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
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ブルーベリー内部品質検出の特徴的な波長選択法の研究 2023/08/04
ハイパースペクトルイメージングに基づくブルーベリー内部品質検出の特徴的な波長選択法の研究
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。
もっと読まれる
最新の会社ニュース hyperspectral画像技術に基づくクワの葉の殺虫剤残余の検出 2023/07/29
hyperspectral画像技術に基づくクワの葉の殺虫剤残余の検出
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。
もっと読まれる
最新の会社ニュース Hyperspectralイメージの技術に基づく混合供給の主要な栄養素の検出方法 2023/07/21
Hyperspectralイメージの技術に基づく混合供給の主要な栄養素の検出方法
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。
もっと読まれる
1 2 3 4 5 6 7 8 9 10 11 12