CHNSpec Technology （Zhejiang）Co.,Ltd Şirket Haberleri

Renk farkı ölçer, ışık/elektrik dönüşümü prensibi ile renk farkını doğru bir şekilde ölçen bir hassas optik ölçüm cihazıdır.ölçülen nesnenin renk verileri beş açıdan toplanır (15°), 45°, 110°) ve ölçüm sonuçları toplanan standart örnek verileri ile örnek verilerini analiz ederek ve karşılaştırarak elde edilir.   Optik alanında, renk Laboratuvar renk skalasıyla ölçülebilir, L-eksisi parlaklık eksenidir, 0 siyah, 100 beyaz; A-eksen kırmızı ve yeşil eksen, pozitif değer kırmızıdır,Negatif değer yeşil., 0 nötr bir renktir; b ekseni sarı ve mavi bir ekstir, pozitif değerler sarıdır, negatif değerler mavidir ve 0 nötr bir renktir.Bu ölçekler örnekle standart örnek arasındaki renk farkını temsil etmek için kullanılabilir, genellikle Δa, Δb, ΔL tanımlayıcı olarak, ΔE numunenin toplam renk farkı olarak tanımlanır, ancak numune renk farkının sapma yönünü temsil edemez,ΔE değeri ne kadar büyükseCIE kromatizm alanının Lab ve Lch ilkelerine göre, renk farkı ΔE, Δa, Δb,Örnek ile standart örnek arasındaki ΔL değerleri ölçülebilir ve görüntülenebilir..   ΔE genellikle aşağıdaki formülle hesaplanır: Δ E * = [(Δ L *) + (Δ a *) + (Δ b *) ] 1/2   Bazen bazı şirketler toplam renk farkının 2'den daha küçük olmasını gerektirir ve bazıları da laboratuvar değerini gerektirir.0, Δa, Δb, ΔL'nin hepsinin ≤1 olması önerilir.5, ve ΔE 1 olduğunda genellikle görsel olarak ayırt edilebilir.5D a, D b, D L'ler genellikle sabit olmadığı için, çok sıkı gereksinimler durumunda,Genellikle toplam renk farkı ΔE ve renk farkı Δc (parlaklık etkisini dikkate almadan) gereksinimleri vardır, şu anda aşağıdaki formüle göre hesaplanabilir: ΔE*=[(ΔL*) + ((Δa*) + ((Δb*) ]1/2 Δc*=[(Δa*) + ((Δb*) ]1/2   Renk farkı ölçer, CIE renk alanının Lab, Lch prensibine dayanır, ölçüm, numunenin ve ölçülecek numunenin renk farkı △E ve △Lab değerini gösterir.Ürün boya renk tespitinde yaygın olarak kullanılır, mürekkep, tekstil, kıyafet, deri, plastik, plastik, baskı, kaplama, metal vb. L: siyah ve beyaz, ayrıca açık koyu denir, + beyaz anlamına gelir, - koyu anlamına gelir; A: kırmızı yeşil, + kırmızı, - yeşil; B: sarı ve maviyi gösterir, + sarıyı gösterir, - maviyi gösterir;   Yukarıdakiler göreceli değerlerdir, basit L, A, B mutlak değerlerdir, bu üç değer ile üç boyutlu bir haritada, bir renk noktasını doğru bir şekilde temsil edebilirler,göreceli değeri ile elde edilebilir ve toplam renk farkını düzeltmek için referans noktası farkı ΔΕ= (Δa2+Δb2+Δl2) 1/2.   CIE (Uluslararası Aydınlatma Komisyonu) Laboratuvar Renk Alanı Kısa giriş: L: (parlaklık) ekseni siyah ve beyaz, 0 siyah ve 100 100 temsil eder a: (kırmızı yeşil) Pozitif değerler kırmızı, negatif değerler yeşil ve 0 nötr. b; (sarı mavi) eksenin pozitif değerleri sarıdır, negatif değerler mavidir ve 0 nötrdür.   Tüm renkler laboratuvar renk alanı ile algılanabilir ve ölçülebilir ve bu veriler standart numune ile test numunesi arasındaki renk farkını temsil etmek için de kullanılabilir.ve genellikle △Eab (toplam renk farkı) △L △a △b olarak ifade edilir.   Örneğin, △L pozitif olup, test örneğinin standart örneğe göre daha açık olduğunu gösterir (beyaz) △L negatif olup, test örneğinin standart örneğe göre daha koyu olduğunu gösterir (siyah).   Örneğin: △a pozitif, test numunesinin standart numuneye göre daha kırmızı olduğunu gösterir (kırmızı) △a negatif, test numunesinin standart numuneye göre daha yeşil olduğunu gösterir (yeşil)   Örneğin: △b pozitif, test numunesinin standart numuneye göre daha sarı olduğunu gösterir (sarı) △b negatif,Test numunesinin standart numuneye göre daha mavi olduğunu gösterir (mavi)   △Eab ((veya △E) toplam renk farkıdır, renk farkı kayma yönünü göstermez, değer ne kadar büyükse renk farkı o kadar büyüktür.

Üretim sürecinde, sıklıkla bu ışık kaynağı altında A standart numunesi ve B standart numunesi rengini gözlemlemek için bir sorun bulmak, aynı veya renk farkı çok küçüktür,Ama başka bir ışık kaynağı altında A ve B'nin rengini gözlemlemek çok farklı., bu fenomene "Metamerizm" denir. Heterocromatik spektrum, bir ışık kaynağı altında aynı renktir, ancak spektrumun bileşimi farklıdır.Baskı ve boyama endüstrisi sık sık atlama ışıkları ve heterochroma bir kavram olduğunu söyledi.      Aynı iki ürün, farklı ışık kaynakları altında, renk gösterimi farklı   Farklı ışık kaynaklarının farklı renklerinin temel nedeni, iki rengin spektral yansıması farklı olmasıdır.   Gerçek üretim sürecinde heterohromatik spektrum fenomeninin oluşmasını nasıl önleyebiliriz?   Her şeyden önce, bir nesnenin yüzeyinin rengini belirleyen üç unsurun olduğunu anlamak gerekir: nesne, ışık kaynağı ve gözlemci.Sadece bu üç element aynı olduğunda., nesnenin yüzey rengi tamamen tutarlı olabilir. Gözlemciler genellikle aynıdır ve metacromatizmden kaçınmak için nesnelerin veya ışık kaynaklarının değişken unsurlarının tutarlılığını kontrol etmemiz gerekir.   İlk yöntem ışık kaynağını birleştirmektir.Müşterinin ortak yerleri ve onların aydınlatma koşulları ile aynı ortamı kullanarak koşulları ve diğer renkleri elde etmek için renk eşleştirme çalışması yapabilirizBu yöntem, ışık kaynağı gibi yüksek çevresel gereksinimlere sahiptir ve metachromatism fenomenini gerçekten önleyemez.   İkinci yöntem, nesnenin spektral yansımasını birleştirmektir.o zaman iki nesnenin rengi de herhangi bir ışık kaynağı koşullarında tutarlı olmalıdır.   Renk sezgisel olarak görülebilir, ancak spektral yansıma çıplak gözle gözlemlenemez ve enstrümanların yardımıyla tanımlanması gerekir.Renk spektrumu teknolojisi ile geliştirilen spektral renk ölçüm serisi ürünleri sadece görsel olarak renk değerini okuyabilir, aynı zamanda renk eşleştirme işçilerinin iş yükünü büyük ölçüde azaltan ve renk eşleştirme işçilerinin renk eşleştirmesinin doğruluğunu artırmasına yardımcı olabilen spektral yansıma üretir.

Renk farkı ölçerinin daha gelişmiş spektral türü, yani biz genellikle spektral renk farkı ölçerini,Bu alet spektral dağılım için kullanılabilen bir optik eleman içerir..   Spektrofotometre genellikle spektrofotometri elde etmek için prizmalar, ızgaralar, müdahale filtreleri, ayarlanabilir veya kesintili bir dizi tek renkli ışık kaynağı kullanır.ve sonra renk sayıları elde etmek için dağılım ilkesine göre tek renk bilgisini analiz ederSpektrophotometer, içinde yer alan krominansa göre bilgiyi ve hesaplama formülünü görüntüleyebilir ve dijital olarak çıkarabilir.spektrophotometer ayrıca renk ölçüm verilerine dayanan altta yatan spektral veri bilgilerini analiz edebilir.   Ultraviyole ışığının görünür spektrumda olmadığını ve çıplak gözle yakalanıp gözlemlenemeyeceğini biliyoruz, ancak renk değişimini etkileyebilir.Kromu ölçmek için kullanılan bir ultraviyole çözünürlüklü spektrophotometer var, daha doğru renk analizini sağlar.   Bununla birlikte, şimdi daha fazla üreticiler bu ölçümü tamamlamak için renk ölçüm bileşenlerini kullanmayı seviyor, bileşen daha fazla ürün renk bilgisini ölçmeye yardımcı olabilir,Doğruluğu garanti edilebilirken, ancak bileşen, ışık renk farkı ölçümcüsünün iç teknolojisini ayarlamak için daha kolaydır, aynı zamanda aygıtın üretim maliyetini azaltır,Böylece daha fazla üreticinin kullanma gücüne sahip olması için.   Spektrophotometer, görsel kolorimetrik veri karşılaştırması ve simülasyonu için tasarlanmıştır ve bilgisayar renk eşleştirmesi için önemli bir yardımcı araçtır.Analizleri tamamlamak için büyük üreticilere yardımcı olabilir., spektral ve kolorimetrik bilgilerin işlenmesi ve izlenmesi.Bu aslında normalde söylediğimiz tolerans aralığıdır., endüstriyel seri üretiminde, hem hızlı hem de makul bir şekilde ürünü ve nitelikli durumu kontrol etmek için bir tolerans vardır.   Ürünler arasındaki renk farkını ölçmek ve kontrol etmek için sıradan renk farkı ölçümcüsü aynıdır, önce standart örnek ürünün bilgisini ölçmeliyiz,ve sonra örneğin renk bilgisini ölçmekAslında, renk ölçümü ve renk yönetimi genel olarak aynıdır, ancak spektrophotometer daha doğru ve daha kapsamlıdır.

Renk farkı ölçerinin, kaplama, inşaat malzemeleri, boya, kaplama, tekstil baskı ve boyama, mürekkep, plastik,boya pigmentleri üretimi, vb., CIELAB tek renk alanı olarak da bilinir. Laboratuvar değerlerini renk farkı ölçüm arayüzüne göre analiz edelim:   ColorMeter Pro farklı bir renk aracıdır, güçlü performans yapılandırması, renk ölçümünü daha profesyonel hale getirir; Enstrüman kablosuz olarak Android veya IOS cihazlarına bağlanabilir,Renk ölçümünün uygulama alanını büyük ölçüde genişletiyor. Renk yönetiminin yeni dünyasına götürecek, baskı, boya, tekstil ve diğer renk kartlarını değiştirebilir, renk okuma, renk kartı arama işlevlerini gerçekleştirebilir.   Renk farkı ölçerinin laboratuvar değeri anlamı: L: (Parlaklık) eksen siyah ve beyaz, 0 siyah, 100 beyaz. a: (kırmızı yeşil) Pozitif değerler kırmızı, negatif değerler yeşil ve 0 nötr. b: (sarı mavi) Pozitif değerler sarıdır, negatif değerler mavidir ve 0 nötrdür.   Tüm renkler laboratuvar renk alanı ile algılanabilir ve ölçülebilir ve bu veriler standart numune ile test numunesi arasındaki renk farkını temsil etmek için de kullanılabilir.ve genellikle dE*ab (toplam renk farkı) dL* olarak ifade edilir., da*, db*.   dE 0-1 arasında olduğunda, renk farkı çıplak gözle fark edilemez. Eğer dE 1-2 arasında ise, insan gözü hafif farkındadır, eğer kromatik hassasiyet yüksek değilse, hala görünmez. Eğer dE 2-3 arasında ise, maddeler arasındaki renk farkı hafifçe net olarak belirlenebilir, ancak nispeten belirgin değildir. DE 3,5-5 arasında olduğunda renk farkı çok belirgindir. Yani dE 5'in üzerinde iki renk gibi görünüyor.   Renk farkı gibi hazine verileri: dL* pozitif 22,6, test örneğinin standart örneğe göre daha açık (beyaz) olduğunu gösterir ve arayüz doğrudan beyaz ve daha az siyah gösterir; dL* negatif ise,Test örneği standart örneğe göre daha koyu (koyu). da* 47,7 pozitif ise, test örneğinin standart örneğe göre daha kırmızı (kırmızımsı) olduğunu gösterir ve arayüz doğrudan daha kırmızı ve daha az yeşil gösterir.Test örneği standart örneğe göre daha yeşil (yeşil renkli). Db* 43,4 pozitif, test örneğinin standart örneğe göre daha sarı (sarı renkli) olduğunu gösterir, arayüz doğrudan daha sarı ve daha az mavi gösterecektir.db* negatif ise, test örneği standart örneğe göre daha mavidir (mavidir). dE*ab ((veya dE) toplam renk farkıdır, renk farkı kayma yönünü göstermez, değeri ne kadar büyükse renk farkı o kadar büyüktür.   Renk farkı formülü: dE=[(dL) 2+(da) 2+(db) 2) 1/2. dL=L Test edilen ürün -L standart numune (parlaklık/siyah ve beyaz farkı) da=a Test edilen ürün - bir standart numune (kırmızı/yeşil fark) db=b Test edilen ürün -b standart numune (sarı/mavi fark) △L+ beyaz, △L- siyah anlamına gelir. △a+ kırmızı, △a- yeşil. △b+ sarıyı, △b- maviyi gösterir.   Genel olarak, renk farkı ölçer uygun bir işlemdir, renk farkı ekipmanlarının sezgisel veri tespiti, güncel üretim ve yaşam sürecinde şu anda çok yaygın olarak kullanılır,Bu yüzden renk yönetimi arkadaşlar için ihtiyaç dikkatlice yukarıdaki laboratuvar değeri anlamını inceleyebilirsiniz.

SCI, aynalı yansıyan ışık modunun dahil edilmesini ifade eder.Genellikle örnek üreticilerinin yüzey parıltısına yapışan rengi düşünmeden rengin özelliklerini inceleyenler için kullanılırSCE, ayna yansıtıcı ışığı içermeyen yönteme atıfta bulunur.Genellikle doğrudan gözlemlenen ve ölçüm sonuçlarının görsel görüşe çok yakın olması gereken örnekler için uygundur., ev aletlerinin korumaları gibi.   SCE ölçüm modunda, aynalı yansıyan ışık hariç tutulur ve sadece yayılmış ışık ölçülür.SCI modu kullanıldığındaBu şekilde ölçülen değer, nesnenin genel nesne rengidir.Ve nesnenin yüzey koşullarıyla hiçbir ilgisi yok.Bu kriterler, bir cihaz seçerken dikkate alınmalıdır.Bazı cihazlar, değerleri hem SCE hem de SCI modlarında da ölçebilir.   SCI ve SCE seçenekleri genellikle sadece d/8 yapısının renk ölçüm cihazlarının Ayarları'nda görünür.                                     Nesne aynı malzemeden yapılmış olsa bile, yüzey parıltısının farkı nedeniyle renk farklı görünecektir.   Bir ışık kaynağından gelen ışık aynı açıdan farklı yönlere yansıyan ışık ürettiğinden, buna ayna yansıyan ışık diyoruz.Çünkü ışık aynanın yansıması gibidir.Yansıtıcı ışıkla yansıtılamayan, fakat tüm yönlere saçılan ışığa da yansıtıcı ışık denir.   Yumuşak, parlak yüzeylerde, ayna ışığı daha güçlü ve yayılmış ışık daha zayıftır. Düşük parlaklıklı kaba yüzeylerde, tam tersi geçerlidir. İnsanlar nesnenin rengini gözlemlediklerinde,Yansıtılan ışığı görmezden geliyorlar.Bu tür numuneleri ölçerken, verilerin nesneyle aynı görünmesini sağlamak için, yansıtılan ayna ışığını hariç tutmalı ve sadece yayılmış ışığı ölçmelidirler.Bir nesnenin rengi, gördüğümüz ayna tarafından yansıtılan ışık miktarı nedeniyle farklıdır.

Bu çalışmada, 400-1000nm hiperspektral bir kamera kullanılabilir ve Hangzhou Color Spectrum Technology Co., LTD ürünleri FS13 ilgili araştırmalar yürütüyor. Spektral aralığı 400-1000nm ve dalga boyu çözünürlüğü 2.5nm'den daha iyi, 1200nm'ye kadar İki spektral kanal. Tam spektrumda 128FPS'ye kadar alım hızı, bant seçimi sonrasında 3300Hz'ye kadar (çok bölge desteği) Alan bandı seçimi). Klorofil bitki fotosentezinde önemli bir rol oynar ve içeriği bitki besin stresi, fotosentez kapasitesi ve büyüme durumunun önemli bir göstergesidir.Bitki klorofil içeriğinin tespiti bitki büyümesini ve gelişimini izlemek için kullanılabilir, yetiştirme ve gübreleme yönetimini bilimsel olarak yönlendirmek, ürünlerin iyi büyümesini sağlamak, ürün kalitesini ve verimini artırmak için,Bu, hassas tarım ve ormancılık uygulaması için çok önemli.Geleneksel klorofil içeriğinin tespit yöntemi analitik kimya yöntemidir, yani yapraklar laboratuvarda toplanır, kimyasal çözücü ile çıkarılır,ve sonra iki belirli dalga boyunda ekstrakte edilen sıvının emilim spektrophotometer belirlenir, ve klorofil içeriği formüle göre hesaplanır. Bu yöntem yüksek ölçüm doğruluğuna sahiptir, ancak zahmetli, zaman alıcı ve zahmetli,ve alanında hızlı yıkıcı olmayan testlerin gereksinimlerini karşılayamaz..   Görünür yakın kızılötesi spektroskopi, son yıllarda hızla geliştirilen bir analiz ve tespit yöntemidir.Kaliteli veya nicel analiz için tam spektrumda veya çok dalga boyunda spektral verilerden tam olarak yararlanabilenGeleneksel analitik kimya yöntemi ile karşılaştırıldığında, görünür yakın kızılötesi spektroskopinin hızlı analiz, yüksek verimlilik, düşük maliyet, hasar, kirlilik vb.ve birçok alanda yaygın olarak kullanılmaktadırBu makalede, bitki yapraklarının görme yakın kızılötesi spektral sinyalleri transrefleksans örnekleme yoluyla elde edildi ve spektral veriler düzleştirme yoluyla önceden işlendi.Birinci sıra farklılaştırma ve dalga dönüşümüBitki yapraklarının klorofil içeriğini ve yaprak emilim spektrumlarını belirlemek için kısmi en az kare yöntem (PLS) kullanıldı. Bu makalede, bitkilerdeki klorofil içeriğinin görünür yakın kızılötesi spektroskopi ile belirlenmesi için yeni bir yöntem önerildi.Yansıtıcılık örnekleme yöntemi, bıçağın spektrumunu toplamak için kullanılır., ve düzeltme, diferansiyel ve dalga dönüşüm yöntemleri, hedef olmayan faktörlerin etkisini azaltan ve sinyal-gürültü oranını iyileştiren spektral verilerin önceden işlenmesi için kullanılır.O zaman., kısmi en küçük kare yöntemi kullanarak yaprak klorofil içeriği ve yaprak emilim spektrumunun niceliksel analiz modeli oluşturuldu.Modelin tahmin doğruluğu pratik ölçüm uygulamalarının gereksinimlerini karşıladıBu çalışmanın sonuçları, yaprakların klorofil içeriğini tespit etmek için görme yakın kızılötesi spektroskopisinin uygulanmasının uygulanabilir olduğunu gösterdi.Yaprakların klorofil içeriğini hızlı bir şekilde tespit etmek için bir temel sağlayan, ve aynı zamanda gelecekte buna karşılık gelen yıkıcı olmayan test araçlarının geliştirilmesi için bir temel oluşturdu.

Bu çalışmada, 900-1700nm hiperspektral bir kamera uygulandı ve Hangzhou Color Spectrum Technology Co., LTD'nin ürünü olan FS-15, ilgili araştırmalar için kullanılabilirdi.Kısa dalga yakın kızılötesi hiperspektral kamera, 200FPS'e kadar tam spektrumun edinme hızı, bileşik tanımlama, madde tanımlama, makine görme, tarımsal ürün kalitesi,ekran algılama ve diğer alanlar.   Antosiyaninler, üzüm ve şarapta bulunan önemli bir fenol bileşik sınıfıdır ve çoğunlukla üzüm meyvelerinin epidermisinin altındaki 3-4 katmandaki hücrelerin vaküollerinde bulunur.Şarabın duyusal kalitesini belirlemede önemli bir faktördürGeleneksel kimyasal tespit yöntemi tespit nesnesini yok eder.ve hızlı ve büyük örnekleme boyutu tespit etmek zordurBununla birlikte, içerde ve yurtdışında şarap üzümlerinde antosiyaninlerin hızlı tespit edilmesi konusunda az sayıda çalışma yapılmıştır.yıkıcı olmayan bir test yöntemi olarak hiperspektral görüntüleme teknolojisi geniş ilgi çekmiştir, geleneksel yakın kızılötesi spektroskopi teknolojisi ile karşılaştırıldığında, hiperspektral görüntüleme teknolojisi benzersiz avantajlarını göstermektedir.Her seferinde sadece bir veya birkaç nokta spektral bilgi elde edilebilir.Hiperspektral görüntü teknolojisi analitin görüntüsünü elde edebilir.Sadece daha bol bilgi vermiyor., aynı zamanda spektral veri işleme daha makul ve etkili bir analiz yöntemi sağlar.Parsiyel en küçük kare yöntemi ile birleştirilen hiperspektral görüntüleme teknolojisi kullanılarak modelleme sürecinde, PLS yöntemi üzerine araştırmanın derinleştirilmesiyle,Karakteristik dalga boylarını veya dalga uzunluğu aralıklarını özel yöntemlerle tarayarak daha iyi nicel düzeltme modelleri elde edilebilir..   Bu deneyde, 931 ~ 1700 nm yakın kızılötesi hiperspektral görüntüleme sistemine dayanarak üzüm meyvelerinin hiperspektral görüntüsü elde edildi.Dalga boyu değişkenlerini seçmek için sürekli projeksiyon algoritması SPA kullanıldı, ve nihayetinde 236 dalga boyu noktasından 20 spektral değişken seçildi.Sonuçlar gösteriyor ki: (1) Sürekli projeksiyon algoritması SPA, sadece karakteristik spektral değişkenleri etkili bir şekilde seçmekle kalmayıp, düzeltim modelini basitleştirir ve düzeltim süresini kısaltır.Ama aynı zamanda modelin tahmin doğruluğunu da iyileştirir., spektral değişkenlerin seçilmesi için etkili ve pratik bir yöntemdir. (2) Dört tahmin modeli, PLS, SPA-MLR, SPA-BPNN ve SPA-PLS arasında, SPA-PLS modeli en iyi tahmin etkisine ve tahmin korelasyon katsayısı R'ye sahiptir..9000 ve 0.5506Bu nedenle, üzüm meyvelerinin spektral verileri ile üzüm kabuğundaki antocianin içeriği arasındaki korelasyon yüksektir.Yakın kızılötesi hiperspektral görüntüleme teknolojisi, üzüm kabuğundaki antocianin içeriğini etkili bir şekilde tespit edebilir.

Bu çalışmada, 400-1000nm hiperspektral bir kamera uygulandı ve Hangzhou Color Spectrum Technology Co., LTD'nin bir ürünü olan FS13, ilgili araştırmalar için kullanılabilir.,dalga uzunluğu çözünürlüğü 2.5nm'den daha iyidir ve 1200'e kadar spektral kanala ulaşılabilir.ve en fazla bant seçimi sonrası 3300Hz (çok bölge bant seçimini destekle). Çin pirinç üretimi, dünya pirinç üretiminin% 30'undan fazlasını oluşturuyor ve Jilin Eyaletindeki "Meihe pirinç" Çin japonica pirinçinin bir coğrafi göstergesi ürünüdür.ve üretim alanı dünyanın altın tahıl üretim kuşağında yer almaktadır (45° N enlem)Pratik hayatta, Meihe pirincinin birçok türü vardır.Kjellod azot belirleme ve spektrophotometry gibi kimyasal yöntemler genellikle farklı pirinç çeşitlerinin protein içeriğini belirlemek için kullanılır., ancak bu geleneksel kimyasal yöntemler sadece numuneyi yok etmekle kalmaz, aynı zamanda karmaşık adımlar ve çok uzun algılama döngüsü de içerir.pirincinin ana bileşenlerinin tespitinde kızılötesi spektroskopi yaygın olarak kullanılmıştır (protein ≥, yağ β, nişasta III, su), ancak sadece spektral bilgilere göre bileşenlerin içeriğini alabilir ve daha sezgisel bir ifade elde edemez, yaniİçeriğin görselleştirilmesiHiperspektrum, görüntü bilgileri ve spektral bilgileri içeren üç boyutlu bir küp verisidir.Alınan hiperspektral görüntü hem pirincin iç bilgilerini (iç fiziksel yapısı ve kimyasal bileşimi bilgileri) hem de pirincin dış bilgilerini (tan türü) içerir., kusurları vb.), NIR'in belirli bir maddenin uzaysal dağılımını hızlı bir şekilde belirleyemediği görüntü eksikliğini telafi edebilir.Akita Omachi ve Jijing 60) Meihe şehrindeki 4 üretim bölgesindenToplanan pirinci tespit etmek ve pirincin ilgilendiği bölgenin ortalama spektrumunu elde etmek için hiperspektral görüntüleme teknolojisi kullanıldı.Spektrumun sinyal-gürültü oranını azaltmak ve nispeten sağlam bir model elde etmek içinKısmi en küçük kare regresyonu, ana bileşen regresyonu ve hata geri yayılma sinir ağı da dahil olmak üzere pirinç protein içeriğinin üç tür tahmin modeli,Kavrama düzeltme yoluyla belirlenmiştir.SPA, karakteristik dalga uzunluğunu seçmek, karakteristik dalga uzunluğu modelini oluşturmak için kullanıldı.ve pirinç hiperspektral görüntüsünü protein içeriği dağılım haritasına dönüştürerek farklı çeşitlerden pirincin protein içeriğinin görselleştirilmesini gerçekleştirmek. Pirinçteki protein içeriğinin dağılımını görselleştirmenin uygulanabilirliği, hiperspektral görüntüleme teknolojisi kullanılarak incelendi.Basitleştirilmiş ve verimli bir PLSR protein içeriği tahmin modeli, MC spektral ön işleme yöntemi ve SPA karakteristik bantların seçimi ile elde edildi.Kütlelere dayalı model, farklı çeşitlerde ve farklı kökenlerde pirinçte protein içeriğinin dağılımını görselleştirdi.sıradan RGB görüntülerle pirinci ayırt etmek zordurProtein içeriğinin dağılımını görüntülemek pirincin kökenini belirlemek için fikirler verebilir.ve pirincin farklı çeşitler arasındaki protein içeriğinin dağılım haritalarını karşılaştırmak, daha sonra pirinç çeşitlerinin yetiştirilmesine dair kanıt sağlayabilir..

Bu çalışmada 400-1000nm hiperspektral kamera uygulanmış olup, ilgili araştırmalar için Hangzhou Color Spectrum Technology Co., LTD. ürünü olan FS13 kullanılabilir.Spektral aralık 400-1000nm olup, dalga boyu çözünürlüğü 2,5nm'den daha iyidir ve 1200'e kadar spektral kanala ulaşılabilir.Toplama hızı tam spektrumda 128FPS'ye ulaşabilir ve bant seçiminden sonraki maksimum değer 3300Hz'dir (çoklu bölge bant seçimini destekler).   Marul protein, karbonhidrat, vitamin ve diğer besin maddeleri açısından zengin olup ekim alanı geniştir.Azot marulun büyümesini etkileyen en önemli unsurlardan biridir.Marulun nitrojen içeriğinin tespiti için hızlı, etkili ve tahribatsız bir yöntem oluşturmak, marulun makul gübrelenmesine rehberlik etmek için uygundur.Şu anda, marul yapraklarındaki nitrojen içeriğini tespit etmek için hiperspektral görüntü teknolojisinin kullanımına ilişkin çok az rapor bulunmaktadır.Bu çalışmada, marul yapraklarındaki nitrojen içeriğinin tahribatsız tespiti için hiperspektral görüntü teknolojisi uygulanmıştır.Çeşitli spektral ön işlem yöntemlerinin PLSB modelleme üzerindeki etkileri incelenerek, marul yaprakları için uygun spektral ön işlem yöntemleri seçilmiş ve marul yapraklarındaki nitrojen içeriğini tahmin etmeye uygun hassas dalga boyları optimize edilmiştir.Marul yapraklarındaki nitrojen içeriğinin en basit ve optimal tahmin modelini oluşturmak için bir girişimde bulunuldu.Bu yöntemler dizisi rapor edilmemiştir ve aynı zamanda güçlü pratik değere sahip olan taşınabilir bitkisel besin elementi dedektörünün geliştirilmesine de temel oluşturmaktadır.   60 marul yaprağının hiperspektral görüntüleri hiperspektral görüntü teknolojisiyle toplandı ve karşılık gelen marul yapraklarının nitrojen içeriği AutoAnalyzer3 sürekli akış analizörü ile belirlendi.Ham marul yapraklarının yüzeyindeki 50×50 bölgelerin ortalama spektral verileri ENVI yazılımı ile elde edilmiştir.Çıkarılan ortalama spektral veriler ön işleme tabi tutuldu (8 çeşit ön işlem yöntemi).Son olarak, marulun nitrojen içeriğine yönelik 9 tahmin modeli oluşturmak için orijinal spektral veriler ve 8 çeşit ön işlem spektral verisi, PLSR'nin girdisi olarak kullanıldı.Bu 9 tahmin modelinin sonuçları karşılaştırılarak en uygun tahmin modeli OSC+PLSR seçilmiş ve OSC+PLSR modelinin regresyon katsayısı diyagramı analiz edilmiştir.13 adet hassas dalga boyu seçilmiş ve daha sonra 13 adet hassas dalga boyu PLSR girişi olarak alınmıştır.Son olarak OSC+SW+PLSR marul nitrojen içeriğinin tahmin modeli oluşturuldu.OSC + PLSR modeliyle karşılaştırıldığında, tahmin verimliliği büyük ölçüde geliştirildi; bu, marul yapraklarındaki nitrojen içeriğinin tahmini için verimli, doğru ve tahribatsız yeni bir yöntem olarak kullanılabilir ve nitrojen beslenme teşhisi için bir referans sağlayabilir ve Marulun ekonomik ve rasyonel gübrelenmesi.

Bu çalışmada 400-1000nm hiperspektral kamera kullanılabilmektedir ve Hangzhou Color Spectrum Technology Co., LTD ürünleri kullanılmaktadır. FS13 ilgili araştırmaları yürütür.Spektral aralık 400-1000 nm'dir ve dalga boyu çözünürlüğü 2,5 nm'den 1200'e kadar daha iyidir İki spektral kanal.Tam spektrumda 128FPS'ye kadar, bant seçiminden sonra 3300Hz'e kadar çekim hızı (çok bölgeli destek) Etki alanı bandı seçimi).   Çin'de temel patates tahıl stratejisinin teşvik edilmesiyle birlikte, patatesle ilgili sanayi zinciri hızla gelişti ve patatesin kalitesi önemli bir konu haline geldi.Bununla birlikte, yeşil kabuk ve mekanik hasar gibi kusurlar, patateslerin genel miktarını, özellikle de yeşil kabuklu patateslerin karmaşık şeklini ciddi şekilde etkiler; kusurların tanımlanması kolay değildir ve tespit edilmesi zorlaşır.Aynı zamanda yeşil patatesteki solanin içeriğinin yenilebilir standardı aşması halinde gıda zehirlenmelerine yol açacak ve gıda güvenliği sorunlarına yol açacaktır.Bu nedenle, patatesin derin işlenmesi ve patates sanayi zincirinin genişletilmesi için hızlı ve tahribatsız bir tespit yönteminin araştırılması büyük önem taşımaktadır.   Hiperspektral görüntüleme teknolojisi geniş bant aralığı avantajlarına sahiptir ve test edilen numunenin karşılık gelen bant aralığındaki görüntü ve spektral bilgiyi aynı anda elde edebilir, bu nedenle tarım ürünlerinin hızlı tahribatsız muayenesinde yaygın olarak kullanılmaktadır.Açık yeşil kabuklu patatesin keyfi konum altında tanınmasının kolay olmaması sorununu çözmek amacıyla, yarı geçirgen ve yansıma hiperspektral görüntüleme teknikleri kullanılarak karşılaştırma ve analiz yapılmış ve farklı hiperspektral görüntüleme yöntemleri altında model tanıma doğruluğu belirlenmiştir. .Patates örneklerinin yarı iletilen hiperspektral ve yansıyan hiperspektral görüntüleri herhangi bir pozisyonda toplanarak sırasıyla görüntü bilgisine ve spektral bilgiye dayalı tespit modelleri kurularak farklı modellerin tanınma oranları karşılaştırıldı.Model performansını artırmak için ayrıca görüntü ve spektrum füzyon modelleri veya farklı görüntüleme füzyon modelleri oluşturun ve son olarak en uygun modeli belirleyin. (1) Farklı hiperspektral görüntüleme yöntemleriyle görüntü bilgisi tanıma modellerinin doğruluğu karşılaştırılır.Yarı iletilen görüntü bilgisine dayalı derin inanç ağı modeliyle birleştirilmiş izometrik haritalamanın tanınma oranı yalnızca %78,67'dir.Yansıyan görüntü bilgisine dayalı derin inanç ağı modeliyle birleştirilmiş maksimum varyans genişlemesinin tanınma oranı yalnızca %77,33'tür.Sonuçlar, açık yeşil patatesin tek görüntü bilgisiyle tespitinin doğruluğunun yüksek olmadığını gösterdi. (2) Farklı hiperspektral görüntüleme yöntemleriyle spektral bilgi tanıma modellerinin doğruluğu karşılaştırılır.Yarı iletim spektrum bilgisine dayalı derin inanç ağı modeliyle birleştirilmiş yerel teğet uzay düzenlemesinin tanınma oranı en yüksek %93,33'tür.Yansıma spektral bilgisine dayalı derin inanç ağı modeliyle birleştirilmiş yerel teğet mekansal düzenlemenin tanınma oranı %90,67'ye kadar çıkmaktadır.Sonuçlar, açık yeşil patatesleri tespit etmek için tek spektral bilginin kullanılmasının mümkün olduğunu ancak tanıma oranının daha da geliştirilmesi gerektiğini göstermektedir. (3) Üç çok kaynaklı bilgi birleştirme yönteminin tanıma doğruluğu üzerindeki etkisi karşılaştırılır.Yarı iletilen görüntü ve yarı iletilen spektrum, yansıyan görüntü ve yansıma spektrumu, yarı iletilen spektrum ve yansıma spektrumundan oluşan üç füzyon modelinin doğruluğu, tek görüntü veya spektral modelden ve derin inanç ağı füzyon modelinden daha yüksektir. yarı iletilen spektrum ve yansıma spektrumu en iyisidir ve düzeltme seti ile test setinin tanınma oranı %100'dür.Sonuçlar, yarı iletim spektrumu ve yansıma spektrumunun füzyon modelinin açık yeşil kabuklu patatesin tahribatsız muayenesini gerçekleştirebileceğini göstermektedir.

Bu çalışmada 400-1000nm bant ve 900-1700 nm hiperspektral kameralar uygulanmış olup, ilgili araştırma için Hangzhou Color Spectrum Technology Co., Ltd. firmasının FS13 ve FS15 ürünleri kullanılabilir.Spektral aralık 400-1000nm, dalga boyu çözünürlüğü 2.5nm'den daha iyi ve 1200'e kadar spektral kanala ulaşılabilir.Toplama hızı tam spektrumda 128FPS'ye ulaşabilir ve bant seçiminden sonraki maksimum hız 3300Hz'dir (çok bölgeli bant seçimini destekler). Et ağırlıklı olarak besi hayvanlarını ve kümes hayvanlarını içerir ve su ürünleri, proteinler, yağ asitleri, eser elementler ve insan vücudunun ihtiyaç duyduğu diğer önemli enerji maddeleri etten elde edilir.Yaşam standartlarının sürekli iyileştirilmesiyle birlikte, insanlar diyette gıda kalitesine ve dengeli beslenmeye daha fazla dikkat ediyor, ancak bazı yasadışı işletmeler, özellikle 2013'te Avrupa'nın "at eti" olmak üzere, bazı düşük kaliteli etleri yüksek kaliteli, kalitesiz ete karıştıracaklar. dalgası", insanların et tağşişine ilişkin aşırı endişelerini tetikledi.Et tağşiş tespit yöntemleri arasında duyusal değerlendirme, floresan PCR tespit teknolojisi, elektroforez analizi ve enzim bağlantılı immünoassay teknolojisi vb. bulunur, ancak bunların çoğu numune ön işleme gerektirir ve test işlemi karmaşık ve zaman alıcıdır ve elde edilmesi zordur. sahada büyük numune boyutunun hızlı gerçek zamanlı tespiti.   Mevcut literatür raporlarının çoğu, et tağşişini ayırt etmek için tek bantlı hiperspektral görüntüleme teknolojisini kullandı, ancak çok azı karşılaştırmalı analiz için iki bant kullandı.Bu deneyde, katkı maddesi olarak yüksek kaliteli buzu çözülmüş koyun eti seçilmiş ve nispeten düşük fiyatlı ördek eti katılmıştır.Numunelerin hiperspektral bilgileri görünür yakın kızılötesi (400 ~ 1 000 nm) ve kısa dalga yakın kızılötesi (900 ~ 1700 nm) olmak üzere iki bantta toplandı ve uygun ön arıtma yöntemleri seçilerek nicel bir model oluşturuldu.Görüntü ters çevirme için en uygun model seçildi ve koyun eti tağşişinin kantitatif tespiti için veri ve teknik destek sağlamak üzere koyun tağşişinin hızlı kantitatif tespiti için bir görselleştirme yöntemi önerildi. (1) 400 ~ 1000 nm bandı için, normalizasyon ön işleminden sonra oluşturulan tam bantlı PLS modeli en yüksek doğruluğa sahiptir;900-1700 nm bandı için, SNV ön işleminden sonra kurulan tam bantlı PLS modeli en yüksek doğruluğa sahiptir.Optimum ön işlem yöntemi altında iki spektral bandın dalga boyunun seçilmesiyle, seçilen dalga boyları arasındaki bağlantının minimum olduğu ve modelin doğruluğunu ve basitliğini daha da artırabilen çoklu bağlantının ortadan kaldırılması temelinde temsili olduğu bulunmuştur.   (2) Etin özelliklerini daha iyi yansıtabilen ve et tağşişlerinin tanımlanması için daha uygun olabilecek 900-1700 nm bandında et bileşimi ile ilgili gruplar hakkında daha fazla bilgi vardır.Modelin kapsamını ve uygulanabilirliğini genişletmek için, deney uzun dalga yakın kızılötesi spektruma (1 700 ~ 2500 nm) genişletilmelidir.Aynı zamanda, deneyde seçilen yüksek kaliteli koyun eti ve ördek eti, yerel süpermarketlerde bitmiş ürün olarak paketlendi.Sonraki modelin, farklı ortamlarda (sıcaklık, nem, şekil, vb.), farklı çeşitlerde, farklı niteliklerde, farklı besleme yöntemlerinde ve farklı tazelikte koyun eti tağşiş çalışmasına uygulanıp uygulanamayacağı daha fazla doğrulama ve tartışma gerektirir.  

Bu çalışmada 900-1700nm hiperspektral kamera uygulanmış ve ilgili araştırma için Hangzhou Color Spectrum Technology Co., LTD. firmasının ürünü olan FS-15 kullanılmıştır.Kısa dalga yakın kızılötesi hiperspektral kamera, 200FPS'ye kadar tam spektrumun edinme hızı, kompozisyon tanımlama, madde tanımlama, makine görüşü, tarımsal ürün kalitesi, ekran algılama ve diğer alanlarda yaygın olarak kullanılmaktadır.        Domates, benzersiz bir tada sahip, glutatyon, vitaminler, likopen, beta-karoten ve diğer biyoaktif bileşenler dahil olmak üzere çeşitli besinler açısından zengin ve yüksek gıda değerine sahip bir meyve ürünüdür.Küresel ekonominin hızlı gelişimi ile birlikte tüketici pazarında domates ve domates işleme ürünlerine olan talep artmaktadır.Domates aynı zamanda dünyada en çok yetiştirilen ve tüketilen sebze ve meyve bitkilerinden biri haline gelmiştir.Buna ek olarak, insanların yaşam standartlarının genel olarak iyileştirilmesiyle, domateslerin iç kalitesi, görünüm kalitesi, depolama ve nakliye kalitesi ve mükemmel tat ve tadı tüketiciler için giderek daha önemli hale geldi ve Çin'in domates endüstrisi de yeni zorluklarla ve fırsatlarla karşı karşıya. .Araştırmaya göre, domates endüstrisi için domatesin olgunluğu ve saklama kalitesi çok önemli ve çeri domatesin iç kalitesi ile mükemmel tat ve lezzeti tüketiciler tarafından daha çok endişelendiriliyor.Büyük verilerin geliştirilmesi ve uygulanmasına dayalı olarak, domates üretimini ve verimini artırmak için otomatik ekim, mekanize toplama ve akıllı domates sınıflandırması gerçekleştirilir.Şu anda, yurtiçinde ve yurtdışında spektruma dayalı domates kalite tespiti üzerine bazı araştırmalar yapılmıştır, ancak mevcut domates kalite tespit modellerinde, etkili spektral bilginin çıkarılması hala bir araştırma zorluğudur ve uygun yöntemlerle domates iç kalitesinin tespiti tahribatsız muayene yöntemleri üzerinde çalışılmayı beklemektedir.     Çeri domateslerin çözünebilir katı içeriğinin hiperspektral görüntüleme teknolojisine dayalı olarak tahribatsız tespiti çalışmasında, 191 kiraz domates araştırma nesnesi olarak seçilmiş, 865.11~1711.71 nm aralığında hiperspektral görüntü verileri toplanmış ve ilgilenilen bölge çeri domates hiperspektral görüntüsü, K-means algoritması ile segmentlere ayrıldı.Bu bölgenin ortalama spektrumu, çeri domatesin orijinal spektral verileri olarak çıkarılmıştır.Orijinal spektral verileri ön işlemek için MA ve MSC kullanıldı ve kiraz domates örnekleri, KS algoritmasına dayalı olarak eğitim setleri ve test setlerine ayrıldı.Öznitelik bandında yer alan bilgilerin etkinliğini artırmak için, SPA algoritması ve PCA algoritması birleştirilerek spektral veriler üzerinde temel bileşen analizi gerçekleştirilmiş ve daha sonra kirazın PLSR tabanlı bir SSC algılama modeli olan PCA ve miRF algoritmaları ile karşılaştırılmıştır. domates kuruldu ve model, test seti verileriyle doğrulandı.Sonuçlar, SPA-PCA tarafından çıkarılan ana bileşene dayalı modelin tespit doğruluğunun açıkça optimize edildiğini göstermektedir.Modellerin tespit sonuçlarından, üç model arasında en iyi tespit etkisine sahip olan SPA-PCA-PLSR modeli R, 0.9039'dur.miRF-PLSR modelinin algılama etkisi ikinci, RF 0.8878 idi.PCA-PLSR modelinin uydurma etkisi en kötü olanıdır.