CN111795932A - 一种基于高光谱的杨梅果实糖酸度无损检测方法 - Google Patents
一种基于高光谱的杨梅果实糖酸度无损检测方法 Download PDFInfo
- Publication number
- CN111795932A CN111795932A CN202010542419.5A CN202010542419A CN111795932A CN 111795932 A CN111795932 A CN 111795932A CN 202010542419 A CN202010542419 A CN 202010542419A CN 111795932 A CN111795932 A CN 111795932A
- Authority
- CN
- China
- Prior art keywords
- relation
- waxberry
- sugar
- index
- content
- 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
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
-
- 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
- G01N2021/1748—Comparative step being essential in the method
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
Description
技术领域
本发明属于农业无损检测与探测技术领域,具体涉及一种基于高光谱、无损检测波段 优选的杨梅果实糖度酸度检测方法。
背景技术
杨梅在经济学上拥有极大地价值,我国杨梅作物种植广泛,是一种重要的经济作物。 杨梅的生命力非常的强,易于生长,而且生产的周期十分短,并且食用价值和药用价值兼 具,被人们称为绿色作物。
成熟果实在采摘后2-4天便开始腐烂,最多只能够存放一个星期的时间,一个星期之 后就会导致杨梅的口感及价值完全的消失。因为保存的难度和成本较高,因此杨梅的采摘 时机就显得尤为关键。当前杨梅的成熟度主要靠肉眼观察识别,但是在杨梅成熟前后,其 颜色变化不大,单靠人眼往往难以准确分辨。在摘取成熟杨梅的过程中,往往需要极其有 经验的人,才能准确识别。当前,杨梅的采摘工人数量不足,而经验丰富的工人更是稀缺。 通过光谱数据来检测杨梅的成熟情况能提高杨梅成熟度识别的精确度,降低人工采摘成本, 有一定的社会效益。
在杨梅成熟品级检测时,其中两个重要特征就是杨梅果实内部的糖分含量与酸度。目 前检测糖度的方法有蒽酮硫酸比色法,糖度计测量,酸度用pH计测量等。但这些方法过 程繁琐,耗时长,不能满足目前生产的需要。近年来也出现了一些水果品质无损检测的方 法,如近红外光谱检测,X射线检测,激光诱导荧光检测等,但这些方法普遍成本较高。由于光谱对于糖分的响应在1200nm-2200nm波段较为明显,但由于杨梅水分含量较高,水分对光谱的影响较大,使用该波段对糖分建模比较困难。到目前为止,可见光波段的杨梅果实糖酸度的无损检测方法还未曾报道。
发明内容
本发明的目的在于提供一种基于高光谱的杨梅果实糖酸度无损检测方法。
本发明的具体步骤如下:
步骤一、对需要测量糖分含量和pH值的杨梅果实进行高光谱采集,并提取出620nm波段的反射率R620和560nm波段的反射率R560。
作为优选,建立杨梅果实中的花青素相对含量Canth的表达式的过程如下:
(1)构建四种光谱指数,分别为差值指数DI、比值指数RI、归一化指数NI和倒数 差值指数RDI。根据决定系数R2筛选出差值指数DI的波段为530nm和590nm,比值指数 RI的波段为620nm和630nm,归一化指数NI的波段为620nm和630nm,倒数差值指数 RDI的波段为600nm和630nm。据此计算DI=R530-R590, R530、R590、R600、R620、R630分别为高光谱数据中530、590、600、620、 630nm频段的反射率。
(2)筛选出反射光谱中与杨梅花青素相对含量之间的相关系数的波段为620nm。
(3)构建4种光谱指数、620nm频段反射率R620与杨梅花青素相对含量之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系的函数关系式;根据决定系 数R2,从各函数关系式中筛选出最能够反映花青素相对含量Canth的表达式,即
作为优选,建立杨梅果实中的糖分含量Csugar的表达式的过程如下:
构建杨梅果实中的糖分含量Csugar与杨梅果实中的花青素相对含量Canth之间的一元线 性关系,一元二次关系,指数关系,对数关系和幂函数关系的函数关系式;根据决定系数 R2,从各函数关系式中筛选出最能够反映糖分含量Csugar的表达式,即 Csugar=0.01087Canth+6.284。
作为优选,建立杨梅果实中的pH值PH的表达式的过程如下:
(1)构建四种光谱指数,分别为差值指数DI、比值指数RI、归一化指数NI和倒数 差值指数RDI。根据决定系数R2筛选出差值指数DI的波段为530nm和550nm,比值指数 RI的波段为620nm和630nm,归一化指数NI的波段为620nm和630nm,倒数差值指数RDI的波段为590nm和630nm。据此计算DI=R530-R550, R530、R550、R590、R620、R630分别为高光谱数据中530、550、590、620、 630nm频段的反射率。
(2)筛选出反射光谱中与杨梅花青素相对含量之间的相关系数的波段为560nm。
(3)构建4种光谱指数、560nm频段反射率R560与杨梅花青素相对含量之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系的函数关系式;根据决定系 数R2,从各函数关系式中筛选出最能够反映杨梅果实中的pH值PH的表达式,即
本发明具有的有益效果是:
1、本发明建立了杨梅果实中基于高光谱的花青素含量模型,并选取了杨梅花青素反演 特征波段,从而通过高光谱数据获取了杨梅花青素相对含量。
2、本发明建立了杨梅果实中糖分与花青素的模型,从而通过杨梅花青素相对含量获取 了杨梅的糖分含量。
1、本发明建立了杨梅果实中基于高光谱的pH值模型,并选取了杨梅pH值反演特征波段,从而通过高光谱数据获取了杨梅pH值。
附图说明
图1是本发明所述的花青素和糖分之间的相关关系图。
图2是本发明所述的530nm-630nm波段内的差值指数DI与杨梅花青素相对含量的决 定系数R2图;
图3是本发明所述的530nm-630nm波段内的比值指数RI与杨梅花青素相对含量的决 定系数R2图
图4是本发明所述的530nm-630nm波段内的归一化指数NI与杨梅花青素相对含量的 决定系数R2图;
图5是本发明所述的530nm-630nm波段内的倒数差值指数RDI与杨梅花青素相对含量的决定系数R2图;
图6是本发明所述的530-630nm波段内的反射率和杨梅花青素相对含量之间的相关系 数图;
图7是本发明所述的530nm-630nm波段内的差值指数DI与杨梅pH值的决定系数R2图;
图8是本发明所述的530nm-630nm波段内的比值指数RI与杨梅pH值的决定系数R2图
图9是本发明所述的530nm-630nm波段内的归一化指数NI与杨梅pH值的决定系数R2图;
图10是本发明所述的530nm-630nm波段内的倒数差值指数RDI与杨梅pH值的决定系数R2图;
图11是本发明所述的530-630nm波段内的反射率和杨梅pH值之间的相关系数图;
图12是本发明所述的杨梅果实糖分含量模拟值与实测值的比较图;
图13是本发明所述的杨梅花青素相对含量模拟值与实测值的比较图;
图14是本发明所述的杨梅pH值模拟值与实测值的比较图。
具体实施方式
以下结合附图对本发明作进一步说明。
步骤1、构建杨梅果实中花青素和糖分关系模型
1-1.杨梅果实花青素和糖分相关性分析。由于用光谱直接反演糖分的困难,我们对花 青素和糖分进行了相关性分析。发现花青素和糖分之间的相关系数达到0.8098,他们之间 的相关性如图1所示。因此,我们采用花青素来反演杨梅果实糖分。
1-2.糖分含量反演模型建立。我们建立了杨梅花青素相对含量与杨梅糖分之间的一元 线性关系、一元二次关系、指数关系、对数关系和幂函数关系,如下表1所示。
表1杨梅花青素相对含量与糖分之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系
结合上表与实际应用,我们选定杨梅果实中的花青素含量与糖分的模型如式(1)所示。
Csugar=0.01087Canth+6.284 (1)
式(1)中,Csugar为杨梅果实中糖分含量,单位为%。Canth为杨梅果实中花青素相对含量。
步骤2、基于高光谱构建杨梅果实中花青素含量反演模型
2-1.构建光谱指数。本发明使用反射率光谱并构建另外四种光谱指数来对杨梅果实中 的花青素含量进行反演。这四种光谱指数分别为差值指数DI如式(2)所示、比值指数RI 如式(3)所示、归一化指数NI如式(4)所示、倒数差值指数RDI如式(5)所示。
DI=Ri-Rj (2)
式(2)、(3)、(4)、(5)中,Ri和Rj分别表示在波段为inm和jnm时的杨梅 反射率。i、j为两个筛选出的波段。
2-2.敏感波段筛选。由于光谱随花青素含量的变化在530-630nm波段较为显著,我们 计算了在530-630nm波段内任意两波段组合的4类光谱指数,然后计算了这4类光谱指数与杨梅花青素相对含量的决定系数R2;差值指数DI与杨梅花青素相对含量的决定系数R2如图2所示,比值指数RI与杨梅花青素相对含量的决定系数R2如图3所示,归一化指数 NI与杨梅花青素相对含量的决定系数R2如图4所示,倒数差值指数RDI与杨梅花青素相 对含量的决定系数R2如图5所示。通过4种指数和杨梅花青素相对含量之间决定系数的分 析,我们选定DI的波段为530nm、590nm,RI的波段为620nm、630nm,NI的波段为620nm、 630nm,RDI的波段为600nm、630nm。
对于反射率光谱,我们通过分析530-630nm波段的反射率和杨梅花青素相对含量之间 的相关系数来筛选敏感波段。530-630nm波段的反射率和杨梅花青素相对含量之间的相关 系数如图6所示。我们选定反射率的波段为620nm。
2-3.花青素含量反演模型建立。我们使用步骤2-2中筛选的波段构建了4种光谱指数、 反射率与杨梅花青素相对含量之间的一元线性关系,一元二次关系,指数关系,对数关系 和幂函数关系,如下表2所示。
表2反射率、4种指数与杨梅花青素相对含量之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系
结合上表与实际应用场景,我们选定波段620nm处的反射率来反演杨梅果实中的花青 素,其模型为
其中,Canth为杨梅果实中花青素相对含量,单位μg/g,R620为620nm波段下杨梅的反射率。
步骤3、基于高光谱构建杨梅果实中酸度反演模型
3-1.构建光谱指数。本发明拟使用反射率光谱和构建另外四种光谱指数来对杨梅果实 中的pH值进行反演。这四种光谱指数与步骤2-1中相同。
3-2.敏感波段筛选。由于光谱随pH值的变化在530-630nm波段较为显著,我们计算了 在530-630nm波段内任意两波段组合的4类光谱指数,然后计算了这4类光谱指数与杨梅pH值的决定系数R2,DI与杨梅pH值的决定系数R2如图7所示,RI与杨梅pH值的决定 系数R2如图8所示,NI与杨梅pH值的决定系数R2如图9所示,RDI与杨梅pH值的决定 系数R2如图10所示。通过4种指数和杨梅pH值之间决定系数的分析,我们选定DI的波 段为530nm、550nm,RI的波段为620nm、630nm,NI的波段为620nm、630nm,RDI的 波段为590nm、630nm。
对于反射率光谱,我们通过分析530-630nm波段的反射率和杨梅ph值之间的相关系 数来筛选敏感波段。530-630nm波段的反射率和杨梅pH值之间的相关系数如图11所示。我们选定反射率的波段为560nm。
3-3.pH值反演模型建立。我们使用步骤3-2中筛选的波段构建了4种光谱指数、反射 率与杨梅pH值之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系,如下表3所示。
表3反射率、4种指数与杨梅ph值之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系
结合上表和实际应用,我们选定560nm处的反射率来反演杨梅果实中的pH值,其模型如式(7)所示。
式(7)中,PH为杨梅果实中的pH值,R560为560nm波段下杨梅的反射率。
步骤四、对需要测量糖分含量和pH值的杨梅果实进行高光谱采集,并提取出620nm波段的反射率R620和560nm波段的反射率R560。
计算杨梅果实中的糖分含量Csugar=0.01087Canth+6.284。
以下对本发明的效果进行论证:
S1.杨梅果实中花青素和糖分关系模型验证
本实施例使用使用丙酮盐酸水溶液提取并测定了20个杨梅的花青素相对含量,并使用 糖度计测定了这20个杨梅的糖分含量。使用步骤二中得出的模型计算杨梅糖分含量,并与 实测值进行比较以此来验证花青素和糖分关系模型性能。结果得到该模型的验证均方根误 差RMSE为1.399,达到了较高水平。图12为糖分含量模拟值与实测值的比较图。由杨梅 糖分含量模拟值与实测值组成的二维散点大致都在1:1线的附近,说明该杨梅果实中花青 素和糖分关系模型是有效的。
S2.基于高光谱的杨梅果实中花青素含量反演模型验证
本实施例使用UHD185光谱仪测定了20个杨梅的高光谱数据,使用丙酮盐酸水溶液提取并测定了这20个杨梅的花青素相对含量。使用步骤一中得出的模型计算杨梅花青素相对含量,并与实测值进行比较以此来验证杨梅花青素相对含量反演模型性能。结果得到该模型的验证均方根误差RMSE为65.76,达到了较高水平。图13为杨梅花青素相对含量模 拟值与实测值的比较图。由杨梅花青素相对含量模拟值与实测值组成的二维散点大致都在1:1线的附近,说明该杨梅果实中花青素含量反演模型是有效的。
S3.基于高光谱的杨梅果实中酸度反演模型验证
本实施例使用UHD185光谱仪测定了20个杨梅的高光谱数据,使用ph计测定了这20个杨梅的ph值。使用步骤三中得出的模型计算杨梅ph值,并与实测值进行比较以此来验 证酸度反演模型性能。结果得到该模型的验证均方根误差RMSE为0.1329,达到了较高水 平。图14为ph值模拟值与实测值的比较图。由杨梅ph值模拟值与实测值组成的二维散点 大致都在1:1线的附近,说明该杨梅果实中酸度反演模型是有效的。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围 的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人 员根据本发明构思所能够想到的等同技术手段。
Claims (4)
2.根据权利要求1所述的一种基于高光谱的杨梅果实糖酸度无损检测方法,其特征在于:建立杨梅果实中的花青素相对含量Canth的表达式的过程如下:
(1)构建四种光谱指数,分别为差值指数DI、比值指数RI、归一化指数NI和倒数差值指数RDI;根据决定系数R2筛选出差值指数DI的波段为530nm和590nm,比值指数RI的波段为620nm和630nm,归一化指数NI的波段为620nm和630nm,倒数差值指数RDI的波段为600nm和630nm;据此计算DI=R530-R590, R530、R590、R600、R620、R630分别为高光谱数据中530、590、600、620、630nm频段的反射率;
(2)筛选出反射光谱中与杨梅花青素相对含量之间的相关系数的波段为620nm;
3.根据权利要求1所述的一种基于高光谱的杨梅果实糖酸度无损检测方法,其特征在于:建立杨梅果实中的糖分含量Csugar的表达式的过程如下:
构建杨梅果实中的糖分含量Csugar与杨梅果实中的花青素相对含量Canth之间的一元线性关系,一元二次关系,指数关系,对数关系和幂函数关系的函数关系式;根据决定系数R2,从各函数关系式中筛选出最能够反映糖分含量Csugar的表达式,即Csugar=0.01087Canth+6.284。
4.根据权利要求1所述的一种基于高光谱的杨梅果实糖酸度无损检测方法,其特征在于:建立杨梅果实中的pH值PH的表达式的过程如下:
(1)构建四种光谱指数,分别为差值指数DI、比值指数RI、归一化指数NI和倒数差值指数RDI;根据决定系数R2筛选出差值指数DI的波段为530nm和550nm,比值指数RI的波段为620nm和630nm,归一化指数NI的波段为620nm和630nm,倒数差值指数RDI的波段为590nm和630nm;据此计算DI=R530-R550, R530、R550、R590、R620、R630分别为高光谱数据中530、550、590、620、630nm频段的反射率;
(2)筛选出反射光谱中与杨梅花青素相对含量之间的相关系数的波段为560nm;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542419.5A CN111795932B (zh) | 2020-06-15 | 2020-06-15 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542419.5A CN111795932B (zh) | 2020-06-15 | 2020-06-15 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111795932A true CN111795932A (zh) | 2020-10-20 |
CN111795932B CN111795932B (zh) | 2022-11-15 |
Family
ID=72804383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542419.5A Active CN111795932B (zh) | 2020-06-15 | 2020-06-15 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111795932B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235720A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007041755A1 (en) * | 2005-10-07 | 2007-04-19 | The Australian Wine Research Institute | Hyperspectral imaging of contaminants in products and processes of agriculture |
CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
CN105158178A (zh) * | 2015-10-08 | 2015-12-16 | 华中农业大学 | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
CN105954205A (zh) * | 2016-04-27 | 2016-09-21 | 南京林业大学 | 基于光谱成像的青梅糖度与酸度快速无损检测装置 |
CN105973814A (zh) * | 2015-12-16 | 2016-09-28 | 新希望双喜乳业(苏州)有限公司 | 一种激光近红外快速检测牛奶新鲜度的方法 |
CN106323880A (zh) * | 2016-07-29 | 2017-01-11 | 河南科技大学 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
CN106442385A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种桑葚花青素含量的光谱检测方法 |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
US20190340749A1 (en) * | 2017-01-26 | 2019-11-07 | ClariFruit | System and method for evaluating fruits and vegetables |
-
2020
- 2020-06-15 CN CN202010542419.5A patent/CN111795932B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007041755A1 (en) * | 2005-10-07 | 2007-04-19 | The Australian Wine Research Institute | Hyperspectral imaging of contaminants in products and processes of agriculture |
CN105136686A (zh) * | 2015-08-28 | 2015-12-09 | 河南科技大学 | 紫叶李叶片花青素含量的测定方法 |
CN105241822A (zh) * | 2015-08-28 | 2016-01-13 | 河南科技大学 | 基于高光谱的牡丹叶片花青素含量测定方法 |
CN105158178A (zh) * | 2015-10-08 | 2015-12-16 | 华中农业大学 | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 |
CN105973814A (zh) * | 2015-12-16 | 2016-09-28 | 新希望双喜乳业(苏州)有限公司 | 一种激光近红外快速检测牛奶新鲜度的方法 |
CN105954205A (zh) * | 2016-04-27 | 2016-09-21 | 南京林业大学 | 基于光谱成像的青梅糖度与酸度快速无损检测装置 |
CN106323880A (zh) * | 2016-07-29 | 2017-01-11 | 河南科技大学 | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 |
CN106442385A (zh) * | 2016-09-30 | 2017-02-22 | 浙江大学 | 一种桑葚花青素含量的光谱检测方法 |
US20190340749A1 (en) * | 2017-01-26 | 2019-11-07 | ClariFruit | System and method for evaluating fruits and vegetables |
CN106841103A (zh) * | 2017-03-01 | 2017-06-13 | 沈阳农业大学 | 近红外光谱检测水果内部品质方法及专用检测*** |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
Non-Patent Citations (1)
Title |
---|
刘秀英等: "玉米叶片花青素相对含量高光谱遥感反演", 《遥感信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114235720A (zh) * | 2021-12-15 | 2022-03-25 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
CN114235720B (zh) * | 2021-12-15 | 2024-06-11 | 杭州电子科技大学 | 一种杨梅果实糖酸度便携式无损检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111795932B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nyasordzi et al. | Utilizing the IAD index to determine internal quality attributes of apples at harvest and after storage | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
Yahaya et al. | Non-destructive quality evaluation of fruit by color based on RGB LEDs system | |
KR100800597B1 (ko) | 후지 사과의 당도 측정방법 및 당도 판정판 | |
CN111795932B (zh) | 一种基于高光谱的杨梅果实糖酸度无损检测方法 | |
Greer | Non‐destructive chlorophyll fluorescence and colour measurements of ‘Braeburn’and ‘Royal Gala’apple (Malus domestica) fruit development throughout the growing season | |
Pan et al. | Improvement of the prediction of a visual apple ripeness index under seasonal variation by NIR spectral model correction | |
Subedi et al. | Determination of optimum maturity stages of mangoes using fruit spectral signatures | |
Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
Fu et al. | Determination of soluble solid content and acidity of loquats based on FT-NIR spectroscopy | |
Vallone et al. | Quality evaluation of grapes for mechanical harvest using vis NIR spectroscopy | |
González-Bonilla et al. | Characterization and classification of lulo (Solanum quitoense Lam.) fruits by ripening stage using partial least squares discriminant analysis (PLS-DA) | |
Yu et al. | Estimation of chlorophyll content in apple leaves based on imaging spectroscopy | |
CN107402190B (zh) | 一种稻谷黄变程度的检测方法 | |
Çalhan et al. | Determination of optimum harvest date of sweet cherry cv. Lapins grown in Isparta | |
CN106053353B (zh) | 一种桃果实冷害无损检测方法 | |
Guo et al. | Determination of storage period of harvested plums by near‐infrared spectroscopy and quality attributes | |
Shen et al. | Study on quality model of apple during controlled atmosphere storage based on VIS/NIR spectroscopy | |
Zhang et al. | Prediction of Soluble Solids Content During Storage of Apples with Different Maturity Based on VIS/NIR Spectroscopy | |
Teerachaichayut et al. | Grouping marian plums harvested at different times by transmittance near-infrared spectroscopy | |
Yan et al. | Application of Successive Projection Algorithm in Nondestructive Detection of Soluble Solid Content in Apple | |
Yao et al. | Calibrating total acidity of tomato products using GA and Vis/NIR spectroscopy | |
Ncama et al. | In-field application of portable NIR to assess' Valencia'orange fruit maturity |
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 |