CN113176225A - 一种针对水分含量变化的多品种物质的光谱匹配方法 - Google Patents
一种针对水分含量变化的多品种物质的光谱匹配方法 Download PDFInfo
- Publication number
- CN113176225A CN113176225A CN202110455354.5A CN202110455354A CN113176225A CN 113176225 A CN113176225 A CN 113176225A CN 202110455354 A CN202110455354 A CN 202110455354A CN 113176225 A CN113176225 A CN 113176225A
- Authority
- CN
- China
- Prior art keywords
- spectral
- curve
- substance
- spectrum
- matching
- 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.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 118
- 238000001228 spectrum Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003595 spectral effect Effects 0.000 claims abstract description 157
- 239000013598 vector Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000605372 Fritillaria Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种针对水分含量变化的多品种物质的光谱匹配方法,该方法包括:已知物质光谱建模、待测物质光谱建模以及光谱特征匹配等步骤。该方法采用曲线波形交叉相关性作为光谱匹配指标来判断光谱之间的相似度,降低了光谱匹配方法对光谱绝对强度的依赖,采用曲线波形一阶导数的杰卡德相关性作为光谱匹配的另一指标来判断光谱之间的相似度,消除了噪声对光谱匹配结果的影响,同时,采用最小二乘法计算出相关曲线波形集合的平均曲线波形作为此物质的光谱特征曲线,用于待测物质与已知标准物质之间的光谱匹配,有效提高了光谱匹配过程的分类识别精度。
Description
技术领域
本发明涉及光谱匹配技术领域,更具体的说是涉及一种针对水分含量变化的多品种物质的光谱匹配方法。
背景技术
目前,随着人们对生存环境中各种物质的深入研究,收集了大量的实验室标准数据,建立了用于光谱信息保存和维护的物质标准光谱数据库。高光谱图像的光谱分辨率高、光谱通道连续,对于图像中的任一像元均能获取一条平滑完整的光谱曲线,将其与物质标准光谱数据库中的光谱曲线匹配运算,可以实现物质检测与识别。因此,光谱匹配技术是高光谱物质检测与识别的关键技术之一,光谱匹配主要通过研究两个光谱曲线的相似度来判断物质的归属类别。
现有的光谱匹配算法可分为基于光谱特征参数的光谱匹配算法和基于整波形的光谱匹配算法。基于光谱特征参数的光谱匹配算法从光谱的内在特性着手,通过不同光谱的特征参量的相似度衡量两条光谱之间的相似度,进而确定两个样本之间的相似程度,特征参数匹配算法可比较任意两条光谱数据,但是特征参数匹配算法通常匹配精度较低。基于整波形的光谱匹配算法通过对参考光谱和未知光谱在特定波长范围内的数据点比较,计算得到一个总体相似度,进而判断两条光谱之间的相似度,整波形匹配算法具有较高的要求,需要相比较的光谱具有相同的波段范围和相同的数据点数。
同时,现有的光谱匹配算法不适用于精细化识别不同级别或品种或产地的同一类物品,不适用于识别纯正级别或品种或产地的产品中是否掺杂了同一物品的其他级别或品种或产地的产品,也不适用于检测水分含量不同的相同级别或品种或产地的物品,比如水稻、小麦、苹果、中药材贝母等的品种、产地及纯正度的识别与检测。
因此,如何提供一种适用于水分含量变化的多品种物质的光谱匹配算法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种针对水分含量变化的多品种物质的光谱匹配方法,有效解决了现有的光谱匹配方法不适用于精细化识别不同级别或品种或产地的同一类物品,不适用于识别纯正级别或品种或产地的产品中是否掺杂了同一物品的其他级别或品种或产地的产品,也不适用于检测水分含量不同的相同级别或品种或产地的物品的技术问题。
为了实现上述目的,本发明采用如下技术方案:
一种针对水分含量变化的多品种物质的光谱匹配方法,该方法包括:
已知物质光谱建模:获取每种已知标准物质的一组光谱曲线集合,对每种已知标准物质特征光谱建模,得到每种已知标准物质的光谱特征曲线;
待测物质光谱建模:获取待测物质的一组光谱曲线集合,根据所述待测物质的光谱曲线集合,对待测物质特征光谱建模,得到待测物质的光谱特征曲线;
光谱特征匹配:分别计算所述待测物质的光谱特征曲线与每种所述已知标准物质的光谱特征曲线的相关系数,将计算得到的相关系数与预设阈值比对,并将相关系数高于预设阈值且最大的已知标准物质作为匹配结果。
进一步地,对已知标准物质特征光谱建模的过程,具体包括:
采集一种已知标准物质的光谱曲线集合ΣX={X1,X2,…,XN},包含N条光谱曲线;
计算所述光谱曲线集合中第i条光谱曲线与第j条光谱曲线的相关系数Sij;
采用最小二乘法计算所述已知标准物质的光谱特征曲线,完成此种已知标准物质的建模。
进一步地,采用最小二乘法计算所述已知标准物质的光谱特征曲线,具体包括:
采用最小二乘法计算已知光谱模型中的未知系数,计算公式为:
其中,aj和bj为未知系数,n为每条光谱曲线的维度或节点数,Xm为第m条光谱曲线,Xm+j为与第m条光谱曲线相关的第j条光谱曲线;
计算已知标准物质的光谱特征曲线,计算公式为:
进一步地,光谱特征匹配的过程,具体包括:
分别计算所述待测物质的光谱特征曲线与所述已知标准物质的光谱特征曲线的相关系数;
设定第二阈值,将计算得到的相关系数分别与所述第二阈值比对,提取大于或等于所述第二阈值的相关系数及其对应的已知标准物质;
若高于所述第二阈值的相关系数存在多个,比较多个相关系数,并提取最大的相关系数,将最大的相关系数对应的已知标准物质作为匹配结果;
若计算得到的相关系数均小于所述第二阈值,则待测物质为未知物质。
进一步地,计算相关系数的过程,具体包括:
设定两条光谱曲线分别为X=(x1,x2,…,xn)与Y=(y1,y2,…,yn),n为每条光谱曲线的维度或节点数,剔除光谱曲线X与Y的水分子吸收波段,得到光谱曲线与l为剔除水分子吸收波段后的每条光谱曲线的维度或节点数;
其中,rm表示在匹配位置m的交叉相关系数,表示截断的光谱曲线的平均值,表示截断的光谱曲线的平均值,l表示截断的光谱曲线或的维度或节点数,m表示匹配位置,表示截断的光谱曲线的方差,表示截断的光谱曲线的方差;
根据匹配位置及其对应的交叉相关系数,绘制得到交叉相关系数曲线图,根据所述交叉相关系数曲线图计算得到每两条光谱曲线之间的曲线峰值的偏度系数,计算公式为:
其中,skm为曲线峰值的偏度系数,rm+表示匹配位置m为正数时的交叉相关系数值,rm-表示匹配位置m为负数时的交叉相关系数值;
根据所述曲线峰值的偏度系数,计算得到每两条光谱曲线之间的平均偏度系数,计算公式为:
其中,skewness为两条光谱曲线之间的平均偏度系数,skm为曲线峰值的偏度系数;
分别计算全波段光谱曲线X和光谱曲线Y的一阶导数向量X'=x'1,x'2,…,x'n)与Y'=(y'1,y'2,…,y'n),其中,x'i和y'i为第i点处的反射率一阶导数值,并将得到的一阶导数向量X'=(x'1,x'2,…,x'n)与Y'=(y'1,y'2,…,y'n转换为二进制向量和
其中,J为杰卡德相似系数,D11和D00为两个二进制向量在相同位置的一阶导数同时为1或0的次数,D10和D01为两个二进制向量在相同位置的一阶导数不相等的次数,n为每条光谱曲线的维度或节点数;
根据所述杰卡德相似系数和所述平均偏度系数,计算得到光谱曲线X与Y的相关系数,计算公式为:
S=r0×(1-skewness)×J
其中,S为相关系数,r0为m=0的交叉相关系数,skewness为平均偏度系数,J为杰卡德相似系数。
进一步地,所述水分子吸收严重波段的范围分别为:1351~1409nm,1796~1949nm,2451~2500nm。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种针对水分含量变化的多品种物质的光谱匹配方法,该方法采用曲线波形交叉相关性作为光谱匹配指标来判断光谱之间的相似度,降低了光谱匹配方法对光谱绝对强度的依赖,采用曲线波形一阶导数的杰卡德相关性作为光谱匹配的另一指标来判断光谱之间的相似度,消除了噪声对光谱匹配结果的影响,同时,采用最小二乘法计算出相关曲线波形集合的平均曲线波形作为此物质的光谱特征曲线,用于待测物质与已知标准物质之间的光谱匹配,有效提高了光谱匹配过程的分类识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种针对水分含量变化的多品种物质的光谱匹配方法的实现流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案做清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1,本发明实施例公开了一种针对水分含量变化的多品种物质的光谱匹配方法,该方法包括:
S1:已知物质光谱建模:获取每种已知标准物质的光谱曲线集合,对每种已知标准物质特征光谱建模,得到每种已知标准物质的光谱特征曲线。
具体实现过程如下:
采集一种已知标准物质的光谱曲线集合,即:
ΣX={X1,X2,…,XN};
该光谱曲线集合中包含N条光谱曲线。
计算第i条与第j条光谱曲线的相关系数Sij;
计算第i条与其他光谱曲线的相关系数之和,即:
找到具有最大的相关系数之和的第m条光谱曲线,即:
设定第一阈值t1,保留满足条件Smj≥t1的光谱曲线集合,即:
采用最小二乘法Xm-(aj·Xm+j+bj)=min,计算未知系数aj和bj,其中1≤j≤q;
两个未知系数和的计算公式如下:
其中,n为每条光谱曲线的维度或节点数。
其中:a0=1,b0=0;
完成此种已知标准物质的建模。
S2:待测物质光谱建模:获取待测物质的一组光谱曲线集合,根据待测物质的光谱曲线集合,对待测物质特征光谱建模,得到待测物质的光谱特征曲线。
待测物质特征光谱建模的具体实施过程参照上述S1,简述如下:
采集一组待测物质的光谱曲线集合Y={Y1,Y2,…,YM},该光谱曲线集合中包含M条光谱曲线;
按照上述已知光谱建模的步骤计算出待测物质的光谱特征曲线依然验证:其中p为满足第一阈值t1条件的光谱曲线集合中的曲线数,如果满足验证条件,则待测物质适合建模,若不满足,待测物质不适合建模,则结束匹配,认为待测物为不可知物质。
S3:光谱特征匹配:分别计算待测物质的光谱特征曲线与每种已知标准物质的光谱特征曲线的相关系数,将计算得到的相关系数与预设阈值比对,并将相关系数高于预设阈值且最大的已知标准物质作为匹配结果。
光谱特征匹配的实施过程如下:
分别计算待测物质的光谱特征曲线与已知标准物质的光谱特征曲线的相关系数;
设定第二阈值t2,将计算得到的相关系数分别与第二阈值比对,提取大于或等于第二阈值的相关系数及其对应的已知标准物质,即S≥t2;
若大于或等于第二阈值的相关系数存在多个,比较多个相关系数,并提取最大的相关系数,将最大的相关系数对应的已知标准物质作为匹配结果,即认定待测物质为此已知标准物质;
若计算得到的相关系数均小于第二阈值,则待测物质为未知物质。
本发明实施例中相关系数的计算过程大体一致,下面通过计算两条光谱曲线X与Y的相关系数S,进行详细说明:
鉴于前人的相关探索研究和具体的实验数据分析,水分子吸收严重波段的范围分别为:1351~1409nm、1796~1949nm、2451~2500nm。
其中:
通过m及其相应的rm值做交叉相关系数曲线图,再根据交叉相关系数曲线图可以计算曲线峰值的偏度系数skm,即:
其中,rm+表示匹配位置m为正数时的交叉相关系数值,rm-表示匹配位置m为负数时的交叉相关系数值。
计算平均偏度系数skewness,即:
计算全波段光谱曲线X与Y的一阶导数向量X'=(x'1,x'2,…,x'n)与Y'=(y'1,y'2,…,y'n),x'i和y'i为第i点处的反射率一阶导数值,计算公式如下:
其中,λi为第i点处的波长值。
根据上述得到的二进制向量,计算两条光谱曲线之间的杰卡德相似系数J,即:
其中:D11和D00为两二进制向量在相同位置的一阶导数同时为1或0的次数;D10和D01为两二进制向量在相同位置的一阶导数不相等的次数。
最后,计算两条光谱曲线X与Y的相关系数S,即:
S=r0×(1-skewness)×J
理论上,采集自同一类物品不同级别或品种或产地的纯正品,其特征光谱曲线虽然相似度高,但之间的差异将大于采集自同一类物品的同一级别或品种或产地的纯正品的特征光谱曲线。另外,同一级别或品种或产地的产品掺杂了同一物品的其他级别或品种或产地的产品,采集的混合物光谱曲线应是两种或多种差异小、近似度高的光谱曲线的混合。更有,同一级别或品种或产地的产品由于储藏环境湿度的不同,导致产品中所含水分的含量不同,采集的特征光谱曲线在水分子特征吸收波段将有区别。
本发明实施例公开的上述光谱匹配方法,解决了对水分含量变化的同一类物品的不同级别或品种或产地的纯正或掺杂产品的光谱识别与检测难题,该方法可以广泛应用于农产品及种子、中药材及种子、烟草茶叶、原材料等的级别或品种或产地的识别与检测,相对于现有的光谱匹配算法,本发明提供的光谱匹配方法不仅准确率高,而且运算效率高、操作简便。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种针对水分含量变化的多品种物质的光谱匹配方法,其特征在于,包括:
已知物质光谱建模:获取每种已知标准物质的一组光谱曲线集合,对每种已知标准物质特征光谱建模,得到每种已知标准物质的光谱特征曲线;
待测物质光谱建模:获取待测物质的一组光谱曲线集合,根据所述待测物质的光谱曲线集合,对待测物质特征光谱建模,得到待测物质的光谱特征曲线;
光谱特征匹配:分别计算所述待测物质的光谱特征曲线与所述每种已知标准物质的光谱特征曲线的相关系数,将计算得到的相关系数与预设阈值比对,并将相关系数高于预设阈值且最大的已知标准物质作为匹配结果。
5.根据权利要求1所述的一种针对水分含量变化的多品种物质的光谱匹配方法,其特征在于,光谱特征匹配的过程,具体包括:
分别计算所述待测物质的光谱特征曲线与所述每种已知标准物质的光谱特征曲线的相关系数;
设定第二阈值,将计算得到的相关系数分别与所述第二阈值比对,提取大于或等于所述第二阈值的相关系数及其对应的已知标准物质;
若大于或等于所述第二阈值的相关系数存在多个,比较多个相关系数,并提取最大的相关系数,将最大的相关系数对应的已知标准物质作为匹配结果;
若计算得到的相关系数均小于所述第二阈值,则待测物质为未知物质。
6.根据权利要求1、2或5所述的一种针对水分含量变化的多品种物质的光谱匹配方法,其特征在于,计算相关系数的过程,具体包括:
设定两条光谱曲线分别为X=(x1,x2,…,xn)与Y=(y1,y2,…,yn),n为每条光谱曲线的维度或节点数,剔除光谱曲线X与Y的水分子吸收波段,得到光谱曲线与l为剔除水分子吸收波段后的每条光谱曲线的维度或节点数;
其中,rm表示在匹配位置m的交叉相关系数,表示截断的光谱曲线的平均值,表示截断的光谱曲线的平均值,l表示截断的光谱曲线或的维度或节点数,m表示匹配位置,表示截断的光谱曲线的方差,表示截断的光谱曲线的方差;
根据匹配位置及其对应的交叉相关系数,绘制得到交叉相关系数曲线图,根据所述交叉相关系数曲线图计算得到每两条光谱曲线之间的曲线峰值的偏度系数,计算公式为:
其中,skm为曲线峰值的偏度系数,rm+表示匹配位置m为正数时的交叉相关系数值,rm-表示匹配位置m为负数时的交叉相关系数值;
根据所述曲线峰值的偏度系数,计算得到每两条光谱曲线之间的平均偏度系数,计算公式为:
其中,skewness为两条光谱曲线之间的平均偏度系数,skm为曲线峰值的偏度系数;
分别计算全波段光谱曲线X和光谱曲线Y的一阶导数向量X'=(x'1,x'2,…,x'n)与Y'=(y'1,y'2,…,y'n),其中,x'i和y'i为第i点处的反射率一阶导数值,并将得到的一阶导数向量X'=(x'1,x'2,…,x'n)与Y'=(y'1,y'2,…,y'n)转换为二进制向量和
其中,J为杰卡德相似系数,D11和D00为两个二进制向量在相同位置的一阶导数同时为1或0的次数,D10和D01为两个二进制向量在相同位置的一阶导数不相等的次数,n为每条光谱曲线的维度或节点数;
根据所述杰卡德相似系数和所述平均偏度系数,计算得到光谱曲线X与Y的相关系数,计算公式为:
S=r0×(1-skewness)×J
其中,S为相关系数,r0为m=0的交叉相关系数,skewness为平均偏度系数,J为杰卡德相似系数。
7.根据权利要求6所述的一种针对水分含量变化的多品种物质的光谱匹配方法,其特征在于,所述水分子吸收严重波段的范围分别为:1351~1409nm,1796~1949nm,2451~2500nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455354.5A CN113176225B (zh) | 2021-04-26 | 2021-04-26 | 一种针对水分含量变化的多品种物质的光谱匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110455354.5A CN113176225B (zh) | 2021-04-26 | 2021-04-26 | 一种针对水分含量变化的多品种物质的光谱匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176225A true CN113176225A (zh) | 2021-07-27 |
CN113176225B CN113176225B (zh) | 2023-02-07 |
Family
ID=76926226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110455354.5A Active CN113176225B (zh) | 2021-04-26 | 2021-04-26 | 一种针对水分含量变化的多品种物质的光谱匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176225B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160225389A1 (en) * | 2015-02-02 | 2016-08-04 | West Nippon Expressway Engineering Shikoku Company Limited | Method for detecting abnormal sound and method for judging abnormality in structure by use of detected value thereof, and method for detecting similarity between oscillation waves and method for recognizing voice by use of detected value thereof |
CN106053384A (zh) * | 2016-07-15 | 2016-10-26 | 江苏康缘药业股份有限公司 | 一种青蒿金银花醇沉浓缩过程快速定量检测方法 |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
CN111401031A (zh) * | 2020-03-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种目标文本确定方法、装置及设备 |
-
2021
- 2021-04-26 CN CN202110455354.5A patent/CN113176225B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160225389A1 (en) * | 2015-02-02 | 2016-08-04 | West Nippon Expressway Engineering Shikoku Company Limited | Method for detecting abnormal sound and method for judging abnormality in structure by use of detected value thereof, and method for detecting similarity between oscillation waves and method for recognizing voice by use of detected value thereof |
CN106053384A (zh) * | 2016-07-15 | 2016-10-26 | 江苏康缘药业股份有限公司 | 一种青蒿金银花醇沉浓缩过程快速定量检测方法 |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
CN111401031A (zh) * | 2020-03-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种目标文本确定方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
明群杰: ""基于光谱匹配技术的青藏高原典型植被识别与提取"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
蔡圆媛: "《融合巴氏系数和杰卡德系数的图像相似度算法》", 31 August 2018, 北京理工大学出版社 * |
赵冬 等: ""一种动态调整权值的交叉相关光谱匹配算法"", 《地理空间信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113176225B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
CN110346312B (zh) | 基于费氏线性判别和支持向量机技术的冬小麦穗赤霉病识别方法 | |
CN101532954B (zh) | 一种用红外光谱结合聚类分析鉴定中药材的方法 | |
WO2016000088A1 (zh) | 一种基于最佳指数-相关系数法的高光谱波段提取方法 | |
CN107179310B (zh) | 基于鲁棒噪声方差估计的拉曼光谱特征峰识别方法 | |
Schuhfried et al. | Classification of 7 monofloral honey varieties by PTR-ToF-MS direct headspace analysis and chemometrics | |
CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
Lavine et al. | Forensic analysis of automotive paints using a pattern recognition assisted infrared library searching system: Ford (2000–2006) | |
CN111767863B (zh) | 一种基于近地高光谱技术冬小麦赤霉病遥感识别方法 | |
CN112766227A (zh) | 一种高光谱遥感影像分类方法、装置、设备及存储介质 | |
CN112002377B (zh) | 基于集成学习校准模型的松子蛋白质含量预测方法 | |
CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
Bittencourt et al. | Feature selection by using classification and regression trees (CART) | |
CN113176225B (zh) | 一种针对水分含量变化的多品种物质的光谱匹配方法 | |
CN110874576A (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
CN114330411A (zh) | 一种基于相似度的自适应窗口化拉曼光谱识别方法 | |
CN108491894B (zh) | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 | |
CN103927756B (zh) | 一种基于光谱特征空间权化的光谱特征指数提取方法 | |
CN101667253B (zh) | 一种高光谱遥感数据多类别监督分类方法 | |
CN111595804A (zh) | 一种模糊聚类的茶叶近红外光谱分类方法 | |
CN113970531A (zh) | 一种校正光谱的方法 | |
CN109685099B (zh) | 一种光谱波段优选模糊聚类的苹果品种辨别方法 | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
CN114331474A (zh) | 一种模糊线性判别分析的牛奶产地溯源方法 | |
Poona et al. | Reducing hyperspectral data dimensionality using random forest based wrappers |
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 |