CN116363440A - 基于深度学习的土壤中有色微塑料的识别检测方法及系统 - Google Patents
基于深度学习的土壤中有色微塑料的识别检测方法及系统 Download PDFInfo
- Publication number
- CN116363440A CN116363440A CN202310496903.2A CN202310496903A CN116363440A CN 116363440 A CN116363440 A CN 116363440A CN 202310496903 A CN202310496903 A CN 202310496903A CN 116363440 A CN116363440 A CN 116363440A
- Authority
- CN
- China
- Prior art keywords
- microplastic
- features
- colored
- feature
- soil sample
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 146
- 229920000426 Microplastic Polymers 0.000 title claims abstract description 119
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 229920003023 plastic Polymers 0.000 claims abstract description 83
- 239000004033 plastic Substances 0.000 claims abstract description 83
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 71
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000004931 aggregating effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004380 ashing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005527 soil sampling Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的土壤中有色微塑料的识别检测方法及系统，包括：获取土壤样本的拉曼光谱数据及图像数据，对拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；在图像数据中获取感兴趣区域，提取感兴趣区域的多尺度图像特征；将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；基于深度学习方法构建有色微塑料识别模型，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。本发明利用深度学习算法能够在土壤复杂背景下精确识别出有色微塑料颗粒，提高了检测识别效率，同时高精度的检测识别数据为土壤有色微塑料污染的评估提供了数据基础。
Description
技术领域
本发明涉及微塑料识别检测技术领域，更具体的，涉及一种基于深度学习的土壤中有色微塑料的识别检测方法及系统。
背景技术
微塑料作为一种新污染物，近年来其环境污染问题引起了广泛关注。微塑料被定义为粒径小于5 mm的塑料碎片、薄膜或者颗粒。微塑料的来源主要包括初生微塑料和次生微塑料，初生微塑料主要指人们生产生活中直接排入环境中的微塑料颗粒；次生微塑料是指塑料垃圾在物理、化学及微生物作用后发生分解而生成的微塑料颗粒。由于微塑料可以对环境造成严重的污染，对环境中的微塑料进行识别检测是非常必要的，在微塑料的检测方法中，拉曼光谱是一种有效的定性定量分析方法，每一种微塑料都有特定的拉曼指纹特征，因此根据微塑料的拉曼指纹信息，可以实现对微塑料的识别检测。
基于不同的用途，在一些塑料材料的制备过程中，会加入不同颜色的着色剂，从而制备得到不同颜色的塑料，当这些有颜色的塑料在环境中分解后可以生成有色微塑料。有色微塑料作为微塑料的一种主要的类型，可以对环境造成严重的污染，既包括微塑料本身对环境的污染，也包括有色微塑料中色素染料对环境的污染，因此建立对有色微塑料的识别检测方法是十分必要的。但是目前还未有报道对有色微塑料的识别检测技术。
发明内容
为了解决上述技术问题，本发明提出了一种基于深度学习的土壤中有色微塑料的识别检测方法及系统。
本发明第一方面提供了一种基于深度学习的土壤中有色微塑料的识别检测方法，包括：
获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
本方案中，获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征，具体为：
通过数据检索手段获取不同颜色类别微塑料的拉曼光谱数据，根据拉曼光谱数据获取对应的拉曼光谱图，在所述拉曼光谱图中获取不同颜色类别微塑料的特征峰位；
获取所述特征峰位对应的拉曼位移，判断不同颜色类别微塑料的特征峰所在的拉曼位移区间，将不同颜色类别微塑料的拉曼位移区间进行取并集操作，获取拉曼光谱的最佳扫描范围；
基于最佳扫描范围获取土壤样本的拉曼光谱数据，将土壤样本的拉曼光谱数据进行平滑处理滤除多余噪声，对滤噪后的拉曼光谱数据拟合光谱基线，进行基线校正；
对基线校正后的拉曼光谱数据进行归一化处理，提取土壤样本的拉曼光谱数据中的拉曼特征峰，作为土壤样本的拉曼指纹特征。
本方案中，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征，具体为：
获取土壤样本的图像数据，将图像数据进行灰化及滤波预处理，得到预处理后的图像数据；
将预处理后的图像数据划分为若干图像块，输入ResNet50网络输出图像块的全局特征，将全局特征进行平均池化，获取全局特征的特征描述子；
引入注意力机制，对特征描述子设置注意力权重，根据注意力权重结合图像块对应特征描述子得到图像块的特征图，获取全部图像块的均值，作为特征图基准；
将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，根据掩膜图获取土壤样本图像数据中具备识别特征的图像块，生成感兴趣区域；
引入特征金字塔结构，利用特征金字塔对感兴趣区域进行多尺度图像特征提取。
本方案中，利用特征金字塔对感兴趣区域进行多尺度特征提取，具体为：
在ResNet50网络中引入特征金字塔结构，将感兴趣区域对应的全局特征输入到所述特征金字塔结构，通过不同尺度的卷积层对提取多尺度特征；
所述特征金字塔分为第一分支及第二分支，在第一分支中设置五层不同尺度的卷积层，获取不同尺度的特征图，将不同尺度的特征图进行池化操作；
在第二分支中设置与第一分支各卷积层相对应的降维卷积层，将第一分支中的特征与第二分支中的特征在同一维度下进行特征卷积融合，生成融合特征；
将不同层的融合特征进行特征拼接，输出感兴趣区域的多尺度图像特征。
本方案中，将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集，具体为：
获取土壤样本的拉曼指纹特征及多尺度图像特征，构建特征融合模块将获取的特征进行编码生成对应的特征向量；
在特征融合模块中利用注意力机制将特征向量进行池化操作，根据拉曼指纹特征及多尺度图像特征的通道数映射生成通道权重，根据所述通道权重对特征进行加权表示；
将拉曼指纹特征及多尺度图像特征通过加权求和进行特征融合，构建特征数据集。
本方案中，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，具体为：
获取土壤的历史微塑料图像数据，从所述历史微塑料图像数据获取得到微塑料的粒径大小、颜色信息、图像特征以及微塑料的拉曼指纹特征生成数据集，将所述数据集划分为训练集与验证集；
基于特征金字塔优化后的ResNet50网络结合RPN网络构建有色微塑料识别模型，利用所述训练集与验证集对模型进行训练及准确率验证，输出符合预设标准的有色微塑料识别模型；
将特征数据集输入RPN网络对特征数据集中的特征进行卷积，生成不同尺度的建议区域，并进行锚框回归；
将所述建议区域进行池化操作，通过全连接层判断土壤样本中是否存在有色微塑料，并通过分类器获取有色微塑料的颜色类别；
通过锚框回归获取锚框的位置偏移，生成带有颜色类别标签的有色微塑料目标锚框。
本发明第二方面还提供了一种基于深度学习的土壤中有色微塑料的识别检测系统，该系统包括：存储器、处理器，所述存储器中包括一种基于深度学习的土壤中有色微塑料的识别检测方法程序，所述一种基于深度学习的土壤中有色微塑料的识别检测方法程序被所述处理器执行时实现如下步骤：
获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
本发明公开了一种基于深度学习的土壤中有色微塑料的识别检测方法及系统，包括：获取土壤样本的拉曼光谱数据及图像数据，对拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；在图像数据中获取感兴趣区域，提取感兴趣区域的多尺度图像特征；将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；基于深度学习方法构建有色微塑料识别模型，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，得到预设区域中土壤有色微塑料的污染状况。本发明深度学习算法可以在土壤复杂背景下精确识别出有色微塑料颗粒，克服了传统的人工有色微塑料识别中识别速度慢，误判率高的缺点，为土壤有色微塑料污染的评估提供了数据基础。
附图说明
图1示出了本发明一种基于深度学习的土壤中有色微塑料的识别检测方法的流程图；
图2示出了本发明获取土壤图像感兴趣区域的多尺度图像特征的方法流程图；
图3示出了本发明构建模型进行有色微塑料识别分析的方法流程图；
图4示出了本发明一种基于深度学习的土壤中有色微塑料的识别检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的土壤中有色微塑料的识别检测方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的土壤中有色微塑料的识别检测方法，包括：
S102，获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
S104，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
S106，将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
S108，基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
S110，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
需要说明的是，通过数据检索手段获取不同颜色类别微塑料的拉曼光谱数据，根据拉曼光谱数据获取对应的拉曼光谱图，在所述拉曼光谱图中获取不同颜色类别微塑料的特征峰位；获取所述特征峰位对应的拉曼位移，判断不同颜色类别微塑料的特征峰所在的拉曼位移区间，将不同颜色类别微塑料的拉曼位移区间进行取并集操作，获取拉曼光谱的最佳扫描范围；基于最佳扫描范围获取土壤样本的拉曼光谱数据，将土壤样本的拉曼光谱数据进行平滑处理滤除多余噪声，对滤噪后的拉曼光谱数据拟合光谱基线，进行基线校正；对基线校正后的拉曼光谱数据进行归一化处理，提取土壤样本的拉曼光谱数据中的拉曼特征峰，作为土壤样本的拉曼指纹特征。获取土壤样本的图像数据，所述图像数据可以为显微镜图像数据或放大后的土壤样本图像数据。
图2示出了本发明获取土壤图像感兴趣区域的多尺度图像特征的方法流程图。
根据本发明实施例，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征，具体为：
S202，获取土壤样本的图像数据，将图像数据进行灰化及滤波预处理，得到预处理后的图像数据；
S204，将预处理后的图像数据划分为若干图像块，输入ResNet50网络输出图像块的全局特征，将全局特征进行平均池化，获取全局特征的特征描述子；
S206，引入注意力机制，对特征描述子设置注意力权重，根据注意力权重结合图像块对应特征描述子得到图像块的特征图，获取全部图像块的均值，作为特征图基准；
S208，将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，根据掩膜图获取土壤样本图像数据中具备识别特征的图像块，生成感兴趣区域；
S210，引入特征金字塔结构，利用特征金字塔对感兴趣区域进行多尺度图像特征提取。
需要说明的是，对特征描述子设置注意力权重，其中注意力权重的计算公式为：
，其中，/>
表示注意力权重，/>
分别表示ReLU激活函数和Sigmoid激活函数，/>
表示衰减比参数，为特征图通道生成不同的权重，表征通道之间的相关性，/>
表示特征描述子。将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，当小于特征图基准，则设置为0，当等于或大于特征图基准，则设置为1。
需要说明的是，在ResNet50网络中引入特征金字塔结构，将感兴趣区域对应的全局特征输入到所述特征金字塔结构，通过不同尺度的卷积层对提取多尺度特征；所述特征金字塔分为第一分支及第二分支，在第一分支中设置五层不同尺度的卷积层，获取不同尺度的特征图，将不同尺度的特征图进行池化操作；在第二分支中设置与第一分支各卷积层相对应的降维卷积层，将第一分支中的特征与第二分支中的特征在同一维度下进行特征卷积融合，生成融合特征；将不同层的融合特征进行特征拼接，输出感兴趣区域的多尺度图像特征。
需要说明的是，获取土壤样本的拉曼指纹特征及多尺度图像特征，构建特征融合模块将获取的特征进行编码生成对应的特征向量；在特征融合模块中利用注意力机制将特征向量进行池化操作，在通道注意力机制中特征图通过全局平均池化进行压缩，获取一维向量，所述一维向量长度等于输入特征图的通道数量，将一维特征中的特征分散在不同的通道中，根据拉曼指纹特征及多尺度图像特征的通道数映射生成通道权重，根据所述通道权重对特征进行加权表示；将拉曼指纹特征及多尺度图像特征通过加权求和进行特征融合，构建特征数据集。
图3示出了本发明构建模型进行有色微塑料识别分析的方法流程图。
根据本发明实施例，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，具体为：
S302，获取土壤的历史微塑料图像数据，从所述历史微塑料图像数据获取得到微塑料的粒径大小、颜色信息、图像特征以及微塑料的拉曼指纹特征生成数据集，将所述数据集划分为训练集与验证集；
S304，基于特征金字塔优化后的ResNet50网络结合RPN网络构建有色微塑料识别模型，利用所述训练集与验证集对模型进行训练及准确率验证，输出符合预设标准的有色微塑料识别模型；
S306，将特征数据集输入RPN网络对特征数据集中的特征进行卷积，生成不同尺度的建议区域，并进行锚框回归；
S308，将所述建议区域进行池化操作，通过全连接层判断土壤样本中是否存在有色微塑料，并通过分类器获取有色微塑料的颜色类别；
S310，通过锚框回归获取锚框的位置偏移，生成带有颜色类别标签的有色微塑料目标锚框。
需要说明的是，利用训练集对有色微塑料识别模型进行训练的过程中为了提高数据的丰富度，增强模型的泛化能力，对所述训练集进行数据增强，使原有训练集进行数量增强处理，通过数据增强后训练集中的微塑料的颜色特征对分类器进行训练，并利用不同颜色类别对应的微塑料的拉曼指纹特征对分类器进行辅助训练。为了使得锚框与有色微塑料的形状大小相匹配，需要对锚框的纵横比进行适应性的修改。在训练集中选取适量的有色微塑料图片，进行人工标注矩形框，然后对标注矩形框的纵横比进行统计，然后使用选取的有色微塑料图片对原始RPN网络进行训练，当RPN网络的锚框的纵横比与人工标注矩形框的纵横比之间的误差小于预设阈值，则证明RPN网络的锚框的纵横比调整完毕。对锚框的纵横比进行调整减少了锚框数量，同时减少了运算量和提高了运算速度，减少了误识别的可能性。
根据本发明实施例，构建有色微塑料检测数据库，获取预设范围内土壤中有色微塑料的污染状况，具体为：
构建有色微塑料检测数据库，将历史土壤样本的有色微塑料检测识别数据土壤的理化性质、土壤取样地的GIS数据及土壤取样地的有色微塑料污染状况存入数据库中；
获取当期土壤样本的有色微塑料检测识别结果，将当前预设范围内土壤理化特性及地理数据建立检索任务，根据检索任务在所述有色微塑料检测数据库进行检索，获取相似度符合预设要求的了历史监测识别数据；
根据所述历史监测识别数据获取对应的污染分布特征，将所述污染分布作为当前预设范围的污染样版，通过当期土壤样本的有色微塑料检测识别结果结合所述污染分布特征获取当期预设区域的污染分布；
将当期预设区域的污染分布进行可视化显示，若预设区域内某子区域的微塑料污染情况大于预设分布阈值，则根据预设区域地理数据及污染源分布进行污染溯源。
图4示出了本发明一种基于深度学习的土壤中有色微塑料的识别检测系统的框图。
本发明第二方面还提供了一种基于深度学习的土壤中有色微塑料的识别检测系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于深度学习的土壤中有色微塑料的识别检测方法程序，所述一种基于深度学习的土壤中有色微塑料的识别检测方法程序被所述处理器执行时实现如下步骤：
获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
需要说明的是，通过数据检索手段获取不同颜色类别微塑料的拉曼光谱数据，根据拉曼光谱数据获取对应的拉曼光谱图，在所述拉曼光谱图中获取不同颜色类别微塑料的特征峰位；获取所述特征峰位对应的拉曼位移，判断不同颜色类别微塑料的特征峰所在的拉曼位移区间，将不同颜色类别微塑料的拉曼位移区间进行取并集操作，获取拉曼光谱的最佳扫描范围；基于最佳扫描范围获取土壤样本的拉曼光谱数据，将土壤样本的拉曼光谱数据进行平滑处理滤除多余噪声，对滤噪后的拉曼光谱数据拟合光谱基线，进行基线校正；对基线校正后的拉曼光谱数据进行归一化处理，提取土壤样本的拉曼光谱数据中的拉曼特征峰，作为土壤样本的拉曼指纹特征。获取土壤样本的图像数据，所述图像数据可以为显微镜图像数据或放大后的土壤样本图像数据。
根据本发明实施例，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征，具体为：
获取土壤样本的图像数据，将图像数据进行灰化及滤波预处理，得到预处理后的图像数据；
将预处理后的图像数据划分为若干图像块，输入ResNet50网络输出图像块的全局特征，将全局特征进行平均池化，获取全局特征的特征描述子；
引入注意力机制，对特征描述子设置注意力权重，根据注意力权重结合图像块对应特征描述子得到图像块的特征图，获取全部图像块的均值，作为特征图基准；
将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，根据掩膜图获取土壤样本图像数据中具备识别特征的图像块，生成感兴趣区域；
引入特征金字塔结构，利用特征金字塔对感兴趣区域进行多尺度图像特征提取。
需要说明的是，对特征描述子设置注意力权重，其中注意力权重的计算公式为：
，其中，/>
表示注意力权重，/>
分别表示ReLU激活函数和Sigmoid激活函数，/>
表示衰减比参数，为特征图通道生成不同的权重，表征通道之间的相关性，/>
表示特征描述子。将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，当小于特征图基准，则设置为0，当等于或大于特征图基准，则设置为1。
需要说明的是，在ResNet50网络中引入特征金字塔结构，将感兴趣区域对应的全局特征输入到所述特征金字塔结构，通过不同尺度的卷积层对提取多尺度特征；所述特征金字塔分为第一分支及第二分支，在第一分支中设置五层不同尺度的卷积层，获取不同尺度的特征图，将不同尺度的特征图进行池化操作；在第二分支中设置与第一分支各卷积层相对应的降维卷积层，将第一分支中的特征与第二分支中的特征在同一维度下进行特征卷积融合，生成融合特征；将不同层的融合特征进行特征拼接，输出感兴趣区域的多尺度图像特征。
需要说明的是，获取土壤样本的拉曼指纹特征及多尺度图像特征，构建特征融合模块将获取的特征进行编码生成对应的特征向量；在特征融合模块中利用注意力机制将特征向量进行池化操作，在通道注意力机制中特征图通过全局平均池化进行压缩，获取一维向量，所述一维向量长度等于输入特征图的通道数量，将一维特征中的特征分散在不同的通道中，根据拉曼指纹特征及多尺度图像特征的通道数映射生成通道权重，根据所述通道权重对特征进行加权表示；将拉曼指纹特征及多尺度图像特征通过加权求和进行特征融合，构建特征数据集。
根据本发明实施例，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，具体为：
获取土壤的历史微塑料图像数据，从所述历史微塑料图像数据获取得到微塑料的粒径大小、颜色信息、图像特征以及微塑料的拉曼指纹特征生成数据集，将所述数据集划分为训练集与验证集；
基于特征金字塔优化后的ResNet50网络结合RPN网络构建有色微塑料识别模型，利用所述训练集与验证集对模型进行训练及准确率验证，输出符合预设标准的有色微塑料识别模型；
将特征数据集输入RPN网络对特征数据集中的特征进行卷积，生成不同尺度的建议区域，并进行锚框回归；
将所述建议区域进行池化操作，通过全连接层判断土壤样本中是否存在有色微塑料，并通过分类器获取有色微塑料的颜色类别；
通过锚框回归获取锚框的位置偏移，生成带有颜色类别标签的有色微塑料目标锚框。
需要说明的是，利用训练集对有色微塑料识别模型进行训练的过程中为了提高数据的丰富度，增强模型的泛化能力，对所述训练集进行数据增强，使原有训练集进行数量增强处理，通过数据增强后训练集中的微塑料的颜色特征对分类器进行训练，并利用不同颜色类别对应的微塑料的拉曼指纹特征对分类器进行辅助训练。为了使得锚框与有色微塑料的形状大小相匹配，需要对锚框的纵横比进行适应性的修改。在训练集中选取适量的有色微塑料图片，进行人工标注矩形框，然后对标注矩形框的纵横比进行统计，然后使用选取的有色微塑料图片对原始RPN网络进行训练，当RPN网络的锚框的纵横比与人工标注矩形框的纵横比之间的误差小于预设阈值，则证明RPN网络的锚框的纵横比调整完毕。对锚框的纵横比进行调整减少了锚框数量，同时减少了运算量和提高了运算速度，减少了误识别的可能性。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于深度学习的土壤中有色微塑料的识别检测方法程序，所述一种基于深度学习的土壤中有色微塑料的识别检测方法程序被处理器执行时，实现如上述任一项所述的一种基于深度学习的土壤中有色微塑料的识别检测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，包括以下步骤：
获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
2.根据权利要求1所述的一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征，具体为：
通过数据检索手段获取不同颜色类别微塑料的拉曼光谱数据，根据拉曼光谱数据获取对应的拉曼光谱图，在所述拉曼光谱图中获取不同颜色类别微塑料的特征峰位；
获取所述特征峰位对应的拉曼位移，判断不同颜色类别微塑料的特征峰所在的拉曼位移区间，将不同颜色类别微塑料的拉曼位移区间进行取并集操作，获取拉曼光谱的最佳扫描范围；
基于最佳扫描范围获取土壤样本的拉曼光谱数据，将土壤样本的拉曼光谱数据进行平滑处理滤除多余噪声，对滤噪后的拉曼光谱数据拟合光谱基线，进行基线校正；
对基线校正后的拉曼光谱数据进行归一化处理，提取土壤样本的拉曼光谱数据中的拉曼特征峰，作为土壤样本的拉曼指纹特征。
3.根据权利要求1所述的一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征，具体为：
获取土壤样本的图像数据，将图像数据进行灰化及滤波预处理，得到预处理后的图像数据；
将预处理后的图像数据划分为若干图像块，输入ResNet50网络输出图像块的全局特征，将全局特征进行平均池化，获取全局特征的特征描述子；
引入注意力机制，对特征描述子设置注意力权重，根据注意力权重结合图像块对应特征描述子得到图像块的特征图，获取全部图像块的均值，作为特征图基准；
将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，根据掩膜图获取土壤样本图像数据中具备识别特征的图像块，生成感兴趣区域；
引入特征金字塔结构，利用特征金字塔对感兴趣区域进行多尺度图像特征提取。
4.根据权利要求1所述的一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，利用特征金字塔对感兴趣区域进行多尺度特征提取，具体为：
在ResNet50网络中引入特征金字塔结构，将感兴趣区域对应的全局特征输入到所述特征金字塔结构，通过不同尺度的卷积层对提取多尺度特征；
所述特征金字塔分为第一分支及第二分支，在第一分支中设置五层不同尺度的卷积层，获取不同尺度的特征图，将不同尺度的特征图进行池化操作；
在第二分支中设置与第一分支各卷积层相对应的降维卷积层，将第一分支中的特征与第二分支中的特征在同一维度下进行特征卷积融合，生成融合特征；
将不同层的融合特征进行特征拼接，输出感兴趣区域的多尺度图像特征。
5.根据权利要求1所述的一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集，具体为：
获取土壤样本的拉曼指纹特征及多尺度图像特征，构建特征融合模块将获取的特征进行编码生成对应的特征向量；
在特征融合模块中利用注意力机制将特征向量进行池化操作，根据拉曼指纹特征及多尺度图像特征的通道数映射生成通道权重，根据所述通道权重对特征进行加权表示；
将拉曼指纹特征及多尺度图像特征通过加权求和进行特征融合，构建特征数据集。
6.根据权利要求1所述的一种基于深度学习的土壤中有色微塑料的识别检测方法，其特征在于，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，具体为：
