CN110751048B - 基于图像特征自动选择谱线的激光探针分类方法及装置 - Google Patents

基于图像特征自动选择谱线的激光探针分类方法及装置 Download PDF

Info

Publication number
CN110751048B
CN110751048B CN201910891729.5A CN201910891729A CN110751048B CN 110751048 B CN110751048 B CN 110751048B CN 201910891729 A CN201910891729 A CN 201910891729A CN 110751048 B CN110751048 B CN 110751048B
Authority
CN
China
Prior art keywords
image
spectral
classification
features
laser probe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910891729.5A
Other languages
English (en)
Other versions
CN110751048A (zh
Inventor
李祥友
闫久江
刘坤
李殊涵
张闻
周冉
李青洲
李阳
曾晓雁
王泽敏
高明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910891729.5A priority Critical patent/CN110751048B/zh
Publication of CN110751048A publication Critical patent/CN110751048A/zh
Priority to PCT/CN2020/114530 priority patent/WO2021052240A1/zh
Application granted granted Critical
Publication of CN110751048B publication Critical patent/CN110751048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明属于激光探针成分分析相关技术领域，其公开了一种基于图像特征自动选择谱线的激光探针分类方法及装置，该方法包括以下步骤：(1)采集样品的等离子体光谱，并对所述等离子体光谱进行图像化处理以得到光谱图像；(2)对所述光谱图像进行图像特征及图像特征坐标提取，并依据图像特征与分析线实际波长的线性对应关系，将所提取的图像特征坐标转换为分析线的实际波长；(3)提取分析线的光谱强度，并将得到的分析线的强度及分类算法相结合来构建分类模型，进而采用所述分类模型对待分类产品进行分类。本发明提高了分类效率及分类精度，自动化程度较高，且在提高选线效率的同时有效避免人为因素。

Description

基于图像特征自动选择谱线的激光探针分类方法及装置
技术领域
本发明属于激光探针成分分析相关技术领域，更具体地，涉及一种基于图像特征自动选择谱线的激光探针分类方法及装置。
背景技术
激光探针即激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy，简称LIBS)，它是一种利用激光聚焦在样品表面产生的等离子体光谱来分析物质成分及含量的元素分析技术。激光探针技术相比于传统的化学分析技术如XRD(X-raydiffraction)、XRF(X Ray Fluorescence)、ICP-MS(Inductively coupled plasma-MassSpectrometry)等具有制样简单、可以实现原位快速检测等优点。LIBS技术在农残检测、地质勘测、岩石矿石检测等领域已经应用非常广泛，其分析方法相关的研究也有迅速的发展。
在基于LIBS技术的定量或者定性分析中，分析线的选择对分析结构有至关重要的影响。在LIBS技术中，目前常用的选线方法仍为传统的手动选线法，手动选线法一般是通过对光谱强度、背景强度、信背比、信噪比以及是否有自吸收等多重因素的综合判断来选择分析线，因此，手动选线具有较高的准确率。目前，本领域的相关研究人员已经做了一些研究，例如论文《Quantitative analysis of Lead Zirconate Titanate(PZT)ceramics bylaser-induced breakdown spectroscopy(LIBS)in combination with multivariatecalibration》(Rafael，Microchemical Journal 130(2017):21-26.)公开了一种基于手动选线和PLS算法的元素多元分析方法，并对陶瓷中的铅、锆、钛等元素进行了定量分析，但是该方法的缺点也十分明显，例如手动选线需要对目标谱线进行逐一判断，因此选线效率较低；而且该方法非常依赖选线经验，分析结果受人为影响比较明显。现有的自动选线法也有了一定的发展，如论文《In situ classification of rocks using stand-off laserinduced breakdown spectroscopy with a compact spectrometer》(W.T.Li等人，Journal of Analytical Atomic Spectrometry 33.3(2018):461-467.)也提出了一种基于小波变换算法的自动选线法，并以此结合LDA算法进行了岩石分类。然而，在LIBS技术中，自动选线法还不成熟，尚未有能普遍应用且具有标准化操作流程的方法，基于自动选线的分类方法也相对比较少。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于图像特征自动选择谱线的激光探针分类方法及装置，其是解决现有分类方法中选线效率低、选线结果容易受人为因素影响，导致分析过程耗时长、分析性能差的问题。所述分析方法可以使分类前的选线过程自动进行，在提高选线效率的同时有效避免人为因素，从而提高了分类效率及分类精度。
为实现上述目的，按照本发明的一个方面，提供了一种基于图像特征自动选择谱线的激光探针分类方法，该激光探针分类方法包括以下步骤：
(1)采集样品的等离子体光谱，并对所述等离子体光谱进行图像化处理以得到光谱图像；
(2)对所述光谱图像进行图像特征及图像特征坐标提取，并依据图像特征与分析线实际波长的线性对应关系，将所提取的图像特征坐标转换为分析线的实际波长；
(3)提取分析线的光谱强度，并将得到的分析线的强度及分类算法相结合来构建分类模型，进而采用所述分类模型对待分类产品进行分类。
进一步地，步骤(1)中，首先，将等离子体光谱进行图像化显示，并设置光谱图像的尺寸；接着，截取图像化显示的等离子体光谱的谱线区域，并将截取的谱线区域存储为图像，由此得到光谱图像。
进一步地，所述图像特征为角点特征，所述角点特征为加速段测试特征、最小特征值特征或者Harris特征。
进一步地，步骤(2)中，首先，设置图像角点特征的决定系数Q＝Q1，以获取光谱图像中的所有角点特征，得到角点集合CornerSet1；之后，设置Q＝Q2，且Q2>Q1，以获取光谱图像中位于波谷位置和波峰位置的角点特征，得到角点集合CornerSet2；接着，计算得到角点集合CornerSet1和角点集合CornerSet2的差集，以得到角点集合CornerSet4，该角点集合CornerSet4即对应所求分析线的角点集合。
进一步地，根据历史光谱和光谱图像的对应关系确定该等离子体光谱中两个不同点的实际光谱波长值和光谱图像特征的坐标值；根据得到的两个点的坐标对实际光谱波长值和光谱图像特征的坐标值进行线性拟合以得到线性关系表达式，继而基于所述线性关系表达式将提取的图像特征坐标转换为分析线的实际波长。
进一步地，该两个点分别位于光谱波段的前端和后端。
进一步地，两个点的坐标分别为(x1，y1)及(x2，y2)，则对应的线性关系表达式为y＝kx+b，其中k＝(y2-y1)/(x2-x1),b＝y1–kx1。
进一步地，所述分类算法为以下算法中的任意一种：线性判别分析算法、支持向量机分类算法、神经网络分类算法及K近邻算法。
进一步地，步骤(3)中，将待分类产品对应的分析线的光谱强度输入所述分类模型，所述分类模型依据收到的光谱强度数据对待分类产品进行分类。
按照本发明的另一个方面，提供了一种基于图像特征自动选择谱线的激光探针分类装置，所述激光探针分类析装置是采用如上所述的基于图像特征自动选择谱线的激光探针分类方法来对待分类产品进行分类的。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于图像特征自动选择谱线的激光探针分类方法及装置主要具有以下有益效果：
1.所述分类方法是基于图像特征自动选线分类的，整个分类过程可以无需人工干预，分类结果亦不受人为因素的影响，相比于现有的手动选线分类方法，本发明的方法效率更高，适用性较强，分析结果更稳定。
2.本方法在分类前通过图像特征识别角点位置及对应的分析线波长，有效的通过对光谱顶端夹角的检测提取到了具有更大相对强度的分析线，谱线相对强度越强，越有利于定性或定量分析；而现有的选线方法一般是先对光谱进行算法变换，然后通过计算光谱的信背比或信噪比进行选线的，而在该过程中，光谱背景或噪声的确定往往存在较大误差，影响选线及分类性能，本发明所提供的分类方法无上述问题。
3.所述图像特征可以为角点特征或其他图像特征，其中角点特征可以是加速段测试特征(FAST特征)、最小特征值特征(MinEigen特征)、Harris特征；所述分类算法可以为常用的机器学习算法如线性判别分析算法、支持向量机算法，以上图像特征和分类算法可以相互结合，因此基于图像特征自动选线分类的方法具有较好的实用性及灵活性。
附图说明
图1是本发明提供的基于图像特征自动选择谱线的激光探针分类方法的流程示意图；
图2是本发明提供的基于图像特征自动选择谱线的激光探针分类装置的示意图；
图3是图1中的基于图像特征自动选择谱线的激光探针分类方法涉及的光谱图像Harris角点特征检测的原理示意图；
图4是图1中的基于图像特征自动选择谱线的激光探针分类方法涉及的Harris角点筛选示意图；
图5是图1中的基于图像特征自动选择谱线的激光探针分类方法涉及的Harris角点检测流程示意图；
图6中的(a)、(b)、(c)及(d)分别是采用图1中的基于图像特征自动选择谱线的激光探针分类方法得到的Harris角点筛选结果示意图；
图7是手动选线的分析线位置示意图；
图8是图1中的基于图像特征自动选择谱线的激光探针分类方法涉及的图像角点坐标与分析线实际波长的对应示意图；
图9是图1中的基于图像特征自动选择谱线的激光探针分类方法涉及的图像角点坐标与分析线实际波长的线性关系示意图；
图10中的(a)及(b)分别是采用现有的手动选线分类方法及图1中的基于图像特征自动选择谱线的激光探针分类方法得到的分析结果示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1-光谱仪，2-激光器，3-控制单元，4-微处理器，5-采集头，6-聚焦镜，7-样品，8-连接线，9-光纤。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1、图2、图3及图4，本发明提供的基于图像特征自动选择谱线的激光探针分类方法，所述激光探针分类方法首先需要将LIBS光谱转化为光谱图像，然后对该光谱图像提取图像特征，再将该图像特征与分析线波长建立线性对应关系并计算出分析线实际波长，最后提取分析线强度，并将其与分类算法相结合，实现样品的识别与分类。
所述激光探针分类方法主要包括以下步骤：
S1，采用激光探针分类装置采集样品的等离子体光谱。
具体地，将样品7放置在所述激光探针分类装置的样品放置区域，结合所述激光探针分类装置的控制系统及光路系统来实现等离子体的光谱采集。其中，本发明提供的基于图像特征自动选择谱线的激光探针分类装置，所述激光探针分类装置包括光谱仪1、激光器2、控制单元3、微处理器4、采集头5、聚焦镜6、连接线8及光纤9，所述激光器2与所述聚焦镜6沿水平方向设置。所述控制单元3连接于所述微处理器4，所述控制单元3通过所述连接线8分别连接于所述光谱仪1及所述激光器2，所述采集头5通过所述光纤9连接于所述光谱仪1。所述采集头5位于所述聚焦镜6的上方，其与水平面之间形成一定的夹角，等离子体光谱经所述采集头5后再经所述光纤9传输至所述光谱仪1中。
所述激光器2用于产生高能量密度激光，所述聚焦镜6用于聚焦所述激光器2产生的高能量密度激光，所述控制单元3用于协调控制所述激光器2和所述光谱仪1工作，并采集系统的其他传感信号，所述采集头5用于采集激光光束照射在样品7表面所产生的等离子体光谱，所述微处理器4用于控制整个激光探针系统和存储产生的光谱数据。
所述激光器2产生的高能量密度激光束经过所述聚焦镜6聚焦后照射在所述样品7的表面，所述样品7经由高能量密度的激光束烧蚀后产生等离子体，等离子体发射光谱经所述采集头5采集后再经所述光纤9传输至所述光谱仪1中。其中，整个光谱采集过程经由所述控制单元3及所述微处理器4协调控制实现。
S2，对所述等离子体光谱进行图像化处理以得到光谱图像。
具体地，等离子体光谱是由波长列和强度值列组成的，在光谱图像绘制时，以波长为横轴，光谱强度为纵轴；而本实施方式中，需要去除横纵坐标轴以截取光谱显示区域，并以截取的区域为光谱图像，该光谱图像的分辨率取决于预设值。
在一个实施方式中，首先将等离子体光谱数据进行图像化显示，再设置光谱图像的尺寸，设该图像的长为L，宽为H，然后截取图像化显示的等离子体面光谱的谱线区域，此区域为除去光谱横纵坐标轴以外的整个光谱区域。最后，将所得到的L*H的图像区域存储为PNG格式的图像，该图像即光谱图像。
S3，对所述光谱图像进行图像特征及图像特征坐标提取，并在所述光谱图像中标识该图像特征的坐标。
具体地，图像特征可以为角点特征或者其他图像纹理特征或形状特征等，其中角点特征可以是加速段测试特征(FAST特征)、最小特征值特征(MinEigen特征)或Harris特征等，请参阅图5及图6，步骤S3具体包括以下步骤：
S31，以图像角点特征为例，参数Q为图像角点特征的决定系数，Q越小，在光谱图像中能检测的图像角点越多，反之越少。在该步骤中，首先设置Q＝Q1，Q1为一较小值，以获取光谱图像中的所有角点特征，得到角点集合CornerSet1，该点集合CornerSet1中共有角点特征m个。
S32，设置Q＝Q2，且Q2>Q1，以获取光谱图像中位于波谷位置和位于低强度峰值的波峰位置的角点特征，得到角点集合CornerSet2，该集合CornerSet2中共有角点特征n个。
S33，计算得到角点集合CornerSet1和角点集合CornerSet2的差集，以得到角点集合CornerSet4，该角点集合CornerSet4即对应所求分析线的角点集合，则该角点集合CornerSet4中共有角点特征(m-n)个。
S4，依据图像特征与分析线实际波长的线性对应关系，将所提取的图像特征坐标转换为分析线的实际波长。
具体地，请参阅图8及图9，步骤S4具体包括以下步骤：
S41，根据历史光谱和光谱图像的对应关系确定该等离子体光谱中两个不同点的实际光谱波长值和光谱图像特征的坐标值，其中，这两个点应位于光谱波段较靠前端和后端的位置。
S42，根据得到的两个点的坐标对实际光谱波长值和光谱图像特征的坐标值进行线性拟合以得到线性关系表达式，继而基于所述线性关系表达式将提取的图像特征坐标转换为分析线的实际波长。
在一个实施方式中，将所提取的(m-n)个图像特征的坐标转换为实际分析线波长，得到(m-n)条分析线波长，转换依据是图像特征与分析线实际波长之间的线性对应关系；首先，根据历史光谱和光谱图像的对应关系，确定光谱中两个不同点的实际光谱波长值和光谱图像角点特征的坐标值，如A(x1，y1)，B(x2，y2)这两个点应位于光谱波段较靠前端和后端的位置，如图8所示。之后，根据两个点A(x1，y1)、B(x2，y2)的坐标，对实际光谱波长值和光谱图像角点特征的坐标值进行线性拟合，以得到线性关系表达式y＝kx+b，其中k＝(y2-y1)/(x2-x1),b＝y1–kx1。
S5，提取分析线的光谱强度。
具体地，设实验中有样品数为a，每个样品采集的光谱数为b，则光谱总数为NS＝a*b，所提取的分析线强度矩阵的维度为(m-n)行和NS列。
S6，将得到的分析线的光谱强度与分类算法相结合来构建分类模型，进而采用所述分类模型对样品进行分类。
具体地，请参阅图7和图10，所述分类算法为以下算法中的任意一种：线性判别分析算法、支持向量机分类算法、神经网络分类算法及K近邻算法；将待分类的产品对应的分析线的光谱强度输入所述分类模型，进而所述分类模型对待分类的产品进行分类。
实施例1
本发明第一实施例提供的基于图像特征自动选择谱线的激光探针分类方法主要包括以下步骤：
步骤一，样品准备及光谱采集。本实施例采用24种火成岩岩石样品，该样品为天然石块，未经任何打磨或其他处理；本实施例中，激光最大单脉冲能量为6.3mJ，频率为10Hz，波长为1064.310nm，聚焦镜焦距为25mm，光谱仪的波段为268nm～430nm，光谱仪探测器为4094像素。另外，光谱采集方式为每个岩石样品采集4个点，每个点采集25幅光谱，因此每个样品总共采集100幅光谱。
步骤二，对等离子体光谱进行图像化处理，以得到光谱图像。首先，计算本实施例中的所有光谱的平均光谱，并将该平均光谱进行图像化显示。在本实施例中，光谱图像的长度L和宽度H分别设置为740和600，图像存储格式为PNG格式。另外，光谱的图像化主要通过Matlab的库函数来进行，首先通过plot(xWvData,yItyData)函数来图像化显示平均光谱，其中，xWvData为光谱的波长数据，yItyData为光谱的强度数据，然后通过getframe()函数截取设定分辨率的图像的光谱区域，最后通过imwrite()函数保存所截取的光谱图像。
步骤三，图像角点特征提取。本实施例中采用的图像特征为Harris角点特征。在该步骤中，首先设值Q1为0.005，获得光谱图像的全部角点特征及其坐标，角点特征集合为CornerSet1，特征数为m为324。然后，设置Q2为0.21，以获取波谷位置和低强度波峰位置的角点，角点集合为CornerSet2，角点数量n为153。最后，计算CornerSet1和CornerSet2的差集以得到CornerSet4，其中(m–n)的值为171，即0.005<Q<0.21范围内的角点，该集合CornerSet4中的角点的坐标即为分析线的位置，如图7所示。
步骤四，将角点坐标转换为分析线实际波长。在该步骤中，首先，根据等离子体光谱和光谱图像的对应关系，查询光谱中两个不同点的光谱波长值和光谱图像角点特征的坐标值，在该实施例中取点A(42.51，279.55)和B(685.37，422.67)。其中，42.51和685.37为角点A和B横坐标值，279.55和422.67为角点所对应的分析线的实际波长值。然后，根据A、B点坐标值，对角点特征坐标值和实际波长值进行线性拟合，以得到线性关系表达式y＝0.2226x+270.1190。
步骤五，提取分析线的光谱强度。在本实施例中，样品数为a＝24，每个样品采集的光谱数为b＝100，则光谱总数为NS＝a*b＝2400，此处所提取的分析线强度矩阵的维度为171行和2400列。
步骤六，结合分类算法建立分类模型进行分类。在本实施例中，采用的分类算法为线性判别分析(LDA)算法，在与该算法相结合时，训练集光谱数和测试集光谱数之比为8：2，训练集数据维度为171×1920，测试集数据维度为171×480。在该步骤中，将以上数据进行训练和测试，得到分类模型。
本发明提供的方法(IFALS-LDA)和手动选线分类法(MLS-LDA)对24种岩石样品进行分类的结果对比如图10所示，其中手动选线分类法的分析线详见表1。由图10可以看出，MLS-LDA分类法的总体平均分类准确率为94.38％，而IFALS-LDA分类法的总体平均分类准确率为98.54％。采用本发明的方法后，总体分类准确率得到了有效提高，提高幅度为4.16％。为了进一步验证本发明方法，在分类结束后对该分类模型进行了10折交叉验证，其中MLS-LDA和IFALS-LDA的交叉验证准确率分别为95％和98.18％。
表1手动选线法所选分析线明细表
Figure BDA0002208953500000101
另外，在分类效率方面，整个分类过程，MLS-LDA法需要的时间为2760s，而IFALS-LDA法是基于自动选线的分类方法，其所需的时间仅为4.34s左右。以上表明，IFALS-LDA分类法可以大幅减小LIBS技术的分类时间，提高分类效率。MLS-LDA和IFALS-LDA的综合分类性能指标对比如表2所示。
表2 MLS-LDA和IFALS-LDA的综合分类性能指标
观测指标 MLS-LDA IFALS-LDA
预测准确率(％) 94.38 98.54
交叉验证准确率(％) 95.00 98.18
运行时间(s) 2760.00 4.36
分析线数量 46 171
操作模式 手动选线 自动选线
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像特征自动选择谱线的激光探针分类方法，其特征在于，该激光探针分类方法包括以下步骤：
(1)采集样品的等离子体光谱，并对所述等离子体光谱进行图像化处理以得到光谱图像；
(2)对所述光谱图像进行图像特征及图像特征坐标提取，并依据图像特征与分析线实际波长的线性对应关系，将所提取的图像特征坐标转换为分析线的实际波长；
(3)提取分析线的光谱强度，并将得到的分析线的强度及分类算法相结合来构建分类模型，进而采用所述分类模型对待分类产品进行分类；
所述图像特征为角点特征，所述角点特征为加速段测试特征、最小特征值特征或者Harris特征；步骤(2)中，首先，设置图像角点特征的决定系数Q＝Q1，以获取光谱图像中的所有角点特征，得到角点集合CornerSet1；之后，设置Q＝Q2，且Q2>Q1，以获取光谱图像中位于波谷位置和波峰位置的角点特征，得到角点集合CornerSet2；接着，计算得到角点集合CornerSet1和角点集合CornerSet2的差集，以得到角点集合CornerSet4，该角点集合CornerSet4即对应所求分析线的角点集合。
2.如权利要求1所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：步骤(1)中，首先，将等离子体光谱进行图像化显示，并设置光谱图像的尺寸；接着，截取图像化显示的等离子体光谱的谱线区域，并将截取的谱线区域存储为图像，由此得到光谱图像。
3.如权利要求1所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：根据历史光谱和光谱图像的对应关系确定该等离子体光谱中两个不同点的实际光谱波长值和光谱图像特征的坐标值；根据得到的两个点的坐标对实际光谱波长值和光谱图像特征的坐标值进行线性拟合以得到线性关系表达式，继而基于所述线性关系表达式将提取的图像特征坐标转换为分析线的实际波长。
4.如权利要求3所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：该两个点分别位于光谱波段的前端和后端。
5.如权利要求3所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：两个点的坐标分别为(x1，y1)及(x2，y2)，则对应的线性关系表达式为y＝kx+b，其中k＝(y2-y1)/(x2-x1),b＝y1–kx1。
6.如权利要求1-5任一项所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：所述分类算法为以下算法中的任意一种：线性判别分析算法、支持向量机分类算法、神经网络分类算法及K近邻算法。
7.如权利要求1-5任一项所述的基于图像特征自动选择谱线的激光探针分类方法，其特征在于：步骤(3)中，将待分类产品对应的分析线的光谱强度输入所述分类模型，所述分类模型依据收到的光谱强度数据对待分类产品进行分类。
8.一种基于图像特征自动选择谱线的激光探针分类装置，其特征在于：所述激光探针分类装置是采用权利要求1-7任一项所述的基于图像特征自动选择谱线的激光探针分类方法来对待分类产品进行分类的。
CN201910891729.5A 2019-09-20 2019-09-20 基于图像特征自动选择谱线的激光探针分类方法及装置 Active CN110751048B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910891729.5A CN110751048B (zh) 2019-09-20 2019-09-20 基于图像特征自动选择谱线的激光探针分类方法及装置
PCT/CN2020/114530 WO2021052240A1 (zh) 2019-09-20 2020-09-10 基于图像特征自动选择谱线的激光探针分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910891729.5A CN110751048B (zh) 2019-09-20 2019-09-20 基于图像特征自动选择谱线的激光探针分类方法及装置

Publications (2)

Publication Number Publication Date
CN110751048A CN110751048A (zh) 2020-02-04
CN110751048B true CN110751048B (zh) 2022-06-14

Family

ID=69276823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910891729.5A Active CN110751048B (zh) 2019-09-20 2019-09-20 基于图像特征自动选择谱线的激光探针分类方法及装置

Country Status (2)

Country Link
CN (1) CN110751048B (zh)
WO (1) WO2021052240A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751048B (zh) * 2019-09-20 2022-06-14 华中科技大学 基于图像特征自动选择谱线的激光探针分类方法及装置
CN117890486B (zh) * 2024-03-15 2024-05-14 四川吉利学院 基于稀疏切空间投影的磁瓦内部缺陷检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104730041A (zh) * 2013-12-20 2015-06-24 武汉新瑞达激光工程有限责任公司 一种提高激光探针塑料识别精度的方法及其装置
CN107817239A (zh) * 2016-09-13 2018-03-20 中国科学院沈阳自动化研究所 一种基于等离子体位置信息的libs光谱校正方法
WO2018072038A1 (en) * 2016-10-21 2018-04-26 National Research Council Of Canada Laser-induced breakdown spectroscopy system and method, and detection system and method therefor
CN108573105A (zh) * 2018-04-23 2018-09-25 浙江科技学院 基于深度置信网络的土壤重金属含量检测模型的建立方法
CN109063773A (zh) * 2018-08-03 2018-12-21 华中科技大学 一种利用图像特征提高激光探针分类精度的方法
CN109975273A (zh) * 2019-03-07 2019-07-05 四川大学 一种基于激光诱导击穿光谱的岩石分类方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6545240B2 (en) * 1996-02-16 2003-04-08 Huron Valley Steel Corporation Metal scrap sorting system
US20150346103A1 (en) * 2014-05-29 2015-12-03 Bwt Property, Inc. Laser Induced Breakdown Spectroscopy (LIBS) Apparatus and Method for Performing Spectral Imaging of a Sample Surface
CN105139412B (zh) * 2015-09-25 2018-04-24 深圳大学 一种高光谱图像角点检测方法与系统
CN106770194B (zh) * 2017-01-20 2019-07-19 华中科技大学 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法
CN108596246A (zh) * 2018-04-23 2018-09-28 浙江科技学院 基于深度神经网络的土壤重金属含量检测模型的建立方法
CN110751048B (zh) * 2019-09-20 2022-06-14 华中科技大学 基于图像特征自动选择谱线的激光探针分类方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104730041A (zh) * 2013-12-20 2015-06-24 武汉新瑞达激光工程有限责任公司 一种提高激光探针塑料识别精度的方法及其装置
CN107817239A (zh) * 2016-09-13 2018-03-20 中国科学院沈阳自动化研究所 一种基于等离子体位置信息的libs光谱校正方法
WO2018072038A1 (en) * 2016-10-21 2018-04-26 National Research Council Of Canada Laser-induced breakdown spectroscopy system and method, and detection system and method therefor
CN108573105A (zh) * 2018-04-23 2018-09-25 浙江科技学院 基于深度置信网络的土壤重金属含量检测模型的建立方法
CN109063773A (zh) * 2018-08-03 2018-12-21 华中科技大学 一种利用图像特征提高激光探针分类精度的方法
CN109975273A (zh) * 2019-03-07 2019-07-05 四川大学 一种基于激光诱导击穿光谱的岩石分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Laser-induced Breakdown spectroscopy quantitative analysismethod via adaptive analytical line selection and relevance vector machine regression model";Jianhong Yang等;《ELSEVIER》;20150303;45-55 *
"塑料激光诱导击穿光谱技术快速分类应用研究";孙倩倩 等;《光谱学与光谱分析》;20170731;第37卷(第7期);2205-2209 *

Also Published As

Publication number Publication date
WO2021052240A1 (zh) 2021-03-25
CN110751048A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
US11644395B2 (en) Multi-spectral imaging including at least one common stain
ElMasry et al. Principles of hyperspectral imaging technology
Bhargava Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology
US8280140B2 (en) Classifying image features
CN113155809B (zh) 一种矿石分类与实时定量分析的光谱检测新方法
CN101975818B (zh) 特征物质的检测系统及方法
CN110751048B (zh) 基于图像特征自动选择谱线的激光探针分类方法及装置
WO2021068545A1 (zh) 一种基于改进主成分分析的拉曼特征谱峰提取方法
EP2696191A1 (en) Method for the characterisation and classification of kidney stones
CN113177919A (zh) Libs与深度学习结合的岩性分类及主量元素含量检测方法
Cai et al. Rapid identification of ore minerals using multi-scale dilated convolutional attention network associated with portable Raman spectroscopy
CN105300954A (zh) 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法
Tappert et al. Characterizing kimberlite dilution by crustal rocks at the Snap Lake diamond mine (Northwest Territories, Canada) using SWIR (1.90–2.36 μ m) and LWIR (8.1–11.1 μ m) hyperspectral imagery collected from drill core
Zou et al. Online simultaneous determination of H 2 O and KCl in potash with LIBS coupled to convolutional and back-propagation neural networks
CN109063773B (zh) 一种利用图像特征提高激光探针分类精度的方法
Yan et al. An image features assisted line selection method in laser-induced breakdown spectroscopy
Karasik A complete, automatic procedure for pottery documentation and analysis
US20210278333A1 (en) Methods and systems for adjusting a training gate to accommodate flow cytometer data
EP2332073B1 (en) Shape parameter for hematology instruments
CN108663334A (zh) 基于多分类器融合寻找土壤养分光谱特征波长的方法
CN105717094B (zh) 一种基于大数据库辨识的金属元素含量分析方法
Ma et al. Estimating soil heavy metal concentration using hyperspectral data and weighted K-NN method
CN112801172A (zh) 一种模糊模式识别的白菜农药残留定性分析方法
CN106778801A (zh) 用于分析观测对象的类别的方法和装置
De Kerf et al. Quantitative detection of corrosion minerals in carbon steel using shortwave infrared hyperspectral imaging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Li Xiangyou

Inventor after: Wang Zemin

Inventor after: Gao Ming

Inventor after: Yan Jiujiang

Inventor after: Liu Kun

Inventor after: Li Shuhan

Inventor after: Zhang Wen

Inventor after: Zhou Ran

Inventor after: Li Qingzhou

Inventor after: Li Yang

Inventor after: Zeng Xiaoyan

Inventor before: Li Xiangyou

Inventor before: Lu Yongfeng

Inventor before: Wang Zemin

Inventor before: Gao Ming

Inventor before: Yan Jiujiang

Inventor before: Liu Kun

Inventor before: Li Shuhan

Inventor before: Zhang Wen

Inventor before: Zhou Ran

Inventor before: Li Qingzhou

Inventor before: Li Yang

Inventor before: Zeng Xiaoyan

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant