CN111639763B - 一种液压油污染度的检测模型训练方法、检测方法及装置 - Google Patents
一种液压油污染度的检测模型训练方法、检测方法及装置 Download PDFInfo
- Publication number
- CN111639763B CN111639763B CN202010494166.9A CN202010494166A CN111639763B CN 111639763 B CN111639763 B CN 111639763B CN 202010494166 A CN202010494166 A CN 202010494166A CN 111639763 B CN111639763 B CN 111639763B
- Authority
- CN
- China
- Prior art keywords
- hydraulic oil
- absorption intensity
- sample
- detection model
- pollution degree
- 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
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
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)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种液压油污染度的检测模型训练方法、检测方法及装置,其中,该方法包括:通过采用不同污染度的液压油样本,获取对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,从而在实际操作中,对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中被检测液压油未发生任何变化,因此可以再次回收利用,减少资源浪费。
Description
技术领域
本申请涉及液压油检测技术领域,具体而言,涉及一种液压油污染度的检测模型训练方法、检测方法及装置。
背景技术
液压油是一种利用液体压力能的液压系统使用的液压介质,在液压系统中起着能量传递、抗磨、系统润滑、防腐、防锈、冷却等作用。由于液压油在整个液压系统中扮演着至关重要的角色,所以,液压油一旦被污染液压系统极易出现很多故障,影响正常工作。
由于液压油的重要性,故而需要经常对液压油进行污染度检测。目前液压油检测的方法主要为化学方法,即获取样本液压油之后,利用特定种类的化学检测试剂,对样本液压油进行检测。但是,上述液压油检测方法,整个过程耗时较长、过程繁琐,且无法回收样本液压油,造成一定程度的浪费。此外,由于化学检测试剂种类的局限性,造成检测精度较低。
发明内容
有鉴于此,本申请实施例的目的在于提供液压油污染度的检测模型训练方法、检测方法及装置,通过采用不同污染度的液压油样本及对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,从而对液压油的污染度进行检测,极大地提高了对于液压油污染度的检测精度,加快了液压油污染度的检测效率。
第一方面,本申请实施例提供了一种液压油污染度的检测模型训练方法,所述检测模型训练方法包括:
获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;
从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
一种可选实施方式中,所述获取液压油原始样本,包括:
获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度;
对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
一种可选实施方式中,所述从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,包括:
基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
一种可选实施方式中,所述基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性,包括:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
一种可选实施方式中,所述检测模型训练方法,还包括:
选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
基于所述检测模型的验证集,对训练好模型参数的检测模型进行验证,得到验证结果;
基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
第二方面,本申请实施例还提供一种液压油污染度的检测方法,基于第一方面所述液压油污染度的检测模型,所述检测方法包括:
获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
第三方面,本申请实施例还提供一种液压油污染度的检测模型训练装置,所述检测模型训练装置包括:
第一获取模块,用于获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;
第一选取模块,用于从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
训练模块,用于将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
一种可选实施方式中,所述第一获取模块,在获取液压油原始样本时,具体用于:
获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度;
对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
一种可选实施方式中,所述第一选取模块,包括:
确定单元,用于基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
提取单元,用于基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
一种可选实施方式中,所述确定单元,在基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性时,具体用于:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
一种可选实施方式中,所述检测模型训练装置,还包括:
第二选取模块,用于选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
验证模块,用于基于所述检测模型的验证集,对训练好模型参数的检测模型进行验证,得到验证结果;
调整模块,用于基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
第四方面,本申请实施例还提供一种液压油污染度的检测装置,所述检测装置包括:
第二获取模块,用于获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
第三选取模块,用于从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
检测模块,用于将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
第五方面,本申请实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面、或第一方面中任一种可能的实施方式中的步骤。
第六方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面、或第一方面中任一种可能的实施方式中的步骤。
第七方面,本申请实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第二方面、或第二方面中任一种可能的实施方式中的步骤。
第八方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第二方面、或第二方面中任一种可能的实施方式中的步骤。
本申请实施例提供一种液压油污染度的检测模型训练方法、检测方法及装置,通过采用不同污染度的液压油样本,获取对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,从而在实际操作中,对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中被检测液压油未发生任何变化,因此可以再次回收利用,减少资源浪费。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种液压油污染度的检测模型训练方法的流程图;
图2示出了本申请实施例所提供的一种液压油污染度的检测模型训练方法中,液压油原始样本获取具体方法的流程图;
图3示出了本申请实施例所提供的一种液压油污染度的检测模型训练方法中,选取目标光谱波段具体方法的流程图;
图4示出了本申请实施例所提供的一种液压油污染度的检测模型训练方法中,检测模型验证具体方法的流程图;
图5示出了本申请实施例所提供的一种液压油污染度的检测方法的流程图;
图6示出了本申请实施例所提供的一种液压油污染度的检测模型训练装置的示意图;
图7示出了本申请实施例所提供的一种液压油污染度的检测模型训练装置中,第一选取模块的具体示意图;
图8示出了本申请实施例所提供的另一种液压油污染度的检测模型训练装置的示意图;
图9示出了本申请实施例所提供的一种液压油污染度的检测装置的示意图;
图10示出了本申请实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术中,液压油检测的方法主要为化学方法,即获取样本液压油之后,利用特定种类的化学检测试剂,对样本液压油进行检测。但是,上述液压油检测方法,整个过程耗时较长、过程繁琐,且无法回收样本液压油,造成一定程度的浪费。此外,由于化学检测试剂种类的局限性,造成检测精度较低。
本申请实施例提供一种液压油污染度的检测模型训练方法、检测方法及装置,通过采用不同污染度的液压油样本,获取对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,从而在实际操作中,对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中被检测液压油未发生任何变化,因此可以再次回收利用,减少资源浪费。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案,都应该是发明人在本申请过程中对本申请做出的贡献。
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本公开实施例所提供的液压油污染度的检测模型训练方法、检测方法的执行主体一般为具有一定计算能力的计算机设备,该计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该液压油污染度的检测模型训练方法、检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
下面以执行主体为服务器为例对本公开实施例提供的液压油污染度的检测模型训练方法、检测方法加以说明。
实施例一
参见图1所示,为本申请实施例一提供的一种液压油污染度的检测模型训练方法的流程图,所述检测模型训练方法包括步骤S101~S103,其中:
S101:获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;
S102:从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
S103:将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
本申请实施例提供了一种液压油污染度的检测模型训练方法,通过采用不同污染度的液压油样本,获取对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,使得能够在实际操作中,利用该液压油污染度的检测模型对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中液压油样本未发生任何变化,因此可以再次进行回收利用,减少资源浪费。
下面分别对上述S101~S103分别加以详细说明。
一:在上述S101中,获取对应不同污染度的多个液压油原始样本,其中,每个液压油原始样本中包括多个光谱波段分别对应的光谱吸收强度特征。
具体的,多个光谱波段分别对应的光谱吸收强度特征具体表示为:通过目标光谱,对每个液压油原始样本进行光谱扫描,而获取的对应不同光谱波段的光谱吸收强度数据。
示例性的,可以采用太赫兹(Tera Hertz,THz)时域光谱对每个液压油原始样本进行光谱扫描。太赫兹时域光谱技术的基本原理是利用飞秒脉冲产生并探测时间分辨的太赫兹电场,通过傅里叶变换获得被测物品的光谱信息,进而可以通过光谱信息对物质结构、特性等进行分析和鉴定。由于太赫兹能量很小,不会对物质产生破坏作用,所以与传统射线相比更具有优势。
示例性的,利用太赫兹时域光谱对每个液压油原始样本进行光谱扫描的具体流程可以为:选取频率为0到4Thz的太赫兹时域光谱,并以3.8千兆赫兹(GHz)为分辨率,将整个太赫兹时域光谱分成1049个波段,并利用上述1049个频段分别对每个液压油原始样本进行光谱扫描,得到对应每个液压油原始样本的1049个对应不同波段的光谱吸收强度数据。
此外,为了提高液压油原始样本的准确性,还可以对采用大量的液压油原始样本。
示例性的,针对同一液压油污染度,选取若干个液压油原始样本。例如,人工制备污染度分别为10%,20%,30%,40%,50%,60%,70%,80%,90%,100%的10个污染度等级的液压油原始样本,并针对每一种污染度等级选取100-200个液压油原始样本,这样,就得到了1000-2000个液压油原始样本。
参见图2所示,为本申请实施例一提供的一种液压油污染度的检测模型训练方法中,液压油原始样本获取具体方法的流程图。针对大量的液压油原始样本,其数据处理过程包括步骤S1011~S1012,其中:
S1011:获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度。
S1012:对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
下面分别对上述S1011~S1012分别加以详细说明。
在上述S1011中,基于每个液压油原始样本的对应不同波段的光谱吸收强度数据,将其连接成曲线,并对每条所述光谱吸收强度曲线进行平滑处理。
示例性的,对光谱吸收强度曲线的平滑处理过程可以采用最小二乘平滑滤波(Savitzky-Golay,S-G)方法,该方法是一种在时域内基于局域多项式最小二乘法拟合的滤波方法,可以在滤除噪声的同时确保信号的形状、宽度不变,被广泛地运用于数据流平滑除噪过程。
通过对每条所述光谱吸收强度曲线进行平滑处理可以有效地去除多个光谱波段分别对应的光谱吸收强度特征中的、由于测量误差等造成的异常数据,提高了光谱吸收强度特征数据的准确性。
在上述S1012中,对进行平滑处理后的多条光谱吸收强度曲线拟合为一条光谱吸收强度曲线,作为该污染度对应的液压油原始样本。
示例性的,若10%污染度等级的液压油原始样本数量为100个,那么就可以将这100个经过平滑处理之后的光谱吸收强度曲线拟合为一条光谱吸收强度曲线,作为10%污染度等级对应的液压油原始样本。
通过该步骤,可以进一步地提高针对某一污染度等级的液压油原始样本的准确性,有利于后续的样本训练过程。
二:在上述S102中,基于步骤S101中获取的液压油原始样本,从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,并将选取的目标光谱波段对应的目标光谱吸收强度特征作为液压油训练样本。其中,液压油训练样本中包括所述目标光谱吸收强度特征和所述污染度。
参见图3所示,为本申请实施例一提供的一种液压油污染度的检测模型训练方法中,选取目标光谱波段具体方法的流程图,包括步骤S1021~S1022,其中:
S1021:基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
S1022:基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
下面分别对上述S1021~S1022分别加以详细说明。
在上述S1021中,针对一液压油原始样本,其确定各光谱波段与所述液压油原始样本污染度的相关性的方法包括:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
示例性的,可以利用竞争性自适应重加权(Competitive adaptive reweightingalgorithm,CARS)算法,该算法是通过自适应度重加权采样(Adaptive reweightedsampling,ARS)技术选择出偏最小二乘法(Partial least squares,PLS)模型中回归系数绝对值大的波长点,去除回归系数绝对值小的波长点,并利用交互验证选择出交互验证均方根误差(root mean square error of cross validaton,RMSECV)值最低的波长点,可有效寻找出最优波长点。
具体的,基于各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度,计算出两者之间的回归系数,并基于该回归系数,确定出各光谱波段与所述液压油原始样本污染度的相关性。
在上述S1022中,基于上述确定的所述各光谱波段与所述液压油原始样本污染度的相关性,确定目标光谱波段。
示例性的,可以选取所述各光谱波段与所述液压油原始样本污染度的相关性最高的光谱波段为目标光谱波段,也可以选取所述各光谱波段与所述液压油原始样本污染度的相关性最高前10个的光谱波段为目标光谱波段,也可以选取所述各光谱波段与所述液压油原始样本污染度的相关性高于预设相关性标准的光谱波段为目标光谱波段。
在确定目标光谱波段之后,提取出与所述目标光谱波段对应的目标光谱吸收强度特征,连同液压油原始样本的污染度一起,作为液压油训练样本。
通过以上步骤,可以减少训练模型过程中的样本数据量,此外,由于选取的为相关性满足预设要求的目标光谱吸收强度特征,可以去除掉一些不相关或是相关性较低的数据,增强训练模型过程中的样本相关度,提高训练模型的准确性。
三:在上述S103中,基于步骤S102中获取的液压油训练样本,将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
具体的,将液压油训练样本中的目标光谱吸收强度特征输入至检测模型中,得到对应目标光谱吸收强度特征的污染度预测值,将该污染度预测值与真实的污染度数值进行对照,并训练所述测模型的模型参数,直至污染度预测值与真实的污染度数值相匹配,得到包括训练好的模型参数的检测模型。
参见图4所示,为本申请实施例一提供的一种液压油污染度的检测模型训练方法中,检测模型验证具体方法的流程图,包括步骤S401~S402,其中:
S401:选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
S402:基于所述检测模型的验证集,对训练好模型参数的检测模型进行验证,得到验证结果;
S403:基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
下面分别对上述S1021~S1022分别加以详细说明。
在上述S401中,可以额外选取一部分液压油原始样本作为检测模型的验证集,也可以通过样本集自动划分方法,选取液压油原始样本中的一部分样本作为检测模型的验证集。
在上述S402中,基于选取的检测模型的验证集,对已经训练好模型参数的检测模型进行验证,并获得对应的验证结果。
具体的,将验证集中的液压油原始样本中的目标光谱波段对应的目标光谱吸收强度特征作为输入,验证该验证集中的液压油原始样本中的污染度与通过检测模型得出的污染度是否相匹配,并得到验证结果。
在上述S402中,基于上述获得的验证结果,判断是否对检测模型进行进一步的优化处理。
示例性的,若所述验证结果为验证集中的液压油原始样本中的污染度与通过检测模型得出的污染度相匹配,则无需再次对检测模型进行调整,直接将该检测模型作为最终的检测模型。
若所述验证结果为验证集中的液压油原始样本中的污染度与通过检测模型得出的污染度不匹配,则需要再次对检测模型进行调整,即基于验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型,作为最终的检测模型。
在本申请实施例中,由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中被检测液压油未发生任何变化,因此可以再次回收利用,减少资源浪费。
基于同一发明构思,本申请实施例中还提供了与液压油污染度的检测模型训练方法对应的液压油污染度的检测模型装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述液压油污染度的检测模型训练方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
实施例二
参见图5所示,为本申请实施例二提供的一种液压油污染度的检测方法的流程图,所述检测方法包括步骤S501~S503,其中:
S501:获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
S502:从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
S503:将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
本申请实施例提供了一种液压油污染度的检测方法,获取待检测液压油样本,并通过利用训练好的液压油污染度的检测模型对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中液压油样本未发生任何变化,因此可以再次进行回收利用,减少资源浪费。
下面分别对上述S501~S503分别加以详细说明。
其中,步骤S501~S502与上述步骤S101~S102的方法相似,重复之处不再赘述。
在上述S503中,将经过数据处理过程得到的待检测液压油样本输入至上述实施例一中训练得到的液压油污染度的检测模型中,便可以得到所述待检测液压油样本的检测结果,即待检测液压油样本的污染度。
基于同一发明构思,本申请实施例中还提供了与液压油污染度的检测方法对应的液压油污染度的检测装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述液压油污染度的检测方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
实施例三
参照图6所示,为本申请实施例三提供的一种液压油污染度的检测模型训练装置600的示意图,该检测模型训练装置600包括:第一获取模块610、第一选取模块620以及训练模块630,其中:
所述第一获取模块610,用于获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;
所述第一选取模块620,用于从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
所述训练模块630,用于将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本申请实施例提供了一种液压油污染度的检测模型训练装置600,通过采用不同污染度的液压油样本,获取对应的光谱吸收强度曲线数据,训练得到液压油污染度的检测模型,使得能够在实际操作中,利用该液压油污染度的检测模型对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中液压油样本未发生任何变化,因此可以再次进行回收利用,减少资源浪费。
一种可能的实施方式中,所述第一获取模块610,在获取液压油原始样本时,具体用于:
获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度;
对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
请参阅图7,图7为本申请实施例三所提供的一种液压油污染度的检测模型训练装置600中,第一选取模块620的具体示意图。
一种可能的实施方式中,所述第一选取模块620,包括:
确定单元621,用于基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
提取单元622,用于基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
一种可能的实施方式中,所述确定单元621,在基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性时,具体用于:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
请参阅图8,图8为本申请实施例所提供的另一种液压油污染度的检测模型训练装置600的示意图。
一种可能的实施方式中,所述检测模型训练装置600,还包括:
第二选取模块640,用于选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
验证模块650,用于基于所述检测模型的验证集,对训练好模型参数的检测模型进行验证,得到验证结果;
调整模块660,用于基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
实施例四
参照图9所示,为本申请实施例四提供的一种液压油污染度的检测装置900的示意图,该检测装置900包括:第二获取模块910、第三选取模块920以及检测模块930,其中:
第二获取模块910,用于获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
第三选取模块920,用于从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
检测模块930,用于将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本申请实施例提供了一种液压油污染度的检测装置900,获取待检测液压油样本,并通过利用训练好的液压油污染度的检测模型对液压油的污染度进行检测。由于光谱检测的高精度,极大地提高了对于液压油的污染度的检测精度,加快检测速度。同时由于整个过程中液压油样本未发生任何变化,因此可以再次进行回收利用,减少资源浪费。
实施例五
对应于图10中的液压油污染度的检测模型训练方法,本申请实施例还提供了一种计算机设备100,如图10所示,为本申请实施例提供的计算机设备100结构示意图,包括:
处理器11、存储器12、和总线13;存储器12用于存储执行指令,包括内存121和外部存储器122;这里的内存121也称内存储器,用于暂时存放处理器11中的运算数据,以及与硬盘等外部存储器122交换的数据,处理器11通过内存121与外部存储器122进行数据交换,当所述计算机设备100运行时,所述处理器11与所述存储器12之间通过总线13通信,使得所述处理器11通过终端设备在用户态执行以下指令:
获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;
从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
一种可能的实施方式中,处理器11执行的指令中,所述获取液压油原始样本,包括:
获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度;
对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
一种可能的实施方式中,处理器11执行的指令中,所述从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,包括:
基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
一种可能的实施方式中,处理器11执行的指令中,所述基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性,包括:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
一种可能的实施方式中,处理器11执行的指令中,所述检测模型训练方法,还包括:
选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
基于所述检测模型的验证集,对训练好模型参数的检测模型进行验证,得到验证结果;
基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的液压油污染度的检测模型训练方法的步骤。
本申请实施例所提供的液压油污染度的检测模型训练方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的液压油污染度的检测模型训练方法的步骤,具体可参见上述方法实施例,在此不再赘述。
实施例六
对应于图2中的液压油污染度的检测方法,本申请实施例还提供了一种计算机设备100,如图10所示,为本申请实施例提供的计算机设备100结构示意图,包括:
处理器11、存储器12、和总线13;存储器12用于存储执行指令,包括内存121和外部存储器122;这里的内存121也称内存储器,用于暂时存放处理器11中的运算数据,以及与硬盘等外部存储器122交换的数据,处理器11通过内存121与外部存储器122进行数据交换,当所述计算机设备100运行时,所述处理器11与所述存储器12之间通过总线13通信,使得所述处理器11通过终端设备在用户态执行以下指令:
获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的液压油污染度的检测方法的步骤。
本申请实施例所提供的液压油污染度的检测方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述的液压油污染度的检测方法的步骤,具体可参见上述方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种液压油污染度的检测模型训练方法,其特征在于,所述检测模型训练方法包括:
获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;所述获取液压油原始样本,包括:针对同一液压油污染度选取若干个液压油原始样本;
从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
2.根据权利要求1所述的液压油污染度的检测模型训练方法,其特征在于,所述获取液压油原始样本,包括:
获取所述液压油对应的多条光谱吸收强度曲线,并对每条所述光谱吸收强度曲线进行平滑处理;其中,每条光谱吸收强度曲线中包括液压油在多个光谱波段分别对应的光谱吸收强度特征,多条光谱吸收强度曲线对应同一污染度;
对进行平滑处理后的多条光谱吸收强度曲线进行拟合处理,得到所述液压油原始样本。
3.根据权利要求1所述的液压油污染度的检测模型训练方法,其特征在于,所述从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,包括:
基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性;
基于所述各光谱波段与所述液压油原始样本污染度的相关性,确定至少一个目标光谱波段,并提取出与所述目标光谱波段对应的目标光谱吸收强度特征。
4.根据权利要求3所述的液压油污染度的检测模型训练方法,其特征在于,所述基于所述液压油原始样本,确定各光谱波段与所述液压油原始样本污染度的相关性,包括:
计算各光谱波段对应的目标光谱吸收强度特征、与所述液压油原始样本污染度之间的回归系数;
基于所述回归系数,确定各光谱波段与所述液压油原始样本污染度的相关性。
5.根据权利要求1所述的液压油污染度的检测模型训练方法,其特征在于,所述检测模型训练方法,还包括:
选取所述液压油原始样本中的部分液压油原始样本作为所述检测模型的验证集;
基于所述检测模型的验证集,对所述训练好模型参数的检测模型进行验证,得到验证结果;
基于所述验证结果,对所述训练好模型参数的检测模型中的超参数进行调整,得到优化后的检测模型。
6.一种液压油污染度的检测方法,其特征在于,基于权利要求1-5任意一项的所述液压油污染度的检测模型,所述检测方法包括:
获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
7.一种液压油污染度的检测模型训练装置,其特征在于,所述检测模型训练装置包括:
第一获取模块,用于获取液压油原始样本,其中,所述液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征以及污染度;所述获取液压油原始样本,包括:针对同一液压油污染度选取若干个液压油原始样本;
第一选取模块,用于从所述液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征和所述污染度的多个液压油训练样本;
训练模块,用于将所述液压油训练样本中的目标光谱吸收强度特征作为检测模型的输入,根据所述检测模型基于输入的目标光谱吸收强度特征的输出结果和所述目标光谱吸收强度特征对应的污染度,训练所述测模型的模型参数,直至得到包括训练好的模型参数的检测模型。
8.一种液压油污染度的检测装置,其特征在于,所述检测装置包括:
第二获取模块,用于获取待检测液压油原始样本,其中,所述待检测液压油原始样本包括多个光谱波段分别对应的光谱吸收强度特征;
第三选取模块,用于从所述待检测液压油原始样本中选取目标光谱波段对应的目标光谱吸收强度特征,得到包括所述目标光谱吸收强度特征的多个待检测液压油样本;
检测模块,用于将所述待检测液压油样本输入至所述液压油污染度的检测模型中,得到所述待检测液压油样本的检测结果;其中,所述检测结果包括所述待检测液压油样本的污染度。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的液压油污染度的检测模型训练方法的步骤,或者,执行如权利要求6所述的液压油污染度的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一项所述的液压油污染度的检测模型训练方法的步骤,或者,执行如权利要求6所述的液压油污染度的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494166.9A CN111639763B (zh) | 2020-06-03 | 2020-06-03 | 一种液压油污染度的检测模型训练方法、检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494166.9A CN111639763B (zh) | 2020-06-03 | 2020-06-03 | 一种液压油污染度的检测模型训练方法、检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639763A CN111639763A (zh) | 2020-09-08 |
CN111639763B true CN111639763B (zh) | 2023-08-11 |
Family
ID=72330577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010494166.9A Active CN111639763B (zh) | 2020-06-03 | 2020-06-03 | 一种液压油污染度的检测模型训练方法、检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639763B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257690B (zh) * | 2020-12-21 | 2021-07-13 | 航天宏图信息技术股份有限公司 | 一种重金属污染评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
CN109883981A (zh) * | 2019-02-26 | 2019-06-14 | 浙江大学 | 一种基于太赫兹光谱技术的土壤原油污染程度的检测方法 |
CN110987853A (zh) * | 2019-11-08 | 2020-04-10 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤铅污染程度预测方法及装置 |
-
2020
- 2020-06-03 CN CN202010494166.9A patent/CN111639763B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
CN109883981A (zh) * | 2019-02-26 | 2019-06-14 | 浙江大学 | 一种基于太赫兹光谱技术的土壤原油污染程度的检测方法 |
CN110987853A (zh) * | 2019-11-08 | 2020-04-10 | 北京农业信息技术研究中心 | 基于太赫兹光谱的土壤铅污染程度预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111639763A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Time-frequency representation based on robust local mean decomposition for multicomponent AM-FM signal analysis | |
CN110068544B (zh) | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 | |
CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN112129741B (zh) | 绝缘油老化分析方法、装置、计算机设备和存储介质 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
Sun et al. | A two-stage method for bearing fault detection using graph similarity evaluation | |
CN112666084A (zh) | 一种基于拉曼光谱的sf6分解特征组分检测的降噪方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN111639763B (zh) | 一种液压油污染度的检测模型训练方法、检测方法及装置 | |
CN102305792B (zh) | 基于非线性偏最小二乘优化模型的森林碳汇遥感估算方法 | |
CN111089856A (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
CN103018178A (zh) | 基于局部保持投影的红外光谱仪校准方法 | |
CN103868858B (zh) | 一种确定盐渍土主导盐分光谱响应最佳波段的方法 | |
CN115728259A (zh) | 一种多组分气体分析方法 | |
CN102542284B (zh) | 辨识光谱的方法 | |
CN112994741B (zh) | 跳频信号参数测量方法、装置和电子设备 | |
CN104062008A (zh) | 一种考虑整体度量的实测光谱曲线中异常光谱的剔除方法 | |
CN113297722A (zh) | 滨海土壤盐分评估方法及系统 | |
Xie et al. | Quantitative analysis of steel samples by laser-induced-breakdown spectroscopy with wavelet-packet-based relevance vector machines | |
Yan et al. | Mutual Information‐Assisted Wavelet Function Selection for Enhanced Rolling Bearing Fault Diagnosis | |
Hu et al. | A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition | |
CN114783538A (zh) | 一种煤炭灰分预测方法及装置 | |
CN113740293B (zh) | 基于近红外建模的尿素检测分析方法及装置 | |
CN111504908A (zh) | 一种基于光声光谱的岩石类型识别方法及系统 |
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 |