CN110793920B - 一种化学成像与高光谱联用的大气遥测方法 - Google Patents
一种化学成像与高光谱联用的大气遥测方法 Download PDFInfo
- Publication number
- CN110793920B CN110793920B CN201910960085.0A CN201910960085A CN110793920B CN 110793920 B CN110793920 B CN 110793920B CN 201910960085 A CN201910960085 A CN 201910960085A CN 110793920 B CN110793920 B CN 110793920B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- infrared spectrum
- function
- detection
- infrared
- 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.)
- Active
Links
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 12
- 238000000691 measurement method Methods 0.000 title 1
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000012905 input function Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 20
- 239000012855 volatile organic compound Substances 0.000 description 20
- 239000007789 gas Substances 0.000 description 14
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004566 IR spectroscopy Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- -1 aldehyde compounds Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G01N2021/1793—Remote sensing
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种化学成像与高光谱联用的大气遥测方法,所述方法包括:建立丰高光谱数据与红外光谱数据库;基于图神经网络、高光谱数据、红外光谱数据库分别建立高光谱、红外光谱检测模型;对目标区域进行高光谱实时监控,对可疑位置进行标记;反馈标记位置到计算机,通过计算机控制红外光谱仪的扫描范围;获取高光谱与红外光谱对目标区域检测后得到的报警区域,并进行精确判断。本发明利用高光谱遥测克服了传统大气遥测速度慢、范围小、不能大面积检测的问题;降低高光谱报警下限的同时使用红外光谱二次检测减少了误报、漏报的情况,大大提高准确率。
Description
技术领域
本发明涉及化学成像技术领域和高光谱技术领域,尤其涉及一种化学成像与高光谱联用的大气遥测方法。
背景技术
近年来,大气污染问题越来越受到国家的重视。其中有机污染物(多环芳烃、挥发性有机物、醛类化合物)是影响较为严重的一类。以挥发性有机化合物(VOC)为例,VOC是指沸点范围在50℃一260℃、室温下饱和蒸气压超过的易挥发性化合物,是光化学烟雾的决定性前体物,也是主要前体物。因此,对于VOC防控治理是提高空气质量的重要途径之一。但是现有的VOC检测仪大部分都是针对室内VOC进行检测,对大气中VOC的检测较少,且存在着检测准确度不高或检测时间较长等缺陷。因此将高光谱技术与红外光谱技术进行联用,利用二次检测提高检测效率与精度。
首先,大气中的VOC都是不可见的气团,因此普通的图像无法对大气中VOC进行检测。而高光谱成像技术是基于非常多窄波段的影像数据技术,它将成像技术与光谱技术相结合,探测目标的二维几何空间及一维光谱信息。利用大气中的VOC在长波红外范围内具有鉴别性的光谱特征体,使用高光谱成像技术可以对大气中的VOC大范围的遥测。
其次,高光谱技术虽然可以大范围的对大气中VOC进行遥测,但是准确度并不高,常有误报,漏报的情况。利用傅氏转换红外线光谱分析仪(FITR)具有高灵敏度和分辨率的特点,可以对大气中VOC进行准确定点检测。同时FTIR可进行实时的多组分同时遥测,所以在多种遥测技术中,FTIR遥测具有其独特的优势,被各国科研人员深入研究用于大气污染的定性定量监测。因此通过高光谱与红外光谱联用可以更快速准确的对大气中的VOC进行遥测。
发明内容
本发明提供了一种化学成像与高光谱联用的大气遥测方法,本发明利用高光谱遥测克服了传统大气遥测速度慢、范围小、不能大面积检测的问题;降低高光谱报警下限的同时使用红外光谱二次检测减少了误报、漏报的情况,大大提高准确率,详见下文描述:
一种化学成像与高光谱联用的大气遥测方法,所述方法包括:
建立丰富的高光谱数据与红外光谱数据库;
基于图神经网络、高光谱数据、红外光谱数据库分别建立高光谱、红外光谱检测模型;
对目标区域进行高光谱实时监控,对可疑位置进行标记;
反馈标记位置到计算机,通过计算机控制红外光谱仪的扫描范围;获取高光谱与红外光谱对目标区域检测后得到的报警区域,并进行精确判断。
其中,所述建立高光谱、红外光谱检测模型具体为:
使用梯度下降求导迭代对输入函数进行求解,对状态及输出值进行迭代;
根据输出值获取输出函数,所述输出函数即为光谱遥测的预测模型;
将采集到的光谱图代入得到需要预测光谱图像的状态,最终带入预测模型,设定阈值,当预测值大于阈值时则为检测到目标气体并进行标记。
进一步地,所述方法还包括:
通过偏最小二乘回归的化学计量学进一步获取监测地区气体成分与浓度信息。
其中,所述通过计算机控制红外光谱仪的扫描范围具体为:
利用计算机控制红外光谱仪对报警区域进行逐点扫描报警区域,对报警区域进行准确定点检测。
本发明提供的技术方案的有益效果是:
1、本发明具有显著的优势,不仅可以对目标区域进行大范围的实时检测,有效降低***误报和漏报的情况,而且可以根据预采集的光谱数据库,结合化学计量学的方法获得目标区域气体的成分信息和浓度信息,实现多种目标气体的同时测量;
2、由于高光谱数据量较大,传统的处理需要十几分钟,本实验室开发了配套算法可以实现高光谱实时遥测;
3、大气遥测技术是利用高光谱技术与红外光谱技术对大气进行二次检测,实现对目标气体的大范围精准实时检测:第一,利用高光谱技术速度快,范围广的特点,对目标区域进行低阈值快速检测,克服了传统大气遥测不能大面积检测的问题,对可疑目标进行标记;第二,利用红外光谱技术对标记区域进行准确定点检测,解决了高光谱遥测准确度不高、误报、漏报的问题,从而获取更精确数据。
附图说明
图1是本发明提供的一种红外光谱与高光谱联用的大气遥测方法的流程图;
图2为本设计的结构框图;
图中,(1)为遥测区域,(2)为高光谱仪,(3)为计算机,(4)为红外光谱仪。
图3为利用本设计对大气中的丙酮进行遥测的示意图;
其中,(a)为进行遥测的目标区域;(b)为丙酮在波谱范围为3.0-3.6μm的波形图;(c)为通过高光谱仪在3.0-3.6μm波谱范围对丙酮低阈快速检测所确定的报警区域图;(d)为丙酮波谱范围为4.0-8.5μm的波形图;(e)为利用红外光谱仪对利用高光谱的报警区域二次精确检测示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明实施例并不是对现有的高光谱与红外光谱技术的简单叠加,原理如下:首先高光谱对大气遥测数据量较大,现有的高光谱数据处理较慢且精度较低,而红外光谱技术普遍使用扫描式,对于大面积的大气遥测速度很慢,本发明实施例利用高光谱技术对目标区域进行定位,大大的缩小了检测范围,使得红外光谱检测可以在小范围内定点检测,因此可以实现大范围快速,高精度检测。
实施例1
本发明实施例提供了一种化学成像与高光谱联用的大气遥测方法,以大气中的VOC遥测为例,本发明利用高光谱对目标区域进行快速大范围的实时监测,识别并上传可疑位置,再通过红外光谱对标记位置进行二次检测,提高大气遥测的准确度,参见图1,该方法包括以下步骤:
101:建立丰富的高光谱数据与红外光谱数据库;
102:基于图神经网络、高光谱数据建立高光谱检测模型;
103:基于图神经网络、红外光谱数据库建立红外光谱检测模型;
104:对目标区域进行高光谱实时监控,对可疑位置进行标记;
105:反馈标记位置到计算机,通过计算机控制红外光谱仪的扫描范围;获取高光谱与红外光谱对目标区域检测后得到的报警区域,并进行精确判断。
实施例2
下面结合图2和图3对实施例1中的方案进行进一步地介绍,详见下文描述:
根据国际上对VOC的定义,针对所有的100余种VOC进行光谱的数据采集,并且将所采集的所有数据建立丰富的红外光谱数据库与高光谱数据库。利用获得的红外光谱数据库与高光谱数据库分别建立模型,结合化学计量学的方法获得目标区域气体的成分信息和浓度信息。
图2示出了本设计的结构框图,目标气体为大气中的VOC。本设计利用计算机协调控制快照式高光谱成像仪与红外光谱仪。将采用高光谱仪对目标区域进行检测,检测波段为3-4μm,对目标区域进行实时扫描,将采集到的高光谱数据传输到计算机,利用已经建立的高光谱模型和化学计量学方法,分析目标区域气体的成分信息和浓度信息。
降低高光谱检测对目标气体的报警阈值,即假定***被设定当大气中丙酮含量超过0.01%时会进行报警,在高光谱检测阶段会标记所有丙酮含量超过0.008%的区域,从而防止***漏报。将所有标记区域都记录下来并存储在计算机上。
本发明实施例设计了基于图神经网络的配套算法建立高光谱检测模型与红外光谱检测模型,可以有效提升检测速度,本算法以图结构为输入,将三维图像分解为多个无向图,其中每个无向图可以认为由节点,两两节点中间的可能存在的边和相似性的参数构成,图结构中的一个节点既包含位置信息也包含纹理信息。
将光谱图像作为计算图,并通过在整张图上传递、转换和聚合节点特征信息,从而使学习神经网络基元以生成单节点嵌入向量。生成的节点嵌入向量可作为任何可微预测层的输入,并用于节点分类或预测节点之间的连接,通过端到端的方式训练得出完整模型,本方法事实上是将原始问题划分为不同的子问题,由于每个子神经网络都是针对特定局部的,并不互相影响,因此相对于解决原始问题要简单很多,同时由于大气遥测中高光谱图像大部分的子神经网络参数基本相似,考虑到图像像素各个图结构回归之间的相关性,提出一种网络间参数传递共享机制,大大加快了每个子网络的收敛速度,提升了检测效率,实现实时检测。
其中,对高光谱与红外光谱数据的建模方法均为:
1、输入函数求解
其中,σ为激活函数,此处使用Relu函数,ωi为任意初始化权重矩阵,在梯度下降求导的过程中可以进行调整。Li为图像像素点x的拉普拉斯变换矩阵,l为每个像素点对应的特征向量。
通过使用梯度下降求导迭代的方式对输入函数进行求解,由于需要保证求解状态收敛使用特定隐函数求导,对状态进行迭代计算其中x(t)表示x的第t次迭代值。
因此状态和输出值的迭代计算过程如下:
x(t+1)=Fω(x(t),l) (2)
直到||x(t)-x(t-1)||≤εf,迭代计算结束,εf为设定的阈值。输入函数x=Fω(x,l)全局收敛,其迭代过程相当于图结构的求解过程,变现为图结构每个节点的“状态”记为xn。
2、输出函数
其中,xi为图结构该点“状态”,li为与该点相连的边,ω为权重参数,输出函数Gw(xi,li)即为光谱遥测的预测模型。
3、损失函数
当t=0时初始化任意z(0),损失函数对权重参数的导数:
新的权重参数为:
直到||z(t)-z(t-1)||≤Δf时停止循环,ω为最终的权重参数,可以很好满足输入输出函数的要求。其中Δf为设定阈值,p是受指导节点的数量,oi为节点输出。最后将迭代后的权重参数ω带入输出函数Gw(xi,li)即为最终的模型。得到预测模型后,将采集到的光谱图代入公式(1),得到需要预测光谱图像的状态,最终带入预测模型Gw(xi,li),设定阈值α,当预测值大于α则为检测到目标气体并进行标记。
其中,高光谱检测时是大面积检测可以实现快速检测,而红外光谱检测是经高光谱检测筛选后的检测区域,在红外检测中是小面积的单点检测,可以类比于高光谱数据进行计算,因此上述建模方法对高光谱与红外光谱数据均可用。
本方法针对大气遥测目标气体扩散具有一定规律进行设计。首先,使用高光谱技术对大气进行遥测时数据量巨大,普通的建模方法比如主成分分析,支持向量机等算法建模方法由于光谱数据量较大,难以实施大规模的样本训练。其次,相比于普通的神经网络算法,由于气体扩散具有一定连续性,普通的神经网络算法如卷积神经网络虽然可以处理高光谱数据进行建模,但是对于气体信息的连续性,点与点间的关系没有很好的利用到,导致遥测速度与精度相比于本方法存在较大劣势。
同时结合使用偏最小二乘回归(PLS)的化学计量学方法进一步精确获取监测地区气体成分与浓度信息。利用计算机控制红外光谱仪对报警区域进行定点扫描,其中红外光谱仪波谱范围为4-10μm。通过计算机调整红外光谱仪镜头角度,逐点扫描报警区域,对报警区域进行准确定点检测。将二次检测到的红外光谱数据反馈给计算机,综合分析高光谱与红外光谱进行精确判断,从而实现完成一次快速、精确的大范围VOC大气遥测。
图3所示,利用本设计对大气中的丙酮进行遥测的流程图。(a)为进行遥测的目标区域,(b)是丙酮在波谱范围为3.0-3.6μm的波形图,(c)中的灰色阴影区域为通过高光谱仪在3.0-3.6μm波谱范围对丙酮低阈快速检测所确定的报警区域,(d)是丙酮波谱范围为4.0-8.5μm的波形图,图(e)利用红外光谱仪在图(d)的波谱范围内进行的二次精确检测示意图,其中黑色区域为确定检测到丙酮的位置。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (3)
1.一种化学成像与高光谱联用的大气遥测方法,其特征在于,所述方法包括:
建立高光谱数据与红外光谱数据库;
基于图神经网络和高光谱数据建立高光谱检测模型,基于图神经网络和红外光谱数据库建立红外光谱检测模型;
对目标区域进行高光谱实时监控,对可疑位置进行标记;
反馈标记位置到计算机,通过计算机控制红外光谱仪的扫描范围;获取高光谱与红外光谱对目标区域检测后得到的报警区域,并进行精确判断;
其中,建立高光谱、红外光谱检测模型的方法均为:
使用梯度下降求导迭代对输入函数进行求解,对状态及输出值进行迭代;
根据状态获取输出函数,所述输出函数即为光谱遥测的预测模型;
将采集到的光谱图代入输入函数得到需要预测光谱图像的状态,将该状态代入预测模型,设定阈值,当预测值大于阈值时则为检测到目标气体并进行标记;其中,
所述输入函数为:
其中,σ为激活函数,此处使用Relu函数,ωi为任意初始化权重矩阵,在梯度下降求导的过程中可以进行调整,Li为图像像素点x的拉普拉斯变换矩阵,l为每个像素点对应的特征向量;
所述输出函数为:
其中,xi为图结构节点的“状态”,li为与节点相连的边,ω为权重参数,输出函数Gw(xi,li)即为光谱遥测的预测模型;
损失函数为:
其中,oi为节点输出,p是受指导节点的数量;新的权重参数为:
将根据公式(4)迭代后的权重参数ω代入输出函数Gw(xi,li)以得到最终的预测模型,得到最终的预测模型后,将采集到的光谱图代入公式(1),得到需要预测光谱图像的状态,将该状态代入最终的预测模型Gw(xi,li),设定阈值α,当预测值大于α则为检测到目标气体并进行标记。
2.根据权利要求1所述的一种化学成像与高光谱联用的大气遥测方法,其特征在于,所述遥测方法还包括:
通过偏最小二乘回归的化学计量学进一步获取监测地区气体成分与浓度信息。
3.根据权利要求1所述的一种化学成像与高光谱联用的大气遥测方法,其特征在于,所述通过计算机控制红外光谱仪的扫描范围具体为:
利用计算机控制红外光谱仪对报警区域进行逐点扫描,对报警区域进行准确定点检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960085.0A CN110793920B (zh) | 2019-10-10 | 2019-10-10 | 一种化学成像与高光谱联用的大气遥测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960085.0A CN110793920B (zh) | 2019-10-10 | 2019-10-10 | 一种化学成像与高光谱联用的大气遥测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110793920A CN110793920A (zh) | 2020-02-14 |
CN110793920B true CN110793920B (zh) | 2022-08-26 |
Family
ID=69438944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960085.0A Active CN110793920B (zh) | 2019-10-10 | 2019-10-10 | 一种化学成像与高光谱联用的大气遥测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110793920B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537157A (zh) * | 2020-05-11 | 2020-08-14 | 嘉兴极光物联网科技有限公司 | 直观定性和精确定量协同高效检测气体泄漏的方法及*** |
CN118072484A (zh) * | 2024-04-19 | 2024-05-24 | 河北久维电子科技有限公司 | 一种预警处理方法及变电站智能监控*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105635533A (zh) * | 2015-12-23 | 2016-06-01 | 天津大学 | 一种具有高动态响应范围的快照式高光谱相机 |
CN107091817A (zh) * | 2017-06-23 | 2017-08-25 | 山东大学 | 火星模拟环境下的全光谱原位表征及联用实验装置及方法 |
CN107328720A (zh) * | 2017-08-14 | 2017-11-07 | 武汉大学 | 土壤重金属污染程度的空地一体化协同监测***及方法 |
WO2018076138A1 (zh) * | 2016-10-24 | 2018-05-03 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10180572B2 (en) * | 2010-02-28 | 2019-01-15 | Microsoft Technology Licensing, Llc | AR glasses with event and user action control of external applications |
-
2019
- 2019-10-10 CN CN201910960085.0A patent/CN110793920B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105635533A (zh) * | 2015-12-23 | 2016-06-01 | 天津大学 | 一种具有高动态响应范围的快照式高光谱相机 |
WO2018076138A1 (zh) * | 2016-10-24 | 2018-05-03 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN107091817A (zh) * | 2017-06-23 | 2017-08-25 | 山东大学 | 火星模拟环境下的全光谱原位表征及联用实验装置及方法 |
CN107328720A (zh) * | 2017-08-14 | 2017-11-07 | 武汉大学 | 土壤重金属污染程度的空地一体化协同监测***及方法 |
Non-Patent Citations (3)
Title |
---|
"Graph convolutional neural networks for hyperspectral data classification";Farideh Foroozandeh Shahraki et al.,;《IEEE Global Conference on Signal and Information Processing 》;20181231;第968-972页 * |
"Hazardous gas detection for FTIR-based hyperspectral imaging system using DNN and CNN";Kim, Yong Chan et al.,;《Proceedings of SPIE》;20171231;第10433 卷;第1-9页 * |
人工神经网络与遥感FTIR对大气有机污染物的实时监测;李燕等;《光谱学与光谱分析》;20031225(第06期);第1104-1106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110793920A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
CN105486655B (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 | |
CN107703554B (zh) | 多通道毫米波辐射计温湿廓线反演***及其反演方法 | |
CN110793920B (zh) | 一种化学成像与高光谱联用的大气遥测方法 | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
CN112417370B (zh) | 粗糙表面物质的穆勒琼斯矩阵估计及偏振噪声分析方法 | |
CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN112304997B (zh) | 基于空间耦合模型的土壤重金属含量检测***及检测方法 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN106940219A (zh) | 一种在轨运行的宽波段卫星遥感器的光谱响应获取方法 | |
CN106126879B (zh) | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 | |
CN116046692A (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、***、设备及介质 | |
CN111400658B (zh) | 超光谱热红外数据反演气体廓线的通道选择方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN109447009B (zh) | 基于子空间核范数正则化回归模型的高光谱图像分类方法 | |
CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 | |
CN105761273B (zh) | 一种基于图构造的高光谱遥感影像异常目标探测方法 | |
CN112733865A (zh) | 一种基于稀疏表示与固定原子迭代的光谱目标检测方法 | |
CN113406057A (zh) | 一种食品中农药残留的快速检测方法及*** | |
CN106872397A (zh) | 一种基于已有校正模型快速检测农产品化学组分的方法 | |
CN109668862B (zh) | 一种基于激光诱导击穿光谱的铝电解质分子比检测方法 | |
CN118090977B (zh) | 一种基于无线传感网络的水质监测*** | |
CN113689035B (zh) | 一种基于卷积神经网络的max-doas光谱预测对流层no2廓线的方法 |
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 |