CHNSpec Technology （Zhejiang）Co.,Ltd 会社のニュース

この調査では、400-1000nm hyperspectralカメラは加えられ、FS13の杭州色スペクトルの技術Co.、株式会社のプロダクトは関連の研究に、使用できる。スペクトル領域は400-1000nmである、波長の決断は2.5nmよりよく、1200までの分光チャネルは達することができる。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。   レタスは蛋白質、炭水化物、ビタミンおよび他の栄養素で豊富であり、植わる区域は広い。窒素はレタスの成長に影響を与える重要な要素の1つである。急速の確立するためには、レタスの窒素の満足な検出のための有効で、非破壊的な方法はレタスの適度な受精を導いて便利である。現在、hyperspectralイメージの技術の使用に少数のレポートがレタスの葉の窒素の内容を検出するある。この調査では、hyperspectralイメージの技術はレタスの葉の窒素の内容の非破壊的な検出に適用された。模倣するPLSBに対するさまざまな分光前処理方法の効果の調査によって適切な分光前処理方法はレタスの葉に選ばれ、レタスの葉の予測窒素の内容のために適した敏感な波長は最大限に活用された。試みはレタスの葉に窒素の内容の最も簡単な、最適予測モデルを確立する試みられた。方法のこのセットは報告されないし、また強く実用的な価値がある携帯用野菜栄養要素の探知器の開発に基礎を提供する。   60のレタスの葉のhyperspectralイメージはhyperspectralイメージの技術によって集められ、対応するレタスの葉の窒素の内容はAutoAnalyzer3連続的なフローの検光子によって定められた。未加工レタスの葉の表面の50×50地域の平均分光データはENVIソフトウェアによって得られた。得られた平均分光データは調査分析された（8種類の前処理方法）。最後に、前処理の分光データはの元の分光データがそして8種類PLSRの入力としてレタスの窒素の内容のための9つの予言モデルを確立するのに使用された。この9つの予言モデルの結果の比較によって、最適予測モデルOSC+PLSRは選ばれ、OSC+PLSRモデルの退化係数の図表は分析された。13の敏感な波長は選ばれ、それから13の敏感な波長はPLSRの入力として取られた。最後に、OSC+SW+PLSRのレタス窒素の内容の予言モデルは確立された。OSC+PLSRモデルと比較されて、レタスの葉で窒素の内容の予言のために有効で、正確で非破壊的で新しい方法として使用することができる非常に改善されレタスの窒素の栄養物の診断そして経済的で、理性的な受精に参照を提供できる予言の効率は。

この研究では、400〜1000nmのハイパースペクトルカメラと杭州カラースペクトルテクノロジー株式会社の製品を使用できます。 FS13では関連研究を行っています。スペクトル範囲は400～1000nmで、波長分解能は2.5nmより優れ、最大1200nmです。 2 つのスペクトル チャネル。取得速度は全スペクトルで最大 128FPS、バンド選択後は最大 3300Hz (マルチゾーンのサポート) ドメイン帯域の選択)。   中国におけるジャガイモ主穀戦略の推進により、ジャガイモ関連産業チェーンが急速に発展し、ジャガイモの品質が大きな問題となっている。しかし、緑色の皮や機械的損傷などの欠陥は、ジャガイモ全体の量、特に緑色の皮のジャガイモの複雑な形状に重大な影響を与えるため、欠陥を特定するのは容易ではなく、検出の難易度が高くなります。一方で、青芋に含まれるソラニンの含有量が食用基準を超えると食中毒を引き起こし、食品の安全上の問題を引き起こす可能性があります。したがって、ジャガイモの深部加工とジャガイモ産業チェーンの拡大のための高速かつ非破壊的な検出方法を研究することは非常に重要です。   ハイパースペクトルイメージング技術は広帯域という利点があり、検査サンプルの対応する帯域範囲の画像情報とスペクトル情報を同時に取得できるため、農産物の迅速な非破壊検査に広く使用されています。皮が薄緑色のジャガイモを任意の位置で認識するのが難しいという問題を解決するために、半透過および反射ハイパースペクトルイメージング技術を使用して比較および分析し、異なるハイパースペクトルイメージング方法でのモデル認識精度を決定しました。 。ジャガイモサンプルの半透過ハイパースペクトル画像と反射ハイパースペクトル画像を任意の位置で収集し、画像情報とスペクトル情報に基づいた検出モデルをそれぞれ確立し、異なるモデルの認識率を比較しました。さらに画像とスペクトルの融合モデル、またはさまざまな画像融合モデルを確立してモデルのパフォーマンスを向上させ、最終的に最適なモデルを決定します。 (1) 異なるハイパースペクトルイメージング手法による画像情報認識モデルの精度を比較する。半送信画像情報に基づく深層信念ネットワークモデルと組み合わせたアイソメトリックマッピングの認識率はわずか78.67%です。反射された画像情報に基づく深い信念ネットワーク モデルと組み合わせた最大分散拡張の認識率は、わずか 77.33% です。その結果、単一の画像情報による薄緑色のジャガイモの検出精度は高くないことがわかった。 (2) 異なるハイパースペクトルイメージング手法によるスペクトル情報認識モデルの精度を比較します。半透過スペクトル情報に基づくディープ・ビリーフ・ネットワーク・モデルと組み合わせたローカル接線空間配置の認識率は最高の93.33%です。反射率スペクトル情報に基づく深層信念ネットワークモデルと組み合わせたローカル接線空間配置の認識率は最大90.67%です。この結果は、単一のスペクトル情報を使用して薄緑色のジャガイモを検出することが可能であることを示していますが、認識率をさらに改善する必要があります。 (3) 3 つの多情報源情報融合手法が認識精度に及ぼす影響を比較する。半透過画像と半透過スペクトル、反射画像と反射スペクトル、半透過スペクトルと反射スペクトルの 3 つの融合モデルの精度は、単一の画像またはスペクトル モデルよりも高く、深層信念ネットワーク融合モデルの精度は高くなります。半透過スペクトルと反射スペクトルが最も良く、補正セットとテストセットの認識率は100%です。結果は,半透過スペクトルと反射スペクトルの融合モデルが薄緑色の皮ジャガイモの非破壊検査を実現できることを示した。

この調査では、400-1000nmバンドのhyperspectralカメラおよび900-1700 nmは適用され、杭州色スペクトルの技術Co.、株式会社のFS13およびFS15プロダクトは関連の研究に使用できる。スペクトル領域は400-1000nmである、波長の決断は2.5nmよりよく、1200までの分光チャネルは達することができる。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。 肉は主に家畜を含み、人体によって必要とされる家禽および水生プロダクト、蛋白質、脂肪酸、微量の元素および他の重要なエネルギー物質は肉から得られる。生きる基準の連続的な改善によって、人々は食事療法の食糧そして釣り合った栄養物の質にもっと注意を払うが、ある違法ビジネスは2013年のヨーロッパの「馬肉波」で、特に見掛け倒し良質肉に低質肉を誘発した肉粗悪品についての人々の極度な心配を混合する。肉粗悪品の検出方法は官能試験、蛍光PCRの検出の技術、電気泳動の分析が含まれ、酵素つながれた免疫学的検定の技術、等、殆んどはサンプル前処理を要求しが、テスト操作は複雑にされ、時間のかかり、そしてそれは分野の大きいサンプルの大きさの急速な実時間検出を達成して困難である。   既存の文献のレポートのほとんどは肉粗悪品を区別するのに単一バンドhyperspectral画像技術を使用したが少数は比較分析のために2つのバンドを使用した。この実験では、良質の霜を取り除かれたマトンは混和物として選ばれ、比較的低価格のアヒル肉は添加された。サンプルのHyperspectral情報は目に見えるnear-infraredの2つのバンドで集められた（400 | 1 000 nm）および短波near-infrared （900 | 1700 nm）、および量的なモデルは適切な前処理方法の選択によって確立された。最適モデルはイメージの逆転に選ばれ、マトンの粗悪品の量的な検出にデータおよびテクニカル サポートを提供するためにマトンの粗悪品の急速で量的な検出のための視覚化方法は提案された。 （1） 400のバンドのために標準化の前処理に高精度のがあった後| 1000 nmの全バンドPLSモデルは確立した;900-1700 nmバンドのために、SNVの前処理の後に確立される全バンドPLSモデルに高精度のがある。最適の前処理方法の下の2つの分光バンドの波長の選択によって、指定波長間のcollinearityが更にモデルの正確さそして簡易性を改善できるmulticollinearityの除去に基づいて最低そして代表的であることが分られる。   （2）はそこによりよく肉の特徴を反映できるで肉粗悪品の同一証明のためにより適するかもしれない900-1700 nmバンドの肉構成と関連しているグループについてのより多くの情報。モデルの了解性そして適用の可能性を拡大するため、実験は赤外線スペクトル（1の近くで長波に延長700べきである| 2500 nm）。同時に、実験で選ばれた良質のマトンおよびアヒル肉はローカル スーパーマーケットの完成品として包まれた。それに続くモデルは異なった環境（温度、湿気、形、等）の下のマトンの粗悪品の調査に加えることができるかどうか異なった変化、異なった質、異なった供給方法および別の新鮮さはそれ以上の証明および議論を必要とする。  

この研究では、900〜1700nmのハイパースペクトルカメラが適用され、杭州カラースペクトルテクノロジー株式会社の製品FS-15が関連研究に使用できました。短波近赤外線ハイパースペクトルカメラは、最大200FPSの全スペクトルの取得速度を備え、組成識別、物質識別、マシンビジョン、農産物の品質、画面検出などの分野で広く使用されています。        トマトは独特の風味を持つベリー類の作物で、グルタチオン、ビタミン、リコピン、βカロテンなどの生理活性成分を含む多様な栄養素が豊富に含まれており、食用価値の高い作物です。世界経済の急速な発展に伴い、消費者市場におけるトマトおよびトマト加工品の需要が高まっています。トマトはまた、世界で最も広く栽培され、消費されている野菜および果物作物の 1 つとなっています。さらに、人々の生活水準の全般的な向上に伴い、消費者にとってトマトの内部品質、外観品質、保管および輸送の品質、優れた風味と味の重要性がますます高まっており、中国のトマト産業も新たな課題と機会に直面している。 。調査によると、トマト業界にとってトマトの成熟度や保存品質は非常に重要であり、消費者はミニトマトの内部品質や優れた風味や味わいをより重視していることがわかった。ビッグデータの開発と活用に基づいて、トマトの自動植え付け、機械収穫、インテリジェントな分類を実現し、トマトの生産性と効率性の向上を実現します。現在、国内外でスペクトルに基づくトマトの品質検出に関する研究がいくつか行われているが、既存のトマトの品質検出モデルでは、有効なスペクトル情報の抽出が依然として研究上の困難であり、適切な分析を通じてトマトの内部品質を検出することが困難である。非破壊検査方法はまだ研究の余地があります。     ハイパースペクトルイメージング技術に基づくチェリートマトの可溶性固形分の非破壊検出の研究では、191個のチェリートマトを研究対象として選択し、865.11〜1711.71 nmの範囲のハイパースペクトル画像データを収集し、関心領域のチェリー トマトのハイパースペクトル画像は、K 平均法アルゴリズムによってセグメント化されました。この領域の平均スペクトルをミニトマトのオリジナルスペクトルデータとして抽出した。MA と MSC を使用して元のスペクトル データを前処理し、チェリー トマトのサンプルを KS アルゴリズムに基づいてトレーニング セットとテスト セットに分割しました。特徴帯域に含まれる情報の有効性を向上させるために、SPA アルゴリズムと PCA アルゴリズムを組み合わせてスペクトル データの主成分分析を実行し、その後 PCA アルゴリズムと miRF アルゴリズム、PLSR ベースのチェリーの SSC 検出モデルと比較しました。トマトを確立し、テスト セット データによってモデルを検証しました。結果は、SPA-PCAによって抽出された主成分に基づくモデルの検出精度が明らかに最適化されていることを示しています。モデルの検出結果から、3 つのモデルの中で、SPA-PCA-PLSR モデルが最も優れた検出効果 (R、0.9039) を示しました。miRF-PLSR モデルの検出効果は 2 番目で、RF は 0.8878 でした。PCA-PLSRモデルのフィッティング効果は最悪です。

この研究では、400〜1000nmのハイパースペクトルカメラが適用され、杭州カラースペクトルテクノロジー株式会社の製品であるFS13が関連研究に使用できました。スペクトル範囲は 400 ～ 1000nm で、波長分解能は 2.5nm より優れており、最大 1200 のスペクトル チャネルに到達できます。取得速度はフルスペクトルで 128FPS に達し、帯域選択後の最大値は 3300Hz です (マルチリージョン帯域選択をサポート)。 ブルーベリー、ブルーベリー、ダークブルーフルーツ、ベリーとも呼ばれるブルーベリーは、中国で新興の小さなベリーの1つです。ブルーベリーはその独特の健康的・栄養価が高く、人体に必要な栄養素が多く含まれ、加工性に優れているなど注目されています。」 ブルーベリーの内部品質はブルーベリーの味に大きな影響を与え、ブルーベリーの品質を評価する重要な指標の一つでもありますが、従来の検査方法ではブルーベリーの糖度や硬さを測定する測定器が一般的でしたが、検出指標が単一であるため、時間がかかり、破壊的であるため、これらの検出方法は困難でした。ブルーベリーの糖度や硬さの工業的検出への応用が期待されており、内部品質に基づいてブルーベリーの糖度や硬さを非破壊で効率的に検出する方法を開発することは非常に重要である。   果物の糖度および硬度の検出に関する国内外の研究を通じて、特徴的な波長選択法の使用により、ハイパースペクトル画像データの次元を効果的に削減し、スペクトルデータの冗長性を削減し、校正性能と検出効率を向上させることができることがわかります。モデルの最適化を行い、良好な予測結果を取得します。これは、これらの特徴的な波長選択方法がオンライン果物検出を実現するのに有益であることを示しています。ただし、これらの研究は主に単一の指標の検出を目的としており、果物の複数の指標を検出するには複数のモデルを確立する必要があり、データ処理の複雑さが増加します。したがって、時間を節約し、オンライン検出の効率を向上させるために、マルチインデックス検出のモデルを確立する必要があります。本研究では、ハイパースペクトルイメージング技術を利用して、ハイパースペクトル画像からブルーベリーの糖度と硬度の両方を検出するための多段階特徴波長選択法を提案した。連続投影アルゴリズムや段階的多重線形回帰などの特徴波長選択手法を連続的に使用して、ブルーベリーの糖度と硬さの両方を反映できる特徴波長を選択し、検出モデルとしてBPニューラルネットワークモデルを使用しました。ブルーベリーの内部品質の迅速かつ非破壊検査を実現し、ブルーベリーのオンライン品質検査の構築に理論的基礎を提供するために、ブルーベリーの糖度および硬度を予測しました。

