CN105445222B - 一种利用近红外高光谱图像识别涂料的方法 - Google Patents
一种利用近红外高光谱图像识别涂料的方法 Download PDFInfo
- Publication number
- CN105445222B CN105445222B CN201610034830.5A CN201610034830A CN105445222B CN 105445222 B CN105445222 B CN 105445222B CN 201610034830 A CN201610034830 A CN 201610034830A CN 105445222 B CN105445222 B CN 105445222B
- Authority
- CN
- China
- Prior art keywords
- coating
- spectrum
- spectrum image
- model
- infrared high
- 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.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 80
- 238000000576 coating method Methods 0.000 title claims abstract description 63
- 239000011248 coating agent Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000003556 assay Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010521 absorption reaction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 238000009500 colour coating Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用近红外高光谱图像识别涂料的方法，获取待鉴别涂料近红外高光谱图像信息；对所述近红外高光谱图像信息进行连续统去除处理；分析多种色系下同一颜色不同品质涂料的光谱特征；根据光谱特征选择特征波段；构建任意两个特征波段的高光谱遥感比值鉴别模型；对每个高光谱遥感比值鉴别模型进行距离检验；通过检验结果筛选出对涂料品质鉴别最优的高光谱遥感比值鉴别模型，通过本发明能够实现高效、快速进行涂料质量检测，装修验收时能够快速、可靠的检测涂料品质一致性的技术效果。
Description
技术领域
本发明涉及一种利用近红外高光谱图像识别涂料的方法。
背景技术
市场上出售的涂料品种繁多，型号和品质不尽相同。涂料主要由粘结材料、颜料、填料、稀释剂等，经一定工艺制造而成，如二氧化钛(TiO2)的含量可能会显著影响涂料性能，与其对应的对比率是涂料检测的重要指标。对于同一颜色但不同品牌或不同品质的涂料，在可见光范围内具有十分相似的光谱特征，导致肉眼难以直接辨别。这就为涂料产品以假乱真和以次充好提供了可能。针对涂料质量的检测指标很多，这些指标用仪器检测需要较长时间，费时费力且检测范围有限。因此，在装修验收环节，尚缺乏一种快速、可靠、大范围的涂料品质一致性的检测方法。近红外(0.78～2.5um)高光谱图像可以获取肉眼无法得到的特征信息，且近红外长波(1.1～2.5um)对涂料中所含矿物质较为敏感，因此利用近红外高光谱图像识别涂料品质具有重要意义和应用前景。
发明内容
本发明的目的是提供一种利用近红外高光谱遥感图像鉴别涂料的方法，以解决涂料质量指标检测需要较长时间，检测范围有限，验收时无法快速、可靠的检测涂料品质一致性的技术问题。
为实现以上发明目的，本发明提供一种利用近红外高光谱遥感图像鉴别涂料的方法，具体如下步骤：
步骤1：获取待鉴别涂料近红外高光谱图像信息；
步骤2：对所述近红外高光谱图像信息进行连续统去除处理；
步骤3：分析多种色系下同一颜色不同品质涂料的光谱特征；
步骤4：根据光谱特征选择特征波段；
步骤5：构建任意两个特征波段的高光谱遥感比值鉴别模型；
步骤6：对每个所述高光谱遥感比值鉴别模型进行距离检验；
步骤7：通过检验结果筛选出最优鉴别涂料品质的所述高光谱遥感比值鉴别模型。
进一步地，所述步骤4中选择的特征波段是1415nm、1590nm、1672nm、1847nm、1922nm、2147nm、2203nm、2290nm和2403nm中的任意两个。
进一步地，所述步骤5中构建特征波段高光谱遥感比值鉴别模型的公式如下：
其中，“Ratioλ1-λ2”高光谱遥感比值鉴别模型，“CCR(λ1)”与“CCR(λ2)”分别是波段为λ1、λ2处经过连续统去除后的反射率，“ε”是无穷小项。
进一步地，采用特征波段是1847nm和2290nm的组合构建高光谱遥感比值鉴别模型。
进一步地，所述步骤6中对每个高光谱遥感比值鉴别模型进行距离检验的方法是可分离性检验。
进一步地，所述步骤7通过检验结果筛选出最优鉴别涂料品质的所述高光谱遥感比值鉴别模型的公式如下，
其中，“B1”，“B2”分别代表不同波段，“i”,“j”代表不同品质的涂料类别，所述公式的计算结果是J-M平方距离。
进一步地，所述步骤1与步骤2之间还包括如下步骤；
步骤101：对所述近红外高光谱图像信息进行数据预处理。
进一步地，所述步骤101中对所述近红外高光谱图像信息进行数据预处理的方法包括，图像辐射校正以及对光谱进行平滑处理。
与现有技术相比，本发明的有益效果是：
1.运用对近红外高光谱图像信息进行连续统去除的技术方案，获得了增强吸收特性的技术效果；
2.运用分析多种色系下同一颜色不同品质涂料的光谱特征的技术方案，获得了涂料质量检测需要时间短，验收时快速、可靠的检测涂料品质一致性的技术效果。
3.运用本发明所提供的完整的技术方案，获得了对装修墙面的大范围、快速、无损质量及一致性检测
附图说明
图1是本发明的用近红外高光谱图像鉴别涂料的方法的流程图；
图2是本发明的用近红外高光谱图像鉴别涂料的方法的具体实施例流程图；
图3是不同品质粉色涂料的随机样本点均值光谱曲线；
图4是不同品质黄色涂料的随机样本点均值光谱曲线；
图5是不同品质米色涂料的随机样本点均值光谱曲线；
图6是不同品质绿色涂料的随机样本点均值光谱曲线。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
实施例1：
如图2所示，本发明的用近红外高光谱图像鉴别涂料的方法，具体如下步骤：
步骤A1：获取待鉴别涂料近红外高光谱图像信息；
步骤A101：对所述近红外高光谱图像信息进行图像辐射校正以及对光谱进行平滑处理；
步骤A2：对所述近红外高光谱图像信息进行连续统去除处理；
步骤A3：分析多种色系下同一颜色不同品质涂料光谱特征；
步骤A4：根据光谱特征选择特征波段：1415nm、1590nm、1672nm、1847nm、1922nm、2147nm、2203nm、2290nm和2403nm中的任意两个；
步骤A5：构建任意两个特征波段高光谱遥感比值鉴别模型的公式如下：
其中，“Ratioλ1-λ2”高光谱遥感比值鉴别模型，“CCR(λ1)”与“CCR(λ2)”分别是波段为λ1、λ2处经过连续统去除后的反射率，“ε”是无穷小项；
步骤A6：对每个高光谱遥感比值鉴别模型进行距离检验的方法是可分离性检验；
步骤A7：通过检验结果筛选出最优鉴别涂料品质的高光谱遥感比值鉴别模型的公式如下，
其中，“B1”，“B2”分别代表不同波段，“i”,“j”代表不同品质的涂料类别，所述公式的计算结果是J-M平方距离。
具体来说，利用扫描装置对待鉴别涂料进行近红外高光谱扫描，生成近红外高光谱图像信息，该扫描装置可以为近红外成像光谱仪，该扫描图像信息至少有图像信息和各波段信息。获取粉色、黄色、米色和绿色四种颜色各三种品质(品质类别分别用A、B、C表示)涂料，对每块涂料均在同等条件下进行了近红外高光谱图像采集工作。
对高光谱图像数据进行预处理。
首先在测量反射率参考白板和暗电流图像信息后，按以下公式完成对高光谱图像进行辐射校正。校正公式如下：
其中：R为校正后的高光谱图像的相对反射率，R∈[0,100]；IS为像元原始高光谱DN值；ID是定标暗电流图像的DN值；IW为白板定标图像的DN值。
同时，采用5点移动均值光谱平滑技术消除光谱噪声，其公式为：
其中，Ri为第i波段的反射率值。
对上述预处理后的高光谱图像信息进行连续统去除。然后在同一种颜色的每类涂料中选取一定数量的随机样本点，去掉异常像元后取其均值作为该类涂料的均值光谱，如图3-6所示为不同色系下三种不同品质粉色涂料的均值光谱曲线。结合均值光谱曲线选取每个吸收区域内的极大或极小值所在波段，代表该区域的吸收特性。进行连续统去除是因为该算法能增强光谱的吸收特性。由于在每个吸收区域内各波段具有相同的吸收规律，则极值所在波段能很好地代表该区域的吸收特性，并能实现对高光谱图像的有效降维。根据图3-6可知，选择1415nm、1590nm、1672nm、1847nm、1922nm、2147nm、2203nm、2290nm和2403nm共9个特征波段。
将该9个特征波段进行两两任意组合，共有种波段组合。对波段组合按照如下公式逐一构造高光谱遥感比值鉴别模型，
其中，CCR(λ1)和CCR(λ2)分别是波段为λ1、λ2处连续统去除后的反射率，ε为无穷小项以保证数值稳定性。
对每一个比值光谱指数模型，从每种颜色、品质的涂料中选取1000个随机样本点并用可分离性检验(以下简称：“J-M距离”)评价其可分性。最后，根据J-M距离确定最优的波段组合。之所以选择J-M距离，是因为其平方距离值的范围在[0,2]，可定量地描述样本的类间可分性。当时，认为样本不具可分性；当时，认为具有一定的可分性但类间存在重叠；当时，认为其可分度大。优选地，本发明依据选择对同一颜色、不同品质涂料可分性均较优的高光谱比值指数模型。具体地，对模型而言，若同一颜色、三个不同品种的类间J-M距离均大于1.8，认为其对该颜色的涂料具有可分性；若该模型对所有四种颜色的涂料均具有可分性，则认为该模型具有较优的可分性和稳定性。
为验证比值指数模型对同一颜色不同品质涂料间的可分性，以波段2290nm与1847nm为例比较了比值运算前各波段和比值结果的J-M距离，如表1所示。较单波段，比值指数模型显著增大了不同颜色、品质涂料间的可分性。
表1
在构造的36个比值指数中，发现波段2290nm与1847nm比值指数模型对粉色、黄色、米色和绿色的不同品质涂料的J-M距离均大于1.8，可分性较优。利用比值图像的灰度直方图确定分割阈值，并对同一颜色不同品质的涂料进行分类，分类精度见表2。分类结果显示，利用近红外高光谱图像，本模型能较好地区分肉眼难辨，但品质不同的涂料；并对涂料装修验收提供新的、快速可靠、大范围无损检测的技术手段。
表2
除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明的保护范围内。
Claims (8)
1.一种利用近红外高光谱图像识别涂料的方法，其特征在于，步骤如下：
步骤1：获取待鉴别涂料近红外高光谱图像信息；
步骤2：对所述近红外高光谱图像信息进行连续统去除处理；
步骤3：分析多种色系下同一颜色不同品质涂料的光谱特征；
步骤4：根据光谱特征选择特征波段；
步骤5：构建任意两个特征波段的高光谱遥感比值鉴别模型；
步骤6：对每个所述高光谱遥感比值鉴别模型进行距离检验；
步骤7：通过检验结果筛选出最优鉴别涂料品质的所述高光谱遥感比值鉴别模型。
2.如权利要求1所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤4中选择的特征波段是1415nm、1590nm、1672nm、1847nm、1922nm、2147nm、2203nm、2290nm和2403nm中的任意两个。
3.如权利要求2所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤5中构建特征波段的高光谱遥感比值鉴别模型的公式如下：
其中，“Ratioλ1-λ2”是高光谱遥感比值鉴别模型，“CCR(λ1)”与“CCR(λ2)”分别是波段为λ1、λ2处经过连续统去除后的反射率，“ε”是无穷小项。
4.如权利要求3所述的利用近红外高光谱图像识别涂料的方法，其特征在于，采用特征波段是1847nm和2290nm的组合构建高光谱遥感比值鉴别模型。
5.如权利要求3所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤6中对每个高光谱遥感比值鉴别模型进行距离检验的方法是可分离性检验。
6.如权利要求5所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤7通过检验结果筛选出最优鉴别涂料品质的所述高光谱遥感比值鉴别模型的公式如下，
其中，“B1”，“B2”分别代表不同波段，“i”,“j”代表不同品质的涂料类别，所述公式的计算结果是J-M平方距离。
7.如权利要求1至6中任一项所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤1与步骤2之间还包括如下步骤；
步骤101：对所述近红外高光谱图像信息进行数据预处理。
8.如权利要求7所述的利用近红外高光谱图像识别涂料的方法，其特征在于，所述步骤101中对所述近红外高光谱图像信息进行数据预处理的方法包括，图像辐射校正以及对光谱进行平滑处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610034830.5A CN105445222B (zh) | 2016-01-19 | 2016-01-19 | 一种利用近红外高光谱图像识别涂料的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610034830.5A CN105445222B (zh) | 2016-01-19 | 2016-01-19 | 一种利用近红外高光谱图像识别涂料的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105445222A CN105445222A (zh) | 2016-03-30 |
| CN105445222B true CN105445222B (zh) | 2017-12-05 |
Family
ID=55555677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610034830.5A Expired - Fee Related CN105445222B (zh) | 2016-01-19 | 2016-01-19 | 一种利用近红外高光谱图像识别涂料的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105445222B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106290241B (zh) * | 2016-09-13 | 2019-06-21 | 广西电网有限责任公司电力科学研究院 | 一种电力设备用rtv防污闪涂料的质量检测方法 |
| CN106990066B (zh) * | 2017-02-22 | 2020-03-13 | 中国科学院遥感与数字地球研究所 | 一种鉴别煤炭种类的方法及装置 |
| CN111218197B (zh) * | 2020-03-05 | 2022-01-28 | 四川智溢实业有限公司 | 一种高光谱隐身涂料及其制备方法和高光谱隐身涂层 |
| CN112419580A (zh) * | 2020-10-27 | 2021-02-26 | 铁道警察学院 | 一种基于高光谱成像的纸币真伪鉴别方法 |
| CN116678840B (zh) * | 2023-08-03 | 2023-10-10 | 腾强科技(北京)有限责任公司 | 一种水性低温耐腐蚀性涂料成分分析方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102419280A (zh) * | 2011-08-16 | 2012-04-18 | 中国检验检疫科学研究院 | 涂料中纳米二氧化钛的识别检测方法 |
| CN102903006A (zh) * | 2012-09-14 | 2013-01-30 | 哈尔滨工程大学 | 一种高光谱图像波段选择方法 |
| CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
| CN103604771A (zh) * | 2013-12-02 | 2014-02-26 | 广东产品质量监督检验研究院 | 一种利用近红外光谱的主成分分析-马氏距离分类法鉴定水性墙面涂料常用乳液类型的方法 |
| US8891087B2 (en) * | 2011-06-01 | 2014-11-18 | Digital Light Innovations | System and method for hyperspectral imaging |
| CN104198432A (zh) * | 2014-09-17 | 2014-12-10 | 公安部天津消防研究所 | 应用近红外光谱技术无损鉴别钢结构防火涂料品牌的方法 |
| JP2015203586A (ja) * | 2014-04-11 | 2015-11-16 | 住友電気工業株式会社 | 検査方法 |
| CN105181135A (zh) * | 2015-09-28 | 2015-12-23 | 浙江理工大学 | 一种适用于纺织品高光谱图像采集及数码测色的光照系统和使用方法 |
-
2016
- 2016-01-19 CN CN201610034830.5A patent/CN105445222B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8891087B2 (en) * | 2011-06-01 | 2014-11-18 | Digital Light Innovations | System and method for hyperspectral imaging |
| CN102419280A (zh) * | 2011-08-16 | 2012-04-18 | 中国检验检疫科学研究院 | 涂料中纳米二氧化钛的识别检测方法 |
| CN102903006A (zh) * | 2012-09-14 | 2013-01-30 | 哈尔滨工程大学 | 一种高光谱图像波段选择方法 |
| CN103278460A (zh) * | 2013-05-30 | 2013-09-04 | 华南农业大学 | 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法 |
| CN103604771A (zh) * | 2013-12-02 | 2014-02-26 | 广东产品质量监督检验研究院 | 一种利用近红外光谱的主成分分析-马氏距离分类法鉴定水性墙面涂料常用乳液类型的方法 |
| JP2015203586A (ja) * | 2014-04-11 | 2015-11-16 | 住友電気工業株式会社 | 検査方法 |
| CN104198432A (zh) * | 2014-09-17 | 2014-12-10 | 公安部天津消防研究所 | 应用近红外光谱技术无损鉴别钢结构防火涂料品牌的方法 |
| CN105181135A (zh) * | 2015-09-28 | 2015-12-23 | 浙江理工大学 | 一种适用于纺织品高光谱图像采集及数码测色的光照系统和使用方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于高光谱图像技术的红枣品质无损检测研究;徐爽;《中国优秀硕士学位论文全文数据库农业科技辑》;20140315(第3期);全文 * |
| 基于高光谱遥感的云烟87采收成熟度识别研究;梁寅;《中国优秀硕士学位论文全文数据库农业科技辑》;20140215(第2期);全文 * |
| 无铬环保新型伪装涂料的研制;欧文等;《涂料工业》;20131231;第43卷(第12期);第46-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105445222A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105445222B (zh) | 一种利用近红外高光谱图像识别涂料的方法 | |
| CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
| US8290275B2 (en) | Effective pigment identification method, identification system, identification program, and recording medium therefor | |
| KR101725700B1 (ko) | 반사각 데이터를 이용한 도장면의 텍스처 분석 | |
| Manickavasagan et al. | Wheat class identification using monochrome images | |
| WO2006030028A1 (en) | Method for matching paint | |
| WO2007068056A1 (en) | Stain assessment for cereal grains | |
| CN105891230B (zh) | 基于光谱图像分析的水果外表检测方法 | |
| JP7412556B2 (ja) | 目標コーティング中の効果顔料を識別する方法及び装置 | |
| CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
| US12098955B2 (en) | Method and device for detecting and adjusting decorative colour formulations in alignment with the visual perception of texture characteristics | |
| Chen et al. | Identification of various food residuals on denim based on hyperspectral imaging system and combination optimal strategy | |
| Berman et al. | Algorithms and software for the automated identification of minerals using field spectra or hyperspectral imagery | |
| Sugawara et al. | Preliminary study for detection of adhesive on a painted ceramic plate and varnish on printed paper using near-infrared hyperspectral imaging at wavelengths of 1.0–2.35 µm | |
| CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
| El-Rifai et al. | Enhanced spectral reflectance reconstruction using pseudo-inverse estimation method | |
| Qin et al. | Spectral non-destructive inspection of pigments via multivariate analysis | |
| Coca-Lopez | An intuitive approach for spike removal in Raman spectra based on peaks’ prominence and width | |
| Shi et al. | Application of spectral features for separating homochromatic foreign matter from mixed congee | |
| CN107462528A (zh) | 一种多通道光谱检测红枣品质的方法 | |
| Amookht et al. | Quantification of perceptual coarseness of metallic coatings containing aluminum flakes using texture analysis and visual assessment methods | |
| Fan et al. | Identification of milled rice varieties using machine vision | |
| Park et al. | Multispectral Wavelength Selection to Detect'Fuji'Apple Surface Defects with Pixel-sampling Analysis | |
| Medina et al. | Advances in industrial color testing of automotive metallic finishes | |
| Ferreira et al. | Forensic Chemistry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171205 Termination date: 20220119 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |