CN108573105A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108573105A CN108573105A CN201810366378.1A CN201810366378A CN108573105A CN 108573105 A CN108573105 A CN 108573105A CN 201810366378 A CN201810366378 A CN 201810366378A CN 108573105 A CN108573105 A CN 108573105A
- Authority
- CN
- China
- Prior art keywords
- data
- building
- sample
- depth confidence
- layer
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种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,属于土壤分析技术领域。所述建立方法包括:(1)提供已知样本,并设置相应的分类标签,利用激光诱导击穿光谱技术采集样本光谱图像;(2)将光谱图像转化成与波长对应的数据,采用PCA算法对所述数据进行处理,获得数据集;(3)利用KS法将所述数据集划分成训练集和测试集;(4)将训练集和测试集及对应的分类标签输入深度置信模型,训练建立模型。利用该模型应用于植物土壤含重金属量的分类,数据处理方法简单,易于实现,且识别精度较高,分类准确度达到97%以上。
Description
技术领域
本发明涉及土壤分析技术领域,具体涉及一种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。
背景技术
目前,土壤重金属元素的检测方法主要有火焰原子吸收分光光度法、电感耦合等离子发射光谱法等,但所需仪器均较为复杂,且土壤样品需要消解等前期处理,无法实现对土壤重金属的快速检测,而实现土壤重金属快速检测对农业生产、耕地保护等具有重要的意义。
申请公布号为CN107044976A的专利文献公开了基于LIBS与堆叠式RBM深度学习技术的土壤重金属含量分析预测方法,包括:土壤样本的获取和预处理,构建基于堆叠式受限玻儿兹曼机深度学习技术的预测模型;预测模型的无监督训练;预测弄醒的有监督训练;土壤重金属含量的分析预测。该方法利用激光诱导击穿光谱与土壤重金属含量之间的映射关系,结合堆叠式RBM深度学习技术来进行土壤重金属含量分析预测。
激光诱导击穿光谱技术(Laser-Induced Breakdown Spectroscopy,LIBS)是一种新型的等离子体光谱分析技术,在物质成分检测方面具有巨大的应用前景。该技术采用高功率脉冲激光激发样品产生弱离子化的等离子体,在等离子体膨胀和冷却过程中,激发态的原子和离子将发射特征谱线,这些特征谱线是原子和离子的光谱指纹,通过谱线的波长和强度可以获得样品的元素组成和含量信息。
LIBS具有高灵敏度与高空间分辨率,且分析简便、快速,无需繁琐的样品前处理过程。它弥补了传统元素分析方法的不足,尤其在微小区域材料分析、镀层/薄膜分析、缺陷检测、珠宝鉴定、法医证据鉴定、粉末材料分析、合金分析等应用领域优势明显,同时,LIBS还可以广泛适用于地质、煤炭、冶金、制药、环境、科研等不同领域的应用。目前对LIBS光谱的研究主要集中在识别样品中的元素组成成分,然后进行材料的识别、分类、定性以及定量分析。现在对LIBS光谱分类方法的研究主要是如何提高分类精度,减小误差。
传统的分类方法一般都是经过PCA算法,然后使用机器学习来进行分类,一般只选取2-3个主成分,当主成分较多时处理效果并不好。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。
如何有效结合深度学习方法,提高LIBS光谱分类精确度是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种分类精度高的金属元素含量分类用的模型,利用该模型快速判断出待测样本中金属元素含量的具体分类情况。
为实现上述目的,本发明采用如下技术方案:
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,包括以下步骤:
(1)提供若干类含有不同浓度的待测金属元素的样本,并设置相应的分类标签,每类样本具有若干个样品,在每个样本上利用激光诱导击穿光谱技术采集M个点的光谱图像;
(2)将每个点的光谱图像转化成与波长对应的数据,采用PCA算法对所述数据进行处理,选取主成分得分在前N×N位的数据,构成N×N的矩阵作为该点的特征矩阵,获得数据集;
(3)利用Kennard stone algorithm将所述数据集划分成训练集和测试集;
(4)将所述训练集和测试集及对应的分类标签输入深度置信网络模型,训练建立模型。
本发明利用LIBS采集已知样本的光谱信息,对光谱信息进行预处理,将预处理后的数据集和对应的分类标签输入深度置信网络模型,通过深度学习训练模型,最终获取光谱信息与分类标签之间具有映射关系的模型。
所述待测金属元素为Pb。
所述样本可以为土壤样本、植物茎样本、植物根样本。
作为优选,步骤(1)中,提供3~6类样本,每类样品数为5~10个。
作为优选,步骤(1)中,M为10~20。更为优选,M为16。
LIBS仪器与电脑相连接,通过LIBS得到的光谱图像传输到电脑,利用相关软件转化成横坐标为波长,纵坐标为光谱强度的光谱曲线图,每一个波长对应一个光谱强度数据值,具体可以使用Andor SOLIS软件查看LIBS光谱曲线图。
LIBS光谱曲线的波长覆盖范围是由仪器本身所决定的,光谱曲线中波段的波长范围一般较广,涵盖大量金属元素的波长。步骤(2)中,所述波长范围为229.3438-876.9642nm。
步骤(2)中,通过PCA算法将全光谱的2万多个数据值作为输入,得到主成分得分,选取主成分得分在前N×N位的数据值,将每个点的数据值由2万多降到了N×N个,大大减少数据处理量,其中N=6。在选取主成分的时候,主成分的累计贡献率至少需要达到80%以上,最好能达到90%,当选取36个主成分时,累积贡献率达到了87%,所以本实验选取N=6。
作为优选,步骤(2)中,N×N个数据按照主成分得分从高到低的顺序依次排列形成N×N的矩阵。
步骤(3)中,通过Kennard stone algorithm将数据集自动划分成训练集和测试集,而不是人为的进行设置,减少人为因素的影响,利用该方法得到的数据集进行分类得到的效果很好。
步骤(4)中,将所述训练集及对应的分类标签输入深度置信网络模型,深度学习训练模型,研究发现,将PCA算法与深度置信网络模型结合,可以选取较多的主成分进行训练学习,使得特征的学习更全面,本发明将LIBS光谱与它们相结合,不仅操作方便,分类的精确度更高。
作为优选,深度置信网络的结构参数为:
(1)深度置信网络为4层神经网络;
(2)第一层是输入层;第二层是隐含层,含有100个神经元;第三层是隐含层,包含30个神经元;第四层是输出层;
(3)learning_rate=0.1,n_iter_backprop=200,activation_function='relu';学习率为0.1,反向迭代次数为200;激励函数为relu。
对于深度置信网络的构建以及参数的调整方面,当遇到一个新的问题的时候,仅需要进行调参操作,整体的框架可以不变。对于深度学习的任何模型,对于不同的问题需要调整不同的参数,以便获得一个最好的效果。在此列举一些调参的过程:
a.对网络模型中的迭代次数进行修改。修改网络中的迭代次数来训练网络模型,观察精确度的变化情况,并选择效果最好的迭代次数。
b.对网络中神经元的个数进行修改。修改网络模型当中的神经元的个数观察精确度的变化情况。
本发明还提供了一种植物土壤中重金属元素含量分类的方法,包括:
1)利用激光诱导击穿光谱技术采集待测样本的光谱图像,并转化成与波长对应的数据;
2)采用PCA算法对所述数据进行处理,选取主成分得分在前N×N位的数据,构成N×N的矩阵作为特征矩阵;
3)将特征矩阵输入所述的建立方法建立的基于深度置信网络的土壤重金属含量检测模型,运行输出待测样本中待测金属元素含量所对应的分类标签。
利用本发明建立的模型对未知植物土壤样本中的金属元素含量分类,其LIBS光谱信息采集及预处理方法均与建模时相同,只需将PCA算法得到的主成分得分前N×N项数据组成的特征矩阵输入模型中,运行输出对应的分类标签,即可判断该植物土壤中该金属元素含量情况。
步骤1)中,所述数据为光谱强度数据值。
作为优选,步骤2)中,N=6。
作为优选,所述待测样本为含铅的烟草土样本。
本发明具备的有益效果:
本发明通过PCA算法对全谱段数据进行主成分分析,利用主成分得分提取主成分,大大减少了数据处理量;再通过Kennard stone algorithm将数据集自动划分成训练集和测试集,减少人为因素影响,在结合深度学习训练获得金属元素含量分类用深度置信网络模型。利用该模型应用于植物土壤含重金属量的分类,数据处理方法简单,易于实现,且识别精度较高,分类准确度达到97%以上。
附图说明
图1为实施例中LIBS光谱曲线图。
图2为实施例中根据主成分1和2得分的分布情况。
图3为实施例中PCA算法前36项主成分得分与修正得分。
图4为实施例中训练网络模型时修改网络模型中的迭代次数对应精确度变化的情况。
图5为实施例中训练网络模型时修改网络模型当中的神经元的个数对应的精确度变化情况。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
以经过不同浓度Pb溶液培养4周后的烟草土样本为例,通过LIBS获得光谱曲线图,光谱曲线图的波长涵盖范围为229.3438-876.9642nm。
(1)将经过不同浓度Pb溶液培养4周后的烟草土壤的样本烘干,使用台式粉末压片机压成圆形的小片,然后使用LIBS获得光谱曲线图。
总共分为4类,0代表Pb的浓度为0mg/kg;1代表Pb的浓度为350mg/kg;2代表Pb的浓度为500mg/kg;3代表Pb的浓度为1000mg/kg。
每一个类别分别有6个样本,1个样本获得16个样本数据集,获取这些样本的LIBS光谱曲线图,采集的光谱曲线图的光谱范围为
229.3438-876.9642nm。获得的LIBS光谱曲线图如图1所示。
(2)将一张光谱曲线图转化为数据文件,共产生2万多个数据点,将这些数据点作为PCA算法的输入数据,得到主成分得分,选取前36个主成分的特征值矩阵进行后面的分析。
图2为以主成分1和主成分2分别为x,y轴的分布情况。图3表示了前36项主成分得分和修正得分情况,其值如表1所示。
表1.主成分得分
共有366个样本数据集,总数据为366*36个数据。深度置信网络的输入为训练集和测试集,将选取好的数据点分为训练集和测试集,这里采取的是Kennard stonealgorithm,经过该算法获得训练集为294*36个数据,测试集为72*36个数据。
总数据集、训练集和测试集的每个类别的分布情况如表2所示,
表2.数据集划分分布
(3)将划分好的数据集和分类标签输入深度置信网络模型,先构建深度置信网络模型。这里建立的是4层的深度置信网络模型,第一层是输入层;第二层是隐含层,含有100个神经元;第三层是隐含层,包含30个神经元;第四层是输出层。
将样本的类别号作为网络的输出数据(类别号按Pb浓度的不同,分为0,1,2,3)。
(4)模型训练,深度置信网络模型的输入包括训练集和测试集。
learning_rate=0.1,n_iter_backprop=200,activation_function='relu';学习率为0.1,反向迭代次数为200;激励函数为relu。
对于深度置信网络的构建以及参数的调整方面,上述参数仅适合本实验使用,当遇到一个新的问题的时候,仅需要进行调参操作,整体的框架可以不变。对于深度学习的任何模型,对于不同的问题需要调整不同的参数,以便获得一个最好的效果。
在此列举一些调参的过程:
a.对网络模型中的反向迭代次数进行修改。
修改网络中的迭代次数来训练网络模型,观察精确度的变化情况,并选择效果最好的迭代次数。如图4所示,当反向迭代次数为200的时候训练集和测试集的精确度最高,所以选择反向迭代次数为200。
b.对网络中神经元的个数进行修改。
修改网络模型当中的神经元的个数观察精确度的变化情况。这里选择修改第二层神经元的个数,并选择出效果最好时的情况。如图5所示,当第二层神经元个数为100时训练集和测试集的精确度最高,所以选择神经元的个数为100。
(5)用深度置信网络模型对不同浓度Pb溶液培养的烟草土样本进行分类的精度用灵敏度、特异度和准确度三个指标来确定。
对每一种样本浓度的识别结果分别计算这三个精度指标,用公式1、公式2和公式3计算。其中a是真阳性数量,b是假阳性数量,c是假阴性数量,d是真阴性数量,n是总样本数。
灵敏度=a/(a+c) 公式1
特异度=d/(b+d) 公式2
准确度=(a+d)/n 公式3
以类标号0的烟草土样本为例,计算三个精度时,公式中的a表示其他3类烟草土样本被正确识别的数量,b表示其他3类烟草土样本被误识别为类标号0的烟草土样本的数量,c表示类标号0的烟草土样本被误识别为其他3类烟草土样本的数量,d表示类标号0的烟草土样本被正确识别的数量。其他3类烟草土样本的三个精度指标计算方法依此类推。
表3显示了训练集每一类烟草土样本的识别精度指标,表4显示了测试集每一类烟草土样本的识别精度指标。
表3.烟草土样本训练集的识别精度
表4.烟草土样本测试集的识别精度
(6)不同Pb浓度的烟草土的分类
按照步骤(1)-(2)的方法采集待测样本的光谱信息,获得数据矩阵,输入步骤(4)训练好的模型中,运行测试集得到以下结果,如表5所示。
表5.烟草土样本测试集的识别结果
测试集共72个样本,测试结果仅两个出错,原本是类别2的两个样本分别被预测为类别1和类别3,精确度达到97%以上,由此证明,本发明提供的金属元素含量分类用深度置信网络模型分类准确度高。
以上所述仅为本发明专利的具体实施案例,但本发明专利的技术特征并不局限于此,任何相关领域的技术人员在本发明的领域内,所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (9)
1.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,其特征在于,包括以下步骤:
(1)提供若干类含有不同浓度的待测金属元素的样本,并设置相应的分类标签,每类样本具有若干个样品,在每个样本上利用激光诱导击穿光谱技术采集M个点的光谱图像;
(2)将每个点的光谱图像转化成与波长对应的数据,采用PCA算法对所述数据进行处理,选取主成分得分在前N×N位的数据,构成N×N的矩阵作为该点的特征矩阵,获得数据集;
(3)利用Kennard stone algorithm将所述数据集划分成训练集和测试集;
(4)将所述训练集和测试集及对应的分类标签输入深度置信网络模型,训练建立模型。
2.如权利要求1所述的建立方法,其特征在于,步骤(1)中,提供3~6类样本,每类样品数为5~10个。
3.如权利要求1所述的建立方法,其特征在于,步骤(1)中,M为16。
4.如权利要求1所述的建立方法,其特征在于,步骤(2)中,所述波长范围为229.3438-876.9642nm。
5.如权利要求1所述的建立方法,其特征在于,步骤(2)中,N×N个数据按照主成分得分从高到低的顺序依次排列形成N×N的矩阵。
6.如权利要求1所述的建立方法,其特征在于,步骤(2)中,N=6。
7.如权利要求1所述的建立方法,其特征在于,深度置信网络的结构参数为:
(1)深度置信网络为4层神经网络;
(2)第一层是输入层;第二层是隐含层,含有100个神经元;第三层是隐含层,包含30个神经元;第四层是输出层;
(3)学习率为0.1,反向迭代次数为200;激励函数为relu。
8.一种植物土壤中重金属元素含量分类的方法,其特征在于,包括:
1)利用激光诱导击穿光谱技术采集待测样本的光谱图像,并转化成与波长对应的数据;
2)采用PCA算法对所述数据进行处理,选取主成分得分在前N×N位的数据,构成N×N的矩阵作为特征矩阵;
3)将特征矩阵输入如权利要求1-7任一项所述的建立方法建立的基于深度置信网络的土壤重金属含量检测模型,运行输出待测样本中待测金属元素含量所对应的分类标签。
9.如权利要求8所述的方法,其特征在于,所述待测样本为含铅的烟草土样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366378.1A CN108573105A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366378.1A CN108573105A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573105A true CN108573105A (zh) | 2018-09-25 |
Family
ID=63575183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366378.1A Pending CN108573105A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573105A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902406A (zh) * | 2019-03-06 | 2019-06-18 | 苏州市环境科学研究所 | 一种基于深度学习的检测土壤重金属含量的方法及应用 |
CN110751048A (zh) * | 2019-09-20 | 2020-02-04 | 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 |
CN111239103A (zh) * | 2020-01-21 | 2020-06-05 | 上海海关工业品与原材料检测技术中心 | 一种识别铁矿石生产国家及品牌的方法 |
CN112380493A (zh) * | 2020-11-17 | 2021-02-19 | 甘肃省祁连山水源涵养林研究院 | 一种土壤成分含量检测智能分析方法、装置及服务器 |
CN113588597A (zh) * | 2021-06-25 | 2021-11-02 | 河钢股份有限公司 | 一种提升炉渣分析精度的方法 |
CN114047214A (zh) * | 2021-11-19 | 2022-02-15 | 燕山大学 | 一种改进的dbn-morf土壤重金属含量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964950A (zh) * | 2015-06-10 | 2015-10-07 | 长江大学 | 基于多元素波峰的激光诱导击穿光谱岩屑类型识别方法 |
CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107844870A (zh) * | 2017-12-07 | 2018-03-27 | 中国科学院合肥物质科学研究院 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
-
2018
- 2018-04-23 CN CN201810366378.1A patent/CN108573105A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964950A (zh) * | 2015-06-10 | 2015-10-07 | 长江大学 | 基于多元素波峰的激光诱导击穿光谱岩屑类型识别方法 |
CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107844870A (zh) * | 2017-12-07 | 2018-03-27 | 中国科学院合肥物质科学研究院 | 基于Elman神经网络模型的土壤重金属含量预测方法 |
Non-Patent Citations (5)
Title |
---|
孟德硕 等: "LIBS结合ANN对不同类型土壤中的Cu的定量检测", 《光电子·激光》 * |
宋坤林: "基于激光诱导击穿光谱技术的烟草重金属检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
王满苹: "激光诱导击穿光谱土壤重金属Pb和Mn快速测定技术研究", 《中国优秀硕士学位论文全文数据库 工程科技辑I辑》 * |
谷艳红: "土壤重金属激光诱导击穿光谱定量分析研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
陈煦: "基于光谱分析的农田土壤养分测定方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902406A (zh) * | 2019-03-06 | 2019-06-18 | 苏州市环境科学研究所 | 一种基于深度学习的检测土壤重金属含量的方法及应用 |
CN109902406B (zh) * | 2019-03-06 | 2022-11-18 | 苏州市环境科学研究所 | 一种基于深度学习的检测土壤重金属含量的方法及应用 |
CN110751048A (zh) * | 2019-09-20 | 2020-02-04 | 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 |
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 |
CN111239103A (zh) * | 2020-01-21 | 2020-06-05 | 上海海关工业品与原材料检测技术中心 | 一种识别铁矿石生产国家及品牌的方法 |
CN112380493A (zh) * | 2020-11-17 | 2021-02-19 | 甘肃省祁连山水源涵养林研究院 | 一种土壤成分含量检测智能分析方法、装置及服务器 |
CN112380493B (zh) * | 2020-11-17 | 2024-02-09 | 甘肃省祁连山水源涵养林研究院 | 一种土壤成分含量检测智能分析方法、装置及服务器 |
CN113588597A (zh) * | 2021-06-25 | 2021-11-02 | 河钢股份有限公司 | 一种提升炉渣分析精度的方法 |
CN114047214A (zh) * | 2021-11-19 | 2022-02-15 | 燕山大学 | 一种改进的dbn-morf土壤重金属含量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596246A (zh) | 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 | |
CN108596085A (zh) | 基于卷积神经网络的土壤重金属含量检测模型的建立方法 | |
CN108573105A (zh) | 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 | |
Feilhauer et al. | Multi-method ensemble selection of spectral bands related to leaf biochemistry | |
Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
CN111630356A (zh) | 用于使用神经网络来表征样本的方法 | |
CN113177919B (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 | |
Zhao et al. | Detection of fungus infection on petals of rapeseed (Brassica napus L.) using NIR hyperspectral imaging | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
Brunnbauer et al. | A critical review of recent trends in sample classification using Laser-Induced Breakdown Spectroscopy (LIBS) | |
CN104697966A (zh) | 一种基于最小二乘支持向量机算法结合激光诱导击穿光谱的钢铁中铬和锰定量分析方法 | |
CN113378680B (zh) | 一种拉曼光谱数据的智能建库方法 | |
Cai et al. | Rapid identification of ore minerals using multi-scale dilated convolutional attention network associated with portable Raman spectroscopy | |
Song et al. | Low-cost hyper-spectral imaging system using a linear variable bandpass filter for agritech applications | |
CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
CN105938098A (zh) | 一种基于激光诱导击穿光谱的岩土烧失量预测方法及系统 | |
CN112766161A (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
Naseri et al. | Automatic identification of minerals in thin sections using image processing | |
Zhou et al. | A deep learning method for predicting lead content in oilseed rape leaves using fluorescence hyperspectral imaging | |
Shao et al. | A new approach to discriminate varieties of tobacco using vis/near infrared spectra | |
CN114626304A (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN113935367A (zh) | 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 | |
CN109884033A (zh) | 随机森林算法结合激光诱导击穿光谱检测金属元素的方法 | |
Yaguang et al. | Quantitative analysis of steel and iron by laser-induced breakdown spectroscopy using GA-KELM |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |
|
RJ01 | Rejection of invention patent application after publication |