病虫害是影响农作物生产的重要制约因素,及时的病虫害监测预警可以显著降低农业生产损失,并提高农作物的产量与质量。针对传统病虫害预测技术的若干局限,阐述神经网络、支持向量机(support vector machine,简称SVM)、3S[包括遥感(remote sensing,简称RS),全球定位系统(global position system,简称GPS),地理信息系统(geographic information system,简称GIS)]和物联网等信息技术在病虫害监测预警中的应用,介绍前兆数据分析、病虫害识别和社会化服务等多种应用研究进展,并对病虫害监测预警规范化、数据化、智能化和标准化发展趋势进行展望。
高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI...
详细信息
高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI)的光谱曲线,并测定样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)含量和菌落总数(total viable count,TVC),利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合,分别建立2个指标的偏最小二乘法(partial least square,PLS)定量分析模型。NIR样本选用30份新鲜程度不同的鸡胸肉,测定其TVB-N含量和TVC,建立PLS的交叉验证模型。结果表明:利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数(R^2)分别为0.965和0.919,均方根误差(root mean square error of cross validation,RMSECV)分别为0.121和0.215;利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780,RMSECV分别为0.232和0.312。由此可见,基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。
暂无评论