CN108268902A - 基于递归图的高光谱图像变换及物质检测识别***及方法 - Google Patents
基于递归图的高光谱图像变换及物质检测识别***及方法 Download PDFInfo
- Publication number
- CN108268902A CN108268902A CN201810075614.4A CN201810075614A CN108268902A CN 108268902 A CN108268902 A CN 108268902A CN 201810075614 A CN201810075614 A CN 201810075614A CN 108268902 A CN108268902 A CN 108268902A
- Authority
- CN
- China
- Prior art keywords
- substance
- recurrence plot
- recurrence
- spectrum
- data
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 100
- 238000001228 spectrum Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000009466 transformation Effects 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013480 data collection Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000003595 spectral effect Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000001069 Raman spectroscopy Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 240000004922 Vigna radiata Species 0.000 description 2
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 2
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 2
- 240000001417 Vigna umbellata Species 0.000 description 2
- 235000011453 Vigna umbellata Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 235000002639 sodium chloride Nutrition 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 244000309465 heifer Species 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000013613 poultry product Nutrition 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000009781 safety test method Methods 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000013616 tea Nutrition 0.000 description 1
- 239000010891 toxic waste Substances 0.000 description 1
- 231100000041 toxicology testing Toxicity 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于递归图的高光谱图像变换及物质检测识别***及方法,该***包括:高光谱采集终端、数据处理模块以及物质标准递归图数据库;该方法包括:通过高光谱采集终端对待检测物质进行高光谱数据采集,并发送至数据处理模块;数据处理模块对高光谱数据进行原始数据量化处理、滤波处理、包络线去除处理以及递归图处理,得到待检测物质光谱递归图;将待检测物质光谱递归图与存储于物质标准递归图数据库中的标准物质光谱递归图进行比对,获取物质识别结果,返回至高光谱采集终端进行显示。本发明提出的基于递归图的高光谱图像变换及物质检测识别***及方法,光源获取方便,抗干扰能力强,特征提取后特征明显,识别率大大提高。
Description
技术领域
本发明涉及模式识别领域,特别是一种基于递归图的高光谱图像变换及物质检测识别***及方法。
背景技术
高光谱成像技术作为光学无损检测的一种新技术在各个领域受到了广泛的关注和应用。例如高光谱遥感成像、植物叶绿素含量检测和农畜产品品质安全检测等,都运用到了高光谱成像技术。这项技术通过特定波长段的光源照射于物质,采集形成的透射光或反射光光谱序列,且采集精度在10纳米以上。
运用高光谱成像技术所采集光谱波段在可见光谱波段及近红外光谱波段,对实验环境要求低,抗干扰能力强。基于高光谱成像技术的物质鉴别方法可以提供快速、简单、可重复且无损耗的定性物质分析。随着科技的发展,现代物质识别技术被广泛地应用在环境安全、食品卫生、危险品鉴定等各个安全检测领域。在进出口贸易中,对于相关双重用途产品、毒品、生化武器、常规武器、环境污染物质和有毒废料等的物质鉴别需要专业的技术来完成。
现有的物质鉴别检测主要采用拉曼光谱仪,拉曼光谱仪是基于拉曼散射技术。其通常采用激光光源直射物质,在一定频率下,入射光子与原子会发生非弹性散射,进行能量交换而产生拉曼信号,产生的两种频率偏移信号,即斯托克斯偏移与反斯托克斯偏移信号。通过每一种物质拉曼信号与入射光的频率差的不同,拉曼光谱仪能确定物质的种类。拉曼光谱仪对光源和环境的要求苛刻,相比于高光谱仪,由于拉曼散射是一种近似瑞利散射的散射方式,衰弱速度极快,拉曼光谱仪所采集信号受到环境干扰影响较大且需要激光光源加强散射信号强度便于检测。
光谱序列特征提取所采用的递归图分析方法最早于1987年Eckmann等人提出的。该方法是主要用于分析时间周期性、混沌性以及非平稳性的一个重要方法,用它可以揭示时间序列的内部结构,得出有关相似性、信息量和预测性的先验知识。递归图分析方法常用于水下目标信号追踪、径流过程分析及时间序列分析等领域。
发明内容
本发明的目的在于提供一种基于递归图的高光谱图像变换及物质检测识别***及方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是:一种基于递归图的高光谱图像变换及物质检测识别***,包括:用于高光谱数据采集以及物质光谱序列图显示的高光谱采集终端、用于将所述高光谱数据转换为待检测物质光谱递归图的数据处理模块以及用于存储标准物质光谱递归图的物质标准递归图数据库;根据所述物质标准递归图数据库,将所述待检测物质光谱递归图与所述标准物质光谱递归图进行比对,识别对应物质成分数据,获取物质识别结果。
在本发明一实施例中,所述高光谱采集终端包括一高光谱仪,该高光谱仪包括:光发射单元、高光谱采集单元、高光谱信号滤波单元、信号接收单元以及信号传输单元。
进一步的,还提供一种基于递归图的高光谱图像变换及物质检测识别方法,通过高光谱采集终端对待检测物质进行高光谱数据采集,并将采集的高光谱数据采集发送至数据处理模块;所述数据处理模块对所述高光谱数据进行原始数据量化处理、滤波处理、包络线去除处理以及递归图处理,得到待检测物质光谱递归图;将所述待检测物质光谱递归图与存储于所述物质标准递归图数据库中的标准物质光谱递归图进行比对,识别该高光谱数据对应的物质,并将物质识别结果返回至所述高光谱采集终端进行显示。
在本发明一实施例中,在所述高光谱数据采集阶段,采用全色光光源对待检测物质表面进行全面照射,运用滤波器对全色光光源照射的物质进行高精度逐波长采集数据,从而得到预设波长范围的高光谱数据。
在本发明一实施例中,所述递归图处理包括如下步骤:
步骤S1:设定递归图算法参数;
步骤S2:通过如下方式进行数据空间重构;
X(i)={x(i),x(i+τ),…x(i+(m-1)τ)} i=1,2,…,N1-(m-1)τ
其中,X(i)表示重构的空间;x(i)代表原空间的第i个大小为1的数据;τ代表重构空间数据点之间的间隔长度;m表示重构空间的点的个数;N1表示原始空间中的数据个数;
步骤S3:将每一个构造的重构空间之间的欧式距离差与特征阈值做比对,并将小于特征阈值的点作为递归图特征点,像素值取值为1,其他点取值为0,构成二值光谱递归图的每一个像素点;根据像素点坐标,通过如下方式建立物质二值光谱递归图:
Ri,j=θ(ε-||Xi-Xj||),i,j=1,2,…,N
其中,Ri,j为递归图的像素点,θ为递归图灰度值,ε为特征阈值,Xi、Xj分别表示编号为i与j的两组重构空间,N为原始空间中可重构空间个数。
在本发明一实施例中,通过采用图像识别算法,将所述物质二值光谱递归图与所述标准物质光谱递归图进行比对,获取物质识别结果。
在本发明一实施例中,所述图像识别算法采用汉明距离算法;将待测物质的物质二值光谱递归图与所述标准物质光谱递归图逐一计算汉明距离,并将汉明距离最小且小于像素点数10%的物质作为匹配物质,进而获取物质识别结果。
相较于现有技术,本发明具有以下有益效果:本发明的目的在于提供一种基于递归图的高光谱图像变换及物质检测识别***及方法,利用包络线去除方法结合递归图处理算法提取高光谱谱序列特征,将二维曲线状物质特征谱序列,投影成二值光谱递归图。本发明通过上述处理算法将高光谱序列数据整合处理建立高光谱数据库;检测过程中,将接收到的待测物光谱序列数据经过处理后与高光谱数据库进行比对识别。首次将递归图分析法运用于高光谱序列特征分析。通过基于递归图的光谱图像变换处理及分析,将光谱序列由一维信号变换为二维图像,可以描述高光谱序列的确定性成分的存在和周期性嵌入成分的存在,对高光谱序列能有一个定性的判断。也有利于将转换结果直接应用于各种二维图像域的机器学习、计算机视觉、模式识别算法等图像识别分析算法当中。本发明选用可见光波段和近红外波段采集物质光谱特征数据,光源获取方便,相比于拉曼光谱仪抗干扰能力强,特征提取后特征明显,识别率大大提高。
附图说明
图1为本发明一实施例中高光谱物质识别***流程结构示意图。
图2为本发明一实施例中包络线去除处理前效果图。
图3为本发明一实施例中包络线去除处理后效果图。
图4为本发明一实施例中绿豆样本高光谱二值递归图样示意图。
图5为本发明一实施例中牛皮样本高光谱二值递归图样示意图。
图6为本发明一实施例中红豆样本高光谱二值递归图样示意图。
图7为本发明一实施例中海盐样本高光谱二值递归图样示意图。
图8为本发明一实施例中茶粉样本高光谱二值递归图样示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供一种基于递归图的高光谱图像变换及物质检测识别***,包括:用于高光谱数据采集以及物质光谱序列图显示的高光谱采集终端、用于将所述高光谱数据转换为待检测物质光谱递归图的数据处理模块以及用于存储标准物质光谱递归图的物质标准递归图数据库;根据所述物质标准递归图数据库,将所述待检测物质光谱递归图与所述标准物质光谱递归图进行比对,识别对应物质成分数据,获取物质识别结果。
在本实施例中,高光谱采集终端包括一高光谱仪,该高光谱仪包括:光发射单元、高光谱采集单元、高光谱信号滤波单元、信号接收单元以及信号传输单元,并具备全色光源投射、高光谱信号分光、高光谱数据收集等功能。较佳地,高光谱仪采用美亚柏科公司的CP-2000B型仪器。
数据处理模块,包括对原始数据量化处理、滤波处理(去除因干扰、光强不足、光强过高等原因导致的异常数据)、递归图处理等一系列标准化处理。
物质标准递归图数据库,用于存储待检测物质光谱递归图以及标准物质光谱递归图。在本实施例中,基于不同物质间光谱序列类似于指纹一般的独特性,利用高光谱成像技术采集物质反射光谱序列,提取不同物质的光谱序列特征作为物质的特征标识,将每种物质对应的标准物质光谱递归图存储至物质标准递归图数据库,用于物质识别。
进一步的,在本实施例中,如图1所示,还提供一种基于递归图的高光谱图像变换及物质检测识别方法,通过高光谱采集终端对待检测物质进行高光谱数据采集,并将采集的高光谱数据采集发送至数据处理模块;数据处理模块对所述高光谱数据进行原始数据量化处理、滤波处理、包络线去除处理以及递归图处理,得到待检测物质光谱递归图;将待检测物质光谱递归图与存储于物质标准递归图数据库中的标准物质光谱递归图进行比对,识别该高光谱数据对应的物质,并将物质识别结果返回至所述高光谱采集终端进行显示。
在本实施例中,可通过采用上述获取待检测物质光谱递归图的获取方式,获取存储于物质标准递归图数据库中的标准物质光谱递归图。
在本实施例中,在数据输入阶段,高光谱仪进行光谱数据采集。首先采用全色光光源对物质表面进行全面照射,光源强度不宜过高,否则会使返回的光谱数据过度曝光,缺失去物质光谱原有特征。然后运用高精度的滤波器对全色光照射的物质进行高精度逐波长采集数据,从而得到一定波长范围的高光谱数据。较佳地,光谱波长范围在400到750纳米区间,精度为1纳米。
在本实施例中,在数据处理阶段,数据处理模块接收由数据输入阶段采集的高光谱数据,并对其进行基于包络线去除算法的数据处理和基于递归图算法的特征提取。
如图2和图3所示,是包络线去除算法效果图。图2为高光谱采集终端所采集的原始物质光谱数据图,其中每一条数据分别代表在同种物质上采集的每组独立的数据。可以看出数据曲线的外轮廓近似,但幅值大小不同。如图3所示,***采用包络线去除算法处理,以每一条曲线的特征峰值点为基点描绘出光谱曲线的包络线;将包络线由原光谱曲线剥离,得到物质在每个单位波长上的光吸收百分比,作为包络线去除后的新光谱序列曲线。这一处理解决了原数据存在的幅值范围不同和单纯归一化带来的数据特征损耗等问题。
在本实施例中,在基于递归图算法的特征提取阶段,设定递归图算法参数,特征阈值为每组光谱序列标准差的25%,重构空间大小为1,并通过下式1进行数据空间重构:
X(i)={x(i),x(i+τ),…x(i+(m-1)τ)} i=1,2,…,N1-(m-1)τ 式1
其中,X(i)表示重构的空间;x(i)代表原空间的第i个大小为1的数据;τ代表重构空间数据点之间的间隔长度;m表示重构空间的点的个数;N1表示原始空间中的数据个数。
其次,将每一个构造的重构空间之间的欧式距离差与特征阈值做比对,将小于特征阈值的点作为递归图特征点,像素值取值为1,其他点取值为0,构成二值光谱递归图的每一个像素点。根据像素点坐标,通过下式2画出物质二值递归图。
Ri,j=θ(ε-||Xi-Xj||),i,j=1,2,…,N 式2
其中,Ri,j为递归图的像素点;θ为递归图灰度值取1;ε为光谱序列标准差的25%;N与前式N1-(m-1)τ相同,表示原始空间中可重构空间个数;Xi、Xj分别表示两组编号为i与j的不同重构空间。
在本实施例中,提供五种不同的物质,分别采用:绿豆、牛皮、红豆、海盐和茶粉。如图4至图8所示,可以明显看出,各个物质的二值光谱递归图样有明显的不同。进一步通过一定的图像识别算法可以对比区分出不同种类物质的二值光谱递归图样。
在本实施例中,提供采用汉明距离算法分析比对物质二值光谱递归图样。将待测物质二值光谱递归图与数据库中递归图样逐一计算汉明距离。较佳地,将汉明距离最小且小于像素点数10%的物质作为匹配物质,进而获取物质识别结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (7)
1.一种基于递归图的高光谱图像变换及物质检测识别***,其特征在于,包括:用于高光谱数据采集以及物质光谱序列图显示的高光谱采集终端、用于将所述高光谱数据转换为待检测物质光谱递归图的数据处理模块以及用于存储标准物质光谱递归图的物质标准递归图数据库;根据所述物质标准递归图数据库,将所述待检测物质光谱递归图与所述标准物质光谱递归图进行比对,识别对应物质成分数据,获取物质识别结果。
2.根据权利要求1所述的基于递归图的高光谱图像变换及物质检测识别***,其特征在于,所述高光谱采集终端包括一高光谱仪,该高光谱仪包括:光发射单元、高光谱采集单元、高光谱信号滤波单元、信号接收单元以及信号传输单元。
3.一种基于递归图的高光谱图像变换及物质检测识别方法,其特征在于,通过高光谱采集终端对待检测物质进行高光谱数据采集,并将采集的高光谱数据采集发送至数据处理模块;所述数据处理模块对所述高光谱数据进行原始数据量化处理、滤波处理、包络线去除处理以及递归图处理,得到待检测物质光谱递归图;将所述待检测物质光谱递归图与存储于所述物质标准递归图数据库中的标准物质光谱递归图进行比对,识别该高光谱数据对应的物质,并将物质识别结果返回至所述高光谱采集终端进行显示。
4.根据权利要求3所述的基于递归图的高光谱图像变换及物质检测识别方法,其特征在于,在所述高光谱数据采集阶段,采用全色光光源对待检测物质表面进行全面照射,运用滤波器对全色光光源照射的物质进行高精度逐波长采集数据,从而得到预设波长范围的高光谱数据。
5.根据权利要求3所述的基于递归图的高光谱图像变换及物质检测识别方法,其特征在于,所述递归图处理包括如下步骤:
步骤S1:设定递归图算法参数;
步骤S2:通过如下方式进行数据空间重构;
X(i)={x(i),x(i+τ),···x(i+(m-1)τ)}i=1,2,···,N1-(m-1)τ
其中,X(i)表示重构的空间;x(i)代表原空间的第i个大小为1的数据;τ代表重构空间数据点之间的间隔长度;m表示重构空间的点的个数;N1表示原始空间中的数据个数;
步骤S3:将每一个构造的重构空间之间的欧式距离差与特征阈值做比对,并将小于特征阈值的点作为递归图特征点,像素值取值为1,其他点取值为0,构成二值光谱递归图的每一个像素点;根据像素点坐标,通过如下方式建立物质二值光谱递归图:
Ri,j=θ(ε-||Xi-Xj||),i,j=1,2,···,N
其中,Ri,j为递归图的像素点,θ为递归图灰度值,ε为特征阈值,Xi、Xj分别表示编号为i与j的两组重构空间,N为原始空间中可重构空间个数。
6.根据权利要求4所述的基于递归图的高光谱图像变换及物质检测识别方法,其特征在于,通过采用图像识别算法,将所述物质二值光谱递归图与所述标准物质光谱递归图进行比对,获取物质识别结果。
7.根据权利要求6所述的基于递归图的高光谱图像变换及物质检测识别方法,其特征在于,所述图像识别算法采用汉明距离算法;将待测物质的物质二值光谱递归图与所述标准物质光谱递归图逐一计算汉明距离,并将汉明距离最小且小于像素点数10%的物质作为匹配物质,进而获取物质识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810075614.4A CN108268902A (zh) | 2018-01-26 | 2018-01-26 | 基于递归图的高光谱图像变换及物质检测识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810075614.4A CN108268902A (zh) | 2018-01-26 | 2018-01-26 | 基于递归图的高光谱图像变换及物质检测识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268902A true CN108268902A (zh) | 2018-07-10 |
Family
ID=62776922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810075614.4A Pending CN108268902A (zh) | 2018-01-26 | 2018-01-26 | 基于递归图的高光谱图像变换及物质检测识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268902A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658208A (zh) * | 2019-11-11 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 基于高光谱的变电站绝缘子积污在线监测*** |
CN110717947A (zh) * | 2019-09-25 | 2020-01-21 | 北京理工大学 | 一种基于外部和内部训练的高质量光谱重构方法 |
CN111412987A (zh) * | 2019-05-23 | 2020-07-14 | 合刃科技(深圳)有限公司 | 一种基于光谱特征的动态扫描检测装置及方法 |
CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
CN117848978A (zh) * | 2023-12-26 | 2024-04-09 | 中国林业科学研究院木材工业研究所 | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060093223A1 (en) * | 2004-11-02 | 2006-05-04 | The Boeing Company | Spectral geographic information system |
CN1971582A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种基于掌纹图像识别的身份鉴别方法 |
CN101259015A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 一种脑电信号分析监测方法及其装置 |
CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及*** |
-
2018
- 2018-01-26 CN CN201810075614.4A patent/CN108268902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060093223A1 (en) * | 2004-11-02 | 2006-05-04 | The Boeing Company | Spectral geographic information system |
CN1971582A (zh) * | 2005-11-24 | 2007-05-30 | 中国科学院自动化研究所 | 一种基于掌纹图像识别的身份鉴别方法 |
CN101259015A (zh) * | 2007-03-06 | 2008-09-10 | 李小俚 | 一种脑电信号分析监测方法及其装置 |
CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及*** |
Non-Patent Citations (1)
Title |
---|
凌继平 等: "基于递归图和近似熵的水下目标特征提取方法", 《计算机与数字工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111412987A (zh) * | 2019-05-23 | 2020-07-14 | 合刃科技(深圳)有限公司 | 一种基于光谱特征的动态扫描检测装置及方法 |
CN110717947A (zh) * | 2019-09-25 | 2020-01-21 | 北京理工大学 | 一种基于外部和内部训练的高质量光谱重构方法 |
CN110658208A (zh) * | 2019-11-11 | 2020-01-07 | 云南电网有限责任公司电力科学研究院 | 基于高光谱的变电站绝缘子积污在线监测*** |
CN117470142A (zh) * | 2023-12-26 | 2024-01-30 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
CN117470142B (zh) * | 2023-12-26 | 2024-03-15 | 中国林业科学研究院木材工业研究所 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
CN117848978A (zh) * | 2023-12-26 | 2024-04-09 | 中国林业科学研究院木材工业研究所 | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268902A (zh) | 基于递归图的高光谱图像变换及物质检测识别***及方法 | |
Qin et al. | Line-scan hyperspectral imaging techniques for food safety and quality applications | |
Lohumi et al. | Raman imaging from microscopy to macroscopy: quality and safety control of biological materials | |
CN105190261B (zh) | 海产品的光谱法表征 | |
Ng et al. | Detection of illicit substances in fingerprints by infrared spectral imaging | |
CN101710067B (zh) | 一种畜肉品质检测方法 | |
CN104931470B (zh) | 一种基于荧光高光谱技术的农药残留检测装置及检测方法 | |
CN106770194B (zh) | 基于小波变换激光诱导击穿光谱的谷类作物产地鉴别方法 | |
CN108732133A (zh) | 一种基于光学成像技术的植物病害在体无损检测*** | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
Bernacki et al. | Standoff hyperspectral imaging of explosives residues using broadly tunable external cavity quantum cascade laser illumination | |
CN104062262A (zh) | 一种基于近红外光谱的作物种子品种真实性鉴别方法 | |
Song et al. | Detection of fish bones in fillets by Raman hyperspectral imaging technology | |
CN111257957A (zh) | 基于被动式太赫兹成像的识别跟踪***及方法 | |
Yao et al. | Hyperspectral image classification and development of fluorescence index for single corn kernels infected with Aspergillus flavus | |
WO2016080442A1 (ja) | 品質評価方法及び品質評価装置 | |
CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
US7709796B2 (en) | Methods and systems for detecting presence of materials | |
CN103868857A (zh) | 一种农药残留的检测方法、装置及*** | |
Garcia-Allende et al. | Quality control of industrial processes by combining a hyperspectral sensor and Fisher's linear discriminant analysis | |
CN109444186A (zh) | 一种珍珠粉x射线衍射鉴别法 | |
JP2021512321A (ja) | 分光学的手法を用いて微生物を識別する方法 | |
TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Qin et al. | Spectral non-destructive inspection of pigments via multivariate analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180710 |
|
RJ01 | Rejection of invention patent application after publication |