CN108596085A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108596085A CN108596085A CN201810367536.5A CN201810367536A CN108596085A CN 108596085 A CN108596085 A CN 108596085A CN 201810367536 A CN201810367536 A CN 201810367536A CN 108596085 A CN108596085 A CN 108596085A
- Authority
- CN
- China
- Prior art keywords
- layer
- building
- sample
- neural networks
- convolutional neural
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 30
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 229910052751 metal Inorganic materials 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 239000002184 metal Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 241000208125 Nicotiana Species 0.000 claims description 17
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 17
- 241000196324 Embryophyta Species 0.000 claims description 5
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004856 soil analysis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000003501 hydroponics Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000003321 atomic absorption spectrophotometry Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008309 brain mechanism Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000010437 gem Substances 0.000 description 1
- 229910001751 gemstone Inorganic materials 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 241000215338 unidentified plant Species 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种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,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学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,并以待测金属元素特征波长为中心,截取连续的数据,构成特征矩阵,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卷积神经网络模型,训练建立模型。利用该模型应用于植物土壤含金属量的分类,数据处理的方法简单,易于实现,且识别精度较高,分类准确度可以达到99%以上。
Description
技术领域
本发明涉及土壤分析技术领域,具体涉及一种基于卷积神经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算法或者PLS-DA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:
基于卷积神经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,并以待测金属元素特征波长为中心,截取N×N个连续的数据,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卷积神经网络模型,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卷积神经网络模型,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,也可以为Mn、Ca等金属。
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5~6类样本,每类样品数为5~10个。扩大样品量,有助于提高模型的精确度。
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。为了具有针对性,可以缩小使用的波长范围。
本发明的模型进行分类的依据主要是根据待测金属特征波长对应的数据值决定的,因此本发明截取涵盖待测金属元素特征波长的目标区段对应的光谱强度数据值进行处理,剔除掉离特征波长较远的数据,大大减少了数据的处理量。不同的金属元素对应不同的特征波长,本领域技术人员可以通过查阅文献获知特定金属的特征波长,进而锁定相应的目标区段。
步骤(2)中,本发明对截取的数据值构成特征矩阵,其中N为正整数,可根据需要进行选取。作为优选,步骤(2)中,N×N个数据按照对应波长从低到高的顺序依次排列形成N×N的矩阵。
作为优选,步骤(2)中,N=28。
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。
步骤(4)中,将数据集及对应的分类标签输入卷积神经网络模型,深度学习训练模型。卷积神经网络在分类方面效果更好,可以选取较多的特征值进行学习训练,能够更好更全面地学习数据特征,达到更好的分类效果。本发明将LIBS光谱与卷积神经网络相结合,不仅操作方便,分类的精确度更高。
步骤(4)中,卷积神经网络的结构参数为:
(1)卷积神经网络为7层神经网络;
(2)第一层是输入层;第二层是卷积层:6个5*5的卷积核,步长为1;第三层是池化层:卷积核为2*2,步长为2;第四层是卷积层:12个5*5的卷积核,步长为1;第五层是池化层:卷积核为2*2,步长为2;第六层是全连接层;第七层是输出层;
(3)opts.alpha=1;opts.batchsize=3;opts.numepochs=10;学习率为1;一次训练的个数为3;每次训练的迭代次数为10。
对于卷积神经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。
以迭代次数为例: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。
在此说明,卷积神经网络的参数调整与待测金属种类无关,所有参数都是根据输入的数据进行调整的,每次不同的输入可能都需要进行参数的调整,即使数据来自同一种金属。
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)以待测金属元素特征波长为中心,截取N×N个连续的数据,构成N×N的矩阵作为特征矩阵;
3)将特征矩阵输入所述建立方法建立的基于卷积神经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进行分类,其LIBS光谱信息采集及预处理方法均与建模时相同,将预处理后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=28。
作为优选,所述待测样本为含铅的烟草土样本。Pb的特征波长为405.8nm,以405.8nm为中心,选取396.28~415.54nm之间波长对应的光谱强度数据。
本发明具备的有益效果:
本发明首次将LIBS光谱与卷积神经网络相结合建立金属元素含量分类用卷积神经网络模型,利用该模型应用于植物土壤含重金属量的分类,数据处理的方法简单,易于实现,且识别精度较高,分类准确度可以达到99%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3为实施例中模型训练过程中分类的均方误差图。
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5类,0代表Pb的浓度为0mg/kg;1代表Pb的浓度为200mg/kg;2代表Pb的浓度为350mg/kg;3代表Pb的浓度为500mg/kg;4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)将每一张光谱曲线图转化为数据文件,共产生2万多个数据点,每张光谱曲线图选取784个数据点,通过查阅文献Pb的特征波长为405.8nm,以405.8nm为中心,选取396.28~415.54nm之间波长对应的数据,构成28*28的矩阵。
剔除培养过程中烟草死亡的样本,共有528个样本数据集,总数据为528*784个数据。卷积神经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 stone algorithm,经过该算法获得训练集为423*784个数据,测试集为105*784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1所示。
表1.数据集划分分布
(3)将划分好的数据集和分类标签输入卷积神经网络模型,先构建卷积神经网络模型。这里建立的是7层的卷积神经网络模型,第一层是输入层;第二层是卷积层:6个5*5的卷积核,步长为1;第三层是池化层:卷积核为2*2,步长为2;第四层是卷积层:12个5*5的卷积核,步长为1;第五层是池化层:卷积核为2*2,步长为2;第六层是全连接层;第七层是输出层。
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)。
(4)训练模型,卷积神经网络模型的输入包括训练集和测试集。
opts.alpha=1;opts.batchsize=3;opts.numepochs=10;学习率为1;一次训练的个数为3;每次训练的迭代次数为10。
对于卷积神经模型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。
以迭代次数为例: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。如图2所示,当迭代次数为10的时候训练集和测试集的精确度最高,所以选择迭代次数为10。
如图3所示,为卷积神经网络模型训练过程中的均方误差值,总共有1411个值,在此列出前一百个值,其值为:
表2.均方误差值
(5)用卷积神经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4类烟草土样本被正确识别的数量,b表示其他4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4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5类烟草土样本的三个精度指标计算方法依此类推。
整个样本数据的准确度为99.05%。表3显示了每一类烟草土样本的识别精度指标。
表3.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(5)训练好的模型中,运行输出该样本中Pb含量的分类结果如表3所示。
测试集共528个样本,测试结果仅一个出错,原本是类别0被预测为类别1,精确度达到99%以上,由此证明,本发明提供的金属元素含量分类用卷积神经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.基于卷积神经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,并以待测金属元素特征波长为中心,截取N×N个连续的数据,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卷积神经网络模型,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5-6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个数据按照对应波长从低到高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=28。
7.如权利要求1所述的建立方法,其特征在于,卷积神经网络的结构参数为:
(1)卷积神经网络为7层神经网络;
(2)第一层是输入层;第二层是卷积层:6个5*5的卷积核,步长为1;第三层是池化层:卷积核为2*2,步长为2;第四层是卷积层:12个5*5的卷积核,步长为1;第五层是池化层:卷积核为2*2,步长为2;第六层是全连接层;第七层是输出层;
(3)学习率为1;一次训练的个数为3;每次训练的迭代次数为10。
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)以待测金属元素特征波长为中心,截取N×N个连续的数据,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任一项所述建立方法建立的基于卷积神经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 |
---|---|---|---|
CN201810367536.5A CN108596085A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810367536.5A CN108596085A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596085A true CN108596085A (zh) | 2018-09-28 |
Family
ID=63614743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810367536.5A Pending CN108596085A (zh) | 2018-04-23 | 2018-04-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596085A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596649A (zh) * | 2018-11-29 | 2019-04-09 | 昆明理工大学 | 一种基于卷积网络耦合微合金元素对主元素浓度影响的方法及装置 |
CN109724917A (zh) * | 2018-12-26 | 2019-05-07 | 西安电子科技大学 | 基于神经网络及宽带滤波调制的分光方法 |
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 |
CN110689088A (zh) * | 2019-10-09 | 2020-01-14 | 山东大学 | 基于cnn的libs矿石光谱数据分类方法及装置 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110852322A (zh) * | 2019-11-12 | 2020-02-28 | 海南大学 | 感兴趣区域的确定方法及装置 |
CN112614122A (zh) * | 2020-12-29 | 2021-04-06 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
WO2021113991A1 (en) * | 2019-12-10 | 2021-06-17 | Perkinelmer Health Sciences Canada, Inc. | Systems and methods for analyzing unknown sample compositions using a prediction model based on optical emission spectra |
CN114034684A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学院南京土壤研究所 | 一种基于一站式光谱模型的土壤属性快速测定方法 |
CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
CN102830096A (zh) * | 2012-08-29 | 2012-12-19 | 国电燃料有限公司 | 基于人工神经网络的元素浓度测量误差修正方法 |
CN104697965A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法 |
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 |
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 |
-
2018
- 2018-04-23 CN CN201810367536.5A patent/CN108596085A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915753A (zh) * | 2010-07-30 | 2010-12-15 | 浙江师范大学 | 基于遗传神经网络的激光诱导击穿光谱定量分析方法 |
CN102830096A (zh) * | 2012-08-29 | 2012-12-19 | 国电燃料有限公司 | 基于人工神经网络的元素浓度测量误差修正方法 |
CN104697965A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
刘昊: "基于统计机器学习的光谱识别技术", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596649A (zh) * | 2018-11-29 | 2019-04-09 | 昆明理工大学 | 一种基于卷积网络耦合微合金元素对主元素浓度影响的方法及装置 |
CN109724917B (zh) * | 2018-12-26 | 2021-01-22 | 西安电子科技大学 | 基于神经网络及宽带滤波调制的分光方法 |
CN109724917A (zh) * | 2018-12-26 | 2019-05-07 | 西安电子科技大学 | 基于神经网络及宽带滤波调制的分光方法 |
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 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110705372B (zh) * | 2019-09-10 | 2023-05-05 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110689088A (zh) * | 2019-10-09 | 2020-01-14 | 山东大学 | 基于cnn的libs矿石光谱数据分类方法及装置 |
CN110852322B (zh) * | 2019-11-12 | 2022-06-24 | 海南大学 | 感兴趣区域的确定方法及装置 |
CN110852322A (zh) * | 2019-11-12 | 2020-02-28 | 海南大学 | 感兴趣区域的确定方法及装置 |
WO2021113991A1 (en) * | 2019-12-10 | 2021-06-17 | Perkinelmer Health Sciences Canada, Inc. | Systems and methods for analyzing unknown sample compositions using a prediction model based on optical emission spectra |
CN112614122A (zh) * | 2020-12-29 | 2021-04-06 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
CN112614122B (zh) * | 2020-12-29 | 2024-04-09 | 辽宁科技大学 | 一种基于矿石研磨图像的元素分析方法 |
CN114034684A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学院南京土壤研究所 | 一种基于一站式光谱模型的土壤属性快速测定方法 |
CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
CN115187870B (zh) * | 2022-09-13 | 2023-01-03 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
Zhang et al. | Chemometrics in laser‐induced breakdown spectroscopy | |
US9128055B2 (en) | Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum | |
Feilhauer et al. | Multi-method ensemble selection of spectral bands related to leaf biochemistry | |
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 | |
Hu et al. | Identification of mine water inrush using laser-induced fluorescence spectroscopy combined with one-dimensional convolutional neural network | |
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 | |
McMillan et al. | Correlation of limestone beds using laser-induced breakdown spectroscopy and chemometric analysis | |
Chen et al. | Deep learning with laser-induced breakdown spectroscopy (LIBS) for the classification of rocks based on elemental imaging | |
Yang et al. | Effect of fluorescence characteristics and different algorithms on the estimation of leaf nitrogen content based on laser-induced fluorescence lidar in paddy rice | |
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 | |
CN113155809A (zh) | 一种矿石分类与实时定量分析的光谱检测新方法 | |
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 | |
Yu et al. | Identification of wine according to grape variety using near-infrared spectroscopy based on radial basis function neural networks and least-squares support vector machines | |
Yang et al. | The basicity analysis of sintered ore using laser-induced breakdown spectroscopy (LIBS) combined with random forest regression (RFR) | |
CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
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 | |
Zhou et al. | A deep learning method for predicting lead content in oilseed rape leaves using fluorescence hyperspectral imaging | |
Yang et al. | Laser-induced breakdown spectroscopy combined with a convolutional neural network: A promising methodology for geochemical sample identification in Tianwen-1 Mars mission | |
Luo et al. | Rapid identification of rice species by laser-induced breakdown spectroscopy combined with pattern recognition | |
Naseri et al. | Automatic identification of minerals in thin sections using image processing | |
CN106442474A (zh) | 一种基于偏最小二乘法的水泥生料三率值测量方法 |
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: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |