CN105044024A - 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 - Google Patents
一种基于近红外光谱技术对葡萄果实进行无损检测的方法 Download PDFInfo
- Publication number
- CN105044024A CN105044024A CN201510546694.3A CN201510546694A CN105044024A CN 105044024 A CN105044024 A CN 105044024A CN 201510546694 A CN201510546694 A CN 201510546694A CN 105044024 A CN105044024 A CN 105044024A
- Authority
- CN
- China
- Prior art keywords
- sample
- near infrared
- grape
- model
- infrared spectrum
- 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
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱技术对葡萄果实进行无损检测的方法，具体涉及一种基于近红外光谱技术分析的鲜食葡萄不同品种、成熟度及虫害果实的鉴别方法，该方法综合采用光谱预处理方法和化学计量学建模方法，建立以葡萄内含物为检测指标的不同品种、成熟度及虫害果实的定量分析预测模型。本发明通过采用近红外光谱技术，对不同葡萄供试样品的内在品质进行鉴别，具有检测速度快、效率高、成本低的优点，适用于农产品品质与安全的无损检测，可有效鉴别不同品种、成熟度及虫害的葡萄果实。经过一系列研究证实，近红外光谱技术结合化学计量学方法在葡萄内含物的快速预测和品种识别领域有着巨大的潜力和发展前景。
Description
技术领域
本发明涉及一种利用近红外光谱技术对鲜食葡萄不同品种、成熟度及虫害果实的快速无损检测方法。
背景技术
传统的果实品质鉴别和分级方法费时费力，易受到人为因素(如嗅觉、味觉、喜好)的干扰，且对果实内部的营养成分缺乏客观和理性的判别标准。而化学分析法需要对果品进行破碎后逐一检测，往往检测的样本数量有限，难以保证抽样的代表性，从而无法实现快速无损检测。现行的一些果品采后流水线检测和分级设备通常仅仅依据果实大小或重量等指标进行粗略分级，且设备的专用性要求较高，使用效率低下。因此，开发一种快速、高效、无损的果品检测技术，以满足果品大规模品质分析和分级处理的需要，提高果品采后处理的标准化水平，是当前果品生产中亟待解决的问题。
近年来，近红外光谱成像技术作为一种无损检测方法引起了广泛关注，因其具有检测速度快、效率高、成本低等多方面优点，越来越多地应用于医药、化工、农业、食品等相关行业领域。应用范围主要包括定量检测产品中相关化学成分的含量、产品种类的鉴定与判别、以及产品的定级定价等。目前，由于果品内含物分布的不均一性，以及光谱分析数据处理方法造成模型建立的多样性，要求我们对基于近红外光谱技术分析的果品快速无损检测方法进行进一步优化。
发明内容
本发明目的在于提供一种利用近红外光谱技术对鲜食葡萄不同品种、成熟度及虫害果实的快速无损检测方法，以解决现有技术方法只能对诸如药片、液体等匀质物料进行分析检测的问题，扩大该技术应用范围；解决现有技术方法需要对检测对象进行预处理(如茶叶需碾碎、水果要榨汁等)的技术问题，简化技术分析步骤；解决现有技术方法仅能对果品单一或少数品质指标进行分析模型建立的问题，提高品质评价的全面性；解决现有技术方法中光谱分析数据处理方法造成分析模型适用性差的问题，提高分析模型的判别效率和稳定性；解决现有技术方法中只能对差别很大的不同种类水果进行定性分析的问题；解决现有技术方法中，选取的特征波长位点少、范围窄，难以涵盖较多光谱信息的问题。
具体的，本发明涉及一种基于近红外光谱技术对葡萄果实进行无损检测的方法，其特征在于，包括如下步骤：
(1)物料准备，选取不同品种葡萄果实，每个品种选取至少10个样品组成样品集；
(2)选取建模样品，按照3:1的比例，将每个样本集随机分为建模集和验证集；
(3)采集所有建模集和验证集样品的原始近红外光谱；
(4)利用化学分析法测定样品中内含物指标值；
(5)对步骤(3)中采集到的近红外光谱进行预处理；
(6)在TQAnalyst9软件中，使用Suggest向导工具自动选择合适的波数范围；
(7)建立近红外光谱定量分析模型，将步骤(6)得到的波数范围作为建模波数范围，步骤(4)中的内含物指标值作为标准值，利用步骤(5)预处理后的近红外光谱建立近红外定量分析模型；
(8)近红外定量分析模型准确度的检验，分别将验证集样品的近红外光谱与其实际内含物指标值代入近红外定量分析模型，进行近红外定量分析模型准确度的检验，根据预测值计算预测标准差RMSEP，若其值满足实验要求，则代表模型可行，否则，重复步骤(5)-(7)，直至满足；
