CHNSpec Technology （Zhejiang）Co.,Ltd Nouvelles de société

Dans cette étude, une caméra 400-1000nm hyperspectral a été appliquée, et FS13, un produit de la technologie Cie., Ltd de spectre de couleur de Hangzhou, pourrait être employé pour la recherche relative. Le domaine spectral est 400-1000nm, la résolution de longueur d'onde est meilleure que 2.5nm, et jusqu'à 1200 canaux spectraux peuvent être atteints. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien).   La laitue est riche en protéine, hydrates de carbone, vitamines et d'autres éléments nutritifs, et le secteur de plantation est large. L'azote est l'un des éléments les plus importants affectant la croissance de la laitue. Pour établir un rapide, la méthode efficace et non destructive pour la détection satisfaite d'azote de la laitue est commode pour guider la fertilisation raisonnable de la laitue. Actuellement, il y a peu de rapports sur l'utilisation de la technologie hyperspectral d'image de détecter la teneur d'azote en feuilles de laitue. Dans cette étude, la technologie hyperspectral d'image a été appliquée à la détection non destructive de la teneur d'azote en feuilles de laitue. En étudiant les effets de diverses méthodes spectrales de traitement préparatoire sur PLSB modelant, des méthodes spectrales appropriées de traitement préparatoire ont été choisies pour des feuilles de laitue, et des longueurs d'onde sensibles appropriées à la teneur de prévision d'azote en feuilles de laitue ont été optimisées. Une tentative a été faite d'établir le modèle de la prévision la plus simple et optimale du contenu d'azote dans des feuilles de laitue. Cet ensemble de méthodes n'a pas été rapporté, et il constitue également une base pour le développement du détecteur végétal portatif d'élément nutritif, qui a la valeur pratique forte.   Les images hyperspectral de 60 feuilles de laitue ont été rassemblées par technologie hyperspectral d'image, et la teneur en azote des feuilles correspondantes de laitue a été déterminée par l'analyseur du flux continu AutoAnalyzer3. Les données spectrales moyennes des régions 50×50 sur la surface des feuilles crues de laitue ont été extraites par le logiciel d'ENVI. Les données spectrales moyennes extraites ont été prétraitées (8 genres de méthodes de traitement préparatoire). En conclusion, les données spectrales originales et 8 genres de données spectrales de traitement préparatoire ont été employés comme entrée de PLSR pour établir 9 modèles de prévision pour la teneur en azote de la laitue. En comparant les résultats de ces 9 modèles de prévision, la prévision optimale OSC+PLSR modèle a été choisie, et le diagramme de coefficient de régression du modèle d'OSC+PLSR a été analysé. 13 longueurs d'onde sensibles ont été choisies, et alors 13 longueurs d'onde sensibles ont été prises comme entrée de PLSR. En conclusion, le modèle de prévision du contenu d'azote de laitue d'OSC+SW+PLSR a été établi. Comparé au modèle d'OSC+PLSR, l'efficacité de prévision a été considérablement améliorée, qui peut être employée comme nouvelle méthode efficace, précise et non destructive pour la prévision du contenu d'azote dans des feuilles de laitue, et peut fournir une référence pour le diagnostic de nutrition d'azote et la fertilisation économique et rationnelle de la laitue.

Dans cette étude, une caméra hyperspectrale de 400 à 1 000 nm peut être utilisée et les produits de Hangzhou Color Spectrum Technology Co., LTD FS13 mène des recherches connexes.La plage spectrale est de 400 à 1 000 nm et la résolution de longueur d'onde est meilleure que 2,5 nm, jusqu'à 1 200 Deux canaux spectraux.Vitesse d'acquisition jusqu'à 128FPS dans le spectre complet, jusqu'à 3300Hz après sélection de bande (support multizone Sélection de bande de domaine).   Avec la promotion de la stratégie des céréales de base de la pomme de terre en Chine, la chaîne industrielle liée à la pomme de terre s'est rapidement développée et la qualité de la pomme de terre est devenue un problème brûlant.Cependant, des défauts tels que la peau verte et les dommages mécaniques affectent sérieusement la quantité globale de pommes de terre, en particulier la forme complexe des pommes de terre à peau verte, les défauts ne sont pas faciles à identifier et augmentent la difficulté de détection.Dans le même temps, si la teneur en solanine de la pomme de terre verte dépasse la norme comestible, cela entraînera une intoxication alimentaire et posera des problèmes de sécurité alimentaire.Par conséquent, il est d’une grande importance d’étudier une méthode de détection rapide et non destructive pour la transformation en profondeur des pommes de terre et l’extension de la chaîne industrielle de la pomme de terre.   La technologie d'imagerie hyperspectrale présente les avantages d'une large gamme de bandes et peut obtenir simultanément l'image et les informations spectrales dans la gamme de bandes correspondante de l'échantillon testé, elle a donc été largement utilisée dans les tests non destructifs rapides des produits agricoles.Afin de résoudre le problème selon lequel la pomme de terre à la peau vert clair n'est pas facile à reconnaître dans une position arbitraire, les techniques d'imagerie hyperspectrale de semi-transmission et de réflexion ont été utilisées pour comparer et analyser, et la précision de la reconnaissance du modèle sous différentes méthodes d'imagerie hyperspectrale a été déterminée. .Les images hyperspectrales semi-transmises et hyperspectrales réfléchies d'échantillons de pommes de terre ont été collectées à n'importe quelle position, et des modèles de détection basés sur les informations d'image et les informations spectrales ont été établis respectivement, et les taux de reconnaissance de différents modèles ont été comparés.Établissez davantage des modèles de fusion d'images et de spectre ou différents modèles de fusion d'imagerie pour améliorer les performances du modèle, et enfin déterminer le modèle optimal. (1) La précision des modèles de reconnaissance d'informations d'image avec différentes méthodes d'imagerie hyperspectrale est comparée.Le taux de reconnaissance de la cartographie isométrique combinée à un modèle de réseau de croyance profonde basé sur des informations d'image semi-transmises n'est que de 78,67 %.Le taux de reconnaissance de l'expansion maximale de la variance combinée au modèle de réseau de croyance profonde basé sur les informations d'image réfléchies n'est que de 77,33 %.Les résultats ont montré que la précision de la détection des pommes de terre vert clair par des informations sur une seule image n'était pas élevée. (2) La précision des modèles de reconnaissance d'informations spectrales avec différentes méthodes d'imagerie hyperspectrale est comparée.Le taux de reconnaissance de l'arrangement spatial tangent local combiné à un modèle de réseau de croyance profonde basé sur des informations de spectre de semi-transmission est le plus élevé de 93,33 %.Le taux de reconnaissance de l'arrangement spatial tangent local combiné à un modèle de réseau de croyances profondes basé sur les informations spectrales de réflectance atteint 90,67 %.Les résultats montrent qu'il est possible d'utiliser des informations spectrales uniques pour détecter les pommes de terre vert clair, mais le taux de reconnaissance doit encore être amélioré. (3) L'influence de trois méthodes de fusion d'informations multi-sources sur la précision de la reconnaissance est comparée.La précision des trois modèles de fusion d'image semi-transmise et de spectre semi-transmis, d'image réfléchie et de spectre de réflexion, de spectre semi-transmis et de spectre de réflexion est supérieure à celle d'une image unique ou d'un modèle spectral, et le modèle de fusion de réseau de croyance profonde de le spectre semi-transmis et le spectre de réflexion sont les meilleurs, et le taux de reconnaissance de l'ensemble de correction et de l'ensemble de test est de 100 %.Les résultats montrent que le modèle de fusion du spectre de semi-transmission et du spectre de réflexion peut réaliser des tests non destructifs sur des pommes de terre à peau vert clair.

Dans cette étude, des caméras hyperspectral de la bande 400-1000nm et 900-1700 nanomètre ont été appliqués, et les produits FS13 et FS15 de Hangzhou Color Spectrum Technology Co., Ltd. pourraient être employés pour la recherche relative. Le domaine spectral est 400-1000nm, la résolution de longueur d'onde est meilleure que 2.5nm, et jusqu'à 1200 canaux spectraux peuvent être atteints. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien). La viande inclut principalement le bétail et la volaille et les produits aquatiques, les protéines, les acides gras, les oligoéléments et d'autres substances importantes d'énergie requis par le corps humain sont dérivés de la viande. Avec l'amélioration continue des niveaux de vie, les gens prêtent plus d'attention à la qualité de la nourriture et de la nutrition équilibrée dans le régime, mais quelques entreprises illégales mélangeront de la viande de basse qualité dans la viande de haute qualité, effilochée, particulièrement en 2013 la « vague de viande du cheval » de l'Europe, ont déclenché le souci extrême des personnes concernant l'adultération de viande. Les méthodes de dépistage d'adultération de viande incluent l'évaluation sensorielle, technologie fluorescente de détection d'ACP, analyse d'électrophorèse et la technologie enzyme-liée d'immunoessai, etc., mais la plupart d'entre elles exige le traitement préparatoire d'échantillon, et l'opération d'essai est compliquée et longue, et lui est difficile de réaliser la détection en temps réel rapide de la grande dimension de l'échantillon dans le domaine.   La plupart des rapports existants de littérature ont employé la technologie de l'image hyperspectral de simple-bande pour distinguer l'adultération de viande, mais peu ont employé deux bandes pour l'analyse comparative. Dans cette expérience, le mouton dégivré de haute qualité a été choisi comme adultérant, et de la viande de canard avec relativement le petit prix a été enduite. Des informations Hyperspectral des échantillons ont été collectées en deux bandes de proche-infrarouge évident (400 | 1 000 nanomètre) et ondes courtes proche-infrarouges (900 | 1700 nanomètre), et un modèle quantitatif ont été établis en choisissant des méthodes appropriées de traitement préparatoire. Le modèle optimal a été choisi pour l'inversion d'image, et une méthode de visualisation pour la détection quantitative rapide de l'adultération de mouton a été proposée afin de fournir les données et le support technique pour la détection quantitative de l'adultération de mouton. (1) pour la bande de 400 | 1000 nanomètre, la plein-bande SATISFONT le modèle établi après que le traitement préparatoire de normalisation ait le de grande précision ; Pour la bande de 900-1700 nanomètre, la plein-bande SATISFONT le modèle établi après que le traitement préparatoire de SNV ait le de grande précision. En choisissant la longueur d'onde des deux bandes spectrales sous la méthode optimale de traitement préparatoire, on le constate que le collinearity entre les longueurs d'onde choisies est minimal et représentatif sur la base d'éliminer le multicollinearity, qui peut plus loin améliorer l'exactitude et la simplicité du modèle.   (2) là est plus d'informations sur des groupes liés à la composition en viande dans la bande de 900-1700 nanomètre, qui peut mieux refléter les caractéristiques de la viande, et peut être plus approprié à l'identification de l'adultération de viande. Afin d'agrandir la globalité et l'applicabilité du modèle, l'expérience devrait être prolongée à la longue vague près du spectre infrarouge (1 700 | 2500 nanomètre). En même temps, le mouton et la viande de haute qualité de canard choisis dans l'expérience ont été empaquetés comme produits finis dans les supermarchés locaux. Si le modèle suivant peut être appliqué à l'étude de l'adultération de mouton sous différents environnements (la température, humidité, forme, etc.), différentes variétés, différentes qualités, les différentes méthodes de alimentation et la fraîcheur différente a besoin davantage de vérification et de discussion.  

Dans cette étude, une caméra hyperspectrale 900-1700nm a été appliquée, et FS-15, le produit de Hangzhou Color Spectrum Technology Co., LTD., pourrait être utilisé pour des recherches connexes.La caméra hyperspectrale proche infrarouge à ondes courtes, la vitesse d'acquisition du spectre complet jusqu'à 200FPS, est largement utilisée dans l'identification de la composition, l'identification des substances, la vision artificielle, la qualité des produits agricoles, la détection d'écran et d'autres domaines.        La tomate est une culture de baies avec une saveur unique et riche en une variété de nutriments, y compris le glutathion, les vitamines, le lycopène, le bêta-carotène et d'autres ingrédients bioactifs, et a une valeur alimentaire élevée.Avec le développement rapide de l'économie mondiale, la demande de tomates et de produits de transformation de tomates sur le marché de consommation augmente.La tomate est également devenue l'une des cultures maraîchères et fruitières les plus cultivées et consommées au monde.En outre, avec l'amélioration générale du niveau de vie de la population, la qualité interne, la qualité d'apparence, la qualité de stockage et de transport et l'excellente saveur et le goût des tomates sont devenus de plus en plus importants pour les consommateurs, et l'industrie chinoise de la tomate est également confrontée à de nouveaux défis et opportunités. .Selon l'enquête, la maturité et la qualité de stockage des tomates sont très importantes pour l'industrie de la tomate, et la qualité interne des tomates cerises, ainsi que l'excellente saveur et le goût sont plus concernés par les consommateurs.Sur la base du développement et de l'application de mégadonnées, la plantation automatique, la cueillette mécanisée et la classification intelligente des tomates sont réalisées pour augmenter la production et l'efficacité des tomates.À l'heure actuelle, il y a eu quelques recherches sur la détection de la qualité de la tomate basée sur le spectre à la maison et à l'étranger, mais dans les modèles de détection de la qualité de la tomate existants, l'extraction d'informations spectrales efficaces est toujours une difficulté de recherche, et la détection de la qualité interne de la tomate par des moyens appropriés les méthodes de contrôle non destructif restent à étudier.     Dans l'étude de la détection non destructive de la teneur en solides solubles des tomates cerises basée sur la technologie d'imagerie hyperspectrale, 191 tomates cerises ont été sélectionnées comme objets de recherche, des données d'images hyperspectrales dans la plage de 865,11 ~ 1711,71 nm ont été collectées et la région d'intérêt de L'image hyperspectrale des tomates cerises a été segmentée par l'algorithme K-means.Le spectre moyen de cette région a été extrait comme les données spectrales originales de la tomate cerise.MA et MSC ont été utilisés pour prétraiter les données spectrales d'origine, et les échantillons de tomates cerises ont été divisés en ensembles d'apprentissage et en ensembles de test basés sur l'algorithme KS.Afin d'améliorer l'efficacité des informations contenues dans la bande de caractéristiques, l'algorithme SPA et l'algorithme PCA ont été combinés pour effectuer une analyse en composantes principales sur les données spectrales, puis comparés aux algorithmes PCA et miRF, un modèle de détection SSC basé sur PLSR de cerise tomate a été établie et le modèle a été vérifié par les données de l'ensemble de test.Les résultats montrent que la précision de détection du modèle basé sur la composante principale extraite par SPA-PCA est évidemment optimisée.D'après les résultats de détection des modèles, parmi les trois modèles, le modèle SPA-PCA-PLSR a le meilleur effet de détection, R, 0,9039.L'effet de détection du modèle miRF-PLSR était le second, le RF était de 0,8878.L'effet d'ajustement du modèle PCA-PLSR est le pire.

Dans cette étude, une caméra hyperspectrale de 400 à 1000 nm a été appliquée et FS13, un produit de Hangzhou Color Spectrum Technology Co., LTD., pourrait être utilisé pour des recherches connexes.La gamme spectrale est de 400 à 1000 nm, la résolution de longueur d'onde est meilleure que 2,5 nm et jusqu'à 1200 canaux spectraux peuvent être atteints.La vitesse d'acquisition peut atteindre 128FPS dans le spectre complet, et le maximum après la sélection de bande est de 3300Hz (prise en charge de la sélection de bande multi-région). Les myrtilles, également appelées myrtilles, fruits bleu foncé, baies, également appelées baies bleues, sont l'une des petites baies émergentes en Chine.En raison de sa santé et de sa valeur nutritionnelle uniques, il contient de nombreux nutriments nécessaires au corps humain, d'excellentes propriétés de traitement, etc., et a fait l'objet d'une attention particulière." La qualité interne des myrtilles a un grand impact sur le goût des myrtilles est également l'un des indicateurs importants pour évaluer la qualité des myrtilles.La méthode de test traditionnelle utilise généralement un appareil de mesure pour détecter la teneur en sucre et la dureté de la myrtille.En raison de l'indice de détection unique, long et destructeur, ces méthodes de détection sont difficiles à appliquer à la détection industrielle de la teneur en sucre et de la dureté des fruits.Par conséquent, il est très important de développer une méthode non destructive et efficace pour détecter la teneur en sucre et la dureté des myrtilles sur la base de la qualité interne.   Tout au long de la recherche nationale et étrangère sur la teneur en sucre des fruits et la détection de la dureté, on peut voir que l'utilisation de la méthode de sélection de longueur d'onde caractéristique peut réduire efficacement la dimension des données d'image hyperspectrales, réduire la redondance des données spectrales, améliorer les performances d'étalonnage et l'efficacité de détection du modèle et obtenir de bons résultats de prédiction.Il montre que ces méthodes de sélection de longueur d'onde caractéristique peuvent être bénéfiques pour réaliser une détection de fruits en ligne.Cependant, ces études visent principalement la détection d'indicateurs uniques, et plusieurs modèles doivent être établis pour détecter plusieurs indicateurs de fruits, ce qui augmente la complexité du traitement des données.Par conséquent, il est nécessaire d'établir un modèle de détection multi-index pour gagner du temps et améliorer l'efficacité de la détection en ligne.Dans cette étude, la technologie d'imagerie hyperspectrale a été utilisée pour proposer une méthode de sélection de longueur d'onde caractéristique en plusieurs étapes pour détecter à la fois la teneur en sucre et la dureté des myrtilles dans les images hyperspectrales.Des méthodes de sélection de longueur d'onde caractéristique telles que l'algorithme de projection continue ou la régression linéaire multiple pas à pas ont été utilisées successivement pour sélectionner les longueurs d'onde caractéristiques qui pourraient refléter à la fois la teneur en sucre et la dureté des myrtilles, et le modèle de réseau neuronal BP a été utilisé comme modèle de détection.La teneur en sucre et la dureté de la myrtille ont été prédites afin de réaliser des tests rapides et non destructifs de la qualité interne de la myrtille et de fournir une base théorique pour la construction de tests de qualité en ligne de la myrtille.

Dans cette étude, une caméra 400-1000nm hyperspectral peut être utilisée, et les produits de la technologie Cie., Ltd de spectre de couleur de HangzhouDans cette étude, une caméra 400-1000nm hyperspectral peut être utilisée, et les produits de la technologie Cie., Ltd de spectre de couleur de HangzhouFS13 conduit la recherche relative. Le domaine spectral est 400-1000nm, et la résolution de longueur d'onde est meilleure que 2.5nm, jusqu'à 1200Deux canaux spectraux. L'acquisition accélèrent à 128FPS dans le plein spectre, jusqu'à 3300Hz après la sélection de bande (appui multizoneSélection de bande de domaine). FS13 conduit la recherche relative. Le domaine spectral est 400-1000nm, et la résolution de longueur d'onde est meilleure que 2.5nm, jusqu'à 1200Deux canaux spectraux. L'acquisition accélèrent à 128FPS dans le plein spectre, jusqu'à 3300Hz après la sélection de bande (appui multizoneSélection de bande de domaine). Le ver à soie (mori Linnaeus de bombyx) est un insecte économique qui mange la mûre et en soie de rotations, ainsi lui s'appelle également le ver à soie. Les vers à soie ont provenu de la Chine antique et ont été graduellement domestiqués par les vers à soie originaux habitant des mûriers. Dès il y a 5 000 ans, les ancients avaient maîtrisé la technologie de planter la mûre et d'élever des vers à soie. En périodes antiques, la sériciculture a apporté de grandes contributions au développement de l'économie et de la culture. Actuellement, l'industrie de ver à soie de mûre favorise le développement de l'économie rurale, améliore le niveau de vie des agriculteurs, et est l'une des industries importantes de ligne de touche dans la production agricole. En outre, l'industrie de ver à soie est en principale position sur le marché international et joue un rôle important dans le commerce mondial, créant un grand nombre de réservations de devises étrangères pour notre pays. Par conséquent, le développement durable de l'industrie de ver à soie de mûre a la valeur économique et l'importance extrêmement importantes. La technologie chimique traditionnelle de détection doit traiter préalablement les échantillons examinés, le procédé d'opération est compliqué, et beaucoup de réactifs chimiques sont consommés. L'exactitude de la technologie rapide enzymatique de détection est basse, ainsi elle peut seulement être employée pour le criblage primaire. La technologie non destructive spectrale d'essai n'est pas représentative en raison de l'information unilatérale. Par conséquent, un essai non destructif rapide, fiable et complet des feuilles de mûre est cherché.   La méthode de résidu de pesticide est de la grande importance dans la détection de sécurité de culture. La technologie de l'image Hyperspectral est une nouvelle technologie de essai non destructive combinant la technologie de technologie de l'image et de spectre, qui a les avantages sans besoin de détruire l'objet mesuré, l'acquisition complète de l'information et l'exactitude élevée de détection. En ce document, la technologie de l'image hyperspectral combinée avec des méthodes spectrales de traitement et d'analyse ont été employées pour étudier les résidus de pesticide dans des feuilles de mûre, pour étudier non seulement s'il y a les résidus de pesticide dans des feuilles de mûre et l'identification des résidus de pesticide, mais pour étudier également la détection quantitative des résidus de pesticide de chlorpyrifos dans des feuilles de mûre. La teneur en recherches de ce document fournit le support technique pour l'industrie de sériciculture et la garantie forte pour le revenu de l'exploitant agricole de sériciculture, et favorise le développement viable et en profondeur de l'industrie de sériciculture, qui a la valeur théorique extrêmement importante et l'importance pratique. En ce document, la technologie de l'image hyperspectral combinée avec des méthodes spectrales de traitement et d'analyse a été employée pour détecter quantitativement le contenu du chlorpyrifos dans des feuilles de mûre. La mûre part avec différents résidus de chlorpyrifos ont été employées comme objets d'essai pour obtenir des images hyperspectral des feuilles de mûre de l'ordre de 390-1050nm par l'encre en poudre hyperspectral. Le logiciel d'ENVI est employé pour déterminer la région d'intérêt de la lame et pour calculer les données spectrales moyennes de la région. Les coefficients de corrélation entre les données spectrales moyennes des échantillons de feuille de mûre et les valeurs chimiques correspondantes déterminées par le chromatographe en phase gazeuse ont été calculés, et 5 vagues ont été choisies selon le diagramme de forme d'onde du coefficient de corrélation et de la longueur d'onde.   Les longueurs d'onde correspondant aux crêtes et aux cuvettes sont employées en tant que longueurs d'onde caractéristiques (561,25, 680,86, 706,58, 714,32, 724.66nm). Basé sur des données spectrales à la longueur d'onde caractéristique, un modèle de détection quantitatif des résidus de feuille de mûre a été établi à l'aide de la régression multiple linéaire et de soutien de vecteur. La correction a placé le ² du coefficient R de détermination du modèle de prévision de MLR est 0,730, l'erreur de moyenne carrée de racine RMSEC est 38,599, et la prévision a placé le coefficient R de détermination est obtenue. Est 0,637, et l'erreur de moyenne carrée de racine RMSEP est 47,146. La correction a placé le coefficient R3 de détermination est 0,920, l'erreur de valeur efficace RMSEC est 21,073, la prévision a placé le coefficient R3 de détermination est 0,874, et l'erreur de valeur efficace RMSEP est 27,719. Par l'analyse comparative : Le modèle de prévision de SVR a une meilleure représentation que le modèle de prévision de MLR, ainsi la technologie de l'image hyperspectral vision-proche-infrarouge combinée avec le modèle de prévision de SVR peut être employée à la détection non destructive des résidus de chlorpyrifos dans des feuilles de mûre.

Dans cette étude, une caméra 400-1000nm hyperspectral peut être utilisée, et FS13, un produit de Hangzhou CHNSpec Technology Co., Ltd, Ltd, peut être employé pour la recherche relative. Le domaine spectral est 400-1000nm, la résolution de longueur d'onde est meilleure que 2.5nm, et jusqu'à 1200 canaux spectraux peuvent être atteints. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien). Les éléments nutritifs principaux du fourrage composé incluent l'eau, cendre, protéine brute, calcium, phosphore total et ainsi de suite. La détection des éléments nutritifs principaux de l'alimentation est un lien technique indispensable dans le processus de fabrication et des moyens importants d'assurer la qualité des produits d'alimentation. La méthode de détection et d'analyse d'alimentation est la base de son contrôle de qualité. Actuellement, la méthode d'analyse chimique traditionnelle est généralement employée pour déterminer les éléments nutritifs principaux du fourrage composé. La méthode traditionnelle de détermination est souvent longue et de main-d'oeuvre, ayant pour résultat le délai, alors que le coût de détermination est haut, et certains même doivent détruire l'échantillon lui-même, qui a également des conditions plus élevées pour des opérateurs et des laboratoires. Pour explorer une méthode pour la détection rapide des éléments nutritifs principaux du fourrage composé, largement la favoriser et s'appliquer à l'essai et à l'analyse réels des entreprises d'alimentation, qui a les avantages sociaux et économiques élevés pour améliorer le taux de détection et favoriser le développement du niveau de essai du fourrage composé. La détection Hyperspectral d'image est un ensemble de pointe de vision d'ordinateur et de détection spectrale, l'utilisation de la technologie hyperspectral d'image d'obtenir l'information d'échantillon contient un grand nombre d'information spectrale du bloc d'image tridimensionnel, elle a non seulement une résolution spectrale élevée, et l'information spectrale extraite à partir de l'image peut être employée pour détecter la qualité interne de l'échantillon. Par conséquent, la technologie hyperspectral de détection d'image de plus en plus est favorisée par des chercheurs ici et ailleurs, et a été très utilisée dans la détection de qualité des produits agricoles, mais la recherche d'application en fourrage composé est rarement rapportée. Dans cette étude, la technologie hyperspectral d'image a été employée pour obtenir du modèle évidente/proche-infrarouge information spectrale des échantillons expérimentaux de fourrage composé, et d'analyse quantitative des éléments nutritifs principaux en fourrage composé, tel que l'humidité, cendre, protéine brute, calcium et phosphore total, a été établie à l'aide des méthodes stoechiométriques, et le modèle a été vérifié, visant à explorer la faisabilité d'employer la technologie de l'image hyperspectral pour détecter les éléments nutritifs principaux en fourrage composé. Il constitue également une nouvelles idée et base pour la détection rapide du fourrage composé. Dans cette étude, la technologie hyperspectral d'image a été employée pour établir des modèles d'analyse quantitative de protéine brute, cendre brute, eau, phosphore et teneur en calcium totale en fourrage composé au moyen de prise d'échantillons anormale, division d'ensemble témoin, traitement préparatoire spectral optimal et sélection caractéristique de bande, combinés avec partiel moindre stoechiométrie du carré. Les modèles ont été vérifiés. L'ensemble témoin de protéine brute divisé par la méthode de SPXY et l'ensemble brut témoin de cendre divisé par la méthode de CG., combinée avec la combinaison de l'as, du FD et du SNV, le modèle d'analyse quantitative établi dans la bande caractéristique a le meilleur effet. La correction a placé le coefficient R& de détermination du modèle optimal de protéine brute est 0,8373, l'erreur de valeur efficace RMSEC est 2,1327%, l'erreur relative RPDc d'analyse est 2,4851, la validation a placé le rv est 0,7778, RMSEP est 2,6155%, et RPDv est 2,1143. La cendre brute optimale R&, RMSEC 1,0107%, RPDc 2,2064, rv 0,7758, RMSEP 1,0611% et RPDv 2,1204 ont été obtenues. L'analyse quantitative modèle de la protéine brute et représentation prévisionnelle d'exposition brute de cendre de la bonne et peut être employée pour l'analyse quantitative pratique. L'ensemble d'échantillon d'eau divisé par la méthode de CG. combinée avec le traitement préparatoire de l'as, de l'OSCILLATEUR et du Detrend a le meilleur effet dans la bande caractéristique. Son RE d'ensemble de correction est 0,6470, RMSEC est 1,8221%, RPD est 1,6849, relais d'ensemble de validation est 0,6314, RMSEP est 1,6003%. RPDv est 1,9371, bien que le modèle puisse être employé dans l'analyse quantitative pratique, son exactitude de prévision doit toujours être encore optimisé. Les résultats du modèle d'analyse quantitative obtenu à partir de tout le ensemble témoin de phosphore divisé par la méthode de CG. combinée avec les méthodes de traitement préparatoire d'as, de FD et de SNV étaient optimaux. Le rapport de RS, de RMSEC et de RPD du modèle optimal était 0,6038, 0,1656% et 1,5700, respectivement. Les ensembles de validation R9, RMSEP et RPD/sont 0,4672, 0,1916% et 1,3570, respectivement. Les paramètres d'optimisation du traitement du modèle de correction et du modèle de validation sont pauvres, indiquant que le modèle a la capacité prévisionnelle pauvre et ne peut pas être employé dans l'analyse quantitative réelle. Après traitement préparatoire de l'ensemble témoin de calcium divisé par la méthode de CG. et combiné avec de l'as, l'OSCILLATEUR et la méthode de Detrend, le modèle d'analyse quantitative établi dans sa bande caractéristique a le meilleur effet, le RB du modèle optimal est 0,4784, et l'ensemble R≈ de vérification est seulement 0,4406. L'effet de prévision du modèle est pauvre, et il ne peut pas être appliqué dans l'analyse pratique. L'exactitude de prévision du modèle optimal d'analyse quantitative de protéine brute basé sur la technologie hyperspectral d'image est le meilleur, et la représentation de prévision du modèle brut de cendre est la deuxième, et chacun des deux peuvent être employés exactement dans la détection pratique. L'exactitude de prévision du modèle optimal d'analyse quantitative de l'eau devrait être améliorée. Cependant, le modèle optimal d'analyse quantitative du phosphore et du calcium totaux a la représentation prévisionnelle pauvre et ne peut pas être employé pour la détection pratique.

Dans cette étude, une caméra 400-1000nm hyperspectral a été appliquée, et FS13, un produit de Hangzhou CHNSpec Technology Co., Ltd, pourrait être employé pour la recherche relative. Le domaine spectral est 400-1000nm, la résolution de longueur d'onde est meilleure que 2.5nm, et jusqu'à 1200 canaux spectraux peuvent être atteints. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien). La capsule dure creuse de gélatine médicinale est un genre d'excipients médicinaux spéciaux, dans lesquels le contenu de chrome est un index important d'essai stipulé par la norme nationale de santé. Des capsules avec le contenu excessif de chrome sont généralement connues en tant que « capsules toxiques » et sont très toxiques au corps humain. Actuellement, le contenu de chrome est déterminé par la méthode d'analyse chimique traditionnelle. La méthode de dépistage traditionnelle de chrome est longue, l'équipement est cher, l'utilisation d'un grand nombre de digestion d'acide nitrique est facile de causer la pollution secondaire, et l'opération d'instrument a besoin de personnels de carrière pour accomplir. Par conséquent, l'élaboration d'une méthode commode et rapide pour la détection rapide du contenu de chrome dans les capsules médicinales a l'importance d'application et la perspective commerciale importantes.   Basé sur la faisabilité de la détection hyperspectral des métaux lourds, ce document emploie la spectrométrie par absorption atomique conventionnelle pour comparer les résultats rassemblés de MEHGC normal et de MEHGC au contenu excessif de chrome, puis rassemble deux genres de données de MehGC avec l'analyse hyperspectral, et emploie l'analyse de composant principal (l'APC) et partiel moindre méthode du carré pour analyser les données hyperspectral, et établit finalement le modèle approprié. Pour réaliser la détection qualitative des « capsules de poison ».   Puisque des données hyperspectral se composent d'images multiples de bande, chaque image peut être considérée comme une caractéristique. Si les données hyperspectral sont dimensionnellement réduites, les données originales seront changées en nouveau système du même rang pour maximiser la différence entre les données d'image, et le résultat sera très différent de l'image originale. Cette technique est très efficace pour augmenter le contenu de l'information, isoler le bruit et réduire des dimensions de données. Les 4 premiers composants principaux obtenus après la réduction de dimensionnalité de l'APC d'images hyperspectral sont montrés sur le schéma 1. L'avantage des images hyperspectral est qu'il y a non seulement de l'information d'image, mais également l'information spectrale. Pour obtenir l'information spectrale, la région d'intérêt est choisie pour chaque échantillon, et chaque région d'intérêt a sa courbe de réponse spectrale. En raison de la différence en couleurs entre le chapeau de capsule et le corps de capsule, afin d'éliminer l'influence de couleur sur le résultat, deux régions d'intérêt ont été choisies pour chaque capsule (une sur le chapeau de capsule et une sur le corps de capsule). Les régions d'intérêt pourraient être aléatoirement choisies sur l'image hyperspectral de la capsule, et le nombre de pixels dans chaque région s'est étendu de 2 à 6. Les données spectrales finales pour la région d'intérêt sont calculées comme moyenne de tous les pixels dans la région. Les courbes spectrales de 4 régions différentes (des capsules et des chapeaux des capsules normales et « des capsules toxiques » respectivement) sont montrées sur le schéma 2. Dans les données hyperspectral de 450~900 nanomètre, les données spectrales de la capsule normale et « la capsule toxique » ont été obtenues en choisissant la région d'intérêt, qui a été normalisé d'abord, et puis la réduction de dimension de données et l'analyse discriminante ont été conduites par PLEASE-DA. Quand quatre opérateurs ont été choisis SVP comme caractéristiques d'entrée, le taux de reconnaissance de capsule normale et « de capsule toxique » a atteint 100%. La spécificité et la sensibilité sont également 100% ; Il peut voir que des capsules normales et « les capsules toxiques » peuvent être distinguées par la méthode de discrimination de PLEASE-DA. Utilisant la technologie hyperspectral d'image détecter des « capsules de poison » peut considérablement réduire la complexité des méthodes traditionnelles.   En outre, pour améliorer la confiance, des échantillons doivent être examinés dans une gamme plus étendue, telle que la fluorescence ou l'ultraviolet. Tout en qualitativement conduisant la « capsule de poison », il est également nécessaire de conduire la recherche quantitative là-dessus, qui peut envisager de faire des calibres de gélatine avec le contenu différent de chrome, découvrez le modèle de corrélation entre la teneur en chrome du calibre et les données spectrales, et employez ce modèle pour prévoir la teneur de métaux lourds en chrome de la « capsule de poison » inconnue. En raison de l'impact suivant de l'incident « de capsule de poison », il est difficile trouver des échantillons, mais afin d'améliorer l'efficacité de l'essai, il est nécessaire d'employer un grand choix d'échantillons de capsule avec le contenu de chrome.

Dans cette étude, une caméra 400-1000nm hyperspectral peut être utilisée, et FS13, un produit de Hangzhou CHNSpec Technology Co., Ltd, peut être employé pour la recherche relative. Le domaine spectral est 400-1000nm, et la résolution de longueur d'onde est meilleure que 2.5nm, jusqu'à 1200 Deux canaux spectraux. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien). Le sorgho est l'une des cultures vivrières importantes en Chine, en raison de ses éléments nutritifs riches dans le grain dans l'industrie vinicole a « bon vin ne peut pas être séparé un jugement incisif de grain rouge », la demande annuelle de jusqu'à 20 millions de T. actuellement, les variétés principales de sorgho de vin sont Luzhou rouge, Qinghuyang, no. 7 de Runuo et tout autre sorgho visqueux avec la teneur élevée en amidon. Puisqu'il y a beaucoup de genres de sorgho et de différents secteurs producteurs, le contenu de l'amidon, de la protéine, de la graisse et du tannin dans le grain est très différent, qui mène à de grandes différences dans la saveur, le style, la qualité et le rendement de boisson alcoolisée. Il peut voir que l'identification précise et efficace des variétés de sorgho avant le stockage en lots des matières premières de sorgho a une importance de guidage très importante pour la production de la boisson alcoolisée de haute qualité, qui peut commander le processus de fabrication tel que la période du grain de bouillonnement, consommation d'eau et grain de cuisson à la vapeur pendant le procédé de brassage. Les méthodes traditionnelles d'identification incluent principalement l'identification empirique manuelle et la détection de échantillonnage biologique. L'ancien est sujet à l'influence subjective, à la basse efficacité, et difficile de former une norme unifiée, alors que ce dernier est encombrant, long et laborieux. Chacun d'eux ne peuvent pas répondre aux besoins des entreprises modernes de boisson alcoolisée d'identifier le sorgho, ainsi il est urgent pour trouver une classification et une méthode de dépistage rapides, précises et simples de variété de sorgho. L'objectif de cette étude est de classifier 11 variétés de sorgho en combinant l'information spectrale et l'information d'image, et identifie différentes variétés de sorgho en optimisant des méthodes hyperspectral de technologie et d'apprentissage automatique par la comparaison et la vérification externe, afin d'améliorer leur exactitude et efficacité dans l'application.   Les courbes spectrales originales de 550 échantillons de 11 catégories de sorgho et les courbes spectrales après que le traitement préparatoire de MSC soient montrés sur le schéma 1. Chaque couleur représente une catégorie différente. En ce document, l'identification de 11 variétés de sorgho a été étudiée basée sur la combinaison d'information hyperspectral de spectre et d'image. Les images hyperspectral du sorgho ont été rassemblées, 48 longueurs d'onde de caractéristique ont été choisies parmi les spectres après le MSC prétraitant par algorithme de STATION THERMALE, et alors les caractéristiques de texture des images ont été extraites. Des modèles de classification de SVM, de PLEASE-DA et d'ORME ont été établis basés sur les caractéristiques de texture, plein spectre, spectre de caractéristique et leur information combinée d'image, respectivement. En conclusion, les données non impliquées dans la modélisation ont été employées pour la vérification externe. Les résultats prouvent que le modèle de classification de SVM basé sur la combinaison des caractéristiques de spectre et de texture de caractéristique a le meilleur effet. Le taux de reconnaissance correct de l'ensemble d'essai est 95,3%, et l'exactitude de l'ensemble de vérification est 91,8%. La combinaison du spectre évident et de l'image peut effectivement réaliser la reconnaissance rapide du sorgho de vin et améliorer l'exactitude de reconnaissance du modèle. Ceci constitue une base théorique pour la détection des matières premières de brassage différent et la réalisation de l'automation de brassage.

Dans cette étude, une caméra 400-1000nm hyperspectral a été utilisée pour détecter l'intérieur de la noix, et FS-13, un produit de Hangzhou CHNSpec Technology Co., Ltd, pourrait être employé pour la recherche relative. Pour détecter la surface de noix dans le domaine spectral de 800-1700nm, la caméra FS-15 hyperspectral dans le domaine spectral de 900-1700nm peut être utilisée avec la résolution de longueur d'onde mieux que 2.5nm et jusqu'à 1200 canaux spectraux. La vitesse d'acquisition peut atteindre 128FPS dans le plein spectre, et le maximum après que la sélection de bande soit 3300Hz (sélection de bande de multi-région de soutien). Les noix sont un aliment d'écrou approprié à tous les âges et une culture d'huile boisée importante. Le secteur et le rendement de plantation de noix dans le rang premier de la Chine dans le monde. La qualité examinant et évaluant des noyaux de noix est un lien important dans la production et le traitement de noix. Selon des normes nationales appropriées, les indicateurs de qualité d'aspect des noyaux de noix incluent l'intégrité et la couleur de la peau, alors que les indicateurs internes de qualité incluent la teneur en graisse et la teneur en protéines. Dans la production réelle, le noyau de noix évaluant se fonde principalement sur la sélection manuelle de l'aspect et de la couleur, qui a des coûts de production élevés et le caractère aléatoire élevé dans l'évaluation, la rendant difficile de distinguer la qualité interne. L'essai chimique traditionnel est néfaste pour des échantillons et prend un bon moment de détecter, le rendant difficile à s'adapter aux conditions de production modernes. Actuellement, la recherche sur l'utilisation de la technologie hyperspectral pour la détection de qualité de noix se concentre principalement sur la classification des coquilles et des noyaux de noix, et il n'y a eu aucun rapport approprié sur la qualité des noyaux de noix. Afin d'explorer une méthode pour réaliser simultanément la détection de qualité et la classification internes d'aspect du noyau de noix, cette étude a employé la technologie de l'image hyperspectral pour examiner les spectres caractéristiques de la teneur en graisse, la teneur en protéines et la couleur du noyau de noix, et examiné les bandes caractéristiques appropriées des indicateurs de qualité afin de fournir la référence pour l'application de l'essai non destructif de la qualité de noyau de noix. L'information spectrale moyenne des échantillons de noyau de noix dans la région proche-infrarouge (863-1704 millimètres) et l'information spectrale pré traitée sont montrées sur le schéma 3. Les caractéristiques globales d'information spectrale originale des échantillons sont fondamentalement cohérentes, excepté les limites d'absorption de l'eau, les limites d'absorption d'autres composants ne sont pas évidentes, et plus ultérieure la transformation des spectres est nécessaire. La méthode de prétraitement combinant MSE et SNV élimine l'influence d'un certain bruit de fond, faisant l'information spectrale du lissoir témoin. En même temps, elle promeuvent augmente la cohérence d'information spectrale, accentue les crêtes et les vallées spectrales, et renforce les caractéristiques spectrales. La classification de catégorie d'aspect du noyau de noix basée sur les caractéristiques spectrales de l'information et d'image. Le schéma 6 montre la courbe spectrale moyenne de trois échantillons de noyau de noix de couleur dans la lumière visible et les régions proche-infrarouges d'ondes courtes (382~1027nm). Puisque le bruit dans les segments avant et arrières du spectre a un grand impact, 20 points de bande de fréquences dans les segments avant et arrières sont enlevés. Du schéma 6, il peut voir que dans le spectre original, la réflectivité spectrale d'échantillons de noyau de noix avec trois couleurs différentes montre une évolution à la baisse significative dans la gamme légère évidente comme changements de couleur de lumière à profond, et le spectre est relativement désordonné dans la gamme proche-infrarouge. L'information spectrale prétraitée par la combinaison des méthodes de MSC et de SNV montre la certaines régularité et cohérence dans la réflectivité spectrale, qui est utile pour le traitement spectral suivant. Utilisant la technologie de l'image hyperspectral, une méthode pour détecter la qualité interne et externe des noyaux de noix a été étudiée. Par la combinaison spectrale et l'information d'image, la protéine et la prévision de teneur en graisse des noyaux de noix et de l'évaluation de qualité d'aspect basés sur l'intégrité et la couleur ont été réalisées. Les résultats prouvent que la combinaison des VOITURES algorithme et de la méthode de coefficient de corrélation enlève effectivement l'information inutile et superflue dans la pleine bande spectrale. Comparé à la pleine bande spectrale, la validation a placé R du modèle de prévision de bande de caractéristique pour le ² de teneur en protéines de 0,66 à 0,91, RMSEP a diminué de 1,37% à 0,78% ; L'ensemble R de validation pour le ² de teneur en graisse de 0,83 à 0,93, RMSEP a diminué de 0,98% à 0,47%, indiquant que les bandes choisies de caractéristique ont effectivement réduit la complexité du modèle et ont amélioré sa capacité prévisionnelle. En combinant des spectres de caractéristique de différence de couleur avec des paramètres de caractéristique statistiques d'image, tous les spectres de bande de caractéristique de différence de couleur ont été extraits à partir des images hyperspectral, qui peuvent de manière significative réduire l'interférence d'information superflue et améliorer modeler l'efficacité. En combinant tout le spectre de bande de caractéristique de différence de couleur avec des paramètres de caractéristique statistiques d'image, l'exactitude de classification est encore améliorée comparée à la bande de RVB. En employant le modèle de classification de couleur établi par l'algorithme de décollement, le modèle a l'exactitude de classification la plus élevée (98,6%). L'utilisation des images hyperspectral a simultanément réalisé la détection des paramètres internes de qualité (teneur en protéines, teneur en graisse) et la classification de la qualité d'aspect (intégrité, couleur) des noyaux de noix, fournissant une nouvelle solution pour l'application de l'essai non destructif de la qualité de noyau de noix.    

Partons de retour à la science d'école primaire. C'est le spectre évident - la lumière que nous pouvons voir avec nos yeux nus - mais une petite partie du spectre électromagnétique. C'est le spectre électromagnétique. Il commence par des rayons gamma du côté gauche l'extrême gauche et les voyages vers la droite par l'intermédiaire des rayons X, des micro-ondes et des ondes radio. Le spectre évident minuscule entre ultra-violet et infrarouge est la seule partie du spectre que les humains peuvent voir à l'oeil nu, à moins qu'OBAs soient impliqué. OBAs absorbent une partie de la lumière UV invisible et re-l'émettent en tant que lumière bleue. Ceci a réfléchi la lumière bleue fait le tissu sembler plus lumineux et plus blanc. Courtoisie d'image de Wikipedia. Cette image montre les longueurs d'onde évidentes du côté droit, et la région ultra-violette du côté gauche. Les agents de blanchiment optique fonctionnent à côté d'absorber ces rayons UV et de les réabsorber dans la région du spectre qui est évident à l'oeil humain.

La brillance est une grandeur physique qui évalue la capacité de la surface d'un matériau à réfléchir la lumière.En tant que caractéristique de surface d'un objet, la brillance dépend de la capacité de réflexion spéculaire de la surface à la lumière.La réflexion spéculaire fait référence au phénomène de réflexion selon lequel l'angle de réflexion est égal à l'angle d'incidence.La brillance est une grandeur physique qui évalue la capacité d'une surface de matériau à réfléchir la lumière dans un ensemble de conditions géométriquement spécifiées.Par conséquent, il exprime la propriété de réflexion avec sélection directionnelle.Selon les caractéristiques de la brillance, la brillance peut être divisée en plusieurs catégories.Nous disons généralement que la brillance fait référence à la "brillance miroir", donc le compteur de brillance, parfois également appelé compteur de brillance miroir. La brillance est mesurée en fonction de la quantité de lumière réfléchie par la surface par rapport à l'étalon de référence du verre poli.La quantité de lumière réfléchie par une surface dépend de l'angle d'incidence et de la nature de la surface.L'unité de mesure de la brillance est une unité de brillance (GU).Plus le GU est bas, moins il y a de réflexion de brillance.Plus le GU est élevé, plus la brillance réfléchie est élevée. La brillance est divisée en finitions mates, semi-brillantes et très brillantes.L'angle mesuré est l'angle entre la lumière incidente et la lumière réfléchie.Trois angles de mesure (20º/60º/85º) sont spécifiés pour couvrir la plupart des applications de revêtement industriel.Pour déterminer ou sélectionner le bon angle pour répondre à vos besoins, utilisez un glossomètre pour mesurer l'angle à 60º et sélectionnez l'angle dans la plage de brillance souhaitée.