CHNSpec Technology （Zhejiang）Co.,Ltd Notizie della società

In questo studio, una macchina fotografica hyperspectral 400-1000nm si è applicata e FS13, un prodotto della tecnologia il Co., srl dello spettro di colori di Hangzhou, potrebbe essere usato per la ricerca relativa. L'ampiezza dello spettro è 400-1000nm, la risoluzione di lunghezza d'onda è migliore di 2.5nm e fino a 1200 canali spettrali possono essere raggiunti. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno).   La lattuga è ricca in proteina, carboidrati, vitamine ed altre sostanze nutrienti e l'area di piantatura è ampia. L'azoto è uno della maggior parte dei elementi importanti che colpiscono la crescita di lattuga. Per stabilire un rapido, il metodo efficiente e non distruttivo per rilevazione contenta dell'azoto di lattuga è conveniente da guidare la fecondazione ragionevole di lattuga. Attualmente, ci sono pochi rapporti sull'uso della tecnologia hyperspectral di immagine individuare il contenuto dell'azoto in foglie della lattuga. In questo studio, la tecnologia hyperspectral di immagine si è applicata a rilevazione non distruttiva del contenuto dell'azoto in foglie della lattuga. Studiando gli effetti di vari metodi spettrali di pretrattamento su PLSB che modella, i metodi spettrali appropriati di pretrattamento sono stati selezionati per le foglie della lattuga e le lunghezze d'onda sensibili adatte a contenuto di predizione dell'azoto in foglie della lattuga sono state ottimizzate. Un tentativo è stato fatto di stabilire il modello di previsione più semplice ed ottimale del contenuto dell'azoto in foglie della lattuga. Questo insieme dei metodi non è stato riferito ed inoltre fornisce una base per lo sviluppo del rivelatore di verdure portatile dell'elemento nutriente, che ha forte valore pratico.   Le immagini hyperspectral di 60 foglie della lattuga sono state raccolte dalla tecnologia hyperspectral di immagine ed il contenuto dell'azoto delle foglie corrispondenti della lattuga è stato determinato dall'analizzatore di portata continuo AutoAnalyzer3. I dati spettrali medii delle regioni 50×50 sulla superficie delle foglie crude della lattuga sono stati estratti dal software di ENVI. I dati spettrali medii estratti sono stati preelaborati (8 generi di metodi di pretrattamento). Per concludere, i dati spettrali originali e 8 generi di dati spettrali di pretrattamento sono stati usati come l'input di PLSR per stabilire 9 modelli di previsione per il contenuto nell'azoto di lattuga. Confrontando i risultati di questi 9 modelli di previsione, la previsione ottimale OSC+PLSR di modello è stata selezionata ed il diagramma di coefficiente di regressione del modello di OSC+PLSR è stato analizzato. 13 lunghezze d'onda sensibili sono state selezionate e poi 13 lunghezze d'onda sensibili sono state prese come input di PLSR. Per concludere, il modello di previsione del contenuto dell'azoto della lattuga di OSC+SW+PLSR è stato stabilito. Rispetto al modello di OSC+PLSR, l'efficienza di previsione notevolmente è stata migliorata, che può essere utilizzata come nuovo metodo efficiente, accurato e non distruttivo per la previsione del contenuto dell'azoto nelle foglie della lattuga e può fornire un riferimento per la diagnosi di nutrizione dell'azoto e la fecondazione economica e razionale di lattuga.

In questo studio è possibile utilizzare una fotocamera iperspettrale da 400-1000 nm e i prodotti di Hangzhou Color Spectrum Technology Co., LTD FS13 conduce ricerche correlate.La gamma spettrale è 400-1000 nm e la risoluzione della lunghezza d'onda è migliore di 2,5 nm, fino a 1200 Due canali spettrali.Velocità di acquisizione fino a 128FPS nell'intero spettro, fino a 3300Hz dopo la selezione della banda (supporto multizona Selezione della banda del dominio).   Con la promozione della strategia sui cereali di base delle patate in Cina, la catena industriale legata alle patate si è sviluppata rapidamente e la qualità delle patate è diventata una questione scottante.Tuttavia, difetti come la buccia verde e i danni meccanici incidono seriamente sulla quantità complessiva di patate, in particolare la forma complessa delle patate con la buccia verde; i difetti non sono facili da identificare e aumentano la difficoltà di rilevamento.Allo stesso tempo, se il contenuto di solanina nella patata verde supera lo standard commestibile, ciò causerà un'intossicazione alimentare e causerà problemi di sicurezza alimentare.Pertanto, è di grande importanza studiare un metodo di rilevamento rapido e non distruttivo per la lavorazione profonda delle patate e l'estensione della catena industriale delle patate.   La tecnologia di imaging iperspettrale presenta i vantaggi di un'ampia gamma di banda e può ottenere contemporaneamente l'immagine e le informazioni spettrali nell'intervallo di banda corrispondente del campione testato, quindi è stata ampiamente utilizzata nei test rapidi non distruttivi dei prodotti agricoli.Per risolvere il problema che la patata con la buccia verde chiaro non è facile da riconoscere in una posizione arbitraria, sono state utilizzate tecniche di imaging iperspettrale a semi-trasmissione e riflessione per confrontare e analizzare ed è stata determinata l'accuratezza del riconoscimento del modello con diversi metodi di imaging iperspettrale .Le immagini iperspettrali semi-trasmesse e iperspettrali riflesse di campioni di patate sono state raccolte in qualsiasi posizione e sono stati stabiliti modelli di rilevamento basati rispettivamente sulle informazioni dell'immagine e sulle informazioni spettrali e sono stati confrontati i tassi di riconoscimento di diversi modelli.Stabilire ulteriormente modelli di fusione di immagini e spettro o diversi modelli di fusione di immagini per migliorare le prestazioni del modello e infine determinare il modello ottimale. (1) Viene confrontata l'accuratezza dei modelli di riconoscimento delle informazioni sull'immagine con diversi metodi di imaging iperspettrale.Il tasso di riconoscimento della mappatura isometrica combinata con il modello di rete di credenze profonde basato su informazioni di immagini semi-trasmesse è solo del 78,67%.Il tasso di riconoscimento dell'espansione della varianza massima combinato con il modello di rete di credenze profonde basato sulle informazioni dell'immagine riflessa è solo del 77,33%.I risultati hanno mostrato che la precisione del rilevamento della patata verde chiaro mediante le informazioni della singola immagine non era elevata. (2) Viene confrontata l'accuratezza dei modelli di riconoscimento delle informazioni spettrali con diversi metodi di imaging iperspettrale.Il tasso di riconoscimento della disposizione dello spazio tangente locale combinato con il modello di rete di credenze profonde basato sulle informazioni dello spettro di semi-trasmissione è il più alto, pari al 93,33%.Il tasso di riconoscimento della disposizione spaziale della tangente locale combinato con il modello di rete di credenze profonde basato sulle informazioni spettrali di riflettanza arriva fino al 90,67%.I risultati mostrano che è possibile utilizzare singole informazioni spettrali per rilevare le patate verde chiaro, ma il tasso di riconoscimento deve essere ulteriormente migliorato. (3) Viene confrontata l'influenza di tre metodi di fusione di informazioni da più fonti sull'accuratezza del riconoscimento.L'accuratezza dei tre modelli di fusione dell'immagine semi-trasmessa e dello spettro semi-trasmesso, dell'immagine riflessa e dello spettro di riflessione, dello spettro semi-trasmesso e dello spettro di riflessione è superiore a quella dell'immagine singola o del modello spettrale e del modello di fusione della rete di credenze profonde di lo spettro semi-trasmesso e lo spettro di riflessione sono i migliori e il tasso di riconoscimento del set di correzione e del set di test è del 100%.I risultati mostrano che il modello di fusione dello spettro di semi-trasmissione e dello spettro di riflessione può realizzare test non distruttivi su patate dalla buccia verde chiaro.

In questo studio, le macchine fotografiche hyperspectral della banda 400-1000nm e 900-1700 nanometro si sono applicati ed i prodotti FS13 e FS15 della tecnologia il Co., srl dello spettro di colori di Hangzhou potrebbero essere usati per la ricerca relativa. L'ampiezza dello spettro è 400-1000nm, la risoluzione di lunghezza d'onda è migliore di 2.5nm e fino a 1200 canali spettrali possono essere raggiunti. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno). La carne pricipalmente include il bestiame ed il pollame ed i prodotti acquatici, le proteine, gli acidi grassi, gli oligoelementi ed altre sostanze importanti di energia stati necessario dal corpo umano sono derivati da carne. Con il miglioramento continuo dei livelli di vita, la gente presta più attenzione alla qualità di alimento e di nutrizione equilibrata nella dieta, ma alcuni commerci illegali mescoleranno una certa carne di bassa qualità in carne di alta qualità, scadente, particolarmente nel 2013 «onda della carne di cavallo» di Europa, hanno avviato la preoccupazione estrema della gente circa adulterazione della carne. I metodi di rilevazione di adulterazione della carne comprendono l'esame organolettico, la tecnologia fluorescente di rilevazione di PCR, l'analisi dell'elettroforesi e la tecnologia enzima-collegata di dosagggio immunologico, ecc., ma la maggior parte di loro richiedono il pretrattamento del campione e l'operazione di prova è complicata e che richiede tempo e è difficili da raggiungere la tempestiva rilevazione in tempo reale di grande dimensione del campione nel campo.   La maggior parte dei rapporti attuali della letteratura hanno usato la tecnologia dell'immagine hyperspectral della unico banda per distinguere l'adulterazione della carne, ma pochi hanno usato due bande per l'analisi comparativa. In questo esperimento, il montone disgelato di alta qualità è stato selezionato come l'adulterante e la carne dell'anatra con il prezzo basso è stata verniciata relativamente. Le informazioni Hyperspectral dei campioni sono state raccolte nelle due bande di vicino all'infrarosso visibile (400 ~ 1 000 nanometro) ed onda corta vicina all'infrarosso (900 ~ 1700 nanometro) e un modello quantitativo sono stati stabiliti selezionando i metodi appropriati di pretrattamento. Il modello ottimale è stato selezionato per l'inversione di immagine e un metodo di visualizzazione per tempestiva rilevazione quantitativa di adulterazione del montone è stato proposto per fornire i dati ed il supporto tecnico per la rilevazione quantitativa di adulterazione del montone. (1) per la banda di 400 ~ 1000 nanometro, la interamente banda SODDISFANNO il modello stabilito dopo che il pretrattamento di normalizzazione ha il più alta accuratezza; Per la banda di 900-1700 nanometro, la interamente banda SODDISFA il modello stabilito dopo che il pretrattamento di SNV ha il più alta accuratezza. Selezionando la lunghezza d'onda delle due bande spettrali nell'ambito del metodo ottimale di pretrattamento, è trovato che il collinearity fra le lunghezze d'onda selezionate è minimo e rappresentativo in base ad eliminare la multicollinearità, che può più ulteriormente migliorare l'accuratezza e la semplicità del modello.   (2) là è più informazioni sui gruppi relativi alla composizione nella carne nella banda di 900-1700 nanometro, che può riflettere meglio le caratteristiche di carne e può essere più adatta ad identificazione di adulterazione della carne. Per ingrandire il comprensività e l'applicabilità del modello, l'esperimento dovrebbe essere esteso allo spettro di vicino infrarosso dell'onda lunga (1 700 ~ 2500 nanometro). Allo stesso tempo, il montone e la carne di alta qualità dell'anatra selezionati nell'esperimento sono stati imballati come prodotti finiti in supermercati locali. Se il modello successivo può applicarsi allo studio su adulterazione del montone in ambienti vari (temperatura, umidità, forma, ecc.), varietà differenti, qualità differenti, i metodi d'alimentazione differenti e la freschezza differente ha bisogno di ulteriori verifica e discussione.  

In questo studio è stata applicata una fotocamera iperspettrale da 900-1700 nm e FS-15, il prodotto di Hangzhou Color Spectrum Technology Co., LTD., potrebbe essere utilizzato per la ricerca correlata.La fotocamera iperspettrale nel vicino infrarosso a onde corte, la velocità di acquisizione dell'intero spettro fino a 200FPS, è ampiamente utilizzata nell'identificazione della composizione, identificazione della sostanza, visione artificiale, qualità dei prodotti agricoli, rilevamento dello schermo e altri campi.        Il pomodoro è un raccolto di bacche dal sapore unico e ricco di una varietà di sostanze nutritive, tra cui glutatione, vitamine, licopene, beta-carotene e altri ingredienti bioattivi, e ha un alto valore nutritivo.Con il rapido sviluppo dell'economia globale, la domanda di pomodori e prodotti per la trasformazione del pomodoro nel mercato dei consumatori è in aumento.Il pomodoro è diventato anche una delle colture orticole e frutticole più coltivate e consumate al mondo.Inoltre, con il miglioramento generale del tenore di vita delle persone, la qualità interna, la qualità dell'aspetto, la qualità di conservazione e trasporto e l'eccellente sapore e gusto dei pomodori sono diventati sempre più importanti per i consumatori e anche l'industria cinese del pomodoro sta affrontando nuove sfide e opportunità .Secondo l'indagine, la maturità e la qualità di conservazione dei pomodori sono molto importanti per l'industria del pomodoro, e la qualità interna dei pomodorini, così come l'eccellente sapore e gusto, sono più preoccupati dai consumatori.Sulla base dello sviluppo e dell'applicazione di big data, la semina automatica, la raccolta meccanizzata e la classificazione intelligente dei pomodori vengono realizzate per ottenere una maggiore produzione ed efficienza dei pomodori.Al momento, ci sono state alcune ricerche sul rilevamento della qualità del pomodoro basate sullo spettro in patria e all'estero, ma nei modelli di rilevamento della qualità del pomodoro esistenti, l'estrazione di informazioni spettrali efficaci è ancora una difficoltà di ricerca e il rilevamento della qualità interna del pomodoro attraverso un'appropriata resta da studiare metodi di controllo non distruttivi.     Nello studio del rilevamento non distruttivo del contenuto solido solubile dei pomodorini basato sulla tecnologia di imaging iperspettrale, sono stati selezionati 191 pomodorini come oggetti di ricerca, sono stati raccolti dati di immagini iperspettrali nell'intervallo 865,11 ~ 1711,71 nm e la regione di interesse di L'immagine iperspettrale dei pomodorini è stata segmentata dall'algoritmo K-means.Lo spettro medio di questa regione è stato estratto come dati spettrali originali del pomodoro ciliegino.MA e MSC sono stati utilizzati per preelaborare i dati spettrali originali e i campioni di pomodorini sono stati divisi in set di addestramento e set di test basati sull'algoritmo KS.Al fine di migliorare l'efficacia delle informazioni contenute nella banda caratteristica, l'algoritmo SPA e l'algoritmo PCA sono stati combinati per eseguire l'analisi delle componenti principali sui dati spettrali, e quindi confrontati con gli algoritmi PCA e miRF, un modello di rilevamento SSC basato su PLSR di cherry tomato è stato stabilito e il modello è stato verificato dai dati del set di test.I risultati mostrano che l'accuratezza del rilevamento del modello basato sulla componente principale estratta da SPA-PCA è ovviamente ottimizzata.Dai risultati di rilevamento dei modelli, tra i tre modelli, il modello SPA-PCA-PLSR ha il miglior effetto di rilevamento, R, 0,9039.L'effetto di rilevamento del modello miRF-PLSR è stato il secondo, RF era 0,8878.L'effetto di adattamento del modello PCA-PLSR è il peggiore.

In questo studio è stata applicata una fotocamera iperspettrale da 400-1000 nm e FS13, un prodotto di Hangzhou Color Spectrum Technology Co., LTD., potrebbe essere utilizzato per la ricerca correlata.La gamma spettrale è di 400-1000 nm, la risoluzione della lunghezza d'onda è migliore di 2,5 nm e si possono raggiungere fino a 1200 canali spettrali.La velocità di acquisizione può raggiungere 128FPS nell'intero spettro e il massimo dopo la selezione della banda è 3300Hz (supporta la selezione della banda multi-regione). I mirtilli, noti anche come mirtilli, frutti blu scuro, bacche, noti anche come bacche blu, sono una delle piccole bacche emergenti in Cina.Grazie alla sua salute unica e al suo valore nutrizionale, ha molti nutrienti necessari al corpo umano, eccellenti proprietà di lavorazione, ecc., ed è stato oggetto di attenzione." La qualità interna dei mirtilli ha un grande impatto sul gusto dei mirtilli e è anche uno degli indicatori importanti per valutare la qualità dei mirtilli.Il metodo di prova tradizionale utilizza generalmente un dispositivo di misurazione per rilevare il contenuto di zucchero e la durezza del mirtillo.A causa del singolo indice di rilevamento, lungo e distruttivo, questi metodi di rilevamento sono difficili da applicare al rilevamento industriale del contenuto di zucchero e della durezza della frutta.Pertanto, è di grande importanza sviluppare un metodo non distruttivo ed efficiente per rilevare il contenuto di zucchero e la durezza del mirtillo in base alla qualità interna.   Durante la ricerca nazionale ed estera sul contenuto di zucchero della frutta e sul rilevamento della durezza, si può vedere che l'uso del metodo di selezione della lunghezza d'onda caratteristica può ridurre efficacemente la dimensione dei dati dell'immagine iperspettrale, ridurre la ridondanza dei dati spettrali, migliorare le prestazioni di calibrazione e l'efficienza di rilevamento del modello e ottenere buoni risultati di previsione.Mostra che questi caratteristici metodi di selezione della lunghezza d'onda possono essere utili per realizzare il rilevamento online della frutta.Tuttavia, questi studi sono principalmente finalizzati alla rilevazione di singoli indicatori e devono essere stabiliti più modelli per rilevare più indicatori di frutta, il che aumenta la complessità dell'elaborazione dei dati.Pertanto, è necessario stabilire un modello per il rilevamento multiindice per risparmiare tempo e migliorare l'efficienza del rilevamento online.In questo studio, la tecnologia di imaging iperspettrale è stata utilizzata per proporre un metodo di selezione della lunghezza d'onda delle caratteristiche multistadio per rilevare sia il contenuto di zucchero che la durezza dei mirtilli nelle immagini iperspettrali.Metodi di selezione della lunghezza d'onda delle caratteristiche come l'algoritmo di proiezione continua o la regressione lineare multipla graduale sono stati utilizzati successivamente per selezionare le lunghezze d'onda delle caratteristiche che potrebbero riflettere sia il contenuto di zucchero che la durezza dei mirtilli e il modello di rete neurale BP è stato utilizzato come modello di rilevamento.Il contenuto di zucchero e la durezza del mirtillo sono stati previsti per realizzare test rapidi e non distruttivi della qualità interna del mirtillo e per fornire una base teorica per la costruzione di test di qualità online del mirtillo.

In questo studio, una macchina fotografica hyperspectral 400-1000nm può essere usata ed i prodotti della tecnologia il Co., srl dello spettro di colori di HangzhouIn questo studio, una macchina fotografica hyperspectral 400-1000nm può essere usata ed i prodotti della tecnologia il Co., srl dello spettro di colori di HangzhouFS13 conduce la ricerca relativa. L'ampiezza dello spettro è 400-1000nm e la risoluzione di lunghezza d'onda è migliore di 2.5nm, fino a 1200Due canali spettrali. L'acquisizione si accelera a 128FPS nello spettro completo, fino a 3300Hz dopo la selezione della banda (supporto a più zoneSelezione della banda di dominio). FS13 conduce la ricerca relativa. L'ampiezza dello spettro è 400-1000nm e la risoluzione di lunghezza d'onda è migliore di 2.5nm, fino a 1200Due canali spettrali. L'acquisizione si accelera a 128FPS nello spettro completo, fino a 3300Hz dopo la selezione della banda (supporto a più zoneSelezione della banda di dominio). Il baco da seta (bombyx mori Linneo) è un insetto economico che mangia il gelso e di seta di rotazioni, in modo da inoltre è chiamato il baco da seta. I bachi da seta sono provenuto in Cina antica e gradualmente sono stati addomesticati dai bachi da seta originali che abitano negli alberi di gelso. Fin da 5.000 anni fa, gli antichi avevano padroneggiato la tecnologia di piantatura del gelso e di allevamento dei bachi da seta. Nei periodi antichi, la sericoltura ha dato i grandi contributi allo sviluppo dell'economia e della cultura. Attualmente, l'industria del baco da seta promuove lo sviluppo dell'economia rurale, migliora il livello di vita degli agricoltori ed è una delle industrie importanti di attività collaterale nella produzione agricola. Inoltre, l'industria del baco da seta è in una posizione principale nel mercato internazionale e svolge un ruolo importante nel commercio mondiale, creante tantissime riserve valutarie per il nostro paese. Di conseguenza, lo sviluppo sostenibile dell'industria del baco da seta ha il valore economico e significato estremamente importanti. La tecnologia chimica tradizionale di rilevazione deve pretrattare i campioni provati, il processo dell'operazione è complicato e molti reagenti chimici sono consumati. L'accuratezza della tecnologia rapida enzimatica di rilevazione è bassa, in modo da può essere usata soltanto per selezione primaria. La tecnologia spettrale di prove non distruttive non è rappresentativa a causa di informazioni unilaterali. Di conseguenza, una prova non distruttiva veloce, affidabile e completa delle foglie del gelso è cercata.   Il metodo di residuo di antiparassitario è di grande importanza nella rilevazione della sicurezza del raccolto. La tecnologia dell'immagine Hyperspectral è una nuova tecnologia di prove non distruttive che combina la tecnologia di spettro e di tecnologia dell'immagine, che presenta i vantaggi di nessuna necessità di distruggere l'oggetto misurato, l'acquisizione completa di informazioni e l'alta accuratezza di rilevazione. In questa carta, la tecnologia dell'immagine hyperspectral combinata con i metodi spettrali di analisi e di elaborazione è stata usata per studiare i residui di antiparassitario in foglie del gelso, non solo per studiare se c'è residui di antiparassitario in foglie del gelso e l'identificazione dei residui di antiparassitario, ma anche per studiare la rilevazione quantitativa dei residui di antiparassitario del clorpirifos in foglie del gelso. Il contenuto della ricerca di questa carta fornisce il supporto tecnico per l'industria di sericoltura e la forte garanzia per il reddito degli agricoltori di sericoltura e promuove lo sviluppo sostenibile ed approfondito dell'industria di sericoltura, che ha il valore teorico estremamente importante e significato pratico. In questa carta, la tecnologia dell'immagine hyperspectral combinata con i metodi spettrali di analisi e di elaborazione è stata usata per individuare quantitativamente il contenuto di clorpirifos in foglie del gelso. Il gelso va con differenti residui del clorpirifos è stato usato come oggetti di prova per ottenere le immagini hyperspectral delle foglie del gelso nell'ordine di 390-1050nm dal toner hyperspectral. Il software di ENVI è usato per determinare la regione di interesse della lama e per calcolare i dati spettrali medii della regione. I coefficienti di correlazione fra i dati spettrali medi dei campioni della foglia del gelso ed i valori chimici corrispondenti determinati dal cromatografo a gas sono stati calcolati e 5 onde sono state selezionate secondo il diagramma di forma d'onda del coefficiente e della lunghezza d'onda di correlazione.   Le lunghezze d'onda che corrispondono ai picchi ed alle depressioni sono usate come lunghezze d'onda caratteristiche (561,25, 680,86, 706,58, 714,32, 724.66nm). Sulla base dei dati spettrali alla lunghezza d'onda caratteristica, un modello di rilevazione quantitativo dei residui della foglia del gelso è stato stabilito usando la regressione lineare e la regressione multiple di vettore di sostegno. La correzione ha messo il ² di coefficiente R della determinazione del modello di previsione di TUS è 0,730, l'errore quadratico medio RMSEC è 38,599 e la previsione ha fissato il coefficiente R della determinazione è ottenuta. È 0,637 e l'errore quadratico medio RMSEP è 47,146. La correzione ha fissato il coefficiente R3 della determinazione è 0,920, l'errore quadratico medio RMSEC è 21,073, la previsione ha fissato il coefficiente R3 della determinazione è 0,874 e l'errore quadratico medio RMSEP è 27,719. Con analisi comparativa: Il modello di previsione di SVR ha prestazione migliore che il modello di previsione di TUS, in modo dalla tecnologia dell'immagine hyperspectral di visione-vicino-infrarosso combinata con il modello di previsione di SVR può essere utilizzata a rilevazione non distruttiva dei residui del clorpirifos nelle foglie del gelso.

In questo studio, una macchina fotografica hyperspectral 400-1000nm può essere usata e FS13, un prodotto della tecnologia il Co., la srl, srl di Hangzhou CHNSpec, può essere usato per la ricerca relativa. L'ampiezza dello spettro è 400-1000nm, la risoluzione di lunghezza d'onda è migliore di 2.5nm e fino a 1200 canali spettrali possono essere raggiunti. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno). Le sostanze nutrienti principali dei mangimi composti includono l'acqua, la cenere, la proteina grezza, il calcio, fosforo totale ecc. La rilevazione delle sostanze nutrienti principali di alimentazione è un collegamento tecnico indispensabile nel processo di produzione e mezzi importanti per assicurare la qualità dei prodotti dell'alimentazione. Il metodo di analisi e di rilevazione di alimentazione è la base del suo controllo di qualità. Attualmente, il metodo di analisi chimica tradizionale è usato generalmente per determinare le sostanze nutrienti principali di mangimi composti. Il metodo tradizionale di determinazione è spesso che richiede tempo ed ad alto contenuto di manodopera, con conseguente ritardo, mentre il costo della determinazione è alto ed alcuni anche devono distruggere il campione stesso, che inoltre ha più alti requisiti degli operatori e dei laboratori. per esplorare un metodo per tempestiva rilevazione delle sostanze nutrienti principali di mangimi composti, completamente promuoverlo ed applicare alla prova ed all'analisi reali delle imprese dell'alimentazione, che ha l'alto sociale e benefici economici per il miglioramento del tasso di rilevazione e la promozione dello sviluppo del livello difficile di mangimi composti. La rilevazione Hyperspectral di immagine è un insieme alta tecnologia di dispositivo ottico del computer e di rilevazione spettrale, l'uso della tecnologia hyperspectral di immagine ottenere le informazioni del campione contiene tantissime informazioni spettrali del blocchetto di immagine tridimensionale, non solo ha un'alta risoluzione spettrale e le informazioni spettrali estratte dall'immagine possono essere usate per individuare la qualità interna del campione. Di conseguenza, la tecnologia hyperspectral di rilevazione di immagine sempre più è favorita dagli studiosi nel paese ed all'estero ed è stata ampiamente usata nella rilevazione di qualità dei prodotti agricoli, ma la ricerca di applicazione in mangimi composti è riferita raramente. In questo studio, la tecnologia hyperspectral di immagine è stata usata per ottenere un modello informazioni spettrali visibili/vicine all'infrarosso dei campioni sperimentali di mangimi composti e dell'analisi quantitativa delle sostanze nutrienti principali in mangimi composti, quale umidità, cenere, proteina grezza, calcio e fosforo totale, è stata stabilita usando i metodi stechiometrici ed il modello è stato verificato, mirante ad esplorare la possibilità di usando la tecnologia dell'immagine hyperspectral per individuare le sostanze nutrienti principali in mangimi composti. Inoltre fornisce una nuove idea e base per la tempestiva rilevazione di mangimi composti. In questo studio, la tecnologia hyperspectral di immagine è stata usata per stabilire i modelli dell'analisi quantitativa di proteina grezza, cenere grezza, l'acqua, fosforo e contenuto totale del calcio in mangimi composti per mezzo di rimozione di campione anormale, divisione dell'insieme del campione, pretrattamento spettrale ottimale e selezione caratteristica della banda, combinati con parziale la stechiometria minima. I modelli sono stati verificati. L'insieme del campione della proteina grezza diviso con il metodo di SPXY e l'insieme grezzo del campione della cenere diviso con il metodo di CG, combinato con la combinazione di asse, di FD e di SNV, il modello dell'analisi quantitativa stabilito nella banda caratteristica ha il migliore effetto. La correzione ha fissato il coefficiente R& della determinazione del modello ottimale della proteina grezza è 0,8373, l'errore quadratico medio RMSEC è 2,1327%, l'errore relativo RPDc dell'analisi è 2,4851, la convalida ha messo rv è 0,7778, RMSEP è 2,6155% e RPDv è 2,1143. La cenere grezza ottimale R&, RMSEC 1,0107%, RPDc 2,2064, rv 0,7758, RMSEP 1,0611% e RPDv 2,1204 è stata ottenuta. I modelli dell'analisi quantitativa di proteina grezza e prestazione premonitrice di manifestazione grezza della cenere sia di buona che possono essere usati per l'analisi quantitativa pratica. L'insieme del campione di acqua diviso con il metodo di CG combinato con pretrattamento di asse, dell'OSCILLATORE e di Detrend ha il migliore effetto nella banda caratteristica. Il suo RE dell'insieme di correzione è 0,6470, RMSEC è 1,8221%, RPD è 1,6849, relè dell'insieme di convalida è 0,6314, RMSEP è 1,6003%. RPDv è 1,9371, sebbene il modello possa essere utilizzato nell'analisi quantitativa pratica, la sua accuratezza di previsione ancora deve essere più ancora ottimizzato. I risultati del modello dell'analisi quantitativa ottenuto dall'insieme totale del campione del fosforo diviso con il metodo di CG combinato con i metodi di pretrattamento di asse, di FD e di SNV erano ottimali. Il rapporto di RS, di RMSEC e di RPD del modello ottimale era 0,6038, 0,1656% e 1,5700, rispettivamente. Gli insiemi R9, RMSEP e RPD/di convalida sono 0,4672, 0,1916% e 1,3570, rispettivamente. I parametri di prestazione sia del modello di correzione che del modello di convalida sono poveri, indicando che il modello ha attendibilità previsionale difficile e non può essere utilizzato nell'analisi quantitativa reale. Dopo pretrattamento dell'insieme del campione del calcio diviso con il metodo di CG e combinato con asse, l'OSCILLATORE ed il metodo di Detrend, il modello dell'analisi quantitativa stabilito nella sua banda caratteristica ha il migliore effetto, il RB del modello ottimale è 0,4784 e l'insieme R≈ di verifica è soltanto 0,4406. L'effetto di previsione del modello è povero e non può applicarsi nell'analisi pratica. L'accuratezza di previsione del modello ottimale dell'analisi quantitativa della proteina grezza basato sulla tecnologia hyperspectral di immagine è il meglio e la prestazione di previsione del modello grezzo della cenere è la seconda ed entrambi possono essere utilizzati esattamente nella rilevazione pratica. L'accuratezza di previsione del modello ottimale dell'analisi quantitativa dell'acqua dovrebbe essere migliorata. Tuttavia, il modello ottimale dell'analisi quantitativa di fosforo e di calcio totali ha prestazione premonitrice difficile e non può essere usato per rilevazione pratica.

In questo studio, una macchina fotografica hyperspectral 400-1000nm si è applicata e FS13, un prodotto della tecnologia il Co., srl di Hangzhou CHNSpec, potrebbe essere usato per la ricerca relativa. L'ampiezza dello spettro è 400-1000nm, la risoluzione di lunghezza d'onda è migliore di 2.5nm e fino a 1200 canali spettrali possono essere raggiunti. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno). La capsula dura vuota della gelatina medicinale è un genere di eccipienti medicinali speciali, in cui il contenuto del cromo è un indice importante della prova stipulato dalla norma nazionale di salute. Le capsule con l'eccessivo contenuto del cromo comunemente sono conosciute come «capsule tossiche» e sono molto tossiche al corpo umano. Attualmente, il contenuto del cromo è determinato con il metodo tradizionale dell'analisi chimica. Il metodo di rilevazione tradizionale del cromo è che richiede tempo, l'attrezzatura è costosa, l'uso di un gran numero di digestione di acido nitrico è facile da causare l'inquinamento secondario e l'operazione dello strumento ha bisogno del personale professionale di completare. Di conseguenza, l'elaborazione di un metodo conveniente e rapido per la tempestiva rilevazione del contenuto del cromo in capsule medicinali ha il significato dell'applicazione e prospettiva importanti del mercato.   Sulla base della possibilità di rilevazione hyperspectral dei metalli pesanti, questa carta usa la spettrometria per assorbimento atomico convenzionale per paragonare i risultati raccolti di MEHGC normale e di MEHGC all'eccessivo contenuto del cromo, quindi raccoglie due generi di dati di MehGC con l'analisi hyperspectral e l'analisi delle componenti principali di usi (APC) e parziale metodo minimo per analizzare i dati hyperspectral ed infine stabilisce il modello pertinente. per realizzare la rilevazione qualitativa «delle capsule del veleno».   Poiché i dati hyperspectral sono composti di immagini multiple della banda, ogni immagine può essere considerare come una caratteristica. Se i dati hyperspectral sono ridotti dimensionale, i dati originali saranno cambiati ad un nuovo sistema di coordinate per massimizzare la differenza fra i dati di immagine ed il risultato sarà molto differente dall'immagine originale. Questa tecnica è molto efficace per il miglioramento del contenuto di informazioni, l'isolazione del rumore e la riduzione delle dimensioni di dati. Le prime 4 componenti principali ottenute dopo riduzione di dimensionalità di APC delle immagini hyperspectral sono indicate nella figura 1. Il vantaggio delle immagini hyperspectral è che ci sono non solo informazioni di immagine, ma anche informazioni spettrali. Per ottenere le informazioni spettrali, la regione di interesse è selezionata per ogni campione ed ogni regione di interesse ha sua curva di risposta spettrale. dovuto la differenza a colori fra il cappuccio della capsula ed il corpo della capsula, per eliminare l'influenza di colore sul risultato, due regioni di interesse sono state selezionate per ogni capsula (una sul cappuccio della capsula ed una sul corpo della capsula). Le regioni di interesse potrebbero essere selezionate a caso sull'immagine hyperspectral della capsula ed il numero dei pixel in ogni regione ha variato da 2 a 6. I dati spettrali finali per la regione di interesse sono calcolati come la media di tutti i pixel nella regione. Le curve spettrali di 4 regioni differenti (capsule e cappucci delle capsule normali e «delle capsule tossiche» rispettivamente) sono indicate nella figura 2. Nei dati hyperspectral di 450~900 nanometro, i dati spettrali della capsula normale e «la capsula tossica» sono stati ottenuti selezionando la regione di interesse, che è stato normalizzato in primo luogo e poi la riduzione di dimensione di dati e l'analisi discriminante sono state condotte da PLEASE-DA. Quando quattro operatori sono stati selezionati PREGO come caratteristiche dell'input, il tasso di riconoscimento di capsula normale e «di capsula tossica» ha raggiunto 100%. La specificità e la sensibilità sono inoltre 100%; Può essere visto che le capsule normali e «le capsule tossiche» possono essere distinte con il metodo di distinzione di PLEASE-DA. Facendo uso della tecnologia hyperspectral di immagine individuare «le capsule del veleno» può notevolmente ridurre la complessità dei metodi tradizionali.   Inoltre, per migliorare la fiducia, i campioni devono essere esaminati in un'più ampia gamma, quali la fluorescenza o l'ultravioletto. Mentre qualitativamente conduce «la capsula del veleno», è necessario inoltre da condurre la ricerca quantitativa, che può studiare la possibilità di fare i modelli della gelatina con il contenuto differente del cromo, scopra il modello di correlazione fra il contenuto del cromo del modello ed i dati spettrali ed usi questo modello per predire il contenuto di metalli pesanti del cromo «della capsula del veleno» sconosciuta. In considerazione dell'impatto successivo «dell'incidente della capsula del veleno», i campioni sono difficili da trovare, ma per migliorare l'efficacia della prova, è necessario da usare vari campioni della capsula con il contenuto del cromo.

In questo studio, una macchina fotografica hyperspectral 400-1000nm può essere usata e FS13, un prodotto della tecnologia il Co., srl di Hangzhou CHNSpec, può essere usato per la ricerca relativa. L'ampiezza dello spettro è 400-1000nm e la risoluzione di lunghezza d'onda è migliore di 2.5nm, fino a 1200 Due canali spettrali. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno). Il sorgo è una delle raccolte per uso alimentare importanti in Cina, a causa delle sue sostanze nutrienti ricche nel grano nell'industria enologica ha «buon vino non può essere separato attualmente un giudizio incisivo dal grano rosso», la domanda annuale di fino a 20 milione T., le varietà principali di sorgo del vino è Luzhou rosso, Qinghuyang, no. 7 di Runuo e l'altro sorgo glutinoso con il contenuto amilaceo elevato. Poiché ci sono molti generi di sorgo e di aree di produzione differenti, il contenuto di amido, di proteina, di grasso e di tannino nel grano è molto differente, che conduce alle grandi differenze nel sapore, nello stile, nella qualità e nel rendimento di liquore. Può essere visto che l'identificazione accurata ed efficiente delle varietà del sorgo prima dello stoccaggio in lotti delle materie prime del sorgo ha un significato guidante molto importante per la produzione di liquore di alta qualità, che può controllare il processo di produzione quale il periodo di grano di ribollimento, consumo di acqua e grano di cottura a vapore durante il processo facente. I metodi tradizionali dell'identificazione pricipalmente comprendono l'identificazione empirica manuale e la rilevazione di campionamento biologica. Il precedente è conforme ad influenza soggettiva, a basso rendimento ed a difficile formare una norma unificata, mentre l'ultimo è ingombrante, che richiede tempo e laborioso. Entrambi non possono soddisfare le esigenze delle imprese moderne del liquore dell'identificazione del sorgo, in modo da è urgente trovare un metodo veloce, accurato e semplice di classificazione e di rilevazione di varietà del sorgo. L'obiettivo di questo studio è di classificare 11 varietà del sorgo riunendo le informazioni spettrali e le informazioni di immagine ed identifica le varietà differenti del sorgo per l'ottimizzazione dei metodi hyperspectral di apprendimento automatico e della tecnologia con il confronto e la verifica esterna, in modo da migliorare la loro accuratezza ed efficienza nell'applicazione.   Le curve spettrali originali di 550 campioni di 11 categoria di sorgo e le curve spettrali dopo che il pretrattamento del MSC è indicato nella figura 1. Ogni colore rappresenta una categoria differente. In questa carta, l'identificazione di 11 varietà di sorgo è stata studiata basata sulla combinazione di informazioni hyperspectral di immagine e di spettro. Le immagini hyperspectral di sorgo sono state raccolte, 48 lunghezze d'onda della caratteristica sono state scelte dagli spettri dopo il MSC che preelabora dall'algoritmo della STAZIONE TERMALE e poi le caratteristiche di struttura delle immagini sono state estratte. I modelli di classificazione di SVM, di PLEASE-DA e dell'OLMO sono stati stabiliti in base alle caratteristiche di struttura, spettro completo, spettro della caratteristica e le loro informazioni riunite di immagine, rispettivamente. Per concludere, i dati non non in questione nella modellistica sono stati usati per la verifica esterna. I risultati indicano che il modello di classificazione di SVM basato sulla combinazione di caratteristiche di spettro e di struttura della caratteristica ha il migliore effetto. Il tasso di riconoscimento corretto dell'insieme della prova è 95,3% e l'accuratezza dell'insieme di verifica è 91,8%. La combinazione di spettro visibile e di immagine può efficacemente realizzare il riconoscimento rapido del sorgo del vino e migliorare l'accuratezza del riconoscimento del modello. Ciò fornisce una base teorica per la rilevazione delle materie prime fare differenti e la realizzazione di fare l'automazione.

In questo studio, una macchina fotografica hyperspectral 400-1000nm è stata usata per individuare l'interno della noce e FS-13, un prodotto della tecnologia il Co., srl di Hangzhou CHNSpec, potrebbe essere usato per la ricerca relativa. Per individuare la superficie della noce nell'ampiezza dello spettro di 800-1700nm, la macchina fotografica hyperspectral FS-15 nell'ampiezza dello spettro di 900-1700nm può essere usata con risoluzione di lunghezza d'onda meglio di 2.5nm e di fino a 1200 canali spettrali. La velocità di acquisizione può raggiungere 128FPS nello spettro completo ed il massimo dopo che la selezione della banda è 3300Hz (selezione multiregionale della banda di sostegno). Le noci sono un alimento del dado adatto a tutte le età e una coltura oleaginosa legnosa importante. L'area ed il rendimento di piantatura delle noci nel rango primo della Cina nel mondo. La qualità che prova e che classifica dei noccioli della noce è un collegamento importante nella produzione e nell'elaborazione della noce. Secondo le norme nazionali pertinenti, gli indicatori di qualità dell'aspetto dei noccioli della noce comprendono l'integrità ed il colore della pelle, mentre gli indicatori interni di qualità comprendono il contenuto proteico e del contenuto di grassi. Nella produzione reale, il nocciolo della noce che classifica pricipalmente conta sulla selezione manuale dell'aspetto e del colore, che ha gli alti costi di produzione ed alta casualità nella classificazione, rendente la difficile distinguere la qualità interna. La prova chimica tradizionale è distruttiva ai campioni e richiede molto tempo individuare, rendendolo difficile adattarsi alle esigenze della produzione moderne. Attualmente, la ricerca sull'uso della tecnologia hyperspectral per rilevazione di qualità della noce pricipalmente mette a fuoco sulla classificazione delle coperture e dei noccioli della noce e non ci sono stati rapporti pertinenti sulla qualità dei noccioli della noce. Per esplorare un metodo per realizzare simultaneamente la rilevazione di qualità e la classificazione interne dell'aspetto del nocciolo della noce, questo studio ha usato la tecnologia dell'immagine hyperspectral per schermare gli spettri caratteristici del contenuto di grassi, il contenuto proteico ed il colore del nocciolo della noce e schermato fuori le bande caratteristiche pertinenti degli indicatori di qualità per fornire il riferimento per l'applicazione di prova non distruttiva della qualità del nocciolo della noce. Le informazioni spettrali medie dei campioni del nocciolo della noce nella regione vicina all'infrarosso (863-1704 millimetri) e le informazioni spettrali pre elaborate sono indicate nella figura 3. Le caratteristiche globali delle informazioni spettrali originali dei campioni sono basicamente coerenti, eccezione fatta per i picchi di assorbimento dell'acqua, i picchi di assorbimento di altre componenti non sono ovvi e più ulteriore la trasformazione degli spettri è necessaria. Il metodo di preelaborazione che combina MSE e SNV elimina l'influenza di un certo rumore di fondo, facente le informazioni spettrali della lisciatrice del campione. Allo stesso tempo, avanza migliora la consistenza di informazioni spettrali, evidenzia i picchi e le valli spettrali e rinforza le caratteristiche spettrali. La classificazione del grado di aspetto del nocciolo della noce basata sulle caratteristiche spettrali di immagine e di informazioni. Figura 6 mostra la curva spettrale media dei campioni a tre colori del nocciolo della noce nella luce visibile e nelle regioni vicine all'infrarosso delle onde corte (382~1027nm). Poiché il rumore nei segmenti anteriori e posteriori dello spettro ha un grande impatto, 20 punti di banda di frequenze nei segmenti anteriori e posteriori sono rimossi. Da figura 6, può essere visto che nello spettro originale, la riflettanza spettrale dei campioni del nocciolo della noce con tre colori differenti mostra una tendenza verso il basso significativa nella gamma leggera visibile come i cambiamenti di colore da luce a profondo e lo spettro è relativamente disordinato nella gamma vicina all'infrarosso. Le informazioni spettrali preelaborate tramite la combinazione di metodi di SNV e del MSC mostrano la determinate regolarità e consistenza nella riflettanza spettrale, che è utile per l'elaborazione spettrale successiva. Facendo uso di tecnologia dell'immagine hyperspectral, un metodo per la rilevazione della qualità interna ed esterna dei noccioli della noce è stato studiato. Dalla combinazione spettrale e dalle informazioni di immagine, la proteina e la previsione del contenuto di grassi dei noccioli della noce e di classificazione di qualità dell'aspetto basati su integrità e su colore sono state raggiunte. I risultati indicano che la combinazione di metodo di algoritmo delle AUTOMOBILI e di coefficiente di correlazione efficacemente rimuove le informazioni irrilevanti e ridondanti nella banda spettrale piena. Rispetto alla banda spettrale piena, la convalida ha messo la R del modello di previsione della banda della caratteristica per il ² del contenuto proteico da 0,66 a 0,91, RMSEP ha fatto diminuire 1,37% - 0,78%; L'insieme R di convalida per il ² del contenuto di grassi da 0,83 a 0,93, RMSEP ha fatto diminuire 0,98% - 0,47%, indicando che le bande selezionate della caratteristica efficacemente hanno ridotto la complessità del modello ed hanno migliorato la sua attendibilità previsionale. Combinando gli spettri della caratteristica di differenza di colore con i parametri di caratteristica statistici di immagine, gli spettri di banda totali della caratteristica di differenza di colore sono stati estratti dalle immagini hyperspectral, che possono ridurre significativamente l'interferenza di informazioni ridondanti e migliorare la modellistica dell'efficienza. Combinando lo spettro di banda totale della caratteristica di differenza di colore con i parametri di caratteristica statistici di immagine, l'accuratezza di classificazione più ulteriormente è migliorata confrontata alla banda di RGB. Nel usando il modello di classificazione di colore stabilito dall'algoritmo di distacco, il modello ha il più alta accuratezza di classificazione (98,6%). L'uso delle immagini hyperspectral ha raggiunto simultaneamente la rilevazione dei parametri interni di qualità (contenuto proteico, contenuto di grassi) e la classificazione di qualità dell'aspetto (integrità, colore) dei noccioli della noce, fornenti una nuova soluzione per l'applicazione di prova non distruttiva della qualità del nocciolo della noce.    

Ritorniamo a scienza della scuola elementare. Ciò è lo spettro visibile - la luce che possiamo vedere con i nostri occhi nudi - ma una piccola parte dello spettro elettromagnetico. Ciò è lo spettro elettromagnetico. Comincia con i raggi gamma a sinistra l'estrema sinistra ed i viaggi alla destra via i raggi x, le microonde e le onde radio. Lo spettro visibile minuscolo fra ultravioletto ed infrarosso è la sola parte dello spettro che gli esseri umani possono vedere ad occhio nudo, a meno che OBAs sia implicato. OBAs assorbe una parte della luce ultravioletta invisibile e ri-la emette come luce blu. Ciò ha riflesso la luce blu fa il tessuto sembrare più luminoso e più bianco. Cortesia di immagine di Wikipedia. Questa immagine mostra le lunghezze d'onda visibili a destra e la regione ultravioletta a sinistra. I brillantanti ottici funzionano assorbendo questi raggi UV e riassorbendoli nella regione dello spettro che è visibile all'occhio umano.

La brillantezza è una grandezza fisica che valuta la capacità della superficie di un materiale di riflettere la luce.In quanto caratteristica della superficie di un oggetto, la lucentezza dipende dalla capacità di riflessione speculare della superficie alla luce.La riflessione speculare si riferisce al fenomeno di riflessione per cui l'angolo di riflessione è uguale all'angolo di incidenza.La lucentezza è una quantità fisica che valuta la capacità di una superficie di un materiale di riflettere la luce in un insieme di condizioni geometricamente specificate.Esprime quindi la proprietà di riflessione con selezione direzionale.In base alle caratteristiche della lucentezza, la lucentezza può essere suddivisa in diverse categorie.Di solito diciamo che la lucentezza si riferisce a "lucentezza a specchio", quindi misuratore di lucentezza, a volte chiamato anche misuratore di lucentezza a specchio. La lucentezza è misurata in base alla quantità di luce riflessa dalla superficie rispetto allo standard di riferimento del vetro lucidato.La quantità di luce riflessa da una superficie dipende dall'angolo di incidenza e dalla natura della superficie.L'unità di misura della brillantezza è un'unità di brillantezza (GU).Minore è la GU, minore è il riflesso della brillantezza.Maggiore è il GU, maggiore è la brillantezza riflessa. La lucentezza è suddivisa in finiture opache, semilucide e lucide.L'angolo misurato è l'angolo tra la luce incidente e la luce riflessa.Tre angoli di misurazione (20º/60º/85º) sono specificati per coprire la maggior parte delle applicazioni di rivestimento industriale.Per determinare o selezionare l'angolo giusto per soddisfare le proprie esigenze, utilizzare un glossometro per misurare l'angolo a 60º e selezionare l'angolo all'interno dell'intervallo di lucentezza desiderato.