CN108663339B - 基于光谱和图像信息融合的霉变玉米在线检测方法 - Google Patents
基于光谱和图像信息融合的霉变玉米在线检测方法 Download PDFInfo
- Publication number
- CN108663339B CN108663339B CN201810458679.7A CN201810458679A CN108663339B CN 108663339 B CN108663339 B CN 108663339B CN 201810458679 A CN201810458679 A CN 201810458679A CN 108663339 B CN108663339 B CN 108663339B
- Authority
- CN
- China
- Prior art keywords
- sample
- corn
- colonies
- spectrum
- model
- 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.)
- Active
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 91
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 91
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 90
- 235000005822 corn Nutrition 0.000 title claims abstract description 90
- 238000001228 spectrum Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 110
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000011497 Univariate linear regression Methods 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 241000228245 Aspergillus niger Species 0.000 claims description 4
- 241000228230 Aspergillus parasiticus Species 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- GUTLYIVDDKVIGB-OUBTZVSYSA-N Cobalt-60 Chemical compound [60Co] GUTLYIVDDKVIGB-OUBTZVSYSA-N 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 239000008223 sterile water Substances 0.000 claims description 3
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 claims description 2
- 241000223218 Fusarium Species 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 claims description 2
- 230000004083 survival effect Effects 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims 2
- 239000002609 medium Substances 0.000 claims 2
- 239000001965 potato dextrose agar Substances 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000011081 inoculation Methods 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 claims 1
- 239000007921 spray Substances 0.000 claims 1
- 230000006378 damage Effects 0.000 abstract description 6
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 4
- 241001480061 Blumeria graminis Species 0.000 abstract description 3
- 241000894006 Bacteria Species 0.000 abstract description 2
- 238000004497 NIR spectroscopy Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 239000007788 liquid Substances 0.000 abstract description 2
- 230000001954 sterilising effect Effects 0.000 abstract description 2
- 239000010891 toxic waste Substances 0.000 abstract description 2
- 238000011109 contamination Methods 0.000 abstract 1
- 230000001678 irradiating effect Effects 0.000 abstract 1
- 238000002329 infrared spectrum Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 235000005976 Citrus sinensis Nutrition 0.000 description 4
- 240000002319 Citrus sinensis Species 0.000 description 4
- 241000220225 Malus Species 0.000 description 4
- 231100000678 Mycotoxin Toxicity 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- 239000001963 growth medium Substances 0.000 description 4
- 239000002636 mycotoxin Substances 0.000 description 4
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229920001817 Agar Polymers 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 241000690372 Fusarium proliferatum Species 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000008272 agar Substances 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 229920000832 Cutin Polymers 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 101710116852 Molybdenum cofactor sulfurase 1 Proteins 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 description 1
- 239000002115 aflatoxin B1 Substances 0.000 description 1
- 229930020125 aflatoxin-B1 Natural products 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- -1 etc.) Chemical group 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000002054 inoculum Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013208 measuring procedure Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 125000000325 methylidene group Chemical group [H]C([H])=* 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 125000003396 thiol group Chemical class [H]S* 0.000 description 1
- MBMQEIFVQACCCH-UHFFFAOYSA-N trans-Zearalenon Natural products O=C1OC(C)CCCC(=O)CCCC=CC2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-UHFFFAOYSA-N 0.000 description 1
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 1
- MBMQEIFVQACCCH-QBODLPLBSA-N zearalenone Chemical compound O=C1O[C@@H](C)CCCC(=O)CCC\C=C\C2=CC(O)=CC(O)=C21 MBMQEIFVQACCCH-QBODLPLBSA-N 0.000 description 1
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
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了基于光谱和图像信息融合的霉变玉米在线检测方法，涉及玉米菌落总数检测技术领域。包括以下步骤：玉米样品辐照灭菌；玉米样品接种有害霉菌并储藏；玉米样品光谱和图像信息在线采集；样品菌落总数测定；快速测定，利用前述建立的模型，基于待测玉米的光谱和图像融合信息而输出其实际带菌量，从而判断玉米霉变状态。本发明检测方便，无需对玉米中的霉菌进行传统计数，仅需应用近红外光谱和图像技术采集玉米霉菌污染的特征光谱信息和图像参数信息。不损伤样品，节能环保，不需配制化学试剂，不产生有毒废液，降低了对人体和环境的危害。检测成本低，无需购买昂贵的化学试剂及各种分析仪器。
Description
技术领域
本发明涉及玉米菌落总数的检测方法,具体涉及基于光谱和图像信息融合的霉变玉米在线检测方法实现玉米带菌量的快速在线检测方法。
背景技术
玉米是三大粮食品种之一，种植面积仅次于小麦和水稻而居第三位。我国是玉米生产和消费大国，玉米除食用之外，还用作饲料和工业原料。但是由于玉米自身的特性：原始水分含量较高，成熟度不均匀，胚部大，吸湿性强，脂肪含量高，易酸败，霉菌菌落总数大易霉变等，使得玉米不耐储藏，以及在储藏期间易发生霉变和破损。此外，发生霉变的玉米，伴随有霉菌代谢产物真菌毒素的产生，不但造成玉米总产量的直接损失，而且使玉米的营养价值及加工品质变差。极为严重的是，玉米在发生霉变的过程中，产生的这些真菌毒素会在人或牲畜体内沉积，危害人类健康。目前，对霉变玉米所产生的真菌毒素进行研究发现，代表性真菌毒素主要包括呕吐毒素、玉米赤霉烯酮、黄曲霉毒素B1等。因此，测定并监控玉米是否霉变对于指导玉米的储备和保护人、畜的饮食安全有着重要的意义。
目前，对霉变玉米的检出大多采用人工感官鉴定方法进行品质检测，效率低下且工作量大，而且对于品质的检测不能标准化，同时杂质、霉变、虫蚀等缺陷有时不易进行肉眼的判断；而传统的生物培养方法需要破坏大量样本，不利于大群体筛选，而且测定程序过于复杂不能及时分析等。因此寻找一种能够实时快速监测储藏玉米霉变程度的方法就成为当前的迫切需求。
在近红外光谱区产生吸收的官能团主要是含氢基团,包括：C-H(甲基、亚甲基、芳基等)，羟基O-H，氨基N-H(伯胺、仲胺、叔胺和按盐)，巯基S-H等。当玉米产生赤霉病害时，其内部化学成分会发生相应变化。样品的化学成分差异越大，图谱的特征性差异越大。而且近红外光谱分析技术具有快速、简便、高准、成本低、可用于无损检测等优点，已被国内外学者广泛应用于各种农产品品质的检测研究。国内外学者在应用近红外光谱技术定性检测农产品霉变方面也取得了一些经验。刘燕德等应用近红外漫反射光谱技术在线检测脐橙内部的可溶性固形物含量(SSC)。以0.3m/s的速度获取脐橙(脐橙样品为97个，其中74个为校正集，23个样品为预测集)的漫反射光谱，在520-1000nm光谱范围，建立PLSR在线检测脐橙可溶性固形物含量的预测模型,其预测相关系数(RP)为0.90，预测均方根误差(RMSEP)为0.61。
随着信息技术的迅速发展，粮油及其他农产品检验已经逐渐向无损检测、在线检测的方向发展，计算机图像处理技术作为一种新的检测方法，受到国内外学者的普遍关注。图像处理技术在农产品质量与品质的检测过程中，通常从样品的形态、颜色和纹理等方面提取特征参数，用于农产品特征描述并对其进行评价。利用图像处理技术进行大米、玉米、马铃薯、花生等农产品质量与品质检测已经取得了一定进展。在玉米质量与品质检测方面，也有诸多研究成果，主要涉及玉米品种与种类识别、质量分级、角质和硬度检测等方面。与传统检测方法相比，该方法具有速度快、精度高、重复性好等优点。黄辰等利用机器视觉技术动态采集苹果传输过程中的实时图像，通过分析苹果分级指标，采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断，并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级，最后，通过将两种分级判断结果进行决策融合来实现样本精确分级。试验结果表明，基于图像特征决策融合的苹果分级准确率可达到95％，平均分级速率可达到4个/s。
近红外光谱技术是依据样品成分对近红外光谱的吸收特性来进行定量测定，但近红外光谱技术无法获取被测样品的外部信息，可能造成较大误差，且容易受外界光、湿度等的影响造成噪音干扰，影响检测精度。图像处理检测技术仅仅能通过提取颜色、纹理、形状等外部参数来鉴定是否霉变，不能准确检验内部损伤、轻微病害感染等内部缺陷。将两种技术融合可以检验同时获得样品的内外部信息，更有利于检测样品的品质，提高检验的效率和精度。
发明内容
本发明的目的是提供一种基于光谱和图像信息融合的霉变玉米在线检测方法，来解决上述技术问题。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为了达到上述目的，本发明提供一种基于光谱和图像信息融合的霉变玉米在线检测方法，按照下述步骤进行：
步骤(1)：样品准备：将玉米样品置于钴-60辐照(12kGy)下灭菌；
步骤(2)：样品接种有害霉菌：筛选玉米样品有害霉菌菌株置于马铃薯葡萄糖琼脂(PDA)培养基上，在28℃、85％RH恒温培养箱下培养10d，采用无菌水冲洗培养基表面，制取孢子悬浮液(浓度稀释至约1.0×105CFU/mL)，喷洒在玉米样品上，将样品置于28℃、85％RH人工气候箱储藏15d，取时间节点0，6，9，12和15d样品用于分析；
步骤(3)：光谱在线采集：采用可见/近红外光纤光谱仪获取运动状态下玉米样品的光谱信息，对光谱信息进行预处理以消除由于样品不均、散射及各种噪声对光谱产生的误差，利用正自适应加权算法(CARS)算法提取样品光谱的特征波长；
步骤(4)：图像在线采集：采用MV-EM120C/M型相机拍摄运动状态下的玉米图像，对图像进行预处理，消除拍摄时噪声等对图像产生的误差。对预处理后的图像提取颜色特征参数；
步骤(5)：样品菌落总数测定：将采集完光谱和图像的玉米按照GB/T 4789.2-2010检测其霉菌菌落总数。
步骤(6)：定量预测分析：基于偏最小二乘回归分析方法(PLSR)，依据玉米样品菌落总数水平与其光谱和图像信息融合特征参数的对应关系，建立样品中菌落总数真实水平与预测水平的相关关系模型；
步骤(7)：快速测定：利用前述步骤(6)建立的模型，基于待测玉米的光谱和图像融合信息而输出其实际菌落总数。
上述步骤(2)中，所诉的有害霉菌为层出镰刀菌195647，寄生曲霉3.395，黑曲霉186380。
上述步骤(3)中，利用蔡司MCS 600型近红外光纤光谱仪和OMK500-H/NIR漫反射探头采集运动状态下样品的光谱信息，按照下述步骤进行：
光谱仪预热30min；将玉米样品放置于直径90mm培养皿中并压实平整；将培养皿放置于可调速皮带传送带中线位置处，传送带速度为0.15m/s；当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径约为1cm2；采集波长范围为560nm～1700nm，积分时间20ms；每个样品重复扫描三次，取平均光谱进行分析。
上述步骤(3)中的光谱数据预处理，按照下述步骤进行：
采用多元散射校正(MSC)方法和二阶微分对样品的原始平均光谱进行预处理，即将光谱中的散射光信号与化学吸收信息进行分离。正自适应加权算法(CARS)是通过自适应重加权采样(ARS)技术选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出交互验证均方根误差值(RMSECV)最低的子集，可有效寻出最优变量组合。
上述步骤(3)中的CARS算法步骤如下：
(3.1)基于蒙特卡罗采样(Monte Carlo sampling,MCS)法对模型取样。与无信息变量消除方法类似，在每次CARS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，建立PLS模型。
(3.2)基于指数衰减函数(exponentially decreasing function,EDP)去除变量。假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，菌落总数真实值矩阵为y(m×l)，则PLS回归模型为
y＝Xb+e
式中，b表示一个p维的系数向量；e表示预测残差。其中，b＝Wc＝[b1,b2,…,bp]T(W表示得分矩阵和X的线性组合系数)，b中第i个元素的绝对值|bi|(1≤i≤p)表示第i个变量对菌落总数值的贡献，该值越大表示所对应变量在菌落总数值的预测中越重要。
利用指数衰减函数强行去除|bi|值相对较小的波长点。采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算
ri＝ae-ki
式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rN＝2/p，从而a和k的计算公式如下
式中，In表示自然对数。
(3.3)基于自适应重加权采样技术(adaptive reweighted sampling,ARS)进一步对变量进行筛选。该技术模拟达尔文进化论中的“适者生存”的法则，通评价每个变量点的权重wi进行变量筛选。权重值的计算如下
(3.4)通过计算并比较每次产生的新的变量子集的RMSECV值，RMSECV值最小的变量子集作为最优变量子集。
上述步骤(4)中，利用MV-EM120C/M型相机拍摄运动状态下的玉米图像，按照下述步骤进行：
将玉米样品放置于直径90mm培养皿中并压实平整；将培养皿放置于可调速皮带传送带(铺黑色不反光摄影布作为背景)中线位置处，传送带速度为0.15m/s；当样品传送至MV-EM120C/M型相机正下方时拍摄样品图像，分辨率为1280×960像素，图片以JPEG格式存储。
上述步骤(4)中的图像信息预处理，按照下述步骤进行：
对拍摄的图像进行灰度化、二值化处理、形态学运算、边缘检测，去除黑色背景部分的无用信息，以便只提取直径90mm培养皿区域内的玉米样品颜色参数。
上述步骤(4)中的图像颜色特征参数，包括RGB(红色、绿色、蓝色)颜色模型和HIS(色调、饱和度、亮度)颜色模型中的各颜色分量均值和方差参数。
(1)R、G、B值的表示
利用三原色叠加原理，若某一像素点的颜色值为P，则该点的R、G、B值可表示为：
P取P/256的余数；
G的值为((P-R)/256)/256的余数；
B为(P-G×256-R)/65536；
(2)H、I、S值的表示
在颜色模型中，H、I、S的值由R、G、B可表示为：
上述步骤(6)中的光谱和图像信息融合特征参数，按照下述步骤进行：
假设A和B是定义在模式样本空间Ω上的两个特征空间。对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征可以定义为γ＝(α,β)T。显然，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维。所有模式样本的组合特征空间形成一个n+m维的组合特征空间。
上述步骤(6)中的定量预测分析，将玉米样品中菌落总数真实水平与预测水平的相关关系模型的建立过程，按照下述步骤进行：
步骤(6-1)：选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本，用于验证模型精度和稳健性；
步骤(6-2)：对玉米菌落总数水平进行预测时，需先采集样本的特征光谱波长和特征颜色参数进行融合，并对融合的数据进行相同的分解，获得融合数据的得分，将融合数据的得分带入下面公式，计算出样品中菌落总数的浓度值：
y＝tB
上式中：y为某个待测样本菌落总数预测浓度值，t为某个待测样本融合数据分解的得分，B为回归系数矩阵；
步骤(6-3)：依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，进行多次重复试验，以降低偶然或系统误差对试验的影响，直到满足RPD≥3.0；
步骤(6-4)：将样品中菌落总数的实际检测水平作为自变量x，将经PLSR方法得到的菌落总数的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
由以上技术方案可知，本发明的方案与传统检测方法相比，具有以下显著优点：
(1)检测方便，无需对玉米中的霉菌进行传统计数，仅需应用近红外光谱和图像技术采集玉米霉菌污染的特征光谱信息和图像参数信息。
(2)不损伤样品，节能环保，不需配制化学试剂，不产生有毒废液，降低了对人体和环境的危害。
(3)检测成本低，无需购买昂贵的化学试剂及各种分析仪器。
附图说明
图1是说明根据本发明某些实施例的基于光谱和图像信息融合的霉变玉米在线检测方法实现流程图；
图2是随储藏时间的霉变玉米菌落总数变化图；
图3(a)-(d)分别为接种层出镰刀菌195647、寄生曲霉3.395、黑曲霉186380和全部的玉米样品菌落总数真实值与近红外特征波长和图像颜色特征参数融合信号预测值的相关关系。
具体实施方式
下面结合说明书附图，对本发明作进一步的说明。
一、样品准备：将135份玉米样品置于钴-60(12kGy)下辐照灭菌。
二、样品接种有害霉菌：将层出镰刀菌195647，寄生曲霉3.395，黑曲霉186380置于马铃薯葡萄糖琼脂(PDA)培养基上，在28℃、85％RH下培养十天，采用无菌水冲洗培养基表面，制取孢子悬浮液，稀释到约1.0×105CFU/mL，喷洒在玉米样品上，每种菌液接种45份玉米样品，将样品置于28℃、85％RH人工气候箱储藏15天。选取时间节点0、6、9、12、15天，每天随机选取受3种霉菌侵染玉米样品各9份用于分析。
三、样品光谱测定：室温(25℃)下开启计算机和蔡司MCS 600型近红外光纤光谱仪，预热30min。将玉米样品放置于直径90mm培养皿中并压实平整，样品厚度为1.5cm。将培养皿放置于可调速皮带传送带中线位置处，调节传送带速度为0.15m/s。当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径约为1cm2。样品检测前先测定背景(空气)光谱；采用吸收模式，采集波长范围为560nm～1700nm，积分时间20ms。每个样品重复扫描三次，取平均光谱进行分析。
四、样品图像采集：将玉米样品放置于直径90mm培养皿中并压实平整；将培养皿放置于可调速皮带传送带(铺黑色不反光摄影布作为背景)中线位置处，传送带速度为0.15m/s；当样品传送至MV-EM120C/M型相机正下方时拍摄样品图像，分辨率为1280×960像素，图片以JPEG格式存储。
五、样品菌落总数测定：将采集完光谱和图像的玉米按照GB/T 4789.2-2010检测其霉菌菌落总数。
六、数据预处理：基于MATLAB 7.0软件，采用MSC和二阶微分对玉米样品原始平均光谱进行预处理，即通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，并利用CARS算法提取样品光谱的特征波长。其中正自适应加权算法(CARS)是通过自适应重加权采样(ARS)技术选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出交互验证均方根误差值(RMSECV)最低的子集，可有效寻出最优变量组合。对图像进行预处理，消除拍摄时噪声等对图像产生的误差，对预处理后的图像提取颜色特征参数，包括RGB(红色、绿色、蓝色)颜色模型和HIS(色调、饱和度、亮度)颜色模型中的各颜色分量均值和方差参数。将提取的光谱特征波长和图像颜色参数融合成为新的数据集。
七、定量预测分析：采用MATLAB 7.0软件进行PLSR回归计算，具体步骤如下：
1.首先，选取建模集和预测集样本。KS算法常用于划分建模集及验证集样本数，可用于偏最小二乘、主成分回归等建模集和验证集的划分，即通过计算自变量x，即光谱之间的欧式距离，将光谱差异大的样本选入建模集，剩余距离较小样本归为验证集，减少了相似样本被选入建模集。KS算法中样本差异性是通过比较两个样本p,q之间光谱(X向量)的欧氏距离来确定的，即
xp(j)和xq(j)是样本p和q在第j个波数的吸光度值，J代表光谱波数数目。
对于单一菌株交互验证，采用KS算法，选取30个样品的光谱和图像融合特征信息用于模型构建，剩余15个样品作为预测集样本，验证模型可靠性。
对于多种菌株外部验证，采用KS算法，选取90个样品的光谱和图像融合特征信息用于模型构建，剩余45个样品作为预测集样本，验证模型可靠性。
2.其次，基于偏最小二乘回归分析方法(PLSR)，依据玉米样品中菌落总数水平与其光谱和图像信息融合的参数的对应关系，建立玉米菌落总数真实水平与预测水平的相关关系模型。
PLSR作为化学计量学中比较经典的分析方法，具有可以实现回归模型、数据结构化及两组变量之间的相关性分析的作用，能用少量的PLSR因子数来预测未知样品的含量，可以解决许多普通多元回归方法无法解决的问题。
具体步骤如下：
对玉米菌落总数水平进行预测时，需先采集样本的特征光谱波长和特征颜色参数进行融合，并对融合的数据进行相同的分解，获得融合数据的得分，将融合数据的得分带入下面公式，计算出样品中菌落总数水平。
y＝tB
上式中：y为某个待测样本菌落总数水平，t为某个待测样本融合数据分解的得分，B为回归系数矩阵。
其次，依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，需进行多次重复试验，以降低偶然或系统误差对试验的影响。
最后，将样品中菌落总数实际检测水平作为自变量x，将经PLSR方法得到的菌落总数预测水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b
式中：a为方程斜率，b为方程截距。
玉米菌落总数实际检测值与预测值的关系如图3所示，其模型验证结果见表1-3。表1和表2分别为基于可见/近红外光谱和基于图像信息的霉变玉米菌落总数PLSR模型分析结果，预测决定系数Rp2除了全部样品图像信息模型外菌大于0.90，RPD大部分大于3.0，仍有小部分小于3.0。表3为基于光谱和图像信息融合的霉变玉米菌落总数PLSR模型分析结果，预测决定系数Rp2均大于0.90，RPD均大于3.0，表明模型预测能力较强，模型稳健性好，相较于基于光谱和图像信息单独建立的霉变玉米菌落总数PLSR模型，其效果更佳。
表1基于可见/近红外光谱的霉变玉米菌落总数PLSR模型分析结果
表2基于图像信息的霉变玉米菌落总数PLSR模型分析结果
表3基于光谱和图像信息融合的霉变玉米菌落总数PLSR模型分析结果
Claims (2)
1.一种基于光谱和图像信息融合的霉变玉米在线检测方法，其特征在于按照下述步骤进行：
步骤(1)：样品准备：将玉米样品置于12kGy的钴-60辐照下灭菌；
步骤(2)：样品接种有害霉菌：筛选玉米样品有害霉菌菌株置于马铃薯葡萄糖琼脂(PDA)培养基上，在28℃、85％RH恒温培养箱下培养10d，采用无菌水冲洗培养基表面，制取孢子悬浮液，孢子悬浮液的浓度稀释至1.0×105CFU/mL，喷洒在玉米样品上，将样品置于28℃、85％RH人工气候箱储藏15d，取时间节点0,6，9,12和15d样品用于分析；
步骤(3)：光谱在线采集：采用可见/近红外光纤光谱仪获取运动状态下玉米样品的光谱信息，对光谱信息进行预处理以消除由于样品不均、散射及各种噪声对光谱产生的误差，利用CARS算法提取样品光谱的特征波长；
步骤(4)：图像在线采集：采用MV-EM120C/M型相机拍摄运动状态下的玉米图像，对图像进行预处理，消除拍摄时噪声对图像产生的误差；对预处理后的图像提取颜色特征参数；
步骤(5)：样品菌落总数测定：将采集完光谱和图像的玉米按照GB/T4789.2-2010检测其霉菌菌落总数；
步骤(6)：定量预测分析：基于偏最小二乘回归分析方法PLSR，依据玉米样品菌落总数水平与其光谱和图像信息融合特征参数的对应关系，建立样品中菌落总数真实水平与预测水平的相关关系模型；
步骤(7)：快速测定：利用前述步骤(6)建立的模型，基于待测玉米的光谱和图像融合信息而输出其实际菌落总数；
步骤(2)中，所述的有害霉菌为层出镰刀菌195647，寄生曲霉3.395，黑曲霉186380；
步骤(3)中，利用蔡司MCS 600型近红外光纤光谱仪和OMK500-H/NIR漫反射探头采集运动状态下样品的光谱信息，按照下述步骤进行：
光谱仪预热30min；将玉米样品放置于直径90mm培养皿中并压实平整；将培养皿放置于可调速皮带传送带中线位置处，传送带速度为0.15m/s；当样品传送至与光谱仪连接的OMK500-H/NIR漫反射探头正下方时采集样品光谱，探头距样品表面垂直距离为4cm，光斑直径为1cm；采集波长范围为560nm～1700nm，积分时间20ms；每个样品重复扫描三次，取平均光谱进行分析；
步骤(3)中的光谱数据预处理，按照下述步骤进行：
采用多元散射校正MSC方法和二阶微分对样品的原始平均光谱进行预处理，即将光谱中的散射光信号与化学吸收信息进行分离；CARS算法是通过自适应重加权采样ARS技术选择出PLS模型中回归系数绝对值大的波长点，去掉权重小的波长点，利用交互验证选出交互验证均方根误差值RMSECV最低的子集，可有效寻出最优变量组合；
步骤(3)中的CARS算法步骤如下：
(3.1)基于蒙特卡罗采样(Monte Carlo sampling,MCS)法对模型取样；与无信息变量消除方法类似，在每次MCS采样中，都需要从样品集中随机抽取一定量的样品作为校正集，建立PLS模型；
(3.2)基于指数衰减函数(exponentially decreasing function,EDP)去除变量；假定所测样本光谱阵为X(m×p)，m为样本数，p为变量数，菌落总数真实值矩阵为y(m×l)，则PLS回归模型为
y＝Xb+e
式中，b表示一个p维的系数向量；e表示预测残差；其中，b＝Wc＝[b1,b2,…,bp]T，其中W表示得分矩阵和X的线性组合系数，b中第i个元素的绝对值|bi|，其中1≤i≤p，表示第i个变量对菌落总数值的贡献，该值越大表示所对应变量在菌落总数值的预测中越重要；
利用指数衰减函数强行去除|bi|值相对较小的波长点；采用MC采样，在第i次采样运算后，变量点的保存率通过如下指数函数计算
ri＝ae-ki
式中，a和k表示常数分别在第1次和第N次MCS时，样本集中全部p个变量和仅2变量参与建模，即r1＝1且rN＝2/p，从而a和k的计算公式如下
式中，In表示自然对数；
(3.3)基于自适应重加权采样技术(adaptive reweighted sampling,ARS)进一步对变量进行筛选；该技术模拟达尔文进化论中的“适者生存”的法则，通评价每个变量点的权重wi进行变量筛选；权重值的计算如下
(3.4)通过计算并比较每次产生的新的变量子集的RMSECV值，RMSECV值最小的变量子集作为最优变量子集；
步骤(4)中，利用MV-EM120C/M型相机拍摄运动状态下的玉米图像，按照下述步骤进行：
将玉米样品放置于直径90mm培养皿中并压实平整；将培养皿放置于可调速皮带传送带中线位置处，铺黑色不反光摄影布作为背景；传送带速度为0.15m/s；当样品传送至MV-EM120C/M型相机正下方时拍摄样品图像，分辨率为1280×960像素，图片以JPEG格式存储；
步骤(4)中的图像信息预处理，按照下述步骤进行：
对拍摄的图像进行灰度化、二值化处理、形态学运算、边缘检测，去除黑色背景部分的无用信息，以便只提取直径90mm培养皿区域内的玉米样品颜色参数；
步骤(4)中的图像颜色特征参数，包括RGB颜色模型和HIS颜色模型中的各颜色分量均值和方差参数；
(1)R、G、B值的表示
利用三原色叠加原理，若某一像素点的颜色值为P，则该点的R、G、B值可表示为：
P取P/256的余数；
G的值为((P-R)/256)/256的余数；
B为(P-G×256-R)/65536；
(2)H、I、S值的表示
在颜色模型中，H、I、S的值由R、G、B可表示为：
步骤(6)中的光谱和图像信息融合特征参数，按照下述步骤进行：
假设A和B是定义在模式样本空间Ω上的两个特征空间；对于任意的样ξ∈Ω，且相应的两个特征矢量为α∈A和β∈B，那么ξ的组合特征可以定义为γ＝(α,β)T；显然，如果特征矢量是一个n维的矢量，而另一组特征矢量是m维矢量，那么组合特征则为n+m维；所有模式样本的组合特征空间形成一个n+m维的组合特征空间。
2.根据权利要求1所述的一种基于光谱和图像信息融合的霉变玉米在线检测方法，其特征在于上述步骤(6)中的定量预测分析，将玉米样品中菌落总数真实水平与预测水平的相关关系模型的建立过程，按照下述步骤进行：
步骤(6-1)：选取建模集和预测集样本，在模型构建前，利用Kennard-Stone(KS)算法对样本的建模集与验证集进行挑选，选取2/3样品的数据用于模型构建，剩余1/3样品作为预测集样本，用于验证模型精度和稳健性；
步骤(6-2)：对玉米菌落总数水平进行预测时，需先采集样本的特征光谱波长和特征颜色参数进行融合，并对融合的数据进行相同的分解，获得融合数据的得分，将融合数据的得分带入下面公式，计算出样品中菌落总数的浓度值：
y＝tB
上式中：y为某个待测样本菌落总数预测浓度值，t为某个待测样本融合数据分解的得分，B为回归系数矩阵；
步骤(6-3)：依据建模结果的最大相对分析误差RPD对模型的实用性进行判定：
RPD值越大，表明模型稳健性越好，RPD≥3.0，表明此模型可用于定量分析目的；否则，进行多次重复试验，以降低偶然或系统误差对试验的影响，直到满足RPD≥3.0；
步骤(6-4)：将样品中菌落总数的实际检测水平作为自变量x，将经PLSR方法得到的菌落总数的预测含量水平作为因变量y，建立一元线性回归方程，如下：
y＝ax+b式中：a为方程斜率，b为方程截距。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810458679.7A CN108663339B (zh) | 2018-05-15 | 2018-05-15 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810458679.7A CN108663339B (zh) | 2018-05-15 | 2018-05-15 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108663339A CN108663339A (zh) | 2018-10-16 |
| CN108663339B true CN108663339B (zh) | 2021-01-26 |
Family
ID=63779276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810458679.7A Active CN108663339B (zh) | 2018-05-15 | 2018-05-15 | 基于光谱和图像信息融合的霉变玉米在线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108663339B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109520965A (zh) * | 2018-11-20 | 2019-03-26 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱特征数据提取技术检测赖氨酸含量的方法 |
| CN109766909B (zh) * | 2018-11-29 | 2023-10-17 | 温州大学 | 基于谱图融合的海岸环境微塑料老化行为解析方法 |
| CN110411975A (zh) * | 2019-08-09 | 2019-11-05 | 南京财经大学 | 一种冻干双孢菇霉变程度检测方法及系统 |
| CN110567937A (zh) * | 2019-09-11 | 2019-12-13 | 重庆大学 | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 |
| CN110689534B (zh) * | 2019-09-29 | 2022-08-09 | 珠海中科先进技术研究院有限公司 | 一种霉菌检测方法及系统 |
| CN110596280B (zh) * | 2019-10-29 | 2022-04-05 | 南京财经大学 | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 |
| US11783576B2 (en) * | 2020-10-29 | 2023-10-10 | Deere & Company | Method and system for optical yield measurement of a standing crop in a field |
| CN113447456A (zh) * | 2021-01-22 | 2021-09-28 | 广东中烟工业有限责任公司 | 基于nir技术和elm的烟草病原真菌种类快速鉴别方法 |
| CN114219956A (zh) * | 2021-10-08 | 2022-03-22 | 东北林业大学 | 用于精米米种检测的数据库模型构建方法和装置及精米米种检测方法 |
| CN113916817B (zh) * | 2021-10-21 | 2024-02-02 | 深圳市中科云驰环境科技有限公司 | 用于城镇生活饮用水的光谱法色度在线测量方法 |
| CN114002166A (zh) * | 2021-10-29 | 2022-02-01 | 南京财经大学 | 一种基于高光谱成像技术的稻谷三种曲霉霉变定量检测方法 |
| CN114112988B (zh) * | 2021-11-26 | 2024-05-24 | 江苏省农业科学院 | 一种基于云平台的玉米品质和伏马毒素污染现场同步快速分析系统及检测方法 |
| CN115323029B (zh) * | 2022-08-02 | 2024-06-14 | 大连理工大学 | 基于高光谱技术的苯扎溴铵共代谢降解菌的快速筛选方法 |
| CN115870237A (zh) * | 2022-12-19 | 2023-03-31 | 北京航空航天大学杭州创新研究院 | 一种流水线产品质量检测并剔除缺陷产品的系统及方法 |
| CN116636369A (zh) * | 2023-07-19 | 2023-08-25 | 长春理工大学 | 一种基于可见-近红外光谱技术的施肥方法 |
| CN118150781B (zh) * | 2024-05-13 | 2024-07-23 | 黑龙江八一农垦大学 | 一种幼鹅养殖饲料的检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1995987B (zh) * | 2007-02-08 | 2010-05-12 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法 |
| CN203275285U (zh) * | 2013-04-12 | 2013-11-06 | 浙江大学 | 一种基于高光谱成像的大米品质在线无损检测装置 |
| CN103278609B (zh) * | 2013-06-27 | 2015-09-30 | 山东商业职业技术学院 | 一种基于多源感知信息融合的肉品新鲜度检测方法 |
| CN105158201A (zh) * | 2015-07-27 | 2015-12-16 | 南京财经大学 | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 |
| CN105424636B (zh) * | 2015-12-29 | 2018-04-27 | 南京财经大学 | 一种粮食真菌污染情况的快速检测方法及其应用 |
| CN107655851A (zh) * | 2017-09-18 | 2018-02-02 | 中国农业科学院农业质量标准与检测技术研究所 | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 |
-
2018
- 2018-05-15 CN CN201810458679.7A patent/CN108663339B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108663339A (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Sunli et al. | Non‐destructive detection for mold colonies in rice based on hyperspectra and GWO‐SVR | |
| Feng et al. | Detection of subtle bruises on winter jujube using hyperspectral imaging with pixel-wise deep learning method | |
| Li et al. | Non-destructive evaluation of pork freshness using a portable electronic nose (E-nose) based on a colorimetric sensor array | |
| CN106290224A (zh) | 腊肉品质的检测方法 | |
| Femenias et al. | Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review | |
| Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
| Cao et al. | Identification of species and geographical strains of Sitophilus oryzae and Sitophilus zeamais using the visible/near‐infrared hyperspectral imaging technique | |
| CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
| Sun et al. | Growth simulation and discrimination of Botrytis Cinerea, Rhizopus Stolonifer and Colletotrichum Acutatum using hyperspectral reflectance imaging | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| Chen et al. | Hyperspectral imaging and chemometrics for nondestructive quantification of total volatile basic nitrogen in pacific oysters (Crassostrea gigas) | |
| Zhang et al. | Classification detection of saccharin jujube based on hyperspectral imaging technology | |
| CN102313715A (zh) | 基于激光技术的蜂蜜品质检测方法 | |
| Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
| Turgut et al. | Potential of image analysis based systems in food quality assessments and classifications | |
| CN106841167A (zh) | 果蔬农药残留的无损检测方法 | |
| Aredo et al. | Predicting of the quality attributes of orange fruit using hyperspectral images | |
| CN114965346B (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
| Tian et al. | Early contamination warning of Aflatoxin B1 in stored maize based on the dynamic change of catalase activity and data fusion of hyperspectral images | |
| Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
| CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
| Yang et al. | Identification of Peanut Kernels Infected with Multiple Aspergillus flavus Fungi Using Line-Scan Raman Hyperspectral Imaging | |
| Lee et al. | Hyperspectral near-infrared reflectance imaging for detection of defect tomatoes | |
| CN105651727B (zh) | 基于jade和elm的近红外光谱分析鉴别苹果货架期的方法 |
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 |