获取土壤的历史微塑料图像数据，从所述历史微塑料图像数据获取得到微塑料的粒径大小、颜色信息、图像特征以及微塑料的拉曼指纹特征生成数据集，将所述数据集划分为训练集与验证集；
基于特征金字塔优化后的ResNet50网络结合RPN网络构建有色微塑料识别模型，利用所述训练集与验证集对模型进行训练及准确率验证，输出符合预设标准的有色微塑料识别模型；
将特征数据集输入RPN网络对特征数据集中的特征进行卷积，生成不同尺度的建议区域，并进行锚框回归；
将所述建议区域进行池化操作，通过全连接层判断土壤样本中是否存在有色微塑料，并通过分类器获取有色微塑料的颜色类别；
通过锚框回归获取锚框的位置偏移，生成带有颜色类别标签的有色微塑料目标锚框。
7.一种基于深度学习的土壤中有色微塑料的识别检测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于深度学习的土壤中有色微塑料的识别检测方法程序，所述一种基于深度学习的土壤中有色微塑料的识别检测方法程序被所述处理器执行时实现如下步骤：
获取土壤样本的拉曼光谱数据，对所述拉曼光谱数据进行预处理，提取土壤样本的拉曼指纹特征；
获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征；
将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集；
基于深度学习方法构建有色微塑料识别模型，利用历史微塑料图像数据及微塑料的拉曼指纹特征构建训练数据对所述有色微塑料识别模型进行训练；
将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析。
8.根据权利要求7所述的一种基于深度学习的土壤中有色微塑料的识别检测系统，其特征在于，获取土壤样本的图像数据，获取感兴趣区域，提取感兴趣区域的多尺度图像特征，具体为：
获取土壤样本的图像数据，将图像数据进行灰化及滤波预处理，得到预处理后的图像数据；
将预处理后的图像数据划分为若干图像块，输入ResNet50网络输出图像块的全局特征，将全局特征进行平均池化，获取全局特征的特征描述子；
引入注意力机制，对特征描述子设置注意力权重，根据注意力权重结合图像块对应特征描述子得到图像块的特征图，获取全部图像块的均值，作为特征图基准；
将所有的图像块逐一与所述特征图基准进行对比，通过对比结果生成图像块对应的掩膜图，根据掩膜图获取土壤样本图像数据中具备识别特征的图像块，生成感兴趣区域；
引入特征金字塔结构，利用特征金字塔对感兴趣区域进行多尺度图像特征提取。
9.根据权利要求7所述的一种基于深度学习的土壤中有色微塑料的识别检测系统，其特征在于，将所述土壤样本的拉曼指纹特征及多尺度图像特征进行聚合构建特征数据集，具体为：
获取土壤样本的拉曼指纹特征及多尺度图像特征，构建特征融合模块将获取的特征进行编码生成对应的特征向量；
在特征融合模块中利用注意力机制将特征向量进行池化操作，根据拉曼指纹特征及多尺度图像特征的通道数映射生成通道权重，根据所述通道权重对特征进行加权表示；
将拉曼指纹特征及多尺度图像特征通过加权求和进行特征融合，构建特征数据集。
10.根据权利要求7所述的一种基于深度学习的土壤中有色微塑料的识别检测系统，其特征在于，将所述特征数据集作为有色微塑料识别模型的输入，对土壤样本中的有色微塑料进行识别分析，具体为：
获取土壤的历史微塑料图像数据，从所述历史微塑料图像数据获取得到微塑料的粒径大小、颜色信息、图像特征以及微塑料的拉曼指纹特征生成数据集，将所述数据集划分为训练集与验证集；
基于特征金字塔优化后的ResNet50网络结合RPN网络构建有色微塑料识别模型，利用所述训练集与验证集对模型进行训练及准确率验证，输出符合预设标准的有色微塑料识别模型；
将特征数据集输入RPN网络对特征数据集中的特征进行卷积，生成不同尺度的建议区域，并进行锚框回归；
将所述建议区域进行池化操作，通过全连接层判断土壤样本中是否存在有色微塑料，并通过分类器获取有色微塑料的颜色类别；
通过锚框回归获取锚框的位置偏移，生成带有颜色类别标签的有色微塑料目标锚框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496903.2A CN116363440B (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496903.2A CN116363440B (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116363440A true CN116363440A (zh) | 2023-06-30 |
| CN116363440B CN116363440B (zh) | 2023-12-19 |
Family
ID=86922863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310496903.2A Active CN116363440B (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363440B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883852A (zh) * | 2023-08-29 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及系统 |
