CN109668842A - 一种贝类重金属污染快速检测方法 - Google Patents
一种贝类重金属污染快速检测方法 Download PDFInfo
- Publication number
- CN109668842A CN109668842A CN201910129944.1A CN201910129944A CN109668842A CN 109668842 A CN109668842 A CN 109668842A CN 201910129944 A CN201910129944 A CN 201910129944A CN 109668842 A CN109668842 A CN 109668842A
- Authority
- CN
- China
- Prior art keywords
- sample
- heavy metal
- shellfish
- pollution
- classification
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及重金属检测技术领域,具体涉及一种贝类重金属污染快速检测方法。该方法先制备样本;再对样本进行高光谱图像采集、校正和数据提取及预处理;之后对数据进行基于邻域证据决策的波段选择,提取特征波段子集;然后建立分类检测模型,该分类检测模型包括量子神经网络分类器和集成学习分类器,量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类,集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类;最后得出样本的检测结果。该方法利用高光谱检测技术进行样品数据采集,通过邻域证据决策理论进行波段选择,应用量子神经网络和集成学习分类器进行分类检测,操作简便快速,有较好的测试重现性,分析过程中不需要任何化学试剂辅助,对环境无污染性。
Description
技术领域
本发明涉及重金属检测技术领域,具体涉及一种贝类重金属污染快速检测方法。
背景技术
贝类(如贻贝、扇贝、蛤、牡蛎、泥蚶、缢蛏等)生长在海底沉积物中,位置迁移小,一旦遇到水质、沉积物污染较难回避,在摄食过程中也会将水体及沉积物中的重金属污染物蓄积于体内,其体内重金属含量比周围环境中的含量高几个数量级,严重影响了食用价值,若长期食用,会对人类健康产生危害。因此,提高贝类的重金属污染检测能力,确保贝类的质量和食用安全已成为食品安全科学中迫切需要解决的基础问题之一。
现有的检测方法多为传统的重金属污染检测方法,需对样品做分析抽样或复杂的处理,检测是破坏性的,操作复杂,分析过程中还需要化学试剂辅助,对环境存在污染性。
发明内容
本发明为解决上述存在的技术缺陷,提供一种基于高光谱技术的贝类重金属污染快速检测方法,该方法利用高光谱检测技术进行样品数据采集,无需对样品做分析抽样或复杂的处理,检测是非破坏性的且操作简便快速,有较好的测试重现性,分析过程中不需要任何化学试剂辅助,对环境无污染性。
本发明的技术方案是;一种贝类重金属污染快速检测方法,包括以下步骤;
S1:在试验室内制备样本,包括无污染样本、单一污染样本、复合污染样本;
S2:对样本进行高光谱图像采集及校正,之后进行光谱数据提取及进行预处理;
S3:对预处理后的图像数据进行基于邻域证据决策的波段选择,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集;
S4:建立分类检测模型,该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器,量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类,集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类;
S5:得出样本的检测结果。
进一步,所述步骤S2的处理过程为;
S21:对制备的样本进行高光谱图像获取;
S22:对图像进行黑白较正;
S23:提取任一区域图像数据;
S24:对该区域图像数据进行光谱预处理。
进一步,所述步骤S24中的光谱预处理的包括;基线校正、变量标准化、多元散射校正和求导处理。
进一步,所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中,利用粗糙集理论与证据理论二者之间的互补性,剔除冗余数据,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集,具体过程如下:
以每个波段图像数据为条件属性,重金属污染情况作为决策属性,组成决策属性表,再通过属性集约简算法得出最佳特征波段子集。
进一步,所述属性集约简算法包括邻域证据决策理论,通过邻域证据决策理论得出最佳特征波段子集的过程如下:
给定邻域决策***NDT=<U,N,D>,D={ω1,ω2,…,ωc},假设是特征分为c类的分类问题,则ωq为第q个类别(1≤q≤c),在邻域δ(x)中,任意样本xi均提供一条证据mi来反映样本x的隶属类别,将证据mi进行融合,并计算最终证据m的BetPm概率度量,那么邻域证据决策(NeighborhoodEvidential Decision,NED)定义为:
其中,证据
式中,BetPm({ωq})为属于ωq类的样本的概率度量,d(x,xi)为不同样本之间的相似程度的度量,ωq为样本xi所属类,α为结构参数,0<α<1,φq为距离的函数;
与BetPm概率度量相关的错误分类0-1损失函数为:
式中,ω(x)为样本x所属类;
基于NED的定义函数和0-1损失函数,邻域证据决策误差率(NeighborhoodEvidential DecisionError,NEDE)定义如下:
式中,n为样本数,λ(ω(xi)|NED(xi))为将NED(xi)误判为ω(xi)时的损失;
NEDE是贝叶斯分类误差的一种估计,通过选择不同的属性集使得NEDE达到最小,从而实现基于NEDE的属性约简。
进一步,所述步骤S4中量子神经网络分类器的分类过程为:
建立已知类别的数据集,该数据集包括训练数据集和测试数据集,从训练数据集中选择合适的量子神经网络参数进行迭代训练量子神经网络,从而构造量子神经网络分类器,将测试数据集输入量子神经网络分类器中测试该分类器的性能,如达到用户要求则可用于对未知类别的数据进行分类,否则重新选择合适的量子神经网络参数再次迭代训练量子神经网络,直至得到符合用户要求的量子神经网络分类器。
进一步,在进行迭代训练量子神经网络过程中神经元采用多个激励函数的叠加,形成对特征空间的多级划分,其中量子神经元的激励函数表示为:
其中:WT为权向量的转置;X为输入向量;β为斜率;θs为量子间隔;ns为量子层总数。
进一步,所述集成学习分类器的分类过程为:由多个量子神经网络分类器并行进行多数投票集成,构成集成学习分类器,将需要进行测试的数据集输入集成学习分类器进行分类输出。
本发明的有益效果:
本发明利用兼具图像处理技术和光谱分析技术优点的高光谱图像技术,为实现贝类重金属快速无损检测提供了技术可行性,与传统的重金属污染检测方法相比,本方法利用高光谱检测技术无需对样品做分析抽样或复杂的处理,检测是非破坏性的且操作简便快速,有较好的测试重现性,分析过程中不需要任何化学试剂辅助,对环境无污染性;同时本发明利用基于邻域证据决策的波段选择,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集,再利用该特征波段子集输入分类检测模型中进行分类检测,而分类检测模型基于量子神经网络分类器可对未知的样本进行预测或者准确分类,该分类检测模型利用集成学习的方法,具有较高的分类精度,可将污染金属种类很好地进行甄别。
本发明还具有以下现实意义;
(1)对保证消费者食用贝类的安全,保障人民身体健康具有极为重要的现实意义。
(2)对开展以贝类为养殖水域环境污染监测指示生物的研究,保障贝类养殖业的健康和可持续发展具有十分重要的意义。
(3)以本方法为研究基础,可开展重金属污染物在贝类体内的富集规律研究,掌握海洋污染状况,进而采取措施控制污染,对海洋环境的保护和沿海经济的发展具有重要意义。
附图说明
图1是本发明的流程示意图。
图2是样本制备的分类图。
图3是高光谱图像数据获取及预处理分析流程图。
图4是基于邻域粗糙集的波段选择流程图。
图5是量子神经网络分类器检测流程图。
图6是集成学习分类器检测流程图。
图7是检测仪硬件总体结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例1:
本发明以南海海域比较常见的3种养殖贝类菲律宾蛤仔、近江牡蛎和翡翠贻贝为研究对象,以铜、锌、镉、铅四种典型重金属离子为分析指标,针对单一重金属污染和复合重金属污染两种情况,利用高光谱图像技术开展贝类重金属污染快速无损检测及重金属离子含量测定研究。
如图1所示,一种贝类重金属污染快速检测方法,包括以下步骤;
S1:在试验室内制备样本,包括无污染样本、单一污染样本、复合污染样本;
S2:对样本进行高光谱图像采集及校正,之后进行光谱数据提取及进行预处理;
S3:对预处理后的图像数据进行基于邻域证据决策的波段选择,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集;
S4:建立分类检测模型,该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器,量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类,集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类;
S5:得出样本的检测结果。
样本构成如图2所示,首先在试验室条件下进行重金属污染样本的制备,其中单一污染样本包括铜污染、锌污染、铅污染和镉污染,复合污染样本包括铜污染、锌污染、铅污染和镉污染其中的两种、三种或四种组合。将培养好的样本置于高光谱图像采集***的载物台上,采集每个样本的高光谱图像进行后续的研究。
如图3所示,步骤S2的高光谱图像数据获取和处理分析流程为;
S21:对制备的样本进行高光谱图像获取;
S22:对图像进行黑白较正;
S23:提取任一区域图像数据;
S24:对该区域图像数据进行光谱预处理。
其中,步骤S24中的光谱预处理的包括;基线校正、变量标准化、多元散射校正和求导处理。
在本实施例中,针对高光谱数据量大、波段相关性强、数据传输和处理难度大等问题,本方法在步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中,利用粗糙集理论与证据理论二者之间的互补性,剔除冗余数据,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集,具体过程如图4所示:
基于邻域粗糙集进行波段选择:以每个波段图像数据为条件属性,重金属污染情况作为决策属性,组成决策属性表,再通过属性集约简算法得出最佳特征波段子集。
其中,所述属性集约简算法包括邻域证据决策理论,通过邻域证据决策理论得出最佳特征波段子集的过程如下:
给定邻域决策***NDT=<U,N,D>,D={ω1,ω2,…,ωc},假设是特征分为c类的分类问题,则ωq为第q个类别(1≤q≤c),在邻域δ(x)中,任意样本xi均提供一条证据mi来反映样本x的隶属类别,将证据mi进行融合,并计算最终证据m的BetPm概率度量,那么邻域证据决策(NeighborhoodEvidential Decision,NED)定义为:
其中,证据
式中,BetPm({ωq})为属于ωq类的样本的概率度量,d(x,xi)为不同样本之间的相似程度的度量,ωq为样本xi所属类,α为结构参数,0<α<1,φq为距离的函数;
与BetPm概率度量相关的错误分类0-1损失函数为:
式中,ω(x)为样本x所属类;
基于NED的定义函数和0-1损失函数,邻域证据决策误差率(Neighborhood
EvidentialDecisionError,NEDE)定义如下:
式中,n为样本数,λ(ω(xi)|NED(xi))为将NED(xi)误判为ω(xi)时的损失;
NEDE是贝叶斯分类误差的一种估计,通过选择不同的属性集使得NEDE达到最小,从而实现基于NEDE的属性约简。
针对同种物质(被测样本)光谱曲线较为相似难于区分的问题,创建重金属污染样本与无污染样本的快速分类模型,分析参数对模型的影响,确定最优参数。重点在于如何针对具体问题构建分类器,在训练数据集上训练学习算法,使其掌握规律以便对未知的样本进行预测或者准确分类。本方法拟将量子迁移概念引入前向神经网络,神经元采用多个激励函数的叠加,形成对特征空间的多级划分。量子神经网络分类器进行污染和未污染样本检测的流程如图5所示;
建立已知类别的数据集,该数据集包括训练数据集和测试数据集,从训练数据集中选择合适的量子神经网络参数进行迭代训练量子神经网络,从而构造量子神经网络分类器,将测试数据集输入量子神经网络分类器中测试该分类器的性能,如达到用户要求则可用于对未知类别的数据进行分类,否则重新选择合适的量子神经网络参数再次迭代训练量子神经网络,直至得到符合用户要求的量子神经网络分类器。
其中,在进行迭代训练量子神经网络过程中神经元采用多个激励函数的叠加,形成对特征空间的多级划分,其中量子神经元的激励函数表示为:
其中:WT为权向量的转置;X为输入向量;β为斜率;θs为量子间隔;ns为量子层总数。
对于贝类四种不同重金属(铜、锌、镉、铅)污染和无重金属污染的甄别问题,属于多分类问题,分类器的精度受领域知识和训练数据及其分布的影响很大。为了达到高效的解决多分类问题的目的,本方法拟采用集成学习的方法,具体步骤如图6所示;
集成学习分类器的分类过程为:由多个量子神经网络分类器组成多数投票集成,构成集成学习分类器,将需要进行测试的数据集输入集成学习分类器进行分类输出。
实施例2:
结合上述实施例1中已获得的最佳特征波段子集,设计基于ARM9的便携式贝类重金属检测仪器,采用结构化的设计方式,装置的硬件主体分别由几个具有独立功能的子结构组成,包括光谱采集模块、控制模块、显示模块、供电模块以及一些附设电路等。该装置价格低廉、携带方便、检测精度比较高,能够实现快速便捷的贝类重金属检测。
基于高光谱图像技术的便携式贝类重金属污染快速检测仪的研发流程包括:
(1)需求分析,包括检测对象的特性分析及研发可行性分析;
(2)前期预实验及整体方案确定;
(3)仪器硬件平台的搭建,包括光谱采集模块设计、嵌入式硬件平台的选型及其他附件的结构设计;
(4)仪器软件***的开发,包括嵌入式Linux(网络操作***)的定制移植,驱动程序编写,基于Qt的界面应用程序的设计(Qt是一种支持多种操作***,多种体系结构硬件平台的跨平台应用程序框架);
(5)仪器整体设计、功能调试及参数优化。
仪器硬件主要由光谱采集模块和基于ARM9的嵌入式控制***两部分组成,总体结构如图7所示。ARM9系列的嵌入式控制***有良好的数据处理能力,支持较为复杂的数据算法,支持触摸屏人机交互,适合在本项目设计中使用。光学***中的光电检测釆集到的光谱信号经过信号放大电路和A/D数模转换电路,串行输入到S3C2440微处理器中进行数据处理,利用微处理器对采集到的光谱数据进行定标和分析,同时实现对光谱釆集模块以及人机交互界面的控制。
其中,Nand Flash是Flash存储器(又称闪存)的一种,其内部采用非线性宏单元模式,为固态大容量内存的实现提供了廉价有效的解决方案。它是一种非易失性存储器,用于存储光谱数据;
SDRAM(Synchronous Dynamic RandomAccess Memory)是同步动态随机存储器,也用于同步存储数据;
JTAG(Joint TestAction Group)联合测试工作组,是一种国际标准测试协议(IEEE 1149.1兼容),主要用于芯片内部测试。这里指的是标准的JTAG接口,用于接入外部设备;
LCD用于显示数据的分类结果;
触摸屏是用于装载人机交互界面,输入操作命令操作该仪器;
UART(UniversalAsynchronous Receiver/Transmitter)是指通用异步收发传输器。它将要传输的资料在串行通信与并行通信之间加以转换,用于与外部设备进行通信。
光谱采集模块中的光路釆用的是发光二极管与滤光片结合的形式,主要由光源(近红外LED光源)、分光***和探测器(OPT101光电检测器)几部分组成。光电检测器采集到的光电信号是非常微弱的,一般都在mV级别,为了提高***信噪比,需要加入信号放大电路对光电信号进行调整。A/D(模拟量/数字量)转换电路将光电检测器输出的模拟信号转换为数字信号,串行输入到S3C2440微处理器中进行数据处理,利用微处理器对采集到的光谱数据进行分析。
该微处理器是基于上述实施例1中所进行研究的方法为基础来进行编程设计,主要是以用来分析高光谱数据的公式和原理为基础,编程设计该微处理器的功能。
在计算机技术和光电技术等高新技术的推动下,以本方法为研究基础,可开发快速、高精度、无损伤、智能化的贝类重金属检测仪器,并将其投入到贝类品质检测的实际应用中,可提高贝类的食用安全性,为消费者提供真正安全、无污染的贝类,满足消费者的优质需求,满足市场的要求。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种贝类重金属污染快速检测方法,其特征在于,包括以下步骤;
S1:在试验室内制备样本,包括无污染样本、单一污染样本、复合污染样本;
S2:对样本进行高光谱图像采集及校正,之后进行光谱数据提取及进行预处理;
S3:对预处理后的图像数据进行基于邻域证据决策的波段选择,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集;
S4:建立分类检测模型,该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器,量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类,集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类;
S5:得出样本的检测结果。
2.根据权利要求1所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S2的处理过程为;
S21:对制备的样本进行高光谱图像获取;
S22:对图像进行黑白校正;
S23:提取任一区域图像数据;
S24:对该区域图像数据进行光谱预处理。
3.根据权利要求2所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S24中的光谱预处理的包括;基线校正、变量标准化、多元散射校正和求导处理。
4.根据权利要求1所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中,利用粗糙集理论与证据理论二者之间的互补性,剔除冗余数据,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集,具体过程如下:以每个波段图像数据为条件属性,重金属污染情况作为决策属性,组成决策属性表,再通过属性集约简算法得出最佳特征波段子集。
5.根据权利要求4所述的一种贝类重金属污染快速检测方法,其特征在于,所述属性集约简算法包括邻域证据决策理论,通过邻域证据决策理论得出最佳特征波段子集的过程如下:
给定邻域决策***NDT=<U,N,D>,D={ω1,ω2,…,ωc},假设是特征分为c类的分类问题,则ωq为第q个类别(1≤q≤c),在邻域δ(x)中,任意样本xi均提供一条证据mi来反映样本x的隶属类别,将证据mi进行融合,并计算最终证据m的BetPm概率度量,那么邻域证据决策NED定义为:
其中,证据
式中,BetPm({ωq})为属于ωq类的样本的概率度量,d(x,xi)为不同样本之间的相似程度的度量,ωq为样本xi所属类,α为结构参数,0<α<1,φq为距离的函数;
与BetPm概率度量相关的错误分类0-1损失函数为:
式中,ω(x)为样本x所属类;
基于NED的定义函数和0-1损失函数,邻域证据决策误差率NEDE定义如下:
式中,n为样本数,λ(ω(xi)NED(xi))为将NED(xi)误判为ω(xi)时的损失;
NEDE是贝叶斯分类误差的一种估计,通过选择不同的属性集使得NEDE达到最小,从而实现基于NEDE的属性约简。
6.根据权利要求1所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S4中量子神经网络分类器的分类过程为:
建立已知类别的数据集,该数据集包括训练数据集和测试数据集,从训练数据集中选择合适的量子神经网络参数进行迭代训练量子神经网络,从而构造量子神经网络分类器,将测试数据集输入量子神经网络分类器中测试该分类器的性能,如达到用户要求则可用于对未知类别的数据进行分类,否则重新选择合适的量子神经网络参数再次迭代训练量子神经网络,直至得到符合用户要求的量子神经网络分类器。
