CN110118749A - 一种基于近红外光谱的果蔬农药残留检测方法 - Google Patents
一种基于近红外光谱的果蔬农药残留检测方法 Download PDFInfo
- Publication number
- CN110118749A CN110118749A CN201910489225.0A CN201910489225A CN110118749A CN 110118749 A CN110118749 A CN 110118749A CN 201910489225 A CN201910489225 A CN 201910489225A CN 110118749 A CN110118749 A CN 110118749A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- data
- pesticide residue
- classification
- 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.)
- Granted
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 65
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 230000007704 transition Effects 0.000 claims abstract description 21
- 238000013480 data collection Methods 0.000 claims abstract description 16
- 239000000575 pesticide Substances 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 15
- 235000012055 fruits and vegetables Nutrition 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 9
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 4
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 4
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 230000000052 comparative effect Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 5
- 240000008100 Brassica rapa Species 0.000 description 4
- 235000011292 Brassica rapa Nutrition 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- MCWXGJITAZMZEV-UHFFFAOYSA-N dimethoate Chemical compound CNC(=O)CSP(=S)(OC)OC MCWXGJITAZMZEV-UHFFFAOYSA-N 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000005947 Dimethoate Substances 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 239000004495 emulsifiable concentrate Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
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
本发明公开了一种基于近红外光谱的果蔬农药残留检测方法,包括:构建训练样本数据集,通过训练样本数据集获得降维转换矩阵和分类模型;获取测试样本数据集,使用降维转换矩阵将测试样本数据从高维转换至低维,然后再代入分类模型中进行农药残留判断。本发明可用于实现基于近红外光谱的农药残留快速、无损检测,具有广阔的应用潜力。
Description
技术领域
本发明属于食品安全检测技术领域,具体涉及一种基于近红外光谱的果蔬农药残留检测方法。
背景技术
我国果蔬资源丰富,每年产生巨大的经济效益和社会效益,但果蔬的农药残留超标问题是当前农业发展中的重大问题之一,它直接关系人类健康的安全、果蔬市场的安全和农业可持续发展的安全,影响到农业增效、农民增收和农产品市场竞争力的提高。为此,许多研究机构和高等院校对果蔬农药残留的检测开展了大量的研究工作,并取得了一系列的重要成果。其中,气相色谱-质谱、高效液相色谱等方法准确性虽好,但这些方法偏重抽样、有损检测、且存在需要大型仪器与专业人员、试剂消耗量大、样品前处理复杂以及检查速度慢、损坏检测样品等缺点,不适合国际贸易的快速、无损的要求,与国际接轨能力有限。
近红外光谱是近十年发展起来的光谱技术,其吸收谱峰能反映残留农药的有机物的化学组分,且光的穿透性强。当果蔬上残留有农药,其对应的近红外光谱中则存在农药化学组分谱峰信息,与未残留农药的近红外光谱存在区别,因而近红外光谱形成了农药残留与未残留两个类别的数据,待检测的样品无需前处理,可实现快速、无损检测。但是,其具有如下两个较为突出的问题:
(1)、近红外光谱作为农药残留类与未残留类分类判别的样本数据,具有维度高的特点,高维度的特点使得大量冗余、不相关信息以及噪声难以避免,在分类时易引发的“维度灾难”;由于未残留农药的果蔬和农药残留农药的果蔬的近红外光谱的谱峰特征呈非线性关系,使得采集到的近红外光谱数据样本在特征空间中分布成极度线性不可分,即针对此特点的数据无法获得有效的分类模型实现基于近红外光谱的果蔬农药残留的无损快速检测;
(2)、一般富集在果蔬表面的农药残留浓度不高,测量所得的谱峰信号相对较弱、谱峰的重叠的程度也比较高,且近红外光谱数据维度也比较高,导致对近红外数据利用分类方法分类实现农药残留定性判断中,分类精度不高。
上述问题限制了近红外光谱在农药残留检测中的研究与应用。
发明内容
本发明的目的是提供一种基于近红外光谱的果蔬农药残留检测方法,以解决上述问题。
本发明提供了如下的技术方案:一种基于近红外光谱的果蔬农药残留检测方法,包括以下步骤:
步骤(1)、采集训练样本的近红外光谱数据,构建训练样本数据集;
步骤(2)、将训练样本数据集进行一阶导数处理后由高维空间转换到低维空间,提取训练样本数据集的特征,获得降维转换矩阵;
步骤(3)、根据改进的非线性支持向量机分类器对步骤(2)中转换到低维空间的训练样本数据进行分类,构建分类模型;
步骤(4)、采集待检测果蔬的近红外光谱数据作为测试样本,构建测试样本数据集;
步骤(5)、将测试样本数据进行一阶导数处理,根据降维转换矩阵将处理后的测试样本数据由高维空间转换到低维空间;
步骤(6)、将步骤(5)得到的测试样本数据代入步骤(3)的分类模型中,判断出测试样本中的农药残留类别和农药未残留类别,完成检测。
作为上述技术方案的进一步描述:
所述步骤(2)中降维转换矩阵的获取方法为:
其中,
x表示一个样本的近红外光谱数据,x∈Rp×1,p表示近红外光谱数据的维数;
y为对应样本数据x的标定数据,且y=±1,分别表示农药残留类别与农药未残留类别的标注;
V表示所述降维转换矩阵;
Kψ(x,y)表示经过ψ(x,y)处理后数据的核矩阵。
作为上述技术方案的进一步描述:
所述Kψ(x,y)为:
其中,xi表示第i个样本的近红外光谱数据,所有训练集数据表示为n为样本数量,yi为对应样本数据xi的标数定据,且yi=±1,分别表示农药残留类别与农药未残留类别的标定。
作为上述技术方案的进一步描述:
所述为约束函数,为常数且φ(xi)表示核函数,φ(xi)=exp(-||xi||2/2σ2),参数σ为经验常数。
作为上述技术方案的进一步描述:
所述改进的非线性支持向量机分类器的公式为:
其中,
γ为正则化参数且γ>0;
w为将高维的近红外光谱数据映射到低维特征空间的转换矩阵,上标“T”表示矩阵的转矩;
ei为近红外光谱数据映射到低维特征空间的系数;
为核函数,具体表现为k(x1,x2)=exp(-||x1-x2||/c)。
本发明的有益效果:可用于实现基于近红外光谱的农药残留快速、无损检测,具有广阔的应用潜力,具体如下:
(1)、构建训练样本数据集,通过训练样本数据集获得降维转换矩阵和分类模型,然后获取测试样本数据集,测试样本数据集即为待检测分类的果蔬的近红外光谱数据的集合,使用降维转换矩阵将测试样本数据从高维转换至低维,然后再代入分类模型中进行农药残留判断;
(2)、本发明构建了高维近红外光谱数据的分类特征提取方法,使得高维的近红外光谱数据映射到低维特征空间,且使对应的农药残留类别与农药未残留类别样本在此低维特征空间分布的可分性增强,使其之后的分类模型分类时的准确性提高;
(3)、本发明提出在支持向量机分类方法的基础上采用拉普拉斯函数作为支持向量机的核函数,提高所得分类模型的预测精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为实施例2中农药残留与农药未残留上海青表明的近红外光谱图谱;
图2为实施例2中残留与未残留两类近红外光谱数据经过本发明提出方法处理后在低维特征空间的特征1和特征2的平面中分布图;
图3为实施例2残留与未残留两类近红外光谱数据经过本发明提出方法处理后在低维特征空间的特征3和特征4的平面中分布图;
图4为对比例1中残留与未残留两类近红外光谱数据经过主成分分析(PCA)降维方法处理后在低维特征空间的特征1和特征2的平面中分布图;
图5为对比例1中残留与未残留两类近红外光谱数据经过主成分分析(PCA)降维方法处理后在低维特征空间的特征3和特征4的平面中分布图;
图6为对比例2中残留与未残留两类近红外光谱数据经过核函数主成分分析(KPCA)降维方法处理后在低维特征空间的特征1和特征2的平面中分布图;
图7为对比例2中残留与未残留两类近红外光谱数据经过核函数主成分分析(KPCA)降维方法处理后在低维特征空间的特征3和特征4的平面中分布图;
特征1、特征2、特征3和特征4为通过对应的降维转换矩阵将高维数据降到低维空间的特征向量。
具体实施方式
现结合说明书附图,详细说明本发明的结构特点。
实施例1
本实施例中提供一种基于近红外光谱的果蔬农药残留检测方法,包括以下步骤:
步骤(1)、构建训练样本数据集
准备若干个残留有农药和未残留有农药的果蔬作为训练样本,采集训练样本的近红外光谱:利用近红外光谱仪,设置扫描参数,获得的近红外光谱数据为训练样本数据集,训练样本数据集包括农药残留类别和农药未残留类别两类;
步骤(2)、训练样本数据集的预处理
对训练样本的各个近红外光谱数据做一阶导数处理;
步骤(3)、训练样本数据的空间转换
将步骤(2)预处理得到的训练样本数据由高维空间转换到低维空间,实现特征提取,使得低维空间映射后的训练样本数据中农药残留样本与农药未残留样本在所得低维特征空间上呈比较可分的分布;将训练样本数据由高维空间转换到低维空间的转换方法为:
在式(1)和式(2)中,
x表示一个样本的近红外光谱数据,x∈Rp×1,p表示近红外光谱数据的维数;
y为对应样本数据x的标定数据,且y=±1,分别表示农药残留类别与农药未残留类别的标注;
V表示由对应数据的特征向量组成的降维转换矩阵,即将高维的近红外光谱数据映射到低维特征空间的降维转换矩阵;
Kψ(x,y)表示经过ψ(x,y)处理后数据的核矩阵,具体如下:
在式(3)中,
xi表示第i个样本的近红外光谱数据,所有训练集数据表示为n为样本数量,yi为对应样本数据xi的标数定据,且yi=±1,分别表示农药残留类别与农药未残留类别的标定;
约束函数 为常数且φ(xi)表示核函数,φ(xi)=exp(-||xi||2/2σ2),参数σ为经验常数。
步骤(4)、构建分类模型
在步骤(3)所得映射结果的基础上,利用改进的非线性支持向量机分类器对训练样本数据进行分类,构建一个分类模型(分类模型是描述类之间的分界超平面的描述,是通过训练数据对分类器训练所得),分类模型可以将测试数据中的果蔬农药残留类别和农药未残留类别加以区分,即用于检测果蔬农药残留;
前述改进的非线性支持向量机分类器的公式为:
在式(4)中,
γ为正则化参数且γ>0;
w为将高维的近红外光谱数据映射到低维特征空间的降维转换矩阵,上标“T”表示矩阵的转矩;
ei为近红外光谱数据映射到低维特征空间的系数;
为核函数,运用核函数将原始数据映射到核空间中得到核矩阵,核函数具体如下:
在式(5)中,c表示常数。
步骤(5)、构建测试样本数据集
准备若干个待检测分类的果蔬作为测试样本,采集测试样本的近红外光谱:利用近红外光谱仪,设置扫描参数,获得的近红外光谱数据为测试样本数据集;然后对测试样本数据集的各个近红外光谱数据做一阶导数处理;
步骤(6)、测试样本数据的空间转换
利用步骤(4)中所得的降维转换矩阵V以及步骤(5)所得测试样本数据集,将测试样本数据映射到低维特征空间;
步骤(7)、农药残留检测
将步骤(6)得到的数据代入步骤(5)的分类模型中,判断出测试样本中的农药残留类别和农药未残留类别,检测完成。
本实施例中的基于近红外光谱的果蔬农药残留检测方法,首先,采集并构建训练样本数据集,训练样本数据进行预处理;其次,采用分类特征提取方法将预处理后的训练样本数据映射到低维特征空间,使对应的农药残留类别与农药未残留类别样本在此低维特征空间分布的可分性增强,此时,通过训练样本数据集得到降维转换矩阵V;再其次,根据映射到低维特征空间的训练样本数据构建分类模型;最后,采集的待分类的果蔬的近红外光谱数据,作为测试样本,采用降维转换矩阵将测试样本降维后代入前述构建的分类模型中,从而判断出测试样本中的农药残留类别和农药未残留类别。
本实施例中构建了高维近红外光谱数据的分类特征提取方法,使得高维的近红外光谱数据映射到低维特征空间,且使对应的农药残留类别与农药未残留类别样本在此低维特征空间分布的可分性增强,使其之后的分类模型分类时的准确性提高;本实施例提出在支持向量机分类方法的基础上采用拉普拉斯函数作为支持向量机的核函数,提高了所得分类模型的预测精度。
实施例2
在实施例1的基础上,本实施例2的不同之处在于:
(1)、本实施例的步骤(1)构建训练样本数据集的方法具体如下:
步骤(a)、准备采集设备:采用德国布鲁克EQUINOX55傅立叶变换型光谱仪作为本实施例的近红外光谱采集设备;光谱仪参数设置:平均采样次数30次,显示波段900~1700nm,测量间隔1nm。光谱采集环境:装有空调的恒温环境(23℃)内。
步骤(b)、采集的样品:将喷洒有乐果(农药,C5H12NO3PS2)的上海青作为本实施例的样品,样品准备具体为:使用小苏打和食盐分别浸泡上海青,再用自来冲洗干净晾干;农药为河南省周口市德贝尔生物化学品工程有限公司生产的40%乐果乳油,采用蒸馏水从50倍稀释到1500倍,然后喷洒在晾干的上海青上;
步骤(c)、使用(a)的步骤近红外光谱采集设备分别采集步骤(b)得到的残留农药样本146个以及未残留农药的样本25个,得到如图1所示所有样本的近红外光谱,作为训练样本数据集;
(2)、本实施例的步骤(5)构建测试样本数据集的方法具体如下:重复步骤(1)中的方法,再另外采集残留农药样本145个以及未残留农药样本25个的近红外光谱,作为测试样本数据集。
对比例1
在实施例2的基础上,本对比例1的不同之处在于:
(1)、步骤(3)中的特征提取方法采用主成分分析法(PCA);
(2)、步骤(4)中采用基于迳向基函数的支持向量机方法对测试样本数据进行分类。
经过检测和结果分析,得到分类错误率数据如下表1:
表1分类错误率(%)
由上述表1并结合图2、3、4和5可知,与对比例1相比,本发明提出的检测方法处理后两类样本的可分性增强,对比低维特征空间的农药残留类别与未残留类别的样本分布,对比例1的分类能力(即定性检测农药残留的能力)则略有不足,参见表1,其中测试数据集的分类的准确性反应了本发明方法对未来样本数据预测能力,也是反应方法可用性的重要指标。
对比例2
在实施例2的基础上,本对比例2的不同之处在于:
(1)、步骤(3)中的特征提取方法采用核函数主成分分析法(KPCA);
(2)、步骤(4)中采用基于迳向基函数的支持向量机方法对测试样本数据进行分类。
经过检测和结果分析,得到分类错误率数据如下表2:
表2分类错误率(%)
由上述表2并结合图2、3、6和7可知,与对比例2相比,本发明提出的检测方法处理后两类样本的可分性增强,对比低维特征空间的农药残留类别与未残留类别的样本分布,对比例2的分类能力(即定性检测农药残留的能力)则略有不足。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于近红外光谱的果蔬农药残留检测方法,其特征在于,包括以下步骤:
步骤(1)、采集训练样本的近红外光谱数据,构建训练样本数据集;
步骤(2)、将训练样本数据集进行一阶导数处理后由高维空间转换到低维空间,提取训练样本数据集的特征,获得降维转换矩阵;
步骤(3)、根据改进的非线性支持向量机分类器对步骤(2)中转换到低维空间的训练样本数据进行分类,构建分类模型;
步骤(4)、采集待检测果蔬的近红外光谱数据作为测试样本,构建测试样本数据集;