この調査では、400-1000nm hyperspectralカメラは株式会社、のプロダクト杭州色スペクトルの技術Co.使用し、この調査では、400-1000nm hyperspectralカメラは株式会社、のプロダクト杭州色スペクトルの技術Co.使用し、FS13は関連の研究を行なう。スペクトル領域は400-1000nmであり、波長の決断は2.5nm、1200までよりよい2つの分光チャネル。獲得はバンド選択（多層サポートの後で3300Hzまで完全なスペクトルの128FPSに、スピードをあげる範囲バンド選択）。FS13は関連の研究を行なう。スペクトル領域は400-1000nmであり、波長の決断は2.5nm、1200までよりよい2つの分光チャネル。獲得はバンド選択（多層サポートの後で3300Hzまで完全なスペクトルの128FPSに、スピードをあげる範囲バンド選択）。 カイコ（Bombyxのmori Linnaeus）はクワおよび回転絹を食べる経済的な昆虫、従ってまたそれ呼ばれるカイコとである。カイコは古代中国に起き、クワに居住している元のカイコによって次第に飼いならされた。前に5,000年には早くも、古代人は習得した植え、クワを育てることの技術をカイコを。古代時では、養蚕は経済および文化の開発への大きい貢献をした。現在、クワのカイコの企業は農村経済の開発を促進し、農夫の生きる基準を改善し、そして農産物の重要なサイドライン工業の1つである。さらに、カイコ工業は国際市場の指導的地位にあり、私達の国のための多数の外貨の予備を作成する国際貿易の重要な役割を担う。従って、クワのカイコの企業の持続可能な発展に非常に重要な経済的価値および重大さがある。 従来の化学検出の技術はテストされたサンプルに前処理をする必要がある操作プロセスは複雑であり、多くの化学試薬は消費される。酵素の急速な検出の技術の正確さは低い、従って第一次スクリーニングにしか使用することができない。分光非破壊的なテストの技術は1面情報のために代表的ではない。従って、クワの葉の速く、信頼できる広範囲の非破壊的なテストは追求される。   殺虫剤残余の方法は穀物の安全検出の大きな意味である。Hyperspectral画像技術は画像技術および測定された目的、広範囲情報獲得および高い検出の正確さを破壊する必要性の利点がないスペクトルの技術を結合する新しく非破壊的なテストの技術である。このペーパーではクワの葉の殺虫剤残余を調査するのに、分光処理と結合されたhyperspectral画像技術がおよび分析法はまただけでなく、クワの葉に殺虫剤残余および殺虫剤残余の同一証明が調査するためにある、しかしクワの葉のchlorpyrifosの殺虫剤残余の量的な検出を使用されたかどうか調査するために。このペーパーの研究の内容は養蚕の企業にテクニカル サポートおよび養蚕の農夫の収入に強い保証を提供し、非常に重要で理論的な価値および実用的な重大さがある養蚕の企業の支持でき、詳細な開発を促進する。 このペーパーでは量的にクワの葉のchlorpyrifosの内容を検出するのに、分光処理および分析法と結合されたhyperspectral画像技術が使用された。クワはhyperspectralトナーによってテスト チャートとして異なったchlorpyrifosの残余と使用された390-1050nmの範囲でクワの葉のhyperspectralイメージを得るのに去る。ENVIソフトウェアが刃の興味の地域を定め、地域の平均分光データを計算するのに使用されている。クワの葉のサンプルの中間の分光データとガス クロマトグラフによって定められた対応する化学価値間の相関係数は計算され、5つの波は相関係数および波長の波形の図表に従って選ばれた。   ピークおよびたらいに相当する波長は独特の波長（561.25、680.86、706.58、714.32、724.66nm）として使用される。独特の波長で分光データに基づいて、クワの葉の残余の量的な検出モデルは多数の線形回帰およびサポート ベクトル退化の使用によって確立された。訂正はMLRの予言モデルの決定係数Rの²をである0.730置いた、根の不偏分散間違いRMSECは38.599であり、予言は決定係数Rを得られる置いた。0.637はあり、根の不偏分散間違いRMSEPは47.146である。訂正は決定係数R3をである0.920置いた、2乗平均平方根間違いRMSECは21.073である、予言は決定係数R3をである0.874置き、2乗平均平方根間違いRMSEPは27.719である。比較分析によって:SVRの予言モデルにMLRの予言モデルよりよい性能がある、従ってSVRの予言モデルと結合される視野近赤外線hyperspectral画像技術はクワの葉でchlorpyrifosの残余の非破壊的な検出に使用することができる。

この調査では、400-1000nm hyperspectralカメラは使用しFS13の杭州CHNSpecの技術Co.、株式会社、株式会社のプロダクトは関連の研究に、使用することができる。スペクトル領域は400-1000nmである、波長の決断は2.5nmよりよく、1200までの分光チャネルは達することができる。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。 混合供給の主要な栄養素は水、灰、粗野な蛋白質、カルシウム、総リンを等含んでいる。供給の主要な栄養素の検出は工程の不可欠な技術的なリンク供給プロダクトの質を保障する重要な平均であり。供給の検出そして分析法は品質管理の基礎である。現在、従来の化学分析方法が一般に混合供給の主要な栄養素を定めるのに使用されている。決定の従来の方法は頻繁に決定の費用は高い、一部はまたオペレータおよび実験室のためのより高い条件があるサンプル自体を破壊する必要があるが、時間のずれに終って時間のかかり、労働集約的、であり。混合供給の主要な栄養素の急速な検出のための方法を探検し、検出率を改善することおよび混合供給のテストのレベルの開発を促進するための高い社会的な、経済的な利点がある供給企業の実際のテストそして分析に包括的に促進し、適用するために。Hyperspectralイメージの検出はハイテクな一組の計算機視覚および分光検出であるサンプル情報を得る、hyperspectralイメージの技術の使用は三次元画像ブロックの多数の分光情報を含んでいる、だけでなく、高い分光決断があり、サンプルの内部質を検出するのにイメージから得られる分光情報が使用することができる。従って、hyperspectralイメージの検出の技術は学者によってますます国内外で支持されが、ずっと農産物の質の検出で広く利用されている、混合供給のアプリケーション研究はまれに報告されない。この調査では混合供給の主要な栄養素の混合供給の実験サンプルの目に見え/near-infrared分光情報、そして定量分析モデルを、湿気のような、灰得るのに、化学量論的な方法の使用によってhyperspectralイメージの技術が粗野な蛋白質、カルシウムおよび総リン、確立された使用され、混合物供給の主要な栄養素を検出するのにhyperspectral画像技術を使用する可能性を探検することを向けるモデルは確認された。それはまた混合供給の急速な検出に新しい考えおよび基礎を提供する。 この調査では異常なサンプル取り外しによって混合供給に粗野な蛋白質の定量分析モデルを、粗野な灰、水、総リンおよびカルシウム内容、部分的と最小自乗法の化学量論を結合されたサンプル セット部確立するのに、hyperspectralイメージの技術が最適の分光前処理および独特バンド選択使用された。モデルは確認された。SPXY方法で分けられる粗野な蛋白質のサンプル セットおよびAS、FDおよびSNVの組合せと結合されるCG方法で分けられる粗野な灰のサンプル セットは独特バンドに確立される定量分析モデル最もよい効果をもたらす。訂正は最適の粗野な蛋白質モデルの決定係数R&をである0.8373置いた、2乗平均平方根間違いRMSECは2.1327%である、相対的な分析の間違いRPDcは2.4851である、確認はRVをである0.7778置いた、RMSEPは2.6155%であり、RPDvは2.1143である。最適の粗野な灰R&、RMSEC 1.0107%、RPDc 2.2064、RV 0.7758、RMSEP 1.0611%およびRPDv 2.1204は得られた。粗野な蛋白質および粗野な灰ショーのよい予言する性能の定量分析モデルは実用的な定量分析におよび使用することができる。AS、発振器およびDetrendの前処理と結合されるCG方法で分けられる試水セットは独特バンドで最もよい効果をもたらす。その訂正セットのレニウムは0.6470、RMSECである1.8221%、RPDである1.6849、確認セットRyである0.6314、RMSEPである1.6003%である。RPDvはまだモデルが実用的な定量分析で使用することができるが1.9371、予言の正確さ最大限に活用されるそれ以上である必要があるである。AS、FDおよびSNVの前処理方法と結合されたCG方法で分けられた総リンのサンプル セットから得られた定量分析モデルの結果は最適だった。最適モデルのRS、RMSECおよびRPDの比率は0.6038、0.1656%および1.5700、それぞれだった。確認セットR9、RMSEPおよびRPD/は0.4672、0.1916%および1.3570、それぞれである。訂正モデルおよび確認モデル両方のパフォーマンス パラメータは粗末、モデルに悪い予言する能力があり、実際の定量分析で使用することができないことを示すであり。CG方法で分けられ、AS、発振器およびDetrend方法と結合されるカルシウム サンプル セットの前処理の後で独特バンドに確立される定量分析モデルは最もよい効果をもたらす、最適モデルのRBは0.4784であり、証明セットR≈は0.4406だけである。モデルの予言の効果は粗末であり、実用的な分析で適用することができない。hyperspectralイメージの技術に基づいて粗野な蛋白質の最適の定量分析モデルの予言の正確さはベストであり、粗野な灰モデルの予言の性能は第2であり、両方とも実用的な検出で正確に使用することができる。水最適の定量分析モデルの予言の正確さは改善されるべきである。但し、総リンおよびカルシウムの最適の定量分析モデルに悪い予言する性能があり、実用的な検出に使用することができない。

この調査では、400-1000nm hyperspectralカメラは加えられ、FS13の杭州CHNSpecの技術Co.、株式会社のプロダクトは関連の研究に、使用できる。スペクトル領域は400-1000nmである、波長の決断は2.5nmよりよく、1200までの分光チャネルは達することができる。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。 薬効があるゼラチンの空の堅いカプセルはクロムの内容が国民の健康の標準によって規定される重要なテスト索引の一種の特別な薬効がある結合剤である。余分なクロムの内容が付いているカプセルは「有毒なカプセル」として一般に知られ、人体に非常に有毒である。現在、クロムの内容は従来の化学分析方法によって定められる。従来のクロムの検出方法は時間のかかる、装置は高い、多量の硝酸の消化力の使用は二次汚染をもたらして容易であり器械操作は専門人員が完了することを必要とする。従って、薬効があるカプセルのクロムの内容の急速な検出のための便利で、急速な方法の開発に重要な適用重大さおよび市場見通しがある。   重金属のhyperspectral検出の可能性に基づいて、このペーパーは余分なクロムの内容と正常なMEHGCおよびMEHGCの集められた結果を比較するのに慣習的な原子吸光分析法を使用し、そして2種類のhyperspectral分析のMehGCデータを集め、そしてhyperspectralデータを分析するのに主成分の分析（PCA）をそして部分的最小自乗法方法使用し、そして最終的に関連したモデルを確立する。「毒カプセル」の質的な検出を実現するため。   hyperspectralデータが多数バンド イメージで構成されるので、各イメージは特徴とみなすことができる。hyperspectralデータが大きさに関して減ればイメージ データ間の相違を最大にするために、元のデータは新しい座標系に変わり結果は元のイメージと非常に異なっている。この技術は情報量を高め、騒音を隔離し、そしてデータ次元を減らすために非常に有効である。hyperspectralイメージのPCAの次元の数の減少の後で得られる最初の4つの主成分は図1.で示されている。 hyperspectralイメージの利点はだけでなく、イメージ情報がある、しかしまた分光情報ことである。分光情報を得るためには、興味の地域は各サンプルに選ばれ、興味の各地域にスペクトル反応のカーブがある。、結果の色の影響を除去するためにカプセルの帽子とカプセル ボディ間の色の相違が原因で、興味の2つの地域は各カプセル（1およびカプセル ボディのカプセルの帽子の1）に選ばれた。興味の地域はカプセルのhyperspectralイメージで任意に選ぶことができ各地域のピクセルの数は2から6.まで及んだ。興味の地域の最終的な分光データは地域のすべてのピクセルの平均として計算される。4つの地域の分光カーブは図2.で（正常なカプセルおよび「有毒なカプセル」のカプセルそして帽子それぞれ）示されている。 450~900 nmのhyperspectralデータでは、正常なカプセルの分光データおよび「有毒なカプセル」は次に最初に正常化された、データ次元の減少およびdiscriminant分析はPLS-DAによって行なわれた興味の地域の選択によって得られ。4人のPLSオペレータが入力特徴として選ばれたときに、正常なカプセルおよび「有毒なカプセル」の認識率は100%に達した。特定性および感受性はまた100%である;それは正常なカプセルおよび「有毒なカプセル」がPLS-DAの差別方法によって区別することができること見ることができる。hyperspectralイメージの技術を使用して「毒カプセル」を検出することは従来の方法の複雑さを非常に減らすことができる。   さらに、信任を改善するために、サンプルは蛍光性または紫外線のような広い範囲で、検査されなければならない。質的に「毒カプセル」を行なっている間、別のクロムの内容が付いているゼラチンの型板を作ることを考慮できるそれの量的な研究を行なうこともまた必要である型板のクロムの内容と分光データ間の相関関係モデルを調べ、未知の「毒カプセル」の重金属のクロムの内容を予測するのにこのモデルを使用しなさい。「毒カプセル」の事件のそれに続く影響の点から見て、サンプルは見つけにくいがテストの有効性を改善するために、クロムの内容が付いているいろいろなカプセルのサンプルを使用することは必要である。

この調査では、400-1000nm hyperspectralカメラは使用しFS13の杭州CHNSpecの技術Co.、株式会社のプロダクトは関連の研究に、使用することができる。スペクトル領域は400-1000nmであり、波長の決断は2.5nm、1200までよりよい 2つの分光チャネル。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。 モロコシは赤い穀物からワイン醸造業の穀物の豊富な栄養素のために中国の重要な食用作物の1つ、持っている「よいワイン」の鋭い判断、20まで，000,000のt.の年次要求を現在分かれることができないワインのモロコシの主要な変化である、Qinghuyang赤い、瀘州市Runuo第7および高い澱粉内容が付いている他の粘着性のモロコシそうなったものである。多くの種類のモロコシおよび異なった作成区域があるので、アルコール飲料の味、様式、質および収穫の大きい相違をもたらす穀物の澱粉、蛋白質、脂肪およびタンニンの内容は非常に異なっている。それはモロコシの原料のバッチ貯蔵の前のモロコシの変化の正確で、有効な同一証明におよび穀物醸造プロセスの間に蒸気を発する泡立つ穀物、使用水量の時のような工程を制御できる良質のアルコール飲料の生産のための非常に重要な指導の重大さがあること見ることができる。従来の同一証明方法は主に手動経験的な同一証明および生物的試しの検出が含まれている。前は主観的な影響、低効率、および統一された標準を形作ること困難に応じて後者は扱いにくく、時間のかかる困難であるがある。両方はモロコシを識別するための現代アルコール飲料企業の必要性を満たすことができない速く、正確で簡単なモロコシの変化の分類および検出方法を見つけるために従って緊急である。この調査の目的は分光情報およびイメージ情報の結合によって11のモロコシの変化を分類すること適用の正確さそして効率を改善するためにhyperspectral技術および機械学習方法を最大限に活用することによって比較および外的な証明によって異なったモロコシの変化を、識別する。   MSCの前処理が図1.で示されていた後モロコシの11の部門の550のサンプルの元の分光カーブおよび分光カーブ。各色は別の部門を表す。 このペーパーでは、モロコシの11の変化の同一証明はhyperspectralスペクトルおよびイメージ情報の組合せに基づいて調査された。モロコシのhyperspectralイメージは集められた、48の特徴の波長は鉱泉のアルゴリズムによって調査分析するMSCの後でスペクトルから選ばれ、それからイメージの質の特徴は得られた。SVM、PLS-DAおよびニレの分類モデルは質の特徴、完全なスペクトル、特徴スペクトルおよび結合されたイメージ情報に基づいて、それぞれ確立された。最後に、模倣にかかわらなかったデータは外的な証明のために使用された。結果は特徴のスペクトルおよび質の特徴の組合せに基づくSVMの分類モデルが最もよい効果をもたらすことを示す。テスト セットの正しい認識率は95.3%であり、証明セットの正確さは91.8%である。可視スペクトルおよびイメージの組合せは効果的にワインのモロコシの急速な認識を実現し、モデルの認識の正確さを改善できる。これは別の醸造の原料の検出および醸造のオートメーションの認識に理論的な基礎を提供する。

この調査ではクルミの内部を検出するのに、400-1000nm hyperspectralカメラが使用されFS-13の杭州CHNSpecの技術Co.、株式会社のプロダクトは関連の研究に、使用できる。800-1700nmのスペクトル領域のクルミの表面を検出するためには、900-1700nmのスペクトル領域のFS-15 hyperspectralカメラは波長の決断と2.5nmおよび1200までの分光チャネルよりよく使用することができる。獲得の速度はバンド選択が3300Hz （サポート多領域バンド選択）だった後完全なスペクトルの128FPS、および最高に達することができる。 クルミはすべての年齢のために適したナットの食糧および重要な木質オイル穀物である。世界の中国のランク第1のクルミの植わる区域そして収穫。クルミの穀粒のテストし、等級別になる質はクルミの生産および処理の重要なリンクである。関連した国民の標準に従って、クルミの穀粒の出現の質の表示器は内部質の表示器は脂肪分および蛋白質内容を含んでいるが、完全性および皮膚色を含んでいる。実際の生産では、等級別になるクルミの穀粒は等級分けで高い偶発性および高い生産費がある内部質を区別することを困難にするの手動選択に主に出現および色、頼る。従来の化学テストはサンプルに有害で、検出する長い時間を取り現代生産所要に合わせることを困難にする。現在、クルミの質の検出のためのhyperspectral技術の使用の研究はクルミの貝および穀粒の分類に主に焦点を合わせ、クルミの穀粒の質に関連したレポートがずっとない。 同時にクルミの穀粒の内部質の検出そして出現の分類を実現するために方法を探検するためにはこの調査は脂肪分の独特スペクトル、クルミの穀粒の蛋白質クルミの穀粒の質の非破壊的なテストの適用に参照を提供するために内容および色を選別するのにhyperspectral画像技術をおよび選別されて質の表示器の関連した独特バンド使用した。 near-infrared地域（863-1704のmm）のクルミの穀粒のサンプルの平均分光情報および前に処理された分光情報は図3.で示されている。サンプルの元の分光情報の総合特性は水の吸収ピークを除いて基本的に一貫している、他の部品の吸収ピークは明らかではないし、スペクトルのこれからのプロセスは必要である。MSEおよびSNVを結合する調査分析方法はサンプル スムーザーの分光情報を作るバックグラウンド ノイズの影響を除去する。同時に、それは高めたり分光情報の一貫性を、強調し分光ピークおよび谷を、増強する分光特徴を促進する。 分光情報およびイメージの特徴に基づくクルミの穀粒の出現の等級の分類。図6は可視ライトおよび短波のnear-infrared地域（382~1027nm）で3つの色のクルミの穀粒のサンプルの平均分光カーブを示す。スペクトルの前部および背部区分の騒音に大きい影響があるので、前部および背部区分の20のwavebandポイントは取除かれる。図6から、それは元のスペクトルで、3つの色のクルミの穀粒のサンプルの分光反射率がライトからの深いへの色の変更として可視ライトの範囲の重要な下落傾向を示し、スペクトルがnear-infrared範囲で比較的不調であること見ることができる。MSCおよびSNV方法の組合せによって調査分析される分光情報はそれに続く分光処理のために有用である分光反射率である特定の秩序および一貫性を示す。 hyperspectral画像技術を使用して、クルミの穀粒の内部および外的な質を検出するための方法は調査された。分光結合およびイメージ情報によって、完全性および色に基づいてクルミの穀粒および出現の質等級分けの蛋白質そして脂肪分の予言は達成された。結果は車のアルゴリズムおよび相関係数方法の組合せが効果的に完全な分光バンドの関係がなく、冗長情報を取除くことを示す。完全な分光バンドと比較されて、確認は0.66から0.91、RMSEPまで蛋白質内容の²のための特徴バンド予言モデルのRを減らした1.37%から0.78%をから置いた;0.83から0.93、RMSEPまで脂肪分の²のための確認セットRは0.98%から0.47%をから、指定特徴バンドが効果的にモデルの複雑さを減らし、予言する能力を改善したことを示す減らし。イメージの統計的な特徴パラメータと色の相違の特徴スペクトルを結合することによって、総色の相違の特徴の帯スペクトルはかなり冗長情報の干渉を減らし、効率を模倣することを改善できるhyperspectralイメージから得られた。イメージの統計的な特徴パラメータと総色の相違の特徴の帯スペクトルを結合することによって、分類の正確さは更にRGBバンドと比較されて改善される。DTのアルゴリズムによって確立される色の分類モデルを使用するときモデルに最も高い分類の正確さ（98.6%）がある。hyperspectralイメージの使用は同時に内部質変数（蛋白質内容、脂肪分）の検出およびクルミの穀粒の出現の質（完全性、色提供する）の分類を、クルミの穀粒の質の非破壊的なテストの適用に新しい解決を達成した。    

小学校科学に戻ろう。これは可視スペクトル-私達が私達の肉眼と見ることができるライト-電磁スペクトルの小さい部分である。 これは電磁スペクトルである。それはX線、マイクロウェーブおよび電波によって右に左端および旅行のガンマ線から始まる。紫外と赤外線間の小さい可視スペクトルはOBAsが複雑でなければ人間が肉眼と見ることができることスペクトルの唯一の部分である。 OBAsは見えない紫外線の部分を吸収し、青いライトとして再出す。これは青いライトをより明るく、より白いようである作る生地を反映した。 Wikipediaのイメージ礼儀。 このイメージは権利の目に見える波長、および左の紫外領域を示す。蛍光増白剤はこれらの紫外線を吸収し、人間の目に目に見えるスペクトルあたりの再吸収することによって働く。

光沢度は、マテリアルの表面が光を反射する能力を評価する物理量です。物体の表面特性として、光沢は光に対する表面の鏡面反射能力に依存します。鏡面反射とは、入射角と反射角が等しくなる反射現象のことです。光沢度は、一連の幾何学的に指定された条件下で、マテリアル サーフェスが光を反射する能力を評価する物理量です。そのため、反射の性質を方向選択で表現しています。光沢の特性によると、光沢はいくつかのカテゴリに分けることができます。通常、光沢は「鏡面光沢」を指すと言うので、光沢計は鏡面光沢計とも呼ばれます。 光沢度は、研磨されたガラスの参照基準と比較して、表面から反射される光の量に基づいて測定されます。表面から反射される光の量は、入射角と表面の性質によって異なります。光沢の単位はグロスユニット（GU）です。GU が低いほど、光沢反射が少なくなります。GU が高いほど、反射光沢が高くなります。 グロスはマット、セミグロス、ハイグロスに分けられます。測定された角度は、入射光と反射光の間の角度です。3 つの測定角度 (20°/60°/85°) が指定されており、ほとんどの工業用コーティング アプリケーションに対応しています。必要に応じて適切な角度を決定または選択するには、グロスメーターを使用して角度を 60° で測定し、目的の光沢範囲内で角度を選択します。