7.根据权利要求6所述的一种贝类重金属污染快速检测方法,其特征在于,在进行迭代训练量子神经网络过程中神经元采用多个激励函数的叠加,形成对特征空间的多级划分,其中量子神经元的激励函数表示为:
其中:WT为权向量的转置;X为输入向量;β为斜率;θs为量子间隔;ns为量子层总数。
8.根据权利要求6所述的一种贝类重金属污染快速检测方法,其特征在于,所述集成学习分类器的分类过程为:由多个量子神经网络分类器并行进行多线训练组成多数投票集成,构成集成学习分类器,将需要进行测试的数据集输入集成学习分类器进行分类输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129944.1A CN109668842A (zh) | 2019-02-21 | 2019-02-21 | 一种贝类重金属污染快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129944.1A CN109668842A (zh) | 2019-02-21 | 2019-02-21 | 一种贝类重金属污染快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109668842A true CN109668842A (zh) | 2019-04-23 |
Family
ID=66152353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129944.1A Pending CN109668842A (zh) | 2019-02-21 | 2019-02-21 | 一种贝类重金属污染快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109668842A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596558A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种结合邻域粗糙集与证据理论的变压器油纸绝缘状态综合评估方法 |
CN112816422A (zh) * | 2021-02-05 | 2021-05-18 | 岭南师范学院 | 一种光谱分析的贝类重金属动态检测结构与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN106862284A (zh) * | 2017-03-24 | 2017-06-20 | 燕山大学 | 一种冷轧板带信号模式识别的方法 |
KR101756960B1 (ko) * | 2016-05-31 | 2017-07-13 | (주)아세아항측 | 항공 초분광 영상을 이용한 토양 중금속의 모니터링 방법 |
CN109060771A (zh) * | 2018-07-26 | 2018-12-21 | 温州大学 | 一种基于光谱不同特征集的共识模型构建方法 |
-
2019
- 2019-02-21 CN CN201910129944.1A patent/CN109668842A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN103278464A (zh) * | 2013-04-18 | 2013-09-04 | 北京工商大学 | 鱼肉检测方法和装置 |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
KR101756960B1 (ko) * | 2016-05-31 | 2017-07-13 | (주)아세아항측 | 항공 초분광 영상을 이용한 토양 중금속의 모니터링 방법 |
CN106862284A (zh) * | 2017-03-24 | 2017-06-20 | 燕山大学 | 一种冷轧板带信号模式识别的方法 |
CN109060771A (zh) * | 2018-07-26 | 2018-12-21 | 温州大学 | 一种基于光谱不同特征集的共识模型构建方法 |
Non-Patent Citations (5)
Title |
---|
刘瑶: "基于邻域粗糙集的高光谱波段选择算法研究", 《中国博士学位论文全文数据库》 * |
张培林: "《机械故障信号的量子计算分析及智能诊断》", 31 July 2015 * |
张朝龙: "一种基于量子神经网络的模拟电路故障诊断方法", 《辽宁石油化工大学学报》 * |
李俊华: "《2007中国控制与决策学术年会论文集》", 31 December 2015 * |
王培红: "《热工过程特殊参量的认知建模方法 证据理论的拓展与应用》", 31 August 2012 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596558A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种结合邻域粗糙集与证据理论的变压器油纸绝缘状态综合评估方法 |
CN112816422A (zh) * | 2021-02-05 | 2021-05-18 | 岭南师范学院 | 一种光谱分析的贝类重金属动态检测结构与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Irisson et al. | Machine learning for the study of plankton and marine snow from images | |
Lombard et al. | Globally consistent quantitative observations of planktonic ecosystems | |
Brewin et al. | An intercomparison of bio-optical techniques for detecting dominant phytoplankton size class from satellite remote sensing | |
Martsenyuk et al. | Multispectral control of water bodies for biological diversity with the index of phytoplankton | |
CN108875913A (zh) | 一种基于卷积神经网络的松茸快速无损检测***及方法 | |
CN103955938A (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
CN107045637A (zh) | 一种基于光谱的血液物种识别仪及识别方法 | |
CN107219221A (zh) | 毒品检测装置及检测方法 | |
Helser et al. | A transformative approach to ageing fish otoliths using Fourier transform near infrared spectroscopy: a case study of eastern Bering Sea walleye pollock (Gadus chalcogrammus) | |
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 | |
Cai et al. | Rapid identification of ore minerals using multi-scale dilated convolutional attention network associated with portable Raman spectroscopy | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
Pan et al. | Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network | |
Di Mauro et al. | Using ZooImage automated system for the estimation of biovolume of copepods from the northern Argentine Sea | |
CN109668842A (zh) | 一种贝类重金属污染快速检测方法 | |
CN108802002A (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 | |
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN109060771A (zh) | 一种基于光谱不同特征集的共识模型构建方法 | |
Sun et al. | Hyperspectral remote sensing of the pigment c-phycocyanin in turbid inland waters, based on optical classification | |
CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
Barman et al. | Prediction of soil pH using smartphone based digital image processing and prediction algorithm | |
US10235495B2 (en) | Method for analysis and interpretation of flow cytometry data | |
Zhu et al. | Smart polarization and spectroscopic holography for real-time microplastics identification | |
CN208476785U (zh) | 一种适用于水产品重金属检测的激光诱导击穿光谱检测装置 |
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: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |