CHNSpec Technology （Zhejiang）Co.,Ltd Noticias de la compañía

El medidor de diferencia de color es un instrumento de medición óptica de precisión que mide con precisión la diferencia de color a través del principio de conversión de luz / electricidad.los datos de color del objeto medido se recogen desde cinco ángulos (15°), 45°, 110°), y los resultados de las mediciones se obtienen mediante el análisis y la comparación de los datos de muestra estándar recogidos y los datos de muestra.   En el campo de la óptica, el color se puede medir por el escalar de color de laboratorio, el eje L es el eje de brillo, 0 es negro, 100 es blanco; El eje A es rojo y el eje verde, el valor positivo es rojo,el valor negativo es verde, 0 es un color neutro; el eje b es un eje amarillo y azul, los valores positivos son amarillos, los valores negativos son azules y 0 es un color neutro.Estas escalas se pueden utilizar para representar la diferencia de color entre la muestra y la muestra estándar, generalmente Δa, Δb, ΔL como identificador, ΔE se define como la diferencia de color total de la muestra, pero no puede representar la dirección de desviación de la diferencia de color de la muestra,cuanto mayor sea el valor de ΔESegún los principios Lab y Lch del espacio cromático CIE, la diferencia de color ΔE, Δa, Δb,Los valores ΔL entre la muestra y la muestra estándar pueden medirse y mostrarse.   ΔE se calcula generalmente con la siguiente fórmula: Δ E * = [(Δ L *) + (Δ a *) + (Δ b *) ] 1/2   A veces, algunas compañías requerirán una diferencia total de color inferior a 2, y algunas también requerirán un valor de laboratorio.0, se recomienda que Δa, Δb y ΔL sean todos ≤ 1.5, y es generalmente distinguible visualmente cuando ΔE es 1.5Dado que Δa, Δb y ΔL no son generalmente fijos, en el caso de requisitos demasiado estrictos,a menudo en la diferencia de color total ΔE y la diferencia de color Δc (sin tener en cuenta el efecto de brillo) tienen requisitos, en este momento puede calcularse de acuerdo con la siguiente fórmula: ΔE*=[(ΔL*) + ((Δa*) + ((Δb*) ]1/2 Δc*=[(Δa*) + ((Δb*) ]1/2   El medidor de diferencia de color se basa en el principio Lab, Lch del espacio de color CIE, la medición muestra el valor de diferencia de color △E y △Lab de la muestra y la muestra a medir.El producto se utiliza ampliamente en la detección de color de la pintura, tinta, textiles, ropa, cuero, plástico, plástico, impresión, recubrimiento, metal, etc., entonces, ¿qué representa el lb en el medidor de diferencia de color? L: blanco y negro, también se dice oscuro claro, + significa blanco, - significa oscuro; A: indica rojo verde, + indica rojo, - indica verde; B: indica el amarillo y el azul, + indica el amarillo, - indica el azul;   Lo anterior son valores relativos, simple L, A, B es el valor absoluto, con estos tres valores puede ser en un mapa tridimensional, representar con precisión un punto de color,con el valor relativo se puede obtener y la diferencia de punto de referencia para corregir la diferencia de color total ΔΕ= (Δa2+Δb2+Δl2) 1/2.   CIE (Comisión Internacional de Iluminación) Espacio de Color del Laboratorio Breve introducción: L: (brillo) eje representa blanco y negro, 0 es negro y 100 es 100 a: ((rojo verde) Los valores positivos son rojos, los valores negativos son verdes y 0 es neutral. b; (amarillo-azul) los valores positivos del eje son amarillos, los valores negativos son azules y 0 es neutro.   Todos los colores se pueden percibir y medir a través del espacio de color del laboratorio, y estos datos también se pueden utilizar para representar la diferencia de color entre la muestra estándar y la muestra de prueba,y se expresan generalmente como △Eab (diferencia total de color) △L △a △b.   Por ejemplo, △L es positivo, lo que indica que la muestra de ensayo es más ligera que la muestra estándar (blanco) △L es negativo, lo que indica que la muestra de ensayo es más oscura que la muestra estándar (negra).   Por ejemplo: △a es positivo, lo que indica que la muestra de ensayo es más roja que la muestra estándar (rojo) △a es negativo, lo que indica que la muestra de ensayo es más verde que la muestra estándar (verde)   Por ejemplo: △b es positivo, lo que indica que la muestra de ensayo es más amarilla que la muestra estándar (amarilla) △b es negativo,indicando que la muestra de ensayo es más azul que la muestra estándar (azul)   △Eab ((o △E) es la diferencia total de color, no indica la dirección del cambio de diferencia de color, cuanto mayor sea el valor, mayor será la diferencia de color.

En el proceso de producción, a menudo encontramos un problema, bajo esta fuente de luz para observar el color de la muestra estándar A y la muestra estándar B es el mismo o la diferencia de color es muy pequeña,Pero bajo otra fuente de luz para observar el color de A y B es muy diferenteEl espectro heterocromático es simplemente el mismo color bajo una fuente de luz, pero la composición del espectro es diferente.La industria de la impresión y el teñido a menudo dijo que las luces saltantes y heterocroma es un concepto.      Los mismos dos productos, bajo diferentes fuentes de luz, la pantalla de color es diferente   La razón fundamental de los diferentes colores de diferentes fuentes de luz es que la reflexión espectral de los dos colores es diferente   Entonces, en el proceso de producción real, ¿cómo evitar la ocurrencia del fenómeno del espectro heterocromático?   En primer lugar, es necesario entender que hay tres elementos que determinan el color de la superficie de un objeto: el objeto, la fuente de luz y el observador.Sólo cuando estos tres elementos son exactamente iguales, el color de la superficie del objeto puede ser completamente consistente. Los observadores son a menudo los mismos, y necesitamos controlar la consistencia de los elementos variables de los objetos o fuentes de luz para evitar el metacromatismo.   El primer método es unificar la fuente de luz.Podemos utilizar el mismo ambiente que los lugares comunes del cliente y sus condiciones de iluminación para llevar a cabo el trabajo de combinación de colores para lograr condiciones y otros coloresEste método tiene altos requisitos ambientales, como la fuente de luz, y no puede evitar realmente el fenómeno del metacromatismo.   El segundo método es unificar la reflexión espectral del objeto.entonces el color de los dos objetos también debe ser consistente bajo cualquier fuente de luz condiciones.   El color se puede ver intuitivamente, pero la reflexión espectral no se puede observar a simple vista, y debe identificarse con la ayuda de instrumentos.Los productos de la serie de medición de color espectral desarrollados por la tecnología de espectro de color no sólo pueden leer visualmente el valor del color, pero también producen reflexión espectral, lo que reduce en gran medida la carga de trabajo de los trabajadores de coincidencia de colores, y puede ayudar a los trabajadores de coincidencia de colores a mejorar la precisión de la coincidencia de colores.

El tipo espectral más avanzado del medidor de diferencia de color, es decir, a menudo decimos que el medidor de diferencia de color espectral,Este instrumento contiene un elemento óptico que puede utilizarse para la dispersión espectral.   El espectrofotómetro utiliza generalmente prismas, rejillas, filtros de interferencia, series ajustables o discontinuas de fuentes de luz monocromáticas para lograr la espectrofotometría,y luego analiza la información de un solo color de acuerdo con el principio de dispersión para obtener números de colorEl espectrofotómetro puede mostrar información de crominancia de acuerdo con el espacio de crominancia establecido en su interior y la fórmula de cálculo, y la puede emitir en forma digital.el espectrofotómetro también puede analizar la información de los datos espectrales subyacentes basada en los datos colorimétricos.   Sabemos que la luz ultravioleta no está en el espectro visible y no puede ser capturada y observada a simple vista, pero puede afectar el cambio de color.Hay un espectrofotómetro de resolución ultravioleta utilizado para medir el croma, lo que permite un análisis de color más preciso.   Sin embargo, ahora más fabricantes prefieren utilizar componentes de medición de color para completar esta medición, el componente puede ayudar a medir más información de color del producto,Mientras que la exactitud puede ser garantizada, pero el componente es más fácil de ajustar la tecnología interna del medidor de diferencia de color de la luz, pero también reduce el costo de fabricación del instrumento,para que más fabricantes puedan permitirse el lujo de utilizar.   El espectrofotómetro está diseñado para la comparación y simulación de datos colorimétricos visuales y es una herramienta auxiliar importante para el emparejamiento de colores por ordenador,que pueden ayudar a los principales fabricantes a completar el análisisEn el uso del medidor de diferencia de color luminoso, se utilizará una ecuación de datos clave: ecuación de tolerancia de color.que es en realidad el rango de tolerancia que normalmente decimos, en la generación industrial de lotes, existe una tolerancia para controlar el producto y la situación calificada, tanto rápida como razonable.   Para medir la diferencia de color entre los productos y controlar el medidor de diferencia de color ordinario es el mismo, primero debemos medir la información del producto de muestra estándar,y luego medir la información de color de la muestraDe hecho, la medición del color y la gestión del color son las mismas en general, pero el espectrofotómetro es más preciso y más completo.

El medidor de diferencia de color tiene una amplia gama de aplicaciones en la industria del color de superficie, como revestimiento, materiales de construcción, pintura, recubrimientos, impresión y teñido textiles, tinta, plásticos,Fabricación de pigmentos para tintes, etc., también conocido como espacio de color uniforme CIELAB. Analicemos los valores de laboratorio de acuerdo con la interfaz de medición de diferencia de color:   ColorMeter Pro es una herramienta de color diferente, configuración de rendimiento potente, hacer la medición de color más profesional; El instrumento se puede conectar de forma inalámbrica a dispositivos Android o IOS,que expande en gran medida el campo de aplicación de la medición de color. Le llevará al nuevo mundo de la gestión de color, puede reemplazar la impresión, pintura, textiles y otras tarjetas de color, para lograr la lectura de color, funciones de búsqueda de tarjetas de color.   Significado del valor de laboratorio del medidor de diferencia de color: L: El eje representa blanco y negro, 0 es negro, 100 es blanco. a: (rojo verde) Los valores positivos son rojos, los valores negativos son verdes y 0 es neutral. b: (amarillo azul) Los valores positivos son amarillos, los valores negativos son azules y 0 es neutral.   Todos los colores se pueden percibir y medir a través del espacio de color del laboratorio, y estos datos también se pueden utilizar para representar la diferencia de color entre la muestra estándar y la muestra de prueba,y se expresan generalmente como dE*ab (diferencia total de color) dL*, da*, db*.   Cuando dE está entre 0 y 1, la diferencia de color no es perceptible a simple vista Si el dE está entre 1-2, el ojo humano es ligeramente consciente, si la sensibilidad cromática no es alta, todavía no es visible. Si el dE está entre 2-3, la diferencia de color entre las sustancias puede identificarse ligeramente claramente, pero no es relativamente obvia. Una vez que el dE alcanza entre 3.5-5, la diferencia de color es muy obvia Así que dE por encima de 5 parece dos colores.   Como los datos del tesoro de la diferencia de color: dL* es 22,6 positivo, lo que indica que la muestra de ensayo es más clara (más blanca) que la muestra estándar, y la interfaz mostrará directamente cuán blanca y menos negra es; si dL* es negativa,la muestra de ensayo es más oscura que la muestra estándar. da* es 47,7 positivo, lo que indica que la muestra de ensayo es más roja que la muestra estándar (rojo), y la interfaz mostrará directamente más rojo y menos verde; por el contrario, si da* es negativo,la muestra de ensayo es más verde que la muestra estándar (verdeada). Db* es 43,4 positivo, lo que indica que la muestra de ensayo es más amarilla que la muestra estándar (amarillenta), la interfaz mostrará directamente más amarillo y menos azul;si db* es negativo, la muestra de ensayo es más azul que la muestra estándar (más azul). dE*ab ((o dE) es la diferencia de color total, no indica la dirección del cambio de diferencia de color, cuanto mayor sea el valor, mayor será la diferencia de color.   La fórmula de diferencia de color: dE=[(dL) 2+(da) 2+(db) 2) 1/2. dL=L Producto ensayado -L muestra estándar (brillo/diferencia entre blanco y negro) da=a Producto ensayado - muestreo estándar (diferencia rojo/verde) db=b Producto ensayado - b muestra estándar (diferencia amarilla/azul) △L+ significa blanco, △L- significa negro △a+ es rojo, △a- es verde △b+ indica amarillo, △b- indica azul   En general, el medidor de diferencia de color es una operación conveniente, detección de datos intuitiva de equipos de diferencia de color, actualmente en la producción diaria y el proceso de vida se utiliza muy ampliamente,Así que la necesidad de los amigos de gestión de color pueden estudiar cuidadosamente el significado del valor de laboratorio anterior.

SCI se refiere a la inclusión del modo de luz reflejada especular,generalmente utilizado para aquellos que estudian las propiedades del color en sí sin preocuparse por el color adjunto al brillo de la superficie de los fabricantes de muestrasSCE se refiere al método que no contiene luz reflejada especular,que es generalmente adecuado para las muestras que se observan directamente y que requieren que los resultados de las mediciones estén muy cerca de la vista visual, como las carcasas de los electrodomésticos.   En el modo de medición SCE, se excluye la luz especular reflejada y sólo se mide la luz difusa. El valor así medido es comparable al color del objeto tal como aparece al observador.Cuando se utiliza el modo SCI, la luz reflejada especular se incluye en la medición junto con la luz difusa. El valor medido de esta manera es el color objetivo general del objeto,y no tiene nada que ver con las condiciones de la superficie del objetoEstos criterios deben tenerse en cuenta a la hora de elegir un instrumento. Algunos instrumentos también pueden medir valores tanto en los modos SCE como SCI.   Las opciones SCI y SCE generalmente sólo aparecen en la configuración de los instrumentos de medición de color de la estructura d/8.                                     Incluso si el objeto está hecho del mismo material, el color se verá diferente debido a la diferencia en el brillo de la superficie.   Debido a que la luz de una fuente de luz produce luz que se refleja de nuevo desde el mismo ángulo en diferentes direcciones, lo llamamos luz especular reflejada,porque la luz es como si fuese reflejada por un espejoLa luz que no es reflejada por el reflejo especular, sino que se dispersa en todas las direcciones se llama luz difusa.   En superficies lisas y brillantes, la luz especular es más fuerte y la luz difusa es más débil.Ignoran la luz reflejada especular.Cuando se miden estas muestras, para que los datos tengan el mismo aspecto que el objeto, se debe excluir la luz especular reflejada y solo medir la luz difusa.El color de un objeto es diferente debido a la cantidad de luz reflejada por el espejo que observamos.

En este estudio se puede utilizar una cámara hiperespectral de 400-1000 nm, y los productos de Hangzhou Color Spectrum Technology Co., LTD FS13 lleva a cabo investigaciones relacionadas. El rango espectral es de 400-1000nm, y la resolución de longitud de onda es mejor que 2.5nm, hasta 1200nm. Dos canales espectrales: velocidad de adquisición de hasta 128FPS en todo el espectro, hasta 3300Hz después de la selección de banda (multi-zona de soporte Selección de banda de dominio). La clorofila desempeña un papel importante en la fotosíntesis de las plantas, y su contenido es un indicador importante del estrés nutricional de las plantas, la capacidad fotosintética y el estado de crecimiento.La detección del contenido de clorofila de las plantas puede utilizarse para controlar el crecimiento y desarrollo de las plantas, con el fin de orientar científicamente el cultivo y la gestión de la fertilización, garantizar un buen crecimiento de los cultivos, mejorar la calidad y el rendimiento de los cultivos,que es de gran importancia para la práctica de la agricultura y la silvicultura de precisiónEl método tradicional de detección del contenido de clorofila es el método de química analítica, es decir, las hojas se recogen en el laboratorio, se extraen con disolvente químico,y luego se determina la absorbancia del líquido extraído en dos longitudes de onda específicas en el espectrofotómetro, y el contenido de clorofila se calcula según la fórmula. Este método tiene una alta precisión de medición, pero es engorroso, lento y laborioso,y no puede cumplir con los requisitos de pruebas rápidas no destructivas en el campo.   La espectroscopia del infrarrojo cercano visible es un método de análisis y detección que se ha desarrollado rápidamente en los últimos años.que pueden utilizar plenamente los datos espectral en espectro completo o en múltiples longitudes de onda para análisis cualitativo o cuantitativoEn comparación con el método químico analítico tradicional, la espectroscopia visible del infrarrojo cercano tiene las características de análisis rápido, alta eficiencia, bajo costo, sin daños, sin contaminación, etc.y se ha utilizado ampliamente en muchos camposEn este trabajo, se obtuvieron las señales espectrales de las hojas de las plantas de visión cercana al infrarrojo mediante muestreo por transreflectancia, y los datos espectrales se preprocesaron al suavizar,diferenciación de primer orden y transformación onduladaSe utilizó el método del mínimo cuadrado parcial (PLS) para determinar el contenido de clorofila y los espectros de absorción de hojas de las hojas de las plantas. En este trabajo, se propuso un nuevo método para la determinación del contenido de clorofila en las plantas mediante espectroscopia del infrarrojo cercano visible.El método de muestreo de reflexión se utiliza para recoger el espectro de la hoja, y los métodos de transformación de suavizado, diferencial y ondulado se utilizan para el preprocesamiento de los datos espectral, lo que reduce la influencia de factores no objetivo y mejora la relación señal-ruido.Entonces..., se estableció un modelo de análisis cuantitativo del contenido de clorofila en las hojas y el espectro de absorción de las hojas mediante el método del mínimo cuadrado parcial.La precisión de la predicción del modelo cumplió con los requisitos de las aplicaciones prácticas de mediciónLos resultados de este estudio mostraron que era factible la aplicación de la espectroscopia de visión en el infrarrojo cercano para detectar el contenido de clorofila de las hojas.que proporcionó una base para la detección rápida del contenido de clorofila de las hojas, y también sentó las bases para el desarrollo futuro de instrumentos de ensayo no destructivos correspondientes.

En este estudio, se aplicó una cámara hiperespectral de 900-1700 nm, y FS-15, el producto de Hangzhou Color Spectrum Technology Co., LTD., podría usarse para investigaciones relacionadas.Cámara hiperespectral de ondas cortas en el infrarrojo cercano, la velocidad de adquisición del espectro completo hasta 200FPS, se utiliza ampliamente en la identificación de la composición, la identificación de sustancias, la visión artificial, la calidad de los productos agrícolas,detección de pantalla y otros campos.   Las antocianinas son una importante clase de compuestos fenólicos en la uva y el vino, que se encuentran principalmente en los vacíos de las células en las 3-4 capas debajo de la epidermis de las bayas de uva.Es un factor importante para determinar la calidad sensorial del vinoEl método tradicional de detección química destruirá el objeto de detección.y es difícil lograr una detección rápida y de gran tamaño de muestraSin embargo, hay pocos estudios sobre la detección rápida de antocianinas en las uvas de vino en el país y en el extranjero.La tecnología de imágenes hiperespectral como método de ensayo no destructivo ha atraído una amplia atenciónEn comparación con la tecnología tradicional de espectroscopia del infrarrojo cercano, la tecnología de imagen hiperespectral muestra sus ventajas únicas.sólo se puede obtener una o varias informaciones espectrales cada vezLa tecnología de imágenes hiperespectrales puede obtener la imagen del analito,que no sólo proporciona información más abundante, pero también proporciona un método de análisis más razonable y eficaz en el procesamiento de datos espectral.En el proceso de modelado utilizando tecnología de imagen hiperespectral combinada con el método de mínimos cuadrados parciales, con la profundización de la investigación sobre el método PLS,se ha comprobado que se pueden obtener mejores modelos de corrección cuantitativa mediante la detección de longitudes de onda o intervalos de longitudes de onda característicos mediante métodos específicos..   En este experimento, se obtuvo la imagen hiperespectral de las bayas de uva basada en el sistema de imagen hiperespectral del infrarrojo cercano de 931 ~ 1700 nm.El algoritmo de proyección continua SPA se utilizó para seleccionar las variables de longitud de onda, y finalmente se seleccionaron 20 variables espectrales de 236 puntos de longitud de onda. Se utilizaron diferentes métodos de modelado para establecer el modelo de predicción del contenido de antocianinas en la cáscara de uva.Los resultados muestran que: (1) El algoritmo de proyección continua SPA no sólo puede seleccionar eficazmente las variables espectrales características, simplificar el modelo de corrección y acortar el tiempo de corrección,pero también mejorar la precisión de la predicción del modelo, que es un método eficaz y práctico para la selección de variables espectrales. (2) Entre los cuatro modelos de predicción, PLS, SPA-MLR, SPA-BPNN y SPA-PLS, el modelo SPA-PLS tiene el mejor efecto de predicción y su coeficiente de correlación de predicción R..9000 y 0.5506Por lo tanto, la correlación entre los datos espectral de las bayas de uva y el contenido de antocianinas en las cáscaras de uva es alta.La tecnología de imágenes hiperespectral de infrarrojo cercano puede detectar eficazmente el contenido de antocianinas en las cáscaras de uva.

En este estudio, se aplicó una cámara hiperespectral de 400-1000 nm, y FS13, un producto de Hangzhou Color Spectrum Technology Co., LTD., podría usarse para investigaciones relacionadas.,la resolución de la longitud de onda es mejor que 2,5 nm y se pueden alcanzar hasta 1200 canales espectrales. La velocidad de adquisición puede alcanzar los 128 FPS en todo el espectro,y el máximo después de la selección de banda es de 3300Hz (suporte de selección de banda multi-región). La producción de arroz de China representa más del 30% de la producción mundial de arroz, y el "arroz Meihe" en la provincia de Jilin es un producto de indicación geográfica del arroz japonica de China,y su zona de producción se encuentra en la zona de producción de granos dorados del mundo (45° de latitud norte)En la vida práctica, hay muchos tipos de arroz Meihe,y métodos químicos como la determinación de nitrógeno Kjellod y la espectrofotometría se utilizan generalmente para determinar el contenido de proteínas de diferentes variedades de arroz., pero estos métodos químicos tradicionales no sólo son destructivos para la muestra en sí, sino también complejos pasos y un ciclo de detección demasiado largo.La espectroscopia infrarroja se ha utilizado ampliamente en la detección de los principales componentes del arroz (proteína ≥, grasa β, almidón III, agua), pero sólo puede obtener el contenido de los componentes de acuerdo con la información espectral, y no puede lograr una expresión más intuitiva, es decir,la visualización del contenidoEl hiperespectro es un cubo tridimensional de datos que incluye información de imagen e información espectral.La imagen hiperespectral obtenida contiene tanto información interna del arroz (estructura física interna e información de composición química) como información externa del arroz (tipo de grano), defectos, etc.), lo que puede compensar la falta de imagen que el NIR no puede identificar rápidamente la distribución espacial de una determinada sustancia.Akita Omachi y Jijing 60) de 4 zonas productoras de la ciudad de MeiheSe utilizó tecnología de imagen hiperespectral para detectar el arroz recogido y obtener el espectro medio de la región de interés del arroz.Para reducir la relación señal/ruido del espectro y obtener un modelo relativamente robusto, Tres tipos de modelos de predicción del contenido de proteínas de arroz, incluyendo regresión parcial del menor cuadrado, regresión de componentes principales y red neuronal de retropropagación de errores,fueron establecidos mediante el suavizado por convoluciónSe utilizó SPA para seleccionar la longitud de onda característica, establecer el modelo de longitud de onda característica,y transformar la imagen hiperespectral del arroz en el mapa de distribución del contenido de proteínas para realizar la visualización del contenido de proteínas del arroz de diferentes variedades. La viabilidad de la visualización de la distribución del contenido de proteínas en el arroz se estudió utilizando tecnología de imagen hiperespectral.Se obtuvo un modelo de predicción del contenido de proteínas PLSR simplificado y eficiente mediante el método de pretratamiento espectral MC y la selección de bandas características SPA.. Basándose en el modelo cuantitativo, se visualizó la distribución del contenido de proteínas en el arroz de diferentes variedades y origen diferente.es difícil distinguir el arroz por imágenes RGB ordinariasLa obtención de imágenes de la distribución del contenido de proteínas puede proporcionar ideas para identificar el origen del arroz.y comparar los mapas de distribución del contenido de proteínas del arroz entre diferentes variedades puede proporcionar evidencia para el mejoramiento posterior de las variedades de arroz.

En este estudio, una cámara hyperspectral 400-1000nm fue aplicada, y FS13, un producto de la tecnología Co., LTD. del espectro de color de Hangzhou, se podría utilizar para la investigación relacionada. La gama espectral es 400-1000nm, la resolución de la longitud de onda es mejor que 2.5nm, y hasta 1200 canales espectrales pueden ser alcanzados. La velocidad de la adquisición puede alcanzar 128FPS en el espectro completo, y el máximo después de que la selección de la banda sea 3300Hz (selección de la banda de la multi-región de la ayuda).   La lechuga es rica en proteína, carbohidratos, vitaminas y otros alimentos, y el área de establecimiento es ancha. El nitrógeno es uno de los elementos más importantes que afectan al crecimiento de la lechuga. Para establecer un rápido, el método eficiente y no destructivo para la detección contenta del nitrógeno de lechuga es conveniente dirigir la fertilización razonable de la lechuga. Actualmente, hay pocos informes sobre el uso de la tecnología hyperspectral de la imagen de detectar el contenido del nitrógeno en hojas de la lechuga. En este estudio, la tecnología hyperspectral de la imagen fue aplicada a la detección no destructiva de contenido del nitrógeno en hojas de la lechuga. Estudiando los efectos de los diversos métodos espectrales del tratamiento previo sobre PLSB que modelaba, los métodos espectrales apropiados del tratamiento previo fueron seleccionados para las hojas de la lechuga, y las longitudes de onda sensibles convenientes para el contenido del nitrógeno que predecía en hojas de la lechuga fueron optimizadas. Una tentativa fue hecha de establecer el modelo de la predicción más simple y óptima del contenido del nitrógeno en hojas de la lechuga. Este sistema de métodos no se ha divulgado, y también proporciona una base para el desarrollo del detector vegetal portátil del elemento nutritivo, que tiene valor práctico fuerte.   Las imágenes hyperspectral de 60 hojas de la lechuga fueron recogidas por tecnología hyperspectral de la imagen, y el contenido del nitrógeno de las hojas correspondientes de la lechuga fue determinado por el analizador de flujo continuo AutoAnalyzer3. Los datos espectrales medios de las regiones 50×50 en la superficie de las hojas crudas de la lechuga fueron extraídos por el software de ENVI. Los datos espectrales medios extraídos fueron preprocesados (8 clases de métodos del tratamiento previo). Finalmente, los datos espectrales originales y 8 clases de datos espectrales del tratamiento previo fueron utilizados como la entrada de PLSR para establecer 9 modelos de la predicción para el contenido del nitrógeno de la lechuga. Comparando los resultados de estos 9 modelos de la predicción, la predicción óptima OSC+PLSR modelo fue seleccionada, y el diagrama del coeficiente de regresión del modelo de OSC+PLSR era analizado. 13 longitudes de onda sensibles fueron seleccionadas, y entonces 13 longitudes de onda sensibles fueron tomadas como entrada de PLSR. Finalmente, el modelo de la predicción del contenido del nitrógeno de la lechuga de OSC+SW+PLSR fue establecido. Comparado con el modelo de OSC+PLSR, la eficacia de la predicción se ha mejorado grandemente, que se puede utilizar como nuevo método eficiente, exacto y no destructivo para la predicción del contenido del nitrógeno en hojas de la lechuga, y puede proporcionar una referencia para la diagnosis de la nutrición del nitrógeno y la fertilización económica y racional de la lechuga.

En este estudio, se puede utilizar una cámara hiperespectral de 400-1000 nm y los productos de Hangzhou Color Spectrum Technology Co., LTD. FS13 realiza investigaciones relacionadas.El rango espectral es de 400-1000 nm y la resolución de longitud de onda es mejor que 2,5 nm, hasta 1200 Dos canales espectrales.Velocidad de adquisición de hasta 128 FPS en todo el espectro, hasta 3300 Hz después de la selección de banda (soporte multizona Selección de banda de dominio).   Con la promoción de la estrategia de la papa como grano básico en China, la cadena industrial relacionada con la papa se ha desarrollado rápidamente y la calidad de la papa se ha convertido en un tema candente.Sin embargo, defectos como la piel verde y los daños mecánicos afectan gravemente a la cantidad total de patatas, especialmente la forma compleja de las patatas de piel verde; los defectos no son fáciles de identificar y aumentan la dificultad de detección.Al mismo tiempo, si el contenido de solanina en la papa verde excede el estándar comestible, provocará intoxicación alimentaria y problemas de seguridad alimentaria.Por lo tanto, es de gran importancia estudiar un método de detección rápido y no destructivo para el procesamiento profundo de la papa y la extensión de la cadena industrial de la papa.   La tecnología de imágenes hiperespectrales tiene las ventajas de un rango de banda amplio y puede obtener la imagen y la información espectral en el rango de banda correspondiente de la muestra analizada al mismo tiempo, por lo que se ha utilizado ampliamente en pruebas rápidas no destructivas de productos agrícolas.Para resolver el problema de que la papa con piel verde clara no es fácil de reconocer en una posición arbitraria, se utilizaron técnicas de imágenes hiperespectrales de semitransmisión y reflexión para comparar y analizar, y se determinó la precisión del reconocimiento del modelo bajo diferentes métodos de imágenes hiperespectrales. .Se recolectaron imágenes hiperespectrales semitransmitidas e hiperespectrales reflejadas de muestras de papa en cualquier posición, y se establecieron modelos de detección basados ​​​​en información de imagen e información espectral respectivamente, y se compararon las tasas de reconocimiento de diferentes modelos.Establezca aún más modelos de fusión de imágenes y espectros o diferentes modelos de fusión de imágenes para mejorar el rendimiento del modelo y, finalmente, determine el modelo óptimo. (1) Se compara la precisión de los modelos de reconocimiento de información de imágenes con diferentes métodos de imágenes hiperespectrales.La tasa de reconocimiento del mapeo isométrico combinado con el modelo de red de creencias profundas basado en información de imágenes semitransmitidas es solo del 78,67%.La tasa de reconocimiento de la expansión de varianza máxima combinada con el modelo de red de creencias profundas basado en información de imagen reflejada es solo del 77,33%.Los resultados mostraron que la precisión de la detección de patatas de color verde claro mediante información de una sola imagen no era alta. (2) Se compara la precisión de los modelos de reconocimiento de información espectral con diferentes métodos de imágenes hiperespectrales.La tasa de reconocimiento de la disposición del espacio tangente local combinada con el modelo de red de creencia profunda basado en información del espectro de semitransmisión es la más alta: 93,33%.La tasa de reconocimiento de la disposición espacial tangente local combinada con el modelo de red de creencias profundas basado en información espectral de reflectancia es de hasta el 90,67%.Los resultados muestran que es factible utilizar información espectral única para detectar patatas de color verde claro, pero es necesario mejorar aún más la tasa de reconocimiento. (3) Se compara la influencia de tres métodos de fusión de información de múltiples fuentes en la precisión del reconocimiento.La precisión de los tres modelos de fusión de imagen semitransmitida y espectro semitransmitido, imagen reflejada y espectro de reflexión, espectro semitransmitido y espectro de reflexión es mayor que la del modelo de imagen única o espectral, y el modelo de fusión de red de creencias profundas de El espectro semitransmitido y el espectro de reflexión son los mejores, y la tasa de reconocimiento del conjunto de corrección y del conjunto de prueba es del 100%.Los resultados muestran que el modelo de fusión del espectro de semitransmisión y el espectro de reflexión puede realizar pruebas no destructivas de patatas de piel verde clara.

En este estudio, las cámaras hyperspectral de la banda 400-1000nm y 900-1700 nanómetro fueron aplicados, y los productos FS13 y FS15 de la tecnología Co., Ltd. del espectro de color de Hangzhou se podrían utilizar para la investigación relacionada. La gama espectral es 400-1000nm, la resolución de la longitud de onda es mejor que 2.5nm, y hasta 1200 canales espectrales pueden ser alcanzados. La velocidad de la adquisición puede alcanzar 128FPS en el espectro completo, y el máximo después de que la selección de la banda sea 3300Hz (selección de la banda de la multi-región de la ayuda). La carne incluye principalmente el ganado y las aves de corral y los productos acuáticos, las proteínas, los ácidos grasos, los oligoelementos y otras sustancias importantes de la energía necesarios por el cuerpo humano se derivan de la carne. Con la mejora continua de condiciones de vida, la gente presta más atención a la calidad de la comida y de la nutrición equilibrada en la dieta, pero algunos negocios ilegales mezclarán un poco de carne de baja calidad en la carne de alta calidad, mal hecha, especialmente en 2013 la “onda de la carne del caballo” de Europa, accionaron la preocupación extrema de la gente por la adulteración de la carne. Los métodos de detección de la adulteración de la carne incluyen la evaluación sensorial, tecnología fluorescente de la detección de la polimerización en cadena, análisis de la electroforesis y la tecnología enzima-ligada del immunoensayo, el etc., pero la mayor parte de ellos requerir el tratamiento previo de la muestra, y la operación de prueba es complicada y larga, y es difíciles alcanzar la detección en tiempo real rápida de tamaño de muestra grande en el campo.   La mayor parte de los informes existentes de la literatura utilizaron la tecnología de la imagen hyperspectral de la solo-banda para distinguir la adulteración de la carne, pero pocos utilizaron dos bandas para el análisis comparativo. En este experimento, el cordero descongelado de alta calidad fue seleccionado como el adúltero, y la carne del pato con precio bajo relativamente fue dopada. La información Hyperspectral de muestras fue recogida en las dos bandas del infrarrojo cercano visible (400 ~ 1 000 nanómetro) y onda corta del infrarrojo cercano (900 ~ 1700 nanómetro), y un modelo cuantitativo fueron establecidos seleccionando métodos apropiados del tratamiento previo. El modelo óptimo fue seleccionado para la inversión de la imagen, y un método de la visualización para la detección cuantitativa rápida de adulteración del cordero fue propuesto para proporcionar datos y el soporte técnico para la detección cuantitativa de adulteración del cordero. (1) para la banda de 400 ~ 1000 nanómetro, la lleno-banda SATISFACEN el modelo establecido después de que el tratamiento previo de la normalización tenga la exactitud más alta; Para la banda de 900-1700 nanómetro, la lleno-banda SATISFACE el modelo establecido después de que el tratamiento previo de SNV tenga la exactitud más alta. Seleccionando la longitud de onda de las dos bandas espectrales bajo método óptimo del tratamiento previo, se encuentra que el collinearity entre las longitudes de onda seleccionadas es mínimo y representativo en base de eliminar la multicolinearidad, que puede mejorar más lejos la exactitud y la simplicidad del modelo.   (2) allí es más información sobre los grupos relacionados con la composición de la carne en la banda de 900-1700 nanómetro, que puede reflejar mejor las características de la carne, y puede ser más conveniente para la identificación de la adulteración de la carne. Para agrandar la comprensión y la aplicabilidad del modelo, el experimento debe ser extendido a la onda larga cerca del espectro infrarrojo (1 700 ~ 2500 nanómetro). Al mismo tiempo, el cordero y la carne de alta calidad del pato seleccionados en el experimento fueron empaquetados como productos finales en supermercados locales. Si el modelo subsiguiente se puede aplicar al estudio de la adulteración del cordero bajo diversos ambientes (temperatura, humedad, forma, etc.), diversas variedades, diversas calidades, diversos métodos de alimentación y diversa frescura necesita la verificación y la discusión adicionales.  

En este estudio, se aplicó una cámara hiperespectral de 900-1700nm y FS-15, el producto de Hangzhou Color Spectrum Technology Co., LTD., podría usarse para investigaciones relacionadas.La cámara hiperespectral de infrarrojo cercano de onda corta, la velocidad de adquisición del espectro completo de hasta 200FPS, se usa ampliamente en la identificación de composición, identificación de sustancias, visión artificial, calidad de productos agrícolas, detección de pantalla y otros campos.        El tomate es un cultivo de bayas con un sabor único y rico en una variedad de nutrientes, que incluyen glutatión, vitaminas, licopeno, betacaroteno y otros ingredientes bioactivos, y tiene un alto valor alimenticio.Con el rápido desarrollo de la economía global, la demanda de tomates y productos de procesamiento de tomates en el mercado de consumo está aumentando.El tomate también se ha convertido en uno de los cultivos hortícolas y frutales más cultivados y consumidos en el mundo.Además, con la mejora general del nivel de vida de las personas, la calidad interna, la calidad de la apariencia, la calidad del almacenamiento y el transporte y el excelente sabor de los tomates se han vuelto cada vez más importantes para los consumidores, y la industria del tomate de China también enfrenta nuevos desafíos y oportunidades. .Según la encuesta, la madurez y la calidad de almacenamiento de los tomates son muy importantes para la industria del tomate, y los consumidores están más preocupados por la calidad interna de los tomates cherry, así como por su excelente sabor y sabor.Con base en el desarrollo y la aplicación de big data, se realizan la siembra automática, la recolección mecanizada y la clasificación inteligente de tomates para lograr una mayor producción y eficiencia de tomates.En la actualidad, se han realizado algunas investigaciones sobre la detección de la calidad del tomate basada en el espectro en el país y en el extranjero, pero en los modelos de detección de la calidad del tomate existentes, la extracción de información espectral efectiva sigue siendo una dificultad de investigación, y la detección de la calidad interna del tomate a través de métodos apropiados. queda por estudiar los métodos de ensayo no destructivos.     En el estudio de detección no destructiva del contenido de sólidos solubles de tomates cherry basado en tecnología de imágenes hiperespectrales, se seleccionaron 191 tomates cherry como objetos de investigación, se recopilaron datos de imágenes hiperespectrales en el rango de 865,11~1711,71 nm y la región de interés de La imagen hiperespectral de los tomates cherry fue segmentada por el algoritmo K-means.El espectro promedio de esta región se extrajo como los datos espectrales originales del tomate cherry.MA y MSC se usaron para preprocesar los datos espectrales originales, y las muestras de tomate cherry se dividieron en conjuntos de entrenamiento y conjuntos de prueba basados ​​en el algoritmo KS.Con el fin de mejorar la eficacia de la información contenida en la banda característica, el algoritmo SPA y el algoritmo PCA se combinaron para realizar un análisis de componentes principales en los datos espectrales y luego se compararon con los algoritmos PCA y miRF, un modelo de detección SSC basado en PLSR de cereza. Se estableció el tomate y el modelo se verificó mediante los datos del conjunto de prueba.Los resultados muestran que la precisión de detección del modelo basado en el componente principal extraído por SPA-PCA obviamente está optimizada.De los resultados de detección de los modelos, entre los tres modelos, el modelo SPA-PCA-PLSR tiene el mejor efecto de detección, R, 0.9039.El efecto de detección del modelo miRF-PLSR fue el segundo, RF fue 0.8878.El efecto de ajuste del modelo PCA-PLSR es el peor.