CHNSpec Technology （Zhejiang）Co.,Ltd 회사 소식

컬러 디퍼런스 미터 (color difference meter) 는 빛/전력 변환 원리를 통해 색 차이를 정확하게 측정하는 정밀 광학 측정 기구이다. 일반적으로,측정 대상의 색상 데이터는 다섯 각에서 수집됩니다 (15°), 45°, 110°), 측정 결과는 수집된 표준 샘플 데이터와 샘플 데이터를 분석하고 비교하여 얻습니다.   광학 분야에서 색은 실험실 색 스칼라로 측정 할 수 있습니다. L축은 밝기 축, 0은 검은색, 100은 흰색입니다. A축은 빨간색과 녹색 축, 긍정적 값은 빨간색,음값은 녹색입니다., 0은 중립색이고, b축은 노란색과 파란색의 축이고, 긍정적 값은 노란색이고, 부정적인 값은 파란색이고, 0은 중립색이다.이 스케일은 샘플과 표준 샘플 사이의 색상의 차이를 나타낼 수 있습니다., 일반적으로 Δa, Δb, ΔL를 식별자로, ΔE는 샘플의 전체 색상 차이로 정의되지만 샘플 색상 차이의 오차 방향을 나타낼 수 없습니다.ΔE의 값이 클수록CIE 색상 공간의 Lab 및 Lch 원리에 따르면 색상 차이는 ΔE, Δa, Δb,ΔL 값은 표본과 표준 표본 사이의 값을 측정하고 표시할 수 있습니다..   ΔE는 일반적으로 다음 공식으로 계산됩니다. Δ E * = [(Δ L *) + (Δ a *) + (Δ b *) 1/2   때때로 일부 회사들은 2보다 작은 전체 색상의 차이를 요구할 수 있고, 일부는 실험실 값도 요구할 수 있습니다.0, Δa, Δb, ΔL 모두 ≤1이 될 것이 좋습니다.5, 그리고 일반적으로 ΔE가 1일 때 시각적으로 구별된다.5Δa, Δb, ΔL는 일반적으로 고정되지 않기 때문에 너무 엄격한 요구 사항의 경우종종 전체 색 차이 ΔE와 색 차이 Δc (밝기 효과를 고려하지 않고) 에 대한 요구 사항이 있습니다, 이 때 다음 공식에 따라 계산할 수 있습니다: ΔE*=[(ΔL*) + ((Δa*) + ((Δb*) ]1/2 Δc*=[(Δa*) + ((Δb*) ]1/2   색 차이 미터는 CIE 색 공간의 Lab, Lch 원리에 기반하고, 측정은 샘플의 색 차이 △E와 △Lab 값을 보여줍니다.이 제품은 페인트 색을 감지하는 데 널리 사용됩니다.잉크, 섬유, 의류, 가죽, 플라스틱, 플라스틱, 인쇄, 코팅, 금속 등, 그렇다면 색차량 측정기에 있는 랩은 무엇을 나타냅니다? L: 흑백, 또한 밝은 어두운, +는 흰색을 의미, -는 어두운 의미; A: 빨간색은 녹색을 나타냅니다. +는 빨간색을 나타냅니다. -는 녹색을 나타냅니다. B: 노란색과 파란색을 나타냅니다. +는 노란색을 나타냅니다. -는 파란색을 나타냅니다.   위의 값은 상대 값이고, 간단한 L,A,B는 절대 값이고, 이 세 값은 3차원 지도에 있을 수 있고,상대값을 얻을 수 있고 전체 색상 차이를 수정하기 위한 참조점 차이 ΔΕ= (Δa2+Δb2+Δl2) 1/2.   CIE (국제 조명 위원회) 실험실 색상 공간 간략한 소개: L: (밝기) 축은 흑백, 0은 검고 100은 100을 나타냅니다 a: ((붉은 녹색) 긍정적 값은 빨간색, 부정적인 값은 녹색, 0은 중립색입니다. b; (노란색, 파란색) 축의 긍정적 값은 노란색이고, 부정적인 값은 파란색이고, 0은 중성입니다.   모든 색상은 실험실 색상 공간을 통해 인식되고 측정될 수 있고, 이 데이터는 표준 샘플과 테스트 샘플 사이의 색상의 차이를 표현하는 데도 사용될 수 있습니다.그리고 보통 △Eab (총색차) 로 표현됩니다..   예를 들어,△L는 긍정적으로, 시험 표본이 표준 표본보다 가벼운 것을 나타냅니다 (백색)   예를 들어:△a는 긍정적으로, 시험 표본이 표준 표본보다 적다는 것을 나타냅니다 (붉은)△a는 부정적으로, 시험 표본이 표준 표본보다 녹색이라는 것을 나타냅니다 (녹색)   예를 들어:△b는 긍정적으로, 시험 표본이 표준 표본보다 노란색을 더하고 있음을 나타냅니다 (노란색)시험 표본이 표준 표본보다 더 파란색을 나타냅니다 (파란색)   △Eab ((또는 △E) 는 전체 색의 차이이며, 색의 차이 변화 방향은 표시되지 않습니다. 값이 클수록 색의 차이가 커집니다.

생산 과정에서 우리는 종종 A 문제를 발견합니다. 이 광원 아래에서 A 표준 표본과 B 표준 표본의 색이 같거나 색의 차이는 매우 작다는 것을 관찰합니다.하지만 다른 광원 아래에서 A와 B의 색상을 관찰하는 것은 매우 다릅니다., 이 현상은 "메타메리즘"이라고 불립니다. 이색색 스펙트럼은 단순히 빛의 밑에서 같은 색이지만 스펙트럼의 구성은 다릅니다.인쇄 및 염기 산업은 종종 점프 라이트와 헤테로 크로마가 개념이라고 말했다.      같은 두 제품, 다른 빛의 밑에서, 색상 표시가 다릅니다   다른 빛의 색상의 근본적인 이유는 두 색의 스펙트럼 반사력이 다르기 때문입니다.   그렇다면 실제 생산 과정에서 이성색 스펙트럼 현상을 어떻게 피할 수 있을까요?   우선, 물체의 표면의 색을 결정하는 세 가지 요소가 있다는 것을 이해하는 것이 필요합니다. 물체, 빛의 근원 및 관찰자입니다.이 세 가지 요소가 정확히 같을 때만, 물체의 표면 색상은 완전히 일관성 있을 수 있습니다. 관찰자들은 종종 같고, 우리는 메타색을 피하기 위해 물체나 빛의 변수 요소의 일관성을 제어해야 합니다.   첫 번째 방법은 빛의 원천을 통합하는 것입니다.우리는 조건과 다른 색상을 달성하기 위해 색상 일치 작업을 수행하기 위해 고객의 공동 장소와 그들의 조명 조건과 같은 환경을 사용할 수 있습니다이 방법은 빛의 원천과 같은 높은 환경 요구 사항을 가지고 있으며, 실제로 메타 크로마티즘 현상을 피할 수 없습니다.   두 번째 방법은 물체의 스펙트럼 반사율을 통합하는 것입니다. 색의 스펙트럼 반사율이 일관성 있는 한두 물체의 색은 또한 어떤 빛의 조건에서도 일관되어야 합니다..   색은 직관적으로 볼 수 있지만 스펙트럼 반사성은 맨눈으로 관찰할 수 없으며 기기의 도움으로 식별해야합니다.색 스펙트럼 기술에 의해 개발 스펙트럼 색 측정 시리즈 제품은 시각적으로 색값을 읽을 수 있습니다, 또한 스펙트럼 반사성을 생성하여 색상 일치 작업자의 작업 부하를 크게 줄이고 색상 일치 작업자가 색상 일치의 정확성을 향상시키는 데 도움이 될 수 있습니다.

색차량 측정기의 보다 고급 스펙트럼 유형, 즉 우리는 종종 스펙트럼 색차량 측정기의,이 도구는 스펙트럼 분산에 사용될 수 있는 광학 요소를 포함합니다..   스펙트럼 광도 측정기는 일반적으로 프리즘, 격자, 간섭 필터, 조절 또는 불연속 일련의 단색 광원을 사용하여 스펙트럼 광도를 달성합니다.그리고 그 다음 색상 숫자를 얻기 위해 분산의 원칙에 따라 단일 색상 정보를 분석분광사광기는 내부에 설정된 분광 공간과 계산 공식에 따라 분광 정보를 표시하고 디지털 형태로 출력 할 수 있습니다.스펙트럼 광도계는 또한 색상 측정 데이터에 기초한 기본 스펙트럼 데이터 정보를 분석 할 수 있습니다..   자외선은 눈에 보이는 스펙트럼에 속하지 않고 맨눈으로 감지하거나 관찰할 수 없다는 것을 알고 있지만 색의 변화에 영향을 줄 수 있습니다.크로마를 측정하기 위해 사용되는 자외선 해상도의 분광 광대보다 정확한 색상 분석을 가능하게 합니다.   그러나 이제 더 많은 제조업체는 색을 측정하는 구성 요소를 사용하여 이러한 측정을 완료합니다. 구성 요소는 더 많은 제품 색 정보를 측정하는 데 도움이 될 수 있습니다.정확도가 보장될 수 있는 동안, 그러나 구성 요소는 빛 색 차이 측정기의 내부 기술을 조정하는 것이 더 쉬우지만 기기의 제조 비용을 줄입니다.더 많은 제조업체가.   스펙트럼 포토미터는 시각적 색상 측정 데이터 비교 및 시뮬레이션을 위해 설계되었으며 컴퓨터 색상 일치에 중요한 보조 도구입니다.주요 제조업체가 분석을 완료하는 데 도움이 될 수 있습니다., 스펙트럼 및 컬러 미트릭 정보의 처리 및 모니터링. 빛 색 차이 측정기의 사용에서 중요한 데이터 방정식 - 색 허용 방정식,이것은 일반적으로 우리가 말하는 허용 범위입니다., 산업 대량 생산에서, 제품 및 자격 상황을 제어 할 수있는 용량이 빠르고 합리적입니다.   제품 사이의 색상의 차이를 측정하고 제어하기 위해 일반적인 색상의 차이 미터는 동일합니다, 우리는 먼저 표준 샘플 제품의 정보를 측정해야합니다,그리고 샘플의 색상 정보를 측정, 그리고 비교하여 색 차이 데이터를 얻습니다. 사실, 색 측정 및 색 관리는 전반적으로 동일하지만 스펙트럼 포토미터는 더 정확하고 더 포괄적입니다.

색 차이 측정기는 표면 색상 산업에서 다양한 응용 프로그램을 가지고 있습니다. 코팅, 건축 재료, 페인트, 코팅, 섬유 인쇄 및 염색, 잉크, 플라스틱,염료 색소 제조, 등, CIELAB 균일 색 공간으로도 알려져 있습니다. 색 차이 측정 인터페이스에 따라 실험실 값을 분석하자:   ColorMeter Pro는 다른 색상 도구, 강력한 성능 구성, 색상 측정 더 전문적으로; 기기는 안드로이드 또는 IOS 장치에 무선으로 연결 될 수 있습니다,이는 색을 측정하는 응용 분야를 크게 확장합니다.. 그것은 색상 관리의 새로운 세계로 당신을 데려 갈 것입니다, 인쇄, 페인트, 섬유 및 다른 색상 카드를 대체 할 수 있습니다, 색상 읽기, 색상 카드 검색 기능을 달성하기 위해.   색차량 측정기 실험실 값 의미: L: (밝기) 축은 흑백, 0은 흑백, 100은 흰색입니다. a: (붉은 녹색) 긍정적인 값은 빨간색이고, 부정적인 값은 녹색이고, 0은 중립색입니다. b: (노란색, 파란색) 긍정적 값은 노란색이고, 부정적인 값은 파란색이고, 0은 중성입니다.   모든 색상은 실험실 색상 공간을 통해 인식되고 측정될 수 있고, 이 데이터는 표준 샘플과 테스트 샘플 사이의 색상의 차이를 표현하는 데도 사용될 수 있습니다.보통 dE*ab (총색차) dL*로 표현됩니다., da*, db*.   dE가 0-1 사이일 때 색상의 차이는 맨눈으로 인식되지 않습니다. dE가 1-2 사이라면 사람의 눈은 약간 인지할 수 있고, 염색 민감도가 높지 않으면 여전히 보이지 않습니다. dE가 2-3 사이라면 물질 사이의 색상의 차이가 약간 명확하게 식별 될 수 있지만 상대적으로 분명하지 않습니다. dE가 3.5-5 사이가 되면 색의 차이는 아주 분명해집니다. 그래서 5의 dE는 두 가지 색으로 보입니다   색상의 차이와 같은 보물 데이터: dL*는 22.6 이므로 시험 표본이 표준 표본보다 밝고 (백색) 이고 인터페이스는 얼마나 흰색이고 검은색이 적었는지 직접 표시합니다. dL*가 음수라면시험 표본이 표준 표본보다 더 어두운 경우. da* 는 47.7 이므로 시험 표본이 표준 표본 (붉은색) 보다 붉은색이고 인터페이스는 직접적으로 빨간색이 더 많고 녹색이 덜 표시됩니다.시험 표본이 표준 표본보다 녹색 (녹색) 이다.. Db*는 43.4 이 긍정적 인 것으로 테스트 샘플이 표준 샘플보다 노란색 (노란색) 을 나타냅니다. 인터페이스는 직접 노란색을 더 많이 표시하고 파란색을 덜 표시합니다.만약 db*이 음이라면, 시험 표본은 표준 표본보다 파란색입니다 (파란색). dE*ab ((또는 dE) 는 전체 색차가므로 색차 변화 방향은 표시되지 않습니다. 값이 클수록 색차가 커집니다.   색 차이 공식: dE=[(dL) 2+(da) 2+(db) 2/2. dL=L 테스트 된 제품 -L 표준 샘플 (밝기/흑백 차이) da=a 테스트 된 제품 - 표준 샘플 (붉은/녹색 차이) db=b 테스트된 제품 -b 표준 샘플 (노란색/나 파란색 차이) △L+는 흰색, △L-는 검은색 △a+는 빨강, △a-는 녹색 △b+는 노란색, △b-는 파란색을 나타냅니다   전체적으로, 색 차이 미터는 편리한 작업, 직관적인 색 차이 장비의 데이터 탐지, 현재 일상 생산 및 생활 프로세스에서 매우 널리 사용됩니다.그래서 색깔 관리에 대한 필요 친구들은 신중하게 위의 실험실 값의 의미를 연구 할 수 있습니다.

SCI는 거울 반사광 모드 포함을 의미합니다.일반적으로 샘플 제조업체의 표면 광선에 붙어있는 색상에 관심이없는 색상의 특성을 연구하는 사람들에게 사용됩니다.SCE는 거울 반사 빛을 포함하지 않는 방법을 의미합니다.일반적으로 직접 관찰되는 표본에 적합하며 측정 결과가 시각 시선에 매우 가깝도록 요구됩니다., 예를 들어 가전 가구 가구.   SCE 측정 모드에서는 거울 반사 빛이 배제되고 유분한 빛만 측정됩니다. 이렇게 측정 된 값은 관찰자에게 보이는 물체의 색과 비교됩니다.SCI 모드가 사용되면, 거울 반사 빛은 분산 빛과 함께 측정에 포함됩니다. 이렇게 측정 된 값은 객체의 전체 객체 색입니다.그리고 물체의 표면 조건과 아무런 관련이 없습니다.이러한 기준은 기기를 선택할 때 고려해야합니다. 일부 기기는 SCE 및 SCI 모드 모두에서 값을 측정 할 수 있습니다.   SCI와 SCE 옵션은 일반적으로 d/8 구조의 색 측정 기기의 설정에서만 나타납니다.                                     물체가 같은 재료로 만들어졌다고 하더라도, 표면 반짝이는 차이로 인해 색이 다르게 보일 것입니다.   빛의 원천에서 나오는 빛은 같은 각에서 다른 방향으로 반사되는 빛을 생성하기 때문에빛이 거울에서 반사되는 것과 같기 때문입니다.. 거울 반사로 반사되지 않고 모든 방향으로 흩어지는 빛을 분산광이라고 부른다. 거울과 분산광의 합은 반사광이라고 부른다.   부드럽고 밝은 표면에서는 반사광이 더 강하고 분산광은 약합니다. 반등한 표면에서는 반대의 현상이 발생합니다. 사람들이 물체의 색을 관찰 할 때반사된 빛을 무시합니다.이러한 샘플을 측정할 때, 데이터를 물체와 동일하게 보이도록 하기 위해서는 거울 반사된 빛을 제외하고 유분한 빛을 측정해야 합니다.거울 에서 반사 되는 빛 의 양 때문 에 물체 의 색깔 이 달라진다.

이 연구에서 400-1000nm 초광선 카메라를 사용할 수 있으며, Hangzhou Color Spectrum Technology Co., LTD의 제품은 FS13는 관련 연구를 수행합니다. 스펙트럼 범위는 400-1000nm이고 파장 해상도는 2.5nm보다 낫고 1200nm까지 두 개의 스펙트럼 채널. 전체 스펙트럼에서 128FPS까지의 획득 속도, 대역 선택 후 3300Hz까지 (다중 영역 지원) 도메인 대역 선택) 클로로필은 식물 광합성에 중요한 역할을 하며, 그 함량은 식물 영양소 스트레스, 광합성 능력 및 성장 상태에 대한 중요한 지표입니다.식물 엽록소 함량의 검출은 식물 성장과 발달을 모니터링하는 데 사용될 수 있습니다., 재배와 비료 관리에 대한 과학적 지침, 좋은 작물 성장을 보장하고 작물의 품질과 수확을 향상시키기 위해,정밀 농업과 산림 농업의 실무에 큰 의미가 있습니다전통적인 엽록소 함량을 검출하는 방법은 분석 화학 방법, 즉 잎은 실험실에서 수집되고 화학 용매로 추출됩니다.그리고 그 다음 분광 광기에서 두 개의 특정 파장의 추출 액체의 흡수율을 결정합니다.이 방법은 높은 측정 정확도를 가지고 있지만 번거롭고 시간이 오래 걸리고 작업이 어렵습니다.그리고 현장에서 파괴적이지 않은 빠른 테스트의 요구 사항을 충족 할 수 없습니다..   가시적 근 적외선 분광은 최근 몇 년 동안 빠르게 개발 된 분석 및 검출 방법입니다.질적 또는 정량적 분석을 위해 전체 스펙트럼 또는 다파장 스펙트럼 데이터를 완전히 사용할 수 있는전통적인 분석 화학 방법과 비교하면, 가시 적외선 근처 분광은 빠른 분석, 높은 효율성, 저렴한 비용, 손상, 오염 등의 특성을 가지고 있습니다.그리고 많은 분야에서 널리 사용되었습니다.이 논문에서는 식물 잎의 시선 근 적외선 스펙트럼 신호는 반사 표본 채취를 통해 얻었으며 스펙트럼 데이터는 평평화로 사전 처리되었습니다.1차 분화와 웨이블렛 변환식물 잎의 엽록소 함량 및 잎 흡수 스펙트럼을 결정하기 위해 부분 최소 제곱 방법 (PLS) 을 사용했습니다. 이 논문 에서, 식물 들 의 엽록소 함량 을 가시 적외선 근방 스펙트럼 스펙트럼 으로 결정 하는 새로운 방법 이 제안 되었다.반사량 샘플링 방법은 블레이드의 스펙트럼을 수집하는 데 사용됩니다., 평평화, 미분 및 웨블렛 변환 방법이 스펙트럼 데이터의 사전 처리를 위해 사용되며, 이는 타겟 인자가 아닌 요소의 영향을 줄이고 신호-소음 비율을 향상시킵니다.그럼, 부분 최소 제곱 방법을 사용하여 잎 엽록소 함량 및 잎 흡수 스펙트럼의 정량 분석 모델이 설정되었습니다.모델의 예측 정확도는 실제 측정 응용 프로그램의 요구 사항을 충족이 연구의 결과는 잎의 엽록소 함량을 검출하기 위해 비전 근 적외선 분광의 적용이 가능하다는 것을 보여주었습니다.잎의 엽록소 함량을 빠르게 검출할 수 있는 근거를 제공했습니다., 그리고 또한 미래에 대응하는 비파괴 테스트 도구의 개발을위한 기초를 마련했습니다.

이 연구에서 900-1700nm 초전광 카메라가 적용되었으며, Hangzhou Color Spectrum Technology Co., LTD의 제품인 FS-15는 관련 연구를 위해 사용될 수 있습니다.짧은 파동 근 적외선 초광선 카메라, 전체 스펙트럼의 취득 속도는 200FPS까지, 구성 식별, 물질 식별, 기계 비전, 농산물 품질에서 널리 사용됩니다.화면 탐지 및 다른 필드.   안토시아닌은 포도와 와인의 중요한 페놀 화합물이며, 주로 포도 열매의 표피 아래 3-4 층의 세포의 진공구에 존재합니다.와인의 감각적 품질을 결정하는 중요한 요소전통적인 화학 검출 방법은 검출 대상을 파괴합니다.그리고 빠르고 큰 샘플 크기의 검출을 달성하는 것이 어렵습니다.그러나 국내외에서 포도에서 안토시아닌을 빠르게 검출하는 연구는 거의 없습니다.파괴적이지 않은 테스트 방법으로서 초전광 영상 기술은 광범위한 관심을 끌었습니다., 전통적인 근 적외선 분광 기술과 비교했을 때, 초광선 영상 기술은 독특한 장점을 보여줍니다.스펙트럼 정보의 하나 또는 여러 점만 매번 얻을 수 있습니다., 그리고 위치와 점 수 선택에서 더 많은 무작위성과 일방성이있을 것입니다. 하이퍼 스펙트럼 이미지 기술은 분석물의 이미지를 얻을 수 있습니다.더 풍부한 정보를 제공하는 것뿐만 아니라, 그러나 또한 스펙트럼 데이터 처리에서 더 합리적이고 효과적인 분석 방법을 제공합니다.부분 최소 제곱 방법과 결합한 초광선 영상 기술을 사용하여 모델링 과정에서, PLS 방법 연구 심화,특유의 파장이나 파장 간격을 특정 방법으로 스크리닝함으로써 더 나은 정량적 수정 모델을 얻을 수 있다는 것이 밝혀졌습니다..   이 실험에서, 931 ~ 1700 nm의 근 적외선 초광선 이미지 시스템을 기반으로 포도 열매의 초광선 이미지가 획득되었습니다.연속 프로젝션 알고리즘 SPA는 파장 변수를 선택하기 위해 사용되었습니다., 마지막으로 236 파장 포인트에서 20 개의 스펙트럼 변수를 선택했습니다. 포도 껍질의 안토시아닌 함량의 예측 모델을 설정하기 위해 다른 모델링 방법이 사용되었습니다.그 결과: (1) 연속 프로젝션 알고리즘 (SPA) 은 특징 스펙트럼 변수를 효과적으로 선택하고 수정 모델을 단순화하고 수정 시간을 단축 할 수있을뿐만 아니라하지만 또한 모델의 예측 정확도를 향상, 이는 스펙트럼 변수 선택의 효과적이고 실용적인 방법이다. (2) PLS, SPA-MLR, SPA-BPNN 및 SPA-PLS라는 네 가지 예측 모델 중 SPA-PLS 모델은 가장 좋은 예측 효과를 가지고 있으며 예측 상관률 R. 예측된 RMSEP는 0.9000과 0.5506따라서 포도 열매의 스펙트럼 데이터와 포도 껍질의 안토시아닌 함량 사이의 상관관계는 높습니다.근 적외선 초광선 영상 기술 은 포도 껍질 에 있는 안토시아닌 함량 을 효과적으로 검출 할 수 있다.

이 연구에서는 400-1000nm 초전광 카메라가 적용되었으며, Hangzhou Color Spectrum Technology Co., LTD의 제품인 FS13는 관련 연구에 사용될 수 있습니다. 스펙트럼 범위는 400-1000nm입니다.,파장 해상도는 2.5nm 이상이고 최대 1200개의 스펙트럼 채널을 얻을 수 있습니다. 전체 스펙트럼에서 취득 속도는 128FPS까지 도달할 수 있습니다.그리고 대역 선택 후 최대 3300Hz (다중 지역 대역 선택 지원). 중국의 쌀 생산량은 세계 쌀 생산량의 30% 이상을 차지하고 있으며, Jilin 지방의 "Meihe 쌀"은 중국의 japonica 쌀의 지리적 표시 제품입니다.그리고 그 생산 지역은 세계 황금 곡물 생산 벨트 (북위 45°) 에 위치하고 있습니다.실제 생활에서는 여러 종류의 메이헤 쌀이 있습니다.켈로드 질소 결정 및 분광 광학과 같은 화학적 방법들은 일반적으로 다양한 품종의 쌀의 단백질 함량을 결정하는 데 사용됩니다.그러나 이러한 전통적인 화학적 방법은 샘플 자체에 파괴적일 뿐만 아니라 복잡한 단계와 너무 긴 검출 주기입니다.적외선 분광학은 쌀의 주요 구성 요소 (단백질 ≥, 지방 β, 스타크 III, 물), 그러나 스펙트럼 정보에 따라 구성 요소의 함량을 얻을 수 있으며 더 직관적인 표현을 얻을 수 없습니다.내용의 시각화하이퍼스펙트럼은 이미지 정보와 스펙트럼 정보를 포함하는 3차원 큐브 데이터입니다.얻어진 초광선 이미지는 쌀의 내부 정보 (내부 물리적 구조 및 화학 성분 정보) 와 쌀의 외부 정보 (곡물 종류) 를 모두 포함합니다.이 논문에서는 3종류의 쌀 (다오후아와,아키타 오마치와 지징 60) 의 4개 생산 지역, Jilin Province가 연구 대상으로 선택되었습니다. 수집 된 쌀을 감지하고 쌀의 관심 지역의 평균 스펙트럼을 얻기 위해 초광선 영상 기술을 사용했습니다.스펙트럼의 신호와 노이즈 비율을 줄이고 비교적 견고한 모델을 얻기 위해, 쌀 단백질 함량의 예측 모델의 세 가지 종류, 부분 최소 제곱 회귀, 주요 구성 요소 회귀 및 오류 역 전파 신경 네트워크,회전형 평평화로 결정되었습니다.SPA는 특징적인 파장을 선택하고 특징적인 파장 모델을 설정하는 데 사용되었습니다.그리고 다양한 품종의 쌀의 단백질 함량을 시각화 실현하기 위해 단백질 함량 분포 지도로 쌀의 초광선 이미지를 변환. 쌀의 단백질 함유량 분포를 시각화 할 수 있는 가능성은 하이퍼 스펙트럼 영상 기술을 사용하여 연구되었습니다.단순화되고 효율적인 PLSR 단백질 함량 예측 모델은 MC 스펙트럼 전처리 방법과 SPA 특성 대역 선택으로 얻었습니다.양적 모델에 근거하여, 서로 다른 품종과 다른 기원을 가진 쌀의 단백질 함유량 분포가 시각화되었습니다.일반 RGB 이미지로 쌀을 구별하기가 어렵습니다.단백질 함유량 분포를 이미지화하면 쌀의 기원을 식별하는 아이디어를 얻을 수 있습니다.그리고 다른 품종들 사이에서 쌀의 단백질 함유량 분포 지도를 비교하면 나중에 쌀 품종의 번식을 위한 증거를 제공할 수 있습니다..

이 연구에서, 400-1000nm 하이퍼스펙트럴 카메라는 적용되었고 FS13, 한초우 컬러 스펙트럼 기술 Co., Ltd．의 제품이 관련 연구를 위해 사용될 수 있습니다. 스펙트럼 범위는 400-1000nm이고, 파장 분해능이 2.5nm 보다 더 낫고, 1200년까지 스펙트럼 채널이 도달될 수 있습니다. 획득 속도는 전체 스펙트럼에서 128FPS에 도달할 수 있고 밴드 선택 뒤에 있는 최대가 3300Hz (지지 다중 영역 밴드 선택) 입니다.   양상추는 단백질, 탄수화물, 비타민과 다른 영양소가 풍부하고 식재면적이 넓습니다. 질소는 양상추의 성장에 영향을 미치는 가장 중요한 요소 중 하나입니다. 양상추의 질소 컨텐트 검출을 위한 빠르고 효율적이고 비파괴 기법을 확립하는 것 양상추의 합리적 수정을 안내하도록 편리합니다. 요즈음, 양상추 잎에서 질소 함량을 발견하기 위한 초다분광 영상 기술의 사용에 대한 극소수의 보고가 있습니다. 이 연구에서, 초다분광 영상 기술은 양상추 잎에서 질소 함량의 비파괴적 탐지에 적용되었습니다. PLSB 모델링에 관한 다양한 괴기한 프리트리트먼트 방법의 효과를 연구함으로써, 적절한 괴기한 프리트리트먼트 방법은 양상추 잎으로 선택되었고 양상추 잎에서 질소 함량을 예상하는데 적합한 민감한 사고 방식이 최적화되었습니다. 양상추 잎에 질소 함량의 가장 단순하고 최적 예측 모델을 확립하는 시도가 있다. 방법의 이 일련은 보고되지 않았고 그것이 또한 강한 실질적인 값을 가지고 있는 가지고 다닐 수 있는 야채 영양 원소 검출기의 개발을 위한 원칙을 제공합니다.   60개 양상추 잎의 초다분광 영상은 초다분광 영상 기술에 의해 수집되었고 상응하는 양상추 잎의 질소 함량이 AutoAnalyzer3 연속적 흐름 분석기에 의해 결정되었습니다. 일반적인 날것 양상추 잎의 표면적으로 50×50 지역의 스펙트랄 데이터는 ENVI 소프트웨어에 의해 추출되었습니다. 추출된 평균 스펙트랄 데이터는 선행 처리되었습니다 (8 종류의 프리트리트먼트 방법). 마침내, 원래 스펙트랄 데이터와 8 종류의 전처리 스펙트랄 데이터는 양상추의 질소 함량의 예측모델들을 9명 확립하기 위해 PLSR의 입력으로서 사용되었습니다. 이러한 9 예측모델들에 의한 결과와 비교함으로써, 최적 예측모델 OSC+PLSR는 선택되었고 OSC+PLSR 모델의 회귀 계수 다이어그램이 분석되었습니다. 13 민감한 사고 방식은 선택되었고 그리고 나서 13 민감한 사고 방식이 PLSR 입력으로 받아들여졌습니다. 마침내, OSC+SW+PLSR 양상추 질소 함량의 예측모델은 확립되었습니다. OSC+PLSR 모델과 비교해서, 예측 효율은 매우 향상되었으며, 그것이 양상추 잎에서 질소 함량에 대한 예측을 위한 효율적이고 정확하고 비파괴 새로운 방안으로서 사용될 수 있고, 질소 영양 진단을 위한 참조와 양상추의 경제적이고 합리적 수정을 제공할 수 있습니다.

본 연구에서는 400-1000nm 초분광 카메라를 사용할 수 있으며 Hangzhou Color Spectrum Technology Co., LTD의 제품을 사용했습니다. FS13에서는 관련 연구를 진행하고 있습니다.스펙트럼 범위는 400-1000nm이고 파장 분해능은 2.5nm보다 좋으며 최대 1200입니다. 두 개의 스펙트럼 채널.전체 스펙트럼에서 최대 128FPS의 획득 속도, 대역 선택 후 최대 3300Hz(다중 영역 지원) 도메인 밴드 선택).   중국에서는 감자 주곡 전략이 추진되면서 감자 관련 산업체인이 급속히 발전했고, 감자 품질이 뜨거운 이슈로 떠올랐다.그러나 녹색 껍질 및 기계적 손상과 같은 결함은 감자의 전체 수량에 심각한 영향을 미치며, 특히 녹색 껍질 감자의 복잡한 모양은 결함을 식별하기가 쉽지 않고 감지의 어려움을 증가시킵니다.동시에, 녹색 감자의 솔라닌 함량이 식용 기준을 초과하면 식중독으로 이어져 식품 안전 문제를 일으킬 수 있습니다.따라서 감자 심층 가공 및 감자 산업 체인 확장을 위한 빠르고 비파괴적인 감지 방법을 연구하는 것은 큰 의미가 있습니다.   초분광 이미징 기술은 대역 범위가 넓다는 장점이 있으며, 검사 시료의 해당 대역 범위의 이미지와 스펙트럼 정보를 동시에 얻을 수 있어 농산물의 신속한 비파괴 검사에 널리 사용되었습니다.연한 녹색 껍질을 가진 감자가 임의의 위치에서 인식하기 쉽지 않은 문제를 해결하기 위해 반투과 및 반사 초분광 이미징 기술을 사용하여 비교 분석하고 다양한 초분광 이미징 방법에서 모델 인식 정확도를 결정했습니다. .감자 샘플의 반투과 초분광 이미지와 반사 초분광 이미지를 임의의 위치에서 수집하고, 각각 이미지 정보와 스펙트럼 정보를 기반으로 한 검출 모델을 구축하고, 서로 다른 모델의 인식률을 비교하였다.모델 성능을 향상시키기 위해 이미지와 스펙트럼 융합 모델 또는 다양한 이미징 융합 모델을 추가로 구축하고 최종적으로 최적의 모델을 결정합니다. (1) 다양한 초분광 이미징 방법을 사용한 영상정보 인식 모델의 정확도를 비교합니다.반전송 영상 정보를 기반으로 한 Deep Belief 네트워크 모델과 결합된 아이소메트릭 매핑의 인식률은 78.67%에 불과합니다.반영된 영상정보를 기반으로 한 Deep Belief Network 모델과 결합된 최대 분산 확장의 인식률은 77.33%에 불과합니다.그 결과, 단일 영상정보에 의한 연한 녹색 감자 검출의 정확도는 높지 않은 것으로 나타났다. (2) 다양한 초분광 이미징 방법을 사용한 스펙트럼 정보 인식 모델의 정확도를 비교합니다.반전송 스펙트럼 정보를 기반으로 한 Deep Belief 네트워크 모델과 결합된 국소 접선 공간 배열 인식률은 93.33%로 최고 수준입니다.반사 스펙트럼 정보를 기반으로 한 심층 신뢰 네트워크 모델과 결합된 국소 접선 공간 배열의 인식률은 최대 90.67%입니다.결과는 단일 스펙트럼 정보를 사용하여 연한 녹색 감자를 감지하는 것이 가능하지만 인식률을 더욱 향상시킬 필요가 있음을 보여줍니다. (3) 세 가지 다중 소스 정보 융합 방법이 인식 정확도에 미치는 영향을 비교합니다.반투과 이미지와 반투과 스펙트럼, 반사 이미지와 반사 스펙트럼, 반투과 스펙트럼과 반사 스펙트럼의 세 가지 융합 모델의 정확도는 단일 이미지 또는 스펙트럼 모델보다 높으며, 심층 신뢰 네트워크 융합 모델은 반투과 스펙트럼과 반사 스펙트럼이 가장 좋고, 보정 세트와 테스트 세트의 인식률은 100%이다.결과는 반투과 스펙트럼과 반사 스펙트럼의 융합 모델이 연한 녹색 껍질 감자의 비파괴 검사를 실현할 수 있음을 보여줍니다.

이 연구에서, 400-1000nm 밴드와 900-1700 nm의 초다분광 카메라는 적용되었고 한초우 컬러 스펙트럼 기술 Co., Ltd．의 FS13과 FS15 제품이 관련 연구를 위해 사용될 수 있습니다. 스펙트럼 범위는 400-1000nm이고, 파장 분해능이 2.5nm 보다 더 낫고, 1200년까지 스펙트럼 채널이 도달될 수 있습니다. 획득 속도는 전체 스펙트럼에서 128FPS에 도달할 수 있고 밴드 선택 뒤에 있는 최대가 3300Hz (지지 다중 영역 밴드 선택) 입니다. 고기는 주로 가축과 가금류를 포함하고 신체에 의해 필요한 수산물, 단백질, 지방산, 트레이스 소자와 다른 중요한 에너지 실체가 고기에서 나옵니다. 생활 수준의 지속적인 개선과 함께, 사람들은 다이어트에서 음식과 균형적 영양의 질에 많은 관심을 가지지만, 그러나 약간의 불법 사업이 특히 고기 불순품에 관한 2013 유럽의 말 고기 파도, 방아쇠식 사람들의 상당한 우려에서, 겉만 번지르르한 고급육으로의 약간의 저품질 고기를 섞을 것입니다. 고기 불순품 탐지 방법은 관능 평가, 휘황한 PCR 검출 기술, 전기 이동 분석과 표준 효소-결합 면역 분석 기술, 기타 등등을 포함하지만, 그러나 대부분의 그들이 샘플 프리트리트먼트를 요구하고 테스트 동작이 복잡하고 시간이 걸리고 현장에 대량 시료 크기의 빠르 실시간 탐지를 달성하기가 어렵습니다.   대부분의 기존 문학 보고서는 고기 불순품을 구별하기 위해 싱글-대역 초다분광 이미징 기술을 사용했지만, 그러나 소수가 비교 분석을 위해 2개 밴드를 이용했습니다. 이 실험에서, 고품질 녹는 양고기는 혼합물로 선택되었고 상대적으로 낮은 가격과 오리 고기가 도핑되었습니다. 샘플의 초다분광 정보는 눈에 보이는 근적외선 (400 ~ 1 000 nm)와 단파 근적외선 (900 ~ 1700 nm)의 2개 밴드에 모였고 정량적 모델이 적절한 프리트리트먼트 방법을 선택함으로써 확립되었습니다. 최적 모델은 영상 인버전으로 선택되었고 양고기 불순품의 빠른 정량적 검출을 위한 시각화 방법이 양고기 불순품의 정량적 검출에게 데이터와 기술 지원을 제공하기 위해 제안되었습니다. (1) 표준화 전처리가 최고 정밀도를 가지고 있는 후에 확립된 완전 대역 PLS 모델인 400 ~ 1000 nm의 밴드를 위해 ; 900-1700 nm 밴드를 위해, SNV 전처리 뒤에 확립된 완전 대역 PLS 모델은 최고 정밀도를 가지고 있습니다. 2개 스팩트럼 대역의 사고 방식을 선택함으로써 최적 프리트리트먼트 방법 하에, 선택된 파장 사이의 공선성이 제거하는 다중 공선성을 기초로 하여 최소이고 대표하며, 그것이 더욱 모델의 정확도와 간편성을 향상시킬 수 있다는 것이 발견됩니다.   (2) 900-1700 nm 밴드에 더 많은 고기 조성물과 관련된 그룹에 관한 정보가 있습니다, 더 잘 어느 것이 고기의 특성을 반영하고, 더 고기 불순품의 신분증에 적합할 수 있을 수 있습니까. 모델의 포괄성과 적용을 확대하기 위해, 실험은 적외선 스펙트럼 (1 700 ~ 2500 nm) 근처에 장파로 확장되어야 합니다. 동시에, 실험에서 선택된 고품질 양고기와 오리 고기는 지역 슈퍼마켓에서 완성품으로 패키지되었습니다. 후속 모델이 다른 환경 (온도, 습도, 형태, 기타 등등), 다른 품종, 다른 품질, 다양한 식이법과 다른 신선미 하에 양고기 불순품에 대한 연구에 적용될 수 있는지 더 나은 검증과 논의를 필요로 합니다.  

본 연구에서는 900~1700nm 초분광 카메라를 적용하였으며, 항저우 컬러스펙트럼테크놀로지(Hangzhou Color Spectrum Technology Co., LTD.)의 제품인 FS-15를 관련 연구에 활용할 수 있다.최대 200FPS의 전체 스펙트럼 획득 속도인 단파 근적외선 하이퍼스펙트럼 카메라는 성분 식별, 물질 식별, 머신 비전, 농산물 품질, 화면 감지 및 기타 분야에서 널리 사용됩니다.        토마토는 글루타티온, 비타민, 리코펜, 베타카로틴 및 기타 생리활성 성분을 포함한 다양한 영양소가 풍부하고 독특한 풍미를 지닌 장과류 작물로 식품 가치가 높습니다.세계 경제의 급속한 발전으로 소비자 시장에서 토마토 및 토마토 가공 제품에 대한 수요가 증가하고 있습니다.토마토는 또한 세계에서 가장 널리 재배되고 소비되는 채소 및 과일 작물 중 하나가 되었습니다.또한, 사람들의 생활 수준이 전반적으로 향상됨에 따라 토마토의 내부 품질, 외관 품질, 저장 및 운송 품질 및 우수한 풍미와 맛이 소비자에게 점점 더 중요해지고 있으며 중국 토마토 산업도 새로운 도전과 기회에 직면해 있습니다. .조사에 따르면 토마토의 성숙도와 저장 품질은 토마토 산업에 매우 중요하며, 방울토마토의 내부 품질은 물론 우수한 풍미와 맛이 소비자들에게 더 많은 관심을 받고 있습니다.빅 데이터의 개발 및 적용을 기반으로 토마토의 자동 심기, 기계화 따기 및 지능형 분류를 실현하여 토마토의 생산량 증가 및 효율성을 달성합니다.현재 국내외에서 스펙트럼 기반 토마토 품질 검출에 대한 연구가 일부 진행되고 있으나, 기존 토마토 품질 검출 모델에서는 효과적인 스펙트럼 정보 추출이 여전히 연구 난제이며, 적절한 방법을 통한 토마토 내부 품질 검출은 비파괴 검사 방법은 아직 연구 중입니다.     초분광 이미징 기술을 기반으로 한 방울토마토의 가용성 고형분 비파괴 검출 연구에서는 방울토마토 191개를 연구대상으로 선정하여 865.11~1711.71nm 범위의 초분광 영상 데이터를 수집하고, 체리 토마토 하이퍼스펙트럼 이미지는 K-평균 알고리즘으로 세그먼트화되었습니다.이 영역의 평균 스펙트럼은 방울토마토의 원래 스펙트럼 데이터로 추출되었습니다.MA와 MSC는 원본 스펙트럼 데이터를 전처리하는 데 사용되었으며 방울 토마토 샘플은 KS 알고리즘을 기반으로 훈련 세트와 테스트 세트로 나뉩니다.Feature Band에 포함된 정보의 유효성을 향상시키기 위해 SPA 알고리즘과 PCA 알고리즘을 결합하여 스펙트럼 데이터에 대한 주성분 분석을 수행한 후 체리의 PLSR 기반 SSC 검출 모델인 PCA 및 miRF 알고리즘과 비교하였다. 토마토가 확립되었고 테스트 세트 데이터로 모델이 검증되었습니다.결과는 SPA-PCA로 추출한 주성분 기반 모델의 탐지 정확도가 분명히 최적화되었음을 보여줍니다.모델의 검출 결과에서 세 가지 모델 중 SPA-PCA-PLSR 모델이 가장 좋은 검출 효과(R=0.9039)를 보였다.miRF-PLSR 모델의 검출 효과는 두 번째로 RF는 0.8878이었다.PCA-PLSR 모델의 피팅 효과는 최악이다.