CHNSpec Technology （Zhejiang）Co.,Ltd Unternehmensnachrichten

In dieser Studie wurde eine hyperspektrale Kamera 400-1000nm angewendet, und FS13, ein Produkt der Hangzhou-Farbspektrum-Technologie Co., Ltd., könnte für in Verbindung stehende Forschung verwendet werden. Der Spektralbereich ist 400-1000nm, ist die Wellenlängenentschließung besser als 2.5nm, und bis 1200 Spektralkanäle können erreicht werden. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl).   Kopfsalat ist im Protein, in den Kohlenhydraten, in den Vitaminen und in anderen Nährstoffen reich, und der pflanzende Bereich ist breit. Stickstoff ist eins der wichtigsten Elemente, die das Wachstum des Kopfsalates beeinflussen. Um ein schnelles herzustellen, ist leistungsfähige und zerstörungsfreie Methode für zufriedene Entdeckung des Stickstoffes des Kopfsalates bequem die angemessene Düngung des Kopfsalates zu führen. Zur Zeit gibt es wenige Berichte über den Gebrauch von hyperspektraler Bildtechnologie, Stickstoffinhalt in den Kopfsalatblättern zu ermitteln. In dieser Studie wurde hyperspektrale Bildtechnologie an der zerstörungsfreien Entdeckung des Stickstoffinhalts in den Kopfsalatblättern angewendet. Indem man die Effekte von verschiedenen Spektralvorbehandlungsmethoden auf modellierendes PLSB studierte, wurden passende Spektralvorbehandlungsmethoden für Kopfsalatblätter vorgewählt, und die empfindlichen Wellenlängen, die für Vorhersagestickstoffinhalt in den Kopfsalatblättern passend sind, wurden optimiert. Ein Versuch wurde, das Modell der einfachsten und optimalen Vorhersage des Stickstoffinhalts in den Kopfsalatblättern herzustellen gemacht. Dieser Satz Methoden ist nicht berichtet worden, und er bietet auch eine Basis für die Entwicklung des tragbaren Gemüsenährelementdetektors, der starken praktischen Wert hat.   Die hyperspektralen Bilder von 60 Kopfsalatblättern wurden durch hyperspektrale Bildtechnologie gesammelt, und der Stickstoffinhalt der entsprechenden Kopfsalatblätter wurde durch ununterbrochenen AutoAnalyzer3 Flusszerleger bestimmt. Die durchschnittlichen Spektraldaten von Regionen 50×50 auf der Oberfläche der rohen Kopfsalatblätter wurden durch ENVI-Software extrahiert. Die extrahierten durchschnittlichen Spektraldaten wurden aufbereitet (8 Arten Vorbehandlungsmethoden). Schließlich wurden die ursprünglichen Spektraldaten und 8 Arten Vorbehandlungsspektraldaten als der Input von PLSR verwendet, um 9 Vorhersagenmodelle für Stickstoffinhalt des Kopfsalates festzulegen. Indem man die Ergebnisse dieser 9 Vorhersagenmodelle verglich, wurde die optimale Vorhersage vorbildliches OSC+PLSR vorgewählt, und das Regressionskoeffizientdiagramm des OSC+PLSR-Modells wurde analysiert. 13 empfindliche Wellenlängen wurden vorgewählt, und dann wurden 13 empfindliche Wellenlängen als PLSR-Input genommen. Schließlich wurde das Vorhersagenmodell des OSC+SW+PLSR-Kopfsalat-Stickstoffinhalts hergestellt. Verglichen mit OSC+PLSR-Modell, ist die Vorhersagen-Leistungsfähigkeit erheblich verbessert worden, die als leistungsfähige, genaue und zerstörungsfreie neue Methode für die Vorhersage des Stickstoffinhalts in den Kopfsalatblättern verwendet werden kann, und kann einen Hinweis für Stickstoffnahrungsdiagnose und wirtschaftliche und rationale Düngung des Kopfsalates zur Verfügung stellen.

In dieser Studie können eine 400-1000-nm-Hyperspektralkamera und die Produkte von Hangzhou Color Spectrum Technology Co., LTD. verwendet werden FS13 führt entsprechende Forschung durch.Der Spektralbereich beträgt 400–1000 nm und die Wellenlängenauflösung ist besser als 2,5 nm, bis zu 1200 Zwei Spektralkanäle.Erfassungsgeschwindigkeit bis zu 128 FPS im gesamten Spektrum, bis zu 3300 Hz nach Bandauswahl (Mehrzonenunterstützung). Auswahl des Domänenbandes).   Mit der Förderung der Kartoffel-Grundnahrungsmittelstrategie in China hat sich die Kartoffel-Industriekette rasch entwickelt, und die Kartoffelqualität ist zu einem heißen Thema geworden.Allerdings beeinträchtigen Mängel wie grüne Schalen und mechanische Beschädigungen die Gesamtmenge der Kartoffeln erheblich, insbesondere die komplexe Form von Kartoffeln mit grüner Schale. Mängel sind nicht leicht zu erkennen und erschweren die Erkennung.Wenn gleichzeitig der Solaningehalt in grünen Kartoffeln den essbaren Standard überschreitet, führt dies zu einer Lebensmittelvergiftung und verursacht Probleme bei der Lebensmittelsicherheit.Daher ist es von großer Bedeutung, eine schnelle und zerstörungsfreie Erkennungsmethode für die Tiefverarbeitung von Kartoffeln und die Erweiterung der Kartoffelindustriekette zu untersuchen.   Die hyperspektrale Bildgebungstechnologie bietet die Vorteile eines breiten Bandbereichs und kann gleichzeitig Bild- und Spektralinformationen im entsprechenden Bandbereich der getesteten Probe erhalten. Daher wird sie häufig bei der schnellen zerstörungsfreien Prüfung landwirtschaftlicher Produkte eingesetzt.Um das Problem zu lösen, dass die Kartoffel mit hellgrüner Schale in beliebiger Position nicht leicht zu erkennen ist, wurden die hyperspektralen Halbtransmissions- und Reflexionsbildgebungstechniken zum Vergleich und zur Analyse verwendet und die Modellerkennungsgenauigkeit unter verschiedenen hyperspektralen Bildgebungsmethoden bestimmt .Die halbdurchlässigen hyperspektralen und reflektierten hyperspektralen Bilder von Kartoffelproben wurden an jeder Position gesammelt, Erkennungsmodelle basierend auf Bildinformationen bzw. Spektralinformationen erstellt und die Erkennungsraten verschiedener Modelle verglichen.Erstellen Sie weiter Bild- und Spektrumfusionsmodelle oder verschiedene Bildgebungsfusionsmodelle, um die Modellleistung zu verbessern und schließlich das optimale Modell zu bestimmen. (1) Die Genauigkeit von Bildinformationserkennungsmodellen mit verschiedenen hyperspektralen Bildgebungsverfahren wird verglichen.Die Erkennungsrate der isometrischen Kartierung in Kombination mit dem Deep-Believe-Netzwerkmodell basierend auf halbübertragenen Bildinformationen beträgt nur 78,67 %.Die Erkennungsrate der maximalen Varianzerweiterung in Kombination mit dem Deep-Believe-Netzwerkmodell basierend auf reflektierten Bildinformationen beträgt nur 77,33 %.Die Ergebnisse zeigten, dass die Genauigkeit der Erkennung hellgrüner Kartoffeln anhand einzelner Bildinformationen nicht hoch war. (2) Die Genauigkeit von Spektralinformationserkennungsmodellen mit verschiedenen hyperspektralen Bildgebungsverfahren wird verglichen.Die Erkennungsrate der lokalen Tangentenraumanordnung in Kombination mit dem Deep-Glauben-Netzwerkmodell basierend auf Halbtransmissionsspektruminformationen beträgt die höchsten 93,33 %.Die Erkennungsrate der lokalen tangentialen räumlichen Anordnung in Kombination mit dem Deep-Believe-Netzwerkmodell basierend auf spektralen Reflexionsinformationen beträgt bis zu 90,67 %.Die Ergebnisse zeigen, dass es möglich ist, einzelne Spektralinformationen zur Erkennung hellgrüner Kartoffeln zu verwenden, die Erkennungsrate muss jedoch noch weiter verbessert werden. (3) Der Einfluss von drei Multi-Source-Informationsfusionsmethoden auf die Erkennungsgenauigkeit wird verglichen.Die Genauigkeit der drei Fusionsmodelle von Halbtransmissionsbild und Halbtransmissionsspektrum, Reflexionsbild und Reflexionsspektrum, Halbtransmissionsspektrum und Reflexionsspektrum ist höher als die des Einzelbild- oder Spektralmodells und des Deep-Believe-Netzwerkfusionsmodells von Das halbdurchlässige Spektrum und das Reflexionsspektrum sind am besten, und die Erkennungsrate von Korrektursatz und Testsatz beträgt 100 %.Die Ergebnisse zeigen, dass das Fusionsmodell aus Halbtransmissionsspektrum und Reflexionsspektrum die zerstörungsfreie Prüfung von Kartoffeln mit hellgrüner Schale realisieren kann.

In dieser Studie wurden hyperspektrale Kameras des Bandes 400-1000nm und 900-1700 Nanometer angewendet, und Produkte FS13 und FS15 von Hangzhou Color Spectrum Technology Co., Ltd. konnten für in Verbindung stehende Forschung benutzt werden. Der Spektralbereich ist 400-1000nm, ist die Wellenlängenentschließung besser als 2.5nm, und bis 1200 Spektralkanäle können erreicht werden. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl). Fleisch schließt hauptsächlich Viehbestand mit ein und das Geflügel und Wasserprodukte, Proteine, Fettsäuren, Spurenelemente und andere wichtige Energiesubstanzen, die durch den menschlichen Körper benötigt werden, werden vom Fleisch abgeleitet. Mit der ununterbrochenen Verbesserung von Lebensstandards, lenken Leute mehr Aufmerksamkeit auf die Qualität der Nahrung und der ausgewogenen Ernährung in der Diät, aber einige illegale Geschäfte mischen etwas minderwertiges Fleisch in das hochwertige Fleisch, kitschig, besonders im Jahre 2013 Europas „Pferdefleischwelle“, auslösten die extreme Sorge der Leute um Fleischverfälschung. Fleischverfälschungsnachweismethoden umfassen sensorische Bewertung, Leuchtstoffpcr-Entdeckungstechnologie, Elektrophoreseanalyse und Enzym-verbundene Immunoassaytechnologie, etc., aber die meisten ihnen erfordern Beispielvorbehandlung, und die Testoperation ist- erschwert und zeitraubend, und es sind schwierig, schnelle Realzeitentdeckung der großen Mustergröße auf dem Gebiet zu erzielen.   Die meisten vorhandenen Literaturberichte setzten hyperspektrale Bildgebungstechnologie des Einzelbandes ein, um Fleischverfälschung zu unterscheiden, aber wenige benutzten zwei Bänder für Analyse mit Vergleichswerten. In diesem Experiment wurde hochwertiges entfrostetes Hammelfleisch als das Streckmittel vorgewählt, und Entenfleisch mit verhältnismäßig niedrigem Preis wurde lackiert. Hyperspektrale Informationen von Proben wurden in den zwei Bändern von sichtbarem fast-Infrarot gesammelt (400 | 1 000 Nanometer) und die Kurzwelle fast-Infrarot (900 | 1700 Nanometer) und ein quantitatives Modell wurden hergestellt, indem man passende Vorbehandlungsmethoden vorwählte. Das optimale Modell wurde für Bildumkehr vorgewählt, und eine Sichtbarmachungsmethode für schnelle quantitative Entdeckung der Hammelfleischverfälschung wurde vorgeschlagen, um Daten und technische Unterstützung für die quantitative Entdeckung der Hammelfleischverfälschung zu gewähren. (1) für das Band von 400 | 1000 Nanometer, das Vollband GEFALLEN dem hergestellten Modell, nachdem Normalisierungsvorbehandlung die höchste Genauigkeit hat; Für das 900-1700 Nanometer Band GEFALLEN das Vollband dem hergestellten Modell, nachdem SNV-Vorbehandlung die höchste Genauigkeit hat. Indem man die Wellenlänge der zwei Spektralbänder unter der optimalen Vorbehandlungsmethode vorwählt, wird es gefunden, dass das collinearity zwischen den vorgewählten Wellenlängen minimal und auf der Grundlage von das Beseitigen von Multicollinearity repräsentativ ist, der die Genauigkeit und die Einfachheit des Modells weiter verbessern kann.   (2) dort ist mehr Informationen über die Gruppen, die auf Fleischkomposition in der 900-1700 Nanometer Band bezogen werden, die die Eigenschaften des Fleisches besser reflektieren kann, und ist möglicherweise passender für die Identifizierung der Fleischverfälschung. Um die Reichhaltigkeit und die Anwendbarkeit des Modells zu vergrößern, sollte das Experiment zur Oberflächenwelle nahe Infrarotspektrum (1 700 | 2500 Nanometer) ausgedehnt sein. Gleichzeitig wurde das hochwertige Hammelfleisch und das Entenfleisch, die im Experiment vorgewählt wurden, als Endprodukte in den lokalen Supermärkten verpackt. Ob das folgende Modell an der Studie der Hammelfleischverfälschung unter unterschiedlicher Umwelt (Temperatur, Feuchtigkeit, Form, etc.) angewendet werden kann, unterschiedliche Vielzahl, verschiedene Qualitäten, benötigt verschiedene Fütterungsmethoden und unterschiedliche Frische weitere Überprüfung und Diskussion.  

In dieser Studie wurde eine 900-1700-nm-Hyperspektralkamera eingesetzt, und FS-15, das Produkt von Hangzhou Color Spectrum Technology Co., LTD., konnte für entsprechende Forschungen verwendet werden.Kurzwellen-Nahinfrarot-Hyperspektralkameras mit einer Erfassungsgeschwindigkeit des gesamten Spektrums von bis zu 200 Bildern pro Sekunde werden häufig in den Bereichen Zusammensetzungsidentifizierung, Substanzidentifizierung, maschinelles Sehen, Qualität landwirtschaftlicher Produkte, Bildschirmerkennung und anderen Bereichen eingesetzt.        Tomaten sind Beerenfrüchte mit einzigartigem Geschmack, reich an einer Vielzahl von Nährstoffen, darunter Glutathion, Vitamine, Lycopin, Beta-Carotin und anderen bioaktiven Inhaltsstoffen, und haben einen hohen Nährwert.Mit der rasanten Entwicklung der Weltwirtschaft steigt die Nachfrage nach Tomaten und Tomatenverarbeitungsprodukten auf dem Verbrauchermarkt.Die Tomate hat sich auch zu einer der am häufigsten angebauten und konsumierten Gemüse- und Obstpflanzen der Welt entwickelt.Darüber hinaus sind mit der allgemeinen Verbesserung des Lebensstandards der Menschen die innere Qualität, das Aussehen, die Lager- und Transportqualität sowie der ausgezeichnete Geschmack von Tomaten für Verbraucher immer wichtiger geworden, und auch Chinas Tomatenindustrie steht vor neuen Herausforderungen und Chancen .Laut der Umfrage sind die Reife und die Lagerqualität von Tomaten für die Tomatenindustrie sehr wichtig, und die innere Qualität von Kirschtomaten sowie ihr ausgezeichnetes Aroma und Geschmack sind den Verbrauchern wichtiger.Basierend auf der Entwicklung und Anwendung großer Datenmengen werden automatisches Pflanzen, maschinelles Pflücken und intelligente Klassifizierung von Tomaten realisiert, um eine höhere Produktion und Effizienz von Tomaten zu erreichen.Gegenwärtig wurden im In- und Ausland einige Untersuchungen zur Erkennung der Tomatenqualität auf der Grundlage des Spektrums durchgeführt, aber in den bestehenden Modellen zur Erkennung der Tomatenqualität stellt die Extraktion effektiver Spektralinformationen immer noch eine Forschungsschwierigkeit dar und die Erkennung der internen Qualität von Tomaten durch geeignete Methoden Die zerstörungsfreien Prüfmethoden müssen noch untersucht werden.     In der Studie zur zerstörungsfreien Erkennung des löslichen Feststoffgehalts von Kirschtomaten auf Basis der hyperspektralen Bildgebungstechnologie wurden 191 Kirschtomaten als Forschungsobjekte ausgewählt, hyperspektrale Bilddaten im Bereich von 865,11 bis 1711,71 nm gesammelt und der interessierende Bereich ermittelt Das hyperspektrale Bild von Kirschtomaten wurde mit dem K-Means-Algorithmus segmentiert.Das durchschnittliche Spektrum dieser Region wurde als ursprüngliche Spektraldaten von Kirschtomaten extrahiert.MA und MSC wurden verwendet, um die ursprünglichen Spektraldaten vorzuverarbeiten, und die Kirschtomatenproben wurden basierend auf dem KS-Algorithmus in Trainingssätze und Testsätze unterteilt.Um die Wirksamkeit der im Merkmalsband enthaltenen Informationen zu verbessern, wurden der SPA-Algorithmus und der PCA-Algorithmus kombiniert, um eine Hauptkomponentenanalyse der Spektraldaten durchzuführen, und dann mit PCA- und miRF-Algorithmen, einem PLSR-basierten SSC-Erkennungsmodell von Cherry, verglichen Tomate wurde erstellt und das Modell anhand der Testsatzdaten verifiziert.Die Ergebnisse zeigen, dass die Erkennungsgenauigkeit des Modells basierend auf der durch SPA-PCA extrahierten Hauptkomponente offensichtlich optimiert ist.Aus den Erkennungsergebnissen der Modelle geht hervor, dass das SPA-PCA-PLSR-Modell unter den drei Modellen den besten Erkennungseffekt hat, R, 0,9039.Der Erkennungseffekt des miRF-PLSR-Modells war der zweite, RF betrug 0,8878.Der Anpassungseffekt des PCA-PLSR-Modells ist am schlechtesten.

In dieser Studie wurde eine 400-1000-nm-Hyperspektralkamera eingesetzt, und FS13, ein Produkt von Hangzhou Color Spectrum Technology Co., LTD., konnte für entsprechende Forschungen verwendet werden.Der Spektralbereich beträgt 400–1000 nm, die Wellenlängenauflösung ist besser als 2,5 nm und es können bis zu 1200 Spektralkanäle erreicht werden.Die Erfassungsgeschwindigkeit kann im gesamten Spektrum 128 FPS erreichen, und das Maximum nach der Bandauswahl beträgt 3300 Hz (unterstützt die Bandauswahl in mehreren Regionen). Blaubeeren, auch bekannt als Blaubeeren, dunkelblaue Früchte, Beeren, also auch Blaubeeren genannt, sind eine der aufstrebenden kleinen Beeren in China.Aufgrund seines einzigartigen Gesundheits- und Nährwerts verfügt es über viele vom menschlichen Körper benötigte Nährstoffe, hervorragende Verarbeitungseigenschaften usw. und wurde beachtet.“ Die innere Qualität von Blaubeeren hat einen großen Einfluss auf den Geschmack von Blaubeeren ist auch einer der wichtigen Indikatoren zur Bewertung der Qualität von Blaubeeren. Bei der traditionellen Testmethode werden im Allgemeinen Messgeräte verwendet, um den Zuckergehalt und die Härte von Blaubeeren zu ermitteln. Aufgrund des einzigen Nachweisindex, der zeitaufwändig und zerstörerisch ist, sind diese Nachweismethoden schwierig zur industriellen Erkennung des Zuckergehalts und der Härte von Früchten. Daher ist es von großer Bedeutung, eine zerstörungsfreie und effiziente Methode zur Erkennung des Zuckergehalts und der Härte von Blaubeeren auf der Grundlage der inneren Qualität zu entwickeln.   Bei der in- und ausländischen Forschung zum Fruchtzuckergehalt und zur Erkennung der Härte lässt sich erkennen, dass die Verwendung einer Methode zur Auswahl charakteristischer Wellenlängen die Dimension hyperspektraler Bilddaten wirksam reduzieren, die Redundanz spektraler Daten verringern und die Kalibrierungsleistung und Erkennungseffizienz verbessern kann des Modells und erhalten gute Vorhersageergebnisse.Es zeigt, dass diese charakteristischen Wellenlängenauswahlmethoden für die Online-Erkennung von Früchten von Vorteil sein können.Diese Studien zielen jedoch hauptsächlich auf die Erkennung einzelner Indikatoren ab und es müssen mehrere Modelle erstellt werden, um mehrere Fruchtindikatoren zu erkennen, was die Komplexität der Datenverarbeitung erhöht.Daher ist es notwendig, ein Modell für die Multi-Index-Erkennung zu etablieren, um Zeit zu sparen und die Effizienz der Online-Erkennung zu verbessern.In dieser Studie wurde mithilfe der hyperspektralen Bildgebungstechnologie eine mehrstufige Methode zur Auswahl der Merkmalswellenlänge vorgeschlagen, um sowohl den Zuckergehalt als auch die Härte von Blaubeeren in hyperspektralen Bildern zu erkennen.Methoden zur Auswahl der Merkmalswellenlängen wie der kontinuierliche Projektionsalgorithmus oder die schrittweise multiple lineare Regression wurden nacheinander verwendet, um die Merkmalswellenlängen auszuwählen, die sowohl den Zuckergehalt als auch die Härte von Blaubeeren widerspiegeln könnten, und als Erkennungsmodell wurde das neuronale BP-Netzwerkmodell verwendet.Der Zuckergehalt und die Härte von Blaubeeren wurden vorhergesagt, um eine schnelle und zerstörungsfreie Prüfung der inneren Qualität von Blaubeeren zu ermöglichen und eine theoretische Grundlage für die Erstellung von Online-Qualitätstests für Blaubeeren zu schaffen.

In dieser Studie kann eine hyperspektrale Kamera 400-1000nm benutzt werden und die Produkte der Hangzhou-Farbspektrum-Technologie Co., Ltd.In dieser Studie kann eine hyperspektrale Kamera 400-1000nm benutzt werden und die Produkte der Hangzhou-Farbspektrum-Technologie Co., Ltd.FS13 leitet in Verbindung stehende Forschung. Der Spektralbereich ist 400-1000nm und die Wellenlängenentschließung ist besser als 2.5nm, bis 1200Zwei Spektralkanäle. Erwerb beschleunigt zu 128FPS im vollen Spektrum, bis zu 3300Hz nach Bandauswahl (VielzonenunterstützungGebietsbandauswahl). FS13 leitet in Verbindung stehende Forschung. Der Spektralbereich ist 400-1000nm und die Wellenlängenentschließung ist besser als 2.5nm, bis 1200Zwei Spektralkanäle. Erwerb beschleunigt zu 128FPS im vollen Spektrum, bis zu 3300Hz nach Bandauswahl (VielzonenunterstützungGebietsbandauswahl). Die Seidenraupe (Spinner mori Linnaeus) ist ein wirtschaftliches Insekt, das Maulbeere und Drehbeschleunigungsseide isst, also es wird genannt auch die Seidenraupe. Seidenraupen stammten aus altem China und wurden allmählich durch die ursprünglichen Seidenraupen domestiziert, die Maulbeerbäume bewohnen. Schon in 5.000 Jahren vor, hatten die Menschen des Altertums die Technologie des Pflanzens der Maulbeere und der Zucht von Seidenraupen beherrscht. In alte Zeiten machte Seidenraupenzucht große Beiträge zur Entwicklung der Wirtschaft und der Kultur. Zur Zeit fördert Seidenspinnerindustrie die Entwicklung der Agrarwirtschaft, verbessert den Lebensstandard von Landwirten und ist eine der wichtigen Nebenerwerbsindustrien in der landwirtschaftlichen Produktion. Darüber hinaus ist die Seidenraupenindustrie in einer führenden Position im Weltmarkt und spielt eine wichtige Rolle im Welthandel und schafft viele Währungsreserven für unser Land. Deshalb hat die nachhaltige Entwicklung der Seidenspinnerindustrie extrem wichtigen wirtschaftlichen Wert und Bedeutung. Die traditionelle chemische Entdeckungstechnologie muss die geprüften Proben vorbehandeln, ist der Operationsprozeß schwierig, und viele chemischen Reagenzien werden verbraucht. Die Genauigkeit der enzymatischen schnellen Entdeckungstechnologie ist niedrig, also kann sie für Primärsiebung nur verwendet werden. Spektrale zerstörungsfreie Prüfungstechnologie ist nicht wegen der einseitigen Informationen repräsentativ. Deshalb wird eine schnelle, zuverlässige und umfassende zerstörungsfreie Prüfung von Maulbeerblättern gesucht.   Die Methode des Pestizidrückstandes ist von der hohen Bedeutung in der Erntesicherheitsentdeckung. Hyperspektrale Bildgebungstechnologie ist eine neue zerstörungsfreie Prüfungstechnologie, die Bildgebungstechnologie- und Spektrumtechnologie kombiniert, die die Vorteile ohne Bedarf, den gemessenen Gegenstand, umfassenden den Informationserwerb und hohe die Entdeckungsgenauigkeit zu zerstören hat. In diesem Papier wurden die hyperspektrale Bildgebungstechnologie, die mit Spektralauswertungsmethoden kombiniert wurde, eingesetzt, um die Pestizidrückstände in den Maulbeerblättern zu studieren, um nicht nur zu studieren, ob es Pestizidrückstände in den Maulbeerblättern und die Identifizierung von Pestizidrückständen gibt, aber die quantitative Entdeckung von ChlorpyrifosPestizidrückständen in den Maulbeerblättern auch zu studieren. Der Forschungsinhalt dieses Papiers stellt technische Unterstützung für Seidenraupenzuchtindustrie und starke Garantie für das Einkommen der Seidenraupenzuchtlandwirte zur Verfügung und fördert die nachhaltige und ausführliche Entwicklung der Seidenraupenzuchtindustrie, die extrem wichtigen Sollwert und praktische Bedeutung hat. In diesem Papier wurde die hyperspektrale Bildgebungstechnologie, die mit Spektralauswertungsmethoden kombiniert wurde, eingesetzt, um den Inhalt von Chlorpyrifos in den Maulbeerblättern quantitativ zu ermitteln. Maulbeere verlässt mit verschiedenen Chlorpyrifosrückständen wurden verwendet als Testobjekte, um hyperspektrale Bilder von Maulbeerblättern im Bereich von 390-1050nm zu erhalten durch hyperspektralen Toner. ENVI-Software wird benutzt, um die Region des Interesses des Blattes zu bestimmen und die durchschnittlichen Spektraldaten der Region zu berechnen. Die Korrelationskoeffizienten zwischen den Mittelspektraldaten von Maulbeerblattproben und den entsprechenden chemischen Werten, die durch Gaschromatographen bestimmt wurden, wurden berechnet, und 5 Wellen wurden entsprechend dem Wellenformdiagramm des Korrelationskoeffizienten und der Wellenlänge vorgewählt.   Die Wellenlängen entsprechend Spitzen und Abflussrinnen werden als charakteristische Wellenlängen verwendet (561,25, 680,86, 706,58, 714,32, 724.66nm). Basiert auf Spektraldaten an der charakteristischen Wellenlänge, wurde ein quantitatives Entdeckungsmodell von Maulbeerblattrückständen hergestellt, indem man mehrfache Linear-Regression und Stützvektorregression verwendete. Die Korrektur stellte Bestimmungskoeffizient R ² des MLR-Vorhersagenmodells ist 0,730 ein, ist der Fehler RMSEC des quadratischen Mittelwerts 38,599, und die Vorhersage stellte Bestimmungskoeffizienten R wird erreicht ein. Ist 0,637 und der Fehler RMSEP des quadratischen Mittelwerts ist 47,146. Die Korrektur stellte Bestimmungskoeffizienten R3 ist 0,920 ein, ist der Fehler der mittleren Abweichung RMSEC 21,073, stellte die Vorhersage Bestimmungskoeffizienten R3 ist 0,874 ein, und der Fehler der mittleren Abweichung RMSEP ist 27,719. Durch Analyse mit Vergleichswerten: SVR-Vorhersagenmodell hat bessere Leistung als MLR-Vorhersagenmodell, also kann die Vision-nah-Infrarothyperspektrale Bildgebungstechnologie, die mit SVR-Vorhersagenmodell kombiniert wird, zur zerstörungsfreien Entdeckung von Chlorpyrifosrückständen in den Maulbeerblättern eingesetzt werden.

In dieser Studie kann eine hyperspektrale Kamera 400-1000nm benutzt werden, und FS13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, Ltd., kann für in Verbindung stehende Forschung verwendet werden. Der Spektralbereich ist 400-1000nm, ist die Wellenlängenentschließung besser als 2.5nm, und bis 1200 Spektralkanäle können erreicht werden. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl). Die Hauptnährstoffe des Mischfutters schließen Wasser, Asche, Rohprotein, Kalzium, Gesamtphosphor und so weiter mit ein. Die Entdeckung der Hauptnährstoffe der Zufuhr ist eine unentbehrliche technische Verbindung im Produktionsverfahren und wichtige Durchschnitte, die Qualität von Zufuhrprodukten sicherzustellen. Die Entdeckung und die Berechnungsmethode der Zufuhr ist die Basis seiner Qualitätskontrolle. Zur Zeit wird die traditionelle chemische Berechnungsmethode im Allgemeinen angewendet, um die Hauptnährstoffe des Mischfutters zu bestimmen. Die traditionelle Bestimmungsmethode ist häufig zeitraubend und, mit dem Ergebnis der Verzögerung arbeitsintensiv, während die Bestimmungskosten hoch sind, und einige sogar müssen die Probe selbst zerstören, die auch höhere Anforderungen für Betreiber und Labors hat. Zu eine Methode für schnelle Entdeckung der Hauptnährstoffe des Mischfutters erforschen, umfassend sie am tatsächlichen Test und an der Analyse von Zufuhrunternehmen fördern und anzuwenden, die hohe Sozial- und wirtschaftliche Leistungen für das Verbessern der Aufklärungsrate und die Förderung der Entwicklung des Prüfungsniveaus von Mischfutter hat. Hyperspektrale Bildentdeckung ist ein High-Techer Satz maschinelles Sehen und Spektralentdeckung, enthält der Gebrauch von hyperspektraler Bildtechnologie, die Beispielinformationen einzuholen viele Spektralinformationen des dreidimensionalen Bildblockes, hat er nicht nur eine hohe Spektralentschließung, und die Spektralinformationen, die vom Bild extrahiert werden, können verwendet werden, um die interne Qualität der Probe zu ermitteln. Deshalb wird hyperspektrale Bildentdeckungstechnologie mehr und mehr von den Gelehrten im In- und Ausland bevorzugt, und ist in der Qualitätsentdeckung von Agrarprodukten weitverbreitet gewesen, aber die anwendungsorientierte Entwicklung im Mischfutter wird selten berichtet. In dieser Studie wurde hyperspektrale Bildtechnologie eingesetzt, um das Modell der sichtbare/fast-Infrarotspektralinformationen von experimentellen Proben des Mischfutters und quantitativen Analyse der Hauptnährstoffe im Mischfutter, wie Feuchtigkeit zu erhalten, Asche, Rohprotein, Kalzium und Gesamtphosphor, wurde hergestellt, indem man stöchiometrische Methoden anwendete, und das Modell wurde überprüft und zielte darauf ab, die Möglichkeit des Einsetzens der hyperspektralen Bildgebungstechnologie zu erforschen, um die Hauptnährstoffe im Mischfutter zu ermitteln. Es bietet auch eine neue Idee und eine Basis für die schnelle Entdeckung des Mischfutters. In dieser Studie wurde hyperspektrale Bildtechnologie eingesetzt, um Modelle der quantitativen Analyse des Rohproteins, der Rohasche, des Wassers, des Gesamtphosphors und des Kalziuminhalts im Mischfutter mittels des anormalen Beispielabbaus herzustellen, der Beispielsatzabteilung, der optimalen Spektralvorbehandlung und charakteristischen der Bandauswahl, mit teilweisem kleinste Quadratstöchiometrie kombiniert. Die Modelle wurden überprüft. Der Rohproteinbeispielsatz, der durch SPXY-Methode und Rohaschebeispielsatz geteilt wird durch CG-Methode, kombiniert mit der Kombination von AS, von Flugleitanlage und von SNV, das Modell der quantitativen Analyse hergestellt wird im charakteristischen Band geteilt wird, hat den besten Effekt. Die Korrektur stellte Bestimmungskoeffizienten R& des optimalen Rohproteinmodells ist 0,8373 ein, ist der Fehler der mittleren Abweichung RMSEC 2,1327%, ist der relative Analysefehler RPDc 2,4851, stellte die Bestätigung RV ist 0,7778 ein, ist RMSEP 2,6155%, und RPDv ist 2,1143. Die optimale Rohasche R&, RMSEC 1,0107%, RPDc 2,2064, RV 0,7758, RMSEP 1,0611% und RPDv 2,1204 wurden erhalten. Die Modelle der quantitativen Analyse des Rohproteins und der Rohasche beide zeigen gute vorbestimmte Leistung und können für praktische quantitative Analyse verwendet werden. Der Wasserprobesatz, der durch CG-Methode kombiniert wird mit Vorbehandlung von AS, von OSZILLATOR und von Detrend geteilt wird, hat den besten Effekt im charakteristischen Band. Sein Korrektursatz RE ist 0,6470, RMSEC ist 1,8221%, RPD ist 1,6849, Bestätigungssatz Relais ist 0,6314, RMSEP ist 1,6003%. RPDv ist 1,9371, obgleich das Modell in der praktischen quantitativen Analyse benutzt werden kann, seine Vorhersagengenauigkeit muss noch weiteres sein optimiert. Die Ergebnisse des Modells der quantitativen Analyse, das vom Gesamtphosphorbeispielsatz geteilt wurde durch CG-Methode kombiniert wurde mit den Vorbehandlungsmethoden von AS, von Flugleitanlage und von SNV erhalten wurde, waren optimal. Das Verhältnis von RS, von RMSEC und von RPD des optimalen Modells war 0,6038, 0,1656% und 1,5700, beziehungsweise. Bestätigungssätze R9, RMSEP und RPD/sind 0,4672, 0,1916% und 1,3570, beziehungsweise. Die Leistungsparameter des Korrekturmodells und des Bestätigungsmodells sind arm und anzeigen, dass das Modell schlechte vorbestimmte Fähigkeit hat und nicht in der tatsächlichen quantitativen Analyse verwendet werden kann. Nach Vorbehandlung des Kalziumbeispielsatzes, der durch CG-Methode geteilt wird und mit AS, OSZILLATOR und Detrend-Methode kombiniert ist, hat das Modell der quantitativen Analyse, das in seinem charakteristischen Band hergestellt wird, den besten Effekt, ist RB des optimalen Modells 0,4784, und Überprüfungssatz R≈ ist nur 0,4406. Der Vorhersageneffekt des Modells ist schlecht, und er kann nicht in der praktischen Analyse angewendet werden. Die Vorhersagengenauigkeit des optimalen Modells der quantitativen Analyse des Rohproteins, das auf hyperspektraler Bildtechnologie basiert, ist das Beste, und die Vorhersagenleistung des Rohaschemodells ist die zweite, und beide können in der praktischen Entdeckung genau verwendet werden. Die Vorhersagengenauigkeit des optimalen Modells der quantitativen Analyse des Wassers sollte verbessert werden. Jedoch hat das optimale Modell der quantitativen Analyse des Gesamtphosphors und des Kalziums schlechte vorbestimmte Leistung und kann nicht für praktische Entdeckung verwendet werden.

In dieser Studie wurde eine hyperspektrale Kamera 400-1000nm angewendet, und FS13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, könnte für in Verbindung stehende Forschung verwendet werden. Der Spektralbereich ist 400-1000nm, ist die Wellenlängenentschließung besser als 2.5nm, und bis 1200 Spektralkanäle können erreicht werden. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl). Hohle Hartkapsel der medizinischen Gelatine ist eine Art spezielle medizinische Bindemittel, in denen Chrominhalt ein wichtiger Testindex ist, der durch den nationalen Gesundheitsstandard vereinbart wird. Kapseln mit übermäßigem Chrominhalt allgemein bekannt als „giftige Kapseln“ und sind zum menschlichen Körper sehr giftig. Zur Zeit wird Chrominhalt durch traditionelle chemische Berechnungsmethode bestimmt. Die traditionelle Chromnachweismethode ist zeitraubend, ist die Ausrüstung teuer, ist der Gebrauch von einer großen Menge Salpetersäureverdauung einfach, Sekundärverschmutzung zu verursachen, und die Instrumentoperation benötigt Berufspersonal abzuschließen. Deshalb hat die Entwicklung von einem bequemen und von einem Schnellverfahren für die schnelle Entdeckung des Chrominhalts in den medizinischen Kapseln wichtige Anwendungsbedeutung und Marktaussicht.   Basiert auf der Möglichkeit der hyperspektralen Entdeckung der Schwermetalle, verwendet dieses Papier herkömmliche Atomabsorptionsspektrometrie, um die gesammelten Ergebnisse normalen MEHGC und MEHGC mit übermäßigem Chrominhalt zu vergleichen, dann sammelt zwei Arten MehGC-Daten mit hyperspektraler Analyse, und verwendet Hauptkomponenteanalyse (PCA) und teilweise kleinste Quadratmethode, um die hyperspektralen Daten zu analysieren und stellt schließlich das relevante Modell her. Zu die qualitative Entdeckung von „Giftkapseln“ verwirklichen.   Da hyperspektrale Daten aus mehrfachen Bandbildern verfasst werden, kann jedes Bild als eine Eigenschaft angesehen werden. Wenn die hyperspektralen Daten dimensional verringert werden, werden die ursprünglichen Daten zu einem neuen Koordinatensystem geändert, um den Unterschied zwischen den Bilddaten zu maximieren, und das Ergebnis ist zu dem Ausgangsbild sehr unterschiedlich. Diese Technik ist für die Vergrößerung des Informationsgehaltes, die Isolierung von Geräuschen und die Verringerung von Datenmaßen sehr effektiv. Die ersten 4 Hauptkomponenten, die nach PCA-Dimensionalitätsreduzierung von hyperspektralen Bildern erhalten werden, werden im Abbildung 1. gezeigt Der Vorteil von hyperspektralen Bildern ist, dass es nicht nur Bildinformationen gibt, aber auch Spektralinformationen. Um die Spektralinformationen einzuholen, wird die Region des Interesses für jede Probe vorgewählt, und jede Region des Interesses hat seine Spektralwartekurve. Wegen des Unterschiedes bezüglich der Farbe zwischen der Kapselkappe und dem Kapselkörper, zwecks den Einfluss der Farbe auf das Ergebnis zu beseitigen, wurden zwei Regionen des Interesses für jede Kapsel vorgewählt (eine auf der Kapselkappe und eine auf dem Kapselkörper). Die Regionen des Interesses konnten auf dem hyperspektralen Bild der Kapsel nach dem Zufall vorgewählt werden, und die Anzahl von Pixeln in jeder Region reichte von 2 bis 6. Die abschließenden Spektraldaten für die Region des Interesses werden als der Durchschnitt aller Pixel in der Region berechnet. Die Spektralkurven von 4 verschiedenen Regionen (Kapseln und Kappen von normalen Kapseln und „von giftigen Kapseln“ beziehungsweise) werden im Abbildung 2. gezeigt In den hyperspektralen Daten von 450~900 Nanometer, wurden die Spektraldaten der normalen Kapsel und „die giftige Kapsel“ erreicht, indem man die Region des Interesses vorwählte, das zuerst normalisiert wurde, und dann wurden die Datenmaßreduzierung und die diskriminierende Analyse durch PLEASE-DA geleitet. Als vier BITTE Betreiber als Inputeigenschaften vorgewählt wurden, erreichte die Anerkennungsrate der normalen Kapsel und „der giftigen Kapsel“ 100%. Besonderheit und Empfindlichkeit sind auch 100%; Es kann gesehen werden, dass normale Kapseln und „giftige Kapseln“ durch PLEASE-DA Unterscheidungsmethode unterschieden werden können. Unter Verwendung der hyperspektralen Bildtechnologie, „Giftkapseln“ kann zu ermitteln die Komplexität von traditionellen Methoden groß verringern.   Darüber hinaus um Vertrauen zu verbessern, müssen Proben in einem breiteren Spektrum, wie Fluoreszenz oder ultraviolettem überprüft werden. Beim der „Giftkapsel“ qualitativ leiten, es auch notwendig ist, quantitative Forschung auf ihm zu leiten, das Gelatineschablonen, mit unterschiedlichem Chrominhalt zu machen erwägen kann, finden Sie das Wechselbeziehungsmodell zwischen dem Chrominhalt der Schablone und den Spektraldaten, heraus und benutzen Sie dieses Modell, um den Schwermetallchrominhalt der unbekannten „Giftkapsel“ vorauszusagen. Angesichts der folgenden Auswirkung des „Giftkapsel“ Vorfalls, sind Proben schwierig zu finden, aber, zwecks die Wirksamkeit des Tests zu verbessern, ist es notwendig, eine Vielzahl von Kapselproben mit Chrominhalt zu verwenden.

In dieser Studie kann eine hyperspektrale Kamera 400-1000nm benutzt werden, und FS13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, kann für in Verbindung stehende Forschung verwendet werden. Der Spektralbereich ist 400-1000nm und die Wellenlängenentschließung ist besser als 2.5nm, bis 1200 Zwei Spektralkanäle. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl). Sorghum ist eine der wichtigen Nahrungsmittelernten in China, wegen seiner reichen Nährstoffe im Korn in der Weinindustrie hat ein „guter Wein kann nicht vom roten Korn zur Zeit getrennt werden“ beißendes Urteil, die jährliche Nachfrage von bis 20 Million T., die Hauptweinsorten, die Sorghum roter Luzhou sind, Qinghuyang, Runuo-Nr. 7 und anderes klebriges Sorghum mit hohem Stärkegehalt. Weil es viele Arten Sorghum und verschiedene Anbaugebiete gibt, ist der Inhalt der Stärke, des Proteins, des Fettes und der Gerbsäure im Korn sehr unterschiedlich, das zu große Unterschiede bezüglich des Aromas, der Art, der Qualität und des Ertrags Alkohols führt. Es kann gesehen werden, dass die genaue und leistungsfähige Identifizierung von Sorghumvielzahl vor dem Reihenspeicher von Rohstoffen des Sorghums eine sehr wichtige leitende Bedeutung für die Produktion des hochwertigen Alkohols hat, die das Produktionsverfahren wie die Zeit des sprudelnden Kornes, Wasserverbrauch steuern kann und Dämpfenkorn während des Brauenprozesses. Die traditionellen Identifizierungsmethoden umfassen hauptsächlich manuelle empirische Identifizierung und biologische Repräsentativentdeckung. Das ehemalige ist abhängig von subjektivem Einfluss, niedriger Leistungsfähigkeit, und schwierig, einen vereinheitlichten Standard zu bilden, während das letztere lästig mühsam ist, zeitraubend und. Alle beide können den Bedarf von modernen Alkoholunternehmen an der Bestimmung des Sorghums nicht erfüllen, also ist es dringend, eine schnelle, genaue und einfache Sorghumvielzahlklassifikation und -Nachweismethode zu finden. Das Ziel dieser Studie ist, 11 Sorghumvielzahl, indem es Spektralinformationen und Bildinformationen zu klassifizieren kombiniert, und identifiziert unterschiedliche Sorghumvielzahl, indem es hyperspektrale Technologie und Lernfähigkeit- einer Maschinemethoden durch Vergleich und externe Überprüfung optimiert, um ihre Genauigkeit und Leistungsfähigkeit in der Anwendung zu verbessern.   Die ursprünglichen Spektralkurven von 550 Proben von 11 Kategorien Sorghum und die Spektralkurven, nachdem MSC-Vorbehandlung im Abbildung 1. gezeigt sind Jede Farbe stellt eine andere Kategorie dar. In diesem Papier wurde der Identifizierung von 11 Vielzahl des Sorghums basiert auf der Kombination von hyperspektralen Spektrum- und Bildinformationen studiert. Die hyperspektralen Bilder des Sorghums wurden gesammelt, wurden 48 Eigenschaftswellenlängen von den Spektren nach MSC vorgewählt, die durch BADEKURORT-Algorithmus aufbereitet, und dann wurden die Beschaffenheitseigenschaften der Bilder extrahiert. SVM-, PLEASE-DA und ULMEN-Klassifikationsmodellen wurden basiert auf den Beschaffenheitseigenschaften, volles Spektrum, Eigenschaftsspektrum und ihre kombinierten Bildinformationen, beziehungsweise hergestellt. Schließlich wurden die Daten, die nicht mit einbezogen wurden, beim Modellieren für externe Überprüfung verwendet. Die Ergebnisse zeigen, dass das SVM-Klassifikationsmodell, das auf der Kombination von Eigenschaftsspektrum- und -beschaffenheitseigenschaften basiert, den besten Effekt hat. Die korrekte Anerkennungsrate des Testsatzes ist 95,3%, und die Genauigkeit des Überprüfungssatzes ist 91,8%. Die Kombination des sichtbaren Spektrums und des Bildes kann die schnelle Anerkennung des Weinsorghums effektiv verwirklichen und die Anerkennungsgenauigkeit des Modells verbessern. Dieses bietet eine theoretische Basis für die Entdeckung von Rohstoffen unterschiedlichen Brauens und die Realisierung der Brauenautomatisierung.

In dieser Studie wurde eine hyperspektrale Kamera 400-1000nm benutzt, um das Innere der Walnuss zu ermitteln, und FS-13, ein Produkt von Hangzhou CHNSpec Technology Co., Ltd, könnte für in Verbindung stehende Forschung verwendet werden. Um Walnussoberfläche im Spektralbereich von 800-1700nm zu ermitteln, kann hyperspektrale Kamera FS-15 im Spektralbereich von 900-1700nm mit Wellenlängenentschließung benutzt werden besser als 2.5nm und bis 1200 Spektralkanäle. Die Erwerbsgeschwindigkeit kann 128FPS im vollen Spektrum und das Maximum erreichen, nachdem Bandauswahl 3300Hz ist (Stützmultiregionsbandauswahl). Walnüsse sind eine Nussnahrung, die während alles Alters passend sind und eine wichtige waldige Ölernte. Der pflanzende Bereich und der Ertrag von Walnüssen in China-Rang erster in der Welt. Die Qualität, die von den Walnusskernen prüft und ordnet, ist eine wichtige Verbindung in der Walnussproduktion und -verarbeitung. Entsprechend relevanten nationalen Standards schließen die Auftrittqualitätsindikatoren von Walnusskernen Integrität und Hautfarbe ein, während die internen Qualitätsindikatoren Fettgehalt und Proteingehalt einschließen. In der tatsächlichen Produktion der Walnusskern, der beruht ordnet hauptsächlich, auf der manuellen Auswahl des Auftrittes und der Farbe, die hohe Produktionskosten und hohen Zufallscharakter beim Ordnen hat und macht sie schwierig, interne Qualität zu unterscheiden. Traditionelle chemische Prüfung ist zu den Proben destruktiv und nimmt eine lange Zeit zu ermitteln und macht ihn schwierig, sich modernen Produktionsanforderungen anzupassen. Zur Zeit konzentriert sich eine Forschung auf dem Gebiet eines Gebrauches von hyperspektraler Technologie für Walnussqualitätsentdeckung hauptsächlich auf die Klassifikation von Walnussschalen und von Kernen, und es hat keine relevanten Berichte über die Qualität von Walnusskernen gegeben. Um eine Methode zu erforschen um die interne Qualitätsentdeckung und die Auftrittklassifikation des Walnusskerns gleichzeitig zu verwirklichen, setzte diese Studie hyperspektrale Bildgebungstechnologie ein um die charakteristischen Spektren des Fettgehaltes, Proteingehalt und Farbe des Walnusskerns auszusortieren, und heraus aussortiert den relevanten charakteristischen Bändern von Qualitätsindikatoren um Hinweis für die Anwendung der zerstörungsfreien Prüfung der Walnusskernqualität zur Verfügung zu stellen. Die durchschnittlichen Spektralinformationen von Walnusskernproben in der fast-Infrarotregion (863-1704 Millimeter) und die vor verarbeiteten Spektralinformationen werden im Abbildung 3. gezeigt Die Gesamteigenschaften der ursprünglichen Spektralinformationen der Proben sind, außer den Absorptionsmaxima des Wassers im Allgemeinen konsequent, liegen die Absorptionsmaxima anderer Komponenten nicht auf der Hand, und der Spektren Weiterverarbeitung ist erforderlich. Die aufbereitende Methode, die MSE und SNV kombiniert, beseitigt den Einfluss etwas Grundrauschens und macht die Spektralinformationen vom Beispielpolierer. Gleichzeitig fördert sie erhöht die Übereinstimmung von Spektralinformationen, hervorhebt Spektralspitzen und Täler und verstärkt Spektraleigenschaften. Die Auftrittgradklassifikation des Walnusskerns basiert auf Spektralinformations- und Bildeigenschaften. Abbildung 6 zeigt die durchschnittliche Spektralkurve von drei Farbwalnuss-Kernproben im sichtbaren Licht und in den Kurzwellefast-infrarotregionen (382~1027nm). Da die Geräusche in den vorderen und hinteren Segmenten des Spektrums eine große Auswirkung haben, werden 20 Wellenbereichpunkte in den vorderen und hinteren Segmenten entfernt. Vom Abbildung 6 kann es gesehen werden, dass im ursprünglichen Spektrum, das Spektral-Reflexionsvermögen von Walnusskernproben mit drei verschiedenen Farben einen bedeutenden Abwärtstrend in der sichtbaren hellen Strecke als die Farbänderungen vom Licht an tiefem zeigt und das Spektrum in der fast-Infrarotstrecke verhältnismäßig zerrüttet ist. Die Spektralinformationen, die durch die Kombination von MSC- und SNV-Methoden aufbereitet werden, zeigen bestimmte Gleichmässigkeit und Übereinstimmung im Spektral-Reflexionsvermögen, das für die folgende Spektralverarbeitung hilfreich ist. Unter Verwendung der hyperspektralen Bildgebungstechnologie wurde eine Methode für die Entdeckung der internen und externen Qualität der Walnusskerne studiert. Durch die Kombination, die und die Bildinformationen Spektral sind wurden Protein und Fettgehaltvorhersage von den Walnusskernen und von AuftrittQualitätseinstufung, die auf Integrität und Farbe basierten, erzielt. Die Ergebnisse zeigen, dass die Kombination der AUTO-Algorithmus- und Korrelationskoeffizientmethode effektiv die irrelevanten und redundanten Informationen im vollen Spektralband entfernt. Verglichen mit dem vollen Spektralband, stellte die Bestätigung R des Eigenschaftsband-Vorhersagenmodells für Proteingehalt ² von 0,66 bis 0,91, RMSEP verringerte von 1,37% bis 0,78% ein; Bestätigungssatz R für Fettgehalt ² von 0,83 bis 0,93, RMSEP verringerte von 0,98% bis 0,47% und anzeigte, dass die vorgewählten Eigenschaftsbänder effektiv die Komplexität des Modells verringerten und seine vorbestimmte Fähigkeit verbesserten. Indem man Farbunterschied-Eigenschaftsspektren mit statistischen Eigenschaftsparametern des Bildes kombinierte, wurden die Gesamtfarbunterschiedeigenschafts-Bandspektren von den hyperspektralen Bildern extrahiert, die die Störung von redundanten Informationen erheblich verringern und das Modellieren von Leistungsfähigkeit verbessern können. Indem man das Gesamtfarbunterschiedeigenschafts-Bandspektrum mit statistischen Eigenschaftsparametern des Bildes kombiniert, wird der Klassifikationsgenauigkeit weiter verglichen mit dem RGB-Band verbessert. Wenn es das Farbklassifikationsmodell verwendet, das durch den Papierlösekorotron-Algorithmus hergestellt wird, hat das Modell die höchste Klassifikationsgenauigkeit (98,6%). Der Gebrauch von hyperspektralen Bildern erzielte gleichzeitig die Entdeckung von internen Qualitätsparametern (Proteingehalt, Fettgehalt) und die Klassifikation der Auftrittqualität (die Integrität, Farbe) der Walnusskerne und stellte eine neue Lösung für die Anwendung der zerstörungsfreien Prüfung der Walnusskernqualität bereit.    

Lassen Sie uns zur Volksschulewissenschaft zurück gehen. Dieses ist das sichtbare Spektrum - das Licht, das wir mit unseren bloßen Augen sehen können - aber ein kleines Teil des elektromagnetischen Spektrums. Dieses ist das elektromagnetische Spektrum. Es beginnt mit Gammastrahlen auf den Linksextremen und den Reisen rechts über Röntgenstrahlen, Mikrowellen und Radiowellen. Das kleine sichtbare Spektrum zwischen ultraviolettem und Infrarot ist das einzige Teil des Spektrums, dass Menschen mit bloßem Auge sehen können, es sei denn, dass OBAs beteiligt sind. OBAs absorbieren einen Teil des unsichtbaren UV-Lichts und wieder-strahlen ihn als Blaulicht aus. Dieses reflektierte Blaulicht lässt das Gewebe heller und weißer aussehen. Bildhöflichkeit von Wikipedia. Dieses Bild zeigt die sichtbaren Wellenlängen auf dem Recht und die ultraviolette Region auf dem links. Optische Aufheller arbeiten, indem sie diese UVstrahlen absorbieren und sie in der Region vom Spektrum resorbieren, das zum menschlichen Auge sichtbar ist.

Glanz ist eine physikalische Größe, die die Fähigkeit einer Materialoberfläche bewertet, Licht zu reflektieren.Als Oberflächeneigenschaft eines Objekts hängt der Glanz von der spiegelnden Reflexionsfähigkeit der Oberfläche für Licht ab.Spiegelreflexion bezieht sich auf das Reflexionsphänomen, dass der Reflexionswinkel gleich dem Einfallswinkel ist.Glanz ist eine physikalische Größe, die die Fähigkeit einer Materialoberfläche bewertet, Licht unter einer Reihe von geometrisch festgelegten Bedingungen zu reflektieren.Daher drückt es die Eigenschaft der Reflexion mit Richtungsauswahl aus.Nach den Eigenschaften des Glanzes kann Glanz in mehrere Kategorien eingeteilt werden.Wir sagen normalerweise, dass sich Glanz auf "Spiegelglanz" bezieht, also Glanzmesser, manchmal auch Spiegelglanzmesser genannt. Der Glanz wird basierend auf der Lichtmenge gemessen, die von der Oberfläche relativ zum polierten Glasbezugsstandard reflektiert wird.Die von einer Oberfläche reflektierte Lichtmenge hängt vom Einfallswinkel und der Beschaffenheit der Oberfläche ab.Die Maßeinheit des Glanzes ist eine Glanzeinheit (GU).Je niedriger der GU, desto weniger Glanzreflexion.Je höher der GU, desto höher der reflektierte Glanz. Der Glanz wird in matte, halbglänzende und hochglänzende Oberflächen unterteilt.Der gemessene Winkel ist der Winkel zwischen dem einfallenden Licht und dem reflektierten Licht.Drei Messwinkel (20º/60º/85º) sind spezifiziert, um die meisten industriellen Beschichtungsanwendungen abzudecken.Um den richtigen Winkel für Ihre Anforderungen zu bestimmen oder auszuwählen, verwenden Sie ein Glanzmessgerät, um den Winkel bei 60º zu messen, und wählen Sie den Winkel innerhalb des gewünschten Glanzbereichs aus.