CN105139022A - 一种通过近红外高光谱图像技术建立塑料识别模型的方法 - Google Patents
一种通过近红外高光谱图像技术建立塑料识别模型的方法 Download PDFInfo
- Publication number
- CN105139022A CN105139022A CN201510431718.0A CN201510431718A CN105139022A CN 105139022 A CN105139022 A CN 105139022A CN 201510431718 A CN201510431718 A CN 201510431718A CN 105139022 A CN105139022 A CN 105139022A
- Authority
- CN
- China
- Prior art keywords
- sample
- analysis
- model
- pet
- mahalanobis distance
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种通过近红外高光谱图像技术建立塑料识别模型的方法,所述方法包括:对反射率光谱数据进行PCA分析,得到载荷系数;以载荷系数为纵坐标,以波长为横坐标作图,选择图中波峰或波谷位置对应的波长作为特征波长;将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分析;根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径;建立非标准化的典型判别模型和Fisher判别模型。本方法在减少数据计算时间的同时,提高样本的识别准确率;有利于在实际工业应用中进行推广。
Description
技术领域
本发明涉及塑料识别领域,尤其涉及一种通过近红外高光谱图像技术建立塑料识别模型的方法。
背景技术
在国内,近红外高光谱技术已经广泛应用于食品和农产品领域,吴静珠等人运用傅里叶近红外光谱仪和近红外增强型高光谱成像系统建立了预测小麦籽粒蛋白含量的模型;吴龙国等人利用近红外高光谱成像技术对灵武长枣含水量的无损检测进行了研究,建立了R-PLSR(光谱反射率-偏最小二乘回归模型)、A-PLSR(光谱吸收率-偏最小二乘回归模型)和KM-PLSR(KubelkaMunk函数-偏最小二乘回归模型)的灵武长枣含水量预测模型;陈姗姗等人利用近红外高光谱图像技术对损伤苹果图像进行处理,提出运用不均匀二次差分方法检测轻微损伤苹果。
G.Bonifazi等研究了基于近红外高光谱图像技术的聚烯烃回收设备、相关的软件架构和处理算法,可用于聚烯烃回收过程的在线质量和流程控制。
在实际的研究过程中发现,要实现废混合塑料的在线识别分离,单纯使用近红外光谱仪难以达到工业化的要求。
发明内容
本发明提供了一种通过近红外高光谱图像建立塑料识别模型的方法,本发明通过黑白校正对光谱数据进行预处理,消除背景、光源和噪声等对测试数据的影响,省掉了S-G(最小二乘拟合法)平滑和小波去噪等光谱处理方法,减少了数据量,节约了处理时间,大大提高了判别的效率,详见下文描述:
一种通过近红外高光谱图像技术建立塑料识别模型的方法,所述方法包括以下步骤:
用近红外高光谱仪采集PE、PP和PET三种废混合塑料样本的原始光谱图像,对原始光谱图像进行黑白校正;
使用光谱分析软件提取校正后图像的反射率光谱数据;
对反射率光谱数据进行PCA分析,得到载荷系数;以载荷系数为纵坐标,以波长为横坐标作图,选择图中波峰或波谷位置对应的波长作为特征波长;
将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分析;
根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径;
建立非标准化的典型判别模型和Fisher判别模型。
所述根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径的步骤具体为:
根据判别分析的结果,得到非标准化的典型判别函数,PE、PP和PET三类样本的质心以及每种样本的马氏距离,每一类样本中选取最远马氏距离,分别根据最远马氏距离获取三类样本的识别半径。
所述建立非标准化的典型判别模型和Fisher判别模型的步骤具体为:
非标准化的典型判别模型包括:非标准化的典型判别函数,三类样本的质心以及识别半径;
Fisher判别模型包括:Fisher的线性判别式函数。
其中,所述方法还包括:通过预测样本数据,验证判别模型的可靠性和识别准确率。
本发明提供的技术方案的有益效果是:本发明运用近红外高光谱仪采集PE(聚乙烯)、PP(聚丙烯)和PET(聚对苯二甲酸乙二酯)三种塑料样本的原始光谱,进行黑白校正以消除背景、光源和噪声等对光谱测量的影响,运用高光谱分析软件ENVI提取反射率光谱数据,然后进行主成分分析并提取特征波长,再以特征波长对应的光谱数据进行判别分析,利用分析结果建立非标准化的典型判别模型和Fisher判别模型,并逐步优化特征波长的个数和判别函数,减少数据计算时间的同时,提高样本的识别准确率。经过实验验证,提取8个能代表样本大部分信息的特征波长时,可以降低数据处理量,有利于实际工业应用中进行推广。
附图说明
图1为一种通过近红外高光谱图像建立塑料识别模型的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明在现有技术的基础上,引进高光谱成像技术,利用一次测试能得到材质光谱信息和位置信息的特征,完成塑料精准识别,为其在线识别分离奠定了基础。本发明将近红外高光谱成像技术在食品与农产品领域的研究和PE、PP和PET三种塑料的特性结合起来,建立这三种塑料的识别模型,为进一步的工业化带来了更大的可行性。
实施例1
一种运用近红外高光谱技术精准识别PE、PP和PET三种塑料的方法,参见图1,识别方法包括以下步骤:
101:用近红外高光谱仪采集PE、PP和PET三种废混合塑料样本的原始光谱图像,对原始光谱图像进行黑白校正;
其中,黑白校正的步骤为本领域技术人员所公知,本发明实施例对此不做赘述。
102:使用光谱分析软件提取校正后图像的反射率光谱数据;
其中,光谱分析软件可以为ENVI软件(该软件为本领域技术人员所公知)。反射率光谱数据的波长范围为1000-1700nm。
103:对反射率光谱数据进行PCA(主成分分析)分析,得到载荷系数;以载荷系数为纵坐标,以波长为横坐标作图,选择图中波峰或波谷位置对应的波长作为特征波长代替原始光谱;
其中,特征波长的选取个数根据实际应用中的需要进行设定,本方法以8个为例进行说明,具体实现时,本发明实施例对此不做限制。
104:将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分析;
其中,数据统计分析软件可以为SPSS,将特征波长对应的反射率光谱数据直接导入SPSS数据统计分析软件中,直接可以输出判别分析的结果。
105:根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径;
其中,步骤105具体为:根据判别分析的结果,得到非标准化的典型判别函数y1与y2,PE、PP和PET三类样本的质心以及每种样本的马氏距离(即,每一类样本到相应质心的距离),每一类样本中选取最远马氏距离(即离质心最远的那个样本的马氏距离),分别根据最远马氏距离获取三类样本的识别半径RPE、RPP、RPET。
106:建立非标准化的典型判别模型(包括非标准化的典型判别函数y1与y2,三类样本的质心以及识别半径)和Fisher判别模型(包括Fisher的线性判别式函数y1、y2和y3);
其中,对于Fisher判别模型来说,Fisher的线性判别式函数y1、y2和y3直接由数据统计分析软件SPSS可得。
107:通过预测样本数据,验证判别模型的可靠性和识别准确率。
综上所述,通过上述步骤101-步骤107实现了对样本的识别,提高了识别的准确率。
实施例2
本发明所述的塑料样本原料主要来源于生活中常见的各种废旧塑料制品以及废旧电器电子产品拆解后得到的各种塑料,包括PE、PP和PET。采集到PE样本45个(其中包括样本集30个,预测集15个);PP样本48个(其中包括样本集30个,预测集18个);PET样本45个(其中包括样本集30个,预测集15个)。
对塑料样本的表面进行清洗并用砂纸打磨处理,擦除表面的污垢后,然后裁剪成30mm*30mm大小的均匀块状,最后分别编号并在室温20-25℃下进行测试。
本发明运用近红外高光谱仪对塑料样本进行近红外高光谱图像的采集,光源运用卤钨灯,功率为200W,镜头距样品的高度为34cm,曝光时间为30ms,测试平台移动速度为1cm-3cm/s,光谱波段为900-1700nm,光谱仪的帧数为100帧。
在进行采集时,设置白板,并进行黑白校正。
使用ENVI4.7提取黑白校正后的高光谱数据,对提取的90个样本集的近红外高光谱反射率数据进行主成分分析(PCA),获取主成分分析排列前三的主成分;以前三的主成分对应的载荷系数、波长进行作图,选择图中波峰或波谷位置对应的8个波长作为特征波长,即8个特征波长分别为:1136.53、1146.54、1193.27、1219.98、1393.88、1544.72、1652.17、1672.33。
将提取到的90个标准样品的8个特征波长对应的光谱校正数据导入数据统计分析软件SPSS中,根据判别分析的结果(该结果由数据统计分析软件SPSS直接输出),建立非标准化的典型判别函数:
y1=14.909x1-4.909x2-32.284x3+64.610x4-69.379x5-0.125x6+17.934x7
+11.333x8-1.884
y2=12.486x1-21.016x2-20.043x3+57.001x4-38.712x5+19.431x6-9.463x7
+2.837x8-1.776
根据判别分析的结果,PE样本的质心为(-0.578,-5.202)、PP样本的质心为(5.174,2.139)、PET样本的质心为(-4.596,3.063)。
根据判别分析结果中每类样本的马氏距离,得到三类样本的识别半径分别为:RPE=3、RPP=4、RPET=3。
识别步骤:
1)将每一个预测集样本的8个变量(即特征波长对应的校正光谱数据)x1…x8分别带入到判别函数,得到y1、y2的值;
2)计算出点(y1,y2)分别到PE样本的质心、PP样本的质心、PET样本的质心的距离d1、d2、d3;
3)判别分析:
如果d1≤3成立,则该样品为PE;
如果d2≤4成立,则该样品为PP;
如果d3≤3成立,则该样品为PET;
如果以上三个不等式均不成立,可判别为未知样品。
实施例3
参照实施例2的方法,将提取出的90个标准样品的8个特征波长对应的校正数据导入数据统计分析软件SPSS中,进行Fisher分类判别,得到Fisher的线性判别式函数:
y1=-96.096x1+152.943x2+137.932x3-173.033x4-43.679x5+45.780x6+3.117x7
-10.197x8-18.918
y2=81.329x1-29.588x2-194.919x3+617.092x4-726.966x5+187.716x6
+36.801x7+75.815x8-44.766
y3=-52.797x1-1.039x2+101.976x3+38.530x4-84.916x5-206.888x6-147.150x7
-32.280x8-27.578
识别步骤:
1)将每一个预测集样本的8个变量(即特征波长对应的校正光谱数据)x1…x8分别带入到判别函数中,得到y1、y2、y3的值;
2)比较y1、y2、y3的大小,最大的即为相应的分类。
即:如果y1最大,则该样品为PE;
如果y2最大,则该样品为PP;
如果y3最大,则该样品为PET。
实施例4
参照实施例2中的方法对预测集中的48个样本进行处理,验证所建立非标准化的典型判别模型的正确率与可靠性。
表1
预测集 | y1 | y2 | d1 | d2 | d3 | 样本预测 |
PE样本1 | -1.059 | -5.592 | 0.619 | 9.930 | 9.350 | PE |
PE样本2 | 0.181 | -6.134 | 1.202 | 9.663 | 10.363 | PE |
PE样本3 | -1.504 | -4.768 | 1.023 | 9.608 | 8.420 | PE |
PE样本4 | -1.865 | -4.997 | 1.303 | 10.024 | 8.510 | PE |
PE样本5 | -0.325 | -4.955 | 0.353 | 8.976 | 9.085 | PE |
PE样本6 | -2.401 | -4.943 | 1.842 | 10.371 | 8.302 | PE |
PE样本7 | -0.647 | -4.097 | 1.107 | 8.531 | 8.177 | PE |
PE样本8 | -1.019 | -3.898 | 1.377 | 8.648 | 7.826 | PE |
PE样本9 | -2.238 | -5.760 | 1.751 | 10.832 | 9.133 | PE |
PE样本10 | -0.651 | -4.662 | 0.545 | 8.955 | 8.674 | PE |
PE样本11 | 0.260 | -3.462 | 1.932 | 7.451 | 8.133 | PE |
PE样本12 | -0.079 | -5.374 | 0.528 | 9.167 | 9.570 | PE |
PE样本13 | -2.165 | -5.567 | 1.629 | 10.642 | 8.966 | PE |
PE样本14 | 0.552 | -6.855 | 2.002 | 10.112 | 11.174 | PE |
PE样本15 | -0.158 | -4.100 | 1.180 | 8.207 | 8.426 | PE |
PP样本1 | 5.901 | 2.787 | 10.286 | 0.973 | 10.500 | PP |
PP样本2 | 8.978 | 3.352 | 12.825 | 3.993 | 13.577 | PP |
PP样本3 | 4.570 | 1.802 | 8.692 | 0.692 | 9.252 | PP |
PP样本4 | 4.872 | 2.051 | 9.073 | 0.314 | 9.522 | PP |
PP样本5 | 4.971 | 2.094 | 9.166 | 0.208 | 9.616 | PP |
PP样本6 | 5.159 | 1.941 | 9.162 | 0.198 | 9.819 | PP |
PP样本7 | 2.287 | 0.316 | 6.218 | 3.414 | 7.411 | PP |
PP样本8 | 4.409 | 1.892 | 8.672 | 0.804 | 9.081 | PP |
PP样本9 | 4.010 | 1.233 | 7.903 | 1.475 | 8.798 | PP |
PP样本10 | 4.713 | 1.873 | 8.834 | 0.533 | 9.385 | PP |
PP样本11 | 4.749 | 1.696 | 8.716 | 0.613 | 9.445 | PP |
PP样本12 | 3.401 | 0.745 | 7.155 | 2.255 | 8.327 | PP |
PP样本13 | 1.960 | 0.016 | 5.803 | 3.851 | 7.230 | PP |
PP样本14 | 3.432 | 1.177 | 7.534 | 1.991 | 8.246 | PP |
PP样本15 | 5.005 | 2.006 | 9.117 | 0.215 | 9.659 | PP |
PP样本16 | 4.806 | 1.735 | 8.781 | 0.546 | 9.495 | PP |
PP样本17 | 4.870 | 1.562 | 8.685 | 0.652 | 9.584 | PP |
PP样本18 | 5.100 | 1.987 | 9.161 | 0.169 | 9.755 | PP |
PET样本1 | -4.290 | 3.232 | 9.215 | 9.527 | 0.350 | PET |
PET样本2 | -3.695 | 2.852 | 8.636 | 8.898 | 0.925 | PET |
PET样本3 | -2.631 | 2.685 | 8.150 | 7.824 | 2.001 | PET |
PET样本4 | -5.946 | 1.522 | 8.604 | 11.137 | 2.049 | PET |
PET样本5 | -7.122 | 3.767 | 11.102 | 12.403 | 2.622 | PET |
PET样本6 | -4.449 | 1.019 | 7.327 | 9.688 | 2.049 | PET |
PET样本7 | -4.868 | 3.911 | 10.073 | 10.197 | 0.891 | PET |
PET样本8 | -3.607 | 3.487 | 9.202 | 8.884 | 1.076 | PET |
PET样本9 | -2.985 | 1.321 | 6.953 | 8.200 | 2.373 | PET |
PET样本10 | -4.442 | 3.686 | 9.692 | 9.739 | 0.642 | PET |
PET样本11 | -3.893 | 2.426 | 8.317 | 9.072 | 0.949 | PET |
PET样本12 | -3.249 | 2.836 | 8.470 | 8.452 | 1.366 | PET |
PET样本13 | -7.230 | 4.257 | 11.564 | 12.584 | 2.892 | PET |
PET样本14 | -3.366 | 2.610 | 8.294 | 8.553 | 1.311 | PET |
PET样本15 | -5.358 | 1.480 | 8.216 | 10.552 | 1.757 | PET |
由表1可知,使用该典型判别模型预测样本的准确率为100%。
参照实施例3中的方法对预测集中的48个样本进行处理,验证所建立Fisher判别模型的正确率与可靠性。
表2
预测集 | y1 | y2 | y3 | 样本预测 |
PE样本1 | 23.095 | -26.023 | -20.420 | PE |
PE样本2 | 23.787 | -22.177 | -29.189 | PE |
PE样本3 | 9.715 | -35.920 | -25.205 | PE |
PE样本4 | 13.970 | -35.424 | -21.392 | PE |
PE样本5 | 12.343 | -27.883 | -28.857 | PE |
PE样本6 | 14.013 | -38.070 | -18.749 | PE |
PE样本7 | 5.134 | -30.643 | -27.685 | PE |
PE样本8 | 4.869 | -31.583 | -24.806 | PE |
PE样本9 | 21.788 | -35.351 | -18.385 | PE |
PE样本10 | 10.670 | -29.281 | -26.800 | PE |
PE样本11 | 10.717 | -15.176 | -20.489 | PE |
PE样本12 | 17.707 | -24.175 | -27.945 | PE |
PE样本13 | 20.412 | -34.888 | -18.450 | PE |
PE样本14 | 27.600 | -21.527 | -32.824 | PE |
PE样本15 | 8.083 | -24.900 | -26.717 | PE |
PP样本1 | -1.236 | 51.186 | -3.459 | PP |
PP样本2 | 5.602 | 79.870 | -4.316 | PP |
PP样本3 | -3.531 | 34.006 | -8.547 | PP |
PP样本4 | -3.141 | 37.968 | -7.309 | PP |
PP样本5 | -4.064 | 37.924 | -8.279 | PP |
PP样本6 | 1.607 | 43.557 | -4.623 | PP |
PP样本7 | -9.938 | 3.564 | -18.065 | PP |
PP样本8 | -5.068 | 32.207 | -8.697 | PP |
PP样本9 | -5.315 | 24.829 | -12.782 | PP |
PP样本10 | -4.019 | 34.863 | -9.023 | PP |
PP样本11 | 3.055 | 40.851 | -3.555 | PP |
PP样本12 | -8.012 | 15.044 | -17.073 | PP |
PP样本13 | -10.540 | -1.119 | -19.833 | PP |
PP样本14 | -4.379 | 22.019 | -9.992 | PP |
PP样本15 | -3.466 | 38.076 | -8.543 | PP |
PP样本16 | 2.190 | 40.595 | -4.328 | PP |
PP样本17 | 2.647 | 40.147 | -5.556 | PP |
PP样本18 | 2.124 | 44.071 | -3.488 | PP |
PET样本1 | -14.453 | -17.378 | 27.950 | PET |
PET样本2 | -18.394 | -20.689 | 18.473 | PET |
PET样本3 | -13.220 | -10.617 | 17.995 | PET |
PET样本4 | -18.372 | -43.378 | 16.544 | PET |
PET样本5 | -21.395 | -36.676 | 36.806 | PET |
PET样本6 | -18.056 | -38.137 | 6.695 | PET |
PET样本7 | -16.044 | -17.304 | 34.293 | PET |
PET样本8 | -19.508 | -16.634 | 22.255 | PET |
PET样本9 | -19.281 | -28.726 | 2.082 | PET |
PET样本10 | -11.945 | -12.406 | 34.819 | PET |
PET样本11 | -16.669 | -23.229 | 17.473 | PET |
PET样本12 | -17.961 | -17.804 | 16.985 | PET |
PET样本13 | -14.957 | -27.269 | 47.728 | PET |
PET样本14 | -18.920 | -21.099 | 14.625 | PET |
PET样本15 | -17.877 | -39.805 | 14.333 | PET |
由表2可知,使用该Fisher判别模型预测样本的准确率为100%。
综上所述,实施例1、实施例2和实施例3建立的模型可以用于精准识别PE、PP和PET这三种塑料。如果样本中有除了PE、PP和PET的其他样品,可参照实施例2的方法进行判别;如果样本中只有PE、PP和PET中的两种或者三种,可参照实施例2的方法进行判别。
本发明的成果可以实现PE、PP和PET三种塑料的准确识别,相比于传统的识别分离方法(比如燃烧识别法、外观识别法以及密度识别法等),可以更加快速、精准、高效地实现在线识别,可重复性较好,不破坏样品、不使用溶剂、不污染环境,分析结果准确可靠;而且从长远来看,仪器投资和操作费用较低,易于实现工业化。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种通过近红外高光谱图像技术建立塑料识别模型的方法,其特征在于,所述方法包括以下步骤:
用近红外高光谱仪采集PE、PP和PET三种废混合塑料样本的原始光谱图像,对原始光谱图像进行黑白校正;
使用光谱分析软件提取校正后图像的反射率光谱数据;
对反射率光谱数据进行PCA分析,得到载荷系数;以载荷系数为纵坐标,以波长为横坐标作图,选择图中波峰或波谷位置对应的波长作为特征波长;
将特征波长对应的反射率光谱数据导入数据统计分析软件中进行判别分析;
根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径;
建立非标准化的典型判别模型和Fisher判别模型。
2.根据权利要求1所述的一种通过近红外高光谱图像技术建立塑料识别模型的方法,其特征在于,所述根据判别分析的结果,获取非标准化的典型判别函数、质心以及马氏距离,通过马氏距离获取识别半径的步骤具体为:
根据判别分析的结果,得到非标准化的典型判别函数,PE、PP和PET三类样本的质心以及每种样本的马氏距离,每一类样本中选取最远马氏距离,分别根据最远马氏距离获取三类样本的识别半径。
3.根据权利要求1或2所述的一种通过近红外高光谱图像技术建立塑料识别模型的方法,其特征在于,所述建立非标准化的典型判别模型和Fisher判别模型的步骤具体为:
非标准化的典型判别模型包括:非标准化的典型判别函数,三类样本的质心以及识别半径;
Fisher判别模型包括:Fisher的线性判别式函数。
4.根据权利要求1或2所述的一种通过近红外高光谱图像技术建立塑料识别模型的方法,其特征在于,所述方法还包括:
通过预测样本数据,验证判别模型的可靠性和识别准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510431718.0A CN105139022A (zh) | 2015-07-21 | 2015-07-21 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510431718.0A CN105139022A (zh) | 2015-07-21 | 2015-07-21 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105139022A true CN105139022A (zh) | 2015-12-09 |
Family
ID=54724365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510431718.0A Pending CN105139022A (zh) | 2015-07-21 | 2015-07-21 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139022A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872393A (zh) * | 2017-04-14 | 2017-06-20 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
CN106885782A (zh) * | 2017-02-23 | 2017-06-23 | 浙江大学 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
CN107999399A (zh) * | 2017-12-27 | 2018-05-08 | 华侨大学 | 基于点阵高光谱检测的建筑垃圾在线分拣系统和方法 |
CN109211803A (zh) * | 2018-09-17 | 2019-01-15 | 中国科学院生态环境研究中心 | 一种基于显微多光谱技术对微塑料进行快速识别的装置 |
CN109358018A (zh) * | 2018-12-05 | 2019-02-19 | 中华人民共和国梧州海关 | 一种利用红外光谱溯源识别成品六堡茶产地的方法 |
CN112101459A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4312915A1 (de) * | 1993-04-10 | 1994-10-13 | Laser Labor Adlershof Gmbh | Verfahren und Anordnung zur IR-spektroskopischen Trennung von Kunststoffen |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
-
2015
- 2015-07-21 CN CN201510431718.0A patent/CN105139022A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4312915A1 (de) * | 1993-04-10 | 1994-10-13 | Laser Labor Adlershof Gmbh | Verfahren und Anordnung zur IR-spektroskopischen Trennung von Kunststoffen |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
Non-Patent Citations (1)
Title |
---|
刘红莎: "基于近红外光谱的废混合塑料识别研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
CN106885782A (zh) * | 2017-02-23 | 2017-06-23 | 浙江大学 | 一种基于近红外高光谱技术无损检测杨梅中黄酮含量的方法 |
CN106872393A (zh) * | 2017-04-14 | 2017-06-20 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN106872393B (zh) * | 2017-04-14 | 2019-08-06 | 北京国科虹谱光电技术有限公司 | 一种塑料废弃物中目标材质识别方法及装置 |
CN107999399A (zh) * | 2017-12-27 | 2018-05-08 | 华侨大学 | 基于点阵高光谱检测的建筑垃圾在线分拣系统和方法 |
CN109211803A (zh) * | 2018-09-17 | 2019-01-15 | 中国科学院生态环境研究中心 | 一种基于显微多光谱技术对微塑料进行快速识别的装置 |
CN109211803B (zh) * | 2018-09-17 | 2020-10-09 | 中国科学院生态环境研究中心 | 一种基于显微多光谱技术对微塑料进行快速识别的装置 |
CN109358018A (zh) * | 2018-12-05 | 2019-02-19 | 中华人民共和国梧州海关 | 一种利用红外光谱溯源识别成品六堡茶产地的方法 |
CN112101459A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
CN112101459B (zh) * | 2020-09-15 | 2024-02-09 | 南京工程学院 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139022A (zh) | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 | |
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN103822879B (zh) | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
Wang et al. | Mobile smart device-based vegetable disease and insect pest recognition method | |
Laga et al. | Image-based plant stornata phenotyping | |
Zheng et al. | AFFU-Net: Attention feature fusion U-Net with hybrid loss for winter jujube crack detection | |
CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN117169150A (zh) | 一种冷却羊肉表面细菌总数检测方法 | |
Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
Solak et al. | A new method for classifying nuts using image processing and k‐means++ clustering | |
CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
Wang et al. | Intelligent detection of hard seeds of snap bean based on hyperspectral imaging | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN105606610A (zh) | 一种基于生物散斑技术无损检测苹果内部品质的方法 | |
CN110929787A (zh) | 一种基于图像的苹果客观定级系统 | |
CN104156702A (zh) | 混合豆类自动分类识别方法 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN107045633A (zh) | 一种基于st‑mser的能源计量表具的数字定位分割方法 | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
CN203970354U (zh) | 一种基于移动终端的中医舌象分析系统 | |
CN109916923A (zh) | 一种基于机器视觉的定制板件自动缺陷检测方法 | |
Tan et al. | Qualitative analysis for microplastics based on GAF coding and IFCNN image fusion enabled FITR spectroscopy method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151209 |
|
RJ01 | Rejection of invention patent application after publication |