下载文档原格式
马铃薯块茎中还原糖测定的一种方法下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!马铃薯块茎中还原糖的测定方法——斐林试剂法马铃薯，作为全球广泛种植的农作物，其营养价值丰富，其中的还原糖是衡量其品质的重要指标之一。
马铃薯内外品质无损检测技术的研究进展目录1. 内容概括 (2)1.1 检测技术的重要性 (2)1.2 马铃薯的内在品质与外在品质分析 (3)1.3 无损检测技术的现状与展望 (4)2. 马铃薯内在品质检测技术 (5)2.1 近红外 spectroscopy (6)2.1.1 NIRS的原理与特点 (7)2.1.2 NIRS在马铃薯品质检测中的应用 (8)2.2 液相色谱-质谱联用法 (9)2.3 分子标记技术 (10)2.3.1 分子标记的原理 (11)2.3.2 分子标记在马铃薯品质检测中的应用 (12)3. 马铃薯外在品质检测技术 (13)3.1 视觉图像分析 (15)3.1.1 图像处理技术 (16)3.1.2 图像分析在马铃薯品质检测中的应用 (18)3.2 近红外成像技术 (19)3.2.1 NIRI的原理 (20)3.2.2 NIRI在马铃薯品质检测中的应用 (21)3.3 X射线成像技术 (22)3.3.1 X射线成像原理 (23)3.3.2 X射线成像在马铃薯品质检测中的应用 (24)4. 马铃薯的整体无损检测系统 (25)4.1 系统集成技术 (27)4.1.1 数据融合技术 (28)4.1.2 控制系统设计 (29)4.2 典型集成系统案例分析 (30)4.2.1 国内外案例介绍 (31)4.2.2 集成系统性能评估 (33)5. 结束语 (34)5.1 研究展望 (34)5.2 技术创新与发展策略 (35)1. 内容概括本研究主要综述了近年来马铃薯内外品质无损检测技术的研究进展，旨在为马铃薯质量和安全性评估提供一个高效、快速且实用的非破坏性检测方法。
马铃薯是世界上最重要的蔬菜和粮食作物之一，其品质直接关系到消费者的健康和食品供应的安全。
传统的马铃薯质量检测依赖于破坏性方法，不仅耗时且存在一定的损害风险。
发展一种既能保证马铃薯内外品质检测的精确性，又能避免对其进行物理破坏的方法，具有重要的实践意义。
生姜中姜黄素含量检测方法的改进研究引言：生姜是一种常见的调味品和中药材，在传统医学中被广泛应用于治疗消化不良、感冒发热等疾病。
姜黄素是生姜中的一种重要成分，具有抗氧化、抗炎、抗肿瘤等多种生物活性。
因此，精确测定生姜中姜黄素含量对于保证生姜药效的质量和安全至关重要。
本文旨在探讨生姜中姜黄素含量检测方法的改进研究。
1. 传统色谱法的不足传统的姜黄素含量检测方法主要依赖于色谱分析技术，如高效液相色谱（HPLC）和气相色谱（GC）。
这些方法通常需要复杂的样品前处理步骤，如提取、纯化和富集，耗时且操作复杂。
此外，传统色谱方法的分析效果还受到许多因素的影响，如样品的复杂性、分离成分的选择和分析条件的优化等。
因此，对于未经优化的样品，传统色谱法的灵敏度和准确性可能无法满足需求。
2. 基于液相质谱法的改进研究近年来，随着科技的进步，液相质谱法（LC-MS）逐渐成为生物样品分析的常用方法之一。
相比传统色谱法，LC-MS具有更高的分辨率和选择性，可以准确测定复杂样品中的成分。
在生姜中姜黄素含量的测定中，LC-MS可以通过结合质谱的灵敏度和选择性来提高测定的准确性。
3. 新型样品前处理方法的探索传统的样品前处理方法往往包括冰醋酸提取、回流提取和固相富集等步骤。
这些方法不仅复杂，还可能引入一些干扰物质。
因此，研究人员开始寻找新的样品前处理方法来改进姜黄素的检测。
例如，近年来有学者提出了超声波辅助提取、微波辅助提取和固相微萃取等新技术，可以有效提高提取效率并减少样品损失。
4. 新型质量标准的建立为了提高生姜中姜黄素含量的检测准确性和可靠性，必须建立一套合理的质量标准体系。
目前，关于生姜中姜黄素的质量标准主要以国家药典和相关行业标准为依据。
然而，由于生姜产地和品种的差异，这些标准可能无法满足各地区和不同种类生姜的检测要求。
因此，建立一套全面、准确的质量标准还是一个亟待解决的问题。
5. 可追溯性和质量控制的重要性姜黄素作为一种药物成分，其质量控制非常重要。
第34卷第1期农业工程学报V ol.34 No.12018年1月Transactions of the Chinese Society of Agricultural Engineering Jan. 2018 149 高光谱图像检测马铃薯植株叶绿素含量垂直分布孙红1，郑涛1，刘宁1，程萌1，李民赞1※，Zhang Qin2（1. 中国农业大学“现代精细农业系统集成研究”教育部重点实验室，北京 100083；2. 美国华盛顿州立大学精细农业及农业自动化研究中心，WA，99350.）摘要：为了检测马铃薯作物叶绿素含量，该文按照叶片垂直分布位置采集马铃薯叶片样本的成像高光谱数据，提取并计算了400个划分区域的平均光谱，使用手持式SPAD-502叶绿素仪测定了相应位置的SPAD（soil plant analysis development）值。
采用标准正态变量校正（standard normal variate，SNV）方法对光谱数据进行预处理，分析了开花期植株自下而上垂直叶位间光谱和叶绿素分布关系，其光谱反射率在382～700 nm区间随叶位的升高反射率增加（上>中>下），在700～1 019 nm范围下叶位反射率高于上部和中部叶位（下>上>中），且SPAD均值依次为36.41、43.11、47.04。
分别采用相关系数分析法和随机蛙跳（random frog，RF）算法筛选叶绿素含量敏感波长，并建立偏最小二乘回归（partial least squares regression，PLSR）模型。
结果如下：基于相关系数分析法筛选的12个敏感波长主要位于530～550和706～708nm 范围，建模精度R C2为0.7 588，验证精度R V2为0.5 773；基于random frog算法筛选的11个敏感波长（554.62、560.26、575.04、576.35、595.09、604.7、649.44、731.8、752.78、786.38、789.97 nm），建模精度R C2为0.8 423，验证精度R V2为0.7 676。
番薯还原糖和总糖含量的测定却志群;易文奇;陈纪鹏;吴姜澳【摘要】为了测定比较不同品种番薯的含糖量,以两种番薯品种(紫心番薯、白心番薯)为材料,利用3,5-二硝基水杨酸(DNS)比色法分别测定其还原糖和总糖的含量.结果表明,紫心番薯的还原糖含量是11.69％,白心番薯的还原糖含量为7.94％,还原糖含量紫心番薯高于白心番薯;而它们的总糖含量分别为:21.30％、16.05％,紫心番薯的总糖含量仍高于白心番薯的总糖含量.为不同品种番薯后期的合理加工利用提供参考.【期刊名称】《宜春学院学报》【年(卷),期】2016(038)012【总页数】4页(P85-88)【关键词】3,5-二硝基水杨酸(DNS);番薯;总糖;还原糖【作者】却志群;易文奇;陈纪鹏;吴姜澳【作者单位】宜春学院生命科学与资源环境学院,江西宜春336000;宜春学院化学与生物工程学院,江西宜春336000;宜春学院生命科学与资源环境学院,江西宜春336000;宜春学院生命科学与资源环境学院,江西宜春336000【正文语种】中文【中图分类】S565.4番薯 (学名:Ipomoea batatas(L.)Lam.)属管状花目，旋花科一年生草本植物，又名红玉、甘薯等。
它富含蛋白质、果胶、纤维素等多种营养物质，有预防肺气肿、保护心脏、抗癌等功效，被人们称为“抗癌大王”和“长寿食品”［1］。
随着现代社会食品观念由“饱餐型”向“营养型”的转变，番薯日渐受到人们的青睐，需求量也日益增加，市场上呈现周年供应的现象。
番薯中糖含量的高低，直接影响其口味和营养价值［2］。
同时，其还原糖含量的高低更影响后期地加工，比如:番薯片和番薯饼干制作中，番薯自身还原糖含量太高是不利于其加工和改造的。
另外，在社会经济不断发展的背景下，人们的生活水平得到了进一步的提高，糖的摄入量也成为人们生活中一个关注点。
科学研究显示，过量摄入糖分易引起肥胖、龋齿以及糖尿病等，食物含糖量测定工作的重要性日益凸显。
基于高光谱技术的马铃薯外部品质检测邓建猛;王红军;黎邹邹;黎源鸿【期刊名称】《食品与机械》【年(卷),期】2016(032)011【摘要】为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。
选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。
对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM 判别模型对校正集的交叉验证率为99.5%,高于 SPA-SVM 判别模型的交叉验证率。
利用高光谱成像技术结合SPA-SVM 和 WWM-SVM 对马铃薯外部品质进行分级具有可行性。
【总页数】5页(P122-125,211)【作者】邓建猛;王红军;黎邹邹;黎源鸿【作者单位】华南农业大学工程学院，广东广州510642;华南农业大学工程学院，广东广州 510642;华南农业大学工程学院，广东广州 510642;华南农业大学工程学院，广东广州 510642【正文语种】中文【相关文献】1.高光谱图像技术结合图像处理方法检测马铃薯外部缺陷 [J], 苏文浩;刘贵珊;何建国;王松磊;贺晓光;王伟;吴龙国2.近红外高光谱图像技术在马铃薯外部缺陷检测中的应用 [J], 苏文浩;何建国;刘贵珊;王松磊;贺晓光;吴龙国3.高光谱成像技术对鲜枣内外部品质检测的研究 [J], 薛建新;张淑娟;张晶晶4.农产品外部品质无损检测中高光谱成像技术的应用研究进展 [J], 孙佳馨5.基于高光谱成像技术的马铃薯外部缺陷检测 [J], 周竹;李小昱;陶海龙;高海龙因版权原因，仅展示原文概要，查看原文内容请购买。
马铃薯品质无损检测技术研究进展吴佳;汤全武;史崇升;王健;李秩期【期刊名称】《食品与机械》【年(卷),期】2014(030)003【摘要】随着马铃薯产量的加大及其加工业的快速发展,马铃薯品质无损检测技术的研究对保障马铃薯加工和深加工业快速安全的发展起到了至关重要的作用.针对马铃薯内外品质的检测,包括大小、形状、颜色、病斑、腐烂、机械损伤等外部缺陷和马铃薯干物质含量、空心、黑色心腐等内部缺陷,分别从超声波检测技术、机器视觉检测技术、近红外检测技术、高光谱检测技术4个方面入手,并结合多种化学计量学方法及统计学方法分析国内外的研究现状,同时为满足马铃薯实时、高效的在线检测,提出建立完善的马铃薯高光谱检测技术理论,而在实际生产加工环节采用机器视觉与多光谱技术代替高光谱成像技术的新思路.【总页数】5页(P257-260,271)【作者】吴佳;汤全武;史崇升;王健;李秩期【作者单位】宁夏大学物理电气信息学院,宁夏银川 750021;宁夏大学物理电气信息学院,宁夏银川 750021;宁夏大学物理电气信息学院,宁夏银川 750021;宁夏大学物理电气信息学院,宁夏银川 750021;宁夏大学物理电气信息学院,宁夏银川750021【正文语种】中文【相关文献】1.马铃薯无损检测技术的研究进展 [J], 孙金风;李小昱;汪成龙;洪云端;王苗2.果蔬品质无损检测技术研究进展 [J], 李志成;郑晓冬;闫新焕;刘雪梅;潘少香;孟晓萌;谭梦男;宋烨3.无损检测技术在羊肉品质分析中的研究进展 [J], 姜莎;闫彩霞;范鑫;张彦斌;张宏博4.果蔬品质无损检测技术研究进展 [J], 刘畅5.水果品质的无损检测技术研究进展 [J], 尹勇;储涛涛;张宏因版权原因，仅展示原文概要，查看原文内容请购买。
马铃薯块茎中还原糖测定的一种方法
梅文泉;隋启君;佴注;汪禄祥;刘家富
【期刊名称】《云南农业科技》
【年(卷),期】2003(000)003
【摘要】@@ 马铃薯块茎中还原糖含量因其品种不同而有很大差异,一般含量在0.04%～2.0%.还原糖含量是决定马铃薯块茎是否适合加工的重要指标.
【总页数】2页(P23-24)
【作者】梅文泉;隋启君;佴注;汪禄祥;刘家富
【作者单位】云南省农业科学院生物技术研究所农业部农产品质量监督检验测试中心,昆明,云南,昆明,650223;云南省农业科学院生物技术研究所农业部农产品质量监督检验测试中心,昆明,云南,昆明,650223;云南省农业科学院生物技术研究所农业部农产品质量监督检验测试中心,昆明,云南,昆明,650223;云南省农业科学院生物技术研究所农业部农产品质量监督检验测试中心,昆明,云南,昆明,650223;云南省农业科学院生物技术研究所农业部农产品质量监督检验测试中心,昆明,云南,昆明,650223【正文语种】中文
【中图分类】S53
【相关文献】
1.测定酱油中还原糖含量的一种新方法 [J], 郑岚;杨俊慧;马耀宏;孟庆军;杨艳
2.恩施州主栽马铃薯块茎中还原糖及淀粉含量分析及评价 [J], 丁华;王婧;赵明明;严伟;金钰;周有祥;杨洁
3.马铃薯块茎还原糖的测定方法比较 [J], 许庆芬;吕文河;石瑛;陈伊里
4.马铃薯块茎中干物质与蛋白质,维生素C及还原糖的关系 [J], 吕文河;陈伊里
5.全自动还原糖测定仪测定熟地样品中还原糖的含量 [J], 刘伟;陈志红;李军;王东因版权原因，仅展示原文概要，查看原文内容请购买。
马铃薯干物质含量高光谱检测中变量选择方法比较周竹;李小昱;高海龙;陶海龙;李鹏;文东东【摘要】为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法.在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个.用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06％.实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法.%In order to improve precision determination of dry matter content in potatoes by hyperspectral image technology, several variable selection methods such as PCA, siPLS, GA - PLS, UVE and competitive adaptive reweighed sampling ( CARS) were compared. A combinatorial method named CARS - SPA (successive projections algorithm) was proposed to select variables from 678 wavelength variables. The numberof wavelength variables was reduced to 27. A multivariate linear regression model (MLR) based on these 27 wavelength variables was developed to predict DM content with Rf of 0. 86, and RMSEP of 1. 06% . It was concluded that hyperspectral imaging technology could be used to detect potato dry matter concentration and CARS - SPA was a feasible and efficient algorithm for the spectral variable selection.【期刊名称】《农业机械学报》【年(卷),期】2012(043)002【总页数】7页(P128-133,185)【关键词】马铃薯;干物质;高光谱;变量选择;竞争性自适应重加权算法【作者】周竹;李小昱;高海龙;陶海龙;李鹏;文东东【作者单位】华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070【正文语种】中文【中图分类】O657.39;S123引言干物质含量是马铃薯重要的品质指标之一［1］，实现马铃薯干物质含量的无损检测是马铃薯综合品质检测分级的重要环节，对于马铃薯育种、深加工等有着重要的科学意义。
马铃薯叶片早疫病的高光谱识别研究徐明珠;李梅;白志鹏;胡耀华;何勇【摘要】为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4 天采集375 ~1 0 1 8 nm 波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI 软件提取感兴趣区域的光谱反射率平均值. 分别建立基于全光谱( full spectrum , FS )、连续投影算法( SPA )和载荷系数法( x-LW )提取的特征波长的 BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP 模型中预测集识别率分别为1 0 0%、1 0 0%、9 8 .3 3%, LS-SVM 模型的预测集识别率均为1 0 0%;SPA和x-LW提取的特征波长个数均仅占全波长的1 .4 7%,大大简化了模型,提高了运算速率. 实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且 SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据.%The purpose of this paper is to realize identification of early blight of potato leaves rapidly , and to achieve ear-ly prevention .Hyperspectral data of healthy and infected potato leaves were obtained by hyperspectral imaging system within the wavelength range of 375~1018 nm for four consecutive days , and the average spectral reflectance of the region of interests were extracted by ENVI software .Effective wavelengths were selected by successive projections algorithm (SPA) and x-loading weights (x-LW), respectively.Error back propagation (BP) neural network and least squares support vector machines ( LS-SVM) identification models were established based on full spectrum ( FS) , SPA, and x-LW, respectively.The results showed that the identification rates of the prediction set are 100%,100%and 98.33%in FS-BP, SPA-BP, x-LW-BP models and 100%in all of LS-SVM models, respectively.The number of effective wave-length extracted by SPA and x-LW, respectively, accounts for only 1.47%of the total number of wavelengths , simplify-ing the models and improving the rate of operation greatly .The results indicated that it is feasible to identify early blight on potato leaves exactly and quickly using hyperspectral imaging , SPA and x-LW are effective methods to extract charac-teristic wavelengths and it provides a theoretical basis for the development of online real-time detection instrument of ear-ly blight of potato in the field .【期刊名称】《农机化研究》【年(卷),期】2016(038)006【总页数】5页(P205-209)【关键词】马铃薯;早疫病;高光谱成像技术;特征波长;识别模型【作者】徐明珠;李梅;白志鹏;胡耀华;何勇【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌 712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;浙江大学生物系统工程与食品科学学院,杭州 310058【正文语种】中文【中图分类】S122马铃薯在世界上许多国家和地区都有种植，面积和产量仅次于小麦、水稻和玉米。
近红外光谱快速检测马铃薯全粉还原糖孙旭东;董小玲【期刊名称】《农业工程学报》【年(卷),期】2013(000)014【摘要】Reducing sugar content is one of the important indicators for evaluating the quality of potato granules. Near-infrared (NIR) spectroscopy has been attempted to determine reducing sugar content in potato granules using near-infrared (NIR) spectroscopy combined with least squares support vector machine (LSSVM) algorithm. NIR spectra were recorded in the wavenumber range of 10 000~4 000 cm-1 at a 4 cm-1 interval. The 110 samples were divided into calibration and prediction sets in terms of their respective actual value for avoiding bias in subset division. One of every four samples was divided into the prediction set according the range of actual value in calibration set covering the range in the prediction set. The calibration set contained 83 samples, and the remaining 27 samples constituted the prediction set. Three different variable selection methods, namely the moving windows partial least square (MWPLS), MWPLS-genetic algorithm (MWPLS-GA), and MWPLS-successive projection algorithm (MWPLS-SPA), were performed comparatively to choose spectral variables associated with reducing sugar content distributions. The partial least square (PLS) models were developed with these selection spectral variables with the number of PLS componentsoptimized according to root mean square error of cross validation (RMSECV) in the calibration set. The results derived by variable selection techniques were then compared with the performance of PLS models with new samples in the prediction set. The PLS calibration model exhibited a higher correlation coefficient of prediction (Rp) of 0.976, lower standard error of prediction (SEP) of 0.273%, and ratio of SEP and standard deviation (SDR) of 4.593, which was built using 20 spectral variables selected by the MWPLS-SPA method. Nonlinear models of the least squares support vector machine (LSSVM) were developed using different spectral variables selected by MWPLS, MWPLS-GA, and MWPLS-SPA. The main parameters of penalty f actor (γ) and nuclear parameters (σ2) of the nuclear function for the radial basis function (RBF) were optimized by a two-step search method. Through comparison the performance of LSSVM models with new samples, the optimal LSSVM models for reducing sugar content were obtained with Rp of 0.984, SEP of 0.223%, and SDR of 5.62, which were developed with 20 spectral variables selected by the MWPLS-SPA method. The results indicated that: 1) the accuracy of the quantitative analysis conducted by NIR spectroscopy can be improved through appropriate wavelength selection with the MWPLS-SPA method;and 2) the implementation of LSSVM nonlinear models could predict reducing sugar content in potato granules more accurately than a linear model of PLS. It was concluded that NIR spectroscopy combined with MWPLS-SPA and LSSVM methods has significant potential to quantitatively analyze reducing sugar content in potato granules, and this real time, in situmeasurement will significantly improve the efficiency of quality control and assurance.% 还原糖含量是评价马铃薯全粉品质的重要指标之一，该文研究基于近红外光谱技术结合最小二乘支持向量机（least squares support vector machine，LSSVM）算法的马铃薯全粉还原糖含量非线性数学模型。
基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法郭林鸽;殷勇;于慧春;袁云霞【期刊名称】《食品科学》【年(卷),期】2024(45)7【摘要】为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher 判别分析(Fisher discriminant analysis,FDA)可分性数据融合的检测模型输入变量构建方法。
首先,利用高光谱成像技术采集200个马铃薯的高光谱信息,通过对比6种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)、连续投影算法(successive projections algorithm,SPA)及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络(back propagation neural network,BPNN)模型,并对检测结果进行对比分析。
结果表明,将CARS算法提取的34个特征波长进行FDA融合,采用前3个融合变量作为构建检测模型的输入变量时,其所建BPNN模型的相关系数由0.9726提高至0.9990,均方根误差由0.7723降低至0.1727,不仅能够极大地降低数据分析维度,而且能够提高检测结果的准确性。
因此,基于FDA可分性数据融合构建检测模型输入变量可以提高马铃薯VC含量检测结果的准确性。
【总页数】8页(P164-171)【作者】郭林鸽;殷勇;于慧春;袁云霞【作者单位】河南科技大学食品与生物工程学院【正文语种】中文【中图分类】TS215【相关文献】1.可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法2.基于谐波特征与核Fisher判别分析的孤岛检测方法研究3.基于Fisher线性判别分析的语音信号端点检测方法4.基于核Fisher判别分析的高光谱遥感影像分类5.基于高光谱图像和光谱信息融合的马铃薯多指标检测方法因版权原因，仅展示原文概要，查看原文内容请购买。
基于高光谱的晚疫病胁迫下马铃薯叶片的过氧化物酶活性检测胡耀华;李清宇;唐翊【摘要】针对马铃薯晚疫病难以实时无损检测的问题,提出了基于X-LW-PLS的模型,用以预测马铃薯晚疫病叶片高光谱信息与过氧化物酶(peroxidase,POD)活性之间的关联.为了降低光谱数据维度,提高模型运算速率,结合了连续投影算法SPA和载荷系数法X-LW选取特征波长来建立预测模型.测定不同染病时段(0,24,48,72,96 h)马铃薯叶片的高光谱信息和相对应的过氧化物酶POD活性值,利用ENVI软件提取样本的光谱反射特性曲线并结合多种化学计量学方法,建立马铃薯晚疫病叶片高光谱信息与过氧化物酶POD活性之间的关联预测模型.结果表明:基于全光谱信息的LS-SVM预测模型具有较好的预测效果,其校正集相关系数Rc为0.916,均方根误差RMSEc为19.539 U·(g·min)-1,预测集相关系数RP为0.932,均方根误差RMSEP为14.966 U·(g·min)-1;而X-LW-PLS模型的预测效果最优,其Rc为0.870,RMSEc为37.969 U·(g·min)-1,RP为0.892,RMSEP为28.922 U·(g·min)-1.利用高光谱技术来实现马铃薯晚疫病的实时无损检测是可行的.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2018(039)006【总页数】6页(P683-688)【关键词】马铃薯;晚疫病;过氧化物酶(POD);高光谱;预测模型【作者】胡耀华;李清宇;唐翊【作者单位】西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学农业部物联网重点综合实验室,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100【正文语种】中文【中图分类】S379;TS207.3在生产实践中,马铃薯晚疫病严重制约了我国马铃薯的产量和质量,是危害最为严重的几种病害之一.叶片染病后,先是形成不规则的黄褐色斑点;气候潮湿时,迅速扩展至主蔓或叶柄,导致叶片萎蔫蜷缩,全株焦黑呈尸腐状;由于其流行度大,防治难,经常造成无法预估的重大损失[1].因此,能够及时、准确地检测出马铃薯晚疫病是该病害防治中的重要内容.过氧化物酶(peroxidase, POD)在植株体内普遍存在,与植株的各种重要生理活动都有着密切关系.因此,POD的酶活性可反映出植物的生长状况是否良好[2-3].遭受病原菌侵害或逆境的植株会打破内部原有平衡,所产生的大量活性氧会对植物的生理结构造成破坏.POD能把有毒的过氧化氢(H2O2) 转化为无害的H2O, 其活性值也会相应发生一系列改变,因此被广泛用于评价植物的抗逆性.目前实验室检测作物中POD活性的方法主要是化学比色法,但是化学比色法的预处理工作复杂繁琐、且要对样本进行破坏性处理,过程耗时费力,不能实现连续性监测.因此,研究一种能够快速无损测定作物中POD活性的方法十分必要.高光谱成像技术已经在植物叶片中抗氧化酶系统的活性预测方面有所涉及[2-4].朱文静等[2]在建立番茄叶片中过氧化物酶(POD)活性的预测模型时,运用了高光谱技术与化学计量学结合的方法,实现的准确率高达93%以上;杨燕等[3]的研究表明,高光谱图像能够反演出水稻稻瘟病潜育期的抗氧化酶(SOD)活性,并可以由此推断出病害胁迫程度信息是可行的;谢传奇等[4]对茄子灰霉病叶片进行高光谱测定,结果表明基于PLSR模型推荐的隐含变量建立的BP神经网络模型对灰霉病胁迫下用过氧化氢酶(CAT)活性定量检测的准确率最高.但在马铃薯晚疫病研究中,还没有关于叶片中POD活性的研究成果.笔者对感染马铃薯晚疫病的叶片在不同病害程度下的高光谱信息和POD活性值进行检测,利用高光谱信息和化学计量学相结合的方法,建立马铃薯晚疫病叶片中POD 活性的预测模型,并通过POD值来判断叶片是否染病及染病程度,为晚疫病的早期防治简易检测装置的研发提供参考.1 试验部分1.1 仪器及设备1.1.1 高光谱成像采集系统试验采用了北京卓立汉光仪器有限公司研制的Zolix Hypersis农产品高光谱成像系统(装置示意图见图1).图1 高光谱检测系统由图1可见,该成像系统由 V10E-QE型可见/近红外波段光谱成像仪、光源、XEVA2616型面阵CCD相机、PSA300-X型电控平移台装置以及计算机等部件组成.所使用的光谱仪的波长范围为375～1 018 nm,光谱分辨率是2.8 nm;试验的采样间隔是0.65 nm,图像分辨率336 nm×256 nm.为了减小环境光线对测量的影响,将整个系统放置在暗箱内.该仪器的工作过程可简述如下:光源发射出光,照射在放置于电控平移台上的待测样本上,所形成的图像被相机捕捉到,成为样本高光谱图像.电控平移台带动样本连续运行以获取样本连续的图谱信息,这些信息被传送并存储到计算机中,以便进行后续分析.采集数据前,设定如下参数:曝光时间为50 ms;电动平台移动速度为20 mm·s-1;样本到相机镜头的距离为65 cm.首先要让系统进行30 min的预热,再开始采集高光谱图像;同时,利用黑白校正来消除光照条件的变化对成像的影响,以及基线漂所导致的误差.具体操作方法如下:用标准反射板(聚四氟乙烯材料)采集的全白图像标定为W;盖上镜头盖采集的全黑图像标定为B;通过样本采集到的原始图像标定为I;则校正后图像R [5-6]的计算式为(1)1.1.2 POD酶活性测定设备通过对比,最终决定使用紫外分光光度计法对POD的酶活性进行测量[7].测定所需设备如下:超低温冰箱(海尔BCD-226SDCZ,中国),冷冻温度-40～-20 ℃;冷冻离心机(安亭TGL-16G-A,中国),最大转速16 000 r·min-1,工作温度-5～30 ℃;紫外分光光度计(UV1102,中国),来测试190 nm到1 100 nm之间的波长.POD活性由紫外分光光度计在离心后加入试剂测得,具体测定方法见参考文献[7].1.2 样本制备与酶活性测定试验选用中薯18号叶片,属晚疫病中感品种,广泛种植于西北地区.使用盆栽的方式进行培养.培养10盆,平均每盆栽种3株,共种植30株.2017年6月,盆栽种植在西北农林科技大学科研用玻璃温室中,经过日常管理,3个月后开始试验,选取质量为0.2～0.4 g、且大小基本一致的100片叶片进行离体接菌.试验所使用的马铃薯晚疫病孢子悬浮液由西北农林科技大学植物保护学院提供.试验接种于叶片背面二级叶脉之间,剂量为100 μL·片-1,覆盖面积约为20 mm2.在接种菌完成之后,将样本放入人工气候箱中,在温度为18 ℃,相对湿度为100%,每天16 h光照和8 h黑暗培养的条件下,进行为期6 d的连续培养.将100片叶片分为5组,每组20片;采集完高光谱信息后,再测定POD酶活性.首先对第1组的20片马铃薯叶片进行了第1次样本采集;24 h后擦去剩余4组接种晚疫病菌样本的残留液滴,以防止交叉感染;同时对第2组的20片叶片进行第2次数据采集.之后的数据每隔24 h采集一次,共采集样本数据100组.1.3 模型建立1.3.1 光谱数据预处理将获得的高光谱图像用软件ENVI4.8进行处理.选择病斑部位作为感兴趣区域(region of inte-rest, ROI),对未发病叶片也选取其相应的位置作为感兴趣区域.计算出所有感兴趣区域在全光谱下像素点的光谱反射率平均值,留待后续的处理,即将原始高光谱数据转化成为感兴趣部分的全光谱信息.为了提高信噪比,以保证所建模型的有效和稳健性,应对提取出来的平均光谱曲线进行预处理.文中所采取的预处理方法有平滑(savitzky-golay smoo-thing, SG)、变量标准化(standard normal variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)、二阶求导(2nd derivative, 2-Der).用于建模分析的光谱数据都是经过以上预处理获得的.1.3.2 化学计量学建模方法偏最小二乘回归法(partial least square, PLS)是一种建立线性回归模型的方法,可以反映出潜在变量.该方法常用来间接反映、解释变量，或者反映不同变量在一定条件下的关系.因此,此方法适用于处理多重共线性严重的数据,特别是变量多、样本量少的情况[8].但它无法将非线性特征纳入到预测模型中,为了提高模型精度,试验进一步采用最小二乘支持向量机(least squares-support vector machine,LS-SVM)法来建立模型.LS-SVM模型以线性方程代替二次规划问题解决线性和非线性多元回归问题,能够大幅度地简化运算,加快求解速度[9].在光谱分析中,最基本、最常应用的处理方法就是多元线性回归(multiple linear regression, MLR)[10].这种方法用多个波长的光谱数据作为说明函数,将光谱中包含的有用信息集成起来,建立用来描述相关目的品质和光谱数据之间关系的模型. 校正集相关系数RC及其均方根误差RMSEC、预测集相关系数RP及其均方根误差RMSEP常用于评价模型的好坏,其中,RMSEP值小而RP值大的模型预测效果较好[11].1.3.3 特征波长的优选在使用全光谱进行建模时,有些波段数据之间存在的相关性小,所包含有效信息较少,除了会增大计算量,也严重影响到预测模型,造成模型精度低和稳定性差的后果.因此,采用连续投影算法(successive projection algorithm, SPA)提取出对被测成分的影响较大的几个或者十几个特征波长,可在信息最少化前提下保证模型准确度,提高建模效率.用PLS进行建模分析时,可通过每个隐含变量下各个波长点获得所对应的载荷系数.载荷系数绝对值的大小能够反映出该波长对应下所建模型预测性能的好坏.因此,选取特征波长时,可以依据某一隐含变量下各个波长所对应的载荷系数绝对值大小(即载荷系数法x-loading weight, X-LW)来判断[12].利用提取的特征波长建立POD 酶活性的预测模型,这样能够大幅度减少运算量,实现简化模型的目的.2 结果与讨论2.1 叶片染病后的POD活性变化将100个样本数据按照3 ∶1的比例划分为建模集75个,预测集25个(每天20个样本中取15个数据作为建模集,其余5个作为预测集,共5 d的数据).POD活性的统计信息见表1,其中A为POD的酶活性值.图2为不同感染时间下POD酶活性的平均变化趋势,其中t为累计染病时间.表1 POD酶活性值的统计信息类别样本数量/片A/(U·(g·min)-1)最大值最小值平均值标准差所有样本100178.5523.73843.32541.927建模集75178.5524.00944.80843.976预测集25118.9943.73838.87735.509图2 不同感染时间下POD酶活性的平均变化趋势由图2可见,马铃薯叶片在初期感染晚疫病的12 h内酶活性上升缓慢,这意味着该马铃薯品种植株的抗病性不强.染病24～48 h,酶活性上升迅速，并达到最大,此时叶片处于被晚疫病强烈侵害的应激状态,POD活性增强;之后,由于叶片组织细胞壁不断遭到破坏,酶活性随之降低.2.2 高光谱反射曲线分析图3显示了在染病的不同阶段中,马铃薯病叶的高光谱反射率曲线随时间的变化情况.图3中,λ为波长,Rr为光谱反射率.由于提取到的光谱数据在<400 nm和>1000 nm的波长存在严重的噪声干扰, 因此仅采用400～1 000 nm的波长范围进行了分析.图3 不同患病时间的平均光谱曲线由图3可知,发病叶片的光谱反射率都会随着染病时间的增加而呈现出减小的趋势，即健康叶片往往呈现出最高的光谱反射率,染病程度较轻的叶片较弱,染病程度最高的叶片光谱反射率最低.具体表现在:马铃薯叶片从健康状态发展到感染病害且病情不断加深时,叶片中叶绿素含量逐渐减少,对蓝光(λ=490～500 nm)、绿光(λ=500～560 nm) 的吸收增强，而反射减弱.在近红外区域(λ>780 nm),晚疫病破坏马铃薯叶片组织细胞,光合作用无法合成产物,原有物质不断分解,使得叶片在病害严重时的光谱反射率进一步下降.这表明马铃薯晚疫病叶片在不同病害程度时的光谱反射曲线变化有着一定的规律性，并且遵循病叶的生理变化规律.2.3 高光谱数据预处理和基于全光谱的建模分析表2给出了不同预处理方法对PLS模型的预测结果.表2 不同预处理方法对PLS模型的预测结果预处理方法RMSEC/(U·(g·min)-1)RCRMSEP/(U·(g·min)-1)RP无14.2980.94519.7340.862SG平滑15.7840.93218.0400.886中值滤波14.7520.94119.3880.867移动平均平滑22.9090.85121.8330.828高斯滤波11.5260.96519.1670.871量纲一化14.0930.94720.2020.855多元散射校正12.3330.95920.7910.846标准正态变量变换12.2930.96019.8000.861由表2可见:经过高斯滤波预处理后,建模集的效果最好;SG平滑与中值滤波预处理后,对预测集的效果相当;经过中值滤波预处理后,建模集和预测集的均方根误差相差最小,模型稳定度最高,预测效果最好.综上所述,选择中值滤波作为最优预处理方法,文中所有光谱数据都使用该方法进行预处理.同时,经过中值滤波法预处理后的光谱数据作为输入值,POD的活性作为输出值,建立基于全光谱的LS-SVM模型.该模型的预测结果见表3.表3 模型预测结果的对比模型RCRMSEC/(U·(g·min)-1)RPRMSEP/(U·(g·min)-1)PLS0.94114.7520.86719.388LS-SVM0.91619.5390.93214.966由表3可见,与使用PLS法所建立的模型相比,使用LS-SVM法建立的模型建模集RC值较小,而其预测集RP值大、RMSEP值较小,所以使用LS-SVM法建立的模型预测能力强.综上,在全光谱范围之内,使用LS-SVM法建的模型更适用对POD活性的预测.由表3可知,LS-SVM的RC值和RP值都在0.9以上,说明拟合效果较好.2.4 特征波长建模分析2.4.1 基于SPA算法提取特征波长的预测模型试验中设定最小和最大选定波段数分别为1和30,计算过程通过Matlab软件实现.计算结果见图4,5,其中N为特征波长的个数，X为x载荷系数.最佳特征波长个数的确定以建模集的RMSE趋于稳定且达到最小时所对应的波长数为依据.图4 RMSEP值随有效波长数目的变化趋势图5 前3个LV的x载荷系数图4展示了均方根误差随特征波长增加的变化趋势,由图4可确定出特征波长数目为8个.图5显示了特征波长所在的波段序号,其编号分别为1,6,20,39,93,101,128,199,所对应的波长分别为450,462,496,543,677,697,766,949 nm.把以上8个特征波长对应的光谱数据作为输入,分别建立基于PLS,MLR法的线性模型和基于LS-SVM法的非线性模型,结果见表4.表4 不同预测方法的SPA模型的结果模型RCRMSEC/(U·(g·min)-1)RPRMSEP/(U·(g·min)-1)PLS0.71130.8380.81722.416MLR0.84923.1880.86419.749LS-SVM0.74030.2790.96811.067由表4可见,使用SPA算法提取特征波长后,基于非线性LS-SVM模型预测效果较基于线性PLS,MLR模型的好.在2种线性模型中,显然SPA-MLR的模型预测效果更好,预测的表达式如下:A=67.322-3 191X1-3 083X2+3 841X3-535.571X4-7 451X5+3238X6+35.224X7-137.391X8,(2)式中X1-X8依次为450,462,496,543,677,697,766,949 nm这8个特征波长下的光谱反射率.2.4.2 基于X-LW法提取特征波长的预测模型在Unscrambler环境中建立全光谱的PLS模型时,把推荐的前3个隐含变量(LVs)作为已知参数.图5显示了每个隐含变量在各个波长点处的载荷系数.特征波长就是局部载荷系数在绝对值最大处对应的波长点.由图5可得到10个特征波长,分别为481,557,560,680,702,722,755,758,761,776 nm.把使用X-LW法提取到的10个特征波长所对应的光谱数据作为输入值,分别建立基于PLS,MLR的线性模型以及基于LS-SVM的非线性模型.表5给出了X-LW方法对不同模型的预测结果.表5 X-LW方法对不同模型的预测结果模型RCRMSEC/(U·(g·min)-1)RPRMSEP/(U·(g·min)-1)PLS0.87037.9690.89228.922MLR0.85224.7110.86413.601LS-SVM0.83224.5120.86119.946由表5可见,基于X-LW线性模型法提取特征波长后,使用线性模型PLS,MLR模型预测效果比使用非线性LS-SVM法所建的模型好.其中,X-LW-PLS模型的RC和RP均为3者中最高,预测效果最佳.但3种模型的相关系数都低于0.9,可以进一步优化模型以达到更好的预测效果.综上所述,在使用特征波长所建立的预测模型中,SPA-LS-SVM模型的预测集RP值最大,但与建模集RC相差较大,不利于建模的稳定性.因此,选择X-LW-PLS作为最优预测模型.3 结论1) 基于全波长的预测模型中,LS-SVM模型预测效果最优,预测集RP值为0.932,RMSEP值为14.966 U·(g·min)-1.利用SPA与X-LW这2种方法进行择特征波长的选择,得到的X-LW-PLS模型,预测效果最优,预测集RP值是0.892,RMSEP值是28.922 U·(g·min)-1.2) POD酶活性的变化并不是随着染病时间的增加而单调递增或是递减,因此仅仅凭借POD酶活性是无法对马铃薯的染病时间进行判断的,还需结合病害的其他症状.3) 根据POD酶活性的变化可以判断叶片是否处于染病状态,为及时发现病害并进行早期防治提供了参考.4) 高光谱成像技术能够用来实现马铃薯晚疫病叶片中过氧化物酶POD酶活性的快速无损测定,并证实了POD酶活性实现晚疫病的早期实时检测的可行性.参考文献【相关文献】[ 1 ] HYUN I H, CHOI W. Phytophthora species, new threats to the plant health in Korea[J]. Plant Pathology Journal, 2014,30(4): 331-342.[ 2 ] 朱文静,毛罕平,周莹,等.基于高光谱图像技术的番茄叶片氮素营养诊断[J].江苏大学学报(自然科学版),2014,35(3):290-294.ZHU W J, MAO H P, ZHOU Y, et al. Hyperspectral imaging technology of nitrogen status diagnose for tomato leaves[J]. Journal of Jiangsu University (Natural Science Edition),2014,35(3):290-294. (in Chinese)[ 3 ] 杨燕,何勇.基于高光谱图像的稻瘟病抗氧化酶值早期预测[J].农业工程学报,2013,29(20): 135-141.YANG Y, HE Y. Early prediction of antioxidant enzyme value of rice blast based on hyper-spectral image[J].Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(20):135-141. (in Chinese)[ 4 ] 谢传奇,王佳悦,冯雷,等.应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究[J].光谱学与光谱分析,2013,33(6):1603-1607.XIE C Q, WANG J Y, FENG L, et al. Study on the early detection of early blight on tomato leaves using hyperspectral imaging technique based on spectroscopy and texture[J]. Spectroscopy and Spectral Analysis, 2013,33(6):1603-1607. (in Chinese)[ 5 ] MA J, SUN D W, PU H. Model improvement for predicting moisture content (MC) in pork longissimus dorsi, muscles under diverse processing conditions by hyperspectral imaging[J]. Journal of Food Engineering, 2017, 196:65-72.[ 6 ] QIAO X J, JIANG J B, QI X T, et al. Utilization of spectral-spatial characteristics in shortwave infrared hyperspectral images to classify and identify fungi-contaminated peanuts[J]. Food Chemistry, 2017, 220:393-399.[ 7 ] 周祖富, 黎兆安. 植物生理学实验指导[M]. 广州:华南理工大学出版社, 2015.[ 8 ] 李朋成,朱军桃,马云栋,等. 基于偏最小二乘法的近红外光谱分析应用[J]. 测绘地理信息, 2015, 40(2):53-56.LI P C,ZHU J T,MA Y D,et al. Near infrared spectral analysis based on partial least squares[J]. Journal of Geomatics, 2015, 40(2):53-56. (in Chinese)[ 9 ] TIAN K D, QIU K X, LI Z H, et al. Determination of calcium and magnesium in tobacco by near-infrared spectroscopy and least squares-support vector machine[J]. Spectroscopy and Spectral Analysis, 2014,34(12):3262-3266.[10] CHEN Y N, SUN D W, CHENG J H, et al. Recent advances for rapid identification of chemical information of muscle foods by hyperspectral imaging analysis[J]. Food Engineering Reviews, 2016,8(3):336-350.[11] SONOBE R, WANG Q. Hyperspectral indices for quantifying leaf chlorophyll concentrations performed diffe-rently with different leaf types in deciduousforests[J].Ecological Informatics, doi:10.1016/j.ecoinf.2016.11.007.[12] 程术希,谢传奇,王巧男,等.不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究[J]. 光谱学与光谱分析, 2014, 34(5):1362-1366.CHENG S X, XIE C Q, WANG Q N, et al. Different wavelengths selection methods for identification of early blight on tomato leaves by using hyperspectral imaging technique[J]. Spectroscopy and Spectral Analysis, 2014, 34(5):1362-1366.(in Chinese)。
超高效液相色谱-高分辨质谱法快速筛查土豆中的多种农药残留陈达炜;高洁;吕冰;朱盼;杨欣;赵云峰;苗虹【期刊名称】《分析化学》【年(卷),期】2014(42)4【摘要】采用超高效液相色谱-四级杆-静电场轨道阱高分辨质谱联用技术(UPLC/Q Orbitrap),建立土豆中农药多残留的快速筛查方法.样品采用乙腈为提取溶剂,PSA分散固相萃取净化.以BEH C18色谱柱进行色谱分离,通过静电场轨道阱质谱全扫描获得农药的精确质量数,以Full Scan/ddMS2进行定性筛查和定量检测.对欧盟考核样品土豆中175种农药残留进行分析,共从考核样品中定性筛查出17种农药残留.17种农药的高分辨质谱分析方法定量限为1 ～5 μg/kg,在1～250μg/L的浓度范围内均呈良好的线性关系(R2＞0.99);平均加标回收率为83.1％～115.5％,相对标准偏差在1.5％～11.8％之间.定量测定17种农药的含量范围在0.002～1.714 mg/kg之间,z评分在-1.00～ 1.24之间.本方法简单精确,灵敏度高,样品处理快捷简便,适用于农产品中农药多残留的快速筛查.【总页数】6页(P579-584)【作者】陈达炜;高洁;吕冰;朱盼;杨欣;赵云峰;苗虹【作者单位】卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021;卫生部食品安全风险评估重点实验室,国家食品安全风险评估中心,北京100021【正文语种】中文【相关文献】1.在线净化液相色谱-高分辨质谱法快速筛查果蔬中212种农药残留 [J], 张海超;艾连峰;马育松;王敬;李晓菲;徐牛生2.超高效液相色谱仪-四级杆/静电轨道阱高分辨质谱法快速筛查及不同酒类中64种非法添加化合物 [J], 周楠;黄姗;陈卓;袁利杰;李彤辉3.超高效液相色谱-四极杆-飞行时间高分辨质谱法快速筛查柠檬果实中的生物活性成分 [J], 庞雯辉;赵希娟;陈西;张耀海;王成秋;赵其阳;焦必宁4.高效液相色谱-四极杆-飞行时间质谱法快速筛查胡椒粉中多种农药残留 [J], 朱晓玲;刘杰;余婷婷;张莉;王会霞;吴婉琴;曹琦;张亚珍;杨总5.超高效液相色谱-高分辨质谱非靶向快速筛查果蔬中农药残留 [J], 唐雪妹;陈志廷;黄健祥;谢书越;刘帅;王刚;万凯因版权原因，仅展示原文概要，查看原文内容请购买。
基于“图像+光谱”技术的马铃薯早疫病智能诊断方法研究李轶骥
【期刊名称】《农业技术与装备》
【年(卷),期】2024()1
【摘要】为实现马铃薯早疫病的智能化诊断,提出基于“图像+光谱”技术的马铃薯早疫病智能诊断方法,该系统可针对马铃薯早疫病的症状进行智能分析。
首先搜集马铃薯病斑的相关信息;然后对信息进行针对性处理,包括颜色调整和对图像裁剪,以提取病斑的关键特征;最后系统再利用病斑特征识别并自动诊断马铃薯早疫病。
经过试验验证,此方法能有效地诊断马铃薯早疫病,切实为智慧农业中植物病害的智能监控和预警提供创新方法。
【总页数】5页(P4-7)
【作者】李轶骥
【作者单位】四川省农业科学院科技保障中心
【正文语种】中文
【中图分类】TP391.7
【相关文献】
1.高光谱技术诊断马铃薯叶片晚疫病的研究
2.不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究
3.应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究
4.马铃薯叶片早疫病的高光谱识别研究
5.基于量子神经网络的马铃薯早疫病诊断模型
因版权原因，仅展示原文概要，查看原文内容请购买。
