CHNSpec Technology （Zhejiang）Co.,Ltd Notícia da empresa

Neste estudo, uma câmera 400-1000nm hyperspectral foi aplicada, e FS13, um produto da tecnologia Co. do espectro de cor de Hangzhou, LTD., poderia ser usado para pesquisa relacionada. A escala espectral é 400-1000nm, a definição do comprimento de onda é melhor do que 2.5nm, e até 1200 canais espectrais podem ser alcançados. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio).   A alface é rica na proteína, nos hidratos de carbono, nas vitaminas e nos outros nutrientes, e a área de plantação é larga. O nitrogênio é um dos elementos os mais importantes que afetam o crescimento da alface. Para estabelecer um rápido, o método eficiente e não-destrutivo para a detecção satisfeita do nitrogênio de alface é conveniente guiar a fecundação razoável da alface. Presentemente, há poucos relatórios no uso da tecnologia hyperspectral da imagem detectar o índice do nitrogênio nas folhas da alface. Neste estudo, a tecnologia hyperspectral da imagem foi aplicada à detecção nondestructive de índice do nitrogênio nas folhas da alface. Estudando os efeitos de vários métodos espectrais do pré-tratamento em PLSB que modela, os métodos espectrais apropriados do pré-tratamento foram selecionados para as folhas da alface, e os comprimentos de onda sensíveis apropriados para o índice de predição do nitrogênio nas folhas da alface foram aperfeiçoados. Uma tentativa foi feita de estabelecer o modelo da previsão a mais simples e ótima do índice do nitrogênio nas folhas da alface. Este grupo de métodos não foi relatado, e igualmente fornece uma base para o desenvolvimento do detector vegetal portátil do elemento nutriente, que tem o valor prático forte.   As imagens hyperspectral de 60 folhas da alface foram recolhidas pela tecnologia hyperspectral da imagem, e o índice do nitrogênio das folhas correspondentes da alface foi determinado pelo analisador de fluxo AutoAnalyzer3 contínuo. Os dados espectrais médios das regiões 50×50 na superfície das folhas cruas da alface foram extraídos pelo software de ENVI. Os dados espectrais médios extraídos preprocessed (8 tipos de métodos do pré-tratamento). Finalmente, os dados espectrais originais e 8 tipos de dados espectrais do pré-tratamento foram usados como a entrada de PLSR para estabelecer 9 modelos da previsão para o índice do nitrogênio da alface. Comparando os resultados destes 9 modelos da previsão, a previsão ótima OSC+PLSR modelo foi selecionada, e o diagrama do coeficiente de regressão do modelo de OSC+PLSR foi analisado. 13 comprimentos de onda sensíveis foram selecionados, e 13 comprimentos de onda sensíveis foram tomados então como a entrada de PLSR. Finalmente, o modelo da previsão do índice do nitrogênio da alface de OSC+SW+PLSR foi estabelecido. Comparado com o modelo de OSC+PLSR, a eficiência da previsão foi melhorada extremamente, que pode ser usada como um método novo eficiente, exato e não-destrutivo para a previsão do índice do nitrogênio nas folhas da alface, e pode fornecer uma referência para o diagnóstico da nutrição do nitrogênio e a fecundação econômica e racional da alface.

Neste estudo, uma câmera hiperespectral de 400-1000 nm pode ser usada e os produtos da Hangzhou Color Spectrum Technology Co., LTD FS13 conduz pesquisas relacionadas.A faixa espectral é de 400-1000 nm e a resolução do comprimento de onda é melhor que 2,5 nm, até 1200 Dois canais espectrais.Velocidade de aquisição de até 128FPS em todo o espectro, até 3300Hz após seleção de banda (suporte multizona Seleção de banda de domínio).   Com a promoção da estratégia de grãos básicos de batata na China, a cadeia industrial relacionada à batata desenvolveu-se rapidamente e a qualidade da batata tornou-se uma questão importante.No entanto, defeitos como casca verde e danos mecânicos afetam seriamente a quantidade total de batatas, especialmente a forma complexa das batatas com casca verde, os defeitos não são fáceis de identificar e aumentam a dificuldade de detecção.Ao mesmo tempo, se o teor de solanina na batata verde exceder o padrão comestível, isso causará intoxicação alimentar e problemas de segurança alimentar.Portanto, é de grande importância estudar um método de detecção rápido e não destrutivo para processamento profundo de batata e extensão da cadeia da indústria da batata.   A tecnologia de imagem hiperespectral tem as vantagens de uma ampla faixa de banda e pode obter a imagem e informações espectrais na faixa de banda correspondente da amostra testada ao mesmo tempo, por isso tem sido amplamente utilizada em testes rápidos não destrutivos de produtos agrícolas.A fim de resolver o problema de que a batata com casca verde clara não é fácil de reconhecer sob posição arbitrária, as técnicas de imagem hiperespectral de semitransmissão e reflexão foram usadas para comparar e analisar, e a precisão do reconhecimento do modelo sob diferentes métodos de imagem hiperespectral foi determinada .As imagens hiperespectrais semitransmitidas e hiperespectrais refletidas de amostras de batata foram coletadas em qualquer posição, e modelos de detecção baseados em informações de imagem e informações espectrais foram estabelecidos respectivamente, e as taxas de reconhecimento de diferentes modelos foram comparadas.Estabelecer ainda mais modelos de fusão de imagens e espectros ou diferentes modelos de fusão de imagens para melhorar o desempenho do modelo e, finalmente, determinar o modelo ideal. (1) A precisão dos modelos de reconhecimento de informações de imagem com diferentes métodos de imagem hiperespectrais é comparada.A taxa de reconhecimento do mapeamento isométrico combinado com o modelo de rede de crenças profundas baseado em informações de imagem semitransmitidas é de apenas 78,67%.A taxa de reconhecimento da expansão máxima da variância combinada com o modelo de rede de crenças profundas baseado nas informações da imagem refletida é de apenas 77,33%.Os resultados mostraram que a precisão da detecção de batata verde clara por informações de imagem única não era alta. (2) A precisão dos modelos de reconhecimento de informação espectral com diferentes métodos de imagem hiperespectral é comparada.A taxa de reconhecimento do arranjo espacial tangente local combinado com o modelo de rede de crença profunda baseado em informações do espectro de semitransmissão é a mais alta, 93,33%.A taxa de reconhecimento do arranjo espacial tangente local combinado com o modelo de rede de crenças profundas baseado em informações espectrais de refletância é de até 90,67%.Os resultados mostram que é viável usar informação espectral única para detectar batatas verdes claras, mas a taxa de reconhecimento precisa ser melhorada. (3) A influência de três métodos de fusão de informações de múltiplas fontes na precisão do reconhecimento é comparada.A precisão dos três modelos de fusão de imagem semitransmitida e espectro semitransmitido, imagem refletida e espectro de reflexão, espectro semitransmitido e espectro de reflexão é maior do que a de imagem única ou modelo espectral, e o modelo de fusão de rede de crença profunda de o espectro semitransmitido e o espectro de reflexão são os melhores, e a taxa de reconhecimento do conjunto de correção e do conjunto de teste é de 100%.Os resultados mostram que o modelo de fusão do espectro de semitransmissão e espectro de reflexão pode realizar testes não destrutivos de batata com casca verde clara.

Neste estudo, as câmeras hyperspectral da faixa 400-1000nm e 900-1700 nanômetro foram aplicados, e os produtos FS13 e FS15 da tecnologia Co. do espectro de cor de Hangzhou, Ltd. poderiam ser usados para pesquisa relacionada. A escala espectral é 400-1000nm, a definição do comprimento de onda é melhor do que 2.5nm, e até 1200 canais espectrais podem ser alcançados. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio). A carne inclui principalmente rebanhos animais e as aves domésticas e os produtos aquáticos, as proteínas, os ácidos gordos, os elementos de traço e outras substâncias importantes da energia necessários pelo corpo humano são derivados da carne. Com o aprimoramento contínuo de condições de vida, os povos pagam mais atenção à qualidade do alimento e de nutrição equilibrada na dieta, mas alguns negócios ilegais misturarão alguma carne da baixo-qualidade na carne de alta qualidade, malfeito, especialmente em 2013 do “onda da carne cavalo” de Europa, provocaram o interesse extremo do pessoa sobre a adulteração da carne. Os métodos de detecção da adulteração da carne incluem a avaliação sensorial, tecnologia fluorescente da detecção do PCR, análise da eletroforese e a tecnologia enzima-ligada do immunoassay, etc., mas a maioria dela exigem o pré-tratamento da amostra, e a operação de teste é complicada e demorada, e são difíceis conseguir a detecção rápida do tempo real de grande tamanho da amostra no campo.   A maioria dos relatórios existentes da literatura usaram a tecnologia imagiológica hyperspectral da único-faixa para distinguir a adulteração da carne, mas poucos usaram duas faixas para a análise comparativa. Nesta experiência, a carne de carneiro degelada de alta qualidade foi selecionada como o adulterante, e a carne do pato com preço baixo foi lubrificada relativamente. A informação Hyperspectral das amostras foi recolhida nas duas faixas de próximo-infravermelho visível (400 ~ 1 000 nanômetro) e curto-onda próximo-infravermelha (900 ~ 1700 nanômetro), e um modelo quantitativo foram estabelecidos selecionando métodos apropriados do pré-tratamento. O modelo ótimo foi selecionado para a inversão da imagem, e um método do visualização para a detecção quantitativa rápida de adulteração da carne de carneiro foi proposto a fim fornecer dados e suporte laboral para a detecção quantitativa de adulteração da carne de carneiro. (1) para a faixa de 400 ~ 1000 nanômetro, a completo-faixa SATISFAZEM o modelo estabelecido depois que o pré-tratamento da normalização tem a precisão a mais alta; Para a faixa de 900-1700 nanômetro, a completo-faixa SATISFAZ o modelo estabelecido depois que o pré-tratamento de SNV tem a precisão a mais alta. Selecionando o comprimento de onda das duas faixas espectrais sob o método ótimo do pré-tratamento, encontra-se que o collinearity entre os comprimentos de onda selecionados é mínimo e representativo com base em eliminar o multicollinearity, que pode mais melhorar a precisão e a simplicidade do modelo.   (2) lá são mais informação sobre os grupos relativos à composição da carne na faixa de 900-1700 nanômetro, que pode melhor refletir as características da carne, e podem ser mais apropriado para a identificação da adulteração da carne. A fim ampliar a extensão e a aplicabilidade do modelo, a experiência deve ser prolongada à onda longa perto do espectro infravermelho (1 700 ~ 2500 nanômetro). Ao mesmo tempo, a carne de carneiro e a carne de alta qualidade do pato selecionadas na experiência foram empacotadas como produto acabados em supermercados locais. Se o modelo subsequente pode ser aplicado ao estudo da adulteração da carne de carneiro sob os ambientes diferentes (temperatura, umidade, forma, etc.), variedades diferentes, qualidades diferentes, os métodos de alimentação diferentes e o frescor diferente precisam uma verificação e uma discussão mais adicionais.  

Neste estudo, uma câmera hiperespectral de 900-1700 nm foi aplicada e o FS-15, produto da Hangzhou Color Spectrum Technology Co., LTD., pode ser usado para pesquisas relacionadas.A câmera hiperespectral infravermelha de ondas curtas, a velocidade de aquisição do espectro total de até 200FPS, é amplamente utilizada na identificação de composição, identificação de substâncias, visão de máquina, qualidade de produtos agrícolas, detecção de tela e outros campos.        O tomate é uma cultura de baga com um sabor único e rico em uma variedade de nutrientes, incluindo glutationa, vitaminas, licopeno, beta-caroteno e outros ingredientes bioativos, e tem alto valor alimentício.Com o rápido desenvolvimento da economia global, a demanda por tomates e produtos de processamento de tomate no mercado consumidor está aumentando.O tomate também se tornou uma das hortaliças e frutas mais cultivadas e consumidas no mundo.Além disso, com a melhoria geral dos padrões de vida das pessoas, a qualidade interna, a qualidade da aparência, a qualidade de armazenamento e transporte e o excelente sabor e sabor dos tomates tornaram-se cada vez mais importantes para os consumidores, e a indústria de tomate da China também está enfrentando novos desafios e oportunidades .De acordo com a pesquisa, a maturidade e a qualidade de armazenamento dos tomates são muito importantes para a indústria de tomate, e a qualidade interna dos tomates cereja, bem como o excelente sabor e sabor, são as mais preocupadas pelos consumidores.Com base no desenvolvimento e aplicação de big data, plantio automático, colheita mecanizada e classificação inteligente de tomates são realizados para alcançar maior produção e eficiência de tomates.Atualmente, existem algumas pesquisas sobre a detecção da qualidade do tomate com base no espectro no país e no exterior, mas nos modelos existentes de detecção da qualidade do tomate, a extração de informações espectrais efetivas ainda é uma dificuldade de pesquisa e a detecção da qualidade interna do tomate por meio de métodos de teste não destrutivos ainda precisam ser estudados.     No estudo da detecção não destrutiva do conteúdo sólido solúvel de tomate cereja com base na tecnologia de imagem hiperespectral, 191 tomates cereja foram selecionados como objetos de pesquisa, dados de imagem hiperespectral na faixa de 865,11 ~ 1711,71 nm foram coletados e a região de interesse de A imagem hiperespectral do tomate cereja foi segmentada pelo algoritmo K-means.O espectro médio desta região foi extraído como os dados espectrais originais do tomate cereja.MA e MSC foram usados ​​para pré-processar os dados espectrais originais, e as amostras de tomate cereja foram divididas em conjuntos de treinamento e conjuntos de teste com base no algoritmo KS.A fim de melhorar a eficácia das informações contidas na banda característica, o algoritmo SPA e o algoritmo PCA foram combinados para realizar a análise de componentes principais nos dados espectrais e, em seguida, comparados com os algoritmos PCA e miRF, um modelo de detecção SSC baseado em PLSR de Cherry tomato foi estabelecido e o modelo foi verificado pelos dados do conjunto de teste.Os resultados mostram que a precisão de detecção do modelo baseado no componente principal extraído pelo SPA-PCA é obviamente otimizada.A partir dos resultados de detecção dos modelos, entre os três modelos, o modelo SPA-PCA-PLSR tem o melhor efeito de detecção, R, 0,9039.O efeito de detecção do modelo miRF-PLSR foi o segundo, RF foi de 0,8878.O efeito de ajuste do modelo PCA-PLSR é o pior.

Neste estudo, uma câmera hiperespectral de 400-1000 nm foi aplicada e o FS13, um produto da Hangzhou Color Spectrum Technology Co., LTD., pode ser usado para pesquisas relacionadas.A faixa espectral é de 400-1000 nm, a resolução do comprimento de onda é melhor que 2,5 nm e até 1200 canais espectrais podem ser alcançados.A velocidade de aquisição pode atingir 128FPS em todo o espectro, e o máximo após a seleção da banda é de 3300 Hz (suporta seleção de banda multirregional). Mirtilos, também conhecidos como mirtilos, frutas azuis escuras, bagas, também conhecidas como bagas azuis, são uma das pequenas bagas emergentes na China.Devido à sua saúde única e valor nutricional, tem muitos nutrientes necessários para o corpo humano, excelentes propriedades de processamento, etc., e tem recebido atenção." A qualidade interna dos mirtilos tem um grande impacto no sabor dos mirtilos e é também um dos indicadores importantes para avaliar a qualidade dos mirtilos. O método de teste tradicional geralmente usa um dispositivo de medição para detectar o teor de açúcar e a dureza do mirtilo. Devido ao índice de detecção único, demorado e destrutivo, esses métodos de detecção são difíceis para ser aplicado na detecção industrial do teor de açúcar e dureza da fruta. Portanto, é de grande importância desenvolver um método não destrutivo e eficiente para detectar o teor de açúcar e dureza do mirtilo com base na qualidade interna.   Ao longo da pesquisa nacional e estrangeira sobre teor de açúcar de frutas e detecção de dureza, pode-se ver que o uso do método de seleção de comprimento de onda característico pode efetivamente reduzir a dimensão dos dados de imagem hiperespectral, reduzir a redundância de dados espectrais, melhorar o desempenho da calibração e a eficiência da detecção do modelo, e obter bons resultados de previsão.Isso mostra que esses métodos de seleção de comprimento de onda característicos podem ser benéficos para realizar a detecção de frutas online.No entanto, esses estudos visam principalmente a detecção de indicadores únicos, e modelos múltiplos precisam ser estabelecidos para detectar indicadores múltiplos de frutas, o que aumenta a complexidade do processamento de dados.Portanto, é necessário estabelecer um modelo de detecção multi-índice para economizar tempo e melhorar a eficiência da detecção online.Neste estudo, a tecnologia de imagem hiperespectral foi usada para propor um método de seleção de comprimento de onda em vários estágios para detectar o teor de açúcar e a dureza de mirtilos em imagens hiperespectrais.Métodos de seleção de comprimento de onda de características, como algoritmo de projeção contínua ou regressão linear múltipla passo a passo, foram usados ​​sucessivamente para selecionar os comprimentos de onda de características que poderiam refletir o teor de açúcar e a dureza dos mirtilos, e o modelo de rede neural BP foi usado como modelo de detecção.O teor de açúcar e a dureza do mirtilo foram previstos para realizar testes rápidos e não destrutivos da qualidade interna do mirtilo e fornecer base teórica para a construção de testes de qualidade online do mirtilo.

Neste estudo, uma câmera 400-1000nm hyperspectral pode ser usada, e os produtos da tecnologia Co. do espectro de cor de Hangzhou, LTDNeste estudo, uma câmera 400-1000nm hyperspectral pode ser usada, e os produtos da tecnologia Co. do espectro de cor de Hangzhou, LTDFS13 conduz pesquisa relacionada. A escala espectral é 400-1000nm, e a definição do comprimento de onda é melhor do que 2.5nm, até 1200Dois canais espectrais. A aquisição acelera a 128FPS no espectro completo, até 3300Hz após a seleção da faixa (apoio da multi-zonaSeleção da faixa do domínio). FS13 conduz pesquisa relacionada. A escala espectral é 400-1000nm, e a definição do comprimento de onda é melhor do que 2.5nm, até 1200Dois canais espectrais. A aquisição acelera a 128FPS no espectro completo, até 3300Hz após a seleção da faixa (apoio da multi-zonaSeleção da faixa do domínio). O bicho-da-seda (mori Linnaeus do Bombyx) é um inseto econômico que coma a amoreira e o de seda de rotações, assim que ele é chamado igualmente o bicho-da-seda. Os bichos-da-seda originaram em China antiga e foram domesticados gradualmente pelos bichos-da-seda originais que habitam árvores de amoreira. A partir de 5.000 anos há, os antigos tinham dominado a tecnologia de plantar a amoreira e de aumentar bichos-da-seda. Em épocas antigas, a sericultura fez grandes contribuições para o desenvolvimento da economia e da cultura. Presentemente, a indústria do bicho-da-seda da amoreira promove o desenvolvimento da economia rural, melhora a condição de vida dos fazendeiros, e é uma das indústrias importantes da atividade secundárioa na produção agrícola. Além, a indústria do bicho-da-seda está em uma posição principal no mercado internacional e joga um papel importante no comércio mundial, criando um grande número reservas de divisa estrageira para nosso país. Consequentemente, o desenvolvimento sustentável da indústria do bicho-da-seda da amoreira tem o valor econômico e o significado extremamente importantes. A tecnologia química tradicional da detecção precisa de pretreat as amostras testadas, o processo da operação é complicado, e muitos reagentes químicos são consumidos. A precisão da tecnologia rápida enzimático da detecção é baixa, assim que pode somente ser usada para a seleção preliminar. A tecnologia espectral do teste nondestructive não é representativa devido a informação unilateral. Consequentemente, uns testes nondestructive rápidos, seguros e detalhados das folhas da amoreira são procurados.   O método do resíduo de inseticida é da grande importância na detecção da segurança da colheita. A tecnologia imagiológica Hyperspectral é uma tecnologia de teste não-destrutiva nova que combina a tecnologia da tecnologia imagiológica e do espectro, que tem as vantagens de nenhuma necessidade de destruir o objeto medido, a aquisição detalhada da informação e a precisão alta da detecção. Neste papel, a tecnologia imagiológica hyperspectral combinada com os métodos espectrais do processamento e de análise foi usada para estudar os resíduos de inseticida nas folhas da amoreira, para estudar não somente se há resíduos de inseticida nas folhas da amoreira e a identificação de resíduos de inseticida, mas para estudar igualmente a detecção quantitativa de resíduos de inseticida do chlorpyrifos nas folhas da amoreira. O índice da pesquisa deste papel fornece o suporte laboral para a indústria da sericultura e a garantia forte para a renda dos fazendeiros da sericultura, e promove o desenvolvimento sustentável e detalhado da indústria da sericultura, que tem o valor teórico extremamente importante e o significado prático. Neste papel, a tecnologia imagiológica hyperspectral combinada com os métodos espectrais do processamento e de análise foi usada para detectar quantitativamente o índice do chlorpyrifos nas folhas da amoreira. A amoreira sae com os resíduos diferentes do chlorpyrifos foi usada como objetos de teste para obter imagens hyperspectral das folhas da amoreira na escala de 390-1050nm pelo tonalizador hyperspectral. O software de ENVI é usado para determinar a região de interesse da lâmina e para calcular os dados espectrais médios da região. Os coeficientes de correlação entre os dados espectrais médios de amostras da folha da amoreira e os valores químicos correspondentes determinados pelo cromatógrafo de gás foram calculados, e 5 ondas foram selecionadas de acordo com o diagrama da forma de onda do coeficiente e do comprimento de onda de correlação.   Os comprimentos de onda que correspondem aos picos e às calhas são usados como os comprimentos de onda característicos (561,25, 680,86, 706,58, 714,32, 724.66nm). Baseado em dados espectrais no comprimento de onda característico, um modelo de detecção quantitativo de resíduos da folha da amoreira foi estabelecido usando a regressão linear múltipla e a regressão do vetor do apoio. A correção ajustou o ² do coeficiente R da determinação do modelo da previsão do MLR é 0,730, o meio da raiz - o erro quadrado RMSEC é 38,599, e a previsão ajustou o coeficiente R da determinação é obtida. São 0,637, e o meio da raiz - o erro quadrado RMSEP é 47,146. A correção ajustou o coeficiente R3 da determinação é 0,920, o erro RMSEC do raiz-meio-quadrado é 21,073, a previsão ajustou o coeficiente R3 da determinação é 0,874, e o erro RMSEP do raiz-meio-quadrado é 27,719. Com a análise comparativa: O modelo da previsão de SVR tem o melhor desempenho do que o modelo da previsão do MLR, assim que a tecnologia imagiológica hyperspectral visão-próximo-infravermelha combinada com o modelo da previsão de SVR pode ser usada à detecção nondestructive de resíduos do chlorpyrifos nas folhas da amoreira.

Neste estudo, uma câmera 400-1000nm hyperspectral pode ser usada, e FS13, um produto da tecnologia Co. de Hangzhou CHNSpec, Ltd, LTD., pode ser usado para pesquisa relacionada. A escala espectral é 400-1000nm, a definição do comprimento de onda é melhor do que 2.5nm, e até 1200 canais espectrais podem ser alcançados. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio). Os nutrientes principais da alimentação composta incluem a água, cinza, proteína bruta, cálcio, fósforo total e assim por diante. A detecção dos nutrientes principais da alimentação é uma relação técnica indispensável no processo de produção e meios importantes assegurar a qualidade de produtos da alimentação. O método da detecção e de análise da alimentação é a base de seu controle da qualidade. Presentemente, o método de análise química tradicional é usado geralmente para determinar os nutrientes principais da alimentação composta. O método tradicional da determinação é frequentemente demorado e trabalho-intensivo, tendo por resultado a retardação de tempo, quando o custo da determinação for alto, e alguns mesmo precisam de destruir a amostra própria, que igualmente tem umas exigências mais altas para operadores e laboratórios. Para explorar um método para a detecção rápida dos nutrientes principais da alimentação composta, detalhadamente promovê-lo e aplicar ao teste e à análise reais de empresas da alimentação, que tem benefícios sociais e econômicos altos para melhorar a taxa da detecção e promover o desenvolvimento do nível de teste de alimentação composta. A detecção Hyperspectral da imagem é um grupo da alto-tecnologia de visão de computador e de detecção espectral, o uso da tecnologia hyperspectral da imagem obter a informação da amostra contém um grande número informação espectral do bloco de imagem tridimensional, tem não somente uma definição espectral alta, e a informação espectral extraída da imagem pode ser usada para detectar a qualidade interna da amostra. Consequentemente, a tecnologia hyperspectral da detecção da imagem é favorecida cada vez mais por eruditos no país e no estrangeiro, e foi amplamente utilizada na detecção da qualidade de produtos agrícolas, mas a pesquisa de aplicação na alimentação composta é relatada raramente. Neste estudo, a tecnologia hyperspectral da imagem foi usada para obter o modelo informação espectral visível/próximo-infravermelha de amostras experimentais de alimentação composta, e da análise quantitativa dos nutrientes principais na alimentação composta, tal como a umidade, cinza, proteína bruta, cálcio e fósforo total, foi estabelecida usando métodos estoiquiométricos, e o modelo foi verificado, apontando explorar a possibilidade de usar a tecnologia imagiológica hyperspectral para detectar os nutrientes principais na alimentação de composto. Igualmente fornece uma ideia e uma base novas para a detecção rápida de alimentação composta. Neste estudo, a tecnologia hyperspectral da imagem foi usada para estabelecer modelos da análise quantitativa da proteína bruta, cinza bruta, água, fósforo e índice total do cálcio na alimentação composta por meio da remoção de amostra anormal, divisão do grupo da amostra, pré-tratamento espectral ótimo e seleção característica da faixa, combinados com o parcial menos estequiometria quadrada. Os modelos foram verificados. O grupo da amostra da proteína bruta dividido pelo método de SPXY e o grupo bruto da amostra da cinza dividido pelo método do CG, combinado com a combinação das, de FD e de SNV, o modelo da análise quantitativa estabelecido na faixa característica têm o melhor efeito. A correção ajustou o coeficiente R& da determinação do modelo ótimo da proteína bruta é 0,8373, o erro RMSEC do raiz-meio-quadrado é 2,1327%, o erro relativo RPDc da análise é 2,4851, a validação ajustou o rv é 0,7778, RMSEP é 2,6155%, e RPDv é 2,1143. A cinza bruta ótima R&, RMSEC 1,0107%, RPDc 2,2064, rv 0,7758, RMSEP 1,0611% e RPDv 2,1204 foi obtida. Os modelos da análise quantitativa da proteína bruta e desempenho com caráter de previsão da mostra bruta da cinza do bom e podem ser usados para a análise quantitativa prática. O grupo da amostra de água dividido pelo método do CG combinado com o pré-tratamento do as, do OSCILADOR e do Detrend tem o melhor efeito na faixa característica. Sua correção ajustada COM REFERÊNCIA A é 0,6470, RMSEC é 1,8221%, RPD é 1,6849, relé do grupo da validação é 0,6314, RMSEP é 1,6003%. RPDv é 1,9371, embora o modelo possa ser usado na análise quantitativa prática, sua precisão da previsão ainda precisa de ser mais adicional aperfeiçoado. Os resultados do modelo da análise quantitativa obtido do grupo total da amostra do fósforo dividido pelo método do CG combinado com os métodos do pré-tratamento do as, do FD e do SNV eram ótimos. A relação de RS, de RMSEC e de RPD do modelo ótimo era 0,6038, 0,1656% e 1,5700, respectivamente. Os grupos R9, RMSEP e RPD/da validação são 0,4672, 0,1916% e 1,3570, respectivamente. Os parâmetros de desempenho do modelo da correção e do modelo da validação são pobres, indicando que o modelo tem a capacidade com caráter de previsão pobre e não pode ser usado na análise quantitativa real. Após o pré-tratamento do grupo da amostra do cálcio dividido pelo método do CG e combinado com o as, o OSCILADOR e o método de Detrend, o modelo da análise quantitativa estabelecido em sua faixa característica tem o melhor efeito, o RB do modelo ótimo é 0,4784, e o grupo R≈ da verificação é somente 0,4406. O efeito da previsão do modelo é pobre, e não pode ser aplicado na análise prática. A precisão da previsão do modelo ótimo da análise quantitativa de proteína bruta baseado na tecnologia hyperspectral da imagem é o melhor, e o desempenho da previsão do modelo bruto da cinza é o segundo, e ambos podem ser usados exatamente na detecção prática. A precisão da previsão do modelo ótimo da análise quantitativa da água deve ser melhorada. Contudo, o modelo ótimo da análise quantitativa do fósforo e do cálcio totais tem o desempenho com caráter de previsão pobre e não pode ser usado para a detecção prática.

Neste estudo, uma câmera 400-1000nm hyperspectral foi aplicada, e FS13, um produto da tecnologia Co. de Hangzhou CHNSpec, Ltd, poderia ser usado para pesquisa relacionada. A escala espectral é 400-1000nm, a definição do comprimento de onda é melhor do que 2.5nm, e até 1200 canais espectrais podem ser alcançados. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio). A cápsula dura da cavidade medicinal da gelatina é um tipo dos excipientes medicinais especiais, em que o índice do cromo é um índice importante do teste estipulado pelo padrão nacional da saúde. As cápsulas com índice excessivo do cromo geralmente são sabidas como “cápsulas tóxicas” e são muito tóxicas ao corpo humano. Presentemente, o índice do cromo é determinado pelo método de análise química tradicional. O método de detecção tradicional do cromo é demorado, o equipamento é caro, o uso de uma grande quantidade de digestão ácida nítrica é fácil causar a poluição secundária, e a operação do instrumento precisa pessoais profissionais de terminar. Consequentemente, o desenvolvimento de um método conveniente e rápido para a detecção rápida de índice do cromo em cápsulas medicinais tem o significado da aplicação e a perspectiva importantes do mercado.   Baseado na possibilidade da detecção hyperspectral de metais pesados, este papel usa a espectrometria de absorção atômica convencional para comparar os resultados recolhidos de MEHGC normal e de MEHGC com o índice excessivo do cromo, a seguir recolhe dois tipos de dados de MehGC com análise hyperspectral, e usa a análise componente principal (APC) e parcial menos método quadrado para analisar os dados hyperspectral, e estabelece finalmente o modelo relevante. Para realizar a detecção qualitativa do “de cápsulas veneno”.   Desde que os dados hyperspectral são compostos de imagens múltiplas da faixa, cada imagem pode ser considerada como uma característica. Se os dados hyperspectral são reduzidos dimensionalmente, os dados originais estarão mudados a um sistema coordenado novo para maximizar a diferença entre os dados de imagem, e o resultado será muito diferente da imagem original. Esta técnica é muito eficaz para aumentar o índice de informação, isolar o ruído e reduzir dimensões dos dados. Os primeiros 4 componentes principais obtidos após a redução da extensibilidade do APC de imagens hyperspectral são mostrados em figura 1. A vantagem de imagens hyperspectral é que há não somente uma informação da imagem, mas igualmente informação espectral. Para obter a informação espectral, a região de interesse é selecionada para cada amostra, e cada região de interesse tem sua curva de resposta espectral. Devido à diferença na cor entre o tampão da cápsula e o corpo da cápsula, a fim eliminar a influência da cor no resultado, duas regiões de interesse foram selecionadas para cada cápsula (uma no tampão da cápsula e uma no corpo da cápsula). As regiões de interesse poderiam aleatoriamente ser selecionadas na imagem hyperspectral da cápsula, e o número de pixéis em cada região variou de 2 a 6. Os dados espectrais finais para a região de interesse são calculados como a média de todos os pixéis na região. As curvas espectrais de 4 regiões diferentes (cápsulas e tampões de cápsulas normais e “de cápsulas tóxicas” respectivamente) são mostradas em figura 2. Nos dados hyperspectral de 450~900 nanômetro, os dados espectrais da cápsula normal e “a cápsula tóxica” foram obtidos selecionando a região de interesse, que foi normalizado primeiramente, e então a redução da dimensão dos dados e a análise discriminante foram conduzidas por PLEASE-DA. Quando quatro operadores foram selecionados POR FAVOR como características da entrada, a taxa de reconhecimento de cápsula normal e “de cápsula tóxica” alcançou 100%. A especificidade e a sensibilidade são igualmente 100%; Pode-se ver que as cápsulas normais e “as cápsulas tóxicas” podem ser distinguidas pelo método da discriminação de PLEASE-DA. Usar a tecnologia hyperspectral da imagem para detectar do “cápsulas veneno” pode extremamente reduzir a complexidade de métodos tradicionais.   Além, para melhorar a confiança, as amostras devem ser examinadas em um espectro mais largo, tal como a fluorescência ou o ultravioleta. Ao qualitativamente conduzir do “a cápsula veneno”, é igualmente necessário conduzir a pesquisa quantitativa sobre ele, que pode considerar fazer moldes da gelatina com índice diferente do cromo, encontre o modelo da correlação entre o índice do cromo do molde e os dados espectrais, e use este modelo para prever o índice do cromo do metal pesado do “da cápsula desconhecida veneno”. Em virtude do impacto subsequente do “do incidente da cápsula veneno”, as amostras são difíceis de encontrar, mas a fim melhorar a eficácia do teste, é necessário usar uma variedade de amostras da cápsula com índice do cromo.

Neste estudo, uma câmera 400-1000nm hyperspectral pode ser usada, e FS13, um produto da tecnologia Co. de Hangzhou CHNSpec, Ltd, pode ser usado para pesquisa relacionada. A escala espectral é 400-1000nm, e a definição do comprimento de onda é melhor do que 2.5nm, até 1200 Dois canais espectrais. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio). O sorgo é uma das colheitas de alimento importantes em China, devido a seus nutrientes ricos na grão na indústria de vinho tem “bom vinho não pode ser separado um julgamento incisivo da grão vermelha”, a procura anual de até 20 milhão T. presentemente, as variedades principais de sorgo do vinho é Luzhou vermelho, Qinghuyang, no. 7 de Runuo e o outro sorgo glutinoso com índice de amido alto. Porque há muitos tipos do sorgo e de áreas de produção diferentes, os índices do amido, da proteína, da gordura e do tanino na grão são muito diferentes, que conduz às grandes diferenças no sabor, no estilo, na qualidade e no rendimento do licor. Pode-se ver que a identificação exata e eficiente de variedades do sorgo antes do armazenamento do grupo de matérias primas do sorgo tem um significado de guiamento muito importante para a produção do licor de alta qualidade, que pode controlar o processo de produção tal como a época da grão de borbulhagem, consumo de água e grão cozinhar durante o processo da fabricação de cerveja. Os métodos tradicionais da identificação incluem principalmente a identificação empírica manual e a detecção de preparação de amostras biológica. O anterior é sujeito à influência subjetiva, à baixa eficiência, e a difícil formar um padrão unificado, quando o último for incômodo, demorado e laborioso. Ambos eles não podem encontrar as necessidades de empresas modernas do licor para identificar o sorgo, assim que é urgente encontrar um método rápido, exato e simples da classificação e de detecção da variedade do sorgo. O objetivo deste estudo é classificar 11 variedades do sorgo combinando a informação espectral e a informação da imagem, e identifica variedades diferentes do sorgo aperfeiçoando métodos hyperspectral da aprendizagem da tecnologia e de máquina com a comparação e a verificação externo, para melhorar suas precisão e eficiência na aplicação.   As curvas espectrais originais de 550 amostras de 11 categorias de sorgo e as curvas espectrais depois que o pré-tratamento do CAM é mostrado em figura 1. Cada cor representa uma categoria diferente. Neste papel, a identificação de 11 variedades de sorgo foi estudada baseada na combinação de informação hyperspectral do espectro e da imagem. As imagens hyperspectral do sorgo foram recolhidas, 48 comprimentos de onda da característica foram selecionados dos espectros após o CAM queprocessa pelo algoritmo dos TERMAS, e as características da textura das imagens foram extraídas então. Os modelos da classificação de SVM, de PLEASE-DA e de OLMO foram estabelecidos com base nas características da textura, espectro completo, espectro da característica e sua informação combinada da imagem, respectivamente. Finalmente, os dados não envolvidos na modelagem foram usados para a verificação externo. Os resultados mostram que o modelo da classificação de SVM baseado na combinação de características do espectro e da textura da característica tem o melhor efeito. A taxa de reconhecimento correta do grupo do teste é 95,3%, e a precisão do grupo da verificação é 91,8%. A combinação de espectro visível e de imagem pode eficazmente realizar o reconhecimento rápido do sorgo do vinho e melhorar a precisão do reconhecimento do modelo. Isto fornece uma base teórica para a detecção de matérias primas diferentes da fabricação de cerveja e a realização da automatização da fabricação de cerveja.

Neste estudo, uma câmera 400-1000nm hyperspectral foi usada para detectar o interior da noz, e FS-13, um produto da tecnologia Co. de Hangzhou CHNSpec, Ltd, poderia ser usado para pesquisa relacionada. Para detectar a superfície da noz na escala espectral de 800-1700nm, a câmera FS-15 hyperspectral na escala espectral de 900-1700nm pode ser usada com definição do comprimento de onda melhor do que 2.5nm e até 1200 canais espectrais. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio). As nozes são um alimento da porca apropriado para todas as idades e uma colheita de óleo arborizado importante. A área e o rendimento de plantação das nozes no grau primeiro de China no mundo. A qualidade que testa e que classifica de núcleos da noz é uma relação importante na produção e no processamento da noz. De acordo com padrões nacionais relevantes, os indicadores da qualidade da aparência de núcleos da noz incluem a integridade e a cor da pele, quando os indicadores internos da qualidade incluírem o índice gordo e o índice de proteína. Na produção real, o núcleo da noz que classifica confia principalmente na seleção manual da aparência e da cor, que tem custos de gastos de fabricação altos e a aleatoriedade alta na classificação, fazendo a difícil distinguir a qualidade interna. Os testes químicos tradicionais são destrutivos às amostras e tomam uns muitos tempos detectar, fazendo o difícil adaptar-se às exigências de produção modernas. Presentemente, a pesquisa sobre o uso da tecnologia hyperspectral para a detecção da qualidade da noz centra-se principalmente sobre a classificação de escudos e de núcleos da noz, e não houve nenhum relatório relevante na qualidade de núcleos da noz. A fim explorar um método para realizar simultaneamente a classificação interna da detecção e da aparência da qualidade do núcleo da noz, este estudo usou a tecnologia imagiológica hyperspectral para selecionar os espectros característicos do índice gordo, o índice de proteína e a cor do núcleo da noz, e selecionado para fora as faixas características relevantes de indicadores da qualidade a fim fornecer a referência para a aplicação de testes nondestructive da qualidade do núcleo da noz. A informação espectral média de amostras do núcleo da noz na região próximo-infravermelha (863-1704 milímetros) e a informação espectral pre processada são mostradas em figura 3. As características totais da informação espectral original das amostras são basicamente consistentes, à exceção dos limites de absorção da água, os limites de absorção de outros componentes não são óbvios, e mais ulterior a transformação dos espectros é necessário. O método preprocessing que combina MSE e SNV elimina a influência de algum ruído de fundo, fazendo a informação espectral da amostra mais lisa. Ao mesmo tempo, promove aumenta a consistência da informação espectral, destaca picos espectrais e vales, e reforça características espectrais. A classificação da categoria da aparência do núcleo da noz baseada em características espectrais da informação e da imagem. Figura 6 mostra a curva espectral média de três amostras do núcleo da noz da cor na luz visível e nas regiões próximo-infravermelhas da onda curto (382~1027nm). Desde que o ruído nos segmentos dianteiros e traseiros do espectro tem um grande impacto, 20 pontos do waveband nos segmentos dianteiros e traseiros são removidos. De figura 6, pode-se ver que no espectro original, a reflectância espectral de amostras do núcleo da noz com três cores diferentes mostra uma tendência descendente significativa na escala clara visível como as mudanças da cor da luz a profundo, e o espectro é relativamente desorganizado na escala próximo-infravermelha. A informação espectral preprocessed pela combinação de métodos do CAM e do SNV mostra a determinadas regularidade e consistência na reflectância espectral, que é útil para o processamento espectral subsequente. Usando a tecnologia imagiológica hyperspectral, um método para detectar a qualidade interna e externo de núcleos da noz foi estudado. Pela combinação espectral e pela informação da imagem, a proteína e a previsão satisfeita gorda dos núcleos da noz e da classificação de qualidade da aparência baseados na integridade e na cor foram conseguidas. Os resultados mostram que a combinação de método do algoritmo dos CARROS e do coeficiente de correlação remove eficazmente a informação irrelevante e redundante na faixa espectral completa. Comparado com a faixa espectral completa, a validação ajustou R do modelo da previsão da faixa da característica para o ² do índice de proteína de 0,66 a 0,91, RMSEP diminuiu 1,37% a 0,78%; O grupo R da validação para o ² satisfeito gordo de 0,83 a 0,93, RMSEP diminuiu 0,98% a 0,47%, indicando que as faixas selecionadas da característica reduziram eficazmente a complexidade do modelo e melhoraram sua capacidade com caráter de previsão. Combinando espectros da característica da diferença da cor com os parâmetros de característica estatísticos da imagem, os espectros de faixa totais da característica da diferença da cor foram extraídos das imagens hyperspectral, que podem significativamente reduzir a interferência da informação redundante e melhorar a modelagem da eficiência. Combinando o espectro de faixa total da característica da diferença da cor com os parâmetros de característica estatísticos da imagem, a precisão da classificação é melhorada mais comparada à faixa do RGB. Ao usar o modelo da classificação da cor estabelecido pelo algoritmo do descolamento, o modelo tem a precisão a mais alta da classificação (98,6%). O uso de imagens hyperspectral conseguiu simultaneamente a detecção de parâmetros internos da qualidade (índice de proteína, índice gordo) e a classificação da qualidade da aparência (integridade, cor) de núcleos da noz, fornecendo uma solução nova para a aplicação de testes não-destrutivos da qualidade do núcleo da noz.    

Deixe-nos ir para trás à ciência da escola primária. Esta é o espectro visível - a luz que nós podemos ver com nossos olhos nus - mas uma parte pequena do espectro eletromagnético. Este é o espectro eletromagnético. Começa com raios gama à esquerda a extrema esquerda e cursos à direita através dos raios X, das micro-ondas e das ondas de rádio. O espectro visível minúsculo entre ultravioleta e infravermelho é a única parte do espectro que os seres humanos podem ver com o olho nu, a menos que OBAs for involvido. OBAs absorve uma parcela da luz ultravioleta invisível e re-emite-se a como a luz azul. Isto refletiu a luz azul faz a tela parecer mais brilhante e mais branca. Cortesia de imagem de Wikipedia. Esta imagem mostra os comprimentos de onda visíveis à direita, e a região ultravioleta à esquerda. Os abrilhantador óticos trabalham absorvendo estes raios UV e reabsorbing os na região do espectro que é visível ao olho humano.

O brilho é uma quantidade física que avalia a capacidade da superfície de um material para refletir a luz.Como uma superfície característica de um objeto, o brilho depende da capacidade de reflexão especular da superfície à luz.A reflexão especular refere-se ao fenômeno de reflexão em que o ângulo de reflexão é igual ao ângulo de incidência.O brilho é uma quantidade física que avalia a capacidade de uma superfície de material refletir luz sob um conjunto de condições geometricamente especificadas.Portanto, expressa a propriedade de reflexão com seleção direcional.De acordo com as características do brilho, o brilho pode ser dividido em várias categorias.Costumamos dizer que brilho se refere a "brilho espelhado", então medidor de brilho, às vezes também chamado de medidor de brilho espelhado. O brilho é medido com base na quantidade de luz refletida na superfície em relação ao padrão de referência de vidro polido.A quantidade de luz refletida de uma superfície depende do ângulo de incidência e da natureza da superfície.A unidade de medida de brilho é uma unidade de brilho (GU).Quanto menor o GU, menor a reflexão do brilho.Quanto maior o GU, maior o brilho refletido. O brilho é dividido em acabamentos fosco, semi-brilho e alto brilho.O ângulo medido é o ângulo entre a luz incidente e a luz refletida.Três ângulos de medição (20º/60º/85º) são especificados para cobrir a maioria das aplicações de revestimentos industriais.Para determinar ou selecionar o ângulo certo para atender às suas necessidades, use um glossômetro para medir o ângulo a 60º e selecione o ângulo dentro da faixa de brilho desejada.