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

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.

Toma tres cosas para ver que color-nuestros ojos, luz, y objeto-y los tres sea variable.   Cambios en el ojo humano: Las genéticas, la memoria del color, el cansancio del ojo, la acromatopsia, y las medicaciones son apenas algunas de las variables que afectan a nuestra capacidad de distinguir entre las diferencias del color. Más, todos hemos visto un pedazo de una diferencia en los colores, que llevaron a una fractura entre los operadores y los cambios.   Cambios en el tipo de luz: La luz tiene el efecto más grande sobre los colores que vemos. El espectro visible, también conocido como el arco iris (RGBIV), contiene la luz con longitudes de onda alrededor 400 a 700 nanómetros y se analiza en tres colores primarios: rojo, verde, y azul. Cada tipo de luz, tal como incandescente, fluorescente, y luz del día, tiene una diversa combinación de longitudes de onda y por lo tanto emite un tipo diferente de luz.   Reflexión de un objeto: El objeto sí mismo no tiene ningún color. Sus propiedades determinan que las longitudes de onda de la luz se absorben y se reflejan cuáles. Es una mezcla de luz reflejada que entra en nuestros ojos, dándonos la opinión del color. Cuando el tipo de cambios ligeros, por ejemplo entre las lámparas fluorescentes en una fábrica y una luz del día, la cantidad de luz reflejada por los objetos -- y el color resultante -- también cambios.

La neblina, neblina inglesa del nombre, es el porcentaje de la intensidad de luz transmitida que se desvía del ángulo de incidente por más de 2,5 grados al total transmitieron intensidad de luz. Cuanto mayor es la neblina, cuanto más bajo es el lustre y transparencia de la película, especialmente el grado de la proyección de imagen. Es un parámetro importante para la transparencia óptica de los materiales transparentes o translúcidos (placa plástica, hoja, película plástica, vidrio plano). Según el estándar nacional, para cada muestra, la neblina se calcula como porcentaje.   La transmitencia total es un término físico que indica la capacidad de la luz de pasar con un medio. Es el porcentaje del flujo luminoso que pasa con un cuerpo transparente o translúcido y su flujo luminoso del incidente. Cuando la intensidad de luz I0 de incidente es constante, cuanto mayor es el ia de la luz absorbente media, más pequeña es de la intensidad la intensidad él de la luz transmitida. /I0 se utiliza para representar la capacidad de la luz de pasar con el medio, que se llama transmitencia. Se expresa en T, es decir, t = él/I0

L * a * b *, también conocido como CIE-laboratorio, es uno de los espacios de color uniformes mas comunes para el color del objeto de medición que propuso por el CIE en 1976. Es un espacio de color establecido para superar que la distancia igual en el diagrama de espacio de color de YXY no es la misma diferencia del color que observamos. En este espacio de color, L * indica ligero y oscuro, + indica más arriba el valor numérico de la luz y - indica baja el valor numérico de la oscuridad; A * indica rojo y verde, + indica más arriba el valor numérico del rojo parcial y - indica baja el valor numérico del verde parcial; B * indica amarillo y azul, + indica más arriba el valor numérico de amarillo y - indica baja el valor numérico del azul.  Por otra parte, el thhere es CIE-L *C*H.L * c * h utiliza el mismo espacio de color que l * a * b *. Utiliza coordenadas cilíndricos en vez de coordenadas rectangulares. L * indica ligero y oscuro, + indica ligero y - indica oscuro; C * indica la saturación del color; H representa el ángulo de la tonalidad. La saturación de color c * el valor en el centro del círculo es 0. El más lejano lejos del centro del círculo, mayor es la c *. El ángulo de la tonalidad se especifica para empezar con uno-AXIS y para aumentar grados; 0 ° son + a (roja), 90 que es el ° + B (amarillo). L * u * V * el espacio de color (también conocido como espacio de color de CIEluv) es uno de varios espacios de color uniformes especificados en CIE1976, La abscisa representa U * y la ordenada representa V *, que se puede utilizar para la detección de fuentes de luz.  

La teoría moderna de la visión de color sostiene que hay tres clases de células piramidales sensibles del color en la retina humana, que son sensibles a los colores rojos, verdes y azules respectivamente. El proceso de la visión de color se puede dividir en dos etapas. En la primera fase, las tres clases de células piramidales en la retina absorben selectivamente la radiación en diversas longitudes de onda del espectro ligero. Al mismo tiempo, cada sustancia puede producir blanco y las reacciones negras que las reacciones blancas serán bajo luz fuerte y reacción negra estarán sin el estímulo externo; En la segunda etapa, durante la transmisión de la excitación del nervio del receptor vertebral al centro visual, estas tres reacciones se recombinan para formar tres pares de reacciones antagónicas del nervio, es decir rojo o verde, amarillo o azul, blanco o negro, y finalmente producen diversos colores en el centro de nervio del cerebro.   Cada color en naturaleza puede ser seleccionado. Los colores primarios rojos, verdes y azules que pueden estimular las tres células del receptor en ojos humanos se mezclan en una proporción apropiada. Por lo tanto, un nuevo concepto llamado valor tricromático se introduce, es decir, los tres estímulos de la meta que hacen juego el color que se medirá en un sistema tricromático dado son representados por X, y y Z respectivamente, después de experimentos extensos del color en muchos ojos humanos con la opinión de color normal (es decir observadores estándar), las funciones de entonado de colores del número relativo de cuerpo vertebral que los estímulos causados por cada longitud de onda visible (400-700nm) fueron medidos. Estas funciones fueron combinadas y dibujadas dentro de curvas para formar la curva espectral del valor tricromático de nuestros observadores estándar (véase fig. 1-1).