CN110689088A - 基于cnn的libs矿石光谱数据分类方法及装置 - Google Patents
基于cnn的libs矿石光谱数据分类方法及装置 Download PDFInfo
- Publication number
- CN110689088A CN110689088A CN201910965494.XA CN201910965494A CN110689088A CN 110689088 A CN110689088 A CN 110689088A CN 201910965494 A CN201910965494 A CN 201910965494A CN 110689088 A CN110689088 A CN 110689088A
- Authority
- CN
- China
- Prior art keywords
- data
- spectral data
- cnn model
- spectral
- ores
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000003491 array Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 23
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000002381 plasma Anatomy 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 229910052934 alunite Inorganic materials 0.000 description 1
- 239000010424 alunite Substances 0.000 description 1
- 229910001570 bauxite Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910001919 chlorite Inorganic materials 0.000 description 1
- 229910052619 chlorite group Inorganic materials 0.000 description 1
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052733 gallium Inorganic materials 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 229910052683 pyrite Inorganic materials 0.000 description 1
- 239000011028 pyrite Substances 0.000 description 1
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- KPZTWMNLAFDTGF-UHFFFAOYSA-D trialuminum;potassium;hexahydroxide;disulfate Chemical compound [OH-].[OH-].[OH-].[OH-].[OH-].[OH-].[Al+3].[Al+3].[Al+3].[K+].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O KPZTWMNLAFDTGF-UHFFFAOYSA-D 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于CNN的LIBS矿石光谱数据分类方法及装置，该方法包括以下步骤：选定要分类的M种矿石，以及针对所述M种矿石的N种元素，并且针对所述矿石准备光谱数据；其中，M、N为正整数；将所述光谱数据进行第一预处理，形成训练集和验证集；针对待分类的光谱数据设计一个CNN模型；用训练集的光谱数据对所述CNN模型进行训练，得到模型的参数；采用验证集验证所述CNN模型并输出正确率；在嵌入式平台上实现对原始光谱数据的第二预处理，基于得到的结果以及所述训练好的CNN模型，将LIBS光谱仪输出的原始数据进行实时分类。本发明的方法改进LIBS光谱分类的问题，提高了光谱数据的分类精度。
Description
技术领域
本发明涉及光谱数据的识别分类技术领域，尤其涉及一种基于CNN的LIBS矿石光谱数据分类方法及装置。
背景技术
激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy，LIBS)技术，可以用高能激光脉冲使样品产生等离子体，而等离子体会产生特征谱线。不同样品所含元素的种类含量不同，其等离子体所发出的特征谱线也就不同。通过识别谱线进而可以实现样品的定性。将LIBS技术应用于地质矿物的勘测，可实现矿物的原位、快速测量。二者的结合对于地质勘测有很大的意义。但是LIBS光谱本身容易受环境、设备检测精度等多种因素的影响，导致光谱数据分类精度有限。因而寻找一种适合的分类方法及设备就有着很大的意义。
发明内容
有鉴于此，本发明的主要目的在于提供一种激光诱导击穿光谱数据分类的装置及方法，以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的，作为本发明的一方面，提供了一种激光诱导击穿光谱数据分类的方法，包括以下步骤：
选定要分类的M种矿石，以及针对所述M种矿石的N种元素，并且针对所述矿石准备光谱数据；其中，M、N为正整数；
将所述光谱数据进行第一预处理，形成训练集和验证集；
针对待分类的光谱数据设计一个CNN模型；
用训练集的光谱数据对所述CNN模型进行训练，得到模型的参数；
采用验证集验证所述CNN模型并输出正确率；
在嵌入式平台上实现对原始光谱数据的第二预处理，基于得到的结果以及所述训练好的CNN模型，将LIBS光谱仪输出的原始数据进行实时分类。
其中，所述第一预处理包括如下子步骤：
选取被选定元素的特征谱段；
截取被选定矿石在这些特定谱段的谱线数据，将截取好的每组数据按波长由小到大的顺序整理为一维数组，打上标记；采用所述方法将各类矿石整理若干组；
将这些一维数组整合成二维数组作为训练集和验证集。
其中，在所述采用验证集验证所述CNN模型输出正确率的步骤中，每次取出一类矿石的一组数据，随机取若干组，最后计算分类正确率，从而得到模型准确度，当准确度达到90％代表CNN模型训练完成。
其中，所述第二预处理包括如下子步骤：
选取被选定元素的特征谱段；
根据所述选取好的特征谱段，截取光谱数据；
将截取好的光谱数据按照固定规则整合成二维数组，所述二维数组作为预处理后的光谱数据输入到FPGA模块。
作为本发明的另一方面，提供了一种激光诱导击穿光谱数据分类的装置，包括：
ARM模块，对由光谱仪输入的原始光谱数据进行实时第二预处理，并将处理后的数据经总线传输到FPGA模块；
FPGA模块，实现已经训练好的CNN模型，并将分类的结果矩阵输出到显示单元；
显示单元，呈现最终结果给用户。
基于上述技术方案可知，本发明的LIBS光谱数据分类的装置及方法相对于现有技术至少具有如下有益效果之一：
(1)本发明的分类方法选择了CNN模型。深度卷积神经网络是一种广泛应用于模式识别的模型，在机器视觉、自然语言处理等领域有着不俗的发展。鉴于其优秀的特征提取以及分类能力。故选择将其用来识别LIBS光谱数据，改进LIBS光谱分类的问题，提高了光谱数据的分类精度；
(2)本发明的装置框架采用了Fpga+Arm的框架。CNN模型包含大量的卷积计算，而Fpga具有可进行大量并行处理、功耗低的优点。故模型在Fpga中实现。因而本发明提高了处理速度、降低了功耗、有利于光谱数据的实时快速分类。
附图说明
图1为本发明基于深度卷积神经网络矿石光谱数据分类的嵌入式平台的框架示意图；
图2为本发明针对LIBS数据设计的多层卷积神经网络模型的整体结构示意图；
图3为本发明对CNN模型进行训练的流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
具体的，一种激光诱导击穿光谱数据分类的方法，包括以下步骤：
选定要分类的M种矿石，以及针对所述M种矿石的N种元素，并且针对所述矿石准备光谱数据；
将所述光谱数据进行预处理1，形成训练集和验证集；
针对待分类的光谱数据设计一个CNN模型的架构，模型一般架构如图2所示；
用训练集的光谱数据对所述CNN模型进行训练，得到模型的参数；
采用验证集验证所述CNN模型并输出正确率；
在嵌入式平台上实现对原始光谱数据的预处理2、以及所述训练好的CNN模型，并且将LIBS光谱仪输出的原始数据进行实时分类。
其中，所述预处理1包含的子步骤如下：
选取被选定元素的特征谱段；
截取被选定矿石在这些特定谱段的谱线数据，将截取好的每组数据按波长由小到大的顺序整理为一维数组，打上标记；采用所述方法将各类矿石整理若干组；
将这些一维数组整合成二维数组作为训练集和验证集。
其中，在所述采用验证集验证所述CNN模型输出正确率的步骤中，每次取出一类矿石的一组数据，随机取若干组，最后计算分类正确率，从而得到模型准确度，当准确度达到90％代表CNN模型训练完成。
其中，所述预处理2包括以下子步骤：
选取被选定元素的特征谱段；
根据所述选取好的特征普段，截取光谱数据；
将截取好的光谱数据按照固定规则整合成二维数组，所述二维数组作为预处理后的光谱数据输入到FPGA模块。
上述训练流程如图3所示。
如图1所示，一种如上所述的实现激光诱导击穿光谱数据分类的嵌入式平台，包括：
ARM模块，对由光谱仪输入的原始光谱数据进行实时预处理2，并将处理后的数据经总线传输到FPGA模块；
FPGA模块，实现已经训练好的CNN模型，并将分类的结果矩阵输出到上位机平台。
实施例1
本实施例选取了黄铁矿，磁铁矿，褐铁矿，赤铁矿，绿泥石等金伴生矿物还有其他干扰矿物像铝土矿，明矾石、辉绿岩，熔结凝灰岩，大理石等总共30余种矿石。针对这些矿石选取了Na、Au、Mg、Mn、Zn、Ni、Cu、Al、Ti、Cr、Li、Si、Ga，等18种元素的50个特征谱段
部分元素所选取的波长范围如表1所示：
表1部分元素所选取的谱段范围
由实验室已有的光谱数据做出训练集、验证集。实验室有种30种矿石的若干种数据。选取70％的数据，将30种矿石的每组数据，按选取的50种特定谱段截取，按波长由小到大的顺序整理为一维数组(列向量)，按照矿石种类打上标记。最后将这些一维数组整合成二维数组作为训练集。将剩余30％数据按照同样的方式做出验证集。
经过综合考虑以及调试，本实施例的神经网络模型采取了3卷积层，3池化层，卷积层的卷积核大小都为5*5，滑动步长都为1。激励函数为tanh函数，输出层分类采用softmax函数，该网络模型的整体结构示意图如图2所示。
用训练集数据离线训练模型。训练时，抽取训练集中的一种矿石的一组数据，按照固定规则整合为为28*28的二维futuremap，再送往卷积神经网络模型训练。训练结束后用验证集中的数据验证。验证时，每组数据的处理方式与上一步相同。
最后由分类正确的组数除以实验总组数得到计算分类正确率。经计算识别精度在98％。将训练好的模型参数由上位机经由总线输入嵌入式平台中的fpga模块。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种LIBS矿石光谱数据的分类方法，其特征在于，包括以下步骤：
选定要分类的M种矿石，以及针对所述M种矿石的N种元素，并且针对所述矿石准备光谱数据；其中，M、N为正整数；
将所述光谱数据进行第一预处理，形成训练集和验证集；
针对待分类的光谱数据设计一个CNN模型；
用训练集的光谱数据对所述CNN模型进行训练，得到模型的参数；
采用验证集验证所述CNN模型并输出正确率；
在嵌入式平台上实现对原始光谱数据的第二预处理，基于得到的结果以及所述训练好的CNN模型，将LIBS光谱仪输出的原始数据进行实时分类。
2.根据权利要求1所述的方法，其特征在于，所述第一预处理包括如下子步骤：
选取被选定元素的特征谱段；
截取被选定矿石在这些特定谱段的谱线数据，将截取好的每组数据按波长由小到大的顺序整理为一维数组，打上标记；采用所述方法将各类矿石整理若干组；
将这些一维数组整合成二维数组作为训练集和验证集。
3.根据权利要求1所述的方法，其特征在于，在所述采用验证集验证所述CNN模型输出正确率的步骤中，每次取出一类矿石的一组数据，随机取若干组，最后计算分类正确率，从而得到模型准确度，当准确度达到90％代表CNN模型训练完成。
4.根据权利要求1所述的方法，其特征在于，所述第二预处理包括如下子步骤：
选取被选定元素的特征谱段；
根据所述选取好的特征谱段，截取光谱数据；
将截取好的光谱数据按照固定规则整合成二维数组，所述二维数组作为预处理后的光谱数据输入到FPGA模块。
5.一种采用如权利要求1～4任一项所述的分类方法实现LIBS矿石光谱数据分类的嵌入式平台，其特征在于，包括：
ARM模块，对由光谱仪输入的原始光谱数据进行实时第二预处理，并将处理后的数据经总线传输到FPGA模块；
FPGA模块，实现已经训练好的CNN模型，并将分类的结果矩阵输出到显示单元；
显示单元，呈现最终结果给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965494.XA CN110689088A (zh) | 2019-10-09 | 2019-10-09 | 基于cnn的libs矿石光谱数据分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910965494.XA CN110689088A (zh) | 2019-10-09 | 2019-10-09 | 基于cnn的libs矿石光谱数据分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689088A true CN110689088A (zh) | 2020-01-14 |
Family
ID=69112242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910965494.XA Pending CN110689088A (zh) | 2019-10-09 | 2019-10-09 | 基于cnn的libs矿石光谱数据分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689088A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112051256A (zh) * | 2020-07-22 | 2020-12-08 | 中国地质大学（武汉） | 基于cnn模型的待测元素含量libs测量方法、系统 |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
| CN114118309A (zh) * | 2022-01-28 | 2022-03-01 | 津海威视技术(天津)有限公司 | 基于卷积神经网络的样本分类识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228240A (zh) * | 2016-07-30 | 2016-12-14 | 复旦大学 | 基于fpga的深度卷积神经网络实现方法 |
| CN107764773A (zh) * | 2017-10-13 | 2018-03-06 | 吉林大学 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
| CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 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 |
-
2019
- 2019-10-09 CN CN201910965494.XA patent/CN110689088A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228240A (zh) * | 2016-07-30 | 2016-12-14 | 复旦大学 | 基于fpga的深度卷积神经网络实现方法 |
| CN107764773A (zh) * | 2017-10-13 | 2018-03-06 | 吉林大学 | 一种基于激光诱导击穿光谱的塑料样品分类方法 |
| CN108596085A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112051256A (zh) * | 2020-07-22 | 2020-12-08 | 中国地质大学（武汉） | 基于cnn模型的待测元素含量libs测量方法、系统 |
| CN113138178A (zh) * | 2021-04-15 | 2021-07-20 | 上海海关工业品与原材料检测技术中心 | 一种识别进口铁矿石品牌的方法 |
| CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
| CN113177919B (zh) * | 2021-04-28 | 2022-08-05 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
| CN114118309A (zh) * | 2022-01-28 | 2022-03-01 | 津海威视技术(天津)有限公司 | 基于卷积神经网络的样本分类识别方法 |
| CN114118309B (zh) * | 2022-01-28 | 2022-04-01 | 津海威视技术(天津)有限公司 | 基于卷积神经网络的样本分类识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689088A (zh) | 基于cnn的libs矿石光谱数据分类方法及装置 | |
| CN103198251B (zh) | 一种基于神经网络的硬件木马识别方法 | |
| CN104537393B (zh) | 一种基于多分辨率卷积神经网络的交通标志识别方法 | |
| CN104102929B (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
| CN109361617A (zh) | 一种基于网络包载荷的卷积神经网络流量分类方法及系统 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN110533051B (zh) | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 | |
| CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
| 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 | |
| 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 | |
| CN105389593A (zh) | 基于surf特征的图像物体识别方法 | |
| CN106528528A (zh) | 文本情感分析的方法及装置 | |
| CN112990391A (zh) | 基于特征融合的卷积神经网络的缺陷分类识别系统 | |
| CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
| 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 | |
| CN115618282B (zh) | 一种合成宝石的鉴定方法、装置及存储介质 | |
| 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 | |
| CN115690783A (zh) | 一种基于深度学习的医学高光谱图像微流控单细胞识别方法 | |
| CN106845220A (zh) | 一种Android恶意软件检测系统及方法 | |
| CN113516228A (zh) | 一种基于深度神经网络的网络异常检测方法 | |
| CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
| CN106645098A (zh) | 一种光谱归一化结合多元统计模型的玉石原产地鉴定方法 | |
| CN107169407A (zh) | 基于联合双边滤波与极限学习机的高光谱图像分类方法 | |
| CN111860424B (zh) | 一种可见光手掌识别模型的训练方法和装置 | |
| CN101901348A (zh) | 一种基于归一化的手写识别方法和识别装置 |
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: 20200114 |
|
| RJ01 | Rejection of invention patent application after publication |