CN107843593A - 一种基于高光谱成像技术的纺织品材料识别方法及系统 - Google Patents
一种基于高光谱成像技术的纺织品材料识别方法及系统 Download PDFInfo
- Publication number
- CN107843593A CN107843593A CN201710951502.6A CN201710951502A CN107843593A CN 107843593 A CN107843593 A CN 107843593A CN 201710951502 A CN201710951502 A CN 201710951502A CN 107843593 A CN107843593 A CN 107843593A
- Authority
- CN
- China
- Prior art keywords
- textile
- spectrum image
- detected
- spectrum
- image
- 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
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8444—Fibrous material
Landscapes
- Physics & Mathematics (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 Or Analysing Materials By Optical Means (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及纺织品材料,属于纺织品识别领域。一种基于高光谱成像技术的纺织品材料识别方法,其特征在于:通过对待检测纺织品的高光谱图像进行处理,提取该高光谱图像的每个像素的光谱曲线的特征波长,由设置的包括多种纯纺纺织品样本的特征波长的标准波谱库建立的分类器进行识别,所述分类器对待检测纺织品上的每个像素的成分进行识别,得到待检测纺织品的材料组成。本发明的方法和系统避免了传统纺织品材料识别化学鉴别过程中对环境产生的污染和对操作人员人身安全的威胁,降低了物理鉴别过程中的不可靠性,精简了系统鉴别过程中的繁琐程序,减少了利用精密仪器进行鉴别的成本,具有可靠、稳定的优点,安全环保,且数据可供后续持续使用。
Description
技术领域
本发明涉及纺织品识别领域,尤其涉及基于高光谱成像技术的纺织品材料识别方法及系统。
背景技术
纺织品成分的检测是纺织行业中十分重要的环节,目前,纤维定性分析大体上可分为物理鉴别方法、化学鉴别方法、系统鉴别方法和其他鉴别方法。所谓物理鉴别方法是指利用纺织纤维的形态特征、物理性能来鉴别纤维,如手感目测法、熔点法、光学显微镜法、扫描电子显微镜法、红外光谱鉴别法、密度梯度法、色谱法、双折射率法、黑灯光法等。化学鉴别方法是利用纺织纤维化学性能来鉴别纤维,如燃烧法、热分析法、溶解法、试剂显色法等。系统鉴别法是一种综合性的方法,它是利用显微镜观察法、燃烧法、密度法、熔点法、着色法、含氯含氮检测法和溶解法对纤维进行综合鉴别。其他鉴别方法是用精密仪器分析纤维内部微观结构从而推断纺织品成分构成的方法。
这些方法分析过程复杂、费时费力、有一定的危险性、对环境不友好,并且需要有经验的工作人员操作,易受人为因素影响。一些新型检测方法如X 射线衍射法、核磁共振波谱法等虽然能够较为准确客观的得到纺织品的成分组成但是也存在操作难度大、成本代价高、耗时过长等缺点。
发明内容
本发明提出了一种基于高光谱成像技术的纺织品材料识别方法及系统,利用高光谱成像技术“图谱合一”的特点,通过高光谱成像技术对纺织品的成分进行检测和分析,该方法能够快速、方便、准确、无损耗的获得纺织品的材料属性。
技术方案
一种基于高光谱成像技术的纺织品材料识别方法,其特征在于:通过对待检测纺织品的高光谱图像进行处理,提取该高光谱图像的每个像素的光谱曲线的特征波长,由设置的包括多种纯纺纺织品样本的特征波长的标准波谱库建立的分类器进行识别,所述分类器对待检测纺织品上的每个像素的成分进行识别,得到待检测纺织品的材料组成。
进一步,将识别出的待检测纺织品的高光谱图像的所有像素的成分进行计算得到所述待检测纺织品整体的材料成分。
进一步,所述分类器采用基于最小二乘支持向量机算法的两类分类器,且根据标准波谱库的纯纺纺织品样本的种类数量建立相同数量的两类分类器。
进一步,所述待检测纺织品的高光谱图像为采用双面采集的高光谱图像或采用多角度采集的高光谱图像。
采用双面采集的高光谱图像时,将待检测纺织品的正面的高光谱图像和反面的高光谱图像,提取得到的相同成分的像素的数量相加,并除以双面采集的高光谱图像提取的所有像素的数量,即得到所述待检测纺织品的该成分含量。
进一步,对于所述高光谱图像,处理方法包括辐射校准的步骤,图像掩模的步骤,图像滤波的步骤和兴趣区提取光谱曲线的步骤。
所述辐射校准的步骤为在纺织品旁边设置校准白板,用纺织品高图像的DN值除以标准白板的均值光谱得到纺织品的反射率。
所述兴趣区提取光谱曲线的步骤为提取高光谱图像中一定面积内每一点的光谱曲线进行均值滤波最终得到能够代表整个纺织品的光谱曲线。
进一步,所述提取该高光谱图像的光谱曲线的特征波长采用连续投影算法。
一种应用上述的方法的基于高光谱成像技术的纺织品材料识别系统,其特征在于:包括对待检测纺织品的高光谱成像装置,对高光谱成像装置得到的高光谱图像进行预处理的装置,提取所述高光谱图像的每个像素的光谱曲线的特征波长的光谱提取装置,包括多种纯纺纺织品样本的特征波长的标准波谱库,以及由所述标准波谱库建立的分类器,所述分类器用于对待检测纺织品的成分进行识别。
进一步,所述高光谱成像装置包括左右两侧的夹持架,所述待检测纺织品夹持在所述两侧的夹持架上,在所述待检测纺织品的正反两面或者侧面设置有两个或多个高光谱成像仪。
对着所述待检测纺织品设置有成像辅助装置,所述成像辅助装置包括反光镜,在反光镜旁一定角度设置有标准白板,所述高光谱成像仪从某一角度通过所述成像辅助装置能够同时得到待检测纺织品及标准白板的高光谱图像。
有益效果
本发明提供的基于高光谱成像技术的纺织品材料识别方法和系统避免了传统纺织品材料识别化学鉴别过程中对环境产生的污染和对操作人员人身安全的威胁,降低了物理鉴别过程中的不可靠性,精简了系统鉴别过程中的繁琐程序,减少了利用精密仪器进行鉴别的成本;另外本方法及系统分类识别基于同一个纺织品各类材料的标准高光谱数据库,具有可靠、稳定的优点,且能够避免纺织品表面涂层及后整理对材料识别的影响,且整个过程都可以以文件的形式保存起来方便后续查阅,用于大数据存储和分析。本发明提供的方法和系统是非接触式的,无破坏、友好、快速、可靠,安全环保。
附图说明
图1为本发明的方法的流程步骤示意图;
图2为本发明的对高光谱图像进行预处理的步骤示意图;
图3为本发明的多角度成像装置的示意图。
图4为本发明的双面成像装置的示意图。
图5为本发明中基于标准特征库建立的两类分类器示意图。
其中:1-夹持架,2-待检测纺织品,3-高光谱成像仪,4-成像辅助装置。
具体实施方式
下面结合具体实施例和附图,对本发明进一步说明。
针对现有纺织品成分检测技术的缺陷,本发明利用高光谱成像技术“图谱合一”的特点,提出了一种基于高光谱成像技术对纺织品的成分进行检测和分析的方法及系统,该方法能够快速、方便、准确、无损耗的获得纺织品的材料属性。
主要流程和步骤如下:
1,大量采集纯纺纺织品样本若干组;
2,利用高光谱成像技术和装置获得多种纯纺纺织品样本和待检测纺织品(A)的高光谱图像;
3,对获得的高光谱图像分别进行图像预处理;
4,接着再提取预处理之后图像的光谱曲线的特征波长,其中,基于多种纯纺纺织品的多块样本的特征波长建立标准特征库,基于待检测纺织品的特征波长建立待验证集;
5,基于标准特征库中不同纯纺纺织品的多组特征波长建立一套分类器,利用分类器对验证集进行识别分类,最终得到待检测纺织品的材料组成。
上述步骤1中:所述的大量采集的各种类型的纯纺纺织品样本包括,植物纤维、动物纤维、矿物纤维、再生纤维、合成纤维、无机纤维如:棉、麻、果实纤维、竹纤维、羊毛、兔毛、蚕丝、石棉、黏胶纤维、醋脂纤维、锦纶、涤纶、腈纶、氨纶、维纶、丙纶、氯纶、玻璃纤维、金属纤维等,共N种,为后面的识别匹配提供参考依据。
步骤2中:所述的利用高光谱成像技术采集待检测纺织品样本(A)的高光谱图像为多角度(双面)采集。
步骤3中:所述的高光谱图像的预处理包括:辐射校准,图像掩模,图像滤波,兴趣区提取光谱曲线。
辐射校准:为了消除图像数据中依附在辐射亮度中的各种失真了在处理图像之前利用平场域法对纺织品的高光谱图像进行辐射校准。在纺织品旁边设置标准白板,用纺织品高图像的DN值除以标准白板的均值光谱即可得到纺织品的反射率。
图像掩模:集到的高光谱图像在实验过程中出现无效背景值,为了突出纺织品本身的属性,同时减少计算量,避免计算错误,用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。最终得到了可供数据处理的有效区域。
图像滤波:为了减少图像噪声,避免疵点对图像处理的影响,提升结果的有效性和可靠性,在图像处理前一般对图像进行滤波处理,此处采用2维高斯滤波。
兴趣区提取光谱曲线:提取光谱图像中一定面积内每一点的光谱曲线进行均值滤波最终得到能够代表整个纺织品的光谱曲线。
式中x,y表示的就是当前点到对应点的距离,M代表一定面积内像素点数。
步骤4中:提取光谱曲线的特征波长所用到的方法为:连续投影算法。
利用连续投影算法(SPA)对纺织品特征波长提取主要方法如下:
第一阶段完成p个波长分组各M个波长选择,其中M的最大可能取值为 M=min(n,p),n、p分别代表波长的最大值和最小值,第k(k=1,2,…,p)波长分组的M个波长矢量选择步骤如下:
(1)令i=1,将校正集光谱矩阵X的任意第k列(k=1,2,...,K,K为波长总数)赋值给xk(1),即k(1)=k,xk(1)=xk;并令
(2)将未被选中的各波长矢量xj,即其余波长点位置集合记为Si,
(3)基于Zi构造正交投影算子其中I为n×n的单位矩阵;
(4)计算各xj的正交投影矢量并从中选出波长位置求得最大投影值对应的波长位置;
(5)令i=i+1,若i<M,返回到第(2)步进行下一波长矢量的选择。
完成上述步骤后将得到低维的光谱矩阵轮流样本的每个波长矢量为各分组的首选波长矢量,重复上述算法共会产生p个波长分组。
第二阶段采用多元定量校正模型完成m个(1≤m≤M)最优波长的选定。本课题采用PLS多元校正方法,并选取“留-交叉验证”的验证方式,以内部验证标准差最小为目标从p×M个波长变量子空间中选出最优波长分组k(1)=k*个最优波长点,其中第k波长分组、包含前i个波长变量的交叉验证均方根(RMSECVk,i)计算公式如下:
式中yj和分别为“留-交叉验证”第j轮循环,即第j个验证样本个体性质参数的实验测试值和模型预报值。
步骤4中:所述标准特征库为多块纯纺纺织品的特征波长,所述的验证集为待检测纺织品的光谱图像中有效区域内每个像素的特征波长的集合。
步骤5中:所述的分类器为最小二乘支持向量机(LS-SVM)。
选定径向基核函数(Radial Basis Function,RBF)为核函数,设定参数:gam=10,sig2=0.2:
基于标准特征库建立N个两类分类器,如附图5中示意,每一分类器输出结果n为1或0,结果为1时即为成功分类,结果为0时就会自动将特征波长输入到下一分类器,以此类推。若所有分类器输出结果n均为0时,即为无法分类。
步骤5中:所述的识别分类,是利用标准特征库内的多组特征波长对分类器进行训练,完成训练对利用分类器对验证集中待检测纺织品上的每个像素的成分进行识别,最终计算出待检测纺织品整体的材料成分。
例如,待检测纺织品正面M个像素点中有N个识别为棉,M-N个识别为涤。待检测纺织品反面X个像素点中有Y个识别为棉,X-Y个识别为涤。因此此件纺织品的材料组成为:含棉(N+Y)/(M+X),含涤1-(N+Y)/(M+X)。
本发明提出的纺织品材料识别方法避免了传统纺织品材料识别化学鉴别过程中对环境产生的污染和对操作人员人身安全的威胁,降低了了物理鉴别过程中的不可靠性,精简了系统鉴别过程中的繁琐程序,减少了利用精密仪器进行鉴别的成本,另外该方法及系统分类识别基于同一个纺织品各类材料的标准高光谱数据库,具有可靠、稳定的优点。该方法能够避免纺织品表面涂层及后整理对材料识别的影响,且整个过程都可以以文件的形式保存起来方便后续查阅。综上所述这种非接触、无破坏、友好、快速、可靠的纺织品材料识别方法及系统更符合当下社会发展的需要。
应用上述的方法,本发明还提出了基于高光谱成像技术的纺织品材料识别系统,包括对待检测纺织品的高光谱成像装置,对高光谱成像装置得到的高光谱图像进行预处理的装置,提取所述高光谱图像的每个像素的光谱曲线的特征波长的光谱提取装置,包括多种纯纺纺织品样本的特征波长的标准波谱库,以及由所述标准波谱库建立的分类器,所述分类器用于对待检测纺织品的成分进行识别。
所述高光谱成像装置采用多角度成像装置或双面成像装置,用于对待检测纺织品进行不同的角度或者是正面和反面的双面的高光谱成像。如附图3 和附图4所示意,附图3为左右两个斜角的高光谱成像,附图4为采用双面的成像装置对待检测纺织品同时进行双面成像。高光谱成像装置包括左右两侧的夹持架1,待检测纺织品2夹持在两侧的夹持架1上,在所述待检测纺织品2的正反两面或者侧面设置有两个或多个高光谱成像仪3。对着所述待检测纺织品2还可以设置成像辅助装置4,所述成像辅助装置4包括反光镜,在反光镜旁一定角度设置有标准白板,高光谱成像仪3从某一角度通过所述成像辅助装置4能够同时得到待检测纺织品及标准白板的高光谱图像,用于后续对于获得的高光谱图像进行预处理。
Claims (10)
1.一种基于高光谱成像技术的纺织品材料识别方法,其特征在于:通过对待检测纺织品的高光谱图像进行处理,提取该高光谱图像的每个像素的光谱曲线的特征波长,由设置的包括多种纯纺纺织品样本的特征波长的标准波谱库建立的分类器进行识别,所述分类器对待检测纺织品上的每个像素的成分进行识别,得到待检测纺织品的材料组成。
2.如权利要求1所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:将识别出的待检测纺织品的高光谱图像的所有像素的成分进行计算得到所述待检测纺织品整体的材料成分。
3.如权利要求1或2所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:所述分类器采用基于最小二乘支持向量机算法的两类分类器,
且根据标准波谱库的纯纺纺织品样本的种类数量建立相同数量的两类分类器。
4.如权利要求1或2所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:所述待检测纺织品的高光谱图像为采用双面采集的高光谱图像或采用多角度采集的高光谱图像。
5.如权利要求4所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:采用双面采集的高光谱图像时,将待检测纺织品的正面的高光谱图像和反面的高光谱图像,提取得到的相同成分的像素的数量相加,并除以双面采集的高光谱图像提取的所有像素的数量,即得到所述待检测纺织品的该成分含量。
6.如权利要求1或2所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:对于所述高光谱图像,处理方法包括辐射校准的步骤,图像掩模的步骤,图像滤波的步骤和兴趣区提取光谱曲线的步骤;所述辐射校准的步骤为在纺织品旁边设置校准白板,用纺织品高图像的DN值除以标准白板的均值光谱得到纺织品的反射率;所述兴趣区提取光谱曲线的步骤为提取高光谱图像中一定面积内每一点的光谱曲线进行均值滤波最终得到能够代表整个纺织品的光谱曲线。
7.如权利要求1所述的基于高光谱成像技术的纺织品材料识别方法,其特征在于:所述提取该高光谱图像的光谱曲线的特征波长采用连续投影算法。
8.一种应用如权利要求1所述的方法的基于高光谱成像技术的纺织品材料识别系统,其特征在于:包括对待检测纺织品的高光谱成像装置,对高光谱成像装置得到的高光谱图像进行预处理的装置,提取所述高光谱图像的每个像素的光谱曲线的特征波长的光谱提取装置,包括多种纯纺纺织品样本的特征波长的标准波谱库,以及由所述标准波谱库建立的分类器,所述分类器用于对待检测纺织品的成分进行识别。
9.如权利要求10所述的基于高光谱成像技术的纺织品材料识别系统,其特征在于:所述高光谱成像装置包括左右两侧的夹持架,所述待检测纺织品夹持在所述两侧的夹持架上,在所述待检测纺织品的正反两面或者侧面设置有两个或多个高光谱成像仪。
10.如权利要求11所述的基于高光谱成像技术的纺织品材料识别系统,其特征在于:对着所述待检测纺织品设置有成像辅助装置,所述成像辅助装置包括反光镜,在反光镜旁一定角度设置有标准白板,所述高光谱成像仪从某一角度通过所述成像辅助装置能够同时得到待检测纺织品及标准白板的高光谱图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710951502.6A CN107843593A (zh) | 2017-10-13 | 2017-10-13 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710951502.6A CN107843593A (zh) | 2017-10-13 | 2017-10-13 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107843593A true CN107843593A (zh) | 2018-03-27 |
Family
ID=61662315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710951502.6A Pending CN107843593A (zh) | 2017-10-13 | 2017-10-13 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107843593A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872295A (zh) * | 2019-02-20 | 2019-06-11 | 北京航空航天大学 | 基于光谱视频数据的典型目标材质属性提取方法和装置 |
CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
CN111291675A (zh) * | 2020-02-04 | 2020-06-16 | 北京科技大学 | 一种基于深度学习的高光谱古绘画检测识别方法 |
CN112662254A (zh) * | 2020-12-23 | 2021-04-16 | 上海大学 | 可见-近红外高光谱伪装涂料、其制备方法及其应用 |
CN113607661A (zh) * | 2021-07-19 | 2021-11-05 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794443A (zh) * | 2010-01-28 | 2010-08-04 | 哈尔滨工程大学 | 基于线性最小二乘支持向量机的高光谱图像端元选择方法 |
CN102393178A (zh) * | 2011-06-21 | 2012-03-28 | 上海工程技术大学 | 一种薄片型材料双侧表面纹理与颜色的数字化成像和分析装置 |
CN104568778A (zh) * | 2015-01-15 | 2015-04-29 | 浙江理工大学 | 一种基于高光谱成像的纺织品成分鉴别方法 |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
-
2017
- 2017-10-13 CN CN201710951502.6A patent/CN107843593A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794443A (zh) * | 2010-01-28 | 2010-08-04 | 哈尔滨工程大学 | 基于线性最小二乘支持向量机的高光谱图像端元选择方法 |
CN102393178A (zh) * | 2011-06-21 | 2012-03-28 | 上海工程技术大学 | 一种薄片型材料双侧表面纹理与颜色的数字化成像和分析装置 |
CN104568778A (zh) * | 2015-01-15 | 2015-04-29 | 浙江理工大学 | 一种基于高光谱成像的纺织品成分鉴别方法 |
CN105372203A (zh) * | 2015-11-04 | 2016-03-02 | 江南大学 | 基于多传感器融合的新鲜苹果损伤敏感度无损检测方法 |
CN105651679A (zh) * | 2016-02-04 | 2016-06-08 | 华中农业大学 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
CN106546541A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 一种基于高光谱转基因玉米籽粒的识别装置与方法 |
CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
Non-Patent Citations (4)
Title |
---|
倪茜茜 等: "基于高光谱成像技术的红酸枝木材种类识别", 《浙江农林大学学报》 * |
张俊 等: "基于高光谱图像的桑叶农药残留种类鉴别研究", 《农业机械学报》 * |
樊阳阳 等: "基于近红外高光谱成像技术的干制红枣品种鉴别", 《光谱学与光谱分析》 * |
龚忠良 等: "基于高光谱技术的不同霉变程度籼稻快速鉴别", 《中国粮油学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872295A (zh) * | 2019-02-20 | 2019-06-11 | 北京航空航天大学 | 基于光谱视频数据的典型目标材质属性提取方法和装置 |
CN109872295B (zh) * | 2019-02-20 | 2020-05-15 | 北京航空航天大学 | 基于光谱视频数据的典型目标材质属性提取方法和装置 |
CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
CN110929944A (zh) * | 2019-11-28 | 2020-03-27 | 安徽大学 | 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法 |
CN111291675A (zh) * | 2020-02-04 | 2020-06-16 | 北京科技大学 | 一种基于深度学习的高光谱古绘画检测识别方法 |
CN111291675B (zh) * | 2020-02-04 | 2024-01-26 | 北京科技大学 | 一种基于深度学习的高光谱古绘画检测识别方法 |
CN112662254A (zh) * | 2020-12-23 | 2021-04-16 | 上海大学 | 可见-近红外高光谱伪装涂料、其制备方法及其应用 |
CN112662254B (zh) * | 2020-12-23 | 2022-06-14 | 上海大学 | 可见-近红外高光谱伪装涂料、其制备方法及其应用 |
CN113607661A (zh) * | 2021-07-19 | 2021-11-05 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
CN113607661B (zh) * | 2021-07-19 | 2024-01-16 | 浙江省轻工业品质量检验研究院 | 一种基于高光谱成像技术对皮革产品材料识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107843593A (zh) | 一种基于高光谱成像技术的纺织品材料识别方法及系统 | |
CN100561186C (zh) | 用于纺织品色牢度色差评级的测试方法和装置 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN105842173B (zh) | 一种高光谱材质鉴别方法 | |
CN103345617B (zh) | 中药识别的方法及其系统 | |
CN104854620B (zh) | 图像处理装置、图像处理系统和程序 | |
CN101806583A (zh) | 基于显微图像的纤维细度测量方法 | |
CN103415869B (zh) | 检测和量化数字图像中的模糊的方法 | |
AU700085B2 (en) | Multi-spectral segmentation for image analysis | |
CN106296691B (zh) | 基于图像分析的路面病害识别方法 | |
CN106706643B (zh) | 一种肝癌对比切片检测方法 | |
CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN106934377A (zh) | 一种改进的人脸检测系统 | |
CN111428673B (zh) | 一种用于指纹增强显示的偏振矢量彩色图像融合方法 | |
CN107843566A (zh) | 一种纺织品成分检测装置及方法 | |
CN102495067B (zh) | 一种食用菌杂质在线识别系统 | |
CN102507008B (zh) | 一种多模板颜色自动光学检测方法 | |
CN102519971A (zh) | 食用菌杂质在线识别装置及方法 | |
CN102359939A (zh) | 一种检测痰液中结核杆菌的方法 | |
CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN109214433A (zh) | 一种卷积神经网络区分肝癌分化等级的方法 | |
JP2018169390A (ja) | 染色体異常判定装置 | |
CN105956591B (zh) | 一种在线高温零件红外图像光谱抽样检测方法 | |
CN105760872B (zh) | 一种基于鲁棒图像特征提取的识别方法及系统 | |
Roy et al. | Yarn hairiness evaluation using image processing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180327 |