СПОСОБ КЛАССИФИКАЦИИ ПОСЕВНОГО МАТЕРИАЛА Российский патент 2019 года по МПК G01N21/3586 A01C1/00 B07C5/34 

Описание патента на изобретение RU2682280C2

Изобретение относится к способу классификации и сортировки посевного материала. В частности изобретение относится к способу классификации и/или сортировки посевного материала с применением излучения в терагерцевом диапазоне, в частности посредством терагерцевой спектроскопии с разрешением по времени.

В сельском хозяйстве земледельцы нуждаются в высококачественном посевном материале. Помимо прочего высококачественный посевной материал отличается высокой прорастаемостью и равномерной всхожестью, а также высокой способностью к росту. Для поставки высококачественного посевного материала, производители посевного материала должны классифицировать и сортировать его, чтобы отличить и отделить высококачественный посевной материал от менее качественного посевного материала. Обычно при классификации и/или сортировке посевного материала применяют просто определяемые физические различия фенотипа, например, различие по размеру и/или массе между зернами посевного материала, которые содержат зародыш, и зернами посевного материала, которые не содержат зародыш.

Однако чтобы поставлять как можно более высококачественный посевной материал, требуется более тонкая дифференциация посевного материала. Например, посевной материал сахарной свеклы (Beta vulgaris) можно подразделить на шесть разных классов:

класс 1 - пустые зерна (без зародыша);

класс 2 - полные зерна (с полностью сформировавшимся зародышем);

класс 3 - слегка сморщенные (со слегка сморщенным зародышем);

класс 4 - сильно сморщенные (с сильно сморщенным зародышем);

класс 5 - близнецовые (с 2-мя зародышами в одной семенной оболочке);

класс 6 - двузародышевые (с 2-мя зародышами в двух семенных оболочках).

Цель сортировки посевного материала заключается в том, чтобы в "хорошем материале" по возможности получить только зерна с полностью сформировавшимся зародышем. В отношении вышеприведенного примера с посевным материалом сахарной свеклы это означает, что необходимо отсортировывать как зерна класса 1, так и зерна классов 3-6. Кроме того, необходимо обеспечить, чтобы при сортировке не отсортировать ошибочно слишком большое количество зерен класса 2 в качестве "плохого материала".

Так как в отношении своих свойств зерна посевного материала сильно отличаются друг от друга, названной цели достигают только тогда, когда для сортировки посевного материала по отдельным классам устанавливают узкие пределы отбора с небольшим допуском. Для установки пределов отбора и контроля качества заготовки регулярно берут пробы и подвергают их рентгенодиагностике с ручной обработкой снимков. Автоматизация или объективная оценка этого контроля качества до сих пор невозможна. Кроме того, вредное для здоровья ионизирующее излучение, применяемое при контроле качества при помощи рентгенодиагностики, требует принятия ряда мер безопасности для персонала. Кроме того, также не исключено вредное действие ионизирующего рентгеновского излучения на посевной материал. Поэтому рентгенодиагностику применяют не при заготовке посевного материала и самой его сортировке, а только для контроля качества отбора проб посевного материала, отсортированного в соответствии с вышеприведенными классами.

В качестве альтернативы контролю качества посевного материала при помощи рентгенодиагностики известна компьютерная томография (Maisl, М. et al., "Automatisches CT-System mit integrierter Auswertung", DACH-Jahrestagung 2012 in Graz - ML1.B.1, Seiten 1-7 - "Автоматический компьютерный томограф с интегрированной обработкой данных"). Однако предложенный в этом документе компьютерный томограф с автоматическим устройством для смены проб и автоматической обработкой изображений весьма дорог и поддается лишь ограниченной автоматизации, так что этот способ также могут применять только при контроле качества заготовки в рамках производства семян сахарной свеклы, но не при самой заготовке посевного материала.

Другие способы, например, импульсная томография, представляющая собой известный способ неразрушающего контроля, который во многих областях превосходит существующие способы, например, контроль при помощи рентгеновского излучения, ультразвука и вихревых токов, не смогли утвердиться при сортировке и классификации посевного материала.

Кроме того, документ US 2013/0229647 А1 раскрывает способ классификации семян, в частности семян сахарной свеклы, который делает возможным, на основании данных, полученных из зарегистрированных спектров в области инфракрасных частот, осуществлять классификацию семени на основании различий в формировании содержащегося в этом семени зародыша. Однако информативность ИК-спектров ограничена, так что надежное отнесение семени к определенному классу часто является невозможным.

Таким образом, задача состояла в том, чтобы предложить способ, который обеспечивает возможность автоматической классификации и/или сортировки посевного материала на основании различных параметров, определяющих классы соответствующего посевного материала, и предпочтительно может быть применен не только при контроле технологического процесса, но и при самой заготовке посевного материала, чтобы при этом получить более высокую точность сортировки при более высоком выходе полезного продукта.

Эта задача решается благодаря способу классификации и/или сортировки посевного материала с применением излучения в терагерцевом диапазоне, например, посредством терагерцевой спектроскопии с разрешением по времени.

При исследовании проб способом терагерцевой спектроскопии с разрешением по времени, (terahertz time-domain spectroscopy, THz-TDS) применяют терагерцевое излучение. Эта техника позволяет определять параметры самых различных материалов как в количественном, так и в качественном отношении (Duvillaret, L, Garet, F., & Coutaz, J.L. (1996). A reliable method for extraction of material parameters in terahertz time-domain spectroscopy. Selected Topics in Quantum Electronics, IEEE Journal of, 2(3), 739-746; Dorney, T.D., Baraniuk, R.G., & Mittleman, D.M. (2001). Material parameter estimation with terahertz time-domain spectroscopy. JOSA A, 18(7), 1562-1571). Терагерцевое излучение представляет собой электромагнитное излучение, электромагнитный спектр которого лежит между инфракрасным излучением и микроволновым излучением. Терагерцевое излучение состоит из электромагнитных волн, частота которых составляет от 100 гигагерц (ГГц) до 10 терагерц (ТГц).

При терагерцевой спектроскопии с разрешением по времени на исследуемую пробу воздействуют очень коротким импульсом электромагнитного излучения, частота которого лежит в терагерцевой области. Для этого при помощи лазера создают очень короткий импульс терагерцевого излучения, так как ультракороткие лазерные импульсы длительностью несколько фемтосекунд (1 фс = 10-15 с) могут создавать в полупроводниках и нелинейных оптических материалах импульсы терагерцевого излучения длительностью несколько пикосекунд (1 пс = 10-12 с), которые состоят лишь из одного или двух циклов электромагнитного колебания. Благодаря электрооптическим способам их могут измерить также когерентно, то есть с разрешением по времени.

При терагерцевой спектроскопии с разрешением по времени импульс (терагерцевый импульс) разделяют на две части, одну из которых применяют для генерирования, а другую - для детектирования. Терагерцевый импульс могут дискретизировать по времени при помощи относительной временной задержки. При помощи когерентного определения детектируют электромагнитное поле терагерцевого импульса, то есть определяют амплитуду и фазу волны с терагерцевой частотой. При помощи гармонического анализа принятого терагерцевого сигнала могут получить данные об исследуемой пробе в широкой полосе частот, которые позволяют делать заключения относительно параметров материала.

Как правило, сигнал созданного терагерцевого импульса, который может содержать частотные компоненты, при помощи которых могут перекрыть весь терагерцевый диапазон, измеряют после отражения от пробы или после прохождения через пробу и сравнивают с входным сигналом, служащим в качестве референтного значения. Для оценки сигнала могут использовать амплитуду сигнала, временную задержку, фазу и/или спектр. Например, изменение амплитуды дает информацию о таких свойствах пробы, как пористость, абсорбция, толщина и однородность. Задержка терагерцевого импульса при прохождении через пробу может быть обусловлена оптической плотностью пробы (произведение показателя преломления n и геометрической толщины d). В результате многократных отражений в пробе могут возникать дополнительные эхоимпульсы, более или менее наложенные друг на друга в зависимости от толщины пробы. В колебаниях поля вслед за основным импульсом содержатся спектральные данные пробы, доступные благодаря преобразованию Фурье формы волны, изменяющейся во времени.

Известно, что терагерцевое излучение можно применять, чтобы определить содержание воды в растениях, в частности, содержание воды в листьях (( et al. J. Biol. Phys. 35: 255-264 (2009); Gente et al. J. Infrared Milli Terahz Waves 34: 316-323 (2013); JP 2009/042207 А). Кроме того, при помощи терагерцевой спектроскопии определяли плотность древесины (Koch et al. Wood Sc. and Techn. 32: 421-427 (1998)) и поражение древесины нематодами (Liang et al. PIERS Proceedings, Taipei, March 25-28, 2013: 430-433).

Данное изобретение основано на применении терагерцевой спектроскопии с разрешением по времени для характеристики посевного материала. При этом это характеристика касается параметров, допускающих отнесение к разным классам качества. К таким параметрам, в частности, относятся морфологические структуры посевного материала, например, наличие определенных структурных элементов внутри зерна посевного материала (например, наличие зародыша) или соотнесение структурных элементов внутри зерна посевного материала (например, 2 зародыша в одной или двух семенных оболочках).

В первом аспекте изобретения предлагается способ классификации и/или сортировки посевного материала, в котором посевной материал классифицируют и/или сортируют с применением излучения в терагерцевом диапазоне, например, посредством терагерцевой спектроскопии с разрешением по времени.

Второй аспект изобретения состоит в применении терагерцевой спектроскопии с разрешением по времени для классификации и/или сортировки посевного материала.

Третий аспект изобретения относится к посевному материалу, классифицированному / или отсортированному при помощи терагерцевой спектроскопии с разрешением по времени.

Способ классификации и / сортировки посевного материала в соответствии с первым аспектом изобретения может включать в себя следующие этапы:

- воздействие на зерно посевного материала терагерцевым импульсом;

- измерение сигнала, создаваемого терагерцевым импульсом после прохождения через зерно посевного материала и/или отражения от зерна посевного материала;

- определение амплитуды, временной задержки, фазы и/или спектра сигнала, обусловленных этим прохождением или отражением;

- отнесение зерна посевного материала к определенному классу посевного материала.

Кроме того, способ классификации и/сортировки посевного материала в соответствии с первым аспектом изобретения может включать в себя предварительный этап помещения зерна посевного материала в зону измерений терагерцевого спектрометра с разрешением по времени и/или последующий этап извлечения зерна посевного материала из зоны измерений терагерцевого спектрометра с разрешением по времени.

В одном из вариантов осуществления этого способа происходит отнесение зерна посевного материала к определенному классу посевного материала на основании калибровки терагерцевой спектроскопии с разрешением по времени при помощи референтных значений и/или эталонных зерен по меньшей мере для одного класса посевного материала, предпочтительно для желательного класса посевного материала, то есть класса посевного материала, в который входят высококачественный посевной материал. В другом варианте осуществления изобретения калибровка терагерцевой спектроскопии с разрешением по времени происходит при помощи референтных значений и/или эталонных зерен для каждого из предусмотренных классов посевного материала.

Посредством классификации нескольких зерен посевного материала пробы могут определить качество пробы, установив, насколько высоко содержание в пробе зерен посевного материала каждого класса посевного материала. При этом классификацию отдельных зерен посевного материала из множества зерен посевного материала осуществляют друг за другом в терагерцевом спектрометре с разрешением по времени.

В дополнительном и/или альтернативном варианте осуществления изобретения зерно посевного материала после извлечения из зоны измерений терагерцевого спектрометра сортируют в соответствии с его классификацией. Этот вариант осуществления изобретения делает возможной отбраковку зерен посевного материала, не относящихся к желательному классу посевного материала. Таким образом, благодаря этому способу также можно улучшить качество посевного материала, так как для дальнейшей заготовки или производства посевного материала можно применять только зерна посевного материала желательного класса. Зерна посевного материала, не относящиеся к желательному классу посевного материала, можно отсортировать перед дальнейшей заготовкой посевного материала.

Способ классификации и/или сортировки посевного материала согласно первому аспекту изобретения имеет точность сортировки по меньшей мере 75, 76, 77, 78, 79 или 80%, особенно предпочтительно по меньшей мере 81, 82, 83, 84, 85, 86, 87, 88, 89 или 90%, наиболее предпочтительно по меньшей мере 90, 91, 92, 93, 94, 95, 96, 97, 97,5, 98, 98,5, 99, 99,5 или 100%.

В дополнительном и/или альтернативном варианте осуществления способа посевной материал, подлежащий классификации и/или сортировке при помощи терагерцевой спектроскопии с разрешением по времени, предварительно сортируют, например, по размеру зерен посевного материала. Таким образом, при осуществлении способа классификации и/или сортировки посевного материала могут использовать только зерна посевного материала, имеющие одинаковый или приблизительно одинаковый калибр. Итак, в этом варианте осуществления изобретения перед классификацией посевной материал также калибруют. Благодаря этому варианту осуществления при необходимости можно еще больше повысить точность классификации и/или сортировки посевного материала.

В одном из вариантов осуществления способа в соответствии с первым аспектом изобретения терагерцевое излучение терагерцевого импульса имеет частоту по меньшей мере 0,1 ТГц, предпочтительно по меньшей мере 0,5 ТГц, особенно предпочтительно по меньшей мере 1 ТГц и наиболее предпочтительно по меньшей мере 5 ТГц.

В альтернативном и/или дополнительном варианте осуществления изобретения терагерцевое излучение терагерцевого импульса имеет частоту не более 10 ТГц, предпочтительно не более 6 ТГц, особенно предпочтительно не более 4 ТГц и наиболее предпочтительно не более 3 ТГц.

В дополнительном и/или альтернативном варианте осуществления изобретения длительность терагерцевого импульса лежит приблизительно в пределах от 3 до 25 пс, предпочтительно приблизительно от 5 до 20 пс, предпочтительно составляет приблизительно 15 пс. Особенно предпочтительно речь идет о линейно-поляризованном фемтосекундном лазере, излучающем волну 1560 нм или имеющем частоту следования 100 МГц при средней излучаемой мощности более 60 мВт. Кроме того, особенно предпочтительно длительность импульса после 2,5 метров волоконной оптики составляет менее 90 фс.

В дополнительном и/или альтернативном варианте осуществления изобретения терагерцевый спектрометр имеет один или несколько следующих компонентов: лазерный источник, предпочтительно с волоконной оптикой, линию задержки с диапазоном сканирования предпочтительно 0-300 пс, терагерцевую излучающую антенну и терагерцевую приемную антенну, оптику, способную работать в терагерцевом диапазоне, синхронный усилитель и/или вычислительное устройство (компьютер) с программой для измерений для сбора и обработки данных. Особенно предпочтительно спектрометр имеет динамический диапазон более 70 дБ и спектральный диапазон более 3,5 ТГц.

В особенно предпочтительном варианте осуществления измерение в терагерцевом диапазоне осуществляют со следующими настройками. Спектральная область измерений составляет 0,01-10 ТГц, при этом задержка составляет 0-104 пс с интервалом 0,05 пс. Время интегрирования на одно положение задержки составляет 30 мс, вследствие чего общее время измерения на одно зерно посевного материала составляет приблизительно 1 минуту.

Так как терагерцевая спектроскопия с разрешением по времени представляет собой бесконтактный неразрушающий способ, в принципе этим способом могут классифицировать и/или сортировать любой посевной материал.

В одном из вариантов осуществления способа в соответствии с первым аспектом изобретения посевной материал выбран из группы плодов, которые имеют одеревеневший околоплодник или часть околоплодника, то есть внутриплодник, межплодник и/или внеплодник.

В дополнительном и/или альтернативном варианте осуществления посевной материал выбран из группы, в которую входят семена овощей, семена зерновых культур, зерна косточковых плодов, зерна ягод, орехи и зерна растений из семейства амарантовых.

В дополнительном и/или альтернативном варианте осуществления семена овощей выбраны из группы, в которую входят посевной материал салатов, капусты, цветочных овощей, плодовых овощей, клубнеплодных овощей, луковичных овощей, бобовых и других овощей.

В салаты входят:

- салат-латук (лат. Lactuca sativa), например, кочанный салат (лат. Lactuca sativa, var. capitata), шнитт-салат (лат. Lactuca sativa, var. crispa), эндивий летний (лат. Lactuca sativa, var. longifolia), салат спаржевый (Lactuca sativa var. angustana) и салат айсберг,

- цикорий обыкновенный (лат. Cichorium intybus), например, цикорий салатный (Cichorium intybus var. foliosum) и цикорий-эндивий (Cichorium endivia),

- руккола, эрика посевная (Diplotaxis tenuifolia или Eruca sativa), мангольд (Beta vulgaris subsp. vulgaris), шпинат (лат. Spinacia oleracea), ипомея водяная (Ipomoea aquatica FORSSK.), лебеда садовая (лат. Atriplex hortensis), кресс водяной (Nasturtium officinale R.BR.), портулак огородный (Portulaca ssp. sative (HAW.) ), клейтония пронзеннолистная (шпинат кубинский, портулак зимний, Claytonia perfoliate DONN. EX WILLD), шпинат шпинат американский, базелла (Basella alba), шпинат новозеландский (Tetragonia tetragonioides), жамба или акмелла огородная (Acmella oleracea (L.) R.K. JANSEN), листья джута (Corchorus olitorius L.), ледянка (Mesembryanthemum crystallinum), красодневы, например, красоднев рыжий (Hemerocallis fulva L.), марь головчатая (Chenopodium capitatum (L.) ASCH.), марь доброго Генриха (Chenopodium bonus-henricus L.) и щавель шпинатный (Rumex).

Капуста обозначает название овоща рода капуста, в который входит капуста средиземноморская (В. fruticulosa), капуста ситниковая (горчица индийская или горчица сарептская, (В. juncea), рапс и брюква (B. napus), например, брюква (В. napus subsp. rapifera MTZG.), рапс (В. napus subsp. napus L.) и лиственная капуста (В. napus subsp.pabularia), горчица черная (В. nigra (L.) KOCH), капуста огородная (В. oleracea L.), например., капуста цветная (В. oleracea var. botrytis L.), например, капуста романеско (В. oleracea convar. botrytis var. botrytis L.), брокколи (В. oleracea var. italica Plenck), кольраби (В. oleracea var. gongylodes L.), капуста кочанная (В. oleracea convar. capitata L), капуста краснокочанная (Brassica oleracea convar. capitata var. rubra L.), капуста белокочанная (Brassica oleracea convar. capitata var. alba L.), например, капуста пекинская, и капуста савойская, (В. oleracea convar. capitata var. sabauda L.), капуста брюссельская (В. oleracea var. gemmifera DC); грюнколь, браунколь (В. oleracea var. sabellica L.); капуста тосканская (Brassica oleracea var. palmifolia DC); капуста кормовая (В. oleracea var. medullosa Thell.); репа (В. rapa L.) wie сурепица (В. rapa subsp.oleifera); капуста пекинская (В. rapa subsp. pekinensis); пак-чой (В. rapa subsp. chinensis) и свекла майская столовая, турнепс, кормовая свекла, тельтовкая брюква, баварская репа (В. rapa subsp. rapa), например, листовой черешок репы.

К цветочным овощам относятся артишок (Cynara scolymus), цукини (Curcubita реро subsp. реро convar. giromontiina), капуста цветная (Brassica oleracea var. botrytis L.), брокколи (Brassica oleracea var. italica Plenck), романеско (Brassica oleracea convar. botrytis var. botrytis), лилия (Lilium L.) (лилейные) и георгины (Dahlia CAV.).

В контексте данного изобретения под плодоовощными растениями следует понимать:

- арбуз (Citrullus lanatus (THUNB.) MATSUM. & NAKAI.),

- огурцы (Cucumis L.), например, медовую дыню (Cucumis melo L.), кивано (Cucumis metuliferus. MEY. EX NAUDIN) и огурец (Cucumis sativus L.),

- тыквы и цукини (Cucurbita), например, тыкву обыкновенную, цукини, тыкву твердокорую (С. реро L.), тыкву крупноплодную или тыкву "Хоккайдо" (С. maxima), тыкву мускатную (С.moschata) и тыкву фиголистную (С. ficifolia),

- горькую дыню (Momordica L), тыкву бутылочную (Lagenaria siceraria (MOLINA) STANDL.), люффу (Luffa MILL.), Sechium, например, мексиканский огурец (Sechium edule (JACQ.) SW.), томат (Solanum lycopersicum L.), паприку (Capsicum L.), амарант (Amaranthus L.), баклажан (Solanum melongena), авокадо (Persea americana MILL.), окру (Abelmoschus esculentus (L.) MOENCH.), и плод хлебного дерева (Artocarpus altitis (PARKINS. EX DU ROI) FOSB. CORR. ST.JOHN).

К корнеплодным овощным растениям относятся клубнеплодные овощи и луковичные овощи. Клубнеплодные овощи включают в себя морковь желтую, морковь обыкновенную (Daucus carota L. ssp. sativus), свеклу столовую, свеклу красную (Beta vulgaris subsp. vulgaris), брюкву (Brassica napus subsp. rapifera), свеклу майскую столовую (Brassica rapa subsp. rapa var. majalis) и тельтовкую брюкву (Brassica rapa subsp. rapa var. pygmaea), хрен (Armoracia rusticana GAERTN.MEY. & SCHERB.), редис (Raphanus sativus L subsp.sativus), дайкон (Raphanus sativus var. longipinnatus), редьку черную зимнюю (Raphanus sativus subsp. niger var. niger), васаби (Wasabia japonica MATSUM.), картофель (Solanum tuberosum L), козелец испанский (Scorzonera hispanica L.), пастернак (Pastinaca sativa), петрушку корневую (Petroselinum crispum subsp. tuberosum), сельдерей (Apium graveolens), кервельную репу или бутень луковичный (Chaerophyllum bulbosum L.), корень лотоса (Nelumbo) и ямс (Dioscorea. L.').

Луковичные овощи включают в себя луковые растения (Allium), например, луковые растения Allium., лук (А. сера L.), лук-батун, зеленый лук, (A. fistulosum L.), чеснок (A. sativum L.), лук-шалот (A. ascalonicum STRAND.), лук-порей, (A. porrum L.), лук-севок (Allium porrum var. sectivum) и лук медвежий (Allium ursinum).

К стручковым плодам относятся

Phaseolus

фасоль лимская (Phaseolus lunatus L.), фасоль луновидная

тепари (Phaseolus acutifolius A. GRAY)

фасоль огненно-красная (Phaseolus coccineus L.), фасоль обыкновенная

Фасоль обыкновенная, кустовая фасоль, вьющаяся фасоль, (Phaseolus vulgaris L.)

Сорта:

фасоль обыкновенная,

жемчужная фасоль

фасоль пинто,

долихос обыкновенный, Бразилия

белые бобы

соя (Glycine max (L.)

горох (Pisum)

горох посевной (Pisum sativum L. convar. sativum), также горох гладкозерный

горох мозговых сортов (Pisum sativum L. convar. medullare Alef. emend. C.O. Lehm)

горошек сахарный (Pisum sativum L. convar. medullare Alef. emend. C.O. Lehm), также молодой стручковый горошек (стручковый сахарный горошек)

гигантский горох (Pisum granda sneida L. convar. sneidulo p. shneiderium)

люцерна (Medicago L.)

люцерна посевная, люцерна (M. sativa L.)

нут (Cicer arietinum L.)

чечевица, (Lens), (Lens culinaris Medik.)

люпин (Lupinus L.)

вика (Vicia L.)

бобы, конские бобы, (Vicia faba L.)

чина (Lathyrus L.)

чина посевная (Lathyrus sativus L.)

чина клубненосная (Lathyrus tuberosus L.)

Vigna

вигна борцелистная, (Vigna aconitifolia (Jacq.) )

вигна угловатая, (ViVigna angularis (Willd.) Ohwi & H. Ohashi)

урд, (Vigna mungo (L.) Hepper)

фасоль золотистая, (Vigna radiata (L.) R. Wilczek), ʺсоевые росткиʺ

бамбарский земляной орех, (Vigna subterrane (L.) Verde.)

фасоль рисовая, (Vigna umbellata (Thunb.) Ohwi & H. Ohashi)

Vigna vexillata (L.) A. Rich., (немецкое название не существует)

Vigna unguiculata (L.) Walp., в трех подвидах:

бобы спаржевые (Vigna unguiculata subsp. sesquipedalis)

вигна початковая (Vigna unguiculata subsp.unguiculata)

вигна початковая цилиндрическая (Vigna unguiculata subsp. cylindrica)

кайанус, (Cajanus cajan (L.) Millsp.)

Macrotyloma

арахис, (Macrotyloma geocarpum (Harms) & Baudet)

бобы конские, (Macrotyloma uniflorum (Lam.) Verdc.)

псофокарпус четырехкрылый, (Psophocarpus tetragonolobus (L.) DC.)

пахиризус, (Sphenostylis stenocarpa (Hochst. ex A. Rich.) Harms)

гиацинтовые бобы, лобия, лаблаб пурпурный, (Lablab purpureus (L.) Sweet)

гуар (Cyamopsis tetragonolobus (L.) Taub.)

Canavalia

канавалия мечевидная, (Canavalia ensiformis (L.) DC.)

канавалия мечелистная, (Canavalia gladiata (Jacq.) DC.).

В соответствии с изобретением под другими овощами, например, понимается: батис (Batis L.), китайский водяной орех (Eleocharis dulcis), алтей (Althaea officinalis L.), фенхель (Foeniculum vulgare (L.) Mill.), спаржа лекарственная (Asparagus officinalis L.), ревень обыкновенный (Rheum rhabarbarum), рейнутрия японская (Fallopia japonica (Houtt.) Ronse Decr.), кориандр (Coriandrum sativum L.), батат (Ipomoea batatas L.), киноа (Chenopodium quinoa Willd.), брюква (Brassica napus), водяная мимоза (Neptunia oleracea Lour.), маниок или (в Латинской Америке) юкка (Manihot esculenta Crantz), кислица клубненосная или ока (Oxalis tuberosa), уллюко клубненосный (Ullucus tuberosus), машуа или настурция клубненосная (Tropaeolum tuberosum), якон (Smallanthus sonchifolius), топинамбур (Helianthus tuberosus) und подсолнечник однолетний (Helianthus annuus).

В дополнительном и/или альтернативном варианте осуществления изобретения семена зерновых культур выбраны из группы, в которую входит посевной материал пшеницы (Triticum spec.), ржи (Secale spec.), ячменя (Hordeum spec.), тритикале, овса (Avena spec.), кукурузы (Zea mays), риса (Oryza spec.), тритикале и проса (Sorghum spec., Panicum spec., Pennisetum spec. и др.). При этом пшеница также включает в себя однозернянку (Т. топососсит), двузернянку (Т. dicoccum), твердую пшеницу (Т. durum), камут (Т. durum × polonicum), спельту (Т. spelta) и мягкую пшеницу (Т. aestivum). Кроме того, просо также включает в себя просо посевное (Panicum miliaceum), щетинник итальянский (Setaria italica), сорго (Sorghum bicolor и др.), перистощетинник американский (Pennisetum glaucum), элевзину коракан (Eleusine coracana), полевичку теф (Eragrostis tef) и росичку тонкую (Digitaria exilis).

К группе орехов относятся орехи в ботаническом смысле, например, буковый орешек, лесной орех, орех грецкий (Juglans regia), каштан посевной (каштан съедобный), желудь, семя конопли, орех макадамии, плод платана, каменный орех и водяной орех. К ним также относятся, например, сложные семянки, например, земляника. В этой группе также относятся орехи, которые в ботаническом смысле орехами не являются. В качестве примера можно привести орех кешью, арахис подземный (Arachis hypogaea), кокосовый орех, миндаль, мускатный орех, орех американский, пекан, фисташку и посевной материал масляного дерева.

В косточковых плодах одеревенелым является только внутренний околоплодник. К косточковым плодам, например, относится манго, мирабель, нектарин, персик, слива, абрикос, олива, вишня обыкновенная, черешня.

Сложные костянки - это малина, ежевика.

К ягодам относятся бананы, цитрусовые, финики, дыни, плоды киви, плоды папайи и пасленовые, например, паприка, томат, плод томатного дерева, плоды картофеля, баклажан.

В контексте данного изобретения к амарантовым, например, относится сахарная свекла (Beta vulgaris vulgaris), шпинат, кормовая свекла, мангольд и киноа.

Преимущества данного изобретения заключаются в том, что при неразрушающем анализе зерен посевного материала нет необходимости применять вредное для здоровья ионизирующее излучение, которое может отрицательно повлиять на посевной материал. Предлагаемый способ обеспечивает возможность классификации посевного материала с высокой точностью. Кроме того, предлагаемый способ может быть автоматизирован и является быстрым, так что его можно применять не только при контроле технологического процесса, но и в процессе самой классификации и сортировки посевного материала. Поэтому данное изобретение также охватывает способ классификации и/или сортировки посевного материала, в котором классификация и/или сортировка происходит автоматически.

В случае второго аспекта изобретения, изобретение также распространяется на применение терагерцевой спектроскопии с разрешением по времени для классификации и/или сортировки посевного материала, в частности для классификации и/или сортировки посевного материала, указанных в связи со способом, соответствующим первому аспекту изобретения.

Варианты осуществления данного изобретения описаны ниже посредством примеров со ссылками на прилагаемые чертежи:

Фиг. 1 - спектры во временной области для посевного материала сахарной свеклы. Показаны усредненные спектры для соответствующих классов.

Фиг. 2 - спектры во временной области для посевного материала сахарной свеклы. Участок фиг. 1 в диапазоне 12-24 пс. Показаны усредненные спектры для соответствующих классов.

Фиг. 3 - спектры во временной области для посевного материала сахарной свеклы. Участок фиг. 1 в диапазоне 45-70 пс. Показаны усредненные спектры для соответствующих классов.

Фиг. 4 - фазовые спектры для посевного материала сахарной свеклы. Показаны усредненные спектры для соответствующих классов.

Фиг. 5 - фазовые спектры для посевного материала сахарной свеклы. Участок фиг. 4 в диапазоне 0,2-2 ТГц. Показаны усредненные спектры для соответствующих классов.

Фиг. 6 - спектры коэффициента поглощения для посевного материала сахарной свеклы. Показаны усредненные спектры для соответствующих классов.

Фиг. 7: спектры коэффициента поглощения для посевного материала сахарной свеклы. Участок фиг. 6 в диапазоне 0,1-0,6 ТГц. Показаны усредненные спектры для соответствующих классов.

Фиг. 8 - спектры показателя преломления для посевного материала сахарной свеклы. Показаны усредненные спектры для соответствующих классов.

Фиг. 9 - спектры показателя преломления для посевного материала сахарной свеклы. Участок фиг. 8 в диапазоне 0,1-2 ТГц. Показаны усредненные спектры для соответствующих классов.

Фиг. 10 - анализ главных компонентов посевного материала сахарной свеклы. Диаграмма баллов главного компонента 1 и 2.

Фиг. 11 - Спектры во временной области для посевного материала лука. Показаны средние значения спектров для обоих классов.

Фиг. 12 - спектры во временной области для посевного материала лука. Участок фиг. 11 в диапазоне 12-24 пс. Показаны средние значения спектров для обоих классов.

Фиг. 13 - спектры во временной области для посевного материала лука. Участок фиг. 11 в диапазоне 45-70 пс. Показаны средние значения спектров для обоих классов.

Фиг. 14 - спектры во временной области для посевного материала паприки. Показаны средние значения спектров для обоих классов.

Фиг. 15 - спектры во временной области для посевного материала паприки. Участок фиг. 14 в диапазоне 12-24 пс. Показаны средние значения спектров для обоих классов.

Фиг. 16 - спектры во временной области для посевного материала паприки. Участок фиг. 14 в диапазоне 45-70 пс. Показаны средние значения спектров для обоих классов.

Фиг. 17 - анализ главных компонентов посевного материала лука. Диаграмма баллов главного компонента 1 и 2.

Фиг. 18 - анализ главных компонентов посевного материала паприки. Диаграмма баллов главного компонента 1 и 2.

Фиг. 19 - спектры во временной области для посевного материала подсолнечника. Показаны средние значения спектров для обоих классов.

Фиг. 20 - анализ главных компонентов посевного материала подсолнечника. Диаграмма баллов главного компонента 1 и 2.

Пробы посевного материала:

Ниже демонстрируется точность и качество способа классификации/сортировки посевного материала на примере посевного материала таких различных разновидностей культур, как сахарная свекла (B. vulgaris), лук (A. сера), паприка (Capsicum) и подсолнечник (Н. annuus). Оценка пригодности предлагаемого способа основана на ранее осуществленной в лаборатории рентгенодиагностике для классификации посевного материала. Ниже классификация, полученная при помощи рентгенодиагностики, носит название "фактический класс".

Свекла сахарная:

Посевной материал подразделяют на 6 калибров на основании геометрии зерна и плотности зерна. Зерна посевного материала каждого калибра подвергают рентгенодиагностике, в результате отдельные зерна посевного материала подразделяют на вышеописанные классы 1-6. Ниже класс 1 обозначается, как "пустые", класс 2 - "полные", класс 3 - "слегка сморщенные", класс 4 - "сильно сморщенные", класс 5 - "близнецовые", класс 6 - "двузародышевые".

Лук и паприка:

Посевной материал вида культуры "лук" и "паприка" подразделяют на два калибра на основании геометрии зерна и плотности зерна для каждого вида культуры. Зерна посевного материала также подвергали рентгенодиагностике. В случае лука и паприки посевной материал целесообразно подразделять на классы "полные" и "сморщенные", причем класс "сморщенные" может содержать классы "пустые", "слегка сморщенные" и "сильно сморщенные".

Подсолнечник:

В случае подсолнечника, в отличие от вышеописанных культур, посевной материал не подразделяли на калибры. Зерна посевного материала также подвергли рентгенодиагностике. В случае подсолнечника, аналогично луку и паприке, посевной материал целесообразно подразделять на классы "полные" и "сморщенные".

Спецификация терагерцевого спектрометра:

Измерения осуществляют при помощи терагерцевого спектрометра с разделением по времени TERA К15 производства Menlo Systems GmbH (г. Мартинсрид, Германия). TERA К15 состоит из лазерного источника с волоконной оптикой, линии задержки с диапазоном сканирования 0-300 пс, терагерцевой излучающей антенны TERA15-TX-FC и соответствующей терагерцевой приемной антенны TERA15-RX-FC, терагерцевой оптики, синхронного усилителя TERA-C и вычислительного устройства с программой для измерений для сбора и обработки данных.

Спектрометр имеет динамический диапазон более 70 дБ и область спектра более 3,5 ТГц. Встроенный линейно-поляризованный фемтосекундный лазер излучает волну 1560 нм, частота следования составляет 100 МГц, средняя излучаемая мощность - более 60 мВт. Длительность импульса после волоконной оптики 2,5 м составляет менее 90 фс.

Для измерения зерен посевного материала всех видов культур выбирают следующие настройки и параметры измерения. Измерения осуществляют в спектральной области 0,01-10 ТГц, задержка составляет 0-104 пс с интервалом 0,05 пс. Время интегрирования на одно положение задержки составляет 30 мс, вследствие чего общее время измерения на одно зерно посевного материала составляет приблизительно 1 минуту.

Проведение измерений в терагерцевом диапазоне:

Для измерения в каждом случае вышеописанное зерно посевного материала помещают в фокальную точку луча терагерцевого излучения. Затем на зерно посевного материала воздействуют терагерцевым импульсом. Терагерцевый импульс генерируется передающей антенной, проходит через оптику, фокусируется и взаимодействует с зерном посевного материала. Антенна детектора регистрирует сигнал, создаваемый терагерцевым импульсом после прохождения через зерно посевного материала и/или отражения зерном посевного материала. Как правило, на зерно посевного материала воздействуют при помощи нескольких терагерцевых импульсов, также с различным временем задержки. Сигнал антенны детектора считывается вычислительным устройством, имеющим программу для измерений. Вычислительное устройство определяет амплитуду, обусловленную прохождением и/или отражением, временную задержку, фазу и/или спектр сигнала. На следующих этапах могут рассчитать коэффициент поглощения и показатель преломления зерна посевного материала.

Оценка данных и результаты

В нижеследующем варианте в качестве примера на основании одного калибра описывается способ классификации с применением терагерцевого излучения.

Свекла сахарная:

Фиг. 1-3 иллюстрируют спектры во временной области для посевного материала примерного калибра (3,16-3,5 мм), причем для каждого класса был составлен усредненный спектр. Фиг.1 иллюстрирует полный спектр, в то время как на фиг. 2 и 3 показаны участки спектра, чтобы наглядно показать различия спектров. Спектры шести классов показывают определенные различия, например, в диапазоне 15-22 пс.

Кроме того, как показывают фиг. 4-9, при сравнении классов в пределах одного калибра также обнаруживаются различия спектров фазы, коэффициента поглощения и показателя преломления. Каждая из фиг. 4, 6 и 8 показывает полный спектр, а каждая из фиг.5, 7 и 9 - увеличенный участок спектра фазы, коэффициента поглощения и показателя преломления.

Для классификации можно применять данные о временной области, фазе, коэффициенте поглощения и показателе преломления, и/или их комбинации. Например, в данном варианте осуществления изобретения для классификации применяют только спектр во временной области, то же самое касается нижеследующих видов культур.

Чтобы наглядно показать различия в спектрах во временной области и дополнительно исследовать полученные данные, осуществляют анализ главных компонентов (PLS Toolbox Version 7.9.1, Eigenvector Research, Inc. Wenatchee, США, на основе Matlab® 2014b, The MathWorks GmbH, г. Исманинг, Германия). Диаграмма баллов для главных компонентов 1 и 2 показана на фиг.10. Классы "пустые", "слегка сморщенные", "сильно сморщенные", "близнецовые" и "двузародышевые" занимают область главных компонентов в квадрантах II, III и IV. Таким образом, они ясно отделены от классов "полные" и еще одной группы класса "пустые" в квадранте I. Граница между классами "полные" и "пустые" в квартиранте I размыта, т.е. некоторые пробы этих двух классов могут перекрываться.

Чтобы подчеркнуть различия в данных, исходные данные оптимизируют для дальнейшей обработки, например, при помощи фильтра Савицкого-Голая (Savitzky, A.; Golay, М. J.E. (1964). "Smoothing and Differentiation of Data by Simplified Least Squares Procedures"; Analytical Chemistry 36 (8): 1627-1639) или сглаживающих фильтров скользящего среднего (The Scientist and Engineer's Guide to Digital Signal Processing, Chapter 15 - Moving Average Filters, by Steven W. Smith, 11/17/2001). При этом сглаживание также могут дополнить дифференцированием. На втором этапе обработки данных весь набор данных разделяют при помощи алгоритма Кеннарда-Стоуна (Kennard, R. W. and Stone, L.A. (1969) Computer aided design of experiments. Technometrics 11(1), 137-148) (также PLS Toolbox Version 7.9.1, Eigenvector Research, Inc. Wenatchee, США, на основе Matlab® 2014b, The MathWorks GmbH, г. Исманинг, Германия) на два независимых набора данных. Данные, выбранные посредством алгоритма Кеннарда-Стоуна, применяют для составления модели классификации, при помощи которой подтверждают надежность набора остальных данных.

С целью классификации могут прибегать к различным алгоритмам, например, к методу к ближайших соседей (англ. "k-Nearest-Neighbor-Algorithmus" (Altman, N. S. (1992). "An introduction to kernel and nearest-neighbor nonparametric regression". The American Statistician 46 (3): 175-185. doi: 10.1080/00031305.1992.10475879)) или методу опорных векторов (англ. "Support Vector Machine" (Cristianini, N., and Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, First Edition (Cambridge: Cambridge University Press)).

Оценку классификации осуществляют при помощи нижеследующих показателей точности: истинно положительный, истинно отрицательный, ложно положительный и ложно отрицательный. Так как в соответствии с вышеописанным на переднем плане стоит отделение класса "полные" от остальных классов, показатели точности определяют следующим образом. В случае истинно позитивного показателя посевной материал фактического класса "полные" правильно относят к классу "полные", при истинно отрицательном показателе посевной материал другого фактического класса правильно относят не к классу "полные", при ложно отрицательном показателе посевной материал фактического класса "полные" ошибочно относят к другому классу, при ложно положительном показателе посевной материал другого фактического класса ошибочно относят классу "полные".

Классификация зерен посевного материала по набору данных достоверности приведена в таблице 1. По отношению к классу "полные" эта классификация позволяет получить нижеследующие показатели точности: истинно положительный - 100%, истинно отрицательный - 100%, ложно положительный - 0%, ложно отрицательный - 0%. Если учесть все классы, то правильно классифицированными оказываются 89% всех зерен. Эти результаты показывают, что при помощи данного изобретения зерна посевного материала сахарной свеклы в пределах одного калибра можно классифицировать с высокой точностью.

Лук и паприка:

Как описано выше, в качестве примера рассматриваются только данные, относящиеся к временной области. Спектры во временной области для посевного материала лука и паприки примерного калибра показаны на фиг. 11-16, причем для каждого класса был составлен усредненный спектр. Фиг. 11 и 14 представляют собой полный спектр для посевного материала лука и, соответственно, паприки. Напротив, фиг. 12, 13 для посевного материала лука и фиг. 15, 16 для посевного материала паприки представляют собой участки полных спектров, показывающие различия в спектрах.

Предварительную обработку и оценку набора данных, относящихся к луку и паприке, осуществляли аналогично обработке набора данных, относящихся к сахарной свекле. Сначала осуществили анализ главных компонентов, затем, как описано выше, данные оптимизировали при помощи сглаживающего фильтра и, смотря по обстоятельствам, посредством дифференцирования, и соответствующий набор данных разделили посредством алгоритма Кеннарда-Стоуна на два независимых набора. Однако анализ главных компонентов посевного материала паприки осуществили, используя не исходные данные, а уже оптимизированные данные.

Диаграмма баллов для анализа главных компонентов посевного материала лука показана на фиг. 17. Эта диаграмма показывает отчетливое разделение двух классов "полные" и "сморщенные", однако точки этих двух групп лежат близко друг от друга. При анализе главных компонентов паприки, как показано на фиг. 18, наблюдается аналогичная ситуация. Эта диаграмма также показывает отчетливое разделение двух классов "полные" и "сморщенные", но точки этих двух групп тоже лежат близко друг от друга.

То, что в случае посевного материала лука и паприки получают меньшую разницу сигналов, чем в случае сахарной свеклы, объясняется, вероятно, размером (геометрией) посевного материала и их зародышей. Зерна посевного материала лука значительно меньше, чем зерна посевного материала сахарной свеклы, а посевной материал паприки имеет более плоскую форму.

При помощи предлагаемого способа возможна классификация посевного материала лука и парики. Классификация по набору данных достоверности для посевного материала лука приведена в таблице 2. Точность классификации составляет 87,5% для показателя точности "истинно положительный", 12,5% - для показателя "ложно отрицательный", 14,3% - для показателя "ложно положительный" и 85,7% - для показателя "истинно отрицательный". В целом правильно классифицируют 86,7% зерен посевного материала лука. Классификация по набору данных достоверности для посевного материала паприки приведена в таблице 3. Все зерна посевного материала были классифицированы правильно, при этом были получены следующие показатели точности: истинно положительный - 100%, ложно отрицательный - 0%, ложно положительный - 0%, истинно отрицательный - 100%. В целом правильно классифицируют 100% зерен посевного материала паприки.

Подсолнечник:

Спектры во временной области для посевного материала подсолнечника показаны на фиг. 19. Так как в случае подсолнечника посевной материал по калибрам не разделяли, на фиг. 19 показаны усредненные спектры для двух классов.

Предварительную обработку и оценку данных осуществляют, как в случае сахарной свеклы, паприки и лука. Однако анализ главных компонентов посевного материала подсолнечника был выполнен не с использованием исходных данных, а с уже оптимизированными данными. Диаграмма баллов для главных компонентов 1 и 2 показана на фиг. 20. В этом случае также в целом происходит разделение двух классов "полные" и "пустые", однако граничащие друг с другом точки перекрываются.

Классификация по набору данных достоверности для посевного материала подсолнечника приведена в таблице 4. Точность классификации составляет 98,9% для показателя точности "истинно положительный", 1,1% - для показателя "ложно отрицательный", 0% - для показателя "ложно положительный" и 100% - для показателя истинно отрицательный". В целом правильно классифицируют 99,1% зерен посевного материала подсолнечника.

Эти результаты показывают, что предлагаемый способ можно применять не только к посевному материалу сахарной свеклы, но и к посевному материалу других культур, например, к посевному материалу, рассмотренному здесь в качестве примера. Кроме того было показано, что в зависимости от свойств зерен также возможна классификация без предварительного разделения по калибрам.

Похожие патенты RU2682280C2

название год авторы номер документа
АССОРТИМЕНТ СТОЙКИХ В ХРАНЕНИИ ПРОДУКТОВ ДЛЯ ДЕТСКОГО ПИТАНИЯ, СОДЕРЖАНИЕ В КОТОРЫХ НЕЖЕЛАТЕЛЬНЫХ ИНГРЕДИЕНТОВ КОНТРОЛИРУЕТСЯ ПО СТАДИЯМ 2008
  • Урсель Силия
  • Куслис Мартинас
RU2512380C2
РАСТЕНИЯ BRASSICA OLERACEA С УСТОЙЧИВОСТЬЮ К MYCOSPHAERELLA BRASSICICOLA 2007
  • Бартен Пит
RU2438298C2
СПОСОБ ПОЛУЧЕНИЯ РАСТЕНИЯ BRASSICA OLERACEA 1997
  • Бартен Питер
RU2142013C1
СПОСОБЫ СЕЛЕКТИВНОЙ БОРЬБЫ С СОРНЯКАМИ 2014
  • Дегенхардт Рори
  • Юраш Лен
  • Макгрегор Билл
  • Нотт Питер
  • Сачиви Норберт М.
  • Уэймер Монте Р.
RU2677980C2
РАСТИТЕЛЬНЫЕ ЭКСТРАКТЫ, ПРЕДНАЗНАЧЕННЫЕ ДЛЯ ЛЕЧЕНИЯ УСИЛЕННОЙ РЕЗОРБЦИИ КОСТИ 1998
  • Мюльбауер Роман Конрад
RU2196601C2
ФУНГИЦИДНАЯ КОМПОЗИЦИЯ ДЛЯ ПРИМЕНЕНИЯ В СЕЛЬСКОМ ХОЗЯЙСТВЕ И САДОВОДСТВЕ 2016
  • Нисимура Сатоси
  • Фудзии Такаюки
RU2720251C2
КОМПОЗИЦИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО И САДОВОГО ФУНГИЦИДА 2019
  • Ватанабе, Синия
RU2756530C1
СПОСОБ КЛАССИФИКАЦИИ ПРЕДМЕТОВ, НАЙДЕННЫХ В ПАРТИИ СЕМЯН, И ЕГО СООТВЕТСТВУЮЩЕЕ ПРИМЕНЕНИЕ ДЛЯ ПРОИЗВОДСТВА СЕМЯН 2011
  • Вольф Антье
RU2564599C2
СИНЕРГИЧЕСКИЕ КОМБИНАЦИИ ИНСЕКТИЦИДОВ 2020
  • Сривастава, Кришна, Рампаркаш
  • Уппара, Парасувеера
  • Локханде, Праднья, Санджай
  • Савант, Говинд, Гопал
RU2793136C2
СПОСОБЫ ПОЛИВА РАСТЕНИЙ С ПОМОЩЬЮ 1-МСР 2011
  • Хаас Ульрих Иоганнес
  • Вайдер Кристоф
  • Цойн Рональд
  • Росс Дейвид Чарлз
  • Киддер Даниел Уорден
  • Чжэнь Юцань
  • Мейлфит Тим
RU2615442C2

Иллюстрации к изобретению RU 2 682 280 C2

Реферат патента 2019 года СПОСОБ КЛАССИФИКАЦИИ ПОСЕВНОГО МАТЕРИАЛА

Изобретение относится к способу классификации и/или сортировки посевного материала при помощи терагерцевой спектроскопии с разрешением по времени. Способ содержит следующие этапы: воздействие на зерно посевного материала терагерцевым импульсом; измерение сигнала, создаваемого терагерцевым импульсом после прохождения через зерно посевного материала и/или отражения от зерна посевного материала; определение амплитуды, временной задержки, фазы и/или спектра сигнала, обусловленных этим прохождением и/или отражением; и отнесение зерна посевного материала к определенному классу посевного материала. Технический результат заключается в создании способа автоматической классификации и/или сортировки посевного материала. 21 з.п. ф-лы, 20 ил., 4 табл.

Формула изобретения RU 2 682 280 C2

1. Способ классификации и/или сортировки посевного материала, отличающийся тем, что зерна посевного материала классифицируют с применением терагерцевой спектроскопии с разрешением по времени, при этом способ содержит следующие этапы:

- воздействие на зерно посевного материала терагерцевым импульсом;

- измерение сигнала, создаваемого терагерцевым импульсом после прохождения через зерно посевного материала и/или отражения от зерна посевного материала;

- определение амплитуды, временной задержки, фазы и/или спектра сигнала, обусловленных этим прохождением и/или отражением; и

- отнесение зерна посевного материала к определенному классу посевного материала.

2. Способ по п. 1, отличающийся тем, что он содержит предварительный этап помещения зерна посевного материала в зону измерений терагерцевого спектрометра с разрешением по времени и/или последующий этап извлечения зерна посевного материала из зоны измерений терагерцевого спектрометра с разрешением по времени.

3. Способ по п. 2, отличающийся тем, что после извлечения из зоны измерений терагерцевого спектрометра с разрешением по времени зерно посевного материала сортируют в соответствии с его классификацией.

4. Способ по любому из пп. 1-3, отличающийся тем, что перед классификацией посевной материал калибруют.

5. Способ по любому из пп. 1-3, отличающийся тем, что терагерцевое излучение терагерцевого импульса имеет частоту по меньшей мере 0,1 ТГц, предпочтительно по меньшей мере 0,5 ТГц, особенно предпочтительно по меньшей мере 1 ТГц и наиболее предпочтительно по меньшей мере 5 ТГц, или тем, что терагерцевое излучение терагерцевого импульса имеет частоту не более 10 ТГц, предпочтительно не более 6 ТГц, особенно предпочтительно не более 4 ТГц и наиболее предпочтительно не более 3 ТГц.

6. Способ по любому из пп. 1-3, отличающийся тем, что посевной материал представляет собой посевной материал из группы, включающей в себя семена овощей, семена зерновых культур, зерна косточковых плодов, зерна ягод, орехи и зерна растений из семейства амарантовых.

7. Способ по п. 6, отличающийся тем, что посевной материал представляет собой посевной материал рода свекольных (Beta), предпочтительно вида сахарная свекла (Beta vulgaris), рода луковых (Allium), предпочтительно вида лук (Allium сера), рода подсолнечник (Helianthus), предпочтительно вида подсолнечник однолетний (Helianthus annuus) или рода паприка (Capsicum).

8. Способ по любому из пп. 1-3, отличающийся тем, что он обеспечивает точность сортировки по меньшей мере 75%.

9. Способ по любому из пп. 1-3, отличающийся тем, что он автоматизирован.

10. Способ по п. 1, отличающийся тем, что после извлечения из зоны измерений терагерцевого спектрометра с разрешением по времени зерно посевного материала сортируют в соответствии с его классификацией.

11. Способ по п. 4, отличающийся тем, что терагерцевое излучение терагерцевого импульса имеет частоту по меньшей мере 0,1 ТГц, предпочтительно по меньшей мере 0,5 ТГц, особенно предпочтительно по меньшей мере 1 ТГц и наиболее предпочтительно по меньшей мере 5 ТГц, или тем, что терагерцевое излучение терагерцевого импульса имеет частоту не более 10 ТГц, предпочтительно не более 6 ТГц, особенно предпочтительно не более 4 ТГц и наиболее предпочтительно не более 3 ТГц.

12. Способ по п. 4, отличающийся тем, что посевной материал представляет собой посевной материал из группы, включающей в себя семена овощей, семена зерновых культур, зерна косточковых плодов, зерна ягод, орехи и зерна растений из семейства амарантовых.

13. Способ по п. 5, отличающийся тем, что посевной материал представляет собой посевной материал из группы, включающей в себя семена овощей, семена зерновых культур, зерна косточковых плодов, зерна ягод, орехи и зерна растений из семейства амарантовых.

14. Способ по п. 4, отличающийся тем, что он обеспечивает точность сортировки по меньшей мере 75%.

15. Способ по п. 5, отличающийся тем, что он обеспечивает точность сортировки по меньшей мере 75%.

16. Способ по п. 6, отличающийся тем, что он обеспечивает точность сортировки по меньшей мере 75%.

17. Способ по п. 7, отличающийся тем, что он обеспечивает точность сортировки по меньшей мере 75%.

18. Способ по п. 4, отличающийся тем, что он автоматизирован.

19. Способ по п. 5, отличающийся тем, что он автоматизирован.

20. Способ по п. 6, отличающийся тем, что он автоматизирован.

21. Способ по п. 7, отличающийся тем, что он автоматизирован.

22. Способ по п. 8, отличающийся тем, что он автоматизирован.

Документы, цитированные в отчете о поиске Патент 2019 года RU2682280C2

US 2013126399 A1, 23.05.2013
US 2009059205 A1, 05.03.2009
УСТРОЙСТВО ДЛЯ ОПРЕДЕЛЕНИЯ ОДНОРОДНОСТИ ПАРТИИ СЕМЯН 2006
  • Рингенбах Алекс
  • Лойенбергер Якоб Андреас
RU2388203C2
US 6706989 B2, 16.03.2004
Устройство для модифицирования чугуна в копильнике 1955
  • Левонтин Л.И.
  • Лурье Д.А.
  • Мирошниченко А.Г.
SU105783A1

RU 2 682 280 C2

Авторы

Хильшер Эльке

Фридхофф Франк

Хиршман Кристиан

Даты

2019-03-19Публикация

2014-12-23Подача