CN112966726B - 一种基于光谱技术的近海沉积物粒径大小分类方法 - Google Patents
一种基于光谱技术的近海沉积物粒径大小分类方法 Download PDFInfo
- Publication number
- CN112966726B CN112966726B CN202110183500.3A CN202110183500A CN112966726B CN 112966726 B CN112966726 B CN 112966726B CN 202110183500 A CN202110183500 A CN 202110183500A CN 112966726 B CN112966726 B CN 112966726B
- Authority
- CN
- China
- Prior art keywords
- particle size
- offshore
- sediments
- classification
- optimal
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 89
- 239000013049 sediment Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000007499 fusion processing Methods 0.000 claims abstract description 3
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims 8
- 238000004468 VIS-NIR spectroscopy Methods 0.000 claims 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 238000012306 spectroscopic technique Methods 0.000 claims 1
- 238000003921 particle size analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 22
- 230000003595 spectral effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004062 sedimentation Methods 0.000 description 5
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007873 sieving Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005029 sieve analysis Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002371 ultraviolet--visible spectrum Methods 0.000 description 1
- 238000000584 ultraviolet--visible--near infrared spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Immunology (AREA)
- Computer Hardware Design (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Dispersion Chemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明为一种基于光谱技术的近海沉积物粒径大小分类方法，步骤如下：S1.获取不同粒径的近海沉积物样品，采集光谱；S2.将近海沉积物全光谱划分成m个波段，每个波段分别建立近海沉积物粒径模型；S3.从m个近海沉积物粒径模型中选取n个最优模型，采用融合算法进行融合处理，得到最优近海沉积物不同粒径的最优分类结果；S4.将获取的最优模型所用到的n个最优模型及融合算法作为近海沉积物粒径大小分类的模型和方法，用于预测未知近海沉积物的粒径大小。本发明打破原有粒径分析方法，减少了海洋沉积物粒径传统方法测量的时间，快速、无损的实现近海沉积物粒径分类的预测，为寻找沉积物特征波段提供理论基础，为粒径的划分提供了解决方法。
Description
技术领域
本发明属于近海沉积物粒径大小分类领域，具体涉及一种基于光谱技术的近海沉积物粒径大小分类方法。
背景技术
海洋沉积物是水圈、生物圈和岩石圈相互作用的介质和载体，记录了海陆变迁、沉积环境变化等过程的详细信息。沉积物的粒径与沉积物来源、沉积环境有着紧密的关系，是研究沉积物特征和沉积环境常用的方法。因此对近海沉积物不同粒径的分析对研究沉积物有着重要意义。传统粒径的测量技术一般包括直接测量、筛析法、双目显微镜、沉降法和电子显微镜法。其中最常用的为筛析法和沉降法。筛析法是将样品通过不同孔径筛子从粗到细筛分,沉降法的基本原理就是利用颗粒沉降速度来划分粒级分布。随着分析技术的发展，研制出了激光粒度仪，在国内外得到了不断发展和广泛应用虽然此法有了一定的优势，但是与传统的沉降法和筛析法相比往往存在一定的差异。
光谱分析技术是一种快速、简便、无损、绿色的分析技术，具有分析速度快、样品不需要预处理、操作简单等特点，已广泛应用于多个领域。可见-近红外吸收/反射光谱富含大量的物质信息，主要反映样品的O-H、N-H、C-H等有机官能团的种类和数量。不同粒径沉积物含有的信息有所不同，利用可见-近红外光谱特性对沉积物粒径进行分类具有可行性。基于光谱技术的近海沉积物粒径大小也具有快速划分、无损处理、操作简单等优点，因此基于光谱技术的近海沉积物粒径大小分类方法非常有必要。
发明内容
本发明为解决基于光谱技术的近海沉积物粒径大小分类的问题，采用以下述技术方案予以实现：
一种基于光谱技术的近海沉积物粒径大小分类方法，步骤如下：
S1.采集不同粒径的近海沉积物样品，获取其光谱，称为全光谱；
S2.将近海沉积物全光谱划分成m个波段，每个波段分别建立近海沉积物粒径模型，共m个近海沉积物粒径模型；
S3.从m个近海沉积物粒径模型中选取n个最优模型，其中3≤n＜m，将n个最优模型的分类结果采用融合算法进行融合处理，得到最优近海沉积物不同粒径的最优分类结果；
S4.将获取的最优模型所用到的n个最优模型及融合算法作为近海沉积物粒径大小分类的模型和方法，用于预测未知近海沉积物的粒径大小。
进一步的，步骤S1、S2中，采用紫外-可见-近红外光谱、或紫外-可见光谱、或可见-近红外光谱、或近红外光谱数据中的任意一种。
进一步的，步骤S2中，全光谱划分m个波段的方法可采用顺序截取波段，如全波段为200-1100nm，m＝5，选取的m个波段分别为200-400nm，401-600nm，501-700nm，701-900nm，901-1100nm；也可采用波长提取算法按照波长相关性顺序选取m个波段，也可根据专家经验划分m个波段，其中每个波段可为不连续性波段，也可为连续波段；波长提取算法如遗传算法、连续投影算法等算法；
进一步的，步骤S2中，建立近海沉积物粒径模型采用深度学习、支持向量机、AdaBoost分类算法，可采用其中一种分类算法或多种分类算法进行建立模型。
进一步的，步骤S3中，从m个近海沉积物粒径模型中选取n个最优模型的标准是根据粒径分类正确率。正确率是分类正确的样本数除以所有的样本数，正确率越高，粒径模型越好，正确最高的前n个即为n个最优模型。
进一步的，步骤S3中，融合算法可采用投票法、加权贝叶斯投票法联用融合方法(Weighted-voting and Bayesian and Voting method，WBV)等方法，投票法是常规融合方法，WBVM为本专利中提出的新的融合算法。WBV方法是先将各模型分类结果通过加权投票法、贝叶斯方法、投票法三种融合方法分别计算出对应的三个融合结果，再将三个融合结果通过投票法计算出最终的最优分类结果。具体步骤公式如下：
S31.计算投票法分类结果result1
设Ai(i＝1，2，…，p)为近海沉积物所属不同粒径的类别，共分为p个粒径类别，Bj(j＝1，2，…，n)为n个最优模型的分类结果，x为Bj的一个样本，投票法公式如下：
取E(x)值为判别的粒径类别，即为result1。
S32.计算贝叶斯方法分类结果result2
设Ai为近海沉积物所属不同粒径的类别，共分为p个粒径类别，B1，B2，…，Bn为n个最优模型的分类结果，贝叶斯概率公式如下：
取P(Ai|B1∩B2∩…∩Bn)值最大的Ai为判别的粒径类别，即为result2。
S33.计算加权投票法分类结果result3
B1，B2，…，Bn为n个最优模型的分类结果，P1，P2，…，Pn为n个最优模型的分类
准确率，权值αj计算公式如下：
result3＝α1B1+α2B2+…+αnBn
S34.计算最优分类结果fihal_result
将result1，result2，result3通过S31所述的投票法二次进行融合，得到的融合结果即为最优分类结果final_result。
有益效果
发明开创性的将光谱技术应用于近海沉积物粒径分析中，旨在快速、准确的划分不同粒径的海洋沉积物。通过光谱技术的引用，找到能够表征近海沉积物粒径特性的特征波长，建立不同粒径的各波段分类模型，再将最优几个模型分类结果进行融合，推荐出最终粒径分类结果，从而实现沉积物不同粒径之间的快速划分。本发明打破原有粒径分析方法，减少了海洋沉积物粒径传统方法测量的时间，降低成本，节省人力物力，快速、无损的实现近海沉积物粒径分类的预测，为寻找沉积物特征波段提供理论基础，为粒径的划分提供了解决方法。
附图说明
图1：一种基于光谱技术的近海沉积物粒径大小分类方法流程图；
图2：不同粒径近海沉积物反射光谱图；
图3：步骤S34投票法二次进行融合示意图。
具体实施方式
结合附图1-3和具体实施方式对本发明的技术方案作进一步详细的说明：一种基于光谱技术的近海沉积物粒径大小分类方法，以基于可见近红外光谱对不同粒径近海沉积物划分为例，包括下列步骤：
S1.采集近海沉积物样品并获取全光谱；
采样地点位于青岛市东大洋村潮间带，共采集32份沉积物样品。把采集到的沉积物样品放在实验室风干，破碎，低温烘干后研磨，将得到颗粒较小的样本，全部通过0.3mm筛。把研磨过后的样品进行筛分，分别过0.2mm、0.1mm、0.075mm三层筛子，对应得到[0.3-0.2mm]、(0.2-0.1mm]、(0.1-0.075mm]和＜0.075mm四组不同粒径的沉积物样品。
使用海洋光学QE65000光谱仪搭配DH-2000-BAL型光谱采集样品的反射光谱，光谱采样间隔为1nm，积分时间600ms，谱区范围200-1100nm，光谱仪和光源通过Y型光纤(QR400-7-UV-VIS)连接，Y型光纤探头依靠支架(RPH-1)固定，将样品放在自制样品盒中，探测样品的反射光谱(图2)。自制样品盒的大小、长度与探头支架一样，样品盒上有两个球形样品室，样品室的位置和直径同支架的探头孔重合。每个样品测定5次光谱反射率，取平均值作为该样品的反射光谱。根据以上步骤测定四个不同粒径下32份沉积物反射光谱，共计128条光谱，由于光谱前段和后段受噪声影响，因此去掉前段和后段光谱，取226-945nm波段光谱，如图2所示。
S2.划分近海沉积物样品不同波段光谱；
由于沉积物成分的复杂性，很难找到其特征波长。因此，对整个光谱带进行了粗略的划分。沉积物的光谱带每100nm分为8组。即226-325nm、326-425nm、426-525nm、526-625nm、626-725nm、726-825nm、826-925nm和926-975nm。
S3.建立各波段近海沉积物粒径模型；
首先对这9种不同谱带的光谱数据进行归一化处理，然后利用支持向量机建立四种粒径类型的分类模型。随机选取32个沉积物样品作为建模集和验证集，用于建立和验证分类模型。四组不同粒径下的32个沉积物样品共计为128个样本。校准集和验证集的比例分别为1∶1(64个建模集样本，64个验证集样本)采用等距离随机选取校准样品。粒径间采样顺序依次为[0.3-0.2mm]、(0.2-0.1mm]、(0.1-0.075mm]和＜0.075mm。不同粒径各波段分类结果如表1所示。
表1近海沉积物粒径各波段建模集和检验集的分类结果
S41.选取3个最优波段模型；
由表1，近海沉积物粒径分类正确率最高的三个依次为光谱波段926-975nm、226-325nm和826-925nm。因此将这三个光谱波段作为最优波段模型，采用改进投票法融合三个模型得结果，得到最终分类结果。926-975nm、226-325nm、826-925nm和融合后分类结果检验集对应的[0.3-0.2mm]、(0.2-0.1mm]、(0.1-0.075mm]和＜0.075mm各粒径正确率和总体正确率见表2。
表2四个粒径和总体分类结果
由表2，融合结果的总体正确率、[0.3-0.2mm]粒径，(0.2-0.1mm]粒径、(0.1-0.075mm]和＜0.075mm粒径的分类结果均达到了三个波段(926-975nm波段、226-325nm波段、826-925nm波段)中的最优分类正确率，因此该方法提高了近海沉积物粒径分类的准确性。
S42.预测未知近海沉积物的粒径大小；
同一海域取27个海洋沉积物样品，划分为[0.3-0.2mm]、(0.2-0.1mm]、(0.1-0.075mm]和＜0.075mm四个范围的粒径，共计108个样品。通过上述方法预测该样本，总体准确率为89.81％，[0.3-0.2mm]、(0.2-0.1mm]、(0.1-0.075mm]和＜0.075mm准确率依次为96.30％、88.89％、77.78％、96.30％。
图2不同粒径近海沉积物的光谱曲线。
实施例仅说明本发明的技术方案，而非对其进行任何限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于，包括以下步骤：
S1.采集不同粒径的近海沉积物样品，获取其光谱，称为全光谱；
S2.将近海沉积物全光谱划分成m个波段，每个波段分别建立近海沉积物粒径模型，共m个近海沉积物粒径模型；
S3.从m个近海沉积物粒径模型中选取n个最优模型，其中3≤n＜m，将n个最优模型的分类结果采用融合算法进行融合处理，得到最优近海沉积物不同粒径的最优分类结果；
融合算法具体步骤为，S31.计算投票法分类结果result1；S32.计算贝叶斯方法分类结果result2；S33.计算加权投票法分类结果result3；S34.计算最优分类结果fihal_result，将result1，result2，result3通过步骤S31所述的投票法二次进行融合，得到的融合结果即为最优分类结果final_result；
S4.将获取的最优模型所用到的n个最优模型以及融合算法作为近海沉积物粒径大小分类的模型和方法，用于预测未知近海沉积物的粒径大小。
2.根据权利要求1所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S1和S2采用紫外-可见-近红外光谱、或紫外-可见光谱、或可见-近红外光谱、或近红外光谱数据。
3.根据权利要求1所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S2全光谱划分m个波段的方法可采用顺序截取波段，也可采用波长提取算法按照波长相关性顺序选取m个波段或根据专家经验划分m个波段，其中每个波段可为不连续性波段，也可以是连续性波段。
4.根据权利要求1所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S2建立近海沉积物粒径模型采用深度学习、支持向量机、AdaBoost分类算法中一种分类算法或多种分类算法进行建立模型。
5.根据权利要求1所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S3从m个近海沉积物粒径模型中选取n个最优模型的标准是根据粒径分类正确率。
6.根据权利要求1所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S31计算投票法分类结果result1具体步骤为，
设Ai(i＝1，2，...，p)为近海沉积物所属不同粒径的类别，共分为p个粒径类别，Bj(j＝1，2，...，n)为n个最优模型的分类结果，x为Bj的一个样本，投票法公式如下：
取E(x)值为判别的粒径类别，即为result1。
7.根据权利要求6所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S32计算贝叶斯方法分类结果result2具体步骤为，
设Ai为近海沉积物所属不同粒径的类别，共分为p个粒径类别，B1，B2，...，Bn为n个最优模型的分类结果，贝叶斯概率公式如下：
取P(Ai|B1∩B2∩...∩Bn)值最大的Ai为判别的粒径类别，即为result2。
8.根据权利要求7所述的一种基于光谱技术的近海沉积物粒径大小分类方法，其特征在于：所述步骤S33计算加权投票法分类结果result3具体步骤为，
B1，B2，...，Bn为n个最优模型的分类结果，P1，P2，...，Pn为n个最优模型的分类准确率，权值αj计算公式如下：
result3＝α1B1+α2B2+…+αnBn。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020108652704 | 2020-08-25 | ||
| CN202010865270 | 2020-08-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966726A CN112966726A (zh) | 2021-06-15 |
| CN112966726B true CN112966726B (zh) | 2022-04-22 |
Family
ID=76284800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110183500.3A Active CN112966726B (zh) | 2020-08-25 | 2021-02-08 | 一种基于光谱技术的近海沉积物粒径大小分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966726B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及系统 |
| CN105092436A (zh) * | 2015-07-31 | 2015-11-25 | 中国石油天然气股份有限公司 | 一种沉积物粒度光谱分析方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136628B (zh) * | 2015-07-31 | 2018-02-02 | 中国石油天然气股份有限公司 | 三角洲沉积遥感探测方法及装置 |
| NO20171749A1 (en) * | 2017-11-03 | 2019-05-06 | Ecotone As | Method and system for underwater hyperspectral imaging of seabed impacts, environmental state or environmental footprint |
| CN108956392B (zh) * | 2018-07-05 | 2020-11-20 | 河海大学 | 一种潮滩沉积物类型的无人机识别方法 |
| CN110261329B (zh) * | 2019-04-29 | 2020-10-09 | 北京航空航天大学 | 一种基于全谱段高光谱遥感数据的矿物识别方法 |
-
2021
- 2021-02-08 CN CN202110183500.3A patent/CN112966726B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及系统 |
| CN105092436A (zh) * | 2015-07-31 | 2015-11-25 | 中国石油天然气股份有限公司 | 一种沉积物粒度光谱分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966726A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karlsson et al. | Comparison between manta trawl and in situ pump filtration methods, and guidance for visual identification of microplastics in surface waters | |
| Bassan et al. | Reflection contributions to the dispersion artefact in FTIR spectra of single biological cells | |
| Dong et al. | Automated analysis of microplastics based on vibrational spectroscopy: are we measuring the same metrics? | |
| Bassan et al. | Large scale infrared imaging of tissue micro arrays (TMAs) using a tunable Quantum Cascade Laser (QCL) based microscope | |
| Cybulski et al. | From voids to Coma: the prevalence of pre-processing in the local Universe | |
| Delwiche et al. | Classification of wheat by visible and near-infrared reflectance from single kernels | |
| CN109211803B (zh) | 一种基于显微多光谱技术对微塑料进行快速识别的装置 | |
| CN107037012B (zh) | 用于激光诱导击穿光谱采集的阶梯光谱仪动态校正方法 | |
| Tuzet et al. | Influence of light-absorbing particles on snow spectral irradiance profiles | |
| JP2014513805A (ja) | 試料に存在する成分を決定するための分光装置と分光法 | |
| 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 | |
| CN108802002B (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
| 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 | |
| Clemens et al. | Quantum cascade laser-based mid-infrared spectrochemical imaging of tissue and biofluids | |
| Goormaghtigh | Infrared imaging in histopathology: is a unified approach possible? | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| CN114399674A (zh) | 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统 | |
| Stramski et al. | Model for separating the contributions of non-algal particles and colored dissolved organic matter to light absorption by seawater | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
| CN114936513A (zh) | 一种提升激光诱导击穿光谱检测精度的方法及系统 | |
| Pavillon et al. | Feature‐based recognition of Surface‐enhanced Raman spectra for biological targets | |
| CN112966726B (zh) | 一种基于光谱技术的近海沉积物粒径大小分类方法 | |
| Wang et al. | Predicting organic matter content, total nitrogen and ph value of lime concretion black soil based on visible and near infrared spectroscopy | |
| CN110987823B (zh) | 利用显微红外光谱区分月球火山玻璃和撞击玻璃的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |