CN108986096A - 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 - Google Patents
一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 Download PDFInfo
- Publication number
- CN108986096A CN108986096A CN201810950957.0A CN201810950957A CN108986096A CN 108986096 A CN108986096 A CN 108986096A CN 201810950957 A CN201810950957 A CN 201810950957A CN 108986096 A CN108986096 A CN 108986096A
- Authority
- CN
- China
- Prior art keywords
- sample
- eem
- tested
- oil liquid
- tchebichef
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法;首先,利用荧光光谱仪获取样本库样本的三维荧光光谱数据(EEM),将EEM进行灰度化处理,得出EEM灰度图像,并利用Tchebichef矩提取EEM灰度图像的形状特征,建立样本库样本的Tchebichef矩特征数据库;然后,获取待测样本的EEM,得出待测样本的EEM的灰度图像,进而得到待测样本的Tchebichef矩特征数据;最后,利用聚类分析方法对所有的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;并根据定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;实现对混合油液辨识的目的。
Description
【技术领域】
本发明涉及混合油液鉴别领域,尤其涉及关于基于三维荧光光谱与Tchebichef矩的混合油液辨识方法研究的技术领域。
【背景技术】
随着人类社会对石油需求的日益提高,由石油引起的环境污染日益严重。石油类污染物是一类来源广泛的环境污染物,石油工业和石油产品消费链条的每一个环节都有可能产生石油类污染物,如化工厂排放、油类运输以及船舶油污染等,都给水体带来了严重的危害,石油类在水体表面可以形成大面积油膜,不仅阻碍水体与大气的物质交换,发生光化学反应生成有毒物质,还对周边沿岸造成重大污染,甚至导致生态灾难。并且由于石油使用种类的广泛性,其不仅以一种油本身作为环境污染物存在,更多情况下是与其它油种相混合而广泛存在于环境中,这给油类污染物检测带来了更多的困难。
目前,针对油类污染事故,主要通过人工勘察现场、询问调查等方法排查污染物来源、追查污染事故责任,但通过这些方法获取证据,存在随意性,证据证明力度不够等问题。潘钊、王玉田、邵小青、吴希军、杨丽丽发表的论文(三维荧光光谱及平行因子分析在石油类污染物检测分析中的应用)中所述的方法必须要准确选择因子数才能够正确解析数据,此外样本的浓度范围也必须满足一定条件,受限较多。在陈国庆申请的发明专利(申请号:201310175204.4)中所述的方法只提取了三维荧光光谱的重心作为样本的特征,特征单一,难以满足三维荧光光谱特征复杂的样本。如何利用现有的技术手段有效检测出混合油液并对其进行定性定量,是环保监测工作中急需解决的一个重要问题。
在本发明所述方法中,首先,利用荧光光谱仪获取样本库样本的三维荧光光谱数据(EEM),将EEM进行灰度化处理,得出EEM灰度图像,并利用Tchebichef矩提取EEM灰度图像的形状特征,建立样本库样本的Tchebichef矩特征数据库;然后,获取待测样本的EEM,得出待测样本的EEM的灰度图像,进而得到待测样本的Tchebichef矩特征数据;最后,利用聚类分析方法对所有的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;并根据定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;实现对混合油液辨识的目的。
与人工勘察的处理方法相比,本发明所述方法不受限于执法人员的经验水平,检测结果更加客观、准确。本发明所述方法与借助平行因子分析的方法相比,不存在必须准确选择因子数以及样本的浓度范围的限制等,利用本发明所述的方法可以更加简单、快速的获得辨识结果。本发明所述方法利用Tchebichef矩的多分辨分析,可以对三维荧光光谱的形状信息从全局和细节上进行特征提取,与陈国庆申请的发明专利(申请号:201310175204.4)中所述的方法相比,本发明所述的方法对样本的辨识结果更精确。
【发明内容】
本发明是一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法;首先,利用荧光光谱仪获取样本库样本的三维荧光光谱数据(EEM),将EEM进行灰度化处理,得出EEM灰度图像,并利用Tchebichef矩提取EEM灰度图像的形状特征,建立样本库样本的Tchebichef矩特征数据库;然后,获取待测样本的EEM,得出待测样本的EEM的灰度图像,进而得到待测样本的Tchebichef矩特征数据;最后,利用聚类分析方法对所有的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;并根据定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;实现对混合油液辨识的目的。
本发明的技术方案是这样实现的:
步骤一、利用荧光光谱仪获取样本库样本的三维荧光光谱数据;
按不同体积比配置N组航空煤油和润滑油的混合油液作为样本库样本,利用荧光光谱仪采集样本库样本的三维荧光光谱数据(EEM),其中激发和发射波长范围、相应步长、激发和发射端的狭缝宽度根据样本库样本的三维荧光光谱特性设置,EEM为i×j维的矩阵,其中,i为激发波长的个数,j为发射波长的个数,矩阵中的元素值对应荧光强度值;
步骤二、对步骤一中所得到的样本库样本的EEM进行灰度化处理,得出EEM的灰度图;
对步骤一中所得到的样本库样本的EEM进行灰度化处理,即将EEM中的荧光强度值映射为灰度值,得出样本库样本的EEM灰度图;
步骤三、利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取EEM灰度图的形状特征信息;
利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取样本库样本EEM灰度图的Tchebichef矩形状特征信息,将所有样本库样本的特征信息合并为一个矩阵,建立样本库样本的Tchebichef矩特征数据库;
步骤四、利用荧光光谱仪获取待测样本的EEM,并根据步骤二和步骤三中所述的方法对待测样本的EEM进行处理,得到待测样本的Tchebichef矩特征数据;
利用荧光光谱仪获取待测样本的EEM,利用步骤二中的方法对待测样本的EEM进行处理,进而得到待测样本的EEM灰度图,利用步骤三中的方法对待测样本的EEM灰度图进行处理,进而得到待测样本的Tchebichef矩特征数据;
步骤五、利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;
利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,将样本库样本的Tchebichef矩特征数据库与待测样本的Tchebichef矩特征数据合并为一个矩阵,计算其欧式距离,并得出聚类树形图,通过设置欧氏距离的分类阈值,实现对待测样本的定性识别;
步骤六、根据步骤五中的定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;
利用逐步回归对样本库样本的Tchebichef矩特征数据库进行处理,建立混合油液中每种油液的相对体积V和样本库样本的Tchebichef矩特征数据库之间的映射关系,根据步骤五中的定性结果,利用该映射关系对属于该混合油液的待测样本进行预测,得出混合油液中每种油液的定量结果,从而实现对混合油液辨识的目的。
本发明的有益效果:本发明利用荧光光谱仪获取样本库样本的三维荧光光谱数据(EEM),将EEM进行灰度化处理,得出EEM灰度图像,并利用Tchebichef矩提取EEM灰度图像的形状特征,建立样本库样本的Tchebichef矩特征数据库;然后,获取待测样本的EEM,得出待测样本的EEM的灰度图像,进而得到待测样本的Tchebichef矩特征数据;利用聚类分析方法对所有的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;并根据定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;实现对混合油液辨识的目的。与人工勘察的处理方法相比,本发明所述方法不受限于执法人员的经验水平,检测结果更加客观、准确。本发明所述方法与借助平行因子分析的方法相比,不存在必须准确选择因子数以及样本的浓度范围的限制等,利用本发明所述的方法可以更加简单、快速的获得辨识结果。本发明所述方法利用Tchebichef矩的多分辨分析,可以对三维荧光光谱的形状信息从全局和细节上进行特征提取,与陈国庆申请的发明专利(申请号:201310175204.4)中所述的方法相比,本发明所述的方法对样本的辨识结果更精确。
【说明书附图】
图1是本发明所述的一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法的示意图;
图2(a1)、(b1)、(c1)分别是航空煤油的三维荧光光谱图、指纹图、EEM灰度图,(a2)、(b2)、(c2)分别是航空煤润滑油的三维荧光光谱图、指纹图、EEM灰度图,(a3)、(b3)、(c3)分别是航空煤油和润滑油按体积比1:1配置的混合油液的三维荧光光谱图、指纹图、EEM灰度图。
图3是所有样本的Tchebichef矩特征数据计算欧式距离得出聚类树形图的示意图。
图4(a)、(b)分别是混合油液中航空煤油和润滑油的映射关系的示意图。
【具体实施方式】
本发明的一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法,步骤如下:
步骤一、利用荧光光谱仪获取样本库样本的三维荧光光谱数据;
按不同体积比配置N组航空煤油和润滑油的混合油液作为样本库样本,利用荧光光谱仪采集样本库样本的三维荧光光谱数据(EEM),激发波长范围设置为300~580nm,发射波长范围设置为320~600nm,步长全部设置为10nm,激发和发射端狭缝宽度均设置为0.44mm,EEM为29×29维的矩阵,激发波长的个数为[(580-300)/10+1]=29,发射波长的个数为[(580-300)/10+1]=29,矩阵中的元素值对应荧光强度值;
步骤二、对步骤一中所得到的样本库样本的EEM进行灰度化处理,得出EEM的灰度图;
对步骤一中所得到的样本库样本的EEM进行灰度化处理,即将EEM中的荧光强度值映射为灰度值,得到样本库样本的EEM灰度图,该灰度图的像素为29×29;
步骤三、利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取EEM灰度图的形状特征信息;
利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取样本库样本EEM灰度图的Tchebichef矩形状特征信息,对于大小N×N像素的EEM灰度图,用f(x,y)表示EEM灰度图坐标(x,y)处的灰度值,则EEM灰度图第p阶第q重Tchebichef矩计算公式如下:
其中,tp,N(x)为:
ρ(n,N)为:
计算样本库中样本的前p阶q重Tchebichef矩构成p*q维的特征向量,然后将所有样本库样本的特征向量合并为一个矩阵,建立样本库样本的Tchebichef矩特征数据库;
步骤四、利用荧光光谱仪获取待测样本的EEM,并根据步骤二和步骤三中所述的方法对待测样本的EEM进行处理,得到待测样本的Tchebichef矩特征数据;
利用荧光光谱仪获取待测样本的EEM,利用步骤二中的方法对待测样本的EEM进行处理,进而得到待测样本的EEM灰度图,利用步骤三中的方法对待测样本的EEM灰度图进行处理,进而得到待测样本的Tchebichef矩特征数据;
步骤五、利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;
利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,将样本库样本的Tchebichef矩特征数据库与待测样本的Tchebichef矩特征数据合并为一个矩阵,计算其欧式距离,欧式距离定义为:
xik、xjk分别为第i个与第j个样本Tchebichef矩特征数据中第k个元素。利用各个样本间的欧式距离得出聚类树形图,通过设置欧氏距离的分类阈值,实现对待测样本的定性识别;
步骤六、根据步骤五中的定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;
利用逐步回归对样本库样本的Tchebichef矩特征数据库进行处理,建立混合油液中每种油液的相对体积V和样本库样本的Tchebichef矩特征数据库之间的映射关系,根据步骤五中的定性结果,利用该映射关系对属于混合油液的待测样本进行预测,得出混合油液中每种油液的定量结果,从而实现对混合油液辨识的目的。
通过应用本发明所述方法对一组实验样本进行辨识的具体实施例对本发明所述方法做进一步说明:
一组实验样本包括汽油、柴油、机油、工业白油以及由航空煤油和润滑油按不同体积比配置20组的混合油液样本,详细实验样本信息见表1。
表1实验样本的详细信息
取其中的G、Q、J、C、HR7、HR16为待测样本,剩余的为样本库样本;利用FS920稳态荧光光谱仪采集样本库样本的EEM,激发波长范围设置为300~580nm,发射波长范围设置为320~600nm,步长全部设置为10nm,激发和发射端狭缝宽度均设置为0.44mm,EEM为29×29维的矩阵,图2(a1)、(b1)分别是样本H的三维荧光光谱图和指纹图,图2(a2)、(b2)分别是样本R的三维荧光光谱图和指纹图,图2(a3)、(b3)分别是样本HR5的三维荧光光谱图和指纹图;对所得到的样本库样本的EEM进行灰度化处理,得出EEM的灰度图,图2(c1)、(c2)、(c3)分别是样本H、R、HR5的EEM灰度图;利用Tchebichef矩对所得到的样本库样本的EEM灰度图进行处理,提取前11阶11重的Tchebichef矩作为样本的特征向量,将所有样本库样本的特征向量合并为一个矩阵,建立样本库样本的Tchebichef矩特征数据库;利用荧光光谱仪获取待测样本的EEM,并对待测样本的EEM进行处理,得到待测样本的Tchebichef矩特征数据;将样本库样本的Tchebichef矩特征数据库与待测样本的Tchebichef矩特征数据合并为一个矩阵,计算其欧式距离,并得出聚类树形图如图3所示,24个样本在欧式距离14.195<L<21.684的范围时可被分为3类,其中待测样本中的G、Q、J、C被分为其中的两类,HR7、HR16和样本库样本分为一类,待测样本中的混合油液HR7、HR16均被正确识别;利用逐步回归对样本库样本的Tchebichef矩特征数据库进行处理,建立混合油液中每种油液的相对体积V和样本库样本的Tchebichef矩特征数据库之间的映射关系如图4所示,其中,航空煤油相对体积的映射关系:
Vh1=1.1655-1.9675T6,10-0.1193T7,4+0.1396T9,1-0.2975T9,9+0.2194T11,10
Vh2=1.0395-0.2398T4,6
润滑油相对体积的映射关系:
Vr1=-0.1655+1.9675T6,10+0.1193T7,4-0.1396T9,1+0.2975T9,9-0.2194T11,10
Vr2=-0.0395+0.2398T4,6
Vh1、Vh2为航空煤油的相对体积,Vr1、Vr2为润滑油的相对体积,Tp,q为第p阶第q重Tchebichef矩,利用该映射关系对待测样本中的混合油液进行预测,得出混合油液中每种油的相对体积分数,详细信息如表2所示。
映射关系的所有p值均小于0.05,说明映射关系是显著的,由此可知,利用本发明所述方法可以准确地提取混合油类三维荧光光谱数据的形状特征信息,实现对混合油类辨识的目的。
以上所述,仅为本发明具体实施方法的基本方案,但本发明的保护范围并不局限于此,任何熟悉本技术领域的人员在本发明公开的技术范围内,可想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。
Claims (1)
1.一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法,其特征在于包括以下六个步骤:
步骤一、利用荧光光谱仪获取样本库样本的三维荧光光谱数据;
按不同体积比配置N组航空煤油和润滑油的混合油液作为样本库样本,利用荧光光谱仪采集样本库样本的三维荧光光谱数据(EEM),其中激发和发射波长范围、相应步长、激发和发射端的狭缝宽度根据样本库样本的三维荧光光谱特性设置,EEM为i×j维的矩阵,其中,i为激发波长的个数,j为发射波长的个数,矩阵中的元素值对应荧光强度值;
步骤二、对步骤一中所得到的样本库样本的EEM进行灰度化处理,得出EEM的灰度图;
对步骤一中所得到的样本库样本的EEM进行灰度化处理,即将EEM中的荧光强度值映射为灰度值,得到样本库样本的EEM灰度图;
步骤三、利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取EEM灰度图的形状特征信息;
利用Tchebichef矩对步骤二中所得到的样本库样本的EEM灰度图进行处理,提取样本库样本EEM灰度图的Tchebichef矩形状特征信息,将所有样本库样本的特征信息合并为一个矩阵,建立样本库样本的Tchebichef矩特征数据库;
步骤四、利用荧光光谱仪获取待测样本的EEM,并根据步骤二和步骤三中所述的方法对待测样本的EEM进行处理,得到待测样本的Tchebichef矩特征数据;
利用荧光光谱仪获取待测样本的EEM,利用步骤二中的方法对待测样本的EEM进行处理,进而得到待测样本的EEM灰度图,利用步骤三中的方法对待测样本的EEM灰度图进行处理,进而得到待测样本的Tchebichef矩特征数据;
步骤五、利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,得出混合油液的定性结果;
利用聚类分析对步骤三和步骤四中所得到的Tchebichef矩特征数据进行处理,将样本库样本的Tchebichef矩特征数据库与待测样本的Tchebichef矩特征数据合并为一个矩阵,计算其欧式距离,并得出聚类树形图,通过设置欧氏距离的分类阈值,实现对待测样本的定性识别;
步骤六、根据步骤五中的定性结果,利用逐步回归对属于混合油液的待测样本进行处理,得出混合油液的定量结果;
利用逐步回归对样本库样本的Tchebichef矩特征数据库进行处理,建立混合油液中每种油液的相对体积V和样本库样本的Tchebichef矩特征数据库之间的映射关系,根据步骤五中的定性结果,利用该映射关系对属于该混合油液的待测样本进行预测,得出混合油液中每种油液的定量结果,从而实现对混合油液辨识的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950957.0A CN108986096A (zh) | 2018-08-21 | 2018-08-21 | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810950957.0A CN108986096A (zh) | 2018-08-21 | 2018-08-21 | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986096A true CN108986096A (zh) | 2018-12-11 |
Family
ID=64554236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810950957.0A Pending CN108986096A (zh) | 2018-08-21 | 2018-08-21 | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986096A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879219A (zh) * | 2019-12-26 | 2020-03-13 | 通标标准技术服务(天津)有限公司 | 基于三维荧光光谱的水中矿物油检测方法 |
CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104677875A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
CN106383103A (zh) * | 2016-09-18 | 2017-02-08 | 中国科学院海洋研究所 | 一种基于主成分分析的时间分辨油荧光鉴别方法 |
US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
-
2018
- 2018-08-21 CN CN201810950957.0A patent/CN108986096A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104677875A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
US20170103504A1 (en) * | 2015-10-09 | 2017-04-13 | Universidad Nacional Autónoma de México | System for the identification and quantification of helminth eggs in environmental samples |
CN106383103A (zh) * | 2016-09-18 | 2017-02-08 | 中国科学院海洋研究所 | 一种基于主成分分析的时间分辨油荧光鉴别方法 |
Non-Patent Citations (2)
Title |
---|
孔德明 等: "基于交替惩罚三线性分解的混合油液油种成分的检测", 《光学学报(网络首发)》 * |
潘钊 等: "三维荧光光谱结合 Tchebichef 矩快速鉴别掺伪芝麻油", 《发光学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879219A (zh) * | 2019-12-26 | 2020-03-13 | 通标标准技术服务(天津)有限公司 | 基于三维荧光光谱的水中矿物油检测方法 |
CN110879219B (zh) * | 2019-12-26 | 2022-05-13 | 通标标准技术服务(天津)有限公司 | 基于三维荧光光谱的水中矿物油检测方法 |
CN115115621A (zh) * | 2022-08-24 | 2022-09-27 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
CN115115621B (zh) * | 2022-08-24 | 2022-11-11 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schymanski et al. | Analysis of microplastics in drinking water and other clean water samples with micro-Raman and micro-infrared spectroscopy: minimum requirements and best practice guidelines | |
Holt et al. | Progress towards an automated trainable pollen location and classifier system for use in the palynology laboratory | |
Irisson et al. | Machine learning for the study of plankton and marine snow from images | |
US11054357B2 (en) | Mobile microscopy system for air quality monitoring | |
CN107101943B (zh) | 一种光流控无透镜全息成像微藻活性检测装置与方法 | |
Holt et al. | Principles and methods for automated palynology | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN101458213B (zh) | 海洋溢油的浓度辅助参量荧光光谱油种鉴别方法 | |
Li et al. | Identifying oil spill types based on remotely sensed reflectance spectra and multiple machine learning algorithms | |
CN104914082A (zh) | 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法 | |
CN108986096A (zh) | 一种基于三维荧光光谱与Tchebichef矩的混合油液辨识方法 | |
CN104237235A (zh) | 基于近红外成像技术的食源性致病菌的快速检测方法 | |
CN109115775A (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
Le et al. | Benchmarking and automating the image recognition capability of an In situ plankton imaging system | |
Xie et al. | Oil species identification based on fluorescence excitation-emission matrix and transformer-based deep learning | |
Wang et al. | Automatic detection of suspected sewage discharge from coastal outfalls based on Sentinel-2 imagery | |
Grandremy et al. | The ZooScan and the ZooCAM zooplankton imaging systems are intercomparable: A benchmark on the Bay of Biscay zooplankton | |
Liu et al. | Assessing Environmental Oil Spill Based on Fluorescence Images of Water Samples and Deep Learning. | |
NL2034211B1 (en) | Method and system for quantitatively identifying multi-pollution sources of mixed water body | |
Zhu et al. | Smart polarization and spectroscopic holography for real-time microplastics identification | |
Culverhouse et al. | An instrument for rapid mesozooplankton monitoring at ocean basin scale | |
Chand | An intelligent technique for the characterization of coal microscopic images using ensemble learning | |
Akiba et al. | Design and testing of an underwater microscope and image processing system for the study of zooplankton distribution | |
CN109668842A (zh) | 一种贝类重金属污染快速检测方法 | |
CN113311081B (zh) | 基于三维液相色谱指纹的污染源识别方法及装置 |
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: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |