引用本文
刘鸿阳, 孔德国, 罗华平, 高峰, 王聪颖. 基于多光谱图像角度融合测定库尔勒香梨理化指标[J]. 光谱学与光谱分析, 2024,44(3): 649-655.
LIU Hong-yang, KONG De-guo, LUO Hua-ping, GAO Feng, WANG Cong-ying. Physical and Chemical Indexes Were Determined Based on Multispectral Image Angle Fusion[J]. Spectroscopy and Spectral Analysis, 2024,44(3): 649-655.
Doi:10.3964/j.issn.1000-0593(2024)03-0649-07  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于多光谱图像角度融合测定库尔勒香梨理化指标
刘鸿阳1,2, 孔德国1,2,*, 罗华平1,2, 高峰1,2, 王聪颖1,2
1.塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
2.自治区教育厅普通高等学校现代农业工程重点实验室, 新疆 阿拉尔 843300
*通讯作者 e-mail: 461080623@qq.com

作者简介: 刘鸿阳, 1999年生, 塔里木大学机械电气化工程学院硕士研究生 e-mail: liuhongyang739@163.com

收稿日期: 2022-08-22 修回日期: 2022-10-31 接受日期: 2022-10-31
基金: 国家自然科学基金项目(11964030), 塔里木大学现代农业工程重点实验室项目(TDNG2020202)资助
摘要

基于多光谱图像角度融合, 提出了一种库尔勒香梨快速无损检测的方法。 以库尔勒香梨为研究对象, 应用多光谱成像采集系统, 以10°为间隔, 获取了相对方位角为10°~90°内的多光谱图像。 使用ENVI5.1软件进行多光谱图像角度融合并提取感兴趣区域(ROI), 获得多光谱数据。 对光谱反射率、 波段和相对方位角进行了皮尔逊相关性分析, 发现波段和相对方位角都对光谱反射率呈极显著相关性, 且相对方位角相关系数为0.1大于波段相关系数0.053, 有必要在建模过程中加入相对方位角因素。 采用标准正态变量变换(SNV)、 均值中心化变换(MC)、 卷积平滑处理(S_G)和归一化处理(Nor)等预处理方法, 选用偏最小二乘回归(PLSR)建立全波段检测模型, 通过校正集相关系数( Rc)、 预测集相关系数( Rp)、 校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)对模型的效果进行评价, 对比探究特征角度下和角度融合下库尔勒香梨关键指标的模型检测效果。 结果表明: 采用角度融合处理后, 所建立的PLSR和SVM模型预测效果都有显著提升。 预测库尔勒香梨含水率最优模型为采用角度融合的偏最小二乘回归模型(AF-PLSR), 其 Rc为0.936, RMSEC为0.298, Rp为0.901, RMSEP为0.285; 预测库尔勒香梨硬度和糖度的最优模型为以角度融合的支持向量机模型(AF-SVM), Rc分别为0.894、 0.905, RMSEC为0.527、 0.376; Rp为0.830、 0.901, RMSEP为0.532、 0.379。 角度融合将不同角度下的光谱数据结合在一起, 获得了比单一角度更加丰富的信息, 得到了更加完善的光谱。 所建立的检测模型精度更高。 结果证明: 基于多光谱图像角度融合技术预测库尔勒香梨的含水率、 硬度和糖度是可行的。 为提高多光谱无损检测精度和高光谱无损检测精度提供了一种新的思路。

关键词: 多光谱成像; 融合光谱; 库尔勒香梨; 偏最小二乘回归
中图分类号:O433.4 文献标志码:A
Physical and Chemical Indexes Were Determined Based on Multispectral Image Angle Fusion
LIU Hong-yang1,2, KONG De-guo1,2,*, LUO Hua-ping1,2, GAO Feng1,2, WANG Cong-ying1,2
1. College of Mechanical and Electrical Engineering, Tarim University, Alar 843300, China
2. Modern Agricultural Engineering Key Laboratory at Universities of Education Department of Xinjiang Uygur Autonomous Region, Alar 843300, China
*Corresponding author
Abstract

Based on a multispectral image angle fusion. Multispectral images were obtained from 10° to 90 °at 10° intervals. Multispectral image angle fusion and the region of interest (ROI) were extracted using ENVI5.1 software to obtain the multispectral data. The Pearson correlation analysis of the spectral reflectance, band, and relative azimuth found that both the band and relative azimuth were extremely significantly correlated with the spectral reflectance, and the relative azimuth correlation coefficient of 0.1 is greater than the band correlation coefficient of 0.053. Therefore, it is necessary to add the relative azimuth factors in the modeling process. Using standard normal variable transformation (SNV), mean centralization transformation (MC), convolution smoothing treatment (S_G), normalization treatment (Nor), partial least squares regression (PLSR) to evaluate the full band set correlation coefficient ( Rc), prediction set correlation coefficient ( Rp), correction set root mean square error (RMSEC) and prediction set root mean square error (RMSEP) to explore the effect of the model. The results show that the prediction effect of the established PLSR and SVM models is significantly improved after adopting the angle fusion treatment. The optimal model is a partial least squares regression model (AF-PLSR) with Rc of 0.936, RMSEC of 0.298, Rp of 0.901, RMSEP of 0.285; the optimal prediction model is the support vector machine model (AF-SVM), Rc is 0.894, 0.527, 0.376; Rp is 0.830, 0.901, and RMSEP is 0.532, 0.379 respectively. Angle fusion combines the spectral data from different angles together to obtain more abundant information than a single angle and a more perfect spectral information. The established detection model has a higher accuracy. The results proved that it is feasible to predict the water content, hardness, and sugar content of Korla's fragrant pear based on the multispectral image angle fusion technology. The results provide a new idea for improving MMS and HMS NDE accuracy.

Keyword: Multi-spectral imaging; Fusion spectrum; Korla fragrant pear; Partial least squares regression
引言

库尔勒香梨是新疆特色果品, 因其具有香味独特、 入口即化、 脆甜多汁等特点而受广大消费者青睐, 市面上库尔勒香梨以次充好、 果品品质差异大和分级不科学的现象亟待解决[1]。 对库尔勒香梨进行快速无损检测与分级具有重要意义。

传统的检测手段为破坏性抽样检测, 且检测时间较长, 存在着诸多弊端[2]。 因此迫切需要开发一种大批量快速无损检测技术。 多光谱成像技术可以获得被测物光谱和对应波段的图像信息, 在叶片含水率、 叶绿素、 果实缺陷检测和成熟度的判别应用广泛[3, 4, 5, 6]。

国内外学者通过多光谱融合技术综合不同类型的光谱数据, 全面深度地挖掘光谱信息来提高定性模型和定量模型的检测精度[7]。 张佐经[8]等通过融合密度与光谱特征提高了苹果霉心病检测精度, 检测精度达到了95.56%; 张慧[9]等的研究结果表明将烤烟的光谱信息与纹理特征融合后, 烤烟的分类效果有明显提高; 张凡[10]等基于图谱特征层信息融合建立的羊肉挥发性盐基氮(total volatile base nitrogen, TVB-N)预测模型, 验证集相关系数达0.930; 金瑞[11]等通过融合光谱维和图像维信息建立的扩散映射结合极限学习机模型, 对4种马铃薯(发芽、 绿皮、 黑心和合格马铃薯)混合识别率达到96.58%; Li[12]等基于极限学习机融合紫外可见光谱与近红外光谱对溴氰菊酯配方进行了鉴定; Ge[13]等融合核磁共振与近红外光谱数据对玉米单倍体进行了鉴定; Rí os[14]等采用四种光谱分析方法(近红外光谱、 中红外光谱、 荧光光谱和核磁共振), 发现数据融合模型比单一模型更有效地区分葡萄酒醋的原产地。

近年来多角度定量遥感通过加入角度维信息, 使得观测数量增多信息量增加, 从而提高检测精度, 广泛应用于植被生理参数、 气溶胶反演和反照率应用中[15]。 本工作在进行库尔勒香梨糖度、 硬度和含水率检测中, 引入角度因素对光谱特征的影响, 设计了不同相对方位角下的库尔勒香梨光谱观测实验, 并对库尔勒香梨光谱的反射率、 相对方位角和波段进行了相关性分析。 并进行特征角度下建立的库尔勒香梨检测模型和角度融合下建立的库尔勒香梨检测模型的对比, 提出了采用多光谱图像角度融合提高库尔勒香梨检测模型精度的方法。

1 实验部分
1.1 材料

实验材料为完熟期的库尔勒香梨, 采购于阿拉尔市。 挑选60个表面无损伤, 大小相近的库尔勒香梨为实验样品, 并将样品编号放入便携式车载冰箱冷藏处理。 实验前, 将全部样品放置室内, 待样品温度与室温保持一致后开始实验。

1.2 仪器与设备

实验设备包括光速视觉(北京)科技有限公司生产的miniCAM6F多光谱成像仪, 滤光片中心波段(450、 470、 510、 560、 660、 680、 690、 705、 900 nm)、 溴钨灯光源、 吸光布、 手持式测距仪、 PTFE树脂漫反射白板、 A-2003电子天平、 GZX-9140MBE电热鼓风干燥仪、 GMK-710R型手持式糖度计、 浙江托普云农科技股份有限公司生产的GY-4型数显果实硬度计等。

1.3 多光谱图像信息的采集

香梨样品分成10组, 每组6个香梨, 每组分两排依次按序号平躺横放于黑色吸光布上。 实验前先采集白板光谱用于校正。 多光谱成像采集系统如图1所示, 进行相对方位角φ =80° 时的图像信息的采集, 为避免后期复杂的图像配准工作, 按照地面标记的刻度, 多光谱相机天顶角θ r=44° , 溴钨灯天顶角θ i=60° , 使得香梨处于图像中央。 多光谱相机始终固定在距离实验样本X轴方向150 cm处, 只移动溴钨灯, 溴钨灯以180 cm为半径从Y轴绕样本圆心从0° 到90° 每间隔10° 进行移动, 每组每10° 采集9个波段图像。

图1 多光谱成像采集系统图Fig.1 Multispectral imaging acquisition system

1.4 多光谱图像的角度融合及光谱信息的提取

多光谱图像的角度融合是将不同角度下的光谱数据结合在一起, 从而获得了比单一角度更加丰富的信息, 不同角度下所包含的具体信息有所差异, 进行角度融合处理之后, 获取更多更全的光谱信息, 能够更加完整地表征样品的信息。 使用ENVI5.1软件对采集到的多光谱图像进行平场校正, 进行角度融合其结果如图2所示。 图中λ 代表波段, 每个角度下采集得到的9幅单波段的灰度图像均带有角度信息, 按照波段顺序和角度顺序进行图像的堆叠, 即在λ 轴上添加角度维信息。 得到一幅带有空间信息、 光谱信息和角度信息的多光谱图像。 因此得到60个样品的多光谱图像立方体, 每个像素点有9× 9不同波段角度组合的光谱信息。 在图像上选择6个感兴趣区域(region of interest, ROI)对6个香梨进行光谱信息的提取, 得到其ROI内的平均反射光谱。 对其进行包络线的去除(continuum removal)以突出反射光谱的特征并减少计算量。

图2 多光谱图像的角度融合Fig.2 Angle fusion of the multispectral images

1.5 库尔勒香梨硬度、 含水率和糖度的测定方法

测光谱的样品先用数显果实硬度计采集正反两面的硬度, 各在其赤道线采取3个点, 共6个点取其硬度平均值作为该样品最终硬度值。 水份测定采取国标 GB/T5009.3-2016 《食品中含水率的测定》, 用小刀切取样品正反两面的果肉共6块, 每块约5 g放入电热鼓风干燥箱进行烘干, 烘干至重量变化少于0.001 g。

含水率=(m1-m2)m1×100%(1)

式(1)中, m1为烘干前的质量, m2为烘干后的质量。 含水率最后取6次计算的平均值。 糖度测定使用手持式数显糖度计, 同样每个样品测量6次, 取其糖度平均值为该样品最终糖度值。

1.6 数据处理

光谱数据预处理方法、 异常样本的剔除、 偏最小二乘回归(PLSR)和支持向量机(SVM)模型计算应用均在MATLAB2020B进行实现。 其中核函数类型、 惩罚系数C与核函数参数g的选取对SVM影响较大。 选用线性核函数, 核函数参数g设为默认值, 为防止模型过拟合, 惩罚系数C适当调整。 通过校正集相关系数(Rc)、 预测集相关系数(Rp)、 校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)对模型的效果进行评价[15]。 相关系数为真实值与预测值的相关程度, 均方根误差为真实值和预测值之间的偏差, 即校正集相关系数Rc和预测集相关系数Rp越接近1, 预测集均方根误差RMSEC和预测集均方根误差RMSEP越接近0, 表示模型的效果越好[2]。

2 结果与讨论
2.1 库尔勒香梨平均反射光谱曲线及相关性分析

实验所得库尔勒香梨在9个波段下, 不同相对方位角去除包络线的库尔勒香梨平均光谱反射率曲线如图3所示, 其基本规律为: 不同相对方位角的多光谱曲线波形趋势基本相似, 470、 510和660 nm波段反射光谱受角度影响较为明显。 不同角度下多光谱成像仪接受的反射能量不一致, 同一角度下, 不同波段光谱反射率不同, 不同角度对光谱曲线波形和吸收谷位置无明显影响。

图3 库尔勒香梨平均光谱反射曲线Fig.3 Mean spectral reflection curve of Korla fragrant pear

对光谱反射率R, 波段和相对方位角之间进行相关性分析, 选取库尔勒香梨样本数据进行皮尔逊相关性分析, 结果如图4所示, 光谱反射率和相对方位角的P值小于0.01, 呈现极显著相关性, 说明相对方位角对光谱反射率的影响很大, 相对方位角与光谱反射率之间的相关系数0.1略大于波段与光谱反射率之间的相关系数0.053, 说明在波段较少的多光谱无损检测中, 相对方位角因素对光谱反射率的影响大于波段对光谱反射率的影响。 对多光谱无损检测模型中加入角度信息是有必要的。

图4 库尔勒香梨光谱反射曲线相关系数图Fig.4 Correlation coefficient diagram of the spectral reflection curve in Korla fragrant pear

2.2 样本集的划分及异常样本的剔除

在进行样本集划分前, 先对库尔勒香梨异常理化值样本进行剔除, 采用浓度残差法, 设定阈值为2, 剔除异常样本的糖度值、 硬度值和含水率。 以剔除糖度值为例, 如图5(a-c)所示, 剔除编号为14、 15、 33、 56和57的糖度理化值。 同理, 剔除9个异常硬度理化值样本和8个含水率理化值样本。

图5 剔除异常库尔勒香梨样本
(a): 糖度; (b): 含水率; (c): 硬度Fig.5 Abnormal Korla fragrant pear samples were removed
(a): Sugar degree; (b): Water content; (c): Hardness

SPXY(sample set portioning based on joint x-y distance)法充分考虑样本的光谱及理化信息, 可以改善模型的预测能力, 本研究采用SPXY法对样本进行划分。 如表1所示为样本的糖度值、 硬度值和含水率的划分情况。 校正集糖度的范围为10.250~13.783 (° Brix), 校正集硬度的范围为6.400~11.650 N, 校正集含水率的范围为84.857%~88.218%。 通过SPXY法划分的校正集范围包含了预测集范围, 说明所选的校正集样本具有代表性。

表1 库尔勒香梨样本划分表 Table 1 Division table of Korla fragrant pear samples
2.3 预处理方法的选择

为了评估多光谱数据对库尔勒香梨理化值的实际预测能力, 对原始光谱数据进行预处理, 采用不同预处理方法, 建立不同的偏最小二乘回归(partial least square regression, PLSR)以选出较好的预处理方式, 如表2所示分别对原始光谱数据(Raw), 标准正态变量变换(standard normal variable transformation, SNV)、 均值中心化变换(mean centering, MC)、 卷积平滑处理(savitzky-golay, S_G), 归一化处理(normalized, Nor)等预处理方法进行比较分析发现, 只有采用S_G预处理后建立的校正模型相比较原始光谱数据的建立的校正模型, 相关系数都有所提高。 其均方根误差有所提高, 模型的鲁棒性变差。 因此直接采用原始光谱建立模型。

表2 不同预处理方法下的PLSR模型 Table 2 The PLSR models under the different preprocessing methods
2.4 相对方位角对PLSR模型的影响

相对方位角对光谱影响较大。 因此根据相对方位角10° 、 20° 、 30° 、 40° 、 50° 、 60° 、 70° 、 80° 和90° 下采集的多光谱数据建立偏最小二乘回归模型, 确定最佳相对方位角下的光谱采集方式。

2.4.1 相对方位角对PLSR水分模型的影响

在不同相对方位角含水率建模中, 如表3所示, 方位角为70° 时, 多光谱成像仪采集的光谱数据建立的PLSR含水率模型最好, 其次为方位角60° 时建模效果较好, 校正集相关系数Rc为0.815、 0.811, 校正集均方根误差RMSEC为0.486、 0.494, 预测集相关系数Rp为0.868、 0.824, 预测集的均方根误差RMSEP为0.289、 0.390, 建模效果显著提高。

表3 不同相对方位角的含水率PLSR模型 Table 3 PLSR model for different relative azimuths

2.4.2 相对方位角对PLSR糖度和硬度模型的影响

在不同相对方位角硬度和糖度建模中, 如表4所示, 相对方位角为60° 时所建的偏最小二乘回归硬度模型和糖度模型效果最好, 其校正集相关系数Rc为0.714、 0.776, 校正集均方根误差RMSEC为0.799、 0.561, 预测集相关系数Rp为0.612、 0.732, 预测集的均方根误差RMSEP为0.828、 0.542。 在多角度采集光谱实验中, 不同相对方位角下的光谱携带果品理化信息的权重不一致。 综合来看, 本实验中相对方位角60° 时为特征角度, 选用相对方位角60° 下进行光谱数据的采集, 所得偏最小二乘回归模型的鲁棒性较好。 回归模型存在最佳相对方位角, 使得模型效果最显著, 这个可能与库尔勒香梨的介电常数和折射率有关。

表4 不同相对方位角的糖度和硬度PLSR模型 Table 4 PLSR model of sugar degree and hardness for different relative azimuth angles
2.5 多角度融合模型

2.5.1 多角度融合模型的建立

由于多光谱成像仪只有9个波段, 故不进行特征波段的选取, 采用全波段建模。 全波段作为模型的输入量, 实验所测得库尔勒香梨的含水率、 糖度和硬度作为模型的输出量。 建立PLSR模型和支持向量机(SVM)模型。 相对方位角60° 为特征角度, 故进行特征角度(characteristic angle, CA)和角度融合(angle fusion, AF)下模型的对比, 模型结果如表5所示。

表5 基于特征角度和角度融合建立的理化值预测模型 Table 5 The physicochemical value prediction model established based on feature angle and angle fusion

与特征角度的光谱比较, 采用角度融合所建立的PLSR模型和SVM模型的校正集相关系数和预测集相关系数有着明显提高, 其校正集均方根误差和预测集均方根误差明显减小。 进行角度融合的模型预测能力明显高于特征角度下最优模型的预测能力, 且模型的鲁棒性也更好。 角度融合将不同角度下的光谱数据结合在一起, 获得了比单一角度更加丰富的信息, 进行角度融合处理之后, 获取更多更全的光谱信息, 因此建立的预测模型精度更高。 库尔勒香梨硬度和糖度的最佳建模方法为AF-SVM, 库尔勒香梨含水率的最佳建模方法为AF-PLSR。

2.5.2 库尔勒香梨含水率最优模型

采用角度融合和偏最小二乘回归建立的库尔勒香梨含水率的AF-PLSR模型, 回归模型的散点图和样本误差如图6(a, b)所示 , 进行角度融合的AF-PLSR含水率模型, 其校正集数据点和预测集数据点贴合在其标准拟合线两端, 模型拟合效果较好。 其校正集相关系数Rc为0.936, 校正集均方根误差RMSEC为0.298, 预测集相关系数Rp为0.901, 预测集均方根误差RMSEP为0.285, 代表模型的检测效果较为精确。

图6 基于AF-PLSR的库尔勒香梨含水率最优模型
(a): 模型样本回归; (b): 模型样本误差Fig.6 Optimal water content model of Korla fragrant pear based on AF-PLSR
(a): Model sample regression; (b): Model sample error

2.5.3 库尔勒香梨糖度和硬度最优模型

如图7(a, b)和图8(a, b)所示, 采用角度融合和支持向量机建立的库尔勒香梨硬度和糖度的AF-SVM最优模型, 校正集相关系数Rc分别为0.894、 0.905, 校正集均方根误差RMSEC为0.527、 0.376; 预测集相关系数Rp为0.830、 0.901, 预测集均方根误差RMSEP为0.532、 0.379, 模型的检测效果较好。 库尔勒香梨糖度的AF-SVM模型与库尔勒香梨硬度的AF-SVM模型相比: 库尔勒香梨糖度AF-SVM模型的校正集相关系数Rc和预测集相关系数Rp均要高于库尔勒香梨硬度AF-SVM模型, 其校正集相关系数Rc和预测集相关系数Rp均要低于库尔勒香梨硬度AF-SVM模型。 在库尔勒香梨糖度和硬度的检测中, 库尔勒香梨糖度的检测效果要好于硬度的检测效果。

图7 基于AF-SVM的库尔勒香梨硬度最优模型
(a): 模型样本回归; (b): 模型样本误差Fig.7 Optimal model of Korla fragrant pear hardness based on AF-SVM
(a): Model sample regression; (b): Model sample error

图8 基于AF-SVM的库尔勒香梨糖度最优模型
(a): 模型样本回归; (b): 模型样本误差Fig.8 Optimal model of Korla fragrant pear sugar degree based on AF-SVM
(a): Model sample regression; (b): Model sample error

3 结论

采用多光谱成像技术结合角度融合对库尔勒香梨关键品质参数含量进行分析, 其主要结论如下:

(1)皮尔逊相关性分析结果表明采用多光谱检测库尔勒香梨时, 方位角和波段都对光谱反射率呈极显著相关性, 且方位角因素对光谱反射率的影响还要大于波段对光谱反射率的影响, 说明方位角的选择对多光谱无损检测有较大影响;

(2)多光谱分析技术结合角度融合方法所建立的库尔勒香梨含水率、 糖度和硬度模型都比特征角度下建立的库尔勒香梨含水率、 糖度和硬度模型检测精度要高; 预测库尔勒香梨含水率最优模型为AF-PLSR、 预测库尔勒香梨硬度和糖度的最优模型为AF-SVM。 研究表明, 通过角度融合提高库尔勒香梨含水率、 糖度和硬度模型检测精度是可行的, 为大批量农产品多光谱无损检测和高光谱无损检测提供了新的思路。

参考文献
[1] JING Chun-zhi(井春芝). Xinjiang Forestry(新疆林业), 2018, (3): 25. [本文引用:1]
[2] GAO Sheng, WANG Qiao-hua, FU Dan-dan, et al(高升, 王巧华, 付丹丹, 等). Acta Optica Sinica(光学学报), 2019, 39(10): 1030004. [本文引用:2]
[3] WANG Dan, ZHAO Peng, SUN Jia-bo, et al(王丹, 赵朋, 孙家波, 等). Shand ong Agricultural Sciences(山东农业科学), 2021, 53(6): 121. [本文引用:1]
[4] SUN Hong, ZHAO Yi, ZHANG Meng, et al(孙红, 赵毅, 张猛, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(S2): 186. [本文引用:1]
[5] DONG Jian-wei, LIU Yuan-yuan, CHEN Fei, et al(董建伟, 刘媛媛, 陈斐, 等). Journal of Agricultural Mechanization Research(农机化研究), 2021, 43(9): 35. [本文引用:1]
[6] YANG Sheng-hui, ZHENG Yong-jun, LIU Xing-xing, et al(杨圣慧, 郑永军, 刘星星, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(10): 3220. [本文引用:1]
[7] DAI Jia-wei, WANG Hai-peng, CHEN Pu, et al(戴嘉伟, 王海朋, 陈瀑, 等). Chinese Journal of Analytical Chemistry(分析化学), 2022, 50(6): 839. [本文引用:1]
[8] ZHANG Zuo-jing, FU Xin-yang, CHEN Ke-ming, et al(张佐经, 付新阳, 陈柯铭, 等). Food and Fermentation Industries(食品与发酵工业), 2022, 48(15): 281. [本文引用:1]
[9] ZHANG Hui, ZHANG Wen-wei, ZHANG Yong-yi, et al(张慧, 张文伟, 张永毅, 等). Acta Tabacaria Sinica(中国烟草学报), 2022, 28(3): 72. [本文引用:1]
[10] ZHANG Fan, SHU Ying, ZHANG Zhi-sheng, et al(张凡, 淑英, 张志胜, 等). Journal of Chinese Institute of Food Science and Technology(中国食品学报), 2021, 21(11): 191. [本文引用:1]
[11] JIN Rui, LI Xiao-yu, YAN Yi-yun(金瑞, 李小昱, 颜伊芸). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(16): 258. [本文引用:1]
[12] Li Q, Huang Y, Zhang J, et al. Spectrochim. Acta, Part A, 2021, 247: 119119. [本文引用:1]
[13] Ge W Z, Zhang L, Li X L, et al. Biosyst. Eng. , 2021, 210: 299. [本文引用:1]
[14] Rios-Reina R, Callejon R M, Savorani F, et al. Talanta, 2019, 198: 560. [本文引用:1]
[15] YAN Guang-jian, JIANG Hai-lan, YAN Kai(阎广建, 姜海兰, 闫凯). National Remote Sensing Bulletin(遥感学报), 2021, 25(1): 83. [本文引用:2]