CN112098340A - 基于高光谱成像技术的绿松石鉴别方法及流水线工艺 - Google Patents

基于高光谱成像技术的绿松石鉴别方法及流水线工艺 Download PDF

Info

Publication number
CN112098340A
CN112098340A CN202010774452.0A CN202010774452A CN112098340A CN 112098340 A CN112098340 A CN 112098340A CN 202010774452 A CN202010774452 A CN 202010774452A CN 112098340 A CN112098340 A CN 112098340A
Authority
CN
China
Prior art keywords
turquoise
hyperspectral imaging
samples
correlation coefficient
image data
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
Application number
CN202010774452.0A
Other languages
English (en)
Inventor
吴金泉
王戬
熊伟
林兆祥
冯欣
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202010774452.0A priority Critical patent/CN112098340A/zh
Publication of CN112098340A publication Critical patent/CN112098340A/zh
Pending legal-status Critical Current

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
    • G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N21/13—Moving of cuvettes or solid samples to or from the investigating station
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0118—Apparatus with remote processing
    • G01N2021/0137—Apparatus with remote processing with PC or the like
    • 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
    • G01N2021/1765—Method using an image detector and processing of image signal

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于高光谱成像技术的绿松石鉴别方法，包括：建立不同绿松石样品与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数数据库；计算未知绿松石与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数，根据相关系数鉴别未知绿松石；本发明还公开了一种基于高光谱成像技术的绿松石鉴别流水线工艺。本发明减少样品的预处理流程，可以鉴定出未知绿松石的真伪以及绿松石的优化处理方式，可实现绿松石的流水线检测，为大批量筛选绿松石提供理论技术基础。

Description

基于高光谱成像技术的绿松石鉴别方法及流水线工艺
技术领域
本发明涉及宝石鉴定技术领域。更具体地说，本发明涉及一种基于高光谱成像技术的绿松石鉴别方法及流水线工艺。
背景技术
绿松石是我国四大名玉之一，历史悠久，具有深厚的文化内涵和较高的收藏价值、药用价值。在传统的民族医药中，绿松石作为具有代表性的一种金属矿物在传统的民族医药起着重要作用。近几年来随着绿松石的价格的日益上涨，伴随而来的是各种仿制以及优化处理技术，为绿松石的真伪检测带来了新的困难，也为绿松石的入药增添了新的风险。
由于每种原子都有自己的特征谱线，目前市场上流行的绿松石检测方法主要包括宝石学常规测试、傅里叶红外光谱仪、显微激光拉曼光谱仪、紫外-可见分光光度计等方法，基于光谱分析原理，根据光谱来鉴别物质和确定它的化学组成。宝石学常规测试是采用薄片观察、电子探针、折射仪等测试手段，对其样品的矿物学、宝石学等特征进行检测，从而获得样品的成分信息。许雅婷、杨明星采用宝石学常规测试、傅里叶红外光谱仪、显微激光拉曼光谱仪、紫外-可见分光光度计等方法测试了几种用于绿松石充填的胶水材料及对应处理后的安徽绿松石样品，得出了待测绿松石样品的相对密度、胶水材料的红外光谱和拉曼光谱中的振动峰、绿松石与胶水材料在紫外-可见分光谱范围内各自的吸收带。
利用传统的宝石学常规测试、傅里叶红外光谱、显微激光拉曼光谱、紫外-可见分光光谱等方法虽然可以检测出处理过的绿松石样品的差异，但是所用的光学技术的光谱范围窄，设备昂贵，较难获取样品的空间信息，且样品的预处理过程复杂，需要对样品进行切片、研磨、粉碎等处理，流程复杂、耗时长，无法做到对样品的原味大批量检测，对人员的专业水平要求较高。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于高光谱成像技术的绿松石鉴别方法，可以鉴定出未知绿松石的真伪以及绿松石的优化处理方式。本方法减少了样品的预处理流程，能够做到样品的大批量检测，且对检测人员的专业技能要求较小，为批量筛选绿松石提供了理论技术基础。
为了实现根据本发明的这些目的和其它优点，提供了一种基于高光谱成像技术的绿松石鉴别方法，包括：
建立不同绿松石样品与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数数据库；
计算未知绿松石与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数，根据相关系数鉴别未知绿松石。
优选的是，鉴别未知绿松石的具体方法为：比对未知绿松石在x3～x4nm范围的相关系数，若相关系数在a1～a2之间，则判断出未知绿松石为伪品，若相关系数在a2～a3之间，则判断出未知绿松石不是伪品，继续比对x5～x6nm范围的相关系数，其中，x1≤x3≤x5＜x6≤x4≤x2。
优选的是，不同绿松石样品包括天然绿松石、假绿松石、沁胶过蜡绿松石、过蜡绿松石。
优选的是，相关系数数据库的获取步骤为：获取x1～x2nm范围内不同绿松石样品和标准绿松石样品的高光谱成像光谱图；利用ENVI软件提取并导出不同绿松石样品和标准绿松石样品的高光谱成像光谱图像数据；求不同绿松石样品与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数。
优选的是，相关系数的计算公式为：
Figure BDA0002617870510000021
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，X分别为不同绿松石样品和未知绿松石的高光谱成像光谱图像数据，Y为标准绿松石样品的高光谱成像光谱图像数据。
优选的是，高光谱成像光谱图像数据通过高光谱成像光谱仪检测的高光谱成像光谱图得到。
优选的是，高光谱成像光谱仪在检测时，待测绿松石的反射光通过物镜收集并通过入射狭缝增强，再通过准直透镜照射到分光透镜上，经分光透镜在垂直方向按光谱色散，经成像透镜后成像在图像传感器上。
优选的是，ENVI软件导出的高光谱成像光谱图像数据分别为不同绿松石样品和标准绿松石样品表面颜色均匀的蓝绿色区域的光谱数据。
还提供一种基于高光谱成像技术的绿松石鉴别流水线工艺，基于高光谱成像技术的绿松石鉴别方法进行鉴别。
还提供一种基于高光谱成像技术的绿松石鉴别流水线工艺，包括：
将待检测绿松石通过传送带送入到成像区域内；
当光电探测器检测到有待检测绿松石进入成像区域内时，计算机发送指令到电机控制器令传送带停止运动，待检测绿松石在该区域内受到稳定光源的照射；
计算机发送指令，利用高光谱成像相机拍照，采集待检测绿松石的高光谱图像；
采集完后的图像数据传入计算机，同时计算机发送指令到电机控制器令传送带恢复运动，并利用基于高光谱成像技术鉴别绿松石的分析方法鉴定矿石；
机械手根据计算机的鉴定结果移至矿石分类区域内，被处理过的绿松石和伪绿松石分拣到分类盒中，经分拣后合格的绿松石将经由传送带送入下一加工环节。
本发明至少包括以下有益效果：
本方法采用的是x1～x2nm范围内的光源以及光谱仪，设备的成本低；
本方法采用的是在高光谱成像光谱图的基础上，求各绿松石样品光谱的相关系数，通过比较相关系数，即可分辨出绿松石样品的真伪以及做过何种处理，方法简单，可靠性强；
本方法减少了样品的预处理流程，可以将样品放置在检测系统输送带上，直接利用高光谱成像光谱仪对样品进行检测，工艺简单，对检测人员的专业技能要求低，可实现原味大批量、快速、实时的检测目的，为采用流水线筛选绿松石提供了理论技术基础。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个实施例的高光谱数据结构图；
图2为本发明其中一个实施例的高光谱成像光谱仪的原理图；
图3为本发明其中一个实施例的不同绿松石样品的高光谱成像光谱图；
图4为本发明其中一个实施例的不同绿松石样品在400～1000nm范围内的相关系数；
图5为本发明其中一个实施例的不同绿松石样品在400～600nm范围内的相关系数；
图6为本发明其中一个实施例提供的鉴别绿松石的流水线工艺。
图中示例为，待测绿松石1，物镜2，入射狭缝3，准直透镜4，分光透镜5，成像透镜6，图像传感器7；
图6示例为，传送带8，待检测绿松石9，稳定光源10，高光谱成像相机11，计算机12，机械手13，分类盒14，电机控制器15，虚线区域为成像区域16，虚线区域为矿石分类区域17，光电探测器18。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。
面对现阶段绿松石检测所面临的问题，本发明基于光谱分析思想，由于真假绿松石的内部成分不同，做过优化处理的绿松石的表面以及内部会有不同的物质成分，而每种物质都有自己的光谱特征谱线，根据所采集的光谱信息，即可有效的确定光谱所对应的物质成分。但常规的光谱技术所用的光谱范围较窄，样品的处理流程复杂，且难以获取被检测样品的空间信息。因此具有超多波段(上百个波段)、光谱范围广(200～2500nm)和图谱合一等特点的高光谱技术可用于区分绿松石。
高光谱成像技术是指具有高光谱分辨率的遥感科学和技术，借助高光谱成像光谱仪，能在紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据，为每个像元提供数十至数百个窄波段(通常波段宽度<10nm)光谱信息，能产生一条完整而连续的光谱曲线。光谱相机的成像光谱仪使用一个准直(轴上)光学构造和一个体全息透射光栅。这种构造提供了高衍射效率和很好的线性光谱。全息光栅是密封的，可以承受相当大的湿度、温度范围在-20～120℃、物理撞击和振动。
由于高光谱技术是采用的连续波长，且可获得丰富的图像信息，因此对绿松石可以做到原味、无损、在线、实时检测。
本发明提供一种基于高光谱成像技术的绿松石鉴别方法，包括以下步骤：
(1)首先利用高光谱成像光谱仪检测市场上常见的天然绿松石、假绿松石、沁胶过蜡绿松石、过蜡绿松石，获得400～1000nm范围内不同绿松石样品的高光谱成像光谱数据，同时也获取标准绿松石样品在400～1000nm范围内不同绿松石样品的高光谱成像光谱数据，本方法中，标准绿松石样品采用天然绿松石样品。
在进行样品检测时，成像光谱仪每次成目标上一条线的像，并分光使每个光谱成分对应线阵上的一个像素点。因此，每一幅来自光谱相机的图像结构包括一个维度(空间轴)上的线阵像素和在另一个维度(光谱轴)上的光谱分布(光在光谱元素的强度)，如图1所示。
具体的成像过程为：高光谱成像光谱仪如图2所示，待测绿松石1的反射光通过物镜1收集并通过入射狭缝3增强，通过准直透镜4照射到分光透镜上，经分光透镜5在垂直方向按光谱色散，经成像透镜6后成像在图像传感器7上。水平方向平行于入射狭缝3，称空间维，每一行水平光敏元上是一个光谱波段的像；垂直方向是色散方向，称光谱维，每一列光敏元上是一个空间采样视场(像元)光谱色散的像。这样，面阵探测器每帧图像数据就是一个水平方向的光谱数据。每次成一个水平方向的上的像后，在检测系统输送带前进的过程中，排列的探测器扫出一条带状轨迹从而完成纵向扫描。位移平台的运动以一定速率连续记录光谱图像，综合横纵扫描信息就可以得到样品的三维高光谱图像数据。
(2)利用ENVI软件提取不同绿松石样品和标准绿松石样品的高光谱成像光谱图，并导出相关数据。由于绿松石的有效成分以及具有观赏价值的区域为绿松石的蓝绿色区域，品质越高的绿松石，其蓝绿色分布越均匀。因此对于采集到的绿松石的三维高光谱图像数据，我们利用专业的ENVI软件导出样品表面颜色均匀的蓝绿色区域的光谱，即可代表绿松石的光谱。
(3)基于各绿松石样品的高光谱成像光谱，求不同绿松石样品在400～1000nm和400～600nm范围内光谱的相关系数。相关系数的计算公式为：
Figure BDA0002617870510000051
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。本方法中X分别为不同绿松石样品的高光谱成像光谱图像数据，Y为标准绿松石样品的高光谱成像光谱图像数据。
(4)建立不同绿松石样品的相关系数数据库。
(5)导出的光谱即代表着样品中各物质在该范围内的光谱谱线，通过比较不同绿松石与标准绿松石光谱之间的相关系数，区分出不同的绿松石。而相关系数是研究变量之间线性相关程度的量，因此可利用相关系数法区分出不同的绿松石。
检测未知的绿松石样品时，先采集待测样品的高光谱成像光谱图，按照样品高光谱成像光谱图像数据的采集规则，导出感兴趣区域的高光谱成像光谱图像数据。
计算感兴趣区域的未知绿松石样品与标准绿松石样品在400～1000nm范围内的相关系数，根据相关系数的大小，判断该样品是否是伪品。若相关系数为负数或在0～0.2之间，则判断出该样品为伪品，且不计算400～600nm范围的相关系数。若相关系数在0.2～1之间，则判断出该样品不是伪品，且计算400～600nm范围的相关系数。
比较该样品在400～600nm范围内与相关系数数据库中不同绿松石样品的相关系数。若相关系数在0.2～0.7之间，则判断出该样品为过蜡样品。若相关系数在0.7～1之间，则判断出该样品为天然样品。若相关系数小于0.2，则判断出该样品为沁胶过蜡样品。
如图3所示，图3中各曲线分别为天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品、假绿松石样品在400～1000nm范围内的高光谱成像光谱图。从图3中可以看出，在400～1000nm范围内，假绿松石的光谱与其他绿松石样品的光谱存在明显不同，可作为区分的依据。在400～600nm范围内的天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品的光谱也存在不同，也可作为进一步区分的依据。
图4中各点分别为天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品、假绿松石样品与天然绿松石样品在400～1000nm范围内的高光谱成像光谱图像数据的相关系数。在400～1000nm范围内，假绿松石样品和天然绿松石样品呈现负相关，其余样品与天然绿松石的相关性都在0.8以上。
图5中各点分别为天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品、假绿松石样品与标准绿松石样品在400～600nm范围内的高光谱成像光谱图像数据的相关系数。从图5中可以看到在400～600nm范围内天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品与标准绿松石样品的相关系数，沁胶过蜡绿松石样品与标准绿松石样品呈现负相关，过蜡绿松石样品与标准绿松石样品的相关系数在0.5以下。
通过比较在400～1000nm范围内，与在400～600nm范围内，天然绿松石样品、沁胶过蜡绿松石样品、过蜡绿松石样品、假绿松石样品与标准绿松石样品的相关系数，即可区分出各样品的真伪与所做的处理。
本发明还提供一种基于高光谱成像技术的绿松石鉴别流水线工艺，利用基于高光谱成像技术的绿松石鉴别方法进行鉴别。图6为基于高光谱成像技术的绿松石鉴别流水线示意图。图中，传送带8，待检测矿石9，稳定光源10，高光谱成像相机11，计算机12，机械手13，分类盒14，电机控制器15，虚线区域为成像区域16，虚线区域为矿石分类区域17，光电探测器18。
电机控制器15，控制传送带的运行速度，将待检测绿松石9通过传送带8送入到成像区域16内。当光电探测器18检测到有待检测绿松石9进入成像区域16内时，计算机12发送指令到电机控制器15令传送带8停止运动，待检测绿松石9在该区域内受到稳定光源10的照射。计算机12发送指令，利用高光谱成像相机11拍照，采集待检测绿松石9的高光谱图像。采集完后的图像数据传入计算机12，同时计算机12发送指令到电机控制器15令传送带8恢复运动，并利用基于高光谱成像技术鉴别绿松石的分析方法鉴定矿石。机械手13根据计算机12的鉴定结果移至矿石分类区域17内，被处理过的绿松石和伪绿松石分拣到分类盒14中。经分拣后合格的绿松石将经由传送带8送入下一阶段的加工环节。当前操作结束后，继续如上操作。
基于高光谱成像技术鉴别绿松石的方法还可以应用到其他玉石，如和田玉、翡翠、琥珀、玉髓、青金石等，先采集各种玉石及处理过的玉石的高光谱成像光谱图像，利用ENVI软件提取高光谱成像光谱图像数据，再计算特征图谱范围内数据的相关系数，构建相关系数数据库，再计算待测玉石的相关系数，与相关数据库中的同类玉石的相关系数进行对比，根据相关系数鉴别玉石真假和玉石处理方式。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (9)

1.一种基于高光谱成像技术的绿松石鉴别方法，其特征在于，包括：
建立不同绿松石样品与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数数据库；
计算未知绿松石与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数，根据相关系数鉴别未知绿松石。
2.如权利要求1所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，鉴别未知绿松石的具体方法为：比对未知绿松石在x3～x4nm范围的相关系数，若相关系数在a1～a2之间，则判断出未知绿松石为伪品，若相关系数在a2～a3之间，则判断出未知绿松石不是伪品，继续比对x5～x6nm范围的相关系数，其中，x1≤x3≤x5＜x6≤x4≤x2。
3.如权利要求1所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，相关系数数据库的获取步骤为：
获取x1～x2nm范围内不同绿松石样品和标准绿松石样品的高光谱成像光谱图；
利用ENVI软件提取并导出不同绿松石样品和标准绿松石样品的高光谱成像光谱图像数据；
求不同绿松石样品与标准绿松石样品在x1～x2nm范围内高光谱成像光谱图像数据的相关系数。
4.如权利要求1所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，相关系数的计算公式为：
Figure FDA0002617870500000011
其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，X分别为不同绿松石样品和未知绿松石的高光谱成像光谱图像数据，Y为标准绿松石样品的高光谱成像光谱图像数据。
5.如权利要求1所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，高光谱成像光谱图像数据通过高光谱成像光谱仪检测的高光谱成像光谱图得到。
6.如权利要求5所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，高光谱成像光谱仪在检测时，待测绿松石(1)的反射光通过物镜(2)收集并通过入射狭缝(3)增强，再通过准直透镜(4)照射到分光透镜上，经分光透镜(5)在垂直方向按光谱色散，经成像透镜(6)后成像在图像传感器(7)上。
7.如权利要求3所述的基于高光谱成像技术的绿松石鉴别方法，其特征在于，ENVI软件导出的高光谱成像光谱图像数据分别为不同绿松石样品和标准绿松石样品表面颜色均匀的蓝绿色区域的光谱数据。
8.一种基于高光谱成像技术的绿松石鉴别流水线工艺，其特征在于，利用权利要求1～8任一项基于高光谱成像技术的绿松石鉴别方法进行鉴别。
9.一种基于高光谱成像技术的绿松石鉴别流水线工艺，其特征在于，包括：
将待检测绿松石(9)通过传送带(8)送入到成像区域(16)内；
当光电探测器(18)检测到有待检测绿松石(9)进入成像区域(16)内时，计算机(12)发送指令到电机控制器(15)令传送带(8)停止运动，待检测绿松石(9)在该区域内受到稳定光源(10)的照射；
计算机(12)发送指令，利用高光谱成像相机(11)拍照，采集待检测绿松石(9)的高光谱图像；
采集完后的图像数据传入计算机(12)，同时计算机(12)发送指令到电机控制器(15)令传送带(8)恢复运动，并利用基于高光谱成像技术鉴别绿松石的分析方法鉴定矿石；
机械手(13)根据计算机(12)的鉴定结果移至矿石分类区域(17)内，被处理过的绿松石和伪绿松石分拣到分类盒(14)中，经分拣后合格的绿松石将经由传送带(8)送入下一加工环节。
CN202010774452.0A 2020-08-04 2020-08-04 基于高光谱成像技术的绿松石鉴别方法及流水线工艺 Pending CN112098340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010774452.0A CN112098340A (zh) 2020-08-04 2020-08-04 基于高光谱成像技术的绿松石鉴别方法及流水线工艺

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010774452.0A CN112098340A (zh) 2020-08-04 2020-08-04 基于高光谱成像技术的绿松石鉴别方法及流水线工艺

Publications (1)

Publication Number Publication Date
CN112098340A true CN112098340A (zh) 2020-12-18

Family

ID=73750265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010774452.0A Pending CN112098340A (zh) 2020-08-04 2020-08-04 基于高光谱成像技术的绿松石鉴别方法及流水线工艺

Country Status (1)

Country Link
CN (1) CN112098340A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189124A (zh) * 2021-02-22 2021-07-30 中国地质大学（武汉） 利用硅酸盐加瓷处理绿松石的鉴定方法、系统、介质
CN113533202A (zh) * 2021-06-29 2021-10-22 安徽师范大学 一种高光谱遥感矿物含量定量反演装置
CN114636689A (zh) * 2022-05-23 2022-06-17 武汉七斗光电科技有限公司 基于libs技术的藏药原矿成分定量检测方法和系统
CN115112598A (zh) * 2022-08-23 2022-09-27 国检中心深圳珠宝检验实验室有限公司 一种翡翠自动检测模型的建模方法、模型及检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120140981A1 (en) * 2008-07-17 2012-06-07 Chemlmage Corporation System and Method for Combining Visible and Hyperspectral Imaging with Pattern Recognition Techniques for Improved Detection of Threats
CN108372133A (zh) * 2018-05-16 2018-08-07 江西农业大学 一种高光谱自动水果无损检测分拣装置
CN109916826A (zh) * 2019-02-20 2019-06-21 福建南方路面机械有限公司 一种基于高光谱检测的固废在线识别系统及识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120140981A1 (en) * 2008-07-17 2012-06-07 Chemlmage Corporation System and Method for Combining Visible and Hyperspectral Imaging with Pattern Recognition Techniques for Improved Detection of Threats
CN108372133A (zh) * 2018-05-16 2018-08-07 江西农业大学 一种高光谱自动水果无损检测分拣装置
CN109916826A (zh) * 2019-02-20 2019-06-21 福建南方路面机械有限公司 一种基于高光谱检测的固废在线识别系统及识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUN-TING QIU ET AL.: "Reflectance Spectroscopy Characteristics of Turquoise", 《MINERALS》, vol. 7, no. 1, pages 31 - 10 *
车永飞 等: "矿物光谱特征谱段识别方法与应用", 《科技导报》, vol. 35, no. 4, pages 90 - 93 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189124A (zh) * 2021-02-22 2021-07-30 中国地质大学（武汉） 利用硅酸盐加瓷处理绿松石的鉴定方法、系统、介质
CN113533202A (zh) * 2021-06-29 2021-10-22 安徽师范大学 一种高光谱遥感矿物含量定量反演装置
CN114636689A (zh) * 2022-05-23 2022-06-17 武汉七斗光电科技有限公司 基于libs技术的藏药原矿成分定量检测方法和系统
CN114636689B (zh) * 2022-05-23 2022-08-16 武汉七斗光电科技有限公司 基于libs技术的藏药原矿成分定量检测方法和系统
CN115112598A (zh) * 2022-08-23 2022-09-27 国检中心深圳珠宝检验实验室有限公司 一种翡翠自动检测模型的建模方法、模型及检测方法

Similar Documents

Publication Publication Date Title
CN112098340A (zh) 基于高光谱成像技术的绿松石鉴别方法及流水线工艺
Lohumi et al. Raman imaging from microscopy to macroscopy: quality and safety control of biological materials
ElMasry et al. Principles of hyperspectral imaging technology
Gendrin et al. Pharmaceutical applications of vibrational chemical imaging and chemometrics: a review
Gowen et al. Recent applications of chemical imaging to pharmaceutical process monitoring and quality control
US8953158B2 (en) Grading of agricultural products via hyper spectral imaging and analysis
US7409299B2 (en) Method for identifying components of a mixture via spectral analysis
US7019296B2 (en) Near infrared chemical imaging microscope
CN105842173B (zh) 一种高光谱材质鉴别方法
CN101432606A (zh) 用于组分颗粒分析的光谱方法
Bodkin et al. Snapshot hyperspectral imaging: the hyperpixel array camera
Guedes et al. Pollen Raman spectra database: Application to the identification of airborne pollen
Huck Advances of vibrational spectroscopic methods in phytomics and bioanalysis
CN113008817A (zh) 一种基于高光谱成像技术快速鉴别苦杏仁真伪优劣的方法
US7471386B2 (en) System and method for spectral unmixing in a fiber array spectral translator based polymorph screening system
EP1766350A2 (en) Spectroscopic methods for component particle analysis
Kumar et al. Application of spectroscopic techniques in early detection of fungal plant pathogens
Aqeel et al. Hyperspectral identification of oil adulteration using machine learning techniques
CN109001182A (zh) 封闭容器中酒精含量的拉曼光谱无损测定方法
Pereira et al. Testing the Raman parameters of pollen spectra in automatic identification
Carlsohn et al. Spectral imaging and applications
US8213011B2 (en) Spatial imaging/imaging spectroscopy system and method
Salazar et al. Visible-near infrared spectroscopy to assess soil contaminated with cobalt
Qin et al. Introduction to Raman chemical imaging technology
Sedman et al. Infrared Imaging: principles and practices

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