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

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.

En este estudio, se aplicó una cámara hiperespectral de 400-1000nm y FS13, un producto de Hangzhou Color Spectrum Technology Co., LTD., podría usarse para investigaciones relacionadas.El rango espectral es de 400-1000 nm, la resolución de longitud de onda es mejor que 2,5 nm y se pueden alcanzar hasta 1200 canales espectrales.La velocidad de adquisición puede alcanzar 128FPS en el espectro completo, y el máximo después de la selección de banda es 3300Hz (admite la selección de banda de varias regiones). Los arándanos, también conocidos como arándanos, frutas de color azul oscuro, bayas, también conocidas como bayas azules, son una de las pequeñas bayas emergentes en China.Debido a su valor nutricional y de salud único, tiene muchos nutrientes necesarios para el cuerpo humano, excelentes propiedades de procesamiento, etc., y se le ha prestado atención". La calidad interna de los arándanos tiene un gran impacto en el sabor de los arándanos, y es también uno de los indicadores importantes para evaluar la calidad de los arándanos. El método de prueba tradicional generalmente utiliza un dispositivo de medición para detectar el contenido de azúcar y la dureza de los arándanos. Debido al índice de detección único, que consume mucho tiempo y es destructivo, estos métodos de detección son difíciles para ser aplicado a la detección industrial del contenido de azúcar y la dureza de la fruta, por lo tanto, es de gran importancia desarrollar un método no destructivo y eficiente para detectar el contenido de azúcar y la dureza del arándano basado en la calidad interna.   A lo largo de la investigación nacional y extranjera sobre el contenido de azúcar de la fruta y la detección de dureza, se puede ver que el uso del método de selección de longitud de onda característica puede reducir efectivamente la dimensión de los datos de imágenes hiperespectrales, reducir la redundancia de los datos espectrales, mejorar el rendimiento de la calibración y la eficiencia de detección. del modelo, y obtener buenos resultados de predicción.Muestra que estos métodos de selección de longitud de onda característicos pueden ser beneficiosos para realizar la detección de frutas en línea.Sin embargo, estos estudios están dirigidos principalmente a la detección de indicadores únicos, y es necesario establecer múltiples modelos para detectar múltiples indicadores de frutas, lo que aumenta la complejidad del procesamiento de datos.Por lo tanto, es necesario establecer un modelo de detección multiíndice para ahorrar tiempo y mejorar la eficiencia de la detección en línea.En este estudio, se utilizó la tecnología de imágenes hiperespectrales para proponer un método de selección de longitud de onda característica de varias etapas para detectar tanto el contenido de azúcar como la dureza de los arándanos en imágenes hiperespectrales.Los métodos de selección de longitudes de onda características, como el algoritmo de proyección continua o la regresión lineal múltiple paso a paso, se usaron sucesivamente para seleccionar las longitudes de onda características que podrían reflejar tanto el contenido de azúcar como la dureza de los arándanos, y el modelo de red neuronal BP se usó como modelo de detección.Se predijeron el contenido de azúcar y la dureza de los arándanos para realizar pruebas rápidas y no destructivas de la calidad interna de los arándanos y proporcionar una base teórica para la construcción de pruebas de calidad en línea de los arándanos.

En este estudio, una cámara hyperspectral 400-1000nm se puede utilizar, y los productos de la tecnología Co., LTD del espectro de color de HangzhouEn este estudio, una cámara hyperspectral 400-1000nm se puede utilizar, y los productos de la tecnología Co., LTD del espectro de color de HangzhouFS13 conduce la investigación relacionada. La gama espectral es 400-1000nm, y la resolución de la longitud de onda es mejor que 2.5nm, hasta 1200Dos canales espectrales. La adquisición acelera a 128FPS en el espectro completo, hasta 3300Hz después de la selección de la banda (ayuda multizonasSelección de la banda del ámbito). FS13 conduce la investigación relacionada. La gama espectral es 400-1000nm, y la resolución de la longitud de onda es mejor que 2.5nm, hasta 1200Dos canales espectrales. La adquisición acelera a 128FPS en el espectro completo, hasta 3300Hz después de la selección de la banda (ayuda multizonasSelección de la banda del ámbito). El gusano de seda (mori Linnaeus del bómbice) es un insecto económico que come la mora y de seda de vueltas, así que él también se llama el gusano de seda. Los gusanos de seda originaron en China antigua y fueron domesticados gradualmente por los gusanos de seda originales que habitaban árboles de mora. Ya desde hace 5.000 años, los ancianos habían dominado la tecnología de plantar la mora y de criar gusanos de seda. En épocas antiguas, la sericultura hizo grandes contribuciones al desarrollo de la economía y de la cultura. Actualmente, la industria del gusano de seda de la mora promueve el desarrollo de la economía rural, mejora la condición de vida de granjeros, y es una de las industrias importantes de la línea lateral en la producción agrícola. Además, la industria del gusano de seda está en una posición principal en el mercado internacional y desempeña un papel importante en el comercio mundial, creando un gran número de reservas de divisas para nuestro país. Por lo tanto, el desarrollo sostenible de la industria del gusano de seda de la mora tiene valor económico y significación extremadamente importantes. La tecnología química tradicional de la detección necesita pretratar las muestras probadas, el proceso de la operación es complicado, y se consumen muchos reactivo químicos. La exactitud de la tecnología rápida enzimática de la detección es baja, así que puede ser utilizada solamente para la investigación primaria. La tecnología no destructiva espectral de la prueba no es representativa debido a la información unilateral. Por lo tanto, una prueba no destructiva rápida, confiable y completa de las hojas de la mora se busca.   El método de residuo de pesticida está de gran importancia en la detección de la seguridad de la cosecha. La tecnología de la imagen Hyperspectral es una nueva tecnología de prueba no destructiva que combina la tecnología de la tecnología de la imagen y del espectro, que tiene las ventajas de ninguna necesidad de destruir el objeto medido, la adquisición completa de la información y la alta exactitud de la detección. En este papel, la tecnología de la imagen hyperspectral combinada con métodos espectrales del proceso y de análisis fue utilizada para estudiar los residuos de pesticida en hojas de la mora, no sólo para estudiar si hay residuos de pesticida en hojas de la mora y la identificación de los residuos de pesticida, pero también para estudiar la detección cuantitativa de residuos de pesticida del clorpirifos en hojas de la mora. El contenido de la investigación de este papel proporciona el soporte técnico para la industria de la sericultura y la garantía fuerte para la renta de los granjeros de la sericultura, y promueve el desarrollo sostenible y profundizado de la industria de la sericultura, que tiene valor teórico extremadamente importante y significación práctica. En este papel, la tecnología de la imagen hyperspectral combinada con métodos espectrales del proceso y de análisis fue utilizada para detectar cuantitativo el contenido del clorpirifos en hojas de la mora. La mora se va con diversos residuos del clorpirifos fue utilizada como objetos de prueba para obtener imágenes hyperspectral de las hojas de la mora en el rango de 390-1050nm por el toner hyperspectral. El software de ENVI se utiliza para determinar la región de interés de la cuchilla y para calcular los datos espectrales medios de la región. Los coeficientes de correlación entre los datos espectrales malos de las muestras de la hoja de la mora y los valores químicos correspondientes determinados por la cromatografía de gas eran calculados, y 5 ondas fueron seleccionadas según el diagrama de la forma de onda del coeficiente y de la longitud de onda de correlación.   Las longitudes de onda correspondiente a picos y a canales se utilizan como longitudes de onda características (561,25, 680,86, 706,58, 714,32, 724.66nm). De acuerdo con datos espectrales en la longitud de onda característica, un modelo de detección cuantitativo de los residuos de la hoja de la mora fue establecido usando la regresión linear múltiple y la regresión del vector de la ayuda. La corrección fijó el ² del coeficiente R de la determinación del modelo de la predicción del MLR es 0,730, el error de media cuadrada de la raíz RMSEC es 38,599, y se obtiene la predicción fijó el coeficiente R de la determinación. Es 0,637, y el error de media cuadrada de la raíz RMSEP es 47,146. La corrección fijó el coeficiente R3 de la determinación es 0,920, el error de media cuadrática RMSEC es 21,073, la predicción fijó el coeficiente R3 de la determinación es 0,874, y el error de media cuadrática RMSEP es 27,719. Con análisis comparativo: El modelo de la predicción de SVR tiene mejor rendimiento que modelo de la predicción del MLR, así que la tecnología de la imagen hyperspectral Vision-cercano-infrarroja combinada con el modelo de la predicción de SVR se puede utilizar a la detección no destructiva de residuos del clorpirifos en hojas de la mora.

En este estudio, una cámara hyperspectral 400-1000nm puede ser utilizada, y FS13, un producto de la tecnología Co., Ltd, LTD. de Hangzhou CHNSpec, se puede 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). Los alimentos principales de la alimentación compuesta incluyen el agua, ceniza, proteína cruda, calcio, fósforo total y así sucesivamente. La detección de los alimentos principales de la alimentación es un vínculo técnico imprescindible en el proceso de producción y los medios importantes de asegurar la calidad de los productos de la alimentación. El método de la detección y de análisis de alimentación es la base de su control de calidad. Actualmente, el método de análisis químico tradicional se utiliza generalmente para determinar los alimentos principales de la alimentación compuesta. El método tradicional de determinación es a menudo largo y necesitando mucho trabajo, dando por resultado retraso de tiempo, mientras que el coste de la determinación es alto, y algo incluso necesita destruir la muestra sí mismo, que también tiene requisitos más altos para los operadores y los laboratorios. Para explorar un método para la detección rápida de los alimentos principales de la alimentación compuesta, completo promoverlo y aplicar a la prueba y al análisis reales de las empresas de la alimentación, que tiene altas ventajas sociales y económicas para mejorar la tarifa de la detección y promover el desarrollo del nivel de prueba de alimentación compuesta. La detección Hyperspectral de la imagen es un sistema de alta tecnología de visión de ordenador y de detección espectral, el uso de la tecnología hyperspectral de la imagen de obtener la información de la muestra contiene un gran número de información espectral del bloque de imagen tridimensional, no sólo tiene una alta resolución espectral, y la información espectral extraída de la imagen se puede utilizar para detectar la calidad interna de la muestra. Por lo tanto, la tecnología hyperspectral de la detección de la imagen es favorecida cada vez más por los escolares en el país y en el extranjero, y ha sido ampliamente utilizada en la detección de la calidad de productos agrícolas, pero la investigación de uso en la alimentación compuesta se divulga raramente. En este estudio, la tecnología hyperspectral de la imagen fue utilizada para obtener el modelo información espectral visible/del infrarrojo cercano de muestras experimentales de alimentación compuesta, y del análisis cuantitativo de los alimentos principales en la alimentación compuesta, tal como humedad, ceniza, proteína cruda, calcio y fósforo total, fue establecida usando métodos estequiométricos, y el modelo fue verificado, apuntando explorar la viabilidad de usar la tecnología de la imagen hyperspectral para detectar los alimentos principales en la alimentación de compuesto. También proporciona una nuevas idea y base para la detección rápida de alimentación compuesta. En este estudio, la tecnología hyperspectral de la imagen fue utilizada para establecer modelos del análisis cuantitativo de la proteína cruda, ceniza cruda, agua, fósforo y contenido total del calcio en la alimentación compuesta mediante retiro de muestra anormal, división del sistema de la muestra, tratamiento previo espectral óptimo y selección característica de la banda, combinados con parcial menos estequiometría cuadrada. Los modelos fueron verificados. El sistema de la muestra de la proteína cruda dividido por método de SPXY y el sistema crudo de la muestra de la ceniza dividido por el método del CG, combinado con la combinación de COMO, FD y SNV, el modelo del análisis cuantitativo establecido en la banda característica tiene el mejor efecto. La corrección fijó el coeficiente R& de la determinación del modelo óptimo de la proteína cruda es 0,8373, el error de media cuadrática RMSEC es 2,1327%, el error relativo RPDc del análisis es 2,4851, la validación fijó rv es 0,7778, RMSEP es 2,6155%, y RPDv es 2,1143. La ceniza cruda óptima R&, RMSEC 1,0107%, RPDc 2,2064, rv 0,7758, RMSEP 1,0611% y RPDv 2,1204 fue obtenida. Los modelos del análisis cuantitativo de la proteína cruda y funcionamiento profético de la demostración cruda de la ceniza del buen y se pueden utilizar para el análisis cuantitativo práctico. El sistema de la muestra de agua dividido por el método del CG combinado con el tratamiento previo de COMO, OSCILADOR y Detrend tiene el mejor efecto en la banda característica. Su RE del sistema de la corrección es 0,6470, RMSEC es 1,8221%, RPD es 1,6849, relais del sistema de la validación es 0,6314, RMSEP es 1,6003%. RPDv es 1,9371, aunque el modelo se pueda utilizar en análisis cuantitativo práctico, su exactitud de la predicción todavía necesita ser más futuro optimizado. Los resultados del modelo del análisis cuantitativo obtenido del sistema total de la muestra del fósforo dividido por el método del CG combinado con los métodos del tratamiento previo de COMO, FD y SNV eran óptimos. El ratio de RS, de RMSEC y de RPD del modelo óptimo era 0,6038, 0,1656% y 1,5700, respectivamente. Los sistemas R9, RMSEP y RPD/de la validación son 0,4672, 0,1916% y 1,3570, respectivamente. La parametrización para la optimización del tratamiento del modelo de la corrección y del modelo de la validación es pobre, indicando que el modelo tiene capacidad profética pobre y no se puede utilizar en análisis cuantitativo real. Después del tratamiento previo del sistema de la muestra del calcio dividido por método del CG y combinado con TAN, el OSCILADOR y el método de Detrend, el modelo del análisis cuantitativo establecido en su banda característica tiene el mejor efecto, el RB del modelo óptimo es 0,4784, y el sistema R≈ de la verificación es solamente 0,4406. El efecto de la predicción del modelo es pobre, y no puede ser aplicado en análisis práctico. La exactitud de la predicción del modelo óptimo del análisis cuantitativo de la proteína cruda basado en tecnología hyperspectral de la imagen es el mejor, y el funcionamiento de la predicción del modelo crudo de la ceniza es el segundo, y ambos se pueden utilizar exactamente en la detección práctica. La exactitud de la predicción del modelo óptimo del análisis cuantitativo del agua debe ser mejorada. Sin embargo, el modelo óptimo del análisis cuantitativo del fósforo y del calcio totales tiene funcionamiento profético pobre y no se puede utilizar para la detección práctica.

En este estudio, una cámara hyperspectral 400-1000nm fue aplicada, y FS13, un producto de la tecnología Co., Ltd de Hangzhou CHNSpec, 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 cápsula dura hueco de la gelatina medicinal es una clase de excipientes medicinales especiales, en los cuales el contenido del cromo es un índice importante de la prueba estipulado por el estándar nacional de la salud. Las cápsulas con el contenido excesivo del cromo se conocen como “cápsulas tóxicas” y son comúnmente muy tóxicas al cuerpo humano. Actualmente, el contenido del cromo es determinado por método de análisis químico tradicional. El método de detección tradicional del cromo es largo, el equipo es costoso, el uso de una gran cantidad de digestión ácida nítrica es fácil causar la contaminación secundaria, y la operación del instrumento necesita personales profesionales terminar. Por lo tanto, el desarrollo de un método conveniente y rápido para la detección rápida de contenido del cromo en cápsulas medicinales tiene la significación del uso y perspectiva de mercado importantes.   De acuerdo con la viabilidad de la detección hyperspectral de metales pesados, este papel utiliza espectroscopia de absorción atómica convencional para comparar los resultados recogidos de MEHGC normal y de MEHGC con el contenido excesivo del cromo, después recoge dos clases de datos de MehGC con análisis hyperspectral, y utiliza el análisis componente principal (PCA) y parcial menos método cuadrado para analizar los datos hyperspectral, y finalmente establece el modelo relevante. Para realizar la detección cualitativa de “cápsulas del veneno”.   Puesto que los datos hyperspectral se componen de imágenes múltiples de la banda, cada imagen se puede mirar como característica. Si los datos hyperspectral se reducen dimensional, los datos originales serán cambiados a un nuevo sistema coordinado para maximizar la diferencia entre los datos de imagen, y el resultado será muy diferente de la imagen original. Esta técnica es muy eficaz para aumentar el contenido de información, aislar ruido y reducir dimensiones de los datos. Los primeros 4 componentes principales obtenidos después de la reducción de la dimensionalidad del PCA de imágenes hyperspectral se muestran en el cuadro 1. La ventaja de imágenes hyperspectral es que hay no sólo información de la imagen, pero también información espectral. Para obtener la información espectral, la región de interés se selecciona para cada muestra, y cada región de interés tiene su curva de respuesta espectral. Debido a la diferencia en color entre el casquillo de la cápsula y el cuerpo de la cápsula, para eliminar la influencia del color en el resultado, dos regiones de interés fueron seleccionadas para cada cápsula (una en el casquillo de la cápsula y una en el cuerpo de la cápsula). Las regiones de interés se podrían seleccionar aleatoriamente en la imagen hyperspectral de la cápsula, y el número de pixeles en cada región se extendió de 2 a 6. Los datos espectrales finales para la región de interés se calculan como la media de todos los pixeles en la región. Las curvas espectrales de 4 diversas regiones (las cápsulas y los casquillos de cápsulas normales y de “cápsulas tóxicas” respectivamente) se muestran en el cuadro 2. En los datos hyperspectral de 450~900 nanómetro, los datos espectrales de la cápsula normal y la “cápsula tóxica” fueron obtenidos seleccionando la región de interés, que fue normalizado primero, y entonces la reducción de la dimensión de los datos y el análisis discriminante fueron conducidos por PLEASE-DA. Cuando seleccionaron a cuatro POR FAVOR operadores como características de la entrada, el índice de reconocimiento de cápsula normal y de “cápsula tóxica” alcanzó 100%. La especificidad y la sensibilidad son también 100%; Puede ser visto que las cápsulas normales y las “cápsulas tóxicas” se pueden distinguir por método de la discriminación de PLEASE-DA. Usando tecnología hyperspectral de la imagen detectar “cápsulas del veneno” puede reducir grandemente la complejidad de métodos tradicionales.   Además, para mejorar confianza, las muestras se deben examinar en una gama más amplia, tal como fluorescencia o ultravioleta. Mientras que cualitativo conduce la “cápsula del veneno”, es también necesario conducir la investigación cuantitativa sobre ella, que puede considerar hacer plantillas de la gelatina con diverso contenido del cromo, descubra el modelo de la correlación entre el contenido del cromo de la plantilla y los datos espectrales, y utilice este modelo para predecir el contenido de metales pesados del cromo de la “cápsula desconocida del veneno”. Debido al impacto subsiguiente “del incidente de la cápsula del veneno”, las muestras son difíciles de encontrar, pero para mejorar la eficacia de la prueba, es necesario utilizar una variedad de muestras de la cápsula con el contenido del cromo.

En este estudio, una cámara hyperspectral 400-1000nm puede ser utilizada, y FS13, un producto de la tecnología Co., Ltd de Hangzhou CHNSpec, se puede utilizar para la investigación relacionada. La gama espectral es 400-1000nm, y la resolución de la longitud de onda es mejor que 2.5nm, hasta 1200 Dos canales espectrales. 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 zahína es uno de los cultivos de plantas comestibles importantes en China, debido a sus alimentos ricos en el grano en la industria vitivinícola tiene “buen vino no se puede separar un juicio incisivo del grano rojo”, la demanda anual de hasta 20 millones de T. actualmente, las variedades principales de zahína del vino es el Luzhou rojo, el Qinghuyang, el no. 7 de Runuo y la otra zahína pegajosa con el alto contenido de almidón. Porque hay muchas clases de zahína y de diversas áreas que producen, el contenido del almidón, de la proteína, de la grasa y del tanino en el grano es muy diferente, que lleva a las grandes diferencias en sabor, estilo, calidad y la producción de licor. Puede ser visto que la identificación exacta y eficiente de las variedades de la zahína antes del almacenamiento del lote de las materias primas de la zahína tiene una significación rectora muy importante para la producción de licor de alta calidad, que puede controlar el proceso de producción tal como la época del grano que burbujea, consumo de agua y grano del cocido al vapor al vapor durante el proceso de la elaboración de la cerveza. Los métodos tradicionales de la identificación incluyen principalmente la identificación empírica manual y la detección de muestreo biológica. El anterior está conforme a influencia subjetiva, a bajo rendimiento, y a difícil formar un estándar unificado, mientras que este último es incómodo, largo y laborioso. Ambos ellos no pueden cubrir las necesidades de las empresas modernas del licor de identificar la zahína, así que es urgente encontrar un método rápido, exacto y simple de la clasificación y de detección de la variedad de la zahína. El objetivo de este estudio es clasificar 11 variedades de la zahína combinando la información espectral y la información de la imagen, e identifica diversas variedades de la zahína optimizando métodos hyperspectral del aprendizaje de la tecnología y de máquina con la comparación y la verificación externa, para mejorar su exactitud y eficacia en el uso.   Las curvas espectrales originales de 550 muestras de 11 categorías de zahína y las curvas espectrales después de que el tratamiento previo del MSC se muestre en el cuadro 1. Cada color representa una diversa categoría. En este papel, la identificación de 11 variedades de zahína fue estudiada basada en la combinación de información hyperspectral del espectro y de la imagen. Las imágenes hyperspectral de la zahína fueron recogidas, 48 longitudes de onda de la característica fueron seleccionadas de los espectros después del MSC que preprocesaba por algoritmo del BALNEARIO, y entonces las características de la textura de las imágenes fueron extraídas. Los modelos de la clasificación de SVM, de PLEASE-DA y del OLMO fueron establecidos sobre la base de las características de la textura, espectro completo, espectro de la característica y su información combinada de la imagen, respectivamente. Finalmente, los datos no implicados en el modelado fueron utilizados para la verificación externa. Los resultados muestran que el modelo de la clasificación de SVM basado en la combinación de características del espectro y de la textura de la característica tiene el mejor efecto. El índice de reconocimiento correcto del sistema de la prueba es 95,3%, y la exactitud del sistema de la verificación es 91,8%. La combinación de espectro visible y de imagen puede realizar con eficacia el reconocimiento rápido de la zahína del vino y mejorar la exactitud del reconocimiento del modelo. Esto proporciona una base teórica para la detección de materias primas de diversa elaboración de la cerveza y la realización de la automatización de la elaboración de la cerveza.

En este estudio, una cámara hyperspectral 400-1000nm fue utilizada para detectar el interior de la nuez, y FS-13, un producto de la tecnología Co., Ltd de Hangzhou CHNSpec, se podría utilizar para la investigación relacionada. Para detectar la superficie de la nuez en la gama espectral de 800-1700nm, la cámara hyperspectral FS-15 en la gama espectral de 900-1700nm se puede utilizar con la resolución de la longitud de onda mejor que 2.5nm y hasta 1200 canales espectrales. 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). Las nueces son una comida de la nuez conveniente para todas las edades y una cosecha de aceite arbolada importante. El área y la producción de establecimiento de nueces en la fila primera de China en el mundo. La calidad que prueba y que califica de corazones de la nuez es un vínculo importante en la producción y el proceso de la nuez. Según estándares nacionales relevantes, los indicadores de la calidad del aspecto de los corazones de la nuez incluyen integridad y color de piel, mientras que los indicadores internos de la calidad incluyen el contenido de grasa y el contenido proteínico. En la producción real, el corazón de la nuez que califica confía principalmente en la selección manual de aspecto y de color, que tiene altos costes de producción y alta aleatoriedad en la clasificación, haciéndola difícil distinguir calidad interna. La prueba química tradicional es destructiva a las muestras y tarda un tiempo largo para detectar, haciéndolo difícil adaptarse a los requisitos de producción modernos. Actualmente, la investigación sobre el uso de la tecnología hyperspectral para la detección de la calidad de la nuez se centra principalmente en la clasificación de las cáscaras y de los corazones de la nuez, y no ha habido informes relevantes sobre la calidad de los corazones de la nuez. Para explorar un método para realizar simultáneamente la detección de la calidad y la clasificación internas del aspecto del corazón de la nuez, este estudio utilizó la tecnología de la imagen hyperspectral para defender los espectros característicos del contenido de grasa, el contenido proteínico y el color del corazón de la nuez, y defendido hacia fuera las bandas características relevantes de los indicadores de la calidad para proporcionar la referencia para el uso de la prueba no destructiva de la calidad del corazón de la nuez. La información espectral media de las muestras del corazón de la nuez en la región del infrarrojo cercano (863-1704 milímetros) y la información espectral pre procesada se muestran en el cuadro 3. Las características totales de la información espectral original de las muestras son básicamente constantes, a excepción de los límites de absorción del agua, los límites de absorción de otros componentes no son obvios, y la transformación posterior de los espectros es necesaria. El método de preproceso que combina MSE y SNV elimina la influencia de un cierto ruido de fondo, haciendo la información espectral del pulidor de la muestra. Al mismo tiempo, fomenta aumenta la consistencia de la información espectral, destaca picos y los valles espectrales, y fortalece características espectrales. La clasificación del grado del aspecto del corazón de la nuez basada en características espectrales de la información y de la imagen. El cuadro 6 muestra la curva espectral media de las muestras tricolores del corazón de la nuez en luz visible y las regiones del infrarrojo cercano de la onda corta (382~1027nm). Puesto que el ruido en los segmentos delanteros y traseros del espectro tiene un impacto grande, 20 puntos del waveband en los segmentos delanteros y traseros se quitan. Del cuadro 6, puede ser visto que en el espectro original, la reflexión espectral de muestras del corazón de la nuez con tres diversos colores muestra una tendencia a baja significativa en la gama ligera visible como los cambios del color de la luz a profundo, y el espectro es relativamente desordenado en la gama del infrarrojo cercano. La información espectral preprocesada por la combinación de métodos del MSC y de SNV muestra ciertas regularidad y consistencia en la reflexión espectral, que es útil para el proceso espectral subsiguiente. Usando la tecnología de la imagen hyperspectral, un método para detectar la calidad interna y externa de los corazones de la nuez fue estudiado. Por combinar espectral y la información de la imagen, la proteína y la predicción del contenido de grasa de los corazones de la nuez y de la clasificación de calidad del aspecto basados en integridad y color fueron alcanzadas. Los resultados muestran que la combinación de método del algoritmo de los COCHES y del coeficiente de correlación quita con eficacia la información inútil y redundante en la banda espectral llena. Comparado con la banda espectral llena, la validación fijó R del modelo de la predicción de la banda de la característica para el ² del contenido proteínico de 0,66 a 0,91, RMSEP disminuyó de 1,37% a 0,78%; El sistema R de la validación para el ² del contenido de grasa de 0,83 a 0,93, RMSEP disminuyó de 0,98% a 0,47%, indicando que las bandas seleccionadas de la característica redujeron con eficacia la complejidad del modelo y mejoraron su capacidad profética. Combinando espectros de la característica de la diferencia del color con parámetros de característica estadísticos de la imagen, los espectros de banda totales de la característica de la diferencia del color fueron extraídos de las imágenes hyperspectral, que pueden reducir perceptiblemente la interferencia de la información redundante y mejorar el modelado de eficacia. Combinando el espectro de banda total de la característica de la diferencia del color con parámetros de característica estadísticos de la imagen, la exactitud de la clasificación más a fondo se mejora comparada a la banda del RGB. Al usar el modelo de la clasificación del color establecido por el algoritmo de despegue, el modelo tiene la exactitud más alta de la clasificación (98,6%). El uso de imágenes hyperspectral alcanzó simultáneamente la detección de parámetros internos de la calidad (contenido proteínico, contenido de grasa) y la clasificación de la calidad del aspecto (integridad, color) de los corazones de la nuez, proporcionando una nueva solución para el uso de la prueba no destructiva de la calidad del corazón de la nuez.    

Volvamos a la ciencia de la escuela primaria. Ésta es el espectro visible - la luz que podemos ver con nuestros ojos desnudos - solamente una pequeña parte del espectro electromágnetico. Éste es el espectro electromágnetico. Comienza con los rayos gamma a la izquierda la extrema izquierda y los viajes a la derecha vía radiografías, microondas y ondas de radio. El espectro visible minúsculo entre ultravioleta e infrarrojo es la única parte del espectro que los seres humanos pueden ver a simple vista, a menos que OBAs esté implicado. OBAs absorbe una porción de la luz ultravioleta invisible y re-la emite como luz azul. Esto reflejó la luz azul hace que la tela aparece más brillante y más blanca. Cortesía de imagen de Wikipedia. Esta imagen muestra las longitudes de onda visibles a la derecha, y la región ultravioleta a la izquierda. Los abrillantadores ópticos trabajan absorbiendo estos rayos ULTRAVIOLETA y reabsorbándolos en la región del espectro que es visible al ojo humano.

El brillo es una cantidad física que evalúa la capacidad de la superficie de un material para reflejar la luz.Como característica superficial de un objeto, el brillo depende de la capacidad de reflexión especular de la superficie a la luz.La reflexión especular se refiere al fenómeno de reflexión en el que el ángulo de reflexión es igual al ángulo de incidencia.El brillo es una cantidad física que evalúa la capacidad de la superficie de un material para reflejar la luz bajo un conjunto de condiciones especificadas geométricamente.Por lo tanto, expresa la propiedad de reflexión con selección direccional.Según las características del brillo, el brillo se puede dividir en varias categorías.Por lo general, decimos que el brillo se refiere al "brillo de espejo", por lo que el medidor de brillo, a veces también llamado medidor de brillo de espejo. El brillo se mide en función de la cantidad de luz reflejada en la superficie en relación con el estándar de referencia de vidrio pulido.La cantidad de luz reflejada por una superficie depende del ángulo de incidencia y de la naturaleza de la superficie.La unidad de medida del brillo es una unidad de brillo (GU).Cuanto menor sea la GU, menor será la reflexión del brillo.Cuanto mayor sea la GU, mayor será el brillo reflejado. El brillo se divide en acabados mate, semibrillante y alto brillo.El ángulo medido es el ángulo entre la luz incidente y la luz reflejada.Se especifican tres ángulos de medición (20º/60º/85º) para cubrir la mayoría de las aplicaciones de recubrimiento industrial.Para determinar o seleccionar el ángulo adecuado para satisfacer sus necesidades, use un glosómetro para medir el ángulo a 60º y seleccione el ángulo dentro del rango de brillo deseado.