharvest quality of blueberry affected by biological variability using image and spectral data
CN116310788A (zh) 基于图谱融合的植株叶片氮含量高光谱建模方法
CN112964719B (zh) 一种基于高光谱的食品果糖检测方法及装置
CN105115909B (zh) 基于高光谱成像技术检测花生中脂肪含量分布的方法
Hao et al. DoLP and AoP Synthesis from division of focal plane polarimeters using CycleGAN

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