CHNSpec Technology （Zhejiang）Co.,Ltd Новости компании

Цветоразличитель - это точный оптический измерительный прибор, который точно измеряет разницу цветов с помощью принципа преобразования света/электричества.цветовые данные измеряемого объекта собираются под пяти углами (15°), 45°, 110°), и результаты измерений получаются путем анализа и сравнения собранных стандартных данных проб и данных проб.   В области оптики цвет можно измерить по лаборантному скаляру, ось L - ось яркости, 0 - черная, 100 - белая; ось A - красная и ось зеленая, положительное значение - красное,отрицательное значение зеленое, 0 - нейтральный цвет; ось b - желтая и синяя ось, положительные значения - желтые, отрицательные значения - синие, а 0 - нейтральный цвет.Эти шкалы могут быть использованы для представления цветного различия между образцом и стандартным образцом, обычно Δa, Δb, ΔL как идентификатор, ΔE определяется как общая разница цвета выборки, но она не может представлять направление отклонения разности цвета выборки,чем больше значение ΔEСогласно принципам Лаб и Лх пространства хроматичности CIE, цветовое различие ΔE, Δa, Δb,Можно измерить и показать значения ΔL между образцом и стандартным образцом..   ΔE обычно рассчитывается по следующей формуле: Δ E * = [(Δ L *) + (Δ a *) + (Δ b *) 1/2   Иногда некоторые компании требуют общей разницы цвета менее 2, а некоторые также требуют лабораторного значения.0, рекомендуется, чтобы Δa, Δb, ΔL были все ≤ 1.5, и обычно отличается визуально, когда ΔE равен 1.5Поскольку Δa, Δb, ΔL обычно не фиксированы, в случае слишком строгих требованийчасто на общую разницу цвета ΔE и разницу цвета Δc (без учета эффекта яркости) имеют требования, в данный момент может быть рассчитана по следующей формуле: ΔE*=[(ΔL*) + ((Δa*) + ((Δb*) ]1/2 Δc*=[(Δa*) + ((Δb*) ]1/2   Цветоразличитель основан на принципе Лаборатории, Lch цветного пространства CIE, измерение показывает цвет разница △E и △Lab значение образца и образца, который должен быть измерен.Продукт широко используется для обнаружения цвета краски, чернила, текстиль, одежда, кожа, пластик, пластик, печать, покрытие, металл и т. д., то что представляет собой Лаб на цветовом разграничителе? L: черно-белый, также называется светло-темным, + означает белый, - означает темный; А: указывает на красный зеленый, + указывает на красный, - указывает на зеленый; B: указывает желтый и синий, + указывает желтый, - указывает синий;   Выше приведенные относительные значения, просто L, A, B является абсолютным значением, с этими тремя значениями может быть в трехмерной карте, точно представлять цветную точку,с относительным значением можно получить и различие точки отсчета для коррекции общей разницы цвета ΔΕ= (Δa2+Δb2+Δl2) 1/2.   CIE (Международная комиссия по освещению) Лабораторное цветовое пространство Краткое введение: L: (светкость) ось представляет черно-белый, 0 - черный и 100 - 100 a: ((красный зеленый) Положительные значения красные, отрицательные значения зеленые, а 0 нейтральный. b; (желто-синяя) положительные значения оси жёлтые, отрицательные значения синие, а 0 - нейтральные.   Все цвета могут быть восприняты и измерены через лабораторное цветовое пространство, и эти данные также могут быть использованы для представления цветовой разницы между стандартным образцом и тестовым образцом,и обычно выражаются как △Eab (общая разница цвета) △L △a △b.   Например, △L положительный, что указывает на то, что пробы легче, чем стандартные (белый) △L отрицательный, что указывает на то, что пробы темнее, чем стандартные (черный).   Например: △a положительный, что означает, что пробы более красные, чем стандартные (красный) △a отрицательный, что означает, что пробы более зеленые, чем стандартные (зеленый)   Например: △b положительный, что означает, что пробный образец более желтый, чем стандартный образец (желтый) △b отрицательный,с указанием, что пробный цвет более синий, чем у стандартного образца (синий)   △Eab ((или △E) - это общая цветовая разница, она не указывает направление смещения цветовой разницы, чем больше значение, тем больше цветовая разница.

В производственном процессе мы часто находим проблему, под этим источником света, чтобы наблюдать цвет стандартного образца А и стандартного образца B одинаковы или разница цвета очень мала,но под другим источником света для наблюдения цвет А и В очень отличаетсяГетерохроматический спектр просто одинаковый цвет под источником света, но состав спектра отличается.Печатная и окрасочная промышленность часто говорили, что прыгающие огни и гетерохрома является концепцией.      Одинаковые два продукта, при разных источниках света, цвет дисплея отличается   Основная причина различных цветов различных источников света заключается в том, что спектровое отражение двух цветов отличается   Итак, в процессе производства, как избежать возникновения гетерохромного спектра?   Прежде всего, необходимо понимать, что есть три элемента, которые определяют цвет поверхности объекта: объект, источник света и наблюдатель.Только когда эти три элемента точно одинаковы., цвет поверхности объекта может быть полностью последовательным. Наблюдатели часто одинаковы, и нам нужно контролировать согласованность переменных элементов объектов или источников света, чтобы избежать метахроматизма.   Первый метод - объединить источник света.Мы можем использовать ту же среду, что и общественные места клиента и их условия освещения для выполнения работы по сочетанию цветов для достижения условий и других цветовЭтот метод имеет высокие экологические требования, такие как источник света, и не может действительно избежать явления метахроматизма.   Второй метод - унифицировать спектральное отражение объекта.тогда цвет двух объектов также должен быть согласован в любых условиях источника света.   Цвет можно увидеть интуитивно, но спектральное отражение не может быть замечено невооруженным глазом, и его необходимо определить с помощью инструментов.Спектральные цветовые измерения серии продуктов, разработанных с помощью технологии цветового спектра не только визуально читать значение цвета, но также производит спектровое отражение, что значительно уменьшает нагрузку на работников по сопоставлению цветов и может помочь работникам по сопоставлению цветов улучшить точность сопоставления цветов.

Более продвинутый спектральный тип цветного дифференциатора, то есть мы часто говорим, что спектральный цветный дифференциатор,Этот прибор содержит оптический элемент, который может использоваться для спектральной дисперсии..   Спектрофотометр, как правило, использует призмы, решетки, интерференционные фильтры, регулируемые или непрерывные серии монохромных источников света для достижения спектрофотометрии,и затем анализирует информацию о одном цвете в соответствии с принципом дисперсии для получения цветовых чиселСпектрофотометр может отображать информацию о хроминансе в соответствии с хроминансным пространством внутри и формулой расчета, и выводить ее в цифровом виде.спектрофотометр также может анализировать базовую информацию спектральных данных на основе колориметрических данных.   Мы знаем, что ультрафиолетовый свет не входит в видимый спектр и не может быть захвачен и замечен невооруженным глазом, но он может повлиять на изменение цвета.Существует спектрофотометр ультрафиолетового разрешения, используемый для измерения хрома, что позволяет проводить более точный цветовой анализ.   Однако теперь все больше производителей предпочитают использовать компоненты для измерения цвета для завершения этого измерения, компонент может помочь измерить больше информации о цвете продукта,пока точность может быть гарантирована, но компонент легче регулировать внутреннюю технологию светового цветового дифференциатора, но также снижает стоимость изготовления прибора,так что больше производителей могут позволить себе использовать.   Спектрофотометр предназначен для визуального сравнения и моделирования цветометрических данных и является важным вспомогательным инструментом для компьютерного сопоставления цветов.которые могут помочь крупным производителям завершить анализПри использовании светового цветоразграничителя он будет включать в себя ключевое уравнение данных - уравнение толерантности цвета,что на самом деле диапазон терпимости мы обычно говорим, в промышленной серии производства, есть толерантность для контроля продукта и квалифицированной ситуации, как быстро и разумно.   Чтобы измерить разницу в цвете между продуктами и контролировать обычный цветовой разница измеритель одинаков, мы должны сначала измерить информацию стандартного образца продукта,и затем измерить информацию о цвете образцаФактически, измерение цвета и управление цветом в целом одинаковы, но спектрофотометр более точен и более полный.

Различие цвета имеет широкий спектр применений в промышленности цвета поверхности, таких как покрытие, строительные материалы, краски, покрытия, текстильная печать и окраска, чернила, пластмассы,Производство красительных пигментовДавайте проанализируем лабораторные значения в соответствии с интерфейсом измерения цветовой разницы:   ColorMeter Pro - это другой цветовой инструмент, мощная конфигурация производительности, делает измерение цветов более профессиональным; Инструмент может быть беспроводным подключением к устройствам Android или IOS,что значительно расширяет область применения цветовых измерений. Он перенесет вас в новый мир управления цветами, может заменить печать, краску, текстиль и другие цветовые карты, чтобы достичь цветного чтения, функции поиска цветовых карт.   Значение лабораторных значений цветовых различий: Л: (Светлость) ось представляет черно-белый, 0 - черный, 100 - белый. a: (красный зеленый) положительные значения красные, отрицательные значения зеленые, и 0 нейтральный. b: (желтый синий) Положительные значения жёлтые, отрицательные значения синие, а 0 нейтральный.   Все цвета могут быть восприняты и измерены через лабораторное цветовое пространство, и эти данные также могут быть использованы для представления цветовой разницы между стандартным образцом и тестовым образцом,и обычно выражаются как dE*ab (общая разница цвета) dL*, да*, дб*.   Когда dE находится в диапазоне от 0 до 1, разница цвета не заметна невооруженным глазом Если dE находится между 1-2, человеческий глаз слегка чувствителен, если хроматическая чувствительность не высока, она все равно не видна. Если dE находится в диапазоне 2-3, то различие цвета между веществами может быть слегка четко выявлено, но это относительно не очевидно. Как только dE достигает от 3,5 до 5, разница в цвете становится очень очевидной. Таким образом, dE над 5 выглядит как два цвета.   Например, данные о цветных различиях сокровищ: dL* положительное значение 22,6, что означает, что пробный образец светлее (белее), чем стандартный образец, и интерфейс напрямую показывает, насколько белый и меньше черный; если dL* отрицательное значение,Испытательный образец темнее (темнее) стандартного. da* положительный показатель 47,7, что указывает на то, что испытуемый образец более красный, чем стандартный (красноватый), и интерфейс будет прямо отображать больше красного и меньше зеленого; наоборот, если da* отрицательный,Испытательный образец более зеленый, чем стандартный образец (зеленоватый). Db* является положительным 43,4, что указывает на то, что пробный образец более желтый, чем стандартный образец (желтоватый), интерфейс будет напрямую отображать более желтый и менее синий; и наоборот,если db* отрицательное, пробный образец более голубой, чем стандартный образец (голубой). dE*ab ((или dE) - это общая цветовая разница, она не указывает направление смещения цветовой разницы, чем больше значение, тем больше цветовая разница.   Формула различия цвета: dE=[(dL) 2+(da) 2+(db) 2) 1/2. dL=L Испытаемый продукт -L стандартная выборка (яркость/разница черно-белого цвета) da=a Исследуемый продукт - стандартная выборка (красное/зеленое различие) db=b Испытуемый продукт -b стандартная выборка (желто-синяя разница) △L+ означает белый, △L- означает черный △a+ - красный, △a- - зеленый △b+ означает желтый, △b- означает синий   В целом, цветовой разница измеритель является удобной операцией, интуитивное обнаружение данных цветовой разности оборудования, в настоящее время в повседневном производстве и жизненном процессе очень широко используется,так что необходимость управления цветами друзья могут тщательно изучить значение выше Лабораторное значение.

SCI относится к включению зеркального отраженного света,обычно используется для тех, кто изучает свойства самого цвета, не заботясь о цвете, прикрепленном к поверхностному блеску производителей образцовSCE относится к методу, который не содержит зеркального отраженного света,который, как правило, подходит для тех образцов, которые наблюдаются непосредственно и требуют, чтобы результаты измерений были очень близки к визуальному виду., например, корпуса бытовой техники.   В режиме измерения SCE зеркально отраженный свет исключается и измеряется только диффузный свет.При использовании режима SCI, зеркальный отраженный свет включается в измерение вместе с диффузным светом.и не имеет ничего общего с поверхностными условиями объектаПри выборе прибора необходимо учитывать эти критерии. Некоторые приборы могут также измерять значения как в режимах SCE, так и SCI.   Варианты SCI и SCE обычно появляются только в настройках цветовых приборов измерения структуры d/8.                                     Даже если объект сделан из одного и того же материала, цвет будет выглядеть по-разному из-за разницы в блеске поверхности.   Поскольку свет от источника света производит свет, который отражается обратно от одного и того же угла в разных направлениях, мы называем это зеркальным отраженным светом,потому что свет как отражение в зеркалеСвет, который не отражается зеркальным отражением, но рассеивается во всех направлениях, называется диффузным светом.   На гладких, ярких поверхностях зеркальный свет сильнее, а диффузный свет слабее. На грубых поверхностях с низким блеском происходит обратное.Они игнорируют зеркальный отраженный свет.При измерении таких образцов, чтобы данные выглядели так же, как объект, они должны исключить зеркальный отраженный свет и измерять только диффузный свет.Цвет предмета отличается из-за количества света, отражаемого зеркалом..

В этом исследовании может быть использована гиперспектральная камера 400-1000 нм, а продукты Hangzhou Color Spectrum Technology Co., LTD FS13 проводит соответствующие исследования. Спектральный диапазон составляет 400-1000 нм, а разрешение длины волны лучше, чем 2,5 нм, до 1200 нм. Приобретение скорости до 128FPS в полном спектре, до 3300Гц после выбора полосы (поддержка многозоны) Выбор диапазона домена). Хлорофилл играет важную роль в фотосинтезе растений, а его содержание является важным показателем стресса питательных веществ растений, фотосинтезирующей способности и состояния роста.Выявление содержания хлорофилла в растениях может быть использовано для мониторинга роста и развития растений, с целью научного руководства управлением выращиванием и удобрениями, обеспечения хорошего роста сельскохозяйственных культур, улучшения качества и урожайности,что имеет большое значение для практики точного сельского хозяйства и лесного хозяйстваТрадиционным методом обнаружения содержания хлорофилла является метод аналитической химии, то есть листья собираются в лаборатории, экстрагируются химическим растворителем,и затем на спектрофотометре определяется абсорбантность экстрагированной жидкости на двух конкретных длинах волнЭтот метод имеет высокую точность измерения, но он громоздкий, трудоемкий и трудоемкий.и он не может соответствовать требованиям быстрого неразрушающего тестирования в полевых условиях.   Видимая инфракрасная спектроскопия является быстро развитым методом анализа и обнаружения в последние годы,которые могут в полной мере использовать спектральные данные на полном спектре или в нескольких длинах волн для качественного или количественного анализаПо сравнению с традиционным методом аналитической химии, видимая инфракрасная спектроскопия обладает характеристиками быстрого анализа, высокой эффективности, низкой стоимости, отсутствия повреждений, отсутствия загрязнения и т.д.и широко используется во многих областяхВ данной работе спектральные сигналы видимого ближнего инфракрасного излучения листьев растений были получены с помощью трансрефлектантного отбора проб, а спектральные данные были предварительно обработаны путем сглаживания,дифференциация первого порядка и волновая трансформацияДля определения содержания хлорофила и спектров поглощения листьев растений использовался метод частичного наименьшего квадрата (PLS). В этой работе был предложен новый метод определения содержания хлорофилла в растениях с помощью видимой инфракрасной спектроскопии.Для сбора спектра лезвия используется метод отражательной пробкиДля предварительной обработки спектральных данных используются методы сглаживания, дифференциальных и волновых преобразований, что уменьшает влияние нецелевых факторов и улучшает соотношение сигнал-шум.Тогда..., была установлена модель количественного анализа содержания хлорофилла в листьях и спектра абсорбции листьев с использованием метода частичного наименьшего квадрата.Точность прогнозирования модели отвечала требованиям практических приложений измеренийРезультаты этого исследования показали, что применение спектроскопии зрения в ближнем инфракрасном диапазоне для обнаружения содержания хлорофила в листьях было возможным.которые позволили быстро определить содержание хлорофилла в листьях, а также заложила основу для разработки соответствующих неразрушающих испытательных приборов в будущем.

В этом исследовании была применена гиперспектральная камера диапазона 900-1700 нм, и FS-15, продукт компании Hangzhou Color Spectrum Technology Co., LTD., может быть использован для соответствующих исследований.Кратковолновая инфракрасная гиперспектральная камера, скорость получения полного спектра до 200FPS, широко используется в идентификации состава, идентификации веществ, машинном зрении, качестве сельскохозяйственной продукции,обнаружение экрана и другие поля.   Антоцианины являются важным классом фенольных соединений в винограде и вине, которые в основном присутствуют в вакуолах клеток в 3-4 слоях под эпидермисом ягод винограда.Это важный фактор в определении чувственного качества вина.Традиционный метод химического обнаружения уничтожает объект обнаружения.и трудно достичь быстрого и большого размера выборкиОднако в последние годы в стране и за рубежом мало исследований по быстрому обнаружению антоцианинов в виноградных плодах.Технология гиперспектральной визуализации как неразрушительный метод испытаний привлекла широкое вниманиеПо сравнению с традиционной технологией ближней инфракрасной спектроскопии, гиперспектральная технология визуализации показывает свои уникальные преимущества.Каждый раз можно получить только одну или несколько точек спектральной информации.Гиперспектральная технология изображения позволяет получить изображение анализатора,который не только предоставляет более богатую информацию, но также обеспечивает более разумный и эффективный метод анализа в обработке спектральных данных.В процессе моделирования с использованием гиперспектральной технологии визуализации в сочетании с методом частичных наименьших квадратов, с углублением исследований метода PLS,выявлено, что лучшие количественные модели коррекции могут быть получены путем скрининга характеристических длин волн или интервалов длин волн с помощью специальных методов.   В этом эксперименте гиперспектральное изображение ягод винограда было получено на основе системы гиперспектральной визуализации ближнего инфракрасного излучения 931 ~ 1700 нм.Для выбора переменных длины волны использовался алгоритм непрерывной проекции SPA, и, наконец, 20 спектральных переменных были отобраны из 236 точек длины волны.Результаты показывают, что: (1) Алгоритм непрерывной проекции SPA может не только эффективно выбирать характерные спектральные переменные, упрощать модель коррекции и сокращать время коррекции,но также улучшить точность предсказания модели, который является эффективным и практичным методом отбора спектральных переменных. (2) Среди четырех моделей предсказания, PLS, SPA-MLR, SPA-BPNN и SPA-PLS, модель SPA-PLS имеет лучший эффект предсказания и ее коэффициент корреляции предсказания R..9000 и 0.5506Следовательно, корреляция между спектральными данными виноградных ягод и содержанием антоцианинов в кожуре винограда высока.Технология гиперспектральной визуализации ближнего инфракрасного излучения может эффективно обнаруживать содержание антоцианинов в коже винограда.

В этом исследовании была применена гиперспектральная камера 400-1000 нм, и FS13, продукт Hangzhou Color Spectrum Technology Co., LTD., может быть использован для соответствующих исследований.,разрешение длины волны лучше 2,5 нм, и может быть достигнуто до 1200 спектральных каналов. Скорость приобретения может достигать 128 FPS в полном спектре,и максимальный диапазон после выбора диапазона - 3300 Гц (поддержка выбора диапазона в нескольких регионах). Производство риса в Китае составляет более 30% мирового производства риса, а "рис Мэйхе" в провинции Цзилинь является продуктом с географическим указанием китайского риса japonica,и его производственная зона расположена в золотом поясе производства зерна в мире (45° северной широты)В практической жизни существует множество видов риса.и химические методы, такие как определение азота Kjellod и спектрофотометрия, обычно используются для определения содержания белка в различных сортах риса, но эти традиционные химические методы разрушают не только сам образец, но и сложные этапы и слишком длительный цикл обнаружения.Инфракрасная спектроскопия широко используется для обнаружения основных компонентов риса (белок ≥, жир β, крахмал III, вода), но он может получить содержание компонентов только в соответствии со спектральной информацией и не может достичь более интуитивного выражения, то естьвизуализация контентаГиперспектр представляет собой трехмерный кубический материал, включающий изобразительную и спектральную информацию.Полученное гиперспектральное изображение содержит как внутреннюю информацию о рисе (внутренняя физическая структура и информация о химическом составе), так и внешнюю информацию о рисе (тип зерна), дефекты и т. д.), что может компенсировать отсутствие изображения, что NIR не может быстро определить пространственное распределение определенного вещества.Akita Omachi и Jijing 60) из 4 производственных районов города MeiheДля обнаружения собранного риса и получения среднего спектра интересующего региона риса была использована гиперспектральная технология визуализации.Чтобы уменьшить соотношение сигнала и шума спектра и получить относительно надежную модель, Три типа моделей прогнозирования содержания белка риса, включая частичную регрессию наименьшего квадрата, регрессию основных компонентов и ошибку обратного распространения нейронной сети,были установлены с помощью сверточного сглаживанияДля выбора характерной длины волны, установления модели характерной длины волны,и преобразовать гиперспектральное изображение риса в карту распределения содержания белка для реализации визуализации содержания белка риса из разных сортов. Возможность визуализации распределения содержания белка в рисе изучалась с использованием гиперспектральной технологии визуализации.Упрощенная и эффективная модель прогнозирования содержания белка PLSR была получена методом предварительной спектральной обработки MC и выбором характеристических полос SPA.На основе количественной модели было визуализировано распределение содержания белка в рисе разных сортов и разного происхождения.трудно отличить рис от обычных изображений RGBИзображение распределения содержания белка может дать идеи для определения происхождения риса.и сравнивая карты распределения содержания белка риса между различными сортами, можно получить доказательства более позднего разведения сорта риса..

В этом исследовании, была приложена hyperspectral камера 400-1000nm, и FS13, продукт CO. технологии цветовой гаммы Ханчжоу, LTD., смогло быть использовано для родственного исследования. Спектральный ряд 400-1000nm, разрешение длины волны лучшее чем 2.5nm, и до 1200 спектральных каналов можно достигнуть. Скорость приема может достигнуть 128FPS в полном спектре, и максимум после того как переключение диапазона 3300Hz (переключение диапазона мульти-региона поддержки).   Салат богат в протеине, углеводах, витаминах и других питательных веществах, и засаживая область широка. Азот один из самых важных элементов влияя на рост салата. Установить быстрое, эффективный и безразрушительный метод для обнаружения содержания азота салата удобен для того чтобы направить разумное землеудобрение салата. В настоящее время, немногие отчеты на пользе hyperspectral технологии изображения обнаружить содержание азота в листьях салата. В этом исследовании, hyperspectral технология изображения была приложена к обнаружению без разрушения содержания азота в листьях салата. Путем изучать влияния различных спектральных методов pretreatment на PLSB моделируя, соотвествующие спектральные методы pretreatment были выбраны для листьев салата, и были оптимизированы чувствительные длины волны соответствующие для предсказывая содержания азота в листьях салата. Была сделана попытка установить модель самого простого и оптимального прогноза содержания азота в листьях салата. Этот набор методов не был сообщен, и он также обеспечивает основу для развития портативного детектора элемента питательного вещества овоща, который имеет сильное практически значение.   Hyperspectral изображения 60 листьев салата были собраны hyperspectral технологией изображения, и содержание азота соответствуя листьев салата было определено анализатором неразрывного течения AutoAnalyzer3. Средние спектральные данные регионов 50×50 на поверхности сырцовых листьев салата были извлечены программным обеспечением ENVI. Извлеченные средние спектральные данные были предварительно обрабатываны (8 видов методов pretreatment). В конце концов, первоначальные спектральные данные и 8 видов данных по pretreatment спектральных были использованы как входной сигнал PLSR для того чтобы установить 9 моделей прогноза для содержания азота салата. Путем сравнивать результаты этих 9 моделей прогноза, оптимальный прогноз модельное OSC+PLSR был выбран, и была проанализирована диаграмма коэффициента регрессии модели OSC+PLSR. 13 чувствительных длины волны были выбраны, и после этого 13 чувствительных длины волны были приняты как входной сигнал PLSR. В конце концов, была установлена модель прогноза содержания азота салата OSC+SW+PLSR. Сравненный с моделью OSC+PLSR, эффективность прогноза значительно была улучшена, могущие понадобиться как эффективный, точный и новый метод без разрушения для прогноза содержания азота в листьях салата, и может обеспечить ссылку для диагноза питания азота и экономического и рационального землеудобрения салата.

В этом исследовании можно использовать гиперспектральную камеру 400–1000 нм и продукцию Hangzhou Color Spectrum Technology Co., LTD. FS13 проводит соответствующие исследования.Спектральный диапазон составляет 400-1000 нм, а разрешение по длине волны лучше 2,5 нм, до 1200. Два спектральных канала.Скорость съемки до 128 кадров в секунду во всем спектре, до 3300 Гц после выбора диапазона (поддержка нескольких зон) Выбор диапазона доменов).   Благодаря продвижению стратегии производства основного зерна картофеля в Китае, отраслевая цепочка, связанная с картофелем, быстро развивалась, и качество картофеля стало горячей проблемой.Однако такие дефекты, как зеленая кожица и механические повреждения, серьезно влияют на общее количество картофеля, особенно сложная форма картофеля с зеленой кожурой, дефекты нелегко выявить, что затрудняет их обнаружение.В то же время, если содержание соланина в зеленом картофеле превысит съедобную норму, это приведет к пищевому отравлению и вызовет проблемы с безопасностью пищевых продуктов.Поэтому очень важно изучить быстрый и неразрушающий метод обнаружения при глубокой переработке картофеля и расширении цепочки производства картофеля.   Технология гиперспектральной визуализации обладает преимуществами широкого диапазона частот и позволяет одновременно получать изображение и спектральную информацию в соответствующем диапазоне полос испытуемого образца, поэтому она широко используется при быстром неразрушающем контроле сельскохозяйственной продукции.Чтобы решить проблему, заключающуюся в том, что картофель со светло-зеленой кожицей нелегко распознать в произвольном положении, для сравнения и анализа использовались методы полупропускной и отражательной гиперспектральной визуализации, а также была определена точность распознавания модели при различных методах гиперспектральной визуализации. .Полупропускаемые гиперспектральные и отраженные гиперспектральные изображения образцов картофеля были собраны в любом положении, и были установлены модели обнаружения на основе информации об изображении и спектральной информации соответственно, и сравнивались скорости распознавания различных моделей.Далее создавайте модели объединения изображений и спектра или различные модели объединения изображений, чтобы улучшить производительность модели и, наконец, определить оптимальную модель. (1) Сравнивается точность моделей распознавания изображений с использованием различных методов гиперспектральной визуализации.Уровень распознавания изометрического картирования в сочетании с моделью сети глубоких убеждений, основанной на полупередаваемой информации изображения, составляет всего 78,67%.Уровень распознавания максимального расширения дисперсии в сочетании с моделью сети глубоких убеждений, основанной на информации отраженного изображения, составляет всего 77,33%.Результаты показали, что точность обнаружения светло-зеленого картофеля по информации одного изображения не была высокой. (2) Сравнивается точность моделей распознавания спектральной информации различными методами гиперспектральной визуализации.Уровень распознавания локального расположения касательного пространства в сочетании с моделью сети глубокого доверия, основанной на информации о спектре полупередачи, составляет самые высокие 93,33%.Скорость распознавания локального касательного пространственного расположения в сочетании с моделью сети глубокого доверия, основанной на спектральной информации об отражательной способности, составляет до 90,67%.Результаты показывают, что можно использовать одну спектральную информацию для обнаружения светло-зеленого картофеля, но скорость распознавания необходимо дополнительно улучшить. (3) Сравнивается влияние трех методов объединения информации из нескольких источников на точность распознавания.Точность трех моделей слияния полупрошедшего изображения и полупрошедшего спектра, отраженного изображения и спектра отражения, полупрошедшего спектра и спектра отражения выше, чем у одиночного изображения или спектральной модели, а также модели слияния сети глубокого доверия полупропускной спектр и спектр отражения являются лучшими, а степень распознавания корректирующего набора и тестового набора составляет 100%.Результаты показывают, что объединенная модель спектра полупропускания и спектра отражения может реализовать неразрушающий контроль светло-зеленой кожицы картофеля.

В этом исследовании, были приложены hyperspectral камеры диапазона 400-1000nm и 900-1700 nm, и FS13 и FS15 продукты CO. технологии цветовой гаммы Ханчжоу, Ltd. смогли быть использованы для родственного исследования. Спектральный ряд 400-1000nm, разрешение длины волны лучшее чем 2.5nm, и до 1200 спектральных каналов можно достигнуть. Скорость приема может достигнуть 128FPS в полном спектре, и максимум после того как переключение диапазона 3300Hz (переключение диапазона мульти-региона поддержки). Мясо главным образом включает поголовье и выводят птицу и акватические продукты, протеины, жирные кислоты, прослеживающие элементы и другие важные вещества энергии нужные человеческим телом от мяса. С непрерывным улучшением жизненных уровней, люди обращают больше внимания качество еды и сбалансированного питания в диете, но некоторые противозаконные дела смешают некоторое мясо низко-качества в высококачественное мясо, низкосортное, особенно в «волне 2013 мяса лошади» Европы, вызвали заботу людей весьма о фальсификации мяса. Методы обнаружения фальсификации мяса включают сензорную оценку, дневную технологию обнаружения PCR, анализ электрофореза и энзим-соединенная технология immunoassay, etc., но большинство из них требует pretreatment образца, и деятельность теста осложнена и требующа много времени, и трудно для того чтобы достигнуть быстрого обнаружения в реальном времени большого размера выборки в поле.   Больший часть из существующих отчетов о литературы использовала технологию обработки изображения простой полосы hyperspectral для того чтобы различить фальсификацию мяса, но немногие использовали 2 диапазона для сравнительного анализа. В этом эксперименте, выбрала высококачественную размороженную баранину как adulterant, и мясо утки с относительно низкой ценой было дано допинг. Hyperspectral информация образцов была собрана в 2 диапазонах видимое близко-ультракрасного (400 | 1 000 nm) и короткая волна близко-ультракрасная (900 | 1700 nm), и количественная модель были установлены путем выбирать соотвествующие методы pretreatment. Оптимальная модель была выбрана для заворота изображения, и был предложены, что обеспечил метод визуализирования для быстрого количественного обнаружения фальсификации баранины данные и службу технической поддержки для количественного обнаружения фальсификации баранины. (1) для диапазона 400 | 1000 nm, полностью заполненная зона УГОЖДАЮТ установленной модели после того как pretreatment нормированности имеет самую высокую точность; Для диапазона 900-1700 nm, полностью заполненная зона УГОЖДАЕТ установленной модели после того как pretreatment SNV имеет самую высокую точность. Путем выбирать длину волны 2 спектральных полос под оптимальным методом pretreatment, найдено что collinearity между выбранными длинами волны минимально и репрезентивно на основании исключать multicollinearity, который может дальше улучшить точность и простоту модели.   (2) там больше информации о группах связанных с составом мяса в диапазоне 900-1700 nm, который может лучше отразить характеристики мяса, и может быть более соответствующее для идентификации фальсификации мяса. Увеличить всесторонность и применимость модели, эксперимент должен быть расширенн к длинной волне около инфракрасного спектра (1 700 | 2500 nm). В то же время, упаковали высококачественные баранину и мясо утки выбранные в эксперименте как законченный - продукты в местных супермаркетах. Ли последующую модель можно приложить к исследованию фальсификации баранины под различными окружающими средами (температурой, влажностью, формой, etc.), различные разнообразия, различные качества, различным питаясь методам и различной свежесть нужно более дополнительные проверка и обсуждение.  

В этом исследовании использовалась гиперспектральная камера 900–1700 нм, а FS-15, продукт компании Hangzhou Color Spectrum Technology Co., LTD., можно было использовать для соответствующих исследований.Коротковолновая гиперспектральная камера ближнего инфракрасного диапазона, скорость захвата полного спектра до 200 кадров в секунду, широко используется для идентификации состава, идентификации веществ, машинного зрения, качества сельскохозяйственной продукции, обнаружения экрана и других областях.        Помидор – ягодная культура с уникальным вкусом, богатая разнообразными питательными веществами, в том числе глутатионом, витаминами, ликопином, бета-каротином и другими биоактивными ингредиентами, имеет высокую пищевую ценность.В условиях стремительного развития мировой экономики спрос на томаты и продукты их переработки на потребительском рынке увеличивается.Помидор также стал одной из самых широко выращиваемых и потребляемых овощных и фруктовых культур в мире.Кроме того, с общим повышением уровня жизни людей внутреннее качество, качество внешнего вида, качество хранения и транспортировки, а также превосходный вкус и аромат помидоров становятся все более и более важными для потребителей, и томатная промышленность Китая также сталкивается с новыми проблемами и возможностями. .Согласно опросу, зрелость и качество хранения томатов очень важны для томатной промышленности, а внутреннее качество помидоров черри, а также отличный аромат и вкус больше всего беспокоят потребителей.На основе разработки и применения больших данных реализованы автоматическая посадка, механизированный сбор и интеллектуальная классификация томатов для повышения производства и эффективности томатов.В настоящее время в стране и за рубежом проводились некоторые исследования по определению качества томатов на основе спектра, но в существующих моделях определения качества томатов извлечение эффективной спектральной информации по-прежнему представляет собой исследовательскую трудность, а определение внутреннего качества томатов с помощью соответствующих методы неразрушающего контроля еще предстоит изучить.     В исследовании неразрушающего обнаружения содержания растворимых твердых веществ в томатах черри на основе технологии гиперспектральной визуализации в качестве объектов исследования был выбран 191 томат черри, были собраны данные гиперспектрального изображения в диапазоне 865,11~1711,71 нм, и область интереса Гиперспектральное изображение помидоров черри было сегментировано по алгоритму К-средних.Средний спектр этой области был извлечен как исходные спектральные данные томатов черри.MA и MSC использовались для предварительной обработки исходных спектральных данных, а образцы помидоров черри были разделены на обучающие наборы и тестовые наборы на основе алгоритма KS.Чтобы повысить эффективность информации, содержащейся в полосе признаков, алгоритм SPA и алгоритм PCA были объединены для выполнения анализа основных компонентов спектральных данных, а затем сравнены с алгоритмами PCA и miRF, модель обнаружения SSC на основе PLSR для вишни. томат был установлен, и модель была проверена данными тестового набора.Результаты показывают, что точность обнаружения модели, основанной на главном компоненте, извлеченном с помощью SPA-PCA, явно оптимизирована.По результатам обнаружения моделей среди трех моделей модель SPA-PCA-PLSR имеет наилучший эффект обнаружения, R, 0,9039.Эффект обнаружения модели miRF-PLSR был вторым, RF составил 0,8878.Подгоночный эффект модели PCA-PLSR наихудший.