(9)利用近红外定量分析模型测定待测样品的内含物指标值。
在本发明一个具体的实施方式中，所述的检测方法，其中步骤(1)中的葡萄品种选自金手指、比昂扣、醉金香、藤稔、巨峰、温克、夏黑、巨玫瑰、京亚、红富士。
在本发明一个具体的实施方式中，所述的检测方法，步骤(1)中包括选择未成熟、转色期、成熟期三个时期果实以及有虫害的葡萄果实组成样品集。
在本发明一个具体的实施方式中，所述的检测方法，其中步骤(3)中近红外光谱采集的具体方法为：采用ThermoFisher公司生产的AntarisⅡ近红外光谱仪，由于葡萄的体积较小，配备精密定位附件，采用高灵敏度InGaAs检测器，待样品放置至室温后，在每个样品赤道线上均匀选取4个采样区域上进行光谱采集，每次扫描，光谱自动重复32次，取平均值。
在本发明一个具体的实施方式中，所述的检测方法，其中步骤(4)中所述的内含物指标为可溶性固形物指标、糖度指标、总酚指标；其中糖度指标包括总糖、果糖、蔗糖指标。
在本发明一个具体的实施方式中，所述的检测方法，其中可溶性固形物指标的测定方法为在葡萄果实去皮和籽后，挖取果肉中心部位挤汁后，采用折光仪测定可溶性固形物含量。
在本发明一个具体的实施方式中，所述的检测方法，其中糖度指标的检测包括：每个品种取2～3颗葡萄，去皮和籽，切碎搅拌均匀后加液氮研磨至粉末；取2g粉末加80％乙醇定容至20mL，室温条件下静置浸提30min；从中取1mL悬浊液，用80％乙醇定容至50mL。总糖指标采用硫酸蒽酮法测定，果糖和蔗糖指标采用间苯二酚法测定。
在本发明一个具体的实施方式中，所述的检测方法，其中总酚指标的测定方法为福林酚法(GB/T8313-2008)。
在本发明一个具体的实施方式中，所述的检测方法，其中步骤(5)中使用化学计量学软件对所有光谱依次进行多元信号修正(MSC)、一阶导数微分处理、以及Norris平滑处理。
在本发明的一个具体实施方式中，在步骤(7)和步骤(8)之间还包括采用化学计量法对所建立的模型进行校正的步骤；优选的，选择PLS法。
PLS方法是一种基于因子分析的多元校正方法，用于获得最佳的主成分因子数，建立最优预测模型。该方法具有很强的提供信息的能力，所建立的校正模型更稳定，有更强的抗干扰能力。PLS方法现已成为化学计量学中最常用的多元统计方法。
在本发明一个具体的实施方式中，所述的检测方法，其中步骤(6)中波数范围为9842.89～8018.56cm-1和8014.71～4088.35cm-1。
在本发明的一个具体的实施方式中，所述检测方法，其中步骤(9)包括：
步骤A、将近红外光谱通用模型导入相应的近红外光谱仪中；
步骤B、利用该近红外光谱仪采集剩余所有待测样品的原始近红外光谱，仪器则会将得到的原始近红外光谱输入到模型中，得出样品的主要内含物指标值，直至所有样品测定完毕。
在本发明一个具体的实施方式中，所述的检测方法，其中还包括利用定性分析的方法对各样本集的近红外光谱进行分类鉴定，建立各样本集的定性分类模型。
在本发明一个具体的实施方式中，包括在每个样本集中选取9～21个样品，采集其原始近红外光谱，使用化学计量学软件(如TQ9.0软件)建立不同葡萄品种、成熟度、虫害的DA定性分类模型；采用该软件对之前选定的标准光谱进行主成分分析，根据标准光谱的主成分分析结果，计算出每个样品光谱到各标准光谱的马氏距离，对各葡萄样品进行分类鉴定。
所述的检测方法，使用化学计量学软件(如TQ9.0软件)，建立不同葡萄品种、成熟度、虫害的近红外定性分类模型；在每个样本集中选取9～21个样品，采集其原始近红外光谱，使用化学计量学软件如TQ9.0软件建立不同葡萄品种、成熟度、虫害的DA定性分类模型。该软件对之前选定的标准光谱进行主成分分析，根据标准光谱的主成分分析结果，计算出每个样品光谱到各标准光谱的马氏距离，对各葡萄样品进行分类鉴定。
具体地，本发明中葡萄近红外定性分类鉴定，包括如下步骤：
(1)物料准备，选取不同品种葡萄果实，每个品种选取至少10个样品组成样品集；
(2)选取建模样品，按照3:1的比例，将每个样本集随机分为建模集和验证集；
(3)采集所有建模集和验证集样品的原始近红外光谱并计算标准光谱；
(4)使用化学计量学软件如TQ9.0软件建立不同葡萄品种及成熟度和病虫害的DA定性分析模型；该软件对之前选定的标准光谱进行主成分分析，根据标准光谱的主成分分析结果，计算出每个样品光谱到各标准光谱的马氏距离，对各葡萄样品进行分类鉴定。
优选地，步骤(1)中的葡萄品种选自金手指、比昂扣、醉金香、藤稔、巨峰、温克、夏黑、巨玫瑰、京亚、红富士；优选地步骤(1)中可以选择未成熟、转色期、成熟期三个时期果实以及有虫害的果实组成样品集。
本发明中标准光谱为每个样品集中所有样品的平均光谱。本发明中，采集原始光谱后计算得到标准光谱。
与现有技术相比，本发明的技术优势在于：
1、一次性建模、降低模型建立与维护成本
本发明建立了适用于葡萄主要内含物含量检测的近红外定性、定量模型，建模过程中使用一系列预处理方法，一次性建立可鉴定多品种、不同成熟度、虫害葡萄果实的定性模型；一次性建立可检测多品种葡萄主要内含物含量的近红外定量模型，具有极强的可行性，用一个定性模型即可完成多品种、成熟度、虫害葡萄的区分和鉴定，用一个定量模型即可完成葡萄主要内含物含量的测定，大大降低了建模成本及模型维护成本。
2、测定准确率高
本发明选择了特定的波数范围，使得整个检测方法的检测结果准确率高，分析效果良好。
3、模型实用性强
建模过程中，使用一阶导数消除了样品积分时间的影响，模型在实际使用时可用不同的积分时间进行检测；极大的降低了模型的复杂程度，大大提高了模型的实用性，满足实际应用需求，近红外通用模型能够运用于简易的近红外仪器上。
附图说明
图1A-1B示出了“夏黑”葡萄果实混合指标模型建立的特征波长范围
图2A-2B示出了：“夏黑”葡萄果实混合指标模型中可溶性固形物的预测结果
图3A-3D示出了“夏黑”葡萄果实混合指标模型中总酚、总糖、果糖、蔗糖的预测结果
具体实施方式
下面结合具体的实施方式对本发明作进一步说明。
实施例1
(1)定量分析
以“夏黑”葡萄果实混合指标模型为例，图1A-1B为“夏黑”葡萄果实样本集的特征波长，从图1A-1B可以看出，光谱曲线两端噪声较大，由TQ软件辅助自动选取的光谱范围有两段，分别为9842.89～8018.56cm-1(图1A)和8014.71～4088.35cm-1(图1B)。通过对常用光谱预处理方法的模型校正效果分析，选取多元散射校正(MSC)+一阶导数(1stderivative)+Norris平滑为“夏黑”葡萄果实模型的最佳预处理方式，建模结果的评价包括相关系数、均方根误差、绝对误差三部分。
相关系数分为建模集(Calibration)相关系数和验证集(Validation)相关系数。建模集相关系数是考察建模集样品的模型预测值与参考值的相关性。相关系数越高(数值越接近1)，则相关性越高。验证集相关系数是考察验证集样品的模型预测值与参考值的相关性，是反映模型预测性能的重要参数之一；但验证集不参与建模，只参与验证模型。建模集误差均方根(RMSEC)表示建模集样品的预测结果与实际结果之间差值的均方根(RMSE)，为预测误差的统计显示，结果越接近0越好。验证集误差均方根(RMSEP)表示验证集样品的预测结果与实际结果之间差值的均方根，为预测误差的统计显示，结果越接近0越好，是反映模型预测性能的重要参数之一。
图2A-2B显示的是“夏黑”葡萄果实混合指标模型中可溶性固形物指标的预测结果，图2A显示的是相关系数和误差均方根，图2B为绝对误差图，总酚、总糖、果糖、蔗糖指标相关系数如图3A-3D所示。“夏黑”葡萄果实总酚、总糖、果糖、蔗糖和可溶性固形物的实测值与NIRS预测值之间的相关系数和误差均方根如表1所示。在建模集中，总酚的相关系数较低，为0.77，其余均在0.92以上，建模集均方根误差(RMSEC)在0.022～0.265之间，表征模型预测结果良好；在验证集中，蔗糖和总糖的相关系数较低，分别为0.78和0.82，其余均在0.91以上，验证集均方根误差(RMSEP)在0.081～0.981之间，模型总体水平高；尽管某些指标的相关系数较低，但由于混合模型适用性广，所以本结果可满足在线检测的需要。
表1“夏黑”葡萄果实总酚、总量、果糖、蔗糖、可溶性固形物的PLS混合指标模型统计结果
用同样的方法建立“温克”葡萄果实总酚、总糖、果糖、蔗糖和可溶性固形物5个指标的最佳预测模型，其预处理方法为多元散射校正(MSC)+一阶导数(1stderivative)+Norris平滑。各组分预测结果如表2所示，模型预测结果良好。
表2“温克”葡萄果实总酚、总量、果糖、蔗糖、可溶性固形物的PLS混合指标模型统计结果
TQ模型建好后，即可使用模型对未知样品进行定量分析，预测单个样品以“温克”葡萄果实为例，采用外部验证的方式对随机选取的“温克”葡萄果实光谱为未知样品，将未知样品光谱导入“温克”葡萄果实五个成分含量的混合模型进行预测。预测结果见表3。得到“温克”葡萄果实总酚、果糖、蔗糖、可溶性固形物、总糖五个内含成分的预测值及误差值，预测结果理想。
表3“温克”葡萄果实未知样品的组分含量预测结果
(二)定性分析
为了鉴别不同葡萄品种，利用TQAnalyst9软件中定性分析中的判别分析(DA)方法，对夏黑、巨玫瑰、醉金香、藤稔、比昂扣、京亚、红富士、金手指、巨峰、温克10个不同品种共计114个葡萄样品建立定性品种识别模型。
模型经多次优化，得到最佳效果。评价参数如下：TQAnalyst9软件自动选取的波数范围为4119.20～9881.46cm-1，以SNV+一阶导数+Norris平滑为建模的最佳预处理方法建立定型分析模型，模型的正确识别率为92.11％。
Claims (10)
1.一种基于近红外光谱技术对葡萄果实进行无损检测的方法，其特征在于，包括如下步骤：
(1)物料准备，选取不同品种葡萄果实，每个品种选取至少10个样品组成样品集；
(2)选取建模样品，按照3:1的比例，将每个样本集随机分为建模集和验证集；
(3)采集所有建模集和验证集样品的近红外光谱原始数据；
(4)利用化学分析法测定样品中内含物指标值；
(5)对步骤(3)中采集到的近红外光谱进行预处理；
(6)在TQAnalyst9软件中，使用Suggest向导工具自动选择合适的波数范围；
(7)建立近红外光谱定量分析模型，将步骤(6)得到的波数范围作为建模波数范围，步骤(4)中的内含物指标值作为标准值，利用步骤(5)预处理后的近红外光谱建立近红外定量分析模型；
(8)近红外定量分析模型准确度的检验，分别将验证集样品的近红外光谱及其实际内含物指标值代入近红外定量模型，对近红外定量模型准确度进行检验；根据预测值计算预测标准差(RMSEP)，若其值满足实验要求，则代表模型可行，否则，重复步骤(5)-(7)，直至满足；
(9)利用近红外定量分析模型测定待测样品的内含物指标值。
2.根据权利要求1所述的检测方法，其中步骤(1)中的葡萄品种选自金手指、比昂扣、醉金香、藤稔、巨峰、温克、夏黑、巨玫瑰、京亚、红富士。
3.根据权利要求1所述的检测方法，步骤(1)中包括选择未成熟、转色期、成熟期三个时期果实以及有虫害的果实组成样品集。
4.根据权利要求1所述的检测方法，其中步骤(3)中近红外光谱采集的具体方法为：采用ThermoFisher公司生产的AntarisⅡ近红外光谱仪，由于葡萄的体积较小，配备精密定位附件，采用高灵敏度InGaAs检测器，待样品放置至室温后，在每个样品赤道线上选取均匀分布的4个采样区域上进行光谱采集，每次扫描，光谱自动重复32次，取平均值。
5.根据权利要求1所述的检测方法，其中步骤(4)中所述的内含物指标为可溶性固形物指标、糖度指标、总酚指标；其中糖度指标包括总糖、果糖、蔗糖指标。
6.根据权利要求4所述的检测方法，其中可溶性固形物指标的测定方法为在葡萄果实去皮和籽后，取葡萄果肉挤汁，采用折光仪测定可溶性固形物的含量。
7.根据权利要求1所述的检测方法，其中步骤(5)中使用化学计量学软件对所有光谱依次进行多元信号修正(MSC)、一阶导数微分处理以及Norris平滑处理。
8.根据权利要求1所述的检测方法，其中步骤(6)中波数范围为9842.89～8018.56cm-1，和8014.71～4088.35cm-1。
9.根据权利要求1所述的检测方法，其中还包括利用定性分析方法对各样本集的近红外光谱进行分类鉴定，建立各样本集定性分类模型的步骤。
10.根据权利要求9所述的检测方法，包括在每个样本集中选取9～21个样品，采集其原始近红外光谱，使用化学计量学软件(如TQ9.0软件)建立不同葡萄品种、成熟度、虫害的DA定性分类模型；采用该软件对之前选定的标准光谱进行主成分分析，根据标准光谱的主成分分析结果，计算出每个样品光谱到各标准光谱的马氏距离，对各葡萄样品进行分类鉴定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510546694.3A CN105044024A (zh) | 2015-08-31 | 2015-08-31 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510546694.3A CN105044024A (zh) | 2015-08-31 | 2015-08-31 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105044024A true CN105044024A (zh) | 2015-11-11 |
Family
ID=54450742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510546694.3A Pending CN105044024A (zh) | 2015-08-31 | 2015-08-31 | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105044024A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334172A (zh) * | 2015-10-23 | 2016-02-17 | 浙江科技学院 | 一种水果果肉组织光学特性参数的重构方法 |
| CN106841104A (zh) * | 2017-03-14 | 2017-06-13 | 安徽科技学院 | 一种近红外光谱技术快速分析连作滁菊土壤中总酚的方法 |
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
| CN109060718A (zh) * | 2018-11-05 | 2018-12-21 | 黑龙江八农垦大学 | 一种近红外光谱测定哈密瓜硬度值的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
| CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104034691A (zh) * | 2014-05-13 | 2014-09-10 | 齐齐哈尔大学 | 一种甜菜品质的快速检测方法 |
-
2015
- 2015-08-31 CN CN201510546694.3A patent/CN105044024A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104034691A (zh) * | 2014-05-13 | 2014-09-10 | 齐齐哈尔大学 | 一种甜菜品质的快速检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| STARK E ET AL.: "Near-infrared analysis (NIRA): A technology for quantitative and qualitative analysis", 《APPLIED SPECTROSCOPY REVIEWS》 * |
| ZHANG Z ET AL.: "Evaluation of sensory and composition properties in young tea shoots and their estimation by near infrared spectroscopy and partial least squares techniques", 《SPECTROSCOPY EUROPE》 * |
| 吕刚: ""基于光谱和多光谱成像技术的葡萄内部品质快速无损检测和仪器研究"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 曹芳 等: "基于可见．近红外反射光谱技术的葡萄品种鉴别方法的研究", 《光学学报》 * |
| 李晓丽 等: ""基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法"", 《红外与毫米波学报》 * |
| 聂继云: "《果品质量安全分析技术》", 30 June 2009 * |
| 马本学: ""基于图像处理和光谱分析技术的水果品质无损检测方法研究"", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334172A (zh) * | 2015-10-23 | 2016-02-17 | 浙江科技学院 | 一种水果果肉组织光学特性参数的重构方法 |
| CN105334172B (zh) * | 2015-10-23 | 2018-03-09 | 浙江科技学院 | 一种水果果肉组织光学特性参数的重构方法 |
| CN106841104A (zh) * | 2017-03-14 | 2017-06-13 | 安徽科技学院 | 一种近红外光谱技术快速分析连作滁菊土壤中总酚的方法 |
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| CN108535250A (zh) * | 2018-04-27 | 2018-09-14 | 浙江大学 | 基于Streif指数的‘富士’苹果成熟度无损检测方法 |
| CN109060718A (zh) * | 2018-11-05 | 2018-12-21 | 黑龙江八农垦大学 | 一种近红外光谱测定哈密瓜硬度值的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN112525855A (zh) * | 2020-11-20 | 2021-03-19 | 广东省农业科学院蔬菜研究所 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
| CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
| CN117074353B (zh) * | 2023-08-18 | 2024-05-03 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
| US12228529B1 (en) | 2023-08-18 | 2025-02-18 | Institute of facility agriculture, Guangdong Academy of Agricultural Sciences | Non-destructive detection method and system for Conopomorpha sinensis Bradley |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| Hu et al. | Rapid detection of three quality parameters and classification of wine based on Vis-NIR spectroscopy with wavelength selection by ACO and CARS algorithms | |
| Theanjumpol et al. | Non-destructive identification and estimation of granulation in ‘Sai Num Pung’tangerine fruit using near infrared spectroscopy and chemometrics | |
| Li et al. | Evaluating the performance of a consumer scale SCiO™ molecular sensor to predict quality of horticultural products | |
| CN102960096B (zh) | 基于近红外光谱的水稻单籽粒活力无损检测筛选方法 | |
| Urraca et al. | Estimation of total soluble solids in grape berries using a hand‐held NIR spectrometer under field conditions | |
| CN101275912B (zh) | 一种液体食品褐变检测方法 | |
| CN107064047A (zh) | 一种基于近红外光谱的富士苹果品质无损检测方法 | |
| CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
| Pissard et al. | Classical and NIR measurements of the quality and nutritional parameters of apples: a methodological study of intra-fruit variability | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| Xu et al. | Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy | |
| Zhang et al. | Modification of the effect of maturity variation on nondestructive detection of apple quality based on the compensation model | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| CN106841167A (zh) | 果蔬农药残留的无损检测方法 | |
| CN106872396B (zh) | 一种不同近红外仪器测定葡萄糖度模型转换的方法 | |
| CN105527236A (zh) | 一种利用光谱法测定农产品主要营养成分的方法 | |
| Hu et al. | Modelling postharvest quality of blueberry affected by biological variability using image and spectral data | |
| CN104568827A (zh) | 一种近红外光谱法测定西瓜中糖含量的方法 | |
| Giovenzana et al. | Comparison of two immersion probes coupled with visible/near infrared spectroscopy to assess the must infection at the grape receiving area | |
| Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network | |
| CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
| CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into 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: 20151111 |