CN103868857A - 一种农药残留的检测方法、装置及系统 - Google Patents
一种农药残留的检测方法、装置及系统 Download PDFInfo
- Publication number
- CN103868857A CN103868857A CN201410054219.XA CN201410054219A CN103868857A CN 103868857 A CN103868857 A CN 103868857A CN 201410054219 A CN201410054219 A CN 201410054219A CN 103868857 A CN103868857 A CN 103868857A
- Authority
- CN
- China
- Prior art keywords
- spectral
- curve
- image data
- pesticide residue
- analysis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 239000000447 pesticide residue Substances 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 97
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000010183 spectrum analysis Methods 0.000 claims description 12
- 230000001066 destructive effect Effects 0.000 abstract description 3
- 239000000575 pesticide Substances 0.000 description 50
- 238000005516 engineering process Methods 0.000 description 14
- 239000003905 agrochemical Substances 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 9
- 239000000203 mixture Substances 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 235000013311 vegetables Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 235000012055 fruits and vegetables Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003822 preparative gas chromatography Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 206010008428 Chemical poisoning Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 231100000703 Maximum Residue Limit Toxicity 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004808 supercritical fluid chromatography Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种农药残留的检测方法、装置及系统，所述方法包括：获取待检测物体的高光谱图像数据；对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；基于对所述光谱曲线的分析确定所述待检测物体的农药残留。该方法可以快速检测待检测物体的农药残留，且该方法无需损坏待检测物体，是一种无损、安全的检测方法。
Description
技术领域
本发明涉及农药检测技术领域，尤其涉及一种农药残留的检测方法、装置及系统。
背景技术
水果和蔬菜是人们日常饮食中最重要的组成部分之一。农药在果蔬的种植过程中起到病虫草害的防治作用，但是农药并不能全部被植物吸收，大部分仍残留在果实表面。由于目前我国农药品种结构不合理，加之有些使用者违反规定不合理使用农药，以及农药残留监管力度不够等原因，致使我国农药残留问题比较突出。近年来因过量使用农药而造成的农药中毒现象屡见不鲜，主要表现在:一是由于在蔬菜瓜果上使用高毒农药引起农药急性中毒事故；二是农副产品中农药残留量超过最高残留限量。农药残留是指农药使用后一个时期内没有被分解而残留于生物体上的农药，它不仅可以通过环境和食物链的作用间接对人体健康造成潜在危害,而且农药最高残留限量也成为各贸易国之间重要的技术壁垒。有些国家对我国出口的农产品制定了严格的环保技术标准，使我国蔬菜水果进入国际市场面临着绿色壁垒。
农药残留已成为食品中的主要安全问题，随着人们生活水平的提高，健康环保意识的增强，消费者越来越关注果蔬质量安全问题，其中果蔬表面的农药残留问题尤其备受关注。因此，加强蔬菜、水果中农药残留的检测势在必行。
现有技术中，已有薄层色谱法、气象色谱法、高效液相色谱法、超临界流体色谱法等等。但现有技术中的农药残留的检测方法通常都是有损检测方法，以目前用于农药残留检测最普遍、最成熟的气相色谱法为例，目前多达70%的农药残留可用气相色谱法来检测,但所述气相色谱法也是有损检测的方法。
用有损检测的方法来检测农药残留，存在着检测周期长、实验过程复杂、化学试剂消耗两大、污染环境、操作需要专业人员、不易推广以及对样品有破坏性等缺点。
发明内容
本发明解决的问题是有损检测方法中存在的检测方法复杂、对待检测物体有损伤以及检测周期长的问题。
为解决上述问题，本发明技术方案提供一种农药残留的检测方法，包括：
获取待检测物体的高光谱图像数据；
对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；
基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
可选的，所述高光谱图像数据通过光谱成像仪获取。
可选的，所述对所述高光谱图像数据的进行降维处理包括：
通过主成分分析法和线性鉴别分析法中的任意一种方法对所述高光谱图像数据进行降维处理。
可选的，所述基于对所述光谱曲线的分析确定所述待检测物体的农药残留包括：
对所述光谱曲线进行光谱分析；
基于所述光谱分析结果中农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异确定所述待检测物体的农药残留结果。
为解决上述技术问题，本发明技术方案还提供一种农药残留的检测装置，包括：
获取单元，适于获取待检测物体的高光谱图像数据；
降维单元，适于对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；
确定单元，适于基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
可选的，所述确定单元包括：
光谱分析单元，适于对所述光谱曲线进行光谱分析；
差异比较单元，适于基于所述光谱分析结果中农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异确定所述待检测物体的农药残留结果。
本发明技术方案还提供一种农药残留的检测系统，包括光谱成像仪，还包括：
如上所述的农药残留的检测装置。
与现有技术相比，本发明的技术方案具有以下优点：
获取待检测物体的高光谱图像数据，并对所述高光谱图像数据进行降维处理，获取包含有特征波长的光谱曲线，基于对所述光谱曲线的分析确定所述待检测物体的农药残留。该方法可以快速检测待检测物体的农药残留，且该方法无需损坏待检测物体，是一种无损、安全的检测方法。
附图说明
图1是本发明实施例提供的硬件环境示意图；
图2是本发明实施例提供的农药残留的检测方法的流程示意图。
具体实施方式
如背景技术所述，现有技术中的农药残留的检测方法通常都是有损检测方法，用有损检测的方法来检测农药残留，存在着检测周期长、实验过程复杂、化学试剂消耗两大、污染环境、操作需要专业人员、不易推广以及对样品有破坏性等缺点。
为解决有损检测方法中存在的问题，本发明技术方案提供一种无损检测的技术方法。
无损检测技术是有别于传统检测手段的一种新兴技术，无损检测技术是在不破坏被检对象的前提下，运用各种物理学的方法如声、光、电等对物体进行检测分析的一种技术。
本发明技术方案所采用的光谱成像技术是一种无损的检测技术。
光谱成像技术是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术，其最大特点是将成像技术与光谱探测技术结合，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。其中，高光谱图像技术通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，在获得地表图像信息的同时，也获得其光谱信息，真正做到了光谱与图像的结合。
在高光谱图像的图像信息和光谱信息中，图像信息可以反映样本的大小、形状、缺陷等外部品质特征，而光谱信息能充分反映样品内部的物理结构、化学成分的差异，这些特点决定了高光谱图像技术在农产品内外部品质的检测方面的独特优势。
本发明技术方案基于光谱技术实现对待检测物体的农药残留的检测。在本发明技术方案提供的农药残留的检测方法中，首先获取待检测物体的高光谱图像数据，通过对所述高光谱图像数据进行降维处理，获取含有特征波长下的光谱曲线，进而基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
本发明技术方案通过高光谱图像技术对待检测物体的农药残留进行检测，是一种无损坏性的检测，可以保留农产品等待检测物体的完整外表，且其检测速度较快，不需花费大量时间进行样本预处理和常规分析，该方法具有实时、高效、快速以及无损检测的优点。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
在本实施例中，可以通过如图1所示的硬件环境实现对待检测物体的农药残留的检测。
通过光谱成像仪获取待检测物体的高光谱图像数据，将所述高光谱图像数据通过无线或者有线的方式传递到电脑、手机等处理设备上，所述处理设备可以实现对通过光谱成像仪所获取的高光谱图像数据的降维和去噪处理，并得到包含有特征波长的光谱曲线，所述处理设备还可以基于对所述光谱曲线的分析而确定所述待检测物体的农药残留。所述无线或者有线的方式包括USB传输方式、串口传输方式、蓝牙传输方式以及红外传输方式等。
在其它实施例中，也可以包括如图1所示的服务器，在处理设备得到含有特征波长的光谱曲线后，将所述光谱曲线通过网络传递到网络端的预先设定好的服务器上，在服务器上可以预先存储有与农药残留情况相对应的光谱曲线，则可以在服务器接收到来自处理设备的光谱曲线后，通过对比分析将检测结果反馈给处理设备，也可以在服务器上直接基于处理设备所传送的光谱曲线的分析而得到所述待检测物体的农药残留结果，服务器在得到检测结果后也可以通过网络将结果传回到手机或者PC等，用户可以基于检测结果实时对物体进行检测。
实现对待检测物体的农药残留的检测方法的流程，请参考图2，图2是本发明实施例提供的农药残留的检测方法的流程示意图。
如图2所示，首先执行步骤S201，通过光谱成像仪采集高光谱图像数据。
在400~1000纳米的可见光和近红外的光谱范围内，通过光谱成像仪采集蔬果等待检测物体的高光谱图像数据，在采集的过程中，可以同时考虑到成像时的曝光时间、光谱成像仪的扫描速度等，以获取较好的待检测物体的三维成像效果。
执行步骤S202，对所述高光谱图像数据进行降维处理，获取光谱曲线。
由于高光谱图像数据是从可见光到近红外的几百个连续的窄波段内获取的图像数据，因此，它具有很高的光谱分辨率，对蔬果等待检测物体的检测可以更加准确，但较大的数据量也给数据处理过程带来一定的困难。
由于高光谱图像数据不同波段像素之间存在极强的互相关性，图像间存在着大量的冗余信息，不是所有的波段都有同等的重要性，我们可以通过选择最佳波段组成新的高光谱图像数据空间，可以在不损失重要信息的条件下反映其他波段的信息，同时也可以有效降低计算量。
高光谱图像数据中有用的图像信息通常集中在较低维的空间中，因此，减小高光谱图像数据的维数是不会对有用的图像信息造成损失的。现有技术中，有多种高光谱图像数据降维方法，例如通过主成分分析法（PCA）、线性鉴别分析法（LDA）等实现对所述高光谱图像数据的降维处理。
主成分分析法是一种简化数据集的技术，它是把数据变换到一个新的坐标系统中的线性变换，可减少数据集的维数，同时保持数据集中贡献最大的特征。线性鉴别分析法可以在减少数据集维数的同时尽可能的保留数据集中的差别信息。
通常，可以采用主成分分析法对高光谱图像数据进行降维处理，也可以通过线性鉴别分析对高光谱图像数据进行降维处理并得到差别信息，在本实施例中，可以结合主成分分析法和线性鉴别分析法以实现在高光谱图像数据进行降维的处理过程中，可以同时保留数据中的差别信息。在此步骤中，也可以对所述高光谱图像数据进行去噪处理，提高图像处理结果的准确性。
通过对高光谱图像数据进行降维和去噪处理，可以实现对原图像数据中波段之间的多余信息、冗余信息等的处理，将多波段的图像信息压缩到原波段更有效的少数几个转换波段，然后找出特征波长下的光谱曲线图像。
执行步骤S203，基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
根据高光谱图像数据具有多光谱通道、高光谱分辨率和连续光谱等特点，在本步骤中，对含有特征波长下的光谱曲线图像进行光谱分析，得到包含有农药残留区域和无农药残留区域的连续光谱曲线。由于光谱信息能充分反映物体内部的物理结构、化学成分的差异，也可以理解为对于农药中的不同的化学成分，会有不同的光谱曲线与其对应，而且对于同一种化学成分，其含量不同，得到的光谱曲线也会有所不同，则在得到光谱曲线后也就可以相应的得到当前待检测物体所含有的农药中的化学成分、化学成分含量等信息，进而可以实现对于待检测物体的农药残留的检测。
可以预先通过一定量的含有不同农药成分、以及不同成分含量的物体样本，基于高光谱图像数据，得到其分别对应的不同的光谱曲线，则在对待检测物体进行检测的时候，可以基于待检测物体的高光谱图像数据所得到个光谱曲线与样本的光谱曲线的对比分析等操作，得到待检测物体的农药残留成分、含量等信息，基于农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异，判断所述待检测物体是否有农药残留。
该方法可以快速检测待检测物体的农药残留，且该方法无需损坏待检测物体，是一种无损、安全的检测方法。
本发明实施例还提供一种农药残留的检测装置，包括：获取单元，适于获取待检测物体的高光谱图像数据；降维单元，适于对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；确定单元，适于基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
所述确定单元包括：光谱分析单元，适于对所述光谱曲线进行光谱分析；差异比较单元，适于基于所述光谱分析结果中，基于农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异确定所述待检测物体的农药残留结果。
本实施例还提供一种农药残留的检测系统，包括光谱成像仪和如上所述的农药残留的检测装置。
本发明不局限于上述最佳实施方式，任何人在本发明的启示下作出的结构变化和方法改进，凡是与本发明具有相同或相近哦技术方案，均落入本发明的保护范围之内。
Claims (7)
1.一种农药残留的检测方法，其特征在于，包括：
获取待检测物体的高光谱图像数据；
对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；
基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
2.如权利要求1所述的农药残留的检测方法，其特征在于，所述高光谱图像数据通过光谱成像仪获取。
3.如权利要求1所述的农药残留的检测方法，其特征在于，所述对所述高光谱图像数据的进行降维处理包括：
通过主成分分析法和线性鉴别分析法中的任意一种方法对所述高光谱图像数据进行降维处理。
4.如权利要求1所述的农药残留的检测方法，其特征在于，所述基于对所述光谱曲线的分析确定所述待检测物体的农药残留包括：
对所述光谱曲线进行光谱分析；
基于所述光谱分析结果中农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异确定所述待检测物体的农药残留结果。
5.一种农药残留的检测装置，其特征在于，包括：
获取单元，适于获取待检测物体的高光谱图像数据；
降维单元，适于对所述高光谱图像数据进行降维处理，获取光谱曲线，所述光谱曲线包括特征波长下的光谱曲线；
确定单元，适于基于对所述光谱曲线的分析确定所述待检测物体的农药残留。
6.如权利要求1所述的农药残留的检测方法，其特征在于，所述确定单元包括：
光谱分析单元，适于对所述光谱曲线进行光谱分析；
差异比较单元，适于基于所述光谱分析结果中农药残留区域的光谱曲线和无农药残留区域的光谱曲线的差异确定所述待检测物体的农药残留结果。
7.一种农药残留的检测系统，包括光谱成像仪，其特征在于，还包括：
如权利要求5或6所述的农药残留的检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410054219.XA CN103868857A (zh) | 2014-02-18 | 2014-02-18 | 一种农药残留的检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410054219.XA CN103868857A (zh) | 2014-02-18 | 2014-02-18 | 一种农药残留的检测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103868857A true CN103868857A (zh) | 2014-06-18 |
Family
ID=50907627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410054219.XA Pending CN103868857A (zh) | 2014-02-18 | 2014-02-18 | 一种农药残留的检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103868857A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182251A (zh) * | 2014-08-12 | 2014-12-03 | 小米科技有限责任公司 | 农作物特征检测方法、装置及终端 |
| CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
| CN111077088A (zh) * | 2019-12-16 | 2020-04-28 | 王娟 | 智能手机成像光谱仪及其光谱识别方法 |
| CN113109544A (zh) * | 2021-04-15 | 2021-07-13 | 广东省林业科学研究院 | 一种基于快检数据自动采集系统 |
| CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
| CN113176215A (zh) * | 2021-01-06 | 2021-07-27 | 深圳市六合智能感知系统科技有限公司 | 果蔬残留农药的检测方法、系统、设备及存储介质 |
| CN113465253A (zh) * | 2020-07-14 | 2021-10-01 | 青岛海信电子产业控股股份有限公司 | 一种智能冰箱及食材表面农药残留量的检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7443539B2 (en) * | 1997-09-09 | 2008-10-28 | Olympus Optical Co., Ltd. | Color reproducing device |
-
2014
- 2014-02-18 CN CN201410054219.XA patent/CN103868857A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7443539B2 (en) * | 1997-09-09 | 2008-10-28 | Olympus Optical Co., Ltd. | Color reproducing device |
Non-Patent Citations (4)
| Title |
|---|
| 付妍等: "基于高光谱图像技术的果蔬表面农药残留检测研究", 《分析与检测》 * |
| 刘燕德等: "高光谱成像技术在农产品检测中的应用", 《食品与机械》 * |
| 王雷等: "高光谱图像技术在农产品检测中的应用进展", 《应用光学》 * |
| 薛龙等: "基于高光谱图像技术的水果表面农药残留检测试验研究", 《光学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182251A (zh) * | 2014-08-12 | 2014-12-03 | 小米科技有限责任公司 | 农作物特征检测方法、装置及终端 |
| CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
| CN111077088A (zh) * | 2019-12-16 | 2020-04-28 | 王娟 | 智能手机成像光谱仪及其光谱识别方法 |
| CN113465253A (zh) * | 2020-07-14 | 2021-10-01 | 青岛海信电子产业控股股份有限公司 | 一种智能冰箱及食材表面农药残留量的检测方法 |
| CN113176215A (zh) * | 2021-01-06 | 2021-07-27 | 深圳市六合智能感知系统科技有限公司 | 果蔬残留农药的检测方法、系统、设备及存储介质 |
| CN113109544A (zh) * | 2021-04-15 | 2021-07-13 | 广东省林业科学研究院 | 一种基于快检数据自动采集系统 |
| CN113109544B (zh) * | 2021-04-15 | 2022-03-15 | 广东省林业科学研究院 | 一种基于快检数据自动采集系统 |
| CN113125358A (zh) * | 2021-04-26 | 2021-07-16 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品农药残留检测方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
| Qin et al. | Line-scan hyperspectral imaging techniques for food safety and quality applications | |
| CN103868857A (zh) | 一种农药残留的检测方法、装置及系统 | |
| Wu et al. | Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging | |
| Lu et al. | Innovative hyperspectral imaging-based techniques for quality evaluation of fruits and vegetables: A review | |
| Tan et al. | Applications of photonics in agriculture sector: A review | |
| Zhang et al. | The optimal local model selection for robust and fast evaluation of soluble solid content in melon with thick peel and large size by Vis-NIR spectroscopy | |
| Kalkan et al. | Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging | |
| Tang et al. | Research review on quality detection of fresh tea leaves based on spectral technology | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| Wang et al. | Identification of tomatoes with early decay using visible and near infrared hyperspectral imaging and image‐spectrum merging technique | |
| CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
| CN107064053A (zh) | 基于近红外高光谱技术无损检测杨梅中多酚含量的方法 | |
| CN106885782A (zh) | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 | |
| Li et al. | Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging | |
| Ma et al. | Automatic threshold method and optimal wavelength selection for insect-damaged vegetable soybean detection using hyperspectral images | |
| Soares et al. | Classification of individual cotton seeds with respect to variety using near-infrared hyperspectral imaging | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| Ke et al. | Non-destructive determination of volatile oil and moisture content and discrimination of geographical origins of Zanthoxylum bungeanum Maxim. by hyperspectral imaging | |
| Vetrekar et al. | Non-invasive hyperspectral imaging approach for fruit quality control application and classification: case study of apple, chikoo, guava fruits | |
| Balasundaram et al. | Spectral reflectance characteristics of citrus canker and other peel conditions of grapefruit | |
| JP2010210355A (ja) | 近赤外線分光法を用いた野菜等の成分の非破壊計測法および非破壊計測装置 | |
| CN102519886A (zh) | 一种检测农作物叶片中叶绿素a和类胡萝卜素含量的方法 | |
| CN108801971A (zh) | 基于高光谱成像技术的霉菌侵染板栗的检测方法 | |
| CN108268902A (zh) | 基于递归图的高光谱图像变换及物质检测识别系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140618 |