步骤(5)、将测试样本数据进行一阶导数处理,根据降维转换矩阵将处理后的测试样本数据由高维空间转换到低维空间;
步骤(6)、将步骤(5)得到的测试样本数据代入步骤(3)的分类模型中,判断出测试样本中的农药残留类别和农药未残留类别,完成检测。
2.根据权利要求1所述的基于近红外光谱的果蔬农药残留检测方法,其特征在于:所述步骤(2)中降维转换矩阵的获取方法为:
其中,
x表示一个样本的近红外光谱数据,x∈Rp×1,p表示近红外光谱数据的维数;
y为对应样本数据x的标定数据,且y=±1,分别表示农药残留类别与农药未残留类别的标注;
V表示所述降维转换矩阵;
Kψ(x,y)表示经过ψ(x,y)处理后数据的核矩阵。
3.根据权利要求2所述的基于近红外光谱的果蔬农药残留检测方法,其特征在于:所述Kψ(x,y)为:
其中,
xi表示第i个样本的近红外光谱数据,所有训练集数据表示为n为样本数量,yi为对应样本数据xi的标数定据,且yi=±1,分别表示农药残留类别与农药未残留类别的标定。
4.根据权利要求3所述的基于近红外光谱的果蔬农药残留检测方法,其特征在于:所述为约束函数,为常数且φ(xi)表示核函数,φ(xi)=exp(-||xi||2/2σ2),参数σ为经验常数。
5.根据权利要求1所述的基于近红外光谱的果蔬农药残留检测方法,其特征在于:所述改进的非线性支持向量机分类器的公式为:
其中,
γ为正则化参数且γ>0;
w为将高维的近红外光谱数据映射到低维特征空间的转换矩阵,上标“T”表示矩阵的转矩;
ei为近红外光谱数据映射到低维特征空间的系数;
为核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489225.0A CN110118749B (zh) | 2019-06-06 | 2019-06-06 | 一种基于近红外光谱的果蔬农药残留检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489225.0A CN110118749B (zh) | 2019-06-06 | 2019-06-06 | 一种基于近红外光谱的果蔬农药残留检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110118749A true CN110118749A (zh) | 2019-08-13 |
CN110118749B CN110118749B (zh) | 2021-06-22 |
Family
ID=67523801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489225.0A Active CN110118749B (zh) | 2019-06-06 | 2019-06-06 | 一种基于近红外光谱的果蔬农药残留检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110118749B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689076A (zh) * | 2019-09-27 | 2020-01-14 | 南京林业大学 | 一种基于近红外光谱数据特征提取的农药残留检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104374739A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外定性分析的种子品种真实性鉴别方法 |
CN105930876A (zh) * | 2016-05-13 | 2016-09-07 | 华侨大学 | 一种基于逆向训练的植物图像集分类方法 |
CN109001146A (zh) * | 2018-07-26 | 2018-12-14 | 江苏大学 | 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法 |
CN109374573A (zh) * | 2018-10-12 | 2019-02-22 | 乐山师范学院 | 基于近红外光谱分析的黄瓜表皮农药残留识别方法 |
CN109670531A (zh) * | 2018-11-23 | 2019-04-23 | 南京林业大学 | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 |
-
2019
- 2019-06-06 CN CN201910489225.0A patent/CN110118749B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104374739A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外定性分析的种子品种真实性鉴别方法 |
CN105930876A (zh) * | 2016-05-13 | 2016-09-07 | 华侨大学 | 一种基于逆向训练的植物图像集分类方法 |
CN109001146A (zh) * | 2018-07-26 | 2018-12-14 | 江苏大学 | 一种冰鲜牛肉与冻化鲜牛肉的快速鉴别方法 |
CN109374573A (zh) * | 2018-10-12 | 2019-02-22 | 乐山师范学院 | 基于近红外光谱分析的黄瓜表皮农药残留识别方法 |
CN109670531A (zh) * | 2018-11-23 | 2019-04-23 | 南京林业大学 | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 |
Non-Patent Citations (3)
Title |
---|
JUN SUN ET AL: "Identification of pesticide residues in lettuce leaves based on near infrared transmission spectroscopy", 《JOURNAL OF FOOD PROCESS ENGINEERING》 * |
戴莹等: "近红外光谱技术在果蔬农药残留检测中的应用研究进展", 《食品安全质量检测学报》 * |
赵敏等: "基于NIR_SVM 技术的韭菜农残检测研究", 《价值工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689076A (zh) * | 2019-09-27 | 2020-01-14 | 南京林业大学 | 一种基于近红外光谱数据特征提取的农药残留检测方法 |
CN110689076B (zh) * | 2019-09-27 | 2023-04-07 | 南京林业大学 | 一种基于近红外光谱数据特征提取的农药残留检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110118749B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测***及方法 | |
Shao et al. | Visible/near-infrared spectra for linear and nonlinear calibrations: a case to predict soluble solids contents and pH value in peach | |
CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
Ma et al. | Using UAV-based hyperspectral imagery to detect winter wheat fusarium head blight | |
CN110378374A (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
Fan et al. | Nitrogen balance index prediction of winter wheat by canopy hyperspectral transformation and machine learning | |
CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
CN111428585B (zh) | 一种基于深度学习的超材料太赫兹谱学识别方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN106203452A (zh) | 基于多线性判别分析的玉米种子高光谱图像多特征转换方法 | |
Zhou et al. | Machine learning modeling and prediction of peanut protein content based on spectral images and stoichiometry | |
Li et al. | Rapid detection of thiabendazole in food using SERS coupled with flower-like AgNPs and PSL-based variable selection algorithms | |
Wang et al. | An efficient method for the rapid detection of industrial paraffin contamination levels in rice based on hyperspectral imaging | |
CN110118749A (zh) | 一种基于近红外光谱的果蔬农药残留检测方法 | |
Zhao et al. | Simultaneous quantification and visualization of photosynthetic pigments in Lycopersicon esculentum mill. Under different levels of nitrogen application with visible-near infrared hyperspectral imaging technology | |
CN105869161A (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
Zhou et al. | Research on hyperspectral regression method of soluble solids in green plum based on one-dimensional deep convolution network | |
CN102749420A (zh) | 一种适宜凝胶型蛋白质加工的花生品质测定及其评价方法 | |
CN107037039B (zh) | 一种新疆核桃产地溯源研究方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
CN111398199A (zh) | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 |
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 |