CN112611745A - 一种水果可溶性固形物间接无损检测方法及*** - Google Patents

一种水果可溶性固形物间接无损检测方法及*** Download PDF

Info

Publication number
CN112611745A
CN112611745A CN202011462015.1A CN202011462015A CN112611745A CN 112611745 A CN112611745 A CN 112611745A CN 202011462015 A CN202011462015 A CN 202011462015A CN 112611745 A CN112611745 A CN 112611745A
Authority
CN
China
Prior art keywords
leaves
fruit
soluble
fruits
soluble solid
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
CN202011462015.1A
Other languages
English (en)
Inventor
郭连波
张登
赵志方
汪威良
陈锋
胡桢麟
寇卫萍
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011462015.1A priority Critical patent/CN112611745A/zh
Publication of CN112611745A publication Critical patent/CN112611745A/zh
Pending legal-status Critical Current

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (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

本发明公开了一种水果可溶性固形物间接无损检测方法及***，属于食品成分分析领域，包括以下步骤：S1、对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；S2、将所得叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；通过叶片光谱间接分析水果中的可溶性固形物含量，并不会对待检测的水果本身造成损伤，在无损条件下即可实现对新鲜水果可溶性固形物含量进行检测，在鲜果检测领域中的实用性强。另外，本发明将激光诱导击穿光谱技术与化学计量学结合对水果的可溶性固形物进行检测，简单、方便快捷。

Description

一种水果可溶性固形物间接无损检测方法及***
技术领域
本发明属于食品成分分析领域，更具体地，涉及一种水果可溶性固形物间接无损检测方法及***。
背景技术
水果内富含维生素、矿物质和膳食纤维等营养物质，深受广大消费者的青睐。随着人们生活水平的提高，水果的风味品质与营养含量等指标逐渐被人们重视。其中，可溶性固形物含量很大程度上决定了水果的糖度和营养成分，是决定水果品质和价格的重要指标之一。对水果可溶性固形物含量的测定，可以指导其采摘、贮藏与加工，减少过程中的损失，提高其经济效益。因此急需一种快速、无损的水果可溶性固形物含量测定方法。
激光诱导击穿光谱技术(Laser-Induced Breakdown Spectroscopy，LIBS)是一种新型的元素分析技术，通过聚焦镜将超短脉冲激光聚焦于样品表面，聚焦后的激光烧蚀表面材料瞬间形成激光等离子体，等离子体向外辐射特定频率的光子，由于不同元素和浓度的粒子的发射谱线的波长和强度不同，因此通过光谱仪分析等离子体光谱中的原子、离子谱线，就能获得待检测样品中元素的种类及其含量。LIBS凭借制样简单、快速便捷、原位在线等技术优势，在冶金、能源、化工、地质、环境等领域被广泛应用。近几年，LIBS技术在食品检测领域逐渐兴起，相关研究也丰富起来。但是由于LIBS技术对样品存在损伤，无法在无损条件下对新鲜水果可溶性固形物含量进行检测，限制了在鲜果检测领域的应用。现有的LIBS检测水果品质的方法，大部分是直接使用激光激发水果，对样品存在损伤，因此如何在无损条件下对水果品质进行快速分类是目前LIBS技术的难点。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种水果可溶性固形物间接无损检测方法及***，其目的在于解决现有技术无法在无损条件下对新鲜水果可溶性固形物含量进行检测的技术问题。
为实现上述目的，第一方面，本发明提供了一种水果可溶性固形物间接无损检测方法，包括以下步骤：
S1、对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；
S2、将所得叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，可溶性固形物检测模型为机器学习模型。
进一步优选地，上述可溶性固形物检测模型的训练方法包括以下步骤：
S01、采集不同成熟度的带有叶片的新鲜水果，分别对各水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到各水果所对应的叶片光谱特征；
S02、对每一个水果，分别采用折光仪测量其可溶性固形物的含量，重复测量多次后取平均值，并根据行业标准进行分类，得到各水果的可溶性固形物含量分类等级；
S03、将各水果所对应的叶片光谱特征和对应的可溶性固形物含量分类等级输入到机器学习模型中进行训练，得到预训练好的可溶性固形物检测模型。
进一步优选地，可溶性固形物检测模型为支持向量机模型。
进一步优选地，获取上述叶片光谱特征的方法，包括：基于激光诱导击穿光谱技术对叶片进行光谱采集后，对采集到的光谱进行寻峰并去冗余，得到叶片光谱特征。
进一步优选地，采用遗传算法对寻峰后的光谱去冗余。
进一步优选地，本发明所提供的水果可溶性固形物间接无损检测方法适用于检测带叶子的水果。
第二方面，本发明提供了一种水果可溶性固形物间接无损检测***，包括：
特征提取模块，用于对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；
可溶性固形物检测模块，用于将叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，可溶性固形物检测模型为机器学习模型。
进一步优选地，上述水果可溶性固形物间接无损检测***还包括：模型训练模块，用于执行本发明第一方面所提供的步骤S01-S03。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的一种水果可溶性固形物间接无损检测方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供了一种水果可溶性固形物间接无损检测方法及***，基于激光诱导击穿光谱技术对待检测的水果上的叶片进行光谱采集，得到叶片光谱特征，并输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；通过叶片光谱间接分析水果中的可溶性固形物含量，并不会对待检测的水果本身造成损伤，在无损条件下即可实现对新鲜水果可溶性固形物含量进行检测，在鲜果检测领域中的实用性强。
2、本发明所提供的水果可溶性固形物间接无损检测方法及***，将激光诱导击穿光谱技术与化学计量学结合对水果的可溶性固形物进行检测，具有制样简单、方便快捷等优势；可以无损条件下对获取水果可溶性固形物并进行分类。
3、本发明所提供的水果可溶性固形物间接无损检测方法及***，基于激光诱导击穿光谱技术对叶片进行光谱采集后，对采集到的光谱进行寻峰并去冗余，得到叶片光谱特征，通过上述方法将所采集的叶片光谱中最具有代表性的特征提取出来，并过滤掉冗余特征，大大提高了可溶性固形物检测模型的训练速度和精确度。
4、基于本发明所提供的水果可溶性固形物间接无损检测方法及***，可以使用手持式LIBS光谱仪在果园获取叶片光谱从而对水果进行无损、原位、快速分级。
附图说明
图1是本发明实施例1所提供的水果可溶性固形物间接无损检测方法的流程图；
图2是本发明实施例1所提供的柑橘可溶性固形物间接无损检测的具体流程示意图；
图3是本发明实施例1所使用的激光诱导击穿光谱***示意图；
图4是本发明实施例1中所采集的叶片光谱图；
图5是本发明实施例1所提供的柑橘可溶性固形物含量分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种水果可溶性固形物间接无损检测方法，如图1所示，包括以下步骤：
S1、对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；优选地，在对叶片采集完光谱后，对采集到的光谱进行寻峰并去冗余，得到叶片光谱特征。具体的，本实施例采用遗传算法对寻峰后的光谱去冗余。
S2、将所得叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，可溶性固形物检测模型为机器学习模型。具体的，本实施例中可溶性固形物检测模型为支持向量机模型。
需要说明的是，水果中元素含量与其品质存在相关性，而整个水果植株在生长过程中元素运输呈现动态平衡状态，因此叶片中元素含量与水果品质同样存在相关性，便可通过LIBS技术获取水果叶片中元素含量，从而间接对水果进行分级。
具体的，上述可溶性固形物检测模型的训练方法包括以下步骤：
S01、采集不同成熟度的带有叶片的新鲜水果，分别对各水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到各水果所对应的叶片光谱特征；
S02、对每一个水果，分别采用折光仪测量其可溶性固形物的含量，重复测量多次后取平均值，并根据行业标准进行分类，得到各水果的可溶性固形物含量分类等级；
S03、将各水果所对应的叶片光谱特征和对应的可溶性固形物含量分类等级输入到机器学习模型中进行训练，得到预训练好的可溶性固形物检测模型。
需要说明的是，本发明所提供的水果可溶性固形物间接无损检测方法适用于检测带叶子的水果，本实施例以柑橘为例进行具体说明：
具体的，如图2所示，本实施例中，分两批在同一果园采摘45个带有2-3片叶片的爱媛28号柑橘。使用去离子水将柑橘与叶片上的灰尘清洗干净，吹干后，将柑橘与其对应的叶片进行标号；
将采摘下来的叶片分别放于培养皿中，置于加热台上，在60℃恒温条件下持续加热约24小时(叶片质量不发生变化)。从烘干的叶片上取下部分组织，平整地贴到玻璃基板上，并基于激光诱导击穿光谱技术采集柑橘叶片的光谱(LIBS光谱)，得到叶片光谱特征。需要说明的是，激光诱导击穿光谱技术是一种新型的元素分析技术，通过聚焦镜将超短脉冲激光聚焦于样品表面，聚焦后的激光烧蚀表面材料瞬间形成激光等离子体，等离子体向外辐射特定频率的光子，由于不同元素和浓度的粒子的发射谱线的波长和强度不同，因此通过光谱仪分析等离子体光谱中的原子、离子谱线，就能获得待检测样品中元素的种类及其含量。具体的，本实施例中，所使用的激光诱导击穿光谱***如图3所示，包括计算机PC、光谱仪Spectrometer、激光器Laser、电动位移平台、时序控制器LDG以及采集头。为了获取高信噪比的光谱，激光器激光能量设置为30mJ，光谱仪的延迟时间、门宽、曝光时间分别设置为1us，3us和1s，如图4所示，共采集了1591副叶片光谱。进一步地，为了减弱光谱数据的冗杂性，对叶片光谱进行寻峰，得到192维光谱特征后，再使用遗传算法进行优化，选出77个最优特征用于分类模型的建立，最终将1591副叶片L光谱按照2:1的比例随机划分为训练集与预测集。
将清洗后的柑橘剥皮榨汁，使用日本爱拓公司的PAL-1数字折光仪测量柑橘的可溶性固形物含量。为了保证数据的准确性，重复选取柑橘三个不同部位测量其可溶性固形物含量，取平均值作为标准值。如图5所示，根据种植经验与行业标准，以可溶性固形物含量12.5％Brix和14％Brix作为阈值，将45个柑橘分为A、B、C三种等级。
将训练集样本的特征与对应的柑橘可溶性固形物含量分类等级作为支持向量机模型的输入，对支持向量机模型的超参数进行优化，训练出最优的可溶性固形物检测模型。
为了验证模型的有效性，我们使用训练好的可溶性固形物检测模型对预测集样本进行预测，实验结果显示训练集准确率为88.70％，预测集准确率高达90.99％。
由以上实施例可以看出，本发明通过激光诱导击穿光谱技术获取柑橘叶片光谱，并基于叶片光谱建立了可溶性固形物检测模型，实现了柑橘可溶性固形物含量的快速无损检测，精确度较高。
实施例2、
一种水果可溶性固形物间接无损检测***，包括：
特征提取模块，用于对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；
可溶性固形物检测模块，用于将叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，可溶性固形物检测模型为机器学习模型。
优选地，上述水果可溶性固形物间接无损检测***还包括：模型训练模块，用于执行本发明实施例1所提供的步骤S01-S03。
相关技术特征同实施例1，这里不做赘述。
实施例3、
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的一种水果可溶性固形物间接无损检测方法。
相关技术特征同实施例1，这里不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种水果可溶性固形物间接无损检测方法，其特征在于，包括以下步骤：
S1、对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；
S2、将所述叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，所述可溶性固形物检测模型为机器学习模型。
2.根据权利要求1所述的水果可溶性固形物间接无损检测方法，其特征在于，所述可溶性固形物检测模型的训练方法包括以下步骤：
S01、采集不同成熟度的带有叶片的新鲜水果，分别对各水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到各水果所对应的叶片光谱特征；
S02、对每一个水果，分别采用折光仪测量其可溶性固形物的含量，重复测量多次后取平均值，并根据行业标准进行分类，得到各水果的可溶性固形物含量分类等级；
S03、将各水果所对应的叶片光谱特征和对应的可溶性固形物含量分类等级输入到机器学习模型中进行训练，得到预训练好的可溶性固形物检测模型。
3.根据权利要求1或2所述的水果可溶性固形物间接无损检测方法，其特征在于，所述可溶性固形物检测模型为支持向量机模型。
4.根据权利要求1或2所述的水果可溶性固形物间接无损检测方法，其特征在于，获取所述叶片光谱特征的方法，包括：基于激光诱导击穿光谱技术对叶片进行光谱采集后，对采集到的光谱进行寻峰并去冗余，得到叶片光谱特征。
5.根据权利要求4所述的水果可溶性固形物间接无损检测方法，其特征在于，采用遗传算法对寻峰后的光谱去冗余。
6.根据权利要求1所述的水果可溶性固形物间接无损检测方法，其特征在于，适用于检测带叶子的水果。
7.一种水果可溶性固形物间接无损检测***，其特征在于，包括：
特征提取模块，用于对待检测的水果上的叶片进行恒温加热，直至叶片质量不发生变化，并基于激光诱导击穿光谱技术对叶片进行光谱采集，得到叶片光谱特征；
可溶性固形物检测模块，用于将所述叶片光谱特征输入到预训练好的可溶性固形物检测模型中，得到可溶性固形物含量的分类等级；
其中，所述可溶性固形物检测模型为机器学习模型。
8.根据权利要求7所述的水果可溶性固形物间接无损检测***，其特征在于，还包括：模型训练模块，用于执行权利要求2所述的步骤S01-S03。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-6任意一项所述的水果可溶性固形物间接无损检测方法。
CN202011462015.1A 2020-12-11 2020-12-11 一种水果可溶性固形物间接无损检测方法及*** Pending CN112611745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011462015.1A CN112611745A (zh) 2020-12-11 2020-12-11 一种水果可溶性固形物间接无损检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011462015.1A CN112611745A (zh) 2020-12-11 2020-12-11 一种水果可溶性固形物间接无损检测方法及***

Publications (1)

Publication Number Publication Date
CN112611745A true CN112611745A (zh) 2021-04-06

Family

ID=75233748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011462015.1A Pending CN112611745A (zh) 2020-12-11 2020-12-11 一种水果可溶性固形物间接无损检测方法及***

Country Status (1)

Country Link
CN (1) CN112611745A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024003217A1 (de) * 2022-06-30 2024-01-04 Clear Sea GmbH Verfahren und vorrichtung zur kategorisierung von lebensmitteln

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807787A (zh) * 2015-05-20 2015-07-29 重庆邮电大学 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法
CN106596513A (zh) * 2017-01-19 2017-04-26 江南大学 一种基于激光诱导击穿光谱茶叶品种识别方法
CN107091831A (zh) * 2017-05-28 2017-08-25 江西农业大学 一种水果重金属在线检测装置及方法
CN110646407A (zh) * 2019-11-20 2020-01-03 中国海洋大学 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法
CN110991469A (zh) * 2019-12-30 2020-04-10 西南大学 一种水果可溶性固形物在线检测方法及***
CN111624194A (zh) * 2020-06-05 2020-09-04 中国科学院合肥物质科学研究院 基于激光诱导击穿光谱的叶片元素无损测量方法
CN111735807A (zh) * 2020-07-14 2020-10-02 征图新视(江苏)科技股份有限公司 基于libs对大叶农作物部位以及油份的在线检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807787A (zh) * 2015-05-20 2015-07-29 重庆邮电大学 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法
CN106596513A (zh) * 2017-01-19 2017-04-26 江南大学 一种基于激光诱导击穿光谱茶叶品种识别方法
CN107091831A (zh) * 2017-05-28 2017-08-25 江西农业大学 一种水果重金属在线检测装置及方法
CN110646407A (zh) * 2019-11-20 2020-01-03 中国海洋大学 一种基于激光诱导击穿光谱技术的水产品中磷元素含量的快速检测方法
CN110991469A (zh) * 2019-12-30 2020-04-10 西南大学 一种水果可溶性固形物在线检测方法及***
CN111624194A (zh) * 2020-06-05 2020-09-04 中国科学院合肥物质科学研究院 基于激光诱导击穿光谱的叶片元素无损测量方法
CN111735807A (zh) * 2020-07-14 2020-10-02 征图新视(江苏)科技股份有限公司 基于libs对大叶农作物部位以及油份的在线检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张瑶 等: "基于不同物候期苹果树叶片光谱特征预测果实糖度", 《分析化学》 *
彭秋梅 等: "激光诱导击穿光谱分析新鲜桔叶重金属元素铬", 《江西农业大学报》 *
朱毅宁 等: "支持向量机结合主成分分析辅助激光诱导击穿光谱技术识别鲜肉品种", 《分析化学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024003217A1 (de) * 2022-06-30 2024-01-04 Clear Sea GmbH Verfahren und vorrichtung zur kategorisierung von lebensmitteln

Similar Documents

Publication Publication Date Title
Yu et al. Application of visible and near-infrared hyperspectral imaging for detection of defective features in loquat
Khodabakhshian et al. Determining quality and maturity of pomegranates using multispectral imaging
CN103837492B (zh) 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法
CN104280349A (zh) 一种基于高光谱图像对白萝卜糠心鉴定的方法
CN113720797B (zh) 一种白酒蒸馏的在线快速量质摘酒方法
WO2021068545A1 (zh) 一种基于改进主成分分析的拉曼特征谱峰提取方法
CN103257126A (zh) 一种基于激光诱导击穿光谱技术的农药残留快速检测方法
CN105092579A (zh) 一种芒果品质无损检测设备
CN112098361A (zh) 一种基于近红外光谱的玉米种子鉴别方法
CN112525869A (zh) 一种农药残留的分段式检测方法
CN112611745A (zh) 一种水果可溶性固形物间接无损检测方法及***
Patel et al. Common external defect detection of mangoes using color computer vision
CN109164069B (zh) 一种果树叶面病害级别的鉴定方法
CN112782148B (zh) 阿拉比卡和罗伯斯塔两种咖啡豆的快速鉴别方法
CN106940292A (zh) 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法
CN104502307A (zh) 一种快速检测长牡蛎糖原和蛋白质含量的方法
Devi et al. Machine vision applications to locate fruits, detect defects and remove noise: a review
Chen et al. Prediction of apple internal qualities using hyperspectral imaging techniques
Sánchez et al. Use of near-infrared reflectance spectroscopy for shelf-life discrimination of green asparagus stored in a cool room under controlled atmosphere
CN106872396A (zh) 一种不同近红外仪器测定葡萄糖度模型转换的方法
CN115015161A (zh) 一种煤质成分预测方法
CN113418892A (zh) 一种快速无损鉴别黄骅冬枣的方法
Tian et al. Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging
Tian et al. Fast determination of lycopene content and soluble solid content of cherry tomatoes using metal oxide sensors based electronic nose
Güneş et al. Detection of aflatoxin contaminated figs using Near-Infrared (NIR) reflectance spectroscopy

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210406