CN114965316A - 一种基于高光谱多参数的水质监测方法、计算机程序产品 - Google Patents

一种基于高光谱多参数的水质监测方法、计算机程序产品 Download PDF

Info

Publication number
CN114965316A
CN114965316A CN202210539614.1A CN202210539614A CN114965316A CN 114965316 A CN114965316 A CN 114965316A CN 202210539614 A CN202210539614 A CN 202210539614A CN 114965316 A CN114965316 A CN 114965316A
Authority
CN
China
Prior art keywords
water quality
hyperspectral
water
spectral
curve
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
CN202210539614.1A
Other languages
English (en)
Inventor
胡炳樑
王雪霁
于涛
刘嘉诚
刘骁
亓晨
钟菁菁
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.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
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 XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202210539614.1A priority Critical patent/CN114965316A/zh
Publication of CN114965316A publication Critical patent/CN114965316A/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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于水质监测方法，为解决传统水质监测方法存在必须接触水体、实时性差、对人员要求高的技术问题，提供一种基于高光谱多参数的水质监测方法、计算机程序产品，计算光谱曲线与标准水体光谱曲线的相关系数，并根据该相关系数对高光谱图像中的部分光谱曲线进行剔除，能够有效改善由于漂浮物或气泡等环境因素导致的光谱数据异常问题，进而可以提升水质监测的准确性。再通过不同水质参数浓度下，经过校正的光谱曲线、对应水质参数浓度进行建模，得到建模模型，后续对水质进行监测时，只需将校正后的光谱曲线输入至建模模型中，即可准确高效的获取水质参数浓度，使得本发明的方法准确高效。

Description

一种基于高光谱多参数的水质监测方法、计算机程序产品
技术领域
本发明属于水质监测方法，具体涉及一种基于高光谱多参数的水质监测方法、计算机程序产品。
背景技术
近年来，环境问题越来越受到人们的重视。由于地球上的水域面积达到了百分之七十以上的覆盖率，而淡水资源却只占到其中的2.7％，再加上水资源污染的问题日趋严重，使得水资源的保护尤为重要。
水质监测技术是预防水体污染的一项关键技术。随着科学技术的发展，水质监测技术日益成熟，目前，主要的监测方式包括手持便携式仪器监测法、实验室化学法、柜机测量法等。但传统方法仍有许多缺点，比如必须接触水体、实时性差、需要一定的专业知识，对人员要求高等。
发明内容
本发明为解决传统水质监测方法存在必须接触水体、实时性差、对人员要求高的技术问题，提供一种基于高光谱多参数的水质监测方法、计算机程序产品。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于高光谱多参数的水质监测方法，其特殊之处在于，包括以下步骤：
S1，获取建模数据集
S1.1，将水面反射的高光谱图像沿行方向分解成a条光谱曲线，其中，a为光谱仪探测器的像元行数；
S1.2，分别计算a条光谱曲线与标准水体光谱曲线的相关系数R，并设置阈值T，若R＜T，则剔除相应光谱曲线，否则，保留相应光谱曲线，得到n条光谱曲线，其中，n为保留的光谱曲线数量，n≤a；
S1.3，计算n条光谱曲线的均值，将该均值作为该水体最终的光谱曲线S；
S1.4，对所述光谱曲线S进行黑白板校正，得到校正后的反射光谱曲线S’；
S1.5，对于不同水质参数浓度的水体，重复步骤S1.1至步骤S1.4，得到m种水质参数浓度水体对应的反射光谱曲线S’，构成建模数据集M：
M＝[S′1，…，S′m]
其中，m为大于1的整数，S′1为第1种水质参数浓度水体对应的反射光谱曲线，S′m为第m种水质参数浓度水体对应的反射光谱曲线；
S2，得到建模模型
对建模数据集M中的反射光谱曲线、各反射光谱曲线对应的水质参数浓度进行建模，得到建模模型；
S3，对水质进行监测
使水面反射的高光谱图像经步骤S1.1至步骤S1.4处理后，输入至建模模型，得到对应的水质参数浓度。
进一步地，步骤S1.2中，所述分别计算a条光谱曲线与标准水体光谱曲线的相关系数R，具体为：
分别对a条光谱曲线根据每个波长的响应峰值位置，提取出多维的光谱曲线，该多维光谱曲线的维数为高光谱图像的波段数；再通过下式分别计算a条光谱曲线与标准水体光谱曲线的相关系数R：
Figure BDA0003647643340000021
其中，X和Y分别表示计算相关系数R的两条光谱曲线，Cov(X,Y)为X和Y的协方差，Var[X]和Var[Y]分别为X和Y的方差。
进一步地，步骤S1.5中，所述水质参数包括补充叶绿素a、总氮、总磷、透明度、化学需氧量、浊度、悬浮物和高锰酸盐指数。
进一步地，步骤S1.5中，所述不同水质参数浓度的水体，具体为呈梯度分布的不同水质参数浓度水体。
进一步地，步骤S2具体为，通过偏最小二乘PLS或反向传播神经网络BPNN进行建模。
进一步地，所述高光谱图像具体是通过搭载在智慧杆上的高光谱成像仪获取的。
本发明还提供了一种计算机程序产品，包括计算机程序，其特殊之处在于，该程序被处理器执行时实现上述一种基于高光谱多参数的水质监测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
1.本发明基于高光谱多参数的水质监测方法中，计算光谱曲线与标准水体光谱曲线的相关系数，并根据该相关系数对高光谱图像中的部分光谱曲线进行剔除，能够有效改善由于漂浮物或气泡等环境因素导致的光谱数据异常问题，进而可以提升水质监测的准确性。再通过不同水质参数浓度下，经过校正的光谱曲线、对应水质参数浓度，经过PLS或BPNN等方法进行建模，得到建模模型，后续对水质进行监测时，只需将校正后的光谱曲线输入至建模模型中，即可准确高效的获取水质参数浓度，使得本发明的方法准确高效。
2.本发明中，水质参数包含项目较为全面，能够更加全面准确的实现水质监测。
3.本发明中，选取不同水质参数浓度的水体时，按照梯度分布对水体水质参数浓度进行选取，效率更高，能够在高效的前提下更加快速准确的获得不同水质参数浓度水体对应的反射光谱曲线。
4.本发明中获取高光谱图像的高光谱成像仪搭载在智慧杆上，能够实现非接触水质监测，可以避免传统接触式水环境测量的缺点。
5.本发明还提供了能够执行上述方法步骤的计算机程序产品，能够将本发明的方法推广应用，在相应的硬件设备上实现融合。
附图说明
图1为本发明基于高光谱多参数的水质监测方法流程示意图；
图2为本发明实施例中高光谱成像仪图像的波段构成分布图；
图3为本发明实施例中高光谱成像仪图像的沿行方向的分解示意图；
图4为本发明实施例中正常水体提取的光谱曲线图；
图5为本发明实施例中受环境因素影响的水体提取的光谱曲线图；
图6为本发明实施例中外界环境的光谱曲线图；
图7为本发明实施例中浊度为13.2NTU的水体提出的2048条光谱曲线与标准水体曲线间的相关系数示意图；
图8为本发明实施例中经黑白板校正后，得到的反射光谱曲线图；
图9为采用本发明实施例的方法对水体浊度进行预测的预测值与实测值对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
本发明提供了一种基于高光谱多参数的水质参数监测方法，利用高光谱技术实现水质关键参数的非接触测量，改善了水面漂浮物、气泡等因素对水体光谱信息造成的影响，从而提升了相关水质参数的测量精度。
以一种智慧杆搭载的高光谱成像仪为例，该高光谱成像仪是由线性渐变滤光实现光谱信息探测的，图像的像元尺寸为2048*2448。其中，每张图像均包含了从430nm-880nm波长分量，一共85个波段数据，其图像的波段构成如图2所示。
当图像采集对象为水体时，设定成像范围内水体均匀，根据图像的成像特性可知，图像的每一行像元都可看作这部分水体的光谱曲线，则可将获取的图像分解成2048条光谱曲线，具体如图3所示。
通过计算这2048条光谱曲线与设置好的标准水体光谱曲线的相关系数，设置阈值T，剔除相关系数小于T的光谱曲线(这部分光谱曲线可能受到气泡或悬浮物影响，从而使光谱特征发生改变)。计算剩余光谱曲线的平均值，作为该水体最终的光谱曲线。
对参与建模及将要预测的水体高光谱图像均进行上述处理，得到不同水质参数浓度下水体最终的光谱曲线。再通过机器学习的方法完成后续的建模预测工作。
如图1所示，本发明基于高光谱多参数的水质监测方法具体包括以下步骤：
步骤1，获取水质参数，所述水质参数包括补充叶绿素a、总氮、总磷、透明度、化学需氧量、浊度、悬浮物、高锰酸盐指数等，获取水质参数的方法可采用现有的传统方法。
步骤2，通过高光谱成像仪采集水面反射的高光谱图像，将图像沿行方向分解成a条光谱曲线，其中a为光谱仪探测器的像元尺寸中的像元行数；
步骤3，计算这a条光谱曲线与设置好的标准水体光谱曲线的相关系数R，设置阈值T，剔除R<T的光谱曲线，得到n条光谱曲线；
计算相关系数R时，首先，需对a条光谱曲线做预处理，每条光谱曲线根据每个波长的响应峰值位置提取出1*85维的光谱曲线(有波长与峰值位置对应表)。然后，通过如下公式，计算经上述步骤预处理后的a条光谱曲线和标准水体光谱曲线的相关系数R：
Figure BDA0003647643340000061
其中，X和Y分别表示计算相关系数R的两条光谱曲线，Cov(X,Y)为X和Y的协方差，Var[X]和Var[X]分别为X和Y的方差。
最后，设置阈值T，剔除R<T的光谱曲线。设置阈值的目的是，通过相关系数判断光谱曲线是否受到气泡或水面漂浮物影响，R越小说明受影响越大。因此，根据计算的实际情况设定阈值T去除R偏小的光谱曲线。
步骤4，计算上述n条光谱曲线的均值，作为该水体最终的光谱曲线S；
步骤5，对光谱曲线S进行黑白板校正，得到校正后的反射光谱曲线S’；
步骤6，对不同水质参数浓度下水体采集的高光谱图像数据按照步骤2至步骤5进行处理，获得有m个样本的光谱曲线的建模数据集M＝[S′1，S′2，S′3，…，S′m]；
步骤7，采用建模方法(PLS、BPNN等)，对建模数据集M，及其对应水质参数浓度进行建模，建模方法的具体参数设置可根据实际需要进行调整，不做具体限定；
步骤8，待步骤S7中建模完成，就可通过该模型对新采集得到的高光谱图像数据进行处理，进而完成对水质的监测。将新采集得到的高光谱图像数据通过步骤2至步骤5处理，处理后再输入至步骤7所建模型中，得到新采集得到的高光谱图像数据对应的水质参数浓度。
如下是采用本发明方法的一个具体实施例：
以水中浊度浓度预测为例：
1.采集不同浊度水体的高光谱图像，例如浊度为13.2NTU的水体图像。
2.将图像沿行方向分解成2048条光谱曲线，分别对2048条光谱曲线做预处理，每条光谱曲线根据每个波长的响应峰值位置提取出1*85维的光谱曲线，如图4为正常水体提取的光谱曲线，图5为受环境因素影响的水体提取的光谱曲线，图6为外界环境的光谱曲线。
3.计算从高光谱图像中提取出的光谱曲线与提取出的标准水体曲线间的相关系数。以图4至图6对应曲线为例，其与标准水体曲线间的相关系数分别为0.8693、-0.0761、0.3484。浊度为13.2NTU水体提出的2048条光谱曲线与标准水体曲线间的相关系数如图7所示。
在设置阈值T时，应当将图5和图6这类型曲线剔除，本实施例中设置阈值为T＝0.6。剔除后得到817条光谱曲线，将这817条光谱曲线进行平均作为浊度13.2NTU水体最终的光谱曲线。
通过上述方法得到18个浊度水体最终的光谱曲线。
4.对计算得到的各个浊度水体最终的光谱曲线进行黑白板校正，得到校正后的反射光谱曲线如图8所示。各个浊度水体的具体浊度如表1所示。
表1水体浊度表
Figure BDA0003647643340000071
Figure BDA0003647643340000081
5.将校正后的反射光谱曲线，及其对应浊度采用PLS进行建模，并采用留一法(交叉验证方法之一)对建模效果进行验证。PLS建模时设置主成分数为2，18个样本的预测值与实测值如图9所示，图9中各小圆圈为实测值，预测结果R2＝0.9899，RMSEP＝1.6851。
从上述实施例也可看出，本发明的水质监测方法准确性高且便于操作。
本发明基于高光谱多参数的水质监测方法，还可以形成一种计算机程序产品，该程序产品包括计算机程序，该程序被处理器执行时实现基于高光谱多参数的水质监测方法的步骤。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于高光谱多参数的水质监测方法，其特征在于，包括以下步骤：
S1，获取建模数据集
S1.1，将水面反射的高光谱图像沿行方向分解成a条光谱曲线，其中，a为光谱仪探测器的像元行数；
S1.2，分别计算a条光谱曲线与标准水体光谱曲线的相关系数R，并设置阈值T，若R＜T，则剔除相应光谱曲线，否则，保留相应光谱曲线，得到n条光谱曲线，其中，n为保留的光谱曲线数量，n≤a；
S1.3，计算n条光谱曲线的均值，将该均值作为该水体最终的光谱曲线S；
S1.4，对所述光谱曲线S进行黑白板校正，得到校正后的反射光谱曲线S’；
S1.5，对于不同水质参数浓度的水体，重复步骤S1.1至步骤S1.4，得到m种水质参数浓度水体对应的反射光谱曲线S’，构成建模数据集M：
M＝[S′1，…，S′m]
其中，m为大于1的整数，S′1为第1种水质参数浓度水体对应的反射光谱曲线，S′m为第m种水质参数浓度水体对应的反射光谱曲线；
S2，得到建模模型
对建模数据集M中的反射光谱曲线、各反射光谱曲线对应的水质参数浓度进行建模，得到建模模型；
S3，对水质进行监测
使水面反射的高光谱图像经步骤S1.1至步骤S1.4处理后，输入至建模模型，得到对应的水质参数浓度。
2.如权利要求1所述一种基于高光谱多参数的水质监测方法，其特征在于：步骤S1.2中，所述分别计算a条光谱曲线与标准水体光谱曲线的相关系数R，具体为：
分别对a条光谱曲线根据每个波长的响应峰值位置，提取出多维光谱曲线，该多维光谱曲线的维数为高光谱图像的波段数；再通过下式分别计算a条光谱曲线与标准水体光谱曲线的相关系数R：
Figure FDA0003647643330000021
其中，X和Y分别表示计算相关系数R的两条光谱曲线，Cov(X,Y)为X和Y的协方差，Var[X]、Var[Y]分别为X和Y的方差。
3.如权利要求1或2所述一种基于高光谱多参数的水质监测方法，其特征在于：步骤S1.5中，所述水质参数包括补充叶绿素a、总氮、总磷、透明度、化学需氧量、浊度、悬浮物和高锰酸盐指数。
4.如权利要求3所述一种基于高光谱多参数的水质监测方法，其特征在于：步骤S1.5中，所述不同水质参数浓度的水体，具体为呈梯度分布的不同水质参数浓度水体。
5.如权利要求4所述一种基于高光谱多参数的水质监测方法，其特征在于：步骤S2具体为，通过偏最小二乘PLS或反向传播神经网络BPNN进行建模。
6.如权利要求5所述一种基于高光谱多参数的水质监测方法，其特征在于：所述高光谱图像具体是通过搭载在智慧杆上的高光谱成像仪获取的。
7.一种计算机程序产品，包括计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至6任一所述一种基于高光谱多参数的水质监测方法的步骤。
CN202210539614.1A 2022-05-17 2022-05-17 一种基于高光谱多参数的水质监测方法、计算机程序产品 Pending CN114965316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210539614.1A CN114965316A (zh) 2022-05-17 2022-05-17 一种基于高光谱多参数的水质监测方法、计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210539614.1A CN114965316A (zh) 2022-05-17 2022-05-17 一种基于高光谱多参数的水质监测方法、计算机程序产品

Publications (1)

Publication Number Publication Date
CN114965316A true CN114965316A (zh) 2022-08-30

Family

ID=82983600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210539614.1A Pending CN114965316A (zh) 2022-05-17 2022-05-17 一种基于高光谱多参数的水质监测方法、计算机程序产品

Country Status (1)

Country Link
CN (1) CN114965316A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116698794A (zh) * 2023-06-07 2023-09-05 上海勘测设计研究院有限公司 一种利用多参数水质传感器检测水体透明度的装置及方法
CN117315470A (zh) * 2023-09-25 2023-12-29 湖南省自然资源事务中心 基于地空全谱段高光谱数据的水质参数反演系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116698794A (zh) * 2023-06-07 2023-09-05 上海勘测设计研究院有限公司 一种利用多参数水质传感器检测水体透明度的装置及方法
CN116698794B (zh) * 2023-06-07 2024-04-16 上海勘测设计研究院有限公司 一种利用多参数水质传感器检测水体透明度的装置及方法
CN117315470A (zh) * 2023-09-25 2023-12-29 湖南省自然资源事务中心 基于地空全谱段高光谱数据的水质参数反演系统
CN117315470B (zh) * 2023-09-25 2024-03-08 湖南省自然资源事务中心 基于地空全谱段高光谱数据的水质参数反演系统

Similar Documents

Publication Publication Date Title
CN114965316A (zh) 一种基于高光谱多参数的水质监测方法、计算机程序产品
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN106815819B (zh) 多策略粮虫视觉检测方法
CN110097537B (zh) 一种基于三维纹理特征的肉质定量分析评价方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN117764864B (zh) 基于图像去噪的核磁共振肿瘤视觉检测方法
CN111724376B (zh) 一种基于纹理特征分析的纸病检测方法
US20230243744A1 (en) Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN116309599A (zh) 基于污水前置处理的水质视觉监测方法
CN115272225A (zh) 一种基于对抗学习网络的带钢表面缺陷检测方法及系统
CN113052234A (zh) 一种基于图像特征和深度学习技术的玉石分类方法
CN102063722A (zh) 基于主成份广义逆变换的图像变化检测方法
Ye et al. Cucumber appearance quality detection under complex background based on image processing
CN115272873B (zh) 基于梯度域的高光谱图像非线性特征预处理系统及方法
CN112101058A (zh) 一种试卷条码自动识别方法及装置
Nie et al. Machine vision-based apple external quality grading
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置
CN115656063A (zh) 基于高光谱数据的目标污染物含量分析方法及装置
CN108021874A (zh) 一种基于空-谱结合的高光谱端元提取预处理方法
CN111259914B (zh) 一种茶树叶特征信息高光谱提取方法
CN111091601B (zh) 一种实时白天室外手机图像的pm2.5指数估计方法

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