CHNSpec Technology （Zhejiang）Co.,Ltd Новости компании

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.

В этом исследовании использовалась гиперспектральная камера 400–1000 нм, а FS13, продукт компании Hangzhou Color Spectrum Technology Co., LTD., можно было использовать для соответствующих исследований.Спектральный диапазон составляет 400-1000 нм, разрешение по длине волны лучше 2,5 нм, и может быть достигнуто до 1200 спектральных каналов.Скорость захвата может достигать 128 кадров в секунду в полном спектре, а максимальная частота после выбора диапазона составляет 3300 Гц (поддержка выбора диапазона в нескольких регионах). Черника, также известная как черника, темно-синие фрукты, ягоды, также известные как синие ягоды, является одной из новых маленьких ягод в Китае.Благодаря своей уникальной полезности и питательной ценности, она содержит много питательных веществ, необходимых человеческому организму, обладает отличными технологическими свойствами и т. д., и на нее обращают внимание. также является одним из важных показателей для оценки качества черники.Традиционный метод испытаний обычно использует измерительное устройство для определения содержания сахара и твердости черники.Из-за единого индекса обнаружения, длительного и разрушительного, эти методы обнаружения сложны для промышленного определения содержания сахара и твердости плодов.Поэтому очень важно разработать неразрушающий и эффективный метод определения содержания сахара и твердости черники на основе внутреннего качества.   В ходе отечественных и зарубежных исследований по определению содержания сахара и твердости во фруктах видно, что использование метода выбора характеристической длины волны может эффективно уменьшить размер данных гиперспектрального изображения, уменьшить избыточность спектральных данных, улучшить характеристики калибровки и эффективность обнаружения. модели и получить хорошие результаты прогнозирования.Это показывает, что эти методы выбора характеристической длины волны могут быть полезны для реализации онлайн-обнаружения фруктов.Однако эти исследования в основном направлены на обнаружение отдельных показателей, и необходимо создать несколько моделей для обнаружения нескольких показателей плодов, что усложняет обработку данных.Следовательно, необходимо создать модель многоиндексного обнаружения, чтобы сэкономить время и повысить эффективность онлайн-обнаружения.В этом исследовании технология гиперспектральной визуализации использовалась, чтобы предложить многоэтапный метод выбора длины волны для определения как содержания сахара, так и твердости черники на гиперспектральных изображениях.Методы выбора длины волны признаков, такие как алгоритм непрерывной проекции или пошаговая множественная линейная регрессия, последовательно использовались для выбора длин волн признаков, которые могли бы отражать как содержание сахара, так и твердость черники, а модель нейронной сети BP использовалась в качестве модели обнаружения.Содержание сахара и твердость черники были спрогнозированы для проведения быстрого и неразрушающего контроля внутреннего качества черники, а также для обеспечения теоретической основы для построения онлайн-тестирования качества черники.

В этом исследовании, hyperspectral камеру 400-1000nm можно использовать, и продукты CO. технологии цветовой гаммы Ханчжоу, LTDВ этом исследовании, hyperspectral камеру 400-1000nm можно использовать, и продукты CO. технологии цветовой гаммы Ханчжоу, LTDFS13 проводит родственное исследование. Спектральный ряд 400-1000nm, и разрешение длины волны лучшее чем 2.5nm, до 12002 спектральных канала. Скорость приема до 128FPS в полном спектре, до 3300Hz после переключения диапазона (поддержки мульти-зоныПереключение диапазона домена). FS13 проводит родственное исследование. Спектральный ряд 400-1000nm, и разрешение длины волны лучшее чем 2.5nm, до 12002 спектральных канала. Скорость приема до 128FPS в полном спектре, до 3300Hz после переключения диапазона (поддержки мульти-зоныПереключение диапазона домена). Вызывают шелкопряда (mori Linnaeus Bombyx) экономическое насекомое которое ест шелковицу и шелк закруток, поэтому оно также шелкопрядом. Шелкопрядов возникли из старого Китая и постепенно одомашнивали первоначальными шелкопрядами обитая в деревьях шелковицы. Начиная с 5 000 лет назад, древние народы управляли технологией засаживать шелковицу и поднимать шелкопрядов. В старых временах, sericulture сделал большие вклады в развитие экономики и культуры. В настоящее время, индустрия шелкопряда шелковицы повышает развитие сельской экономики, улучшает жизненный уровень фермеров, и одна из важных индустрий боковой линии в сельскохозяйственной продукции. К тому же, индустрия шелкопряда в ведущем положении в международном рынке и играет важную роль в мировой торговле, создавая большое количество валютных запасов для нашей страны. Поэтому, устойчивое и сбалансированное развитие индустрии шелкопряда шелковицы имеет весьма важные экономическую ценность и значительность. Традиционной химической технологии обнаружения нужно pretreat испытанные образцы, процесс деятельности осложняет, и много химические реактивы уничтожены. Точность ферментационной быстрой технологии обнаружения низка, поэтому ее можно только использовать для основного скрининга. Спектральная технология без разрушения испытания не репрезентивна из-за односторонней информации. Поэтому, искать быстрое, надежное и всестороннее испытание без разрушения листьев шелковицы.   Метод выпарки пестицида большой значимости в обнаружении безопасности урожая. Hyperspectral технология обработки изображения новая испытывая технология без разрушения совмещая технологию технологии обработки изображения и спектра, которая имеет преимущества никакой потребности разрушить измеренный объект, всесторонний прием информации и высокую точность обнаружения. В этой бумаге, hyperspectral технология обработки изображения совмещенная со спектральными методами обработки и анализа была использована для того чтобы изучить выпарки пестицида в листьях шелковицы, не только для того чтобы изучить ли выпарки пестицида в листьях шелковицы и идентификация выпарок пестицида, но также изучить количественное обнаружение выпарок пестицида chlorpyrifos в листьях шелковицы. Содержание исследования этой бумаги обеспечивает службу технической поддержки для индустрии sericulture и сильную гарантию для дохода фермеров sericulture, и повышает устойчивое и глубокое развитие индустрии sericulture, которая имеет весьма важное теоретическое значение и практически значительность. В этой бумаге, hyperspectral технология обработки изображения совмещенная со спектральными методами обработки и анализа была использована количественно для того чтобы обнаружить содержание chlorpyrifos в листьях шелковицы. Шелковица выходит с различными выпарками chlorpyrifos была использована как объекты теста для того чтобы получить hyperspectral изображения листьев шелковицы в границах 390-1050nm hyperspectral imager. Программное обеспечение ENVI использовано для того чтобы определить регион интереса лезвия и высчитать средние спектральные данные региона. Были высчитаны коэффициенты соотношения между средними спектральными данными образцов лист шелковицы и соответствуя химическими значениями определенными хроматографом газа, и 5 волн были выбраны согласно диаграмме формы волны коэффициента соотношения и длины волны.   Длины волны соответствие к пикам и ринвам использованы как характерные длины волны (561,25, 680,86, 706,58, 714,32, 724.66nm). Основанный на спектральных данных на характерной длине волны, количественная модель обнаружения выпарок лист шелковицы была установлена путем использование множественных линейной регрессии и регрессии вектора поддержки. Коррекция установила ² коэффициента r определения модели прогноза MLR 0,730, середина корня - квадратная ошибка RMSEC 38,599, и получен прогноз установил коэффициент r определения. 0,637, и середина корня - квадратная ошибка RMSEP 47,146. Коррекция установила коэффициент R3 определения 0,920, ошибка среднеквадратичной величины RMSEC 21,073, прогноз установил коэффициент R3 определения 0,874, и ошибка среднеквадратичной величины RMSEP 27,719. Через сравнительный анализ: Модель прогноза SVR имеет лучшее представление чем модель прогноза MLR, поэтому зрени-близко-ультракрасную hyperspectral технологию обработки изображения совмещенную с моделью прогноза SVR можно использовать к обнаружению без разрушения выпарок chlorpyrifos в листьях шелковицы.

В этом исследовании, hyperspectral камеру 400-1000nm можно использовать, и FS13, продукт CO. технологии Ханчжоу CHNSpec, Ltd, LTD., можно использовать 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). Главные питательные вещества составного питания включают воду, золу, незрелый протеин, кальций, полный фосфор и так далее. Обнаружение главных питательных веществ питания непременная техническая связь в производственном процессе и важные середины обеспечить качество продуктов питания. Метод обнаружения и анализа питания лежит в основу своей проверки качества. В настоящее время, традиционный метод химического анализа вообще использован для того чтобы определить главные питательные вещества составного питания. Традиционный метод определения часто требующ много времени и трудоемок, приводящ в отставании по времени, пока цена определения высока, и некоторым даже нужно разрушить образец самого, который также имеет более высокие требования для операторов и лабораторий. Исследовать метод для быстрого обнаружения главных питательных веществ составного питания, всесторонне повысить и приложить его к реальному испытанию и анализу предприятий питания, который имеет высокие социальные и экономические преимущества для улучшать тариф обнаружения и повышать развитие испытывая уровня составного питания. Hyperspectral обнаружение изображения высокотехнологичный набор зрения компьютера и спектрального обнаружения, польза hyperspectral технологии изображения получить данные по образца содержит большое количество спектральной информации трехмерного блока изображения, она не только имеет высокое спектральное разрешение, и спектральную информацию извлеченную от изображения можно использовать для того чтобы обнаружить внутреннее качество образца. Поэтому, hyperspectral технология обнаружения изображения больше и больше благоволить к учеными в стране и за рубежом, и широко была использована в качественном обнаружении сельскохозяйственных продуктов, но исследование применения в составном питании редко сообщено. В этом исследовании, hyperspectral технология изображения была использована для того чтобы получить модель видимая/близко-ультракрасная спектральная информация экспириментально образцов составного питания, и количественного анализа главных питательных веществ в составном питании, как влага, зола, незрелый протеин, кальций и полный фосфор, была установлена путем использование стехиометрических методов, и была подтвержена модель, направляя исследовать осуществимость использования hyperspectral технологии обработки изображения для того чтобы обнаружить главные питательные вещества в питании смеси. Она также обеспечивает новые идею и основу для быстрого обнаружения составного питания. В этом исследовании, hyperspectral технология изображения была использована для того чтобы установить модели количественного анализа незрелого протеина, незрелой золы, воды, полных фосфора и содержания кальция в составном питании посредством анормалного удаления образца, разделения набора образца, оптимального спектрального pretreatment и характерного переключения диапазона, совмещенного с частично стехиометричностью наименьшего квадрата. Модели были подтвержены. Набор образца незрелого протеина разделенный методом SPXY и незрелый набор образца золы разделенный методом CG, совмещенным с сочетанием из КАК, FD и SNV, модель количественного анализа установленная в характерном диапазоне имеют самое лучшее влияние. Коррекция установила коэффициент R& определения оптимальной модели незрелого протеина 0,8373, ошибка среднеквадратичной величины RMSEC 2,1327%, относительная ошибка RPDc анализа 2,4851, утверждение установило RV 0,7778, RMSEP 2,6155%, и RPDv 2,1143. Была получена оптимальная незрелая зола R&, RMSEC 1,0107%, RPDc 2,2064, RV 0,7758, RMSEP 1,0611% и RPDv 2,1204. Модели количественного анализа незрелого протеина и представления незрелого шоу золы и хорошего предвестникового и можно использовать для практически количественного анализа. Набор проба воды разделенный методом CG совмещенным с pretreatment КАК, ГЕНЕРАТОРОМ и Detrend имеет самое лучшее влияние в характерном диапазоне. Своя коррекция установленный RE 0,6470, RMSEC 1,8221%, RPD 1,6849, Ry набора утверждения 0,6314, RMSEP 1,6003%. RPDv 1,9371, хотя модель можно использовать в практически количественном анализе, своя точность прогноза все еще нужно быть оптимизированными самыми дальними. Результаты модели количественного анализа полученной от полного набора образца фосфора разделенного методом CG совмещенным с методами pretreatment КАК, FD и SNV были оптимальны. Коэффициент RS, RMSEC и RPD оптимальной модели был 0,6038, 0,1656% и 1,5700, соответственно. Наборы R9, RMSEP и RPD/утверждения 0,4672, 0,1916% и 1,3570, соответственно. Рабочие параметры как модели коррекции, так и модели утверждения плохи, показывающ что модель имеет плохую способность предсказывания и не может быть использована в фактическом количественном анализе. После pretreatment набора образца кальция разделенного методом CG и совмещенного с КАК, ГЕНЕРАТОР и метод Detrend, модель количественного анализа установленная в своем характерном диапазоне имеют самое лучшее влияние, RB оптимальной модели 0,4784, и набор R≈ проверки только 0,4406. Влияние прогноза модели плохо, и его нельзя приложить в практически анализе. Точность прогноза модели количественного анализа незрелого протеина оптимальной основанной на hyperspectral технологии изображения самое лучшее, и представление прогноза незрелой модели золы второе, и оба можно использовать точно в практически обнаружении. Точность прогноза модели количественного анализа воды оптимальной должна быть улучшена. Однако, оптимальная модель количественного анализа полных фосфора и кальция имеет плохое предвестниковое представление и не может быть использована для практически обнаружения.

В этом исследовании, была приложена hyperspectral камера 400-1000nm, и FS13, продукт CO. технологии Ханчжоу CHNSpec, 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). Капсула целебного желатина неубедительная трудная вид особенных целебных excipients, в которых содержание хромия важный индекс теста обусловленный национальным стандартом здоровья. Капсулы с чрезмерным содержанием хромия обыкновенно как «токсические капсулы» и очень токсические к человеческому телу. В настоящее время, содержание хромия определено традиционным методом химического анализа. Традиционный метод обнаружения хромия отнимает много времени, дорого стоит оборудования, польза большое количество пищеварения азотноводородной кислоты легка для того чтобы причинить вторичное загрязнение, и деятельности аппаратуры нужно профессиональный персонал завершить. Поэтому, развитие удобного и скоростного метода для быстрого обнаружения содержания хромия в целебных капсулах имеет важные значительность применения и перспективу рынка.   Основанный на осуществимости hyperspectral обнаружения тяжелых металов, эта бумага использует обычное спектрометрирование атомной абсорбции для того чтобы сравнить собранные результаты нормального MEHGC и MEHGC с чрезмерным содержанием хромия, тогда собирает 2 вида данных по MehGC с hyperspectral анализом, и использует анализ основного компонента (PCA) и частично метод наименьшего квадрата для того чтобы проанализировать hyperspectral данные, и в конце концов устанавливает уместную модель. Осуществить качественное обнаружение «капсул отравы».   В виду того что hyperspectral данные составлены множественных изображений диапазона, каждое изображение можно сосчитать как особенность. Если hyperspectral данные габаритно уменьшены, то первоначальные данные будут изменены на новую систему координат для того чтобы увеличить разницу между данными по изображения, и результат отличит очень первоначальное изображение. Этот метод очень эффективен для увеличения содержания информации, изолировать шум и уменьшения размеров данных. Первые 4 основного компонента полученного после уменьшения размерности PCA hyperspectral изображений показаны в диаграмме 1. Преимущество hyperspectral изображений что не только отображать информация, но также спектральная информация. Для того чтобы получить спектральную информацию, регион интереса выбран для каждого образца, и каждый регион интереса имеет свою кривую спектрального ответа. Должный к разнице в цвете между крышкой капсулы и телом капсулы, исключить влияние цвета на результате, 2 региона интереса были выбраны для каждой капсулы (одного на крышке капсулы и одного на теле капсулы). Регионы интереса смогли случайно быть выбраны на hyperspectral изображении капсулы, и число пикселов в каждом регионе выстроило в ряд от 2 до 6. Окончательные спектральные данные для региона интереса высчитаны как среднее всех пикселов в регионе. Спектральные кривые 4 различных регионов (капсулы и крышки нормальных капсул и «токсических капсул» соответственно) показаны в диаграмме 2. В hyperspectral данных 450~900 nm, спектральные данные нормальной капсулы и «токсическая капсула» были получены путем выбирать регион интереса, который был нормализован во-первых, и после этого уменьшение и дискриминантный анализ размера данных были проведены PLEASE-DA. Когда 4 ПОЖАЛУЙСТА оператора были выбраны как особенности входного сигнала, тариф опознавания нормальной капсулы и «токсической капсулы» достиг 100%. Характерность и чувствительность также 100%; Его можно увидеть что нормальные капсулы и «токсические капсулы» могут быть различены методом дискриминации PLEASE-DA. Используя hyperspectral технологию изображения обнаружить «капсулы отравы» может значительно уменьшить сложность традиционных методов.   К тому же, улучшить доверие, образцы необходимо рассмотреть в более широком спектре, как флуоресцирование или ультрафиолетовый луч. Пока качественно проводящ «капсулу отравы», также необходимо проводить количественное исследование на ем, которое может рассматривать сделать шаблоны желатина с различным содержанием хромия, узнайте модель корреляции между содержанием хромия шаблона и спектральными данными, и используйте эту модель для того чтобы предсказать содержание хромия тяжелого метала неизвестной «капсулы отравы». Ввиду последующего удара «случая капсулы отравы», образцы трудны для обнаружения, но улучшить эффективность теста, необходимо использовать разнообразие образцы капсулы с содержанием хромия.

В этом исследовании, hyperspectral камеру 400-1000nm можно использовать, и FS13, продукт CO. технологии Ханчжоу CHNSpec, Ltd, можно использовать для родственного исследования. Спектральный ряд 400-1000nm, и разрешение длины волны лучшее чем 2.5nm, до 1200 2 спектральных канала. Скорость приема может достигнуть 128FPS в полном спектре, и максимум после того как переключение диапазона 3300Hz (переключение диапазона мульти-региона поддержки). Сорго одна из важных продовольственных сельскохозяйственных культур в Китае, из-за своих богатых питательных веществ в зерне в винодельческой промышленности имеет «хорошее вино нельзя отделить от суждение красного зерна» инцизивное, ежегодное требование до 20 миллионов t. в настоящее время, главные разнообразия сорго вина Luzhou красный, Qinghuyang, но. 7 Runuo и другое glutinous сорго с высоким содержанием крахмала. Потому что много видов сорго и различных производя областей, содержание крахмала, протеина, сала и таннина в зерне очень другое, которое водит к большим разницам во вкусе, стиле, качестве и выходе ликера. Его можно увидеть что точное и эффективное идентификация разнообразий сорго перед хранением серии сырья сорго имеет очень важную направляя значительность для продукции высококачественного ликера, которая может контролировать производственный процесс как время клокоча зерна, расхода воды и зерно испаряться во время процесса заваривать. Традиционные методы идентификации главным образом включают ручное эмпирическое идентификацию и биологическое пробуя обнаружение. Бывшее подлежит субъективное влияние, низкая эффективность, и трудный для того чтобы сформировать единый стандарт, пока последнее громоздко, требующе много времени и трудный. Оба не могут отвечать потребностямы современных предприятий ликера для определять сорго, поэтому оно срочно для обнаружения быстрого, точного и простого метода классификации и обнаружения разнообразия сорго. Задача этого исследования расклассифицировать 11 разнообразие сорго путем совмещение спектральной информации и данных по изображения, и определяет различные разнообразия сорго путем оптимизировать hyperspectral методы технологии и машинного обучения через сравнение и внешнюю проверку, для того чтобы улучшить их точность и эффективность в применении.   Первоначальные спектральные кривые 550 образцов 11 категории сорго и спектральные кривые после того как pretreatment MSC будет показан в диаграмме 1. Каждый цвет представляет различную категорию. В этой бумаге, идентификация 11 разнообразия сорго было изучено основанный на данных по спектра и изображения сочетания из hyperspectral. Hyperspectral изображения сорго были собраны, 48 длин волны особенности были выбраны от спектров после MSC предварительно обрабатывая алгоритмом SPA, и после этого особенности текстуры изображений были извлечены. Модели классификации SVM, PLEASE-DA и ВЯЗА были установлены основанный на особенностях текстуры, полном спектре, спектре особенности и их совмещенных данных по изображения, соответственно. В конце концов, данные, который не включили в моделирование были использованы для внешней проверки. Результаты показывают что модель классификации SVM основанная на особенностях спектра и текстуры особенности сочетания из имеет самое лучшее влияние. Правильный тариф опознавания набора теста 95,3%, и точность набора проверки 91,8%. Спектр и изображение сочетания из видимый могут эффектно осуществить быстрое опознавание сорго вина и улучшить точность опознавания модели. Это обеспечивает теоретическую основу для обнаружения различного сырья заваривать и осуществления автоматизации заваривать.

В этом исследовании, hyperspectral камера 400-1000nm была использована для того чтобы обнаружить внутренность грецкого ореха, и FS-13, продукт CO. технологии Ханчжоу CHNSpec, Ltd, смогло быть использовано для родственного исследования. Для того чтобы обнаружить поверхность грецкого ореха в спектральном ряде 800-1700nm, hyperspectral камеру FS-15 в спектральном ряде 900-1700nm можно использовать с разрешением длины волны лучше чем 2.5nm и до 1200 спектральные каналов. Скорость приема может достигнуть 128FPS в полном спектре, и максимум после того как переключение диапазона 3300Hz (переключение диапазона мульти-региона поддержки). Грецкие орехи еда гайки соответствующая для всех возрастов и важный древообразный урожай масла. Засаживая зона и выход грецких орехов в ряде первом Китая в мире. Качественные испытание и сортировать стерженей грецкого ореха важная связь в продукции и обработке грецкого ореха. Согласно уместным национальным стандартам, качественные показатели возникновения стерженей грецкого ореха включают целостность и цвет кожи, пока внутренние качественные показатели включают жирное содержание и содержание белка. В фактическом производстве, стержень грецкого ореха сортируя главным образом полагается на ручном выборе возникновения и цвета, который имеет высокие цен производства и высокий randomness в сортировать, делая его трудной различить внутреннее качество. Традиционное химическое испытание разрушительно к образцам и принимает долгое время обнаружить, делающ его трудным приспособиться к современным требованиям к продукции. В настоящее время, исследование на пользе hyperspectral технологии для обнаружения грецкого ореха качественного главным образом фокусирует на классификации раковин и стерженей грецкого ореха, и никакие уместные отчеты на качестве стерженей грецкого ореха. Для того чтобы исследовать метод одновременно для того чтобы осуществить внутренние качественные обнаружение и классификацию возникновения стерженя грецкого ореха, это исследование использовало hyperspectral технологию обработки изображения для того чтобы экранировать характерные спектры жирного содержания, содержания белка и цвета стерженя грецкого ореха, и экранированный вне уместным характерным диапазонам качественных показателей для того чтобы обеспечить ссылку для применения испытания без разрушения качества стерженя грецкого ореха. Средняя спектральная информация образцов стерженя грецкого ореха в близко-ультракрасном регионе (863-1704 mm) и pre обрабатываемая спектральная информация показаны в диаграмме 3. Общие характеристики первоначальной спектральной информации образцов по существу последовательны, за исключением пиков абсорбции воды, пики абсорбции других компонентов не очевидны, и спектров необходим. Предварительно обрабатывая метод совмещая MSE и SNV исключает влияние некоторой величины фона, делая спектральную информацию выглаживателя образца. В то же время, он продвигает увеличивает последовательность спектральной информации, выделяет спектральные пики и долины, и усиливает спектральные особенности. Классификация ранга возникновения стерженя грецкого ореха основанная на спектральных особенностях информации и изображения. На диаграмму 6 показано среднюю спектральную кривую 3 образцов стерженя грецкого ореха цвета в регионах видимого света и короткой волны близко-ультракрасных (382~1027nm). В виду того что шум в передних и задних этапах спектра имеет большой удар, извлекутся 20 пунктов waveband в передних и задних этапах. От диаграммы 6, его можно увидеть что в первоначальном спектре, спектральная характеристика образцов стерженя грецкого ореха с 3 другими цветами показывает значительный убывающий тренд в ряде видимого света как изменения цвета от света к глубокой, и спектр относительно disordered в близко-ультракрасном ряде. Спектральную на информацию предварительно обрабатыванную сочетанием из MSC и методами SNV показано некоторые закономерность и последовательность в спектральной характеристике, которая полезна для последующей спектральной обработки. Используя hyperspectral технологию обработки изображения, был изучен метод для обнаруживать внутреннее и внешнее качество стерженей грецкого ореха. Путем совмещение спектральное и данные по изображения, были достиганы протеин и жирный прогноз содержания стерженей грецкого ореха и сортировать качества возникновения основанных на целостности и цвете. Результаты показывают что АВТОМОБИЛИ сочетания из алгоритм и метод коэффициента соотношения эффектно извлекают неуместное и избыточную информацию в полной спектральной полосе. Сравненный с полной спектральной полосой, утверждение установило r модели прогноза диапазона особенности для ² содержания белка от 0,66 до 0,91, RMSEP уменьшило от 1,37% к 0,78%; Набор r утверждения для жирного ² содержания от 0,83 до 0,93, RMSEP уменьшил от 0,98% к 0,47%, показывающ что выбранные диапазоны особенности эффектно уменьшили сложность модели и улучшили свою способность предсказывания. Путем совмещение спектров особенности разнице в цвета с параметрами особенности изображения статистически, полные вращательные спектры особенности разнице в цвета были извлечены от hyperspectral изображений, которые могут значительно уменьшить взаимодействие избыточной информации и улучшить моделирование эффективности. Путем совмещение полного вращательного спектра особенности разнице в цвета с параметрами особенности изображения статистически, точность классификации более добавочно улучшена сравненный к диапазону RGB. При использовании модели классификации цвета установленной алгоритмом DT, модель имеет самую высокую точность классификации (98,6%). Польза hyperspectral изображений одновременно достигла обнаружения внутренних качественных параметров (содержания белка, жирного содержания) и классификации качества возникновения (целостности, цвета) стерженей грецкого ореха, обеспечивая новое решение для применения испытания без разрушения качества стерженя грецкого ореха.    

Позвольте нам пойти назад к науке начальной школы. Это видимый спектр - свет мы можем увидеть с нашими нагими глазами - только небольшая часть электромагнитного спектра. Это электромагнитный спектр. Оно начинает с гамма-лучами на левых радикалах и перемещениями к праву через рентгеновские снимки, микроволны и радиоволны. Крошечный видимый спектр между ультрафиолетов и ультракрасным единственная часть спектра что люди могут увидеть невооруженным глазом, если OBAs не будет включено. OBAs поглощает часть невидимого ультрафиолетового света и re-испускает его как голубой свет. Это отразило голубой свет делает ткань показаться ярче и более белым. Учтивость изображения Wikipedia. Это изображение показывает видимые длины волны на праве, и регион ультрафиолетова на левой стороне. Оптически отбелиаватели работают путем поглощение этих УЛЬТРАФИОЛЕТОВЫХ лучей и реабсорбировать их в области спектра который видим к человеческому глазу.

Глянцевость — это физическая величина, которая оценивает способность поверхности материала отражать свет.Как характеристика поверхности объекта, глянец зависит от зеркальной способности поверхности отражать свет.Зеркальное отражение относится к явлению отражения, при котором угол отражения равен углу падения.Глянцевость — это физическая величина, которая оценивает способность поверхности материала отражать свет при наборе геометрически заданных условий.Следовательно, он выражает свойство отражения с направленным отбором.По характеристикам глянца глянец можно разделить на несколько категорий.Мы обычно говорим, что блеск относится к «зеркальному блеску», поэтому блескомер иногда также называют зеркальным блескомером. Глянцевость измеряется на основе количества света, отраженного от поверхности, по отношению к эталонному полированному стеклу.Количество света, отраженного от поверхности, зависит от угла падения и характера поверхности.Единицей измерения блеска является единица блеска (GU).Чем ниже ГУ, тем меньше отражение глянца.Чем выше GU, тем выше отраженный блеск. Глянец делится на матовый, полуглянцевый и высокоглянцевый.Измеренный угол – это угол между падающим и отраженным светом.Три угла измерения (20º/60º/85º) предназначены для покрытия большинства промышленных покрытий.Чтобы определить или выбрать правильный угол, соответствующий вашим потребностям, используйте глоссометр для измерения угла при 60º и выберите угол в пределах желаемого диапазона глянца.