CN111272686B - 铁矿石选矿粉铁品位的高光谱检测方法 - Google Patents

铁矿石选矿粉铁品位的高光谱检测方法 Download PDF

Info

Publication number
CN111272686B
CN111272686B CN202010197108.XA CN202010197108A CN111272686B CN 111272686 B CN111272686 B CN 111272686B CN 202010197108 A CN202010197108 A CN 202010197108A CN 111272686 B CN111272686 B CN 111272686B
Authority
CN
China
Prior art keywords
hyperspectral
iron
grade
sample
iron ore
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.)
Active
Application number
CN202010197108.XA
Other languages
English (en)
Other versions
CN111272686A (zh
Inventor
李孟倩
韩秀丽
汪金花
吴兵
高伟
黄海辉
贾玉娜
陈凯江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202010197108.XA priority Critical patent/CN111272686B/zh
Publication of CN111272686A publication Critical patent/CN111272686A/zh
Application granted granted Critical
Publication of CN111272686B publication Critical patent/CN111272686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种铁矿石选矿粉铁品位的高光谱检测方法，包括以下步骤：利用高光谱仪采集已知铁品位的铁矿石选矿粉样本的高光谱曲线，建立不同铁品位的铁矿石选矿粉高光谱基准数据库；确定铁品位评定的强线性识别波段；建立Fe离子强线性识别波段的光谱反射率与铁矿石选矿粉铁品位的高光谱预测模型；采集待检测样本的高光谱曲线，将样本高光谱曲线的特征参数导入预测模型，计算待检测样本的铁品位。本发明采用高光谱探测和反演识别的技术手段，对选矿后铁矿粉铁品位进行快速、无损的鉴定，成本低，精度高。

Description

铁矿石选矿粉铁品位的高光谱检测方法
技术领域
本发明涉及铁矿石选矿粉的铁品位无损检测技术领域，具体是一种铁矿石选矿粉铁品位的高光谱检测方法。
背景技术
铁矿粉是钢铁工业的主要原料，铁矿粉的品质直接影响生产成本、环境效益和产品质量。随着国内供给侧改革的稳健推进，要求钢铁企业加大高品位铁矿粉的使用，要求入厂铁矿粉的品位达到某个等级。中国铁矿资源特点是贫矿多，富矿少，平均品位只有32.67％左右，绝大部分铁矿石需要经过选矿后提炼制成铁精粉，剩余处理成铁尾矿。为了监查选矿效果，确定精矿的品位等级，同时检测尾矿铁含量，需要不间断地快速、准确测定铁矿厂选矿产品的铁品位。因此铁矿石选矿粉铁品位检测方法改进对选矿铁品位质量监控、检测时效性和防止铁尾矿铁浪费具有重要的意义。
现有测定铁品位的方法主要有仪器分析法和化学分析法，主要有重量法、比色法、滴定法、原子吸收法、等离子体发射光谱法和X射线荧光光谱法等。仪器分析检测铁品位的方法需将样本制成溶液或熔融状态，存在仪器测试样本制备耗时，存在原料损耗和污染，一般一个样品检测需要30分钟，检测精度有待进一步提高。化学分析检测铁品位的方法精度最高，存在分析步骤繁琐、周期较长、存在原料和化学试剂损耗和污染等缺点，一个样品检测需要约30分钟；在ISO标准和国家标准规定中，选矿厂铁精粉中铁品位最常用化学检测方法是重铬酸钾滴定法、坏血酸滴定法、EDTA滴定法，其中重铬酸钾的使用会严重污染了环境，坏血酸滴定法、EDTA滴定法虽然无汞、无络的污染，但是适用范围和稳定性较差，会对环境造成少量污染；
CN1810783651.0公开了一种基于光谱数据的铁矿石全铁含量检测方法，其基于改进粒子群算法优化的双隐含层极限学习机神经网络的铁矿石全铁品位检测模型，利用光谱数据对其矿石种类分类的基础上检测其全铁含量。
关于选矿厂精铁粉和尾矿的铁品位高光谱检测方法还未见公开报导。
发明内容
本发明要解决的技术问题是提供一种铁矿石选矿粉铁品位的高光谱检测方法，可以简便、无损、快速测定精矿样品及尾矿的铁品位，是铁矿粉品位无损检测技术领域的有益补充，具有重要的意义。
本发明解决其技术问题采用的技术方案是：
一种铁矿石选矿粉铁品位的高光谱检测方法，包括以下步骤：
S1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；
S2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；
S3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型；
S4.确定待检测样本的铁品位。
采用上述技术方案的本发明，与现有技术相比，其有益效果是：
通过高光谱遥感数据反演铁矿粉品味的技术手段，达到了快速、无损、准确挖掘数据潜在信息、反演精度高、预测效果好的技术效果，解决了传统方法判断铁矿粉品味工作流程繁琐、周期长、存在化学试剂污染或适用性差的技术问题。
进一步的，本发明的优选方案如下：
S1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库，按下述步骤进行：
S11.选取不同类型铁矿石选矿粉的不同铁品位的样本，经过筛选、干燥标准化处理后，制作成铁矿石选矿粉的基准样本；
S12.用高光谱仪收集基准样本在350～2500nm波段的高光谱数据；
S13.高光谱数据经过去噪、归一化处理后，建立不同铁品位铁矿石选矿粉的高光谱基准数据库。
S2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段，按下述步骤进行：
S21.提取基准样本高光谱曲线的Fe离子吸收位置、吸收宽度、吸收深度特征参量；
S22.确立铁品位数值与高光谱曲线相关的强线性特征波段。
S3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型，按下述步骤进行：
S31.采用最小二乘、偏最小二乘匹配或相似性匹配方法建立高光谱预测模型；
S32.采用迭代计算，当迭代结果变化小于1个单位时，对应的参数为铁品位高光谱预测的模型参数。
S4.确定待检测样本的铁品位，按下述步骤进行：
S41.用高光谱仪测量待检测铁矿石选矿粉样本在350～2500nm波段的高光谱数据；
S42.提取样本高光谱曲线吸收位置、吸收宽度和吸收面积特征参量，检核与不同铁品位等级的铁矿石选矿粉的高光谱基准数据强线性波段指标一致性；检查合格后，将样本高光谱曲线的特征参数导入预测模型，求解出待检测样本的铁品位。
附图说明
图1是存储于黑色不反光盒体内的铁矿石选矿粉干燥样本示意图；
图2是样本的高光谱曲线示意图；
图3是样本归一化处理后的高光谱曲线示意图；
图4是待测样本的高光谱曲线示意图。
具体实施方式
以下结合附图及实施例详述本发明。
一种铁矿石选矿粉铁品位的高光谱检测方法，按以下步骤进行：
步骤1：建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；具体是：
(1)采集不同铁品味的铁矿石选矿粉为样本；
实验使用某铁矿石选矿厂提供的铁矿石选矿粉作为样本，样本的铁品味已知，铁含量及光谱曲线命名如下表1，样本干燥后平铺于10cm*10cm黑色不反光的盒体内存储待测，如图1所示。
表1样本分类名称
Figure BDA0002418020240000031
(2)采集样本的高光谱数据；
采用波长范围350～2500nm，采样间隔2nm的光谱仪(ASD FieldSpec4便携式地物光谱仪，ASD公司)采集样本的高光谱数据。高光谱数据的采集在暗室内进行，具体操作为：将装有样本的盒体放置在铺有黑色绒布的桌子上，将样本在盒体内铺平。打开主机电源预热一段时间，待光谱仪的光源稳定后开始试验，测量时参考白板水平放置，采用接触式测量方式。为了提高数据可靠性，抑制环境噪声，对每个样本分为10份，每份重复采集10次。
(3)高光谱数据预处理；
消除采集的高光谱数据的阶跃性误差并对测得的高光谱数据进行拼接校正后取平均值，再对数据进行平滑后剔除边缘异常值，得到每个样本的高光谱曲线，并存储为铁矿石选矿粉铁品位的高光谱原始数据库，如图2所示。
(4)对每个样本的高光谱曲线进行归一化处理，存储为铁矿石选矿粉铁品位的高光谱基准数据库，如图3所示。
步骤2：确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；具体是：
(1)选取所有样本的Fe离子的吸收位置；
根据每个样本的高光谱基准数据库中高光谱曲线，提取每个样本的Fe离子吸收位置，具体如表2所示，选取所有样本的Fe离子的吸收位置。在本实施例中，所有样本的Fe离子的吸收位置为517～550nm和873～913nm。
表2Fe离子的光谱特征参量(部分)
Figure BDA0002418020240000041
Figure BDA0002418020240000051
(2)对铁品位和高光谱数据特征波段进行相关性分析，遴选相关性强的波段；
获取样本在Fe离子吸收位置为517～550nm和873～913nm处铁矿粉光谱曲线反射率和铁品位相关性的绝对值，选取相关性的绝对值在0.98以上的波段(相关性绝对值越接近1，相关性越强)为强线性识别波段，在本实施例中，选择相关性的绝对值在0.98以上的波段517～520nm和873～888nm为强线性识别波段；
在本实施例中，通过对铁品位和铁矿粉光谱曲线反射率相关性的绝对值从大到小进行排序来选取绝对值在0.98以上的波段，部分内容如表3所示。
表3铁品位和铁矿粉光谱曲线反射率的相关性排名前300的波长(部分)
Figure BDA0002418020240000052
Figure BDA0002418020240000061
步骤3：建立预测模型并进行预测模型效果评价；具体是：
(1)依据最小二乘法构建铁品位和铁矿石选矿粉光谱曲线关系的预测模型；
将强线性识别波段中每一个波长作为一个特征参量，针对每N个特征参量，N为大于等于1的整数，依据最小二乘法构建铁品位和铁矿粉光谱曲线关系的预测模型：预测模型将全部样本同一个特征参量所对应的高光谱值作为X，样本的铁品位作为Y；同时计算每个预测模型的拟合误差R2。选取R2接近1的预测模型作为铁品位和铁矿石选矿粉光谱曲线关系的预测模型。
通过大量数据发现，不同样本的铁品位Y与每一特征参量相对应的高光谱反射率X，呈现明显的分段相关性。且针对不同特征参量所建立的模型拐点在铁品位(Y坐标在)30％附近，反射率X坐标随铁品味的增大而减小。
在本实施例中，针对单独的特征参量520nm、880nm(即N等于1)以及两者都考虑(即N等于2)分别建立预测模型，选取R2如表4所示。
表4
Figure BDA0002418020240000062
X1为520nm的高光谱值，X2为880nm的高光谱值。
采集其在350～2500nm波段的高光谱数据，对采集的高光谱数据进行去噪、归一化处理后，待测样本的高光谱曲线如图4所示，提取待测样本的高光谱曲线的吸收位置，经检核与铁品位高光谱基准数据强线性识别波段指标一致。进一步的，判断每个待测样本在波长520处的反射率值，求得每个待测样本在波长520处的反射率值X1，同理得到每个待测样本在波长880处的反射率值X2，代入该预测模型求解出待测样本的铁品位。
在本实施例中，待测样本如表5所示，且该待测样本的铁品位已知。
表5
Figure BDA0002418020240000071
进一步解释，将待测样本的高光谱曲线在520nm和880nm的高光谱值代入步骤3中所得预测模型中的X，所得y见表6中的预测值。
表6
Figure BDA0002418020240000072
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (3)

1.一种铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，包括以下步骤：
S1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库；
S2.确定不同铁品位的铁矿石选矿粉的高光谱曲线的强线性识别波段；
按下述步骤进行：
S21.提取基准样本高光谱曲线的Fe离子吸收位置、吸收宽度、吸收深度特征参量；
根据每个样本的高光谱基准数据库中高光谱曲线，提取每个样本的Fe离子吸收位置，所有样本的Fe离子的吸收位置为517～550nm和873～913nm；
S22.确立铁品位数值与高光谱曲线相关的强线性特征波段；
获取样本在Fe离子吸收位置为517～550nm和873～913nm处铁矿粉光谱曲线反射率和铁品位相关性的绝对值，相关性绝对值越接近1，相关性越强，通过对铁品位和铁矿粉光谱曲线反射率相关性的绝对值从大到小进行排序来选取绝对值在0.98以上的波段；
相关性的绝对值在0.98以上的波段517～520nm和873～888nm为强线性识别波段；
S3.建立高光谱曲线的强线性识别波段的光谱反射率与选矿粉铁品位的高光谱预测模型；
按下述步骤进行：
S31.采用最小二乘、偏最小二乘匹配或相似性匹配方法建立高光谱预测模型；
将强线性识别波段中每一个波长作为一个特征参量，针对每N个特征参量，N为大于等于1的整数，依据最小二乘法构建铁品位和铁矿粉光谱曲线关系的预测模型；
S32.采用迭代计算，当迭代结果变化小于1个单位时，对应的参数为铁品位高光谱预测的模型参数；
预测模型将全部样本同一个特征参量所对应的高光谱值作为X，样本的铁品位作为Y；同时计算每个预测模型的拟合误差R2，选取R2接近1的预测模型作为铁品位和铁矿石选矿粉光谱曲线关系的预测模型；
不同样本的铁品位Y与每一特征参量相对应的高光谱反射率X，呈现明显的分段相关性，且针对不同特征参量所建立的模型拐点在铁品位在30％附近，反射率X坐标随铁品位的增大而减小；
S4.确定待检测样本的铁品位。
2.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，S1.建立不同铁品位等级的铁矿石选矿粉的高光谱基准数据库，按下述步骤进行：
S11.选取不同类型铁矿石选矿粉的不同铁品位的样本，经过筛选、干燥标准化处理后，制作成铁矿石选矿粉的基准样本；
S12.用高光谱仪收集基准样本在350～2500nm波段的高光谱数据；
S13.高光谱数据经过去噪、归一化处理后，建立不同铁品位铁矿石选矿粉的高光谱基准数据库。
3.根据权利要求1所述的铁矿石选矿粉铁品位的高光谱检测方法，其特征在于，S4.确定待检测样本的铁品位，按下述步骤进行：
S41.用高光谱仪测量待检测铁矿石选矿粉样本在350～2500nm波段的高光谱数据；
S42.提取样本高光谱曲线吸收位置、吸收宽度和吸收面积特征参量，检核与不同铁品位等级的铁矿石选矿粉的高光谱基准数据强线性波段指标一致性；检查合格后，将样本高光谱曲线的特征参数导入预测模型，求解出待检测样本的铁品位。
CN202010197108.XA 2020-03-19 2020-03-19 铁矿石选矿粉铁品位的高光谱检测方法 Active CN111272686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197108.XA CN111272686B (zh) 2020-03-19 2020-03-19 铁矿石选矿粉铁品位的高光谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197108.XA CN111272686B (zh) 2020-03-19 2020-03-19 铁矿石选矿粉铁品位的高光谱检测方法

Publications (2)

Publication Number Publication Date
CN111272686A CN111272686A (zh) 2020-06-12
CN111272686B true CN111272686B (zh) 2023-05-30

Family

ID=71002636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197108.XA Active CN111272686B (zh) 2020-03-19 2020-03-19 铁矿石选矿粉铁品位的高光谱检测方法

Country Status (1)

Country Link
CN (1) CN111272686B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924333A (zh) * 2021-01-27 2021-06-08 云南电网有限责任公司电力科学研究院 一种复合绝缘子憎水性检测及高光谱图像拍摄多用装置
CN113177488A (zh) * 2021-05-07 2021-07-27 华北理工大学 基于最佳指数波段组合的高光谱图像波段选择方法
CN117647497B (zh) * 2024-01-30 2024-03-29 深圳市博睿生物科技有限公司 一种电子雾化器烟雾水分含量测定方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106404753A (zh) * 2016-10-18 2017-02-15 中国大唐集团科学技术研究院有限公司西北分公司 一种对铁矿石的分类及验证方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2788977C (en) * 2010-02-05 2018-11-13 Katherine Silversides Determination of rock types by spectral scanning
CN103699889A (zh) * 2014-01-06 2014-04-02 成都理工大学 一种基于高光谱遥感技术的尾矿识别方法及系统
US10801963B2 (en) * 2018-08-22 2020-10-13 Paul Bartholomew Raman spectroscopy for minerals identification
CN107389571B (zh) * 2017-07-21 2019-06-14 中国科学院遥感与数字地球研究所 一种矿物组分高光谱遥感精细鉴别方法
CN107589094B (zh) * 2017-09-20 2020-02-21 鞍钢集团矿业有限公司 基于光谱特征的鞍山式铁矿石类型确定方法
CN109030388B (zh) * 2018-07-17 2019-12-03 东北大学 一种基于光谱数据的铁矿石全铁含量检测方法
CN109060675A (zh) * 2018-09-05 2018-12-21 东北大学 一种用于铁矿石中铁含量检测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106404753A (zh) * 2016-10-18 2017-02-15 中国大唐集团科学技术研究院有限公司西北分公司 一种对铁矿石的分类及验证方法

Also Published As

Publication number Publication date
CN111272686A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111272686B (zh) 铁矿石选矿粉铁品位的高光谱检测方法
CN107817223A (zh) 快速无损实时预测原油性质模型的构建方法及其应用
CN101413883B (zh) 一种用红外光谱技术鉴别茶叶产地的方法
CN109085136B (zh) 近红外漫反射光谱测定水泥生料氧化物成分含量的方法
CN108844941B (zh) 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法
CN110749565A (zh) 一种快速鉴别普洱茶存储年份的方法
CN105334185A (zh) 基于光谱投影判别的近红外模型维护方法
WO2020248961A1 (zh) 一种无参考值的光谱波数选择方法
CN110110789A (zh) 一种基于多谱图信息融合技术的中草药品质鉴别方法
CN104596979A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法
CN104297206A (zh) 一种液态牛奶品牌快速鉴别方法
CN109283153B (zh) 一种酱油定量分析模型的建立方法
CN110231328B (zh) 一种基于半峰高距离法的拉曼光谱定量分析方法
CN117761008A (zh) 一种用于选矿工艺过程中矿浆组分在线检测的多光谱联用方法
CN111398208B (zh) 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法
CN104568828A (zh) 近红外漫反射光谱测定造纸法再造烟叶抗张强度的方法
CN116952895A (zh) 一种快速测定混合均匀度的方法
CN104181125A (zh) 快速测定啤酒麦芽中库尔巴哈值的方法
CN114493318A (zh) 基于加权nmf的高光谱反射曲线的分离解混方法
CN112649390A (zh) 一种基于近红外光谱的粘合剂水分含量监测方法
Wu et al. Counterfeit detection of bulk Baijiu based on fluorescence hyperspectral technology and machine learning
CN118549369B (zh) 一种基于光谱数据的铁矿含量测量方法及系统
CN107884360B (zh) 一种卷烟纸助燃剂检测方法
CN104596974A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶填充值的方法
Peng et al. SPXY sample classification method and successive projections algorithm combined with near-infrared spectroscopy for the determination of total sugar content of southern xinjiang jujube

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
GR01 Patent grant
GR01 Patent grant