Lica.

点击蓝字 关注我们

2024.02.11

在本研究中，来自马来西亚科廷大学、沙捞越大学的一组研究团队首先制备了不同浓度的CHC-纯西米混合物样品（48种），使用Resonon Pika L台式线扫描高光谱成像系统对CHC-纯西米混合物样品进行高光谱成像（400-1000 nm）。再对获取的高光谱图像进行预处理，包括图像分割以确定感兴趣区域（ROI）和子采样，提取ROI中的平均光谱数据。最后进行回归分析，基于提取的光谱数据和CHC浓度建立偏最小二乘回归（PLSR）模型，以预测西米面粉中的CHC浓度，并进行优化及利用决定系数（Rp）、预测均方根误差（RMSEP）和预测平均百分比误差（MAPEP）等评估模型性能

点击下方链接，查看原文

车厘茄（Solanum lycopersicum）因其特殊的香味深受世界各地消费者喜爱。可溶性固形物（SSC）和硬度是评估产品质量的两个主要指标。现存的测量技术主要依赖于化学方法。然而，这种破坏性的方法不适用于大面积的测量。高光谱成像技术可以同时获取光谱信息和空间信息，已广泛应用于各个领域，如植物病害胁迫检测、工业食品包装、医学图像分类及水果质量分析。

基于此，来自浙江工业大学和浙江省农业科学院的研究人员选择当地主流的车厘茄（Zheyingfen-1）为研究对象，测量其硬度和SSC，并基于高光谱图像（PIKA XC 高光谱相机，Resonon Inc.，Bozeman，MT，USA）和相应的深度学习回归模型开发了无损式测量技术。

点击下方链接，查看原文

研究者们在山东半岛南部胶州湾典型海水养殖区基于DJI M600Pro UAV+Resonon Pika L高光谱成像收集了高光谱图像，选取海水水质、叶绿素浓度和总悬浮物（TSM）浓度等关键参数作为海水富营养化指标。分析了各参数浓度与光谱反射率的相关性。并利用参数的最佳敏感波段建立了胶州湾海水高光谱反演模型（JZBZ）。

点击下方链接，查看原文

研究者们首次探讨了Resonon Pika XC2高光谱成像结合化学计量建模检测草鱼生鱼片上寄生虫（异尖线虫）的能力。为此，作者（a）比较了生鱼片表面、生鱼片边缘和生鱼片上存在异尖线虫的VIS/NIR光谱特征差异，（b）选择不同特征纳入分析时，应用偏最小二乘回归（PLSR）和概率神经网络（PNN）测试寄生虫检测能力，从而确定优化的建模方法。（c）基于该优化建模方法提出了未来的应用前景。

点击下方链接，查看原文

来自北京林业大学的研究者们利用DJI Matrice 600 UAV+Resonon Pika L高光谱相机在中国辽宁省进行了相关研究。首先调查了RTB侵染油松后光谱特征的变化。其次，利用RF分类器比较不同光谱特征区分RTB阶段的性能。最后，探索了深度学习算法（CNN）在小HIS数据集中分类树皮甲虫干扰是否优于机器学习算法（RF）。

点击下方链接，查看原文

来自中国西北农林科技大学的一组研究团队以中国杨陵区（108?4 0 E，108?160E，34?160N）为研究区，对新作物品种进行试验。2021年10月21日，在一个钢架棚内共种植335个小麦品种（共2010个叶片样品），并将它们置于不同的土壤含水量条件下，采用土壤钻探法测量0.5m深度的土壤含水量。再在每个品种中采集了6个新鲜的旗叶样本，在实验室内利用Resonon Pika L 高光谱成像系统采集小麦叶片的高光谱图像数据，同时利用SPAD-502 Plus叶绿素计测定小麦旗叶的SPAD值（反映叶绿素含量）。对高光谱图像进行平滑处理（使用Savitzky-Golay滤波器）、一阶导数处理。分析控制和干旱胁迫下小麦灌浆期旗叶的高光谱特征及其与SPAD值的相关关系，用逐次投影算法（SPA）识别特征波段，最后采用机器学习方法构建了四种回归模型，包括简单线性回归（SLR）、最小绝对收缩和选择算子回归（LASSO）、岭回归（RR）和随机森林回归（RFR）模型，并检验模型效果，以确定快速叶绿素含量估计模型的准确性，最终建立一种快速、无损、准确、广泛适用的方法来评估小麦叶绿素含量、光合作用和抗旱性。

点击下方链接，查看原文

来自佛罗里达大学的研究团队通过Resonon Pika L室内平台系统（5个病害阶段：低、中（1和2水平）、高和非常高）及野外机载系统（2个阶段：低和高）分别测量了西瓜健康叶片和DM感染叶片的高光谱图像，选择感兴趣区域（ROI），将各种植被指数（VI）作为识别病害阶段的指标。利用多层感知器（MLP）和决策树（DT）两种分类模型来区分健康和DM感染植物。使用MLP来选择能够识别DM及其病害程度的最佳VI。

点击下方链接，查看原文

苹果是世界上最受欢迎且有价值的水果之一。质地、风味和营养是苹果最重要的品质。一般来说，香气在苹果风味中发挥着重要的作用。提高苹果香气是育种和筛选的目标。因此，构建苹果香气成分评估模型至关重要。高光谱成像技术（HSI）结合二维成像技术实现光谱全图像信息获取，因其快速、有效和无损特征而广泛应用在农业、食品和化学领域。

基于此，在本文中，来自西北农林科技大学园艺学院的研究人员利用高光谱成像（PIKA XC2 高光谱相机，Resonon Inc., Bozeman，MT，USA）建立了‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分预测模型，初步实现了苹果成分的即时检测，以提供理论基础。

点击下方链接，查看原文

车厘茄（Solanum lycopersicum）因其特殊的香味深受世界各地消费者喜爱。可溶性固形物（SSC）和硬度是评估产品质量的两个主要指标。现存的测量技术主要依赖于化学方法。然而，这种破坏性的方法不适用于大面积的测量。高光谱成像技术可以同时获取光谱信息和空间信息，已广泛应用于各个领域，如植物病害胁迫检测、工业食品包装、医学图像分类及水果质量分析。

基于此，来自浙江工业大学和浙江省农业科学院的研究人员选择当地主流的车厘茄（Zheyingfen-1）为研究对象，测量其硬度和SSC，并基于高光谱图像（PIKA XC 高光谱相机，Resonon Inc.，Bozeman，MT，USA）和相应的深度学习回归模型开发了无损式测量技术。

点击下方链接，查看原文