logo
メッセージを送る

CHNSpec Technology (Zhejiang)Co.,Ltd chnspec@colorspec.cn 86--13732210605

CHNSpec Technology (Zhejiang)Co.,Ltd 企業紹介
ニュース
ホーム >

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

最新の会社ニュース 色差計に関する基礎知識 2023/10/30
色差計に関する基礎知識
色差計は,光/電気変換の原理によって色差を正確に測定する精密光学測定器である.測定対象の色データは5つの角度から収集される (15°)測定結果は,収集された標準サンプルデータとサンプルデータを分析して比較することによって得られます.   光学において,色はLab色スケーラーで測定できる. L軸は明るさ軸,0は黒,100は白,A軸は赤と緑の軸,正値は赤,負の値は緑色です,0は中性色;b軸は黄色と青の軸,正値は黄色,負値は青,0は中性色.このスケールは,サンプルと標準サンプルとの間の色差を表すために使用できます通常 Δa, Δb, ΔL を識別子として,ΔE はサンプル全体の色差として定義されますが,サンプル色差の偏差方向を表すことはできません.ΔE の値が大きいほどCIE色素空間のLabとLch原理によれば,色差 ΔE,Δa,Δbは,ΔL の値がサンプルと標準サンプルとの間に測定され表示される.   ΔE は通常,次の式で計算される. Δ E * = [(Δ L *) + (Δ a *) + (Δ b *) 1/2   時には,いくつかの会社では2未満の総色差が必要であり,Lab値も必要です.0, Δa, Δb, ΔL がすべて ≤ 1 であることを推奨します.5ΔEが1であるとき,通常視覚的に区別できる.5Δa,Δb,ΔLは通常固定されていないため,過度に厳しい要求の場合,通常,総色差 ΔE と色差 Δc (明るさ効果を考慮することなく) に要件があります.このとき,次の式で計算できます. ΔE*=[(ΔL*) +(Δa*) +(Δb*) ]1/2 Δc*=[(Δa*) +(Δb*) ]1/2   色差メーターは,CIE色空間のLab,Lch原理に基づいており,測定はサンプルと測定対象サンプルの色差△Eと△Lab値を示します.この製品は,塗料の色検出に広く使用されています.インク,繊維,衣類,革,プラスチック,プラスチック,印刷,コーティング,金属など,色差メーターのLabは何を表していますか? L:黒と白,また浅暗, + は白, - は暗; A:赤緑表示 +:赤緑表示 -:緑表示 B: 黄色と青を表示します +は黄色を表示します -は青を表示します   この3つの値で 3次元地図で色を正確に表現できます. 色の点は,相対値と基準点の差を合計色差 ΔΕ= (Δa2+Δb2+Δl2) 1/2を修正するために得ることができる.   CIE (国際照明委員会) ラボカラースペース 簡潔な紹介: L: (明るさ) 軸は黒と白を表し,0は黒で100は100 a: (赤緑) ポジティブな値は赤,マイナス値は緑,0は中性です. (黄色・青) 軸の正値は黄色で,負値は青で,0は中性です.   標準サンプルと試験サンプル間の色差を表現するためにも使用できます 実験室の色空間で色が認識され測定できます通常は△Eab (総色差) △L △a △b と表される..   例えば,△L は陽性で,試験標本が標準標本 (白色) よりも軽いことを示し,△L は陰性で,試験標本が標準標本 (黒色) よりも暗いことを示します.   例えば:△a は陽性で,試験標本が標準標本 (赤) よりも赤くなることを示します.△a は陰性で,試験標本が標準標本 (緑) よりも緑色であることを示します.   例えば:△b は正であり,試験標本が標準標本 (黄色) よりも黄色であることを示す.△b は負である.試験標本が標準標本より青いことを示す (青)   △Eab ((or △E) は総色差で,色差シフトの方向を示さない.値が大きいほど色差が大きいことを示します.
もっと読まれる
最新の会社ニュース カラーメータートピック - アロクロイズム 2023/10/19
カラーメータートピック - アロクロイズム
A標準サンプルとB標準サンプルの色が同じか色差が非常に小さいか,AとBの色は非常に異なりますこの現象は"メタメリスム"と呼ばれています. 異色スペクトルは光源の下で同じ色ですが,スペクトルの組成は異なります.ジャンピングライトとヘテロクロマは,概念である.      異なる光源の下,同じ2つの製品,色表示は異なる   異なる光源の色が違う根本的な理由は 2つの色のスペクトル反射が違うからです   では実際の生産過程で 異色スペクトル現象の発生を どう防ぐか?   まず,物体の表面の色を決定する要素は 3つあることを理解する必要があります. 物体,光源,観測者.この3つの要素がまったく同じである場合のみ表面の色は完全に一致します 観測者はよく同じで メタクロマティズムを避けるために 物体や光源の 変形要素の一貫性を制御する必要があります   最初の方法は 光源を統一することです条件と他の色を達成するために色マッチング作業を実行するためにこの方法では,光源などの高い環境要件があり,メタクロマティズム現象を実際に回避することはできません.   色のスペクトル反射が一貫している限り,光源条件下でも同じ色でなければならない..   色は直感的に見ることができるが,スペクトル反射は肉眼で観測できないので,機器の助けで識別する必要がある.色のスペクトル技術によって開発されたスペクトル色測定シリーズ製品は,視覚的に色値を読むことができるだけでなく色のマッチング作業員の作業量を大幅に削減し,色マッチング作業員の色マッチングの精度を向上させることができます.
もっと読まれる
最新の会社ニュース 色スペクトロメーターは色違いをどのように制御するか 2023/10/13
色スペクトロメーターは色違いをどのように制御するか
色差メーターのスペクトル型は,この器具にはスペクトル分散に使用できる光学要素が含まれています.   光スペクトロメーターは,一般的にプリズム,グリッド,干渉フィルター,調節可能または不連続の単色光源のシリーズを使用して光スペクトロメトリを実現する.そして,色数を得るために分散の原則に従って単色情報を分析します光譜計は,内側にある色素空間と計算式に従って色素度情報を表示し,デジタル形式で出力することができます.光谱計は色測定データに基づいて,基礎的なスペクトルデータ情報も分析することができます.   紫外線は目に見えるスペクトルには含まれず 肉眼では捉えられ 観察できませんが 色の変化に影響しますクロマを測定するために使用される紫外線解像度スペクトロフォトメーターがありますより正確な色解析を可能にします   この測定を完了するために,部品はより多くの製品の色情報を測定するのに役立ちます.精度が保証される限り, しかし,その部品は,光の色差計の内部技術を調整しやすく,また,器具の製造コストを削減します.より多くのメーカーが 購入できるようになるように.   光スペクトロメーターは,視覚的色測定データの比較とシミュレーションのために設計され,コンピュータの色マッチングのための重要な補助ツールです.分析を完了するのに役立つ光色差計の利用には,主要なデータ方程式 - 色の許容方程式 - が含まれる.平均的な容量です.工業用批量生産では,迅速かつ合理的に,製品と資格の状況を制御する許容があります.   標準サンプル製品の情報を測定する必要があります. 標準サンプル製品の情報を測定するには,そしてサンプルの色情報を測定実際には,色測定と色管理は全体的に同じですが,スペクトロフォトメーターはより正確でより包括的です.
もっと読まれる
最新の会社ニュース 色差メーターの実験値の意味 2023/10/07
色差メーターの実験値の意味
塗料,建材,塗料,塗料,繊維印刷および染料,インク,プラスチック,染料色素の製造CIELABの均一色空間としても知られています.色差測定インターフェースに従ってラボ値を分析しましょう.   ColorMeter Proは異なる色ツールで,強力なパフォーマンス構成で,色測定をよりプロフェッショナルにします. 機器はAndroidまたはIOSデバイスにワイヤレスに接続できます.色測定の応用領域を大きく拡大する. それは,印刷,ペイント,繊維やその他の色カードを置き換え,色読み,色カード検索機能を達成することができます.   色差計の実験値の意味: L: (明るさ) 軸は黒と白 0は黒 100は白 a: (赤緑色) ポジティブな値は赤色,マイナス値は緑色,0は中性色です b: (黄色・青) ポジティブな値は黄色で 負の値は青で 0は中性です   標準サンプルと試験サンプル間の色差を表現するためにも使用できます 実験室の色空間で色が認識され測定できます通常 dE*ab (総色差) dL* と表されます."ダ" "ダ" "ダ"   dE が 0 から 1 までのとき,色差は肉眼では知れません. dEが1〜2の範囲にある場合,人間の目はわずかに認識し,色感度が高くなければ,まだ見えない. dEが2-3の範囲である場合,物質間の色差はわずかにはっきりと識別できますが,それは比較的明らかではありません. DEが3.5-5に達すると 色差が明らかになります 2つの色のように見えます.   色差の宝石データなど dL* は 22.6 陽性で,試験サンプルが標準サンプルよりも明るく (白く) であることを示し,インターフェースは白色と黒色が少ないことを直接表示します.dL* が負であれば,試験標本が標準標本より暗く (暗く) なります. da* は 47.7 陽性で,試験標本が標準標本 (赤色) よりも赤色であることを示し,インターフェースは直接赤色が多く,緑色が少ないことを表示します.逆に,da* が陰性であれば,試験標本が標準標本より緑色である (緑色). Db* は 43.4 陽性で,試験標本が標準標本 (黄色い) よりも黄色であることを示します.インターフェースは直接黄色が多く,青が少なく表示されます.db* がマイナスである場合試験標本が標準標本より青い (青い). dE*ab ((または dE) は総色差であり,色差シフトの方向を示さない.値が大きいほど色差が大きいことを示します.   色差式: dE=[(dL) 2+(da) 2+(db) 2/2. dL=L 試験製品 -L 標準サンプル (明るさ/黒白差) da=a テストされた製品 - 標準サンプル (赤/緑の差) db=b 試験製品 -b 標準サンプル (黄色/青の差) △L+は白色,△L-は黒色 △a+は赤,△a-は緑 △b+は黄色,△b-は青を表示する   全体的に,色差メーターは便利な操作であり,色差機器の直感的なデータ検出,現在,日常生産および生活プロセスでは非常に広く使用されています.上の値の意味を注意深く研究することができます.
もっと読まれる
最新の会社ニュース SCI と SCE の違い 2023/09/28
SCI と SCE の違い
SCI は,鏡像反射光モードの加入を指します.一般的に,サンプルメーカーによる表面光輝に付着する色を気にせずに色そのものの性質を研究する人のために使用されます.SCEは,鏡反射光を含まない方法を指します.一般的に直接観測されるサンプルに適しており,測定結果が視界に非常に近い必要があります.家電のホースなどです   SCE測定モードでは,鏡反射光は除外され,拡散光のみが測定されます.このように測定された値は,観測者に見える物体の色と比較できます.SCI モードを使用する場合鏡像反射光は,分散光とともに測定に含まれます.この方法で測定される値は,オブジェクトの全体的な客観色です.そして物体の表面状態とは何の関係もありませんこれらの基準は,計器を選択する際に考慮する必要があります.いくつかの計器は,SCEとSCIの両方のモードで値を測定することもできます.   SCI と SCE オプションは,一般的には,d/8 構造の色測定器の設定にのみ表示されます.                                     表面の輝きが違うので色が違って見えます   同じ角度から異なる方向に反射されるので 鏡像反射光と呼ばれます光は鏡に映るようなものです. 鏡像反射によって反射されないが,すべての方向に散らばる光は分散光と呼ばれる.鏡像と分散光の合計は反射光と呼ばれる.   滑らかで明るい表面では,鏡光は強く,散らばる光は弱くなります.光が薄い粗い表面では,逆のことが起こります.人が物体の色を観察するとき,鏡の反射光を無視するこのようなサンプルを測定する際には,データが物体と同じように見えるようにするために,反射された鏡光を除外し,拡散光のみを測定する必要があります.物体 の 色 は,鏡 から 反射 さ れる 光 の 量 に よっ て 異なっ て い ます.
もっと読まれる
最新の会社ニュース 植物塩素素含有量を可視近赤外線スペクトロスコピーに基づく非破壊的検出方法に関する研究 2023/09/22
植物塩素素含有量を可視近赤外線スペクトロスコピーに基づく非破壊的検出方法に関する研究
この研究では400-1000nmのハイパースペクトルカメラが使用され,杭州カラースペクトル技術株式会社 (Hangzhou Color Spectrum Technology Co., LTD) の製品が使用されます. FS13は関連研究を行っています.スペクトル範囲は400-1000nmで,波長解像度は2.5nmより良く,1200nmまで 2つのスペクトルチャネル.全スペクトルで128FPSまでの取得速度,バンド選択後3300Hzまで (マルチゾーンサポート) ドメイン帯域選択) クロロフィルは植物光合成において重要な役割を果たし,その含有量は植物栄養ストレス,光合成能力,成長状態の重要な指標です.植物の塩素素含有量を検知することで,植物の成長と発達を監視することができる.栽培と肥料管理を科学的に指導し,良い作物の成長を確保し,作物の質と収穫を改善するために,精密農業と林業の実践にとって非常に重要なものです伝統的な塩素素含有量を検出する方法は,分析化学法である.つまり,葉は実験室で収集され,化学溶媒で抽出され,そして2つの特定の波長で抽出された液体の吸収量はスペクトロフォトメーターで決定されますこの方法では測定精度が高いが,複雑で,時間がかかり,苦労が伴う.フィールドでの迅速な非破壊的なテストの要件を満たすことはできません.   近赤外線スペクトロコピーは,近年急速に開発された分析と検出方法です.質的または定量的な分析のために,スペクトルデータを全スペクトルまたは複数の波長で完全に利用できる伝統的な分析化学方法と比較して,可視近赤外線スペクトロコピーは,迅速な分析,高効率,低コスト,損傷なし,汚染なしなど,多くの分野で広く使用されていますこの論文では,植物葉の視力近赤外線スペクトル信号は,反射性サンプリングによって得られ,スペクトルデータはスムージングによって事前処理された.第次次差異化と波動変換植物葉のクロロフィール含有量と葉吸収スペクトルを決定するために,部分最小正方形方法 (PLS) が使用されました. この論文では,植物におけるクロロフィルの含有量を可視近赤外線スペクトロスコピーによって決定するための新しい方法が提案されました.反射性サンプル採取方法は,刃のスペクトルを収集するために使用されます.対象でない要因の影響を軽減し,信号/ノイズ比を向上させる.じゃあ部分最小正方形方法を用いて,葉の塩素素含有量と葉の吸収スペクトルの定量分析モデルが確立されました.モデルの予測精度は,実用的な測定アプリケーションの要件を満たしましたこの研究の結果は,葉のクロロフィール含有量を検出するために,視線近赤外線スペクトロスコピーを適用することが可能であることを示しました.葉のクロロフィール含有量を迅速に検出するための基礎を提供した破壊性のない試験機器の将来開発の基礎を築きました.
もっと読まれる
最新の会社ニュース ハイパースペクトラル画像と連続投影アルゴリズムに基づいて,ブドウ皮のアントシアニンの検出 2023/09/11
ハイパースペクトラル画像と連続投影アルゴリズムに基づいて,ブドウ皮のアントシアニンの検出
この研究では,900~1700nmの超スペクトルカメラが適用され,杭州カラースペクトル技術株式会社 (LTD) の製品であるFS-15が関連研究に使用された.短波近赤外線超スペクトルカメラ, 200FPSまで全スペクトルを取得速度は,広く成分識別,物質識別,機械ビジョン,農業製品の品質に使用されています.スクリーン検出および他のフィールド.   アントシアニンは,ブドウやワインに含まれる重要なフェノル化合物であり,主にブドウベリーの皮膚下にある3~4層の細胞の真空洞に存在します.ワイン の 感覚 的 な 質 を 決定 する 重要 な 要因伝統的な化学検知方法は検知対象を破壊します.速くて大きなサンプルサイズを検出するのは困難ですしかし,国内外では,ワインブドウに含まれるアントシアニンの素早く検出に関する研究はほとんど行われていません.破壊的でない検査方法としてハイパースペクトル画像技術が広く注目されています超スペクトル画像技術には,従来の近赤外線光谱技術と比較して,独自の利点があります.周波数情報の一点または複数の点のみを毎回取得することができる.超スペクトル画像技術により,分析物の画像を得ることができます.より豊富な情報を提供するだけでなくしかし,スペクトルデータ処理におけるより合理的で効果的な分析方法も提供しています.超スペクトル画像技術を用いたモデル化過程で,部分最小正方形法と組み合わせたPLS 方法の研究の深化により,特徴的な波長や波長間隔を特定の方法でスクリーニングすることで,よりよい定量修正モデルが得られることが判明した..   この実験では, 931 ~ 1700 nm の近赤外線超スペクトル画像システムに基づいて,ブドウベリーの超スペクトル画像を取得しました.連続投影アルゴリズムSPAが波長変数を選択するために使用されました波長236点から20のスペクトル変数を選び,ブドウ皮のアントシアニン含有量の予測モデルを確立するために異なるモデリング方法を使用した.結果は,: (1) 連続投影アルゴリズムSPAは,特徴的なスペクトル変数を効果的に選択し,訂正モデルを簡素化し,訂正時間を短縮するだけでなく,モデルの予測精度も向上しますこれはスペクトル変数の選択のための効果的で実用的な方法です. (2) PLS,SPA-MLR,SPA-BPNN,SPA-PLSという4つの予測モデルの中で,SPA-PLSモデルは予測効果が最も高く,予測相関係数Rが最も高い..9千と0だ5506したがって,ブドウベリーのスペクトルデータとブドウ皮のアントシアニン含有量との相関性は高い.近赤外線 超 スペクトル 画像 技術 に よっ て,ブドウ 皮 に 含まれる アントシアニン の 含有量 を 効果的に 検出 でき ます.
もっと読まれる
最新の会社ニュース ハイパースペクトラル画像による米のタンパク質含有量の可視化 2023/09/08
ハイパースペクトラル画像による米のタンパク質含有量の可視化
この研究では,400-1000nmの超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 (LTD) の製品であるFS13は,関連する研究に使用することができる.スペクトル範囲は400-1000nmである.,波長解像度は2.5nm以上で,最大1200のスペクトルチャネルに到達できる.全スペクトルで取得速度は128FPSに達する.帯域選択の後の最大値は3300Hz (多地域帯域選択をサポートする). 中国の米生産は世界の米生産の30%以上を占め,ジリン省の"メイヘ米"は中国のジャポニカ米の地理的表示製品です.生産地域は世界の黄金穀物生産帯 (45°北緯) にあります実生活では,多くの種類の米があります.塩素測定やスペクトロフォトメトリなどの化学的方法が通常,様々な種類の米のタンパク質含有量を決定するために使用されます.しかし,これらの従来の化学的方法は,サンプルそのものに破壊的なだけでなく,複雑なステップとあまりにも長い検出サイクルです.米の主要成分 (タンパク質 ≥脂肪β,生粉III,水),しかし,スペクトル情報に基づいて構成要素の含有量を得ることができ,より直感的な表現を達成することはできません.コンテンツの可視化ハイパースペクトルとは 画像情報とスペクトル情報を含む 3次元キューブデータです取得された超スペクトル画像は,米の内部情報 (内部物理構造と化学組成情報) と米の外部情報 (穀物種類) を両方含む.この論文では,3種類の米 (ダオハワ,アキタ・オマチとジジング60) の4つの生産地域から採集された米を検出し,米の対象地域の平均スペクトルを取得するために,ハイパースペクトル画像技術を使用しました.周波数の信号とノイズ比を減らすため,比較的堅牢なモデルを得るために部分最小正方回帰,主成分回帰,エラーバックプロパガンダニューラルネットワークを含む,米のタンパク質含有量の予測モデル3種類収束式滑滑りによって決定されたSPAは,特徴的な波長を選択し,特徴的な波長モデルを確立するために使用されました.異なる品種から米のタンパク質含有量の可視化を実現するために タンパク質含有量の分布地図に米の超スペクトル画像を変換. 米中のタンパク質含有量の分布の可視化可能性は,高スペクトル画像技術を用いて研究された.単純化され効率的なPLSRタンパク質含有量予測モデルが,MCスペクトル前処理方法とSPA特徴帯の選択によって得られた.定量モデルに基づいて,異なる品種と異なる起源の米のタンパク質含有量の分布を視覚化しました.同じ品種間の米の類似した形状のために,普通のRGB画像で米を区別するのは難しいタンパク質含有量の分布を画像化することで,米の起源を特定するアイデアが得られます.異なる品種間の米のタンパク質含有量の分布図を比較すると,後の米品種の繁殖の証拠が得られます.
もっと読まれる
最新の会社ニュース hyperspectralイメージに基づくレタスの葉の窒素の内容の予言モデル 2023/08/31
hyperspectralイメージに基づくレタスの葉の窒素の内容の予言モデル
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。
もっと読まれる
最新の会社ニュース ハイパースペクトルイメージングに基づく緑色ジャガイモの検出方法 2023/08/25
ハイパースペクトルイメージングに基づく緑色ジャガイモの検出方法
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。
もっと読まれる
最新の会社ニュース hyperspectralイメージ投射に基づくマトンの粗悪品の視覚非破壊的で量的な検出 2023/08/18
hyperspectralイメージ投射に基づくマトンの粗悪品の視覚非破壊的で量的な検出
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。  
もっと読まれる
最新の会社ニュース ハイパースペクトルイメージング技術に基づくトマトの内部品質検出 2023/08/11
ハイパースペクトルイメージング技術に基づくトマトの内部品質検出
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。
もっと読まれる
2 3 4 5 6 7 8 9 10 11 12 13