CN112284268A - 一种路面积水厚度测量方法及测量系统 - Google Patents
一种路面积水厚度测量方法及测量系统 Download PDFInfo
- Publication number
- CN112284268A CN112284268A CN202011112887.5A CN202011112887A CN112284268A CN 112284268 A CN112284268 A CN 112284268A CN 202011112887 A CN202011112887 A CN 202011112887A CN 112284268 A CN112284268 A CN 112284268A
- Authority
- CN
- China
- Prior art keywords
- background
- data
- road surface
- thickness
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
- G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种路面积水厚度测量方法及测量系统,采用太阳光作为光源,采集两块本底600‑1150nm波段的反射光谱数据,利用不同路面和不同积水厚度的反射比不同,及通过两块本底光谱数据的比较消除光源强弱的干扰,最后使用预处理后的比值数据判断路面状况。本发明可实时采集600‑1150nm波段的光谱曲线,对比强吸收和强反射方式的单点光谱采集方式,准确率更高、稳定性更好,可广泛用于光谱分析领域。
Description
(一)技术领域
本发明涉及一种路面积水厚度测量方法及测量系统,可用于多种路面的积水厚度的实时监测与测量,属于路面状况监控技术领域。
(二)背景技术
路面传感器在公路气象系统中起着重要的作用,对特定路面、桥梁、问题路段、机场、高速公路等,全天候、方便、快速、准确的提供路面积水状况信息。当路面存在不同厚度的积水时,道路安全指数是不一样的,故对路面积水状况的监控,及时地采取正确的措施,可以大大提高公路交通的安全性。经过国内外几十年的研究与发展,路面积水状况测量的方法主要分为接触式和非接触式两种。其中常见的接触式传感器测量原理主要有光学法、热学法、电学法、机械法等。非接触式主要有近红外成像式和近红外单点主动式等。
由于道路上的条件相对恶劣,存在较多的不稳定因素(噪音、强光等),路面情况不尽相同,现有的积水厚度测量方法存在以下缺点:
红外遥测式路面积水厚度测量技术,利用特定的红外光照射路面,根据反射得到的光谱中的三个特征波长判定路面积水状况,再根据三个波长对应的吸光度去计算不同路面状况的积水厚度。该技术能够精准的测量出积水的厚度,但是需要使用特定的红外光,成本较高、易受其他杂散光的干扰,且计算中使用到的干信号难以标定。
基于光纤的水膜厚度检测技术,该技术能够精确的测出被测物表面的水膜厚度,可达到微米级的精度,但只能测1mm以下的水膜厚度;且光纤检测系统需要采用特定的光源,不可避免地会受到外界环境杂光的污染,以及光源功率波动、反射表面性质以及光纤光强损耗和弯曲损耗等因素带来的影响。
基于微电极的水膜厚度测量技术,该传感器测量精度较高,工艺相对简单,造价低廉,但响应时间较长,易受到环境温度的影响,且分辨率不高为6mm,存在电极腐蚀以及传感器直接与空气和水接触,易受到污染的因素,从而影响测量的准确性。且需要安装在路面下,安装麻烦,容易导致安装引起的交通干扰。
机械式积水监测技术,磁致伸缩振筒式工作可靠、强度高、性能稳定,但是一般要把传感器安置在与路面齐平的位置,但传感器本身属于比较脆弱的仪器,且道路环境相对恶劣,故传感器易被过往车辆或一些不确定因素损坏。
本发明公开了一种路面积水厚度测量方法及测量系统,用于解决路面积水厚度测量难度较大的问题,该方法直接采用太阳光作为照射光源,且采用了光通道结构,可减少外界杂光的影响,该方法还采用BP神经网络作为计算模型,故可使测量结果精度较高,为该方法设计的测量系统易于实现和安装,操作也相对简便。且该测量装置可广泛用于光谱分析领域中。
(三)发明内容
本发明的目的是提供一种路面积水厚度测量方法及测量系统,用于解决路面积水厚度测量难度较大,现有的测量装置容易受外界强光、杂光影响,不能广泛使用各种公路的问题。
本发明的目的是这样实现的:
平行于路面放置被测本底A,平行于路面放置干燥本底B,光通道A和B近距离对准本底,并与本底成45°角以传输本底表面的反射光;利用传感器和采集板采集两种本底表面在检测光源照射下的反射光线;比较本底A反射光谱数据和本底B反射光谱数据,并进行数据的预处理和控制字的调整,后对处理后的光谱波段进行分段处理,再结合BP神经网络,对其进行训练,最终得到路面积水厚度的测量结果。
路面积水厚度测量方法中,平行于路面放置被测本底A,平行于路面放置干燥本底B,采用太阳光照射在两块本底上,通过搭建的光通道传输反射光,后由传感器和采集板接收采集。
进一步,取采集到的光谱数据中的最大值,将最大值和限值进行一个比较,由于采集板上使用的是16位AD,所以转换后的光谱值最大为65536,故可设定光谱强度的上限值为60000,即当最大值大于上限值60000时,表明光源强度过强,故需要减少积分时间控制字,由于传感器暗电流的存在以及为了增强光谱数据的区分度,光谱强度的下限值不应低于15000,故当最大值小于15000时,表明光源强度过弱,需要增积分时间控制字,当最大值处于15000-60000之间时,表明光源强度合适,应保持积分时间控制字不变。
进一步,将采集到的光谱数据依次进行1阶3次51点SG卷积平滑求导,多元散射校正,3阶5次21点SG卷积平滑求导,进行滤波和平滑处理,随后将本地A的光谱数据和本底B的光谱数据进行一个比较,得到相对光谱数据,防止了光源强弱变化的干扰,为了增加区分度,对比较后的值做乘100的处理。
进一步,将预处理后的光谱数据,进行分段处理,由于在可见光波段,0.1-10cm范围内的积水对光的反射率大体一致,且吸光系数也都比较小,但当本底路面改变时,可见光波段的光谱信息的会明显变化,而在近红外波段,在0.1-10cm范围内积水对光的反射率区分度很明显,不同厚度的积水其对应的反射光谱信息有明显的区别,故可将光谱波段分为600-850nm和850-1150nm两个波段。
进一步,大量采集不同路面积水时光谱数据,取600-850nm波段的光谱数据,其中的80%作为训练集,20%作为测试集,用训练集对BP神经网络进行训练,测试集用来测试网络的结果,及对网络训练过程中的状态进行观测。最终得到一个可以识别不同路面的神经网络。
进一步,大量采集同一路面不同积水厚度时的光谱数据,取850-1150nm波段的光谱数据,其中的80%作为训练集,20%作为测试集,用训练集对BP神经网络进行训练,测试集用来测试网络的结果,及对网络训练过程中的状态进行观测。最终得到一个可以测量不同积水厚度的神经网络。
进一步,测量方法中用到的神经网络由全连接层组成,包括输入层、1层隐藏层和输出层。采用两个网络,一个输入层为124神经元,另一个为132个神经元,都代表相对反射光谱数据的值,隐藏层都为9个神经元,输出层分别为路面反射率和路面积水厚度输出。
进一步,全连接层中每一层之间的激活函数采用PReLu激活函数。PReLU是ReLU的改进型,在负数区域,PReLU有很小的斜率,避免了ReLU激活函数导致某些神经元失效的问题。
进一步,神经网络采用的是Adam优化器,其实现简单,计算高效,对内存需求少,且参数的更新不受梯度的伸缩变换影响,很适合应用于大规模的数据及参数的场景,Adam优化器在很多情况下算作默认工作性能比较优秀的优化器。
进一步,对于被测路面,先利用神经网络进行路面种类的判断,根据判断后的信息,选择对应的积水厚度测量网络进行路面积水厚度的测量。
本发明还提供了一种路面积水厚度测量系统,包括:本底A、本底B、光通道A、光通道B、A本底对应的传感器与采集板、B本底对应的传感器与采集板、检测光源、数据处理器、和显示器;所述采集板均与数据处理器连接;所述检测光源用于照射本底A表面和本底B表面,使两块本底表面反射光线;所述本底A和B都与路面平行放置;所述光通道A和B对准本底,并与本底成45°角;所述A本底对应的传感器与采集板用于采集光通道A传输的反射光谱数据;所述B本底对应的传感器与采集板采集光通道B传输的反射光谱数据;所述数据处理器用于对本底A的反射光谱数据和本底B的反射光谱数据进行比较以消除光源强弱的干扰,并进行预处理,随后将预处理后的值输入到神经网络,以得到路面积水厚度的测量结果,并将所述的测量结果传输到显示器。
本发明具有以下的优点和效果:
(1)对比基于微电极的水膜厚度测量技术、机械式积水监测技术,本发明的测量方法和系统测量路面积水厚度的方式属于遥测非接触式,所以避免了对路面的破坏,且安装方便。
(2)对比基于光纤的水膜厚度检测技术、红外遥测式路面积水厚度测量技术,本发明的系统不采用造价昂贵的高精度激光发射器,设备简单,适合量产,且直接采用太阳光和光通道,故尽量的避免了杂散光的干扰,适用于各种路段积水厚度的测量,同时采集600-1150nm波段的光谱曲线,对比强吸收和强反射方式的单点光谱采集方式,准确定更高、稳定性更好。
(四)附图说明
图1是本发明一种路面积水厚度测量方法的流程图。
图2是本发明一种路面积水厚度测量系统的结构示意图,1为被测路面本底A,2为干燥路面本底B,4、5为本底A、B的光通道,6、7为本底A、B对应的传感器,8、9为本底A、B的光谱采集板,3为检测光源,10为数据处理器、11为显示器。
图3是不同水膜厚度各个波段的反射光谱图。
图4是本发明所设计的神经网络图,由全连接层组成,包括输入层、一层隐藏层和输出层。
(五)具体实施方式
下面结合附图和具体的实施例来进一步阐述本发明。
如图2所示,本实施例提供的一种路面积水厚度测量方法,包括如下步骤:
本实例预设计的一种路面积水厚度测量的器件结构如图2所示,1是平行于地面放置被测本底A,2平行于地面放置进行比对的干燥路面B,A、B本底表面反射太阳光照射下的反射光线,自制光通道4和5近距离对准本底,并与本底成45°角,以减少非反射光的干扰。
6和7两个传感器分别于对应的本底成45°的夹角,并与本底相距20-30cm的距离,使得两个传感器能够准确的接收对应本底的光谱信息。
两个传感器将光谱信息转换为电信号,利用8和9两个FPGA采集板将传感器得到的数据进行采集,放大,模数转换处理。
将采集板采集到的的数据传输给10数据处理器,然后将两个本底的光谱信息进行一个比较,最终得到路面的相对反射光谱,然后根据路面相对反射光谱来采用相应的计算模型得到最终的路面积水厚度,并将结果在11显示器上显示。
本次计算模型采用的是BP神经网络模型如图4所示,整个网络的输入是相对反射光谱的值,然后输入的数据代入PReLU激活函数进行运算,加入非线性因素,网络按照这种方式一层一层进行传递。该神经网络的学习过程即为求均方误差最小值的过程,网络通过计算之后会得到一个预测值,该预测值与标签值进行误差计算,然后将误差反向传递到前面各层神经网络,进行权值的优化。
具体的,本实施例中采用的光源为太阳光,所使用光谱响应范围是600nm-1150nm,本底A和本底B尺寸完全相同,且本底B一直保持干燥以及不变,然后将光源以相同亮度照射到本底A和本底B上。
由于光源会有强弱的变化,故可将本底A的光谱数据除本底B的光谱数据以抵消光源强弱的变化,且可增强本底A光谱信息的对比性,提高后续神经网络的运算效率。
在采集路面积水的光谱信息时,因积水路面的反射率是由本底路面以及积水表面的反射率组成,故光谱不仅会受到积水厚度的影响,还会受到路面的影响,所以在处理光谱信息时需要考虑不同路面的影响,进行一个分类测量。
由图3可知,在可见光波段,在0.1-10cm范围内积水对光的反射率大体一致,且吸光系数也都比较小,但当本底路面改变时,会引起可见光波段的光谱信息的明显变化,故可利用600-850nm波段的光谱信息和神经网络相结合的方式计算路面的反射率以区分路面。
由图3可知,在近红外波段,在0.1-10cm范围内积水对光的反射率区分度很明显,不同厚度的积水其对应的反射光谱信息有明显的区别,因此在保持路面不变的情况下,取每次1mm变化的积水路面在850-1150nm波段的光谱信息,后通过BP神经网络算法处理,计算出路面的积水厚度。由于当路面积水厚度高于20mm的值时,路面的摩擦系数不再发在明显变化,故本方法主要用于测量0-20mm间的积水厚度,本实施例中,比较反射光谱数据A和反射光谱数据B,得到路面积水厚度的方法,具体包括以下步骤:
光源照射在本底A和本底B上,通过A、B本底传感器和采集板分别采集A本底和B本底上600nm—1150nm波段的光谱数据,并取600-850nm波段光谱数据作为区分路面的依据,共124数据点;取850nm-1150nm波段的光谱数据作为积水厚度测量的依据,共132个数据点。
对反射光谱数据A和反射光谱数据B进行预处理,对采集到的反射光谱数据A和反射光谱数据B进行10次相加求平均,然后采用多元散射校正、1阶5次21点SG和3阶5次21点SG卷积平滑求导对光谱数据进行去噪、平滑处理。
用预处理后的反射光谱数据A除以预处理后的反射光谱数据B,得到不受光源强度影响的相对反射光谱数据,为能够更方便的观察,本实施例中将相对反射值放大100倍得到f,根据放大后f的光谱波形结合神经网络,区分路面信息,测量路面积水厚度。
本实施例中,训练BP神经网络,以得到BP神经网络分类模型的方法包括如下步骤:
由于水的反射率在0.2-0.3之间,常见路面的反射率都低于0.5,故积水路面的反射率不会超过0.5,即可认为积水路面反射率在0.1-0.5之间;则以0.05的反射率变化作为路面区分依据,故可分为8类。
具体的,训练识别路面的神经网络时,取反射率在上诉8类中的常用路面以及一块干燥的本底,先取一种路面,在路面上按1mm的水厚间隔在A路面上加水至20mm,并测量对应的反射率以及每种厚度都采集10次光谱波形求取平均。
每种路面可得到A本底和B本底的40组光谱数据,对得到的光谱数据进行预处理,后用A本底的光谱数据除B本底的光谱数据得到20组相对光谱数据。
重复[0047]、[0048]步骤,直至所有的被测路面数据采集完成,随后取600-850nm光谱波段的124个数据点用作BP神经网络的输入,路面的反射率做神经网络的输出,其中的80%作为训练集,20%作为测试集,用训练集对BP神经网络进行训练,测试集用来测试网络的结果,及对网络训练过程中的状态进行观测,得到路面识别的BP神经网络模型。
训练完区分路面的神经网络后,取其中的一种路面来做积水厚度的测量,具体步骤如下:
将路面按1mm的间隔增加路面积水,每次积水厚度采集十次后求取平均得到平均光谱波形,共采10组。
可采集得到400组光谱数据,对得到的光谱数据进行预处理,后用A本底的光谱数据除B本底的光谱数据得到200组相对光谱数据。
其中的80%作为训练集,20%作为测试集,利用850-1150nm波段的132个数据点做BP神经网络的输入,训练神经网络,将测试样本数据输入训练后的BP神经网络模型进行验证,得到测量积水厚度的BP神经网络模型。
重复[0051]、[0052]、[0053]步骤得到不同路面的积水厚度测量模型;
最终可以根据被测路面600-850nm光谱波段的124个数据点识别是哪一种路面,据此判断使用哪一种路面的积水厚度测量模型,通过该方法可以精确的测量不同路面的积水厚度。
Claims (10)
1.一种路面积水厚度测量方法。其特征是:平行于路面放置被测本底A,平行于路面放置干燥本底B,利用传感器和采集板采集两种本底表面在检测光源照射下的反射光线;比较本底A反射光谱数据和本底B反射光谱数据,并进行数据的预处理和控制字的调整,后对处理后的光谱波段进行分段处理,再结合BP神经网络,对其进行训练,最终得到路面积水厚度的测量结果。
2.根据权利要求1所述的一种路面积水厚度测量方法。其特征在于:所述检测光源为太阳光。
3.根据权利要求1所述的光谱波段的分段处理。其特征在于:所采集到的波段在600-1150nm之间,并将该波段分成600-850nm和850-1150nm两个波段进行处理。
4.根据权利要求1所述的数据的预处理。其特征在于:先对本底A和本底B的光谱数据进行一个比较得到相对光谱数据,以抵消光源强弱的干扰,再利用多元散射校正、1阶5次21点和3阶5次21点SG卷积平滑求导相结合的方式对光谱数据进行去噪、平滑预处理,并且还需要根据光谱值来调整积分时间控制字,来防止光谱饱和情况的发生。
5.根据权利要求4所述的积分时间控制字的调整。其特征在于:根据采集到的光谱数据,设置当最大光谱值大于60000时,就减小控制字,当最大值小于15000时,就增大控制字;最终达到根据光源强弱自动调整控制字以防止饱和情况的发生。
6.根据权利要求1所述的神经网络。其特征是:神经网络由全连接层组成,包括输入层、1层隐藏层和输出层。其中,输入层分124个和132个神经元,都代表相对反射光谱数据的值,隐藏层含有9个神经元,输出层分路面反射率和路面积水厚度两种输出,其输出厚度的范围由具体测量范围而定。
7.根据权利要求6所述的神经网络。其特征是:每一层之间的激活函数采用PReLu激活函数,其作用是修正数据分布,在该神经网络中采用的是Adam优化器,其实现简单,计算高效,对内存需求少,且参数的更新不受梯度的伸缩变换影响,很适合应用于大规模的数据及参数的场景。
8.根据权利要求7所述的神经网络。其特征在于:训练该神经网络,以得到所述BP神经网络分类模型的方法,可通过大量采集不同路面情况下带有1mm-20mm水量和同等光照强度下本底B的反射光谱样本数据,对本底A的反射光谱样本数据和本底B的反射光谱样本数据进行预处理;后两本底相除得到相对反射光谱,再利用相对反射光谱训练神经网络。
9.根据权利要求2所述的一种路面积水厚度测量方法。其特征在于:先利用神经网络识别出不同的路面,训练好同一路面情况下的积水厚度测量网络,后利用神经网络识别出的路面信息选择对应路面的积水厚度测量网络;最终测量出不同路面的积水厚度。
10.一种路面积水厚度测量系统。其特征在于,包括:本底A、本底B、光通道A、光通道B、A本底对应的传感器与采集板、B本底对应的传感器与采集板、检测光源、数据处理器、和显示器;所述两块采集板均与数据处理器连接;所述检测光源用于照射本底A表面和本底B表面,使两块本底表面反射光线;所述本底A和B都与路面平行放置;所述光通道A和B对准本底,并与本底成45°角;所述A本底对应的传感器与采集板用于采集光通道A传输的反射光谱数据;所述B本底对应的传感器与采集板采集光通道B传输的反射光谱数据;所述数据处理器用于对本底A的反射光谱数据和本底B的反射光谱数据进行比较以消除光源强弱的干扰,并进行预处理,随后将预处理后的值输入到神经网络,以得到路面积水厚度的测量结果,并将所述的测量结果传输到显示器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112887.5A CN112284268A (zh) | 2020-10-16 | 2020-10-16 | 一种路面积水厚度测量方法及测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011112887.5A CN112284268A (zh) | 2020-10-16 | 2020-10-16 | 一种路面积水厚度测量方法及测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112284268A true CN112284268A (zh) | 2021-01-29 |
Family
ID=74497488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011112887.5A Pending CN112284268A (zh) | 2020-10-16 | 2020-10-16 | 一种路面积水厚度测量方法及测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284268A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767454A (zh) * | 2016-12-02 | 2017-05-31 | 大连海事大学 | 一种基于光谱反射率特征的水面油膜厚度测量系统及方法 |
CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
CN111587478A (zh) * | 2018-06-28 | 2020-08-25 | 应用材料公司 | 用于光谱监测的机器学习系统的训练光谱产生 |
CN111597751A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
CN111644975A (zh) * | 2019-03-04 | 2020-09-11 | 株式会社荏原制作所 | 研磨方法及研磨装置 |
-
2020
- 2020-10-16 CN CN202011112887.5A patent/CN112284268A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767454A (zh) * | 2016-12-02 | 2017-05-31 | 大连海事大学 | 一种基于光谱反射率特征的水面油膜厚度测量系统及方法 |
CN111587478A (zh) * | 2018-06-28 | 2020-08-25 | 应用材料公司 | 用于光谱监测的机器学习系统的训练光谱产生 |
CN111644975A (zh) * | 2019-03-04 | 2020-09-11 | 株式会社荏原制作所 | 研磨方法及研磨装置 |
CN110108655A (zh) * | 2019-05-23 | 2019-08-09 | 桂林电子科技大学 | 一种道路路面状况检测方法及检测系统 |
CN111597751A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展深度置信网络的原油油膜绝对厚度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672805A (zh) | 一种基于航空高光谱数据的水库水质参数定量反演方法 | |
CN101101265B (zh) | 输变电设备外绝缘等值附灰密度测量方法及装置 | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
CN104176088B (zh) | 一种非接触式弓网燃弧能量检测方法及系统 | |
CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
CN103175805B (zh) | 一种近红外光谱测定污水中cod和bod5指标的方法 | |
CN106644097B (zh) | 一种高精度非接触式路面温度测量装置及其测量方法 | |
CN101949825B (zh) | 光开放环境下的叶片水分近红外无损检测装置及方法 | |
CN103776529A (zh) | 一种可实时补偿的台式激光功率计及其补偿方法 | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
CN110108655B (zh) | 一种道路路面状况检测方法及检测系统 | |
CN101074926A (zh) | 可见和近红外光谱的植物叶片或冠层灰霉病诊断方法与系统 | |
CN108827915B (zh) | 一种基于光电传感阵列测量折射率的亚像素位置获取方法 | |
CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
CN108333085B (zh) | 一种具有电容及颜色补偿的光电式垂线含沙量检测方法 | |
CN113917564A (zh) | 多参数分析遥感式路面气象状况检测仪及检测方法 | |
CN112284268A (zh) | 一种路面积水厚度测量方法及测量系统 | |
CN103558177B (zh) | 生肉组织水分近红外检测装置及检测方法 | |
CN114577360B (zh) | 一种拉曼测温雷达信号自动分析校准及反演方法 | |
CN113804595B (zh) | 一种多参数空气质量监测系统 | |
CN105158171A (zh) | 作物氮素传感器光谱定标方法 | |
CN114994069A (zh) | 基于高光谱的绝缘子污秽成分和含量的检测方法及系统 | |
CN110715929B (zh) | 一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法 | |
CN106871865A (zh) | 基于分布式光纤光栅传感器网络的变电站沉降监测系统 | |
CN110108659A (zh) | 一种基于近红外反射式土壤湿度测量装置及其检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210129 |