| CN117172992A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种污染农田土壤的微生态特征调查方法及系统 |
| CN117455743A (zh) * | 2023-12-18 | 2024-01-26 | 国家海洋局南海规划与环境研究院 | 基于深度学习的疏浚泥资源化利用评价方法及系统 |
| CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、系统、装置及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652216A (zh) * | 2020-06-03 | 2020-09-11 | 北京工商大学 | 基于度量学习的多尺度目标检测模型方法 |
| CN113011478A (zh) * | 2021-03-05 | 2021-06-22 | 清华大学 | 基于数据融合的污染源识别方法及系统 |
| CN113095188A (zh) * | 2021-04-01 | 2021-07-09 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱数据分析方法与装置 |
| CN113469177A (zh) * | 2021-06-30 | 2021-10-01 | 河海大学 | 基于深度学习的排水管道缺陷检测方法及系统 |
| CN114445817A (zh) * | 2022-01-25 | 2022-05-06 | 华南农业大学 | 基于增强拉曼光谱和图像辅助的柑橘缺素症状识别方法 |
| CN114627318A (zh) * | 2022-03-09 | 2022-06-14 | 中国科学院城市环境研究所 | 一种微塑料或纳塑料识别方法、终端设备及存储介质 |
| CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
| CN115359264A (zh) * | 2022-08-11 | 2022-11-18 | 西安理工大学 | 一种密集型分布的粘连细胞深度学习识别方法 |
| CN115389482A (zh) * | 2022-08-29 | 2022-11-25 | 中国计量大学 | 一种基于拉曼光谱和图像算法的物质检测方法 |
| CN115565004A (zh) * | 2022-10-10 | 2023-01-03 | 清华大学 | 一种基于二维拉曼图结合深度学习的拉曼光谱分析方法 |
| CN115979778A (zh) * | 2022-09-21 | 2023-04-18 | 中国海洋大学 | 一种基于光热效应的微纳塑料检测方法 |
-
2023
- 2023-05-05 CN CN202310496903.2A patent/CN116363440B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652216A (zh) * | 2020-06-03 | 2020-09-11 | 北京工商大学 | 基于度量学习的多尺度目标检测模型方法 |
| CN113011478A (zh) * | 2021-03-05 | 2021-06-22 | 清华大学 | 基于数据融合的污染源识别方法及系统 |
| CN113095188A (zh) * | 2021-04-01 | 2021-07-09 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱数据分析方法与装置 |
| CN113469177A (zh) * | 2021-06-30 | 2021-10-01 | 河海大学 | 基于深度学习的排水管道缺陷检测方法及系统 |
| CN114445817A (zh) * | 2022-01-25 | 2022-05-06 | 华南农业大学 | 基于增强拉曼光谱和图像辅助的柑橘缺素症状识别方法 |
| CN114627318A (zh) * | 2022-03-09 | 2022-06-14 | 中国科学院城市环境研究所 | 一种微塑料或纳塑料识别方法、终端设备及存储介质 |
| CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
| CN115359264A (zh) * | 2022-08-11 | 2022-11-18 | 西安理工大学 | 一种密集型分布的粘连细胞深度学习识别方法 |
| CN115389482A (zh) * | 2022-08-29 | 2022-11-25 | 中国计量大学 | 一种基于拉曼光谱和图像算法的物质检测方法 |
| CN115979778A (zh) * | 2022-09-21 | 2023-04-18 | 中国海洋大学 | 一种基于光热效应的微纳塑料检测方法 |
| CN115565004A (zh) * | 2022-10-10 | 2023-01-03 | 清华大学 | 一种基于二维拉曼图结合深度学习的拉曼光谱分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨思节: ""基于拉曼光谱的海水微塑料快速识别方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技1辑》 * |
| 董金建: ""食用油的干涉与光谱信息的深度学习研究"", 《中国优秀硕士学位论文全文数据库 工程科技1辑》 * |
| 邱薇纶: ""基于数据融合策略植物油光谱模式的识别"", 《中国油脂》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883852A (zh) * | 2023-08-29 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及系统 |
| CN116883852B (zh) * | 2023-08-29 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及系统 |
| CN117554319A (zh) * | 2023-10-20 | 2024-02-13 | 广东省水利水电科学研究院 | 一种微塑料丰度的检测方法、系统、装置及存储介质 |
| CN117172992A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种污染农田土壤的微生态特征调查方法及系统 |
| CN117172992B (zh) * | 2023-11-02 | 2023-12-29 | 北京建工环境修复股份有限公司 | 一种污染农田土壤的微生态特征调查方法及系统 |
| CN117455743A (zh) * | 2023-12-18 | 2024-01-26 | 国家海洋局南海规划与环境研究院 | 基于深度学习的疏浚泥资源化利用评价方法及系统 |
| CN117455743B (zh) * | 2023-12-18 | 2024-04-09 | 国家海洋局南海规划与环境研究院 | 基于深度学习的疏浚泥资源化利用评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116363440B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
| CN108108657A (zh) | 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN111325237B (zh) | 一种基于注意力交互机制的图像识别方法 | |
| CN110702648B (zh) | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 | |
| CN116385863B (zh) | 一种基于深度学习的水体中微塑料识别方法及系统 | |
| CN112015901A (zh) | 文本分类方法及装置、警情分析系统 | |
| CN110188828A (zh) | 一种基于虚拟样本集成学习的图像来源鉴别方法 | |
| CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
| Bollis et al. | Weakly supervised attention-based models using activation maps for citrus mite and insect pest classification | |
| CN116541545A (zh) | 一种翻拍图像识别方法、装置、设备及存储介质 | |
| CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
| Xiang et al. | Research on splicing image detection algorithms based on natural image statistical characteristics | |
| CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
| CN114692593A (zh) | 一种网络信息安全监测预警方法 | |
| CN114266740A (zh) | 一种中药饮片质检方法、装置、设备及存储介质 | |
| Quan et al. | Provenance inference for instagram photos through device fingerprinting | |
| CN115861729A (zh) | 基于深度学习算法的小样本林业害虫识别方法 | |
| CN116091763A (zh) | 苹果叶部病害图像语义分割系统及分割方法、设备和介质 | |
| CN115100128A (zh) | 一种基于伪影噪声的深度伪造检测方法 | |
| CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
| CN111291376A (zh) | 一种基于众包和机器学习的web漏洞验证方法 | |
| CN117558011B (zh) | 基于自一致性矩阵和多尺度损失的图像文本篡改检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |