CN115905881B - 黄珍珠分类的方法以及装置、电子设备、存储介质 - Google Patents
黄珍珠分类的方法以及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN115905881B CN115905881B CN202211219593.1A CN202211219593A CN115905881B CN 115905881 B CN115905881 B CN 115905881B CN 202211219593 A CN202211219593 A CN 202211219593A CN 115905881 B CN115905881 B CN 115905881B
- Authority
- CN
- China
- Prior art keywords
- yellow
- data
- pearl
- nanyang
- pearls
- 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
Classifications
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种黄珍珠分类的方法以及装置、电子设备、存储介质。所该方法包括获取待处理的黄珍珠数据;通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据;根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。本申请解决了黄珍珠是否为天然或染色的鉴别分类的技术问题。此外,本申请还提供了珠宝检测方法。
Description
技术领域
本申请涉及珠宝鉴别领域,具体而言,涉及一种黄珍珠分类的方法以及装置、电子设备、存储介质。
背景技术
南洋黄珍珠:黄色海水珍珠,属于南洋珠的一种,产自白唇贝或金唇贝中(大珠母贝),两种贝的主要产地在澳大利亚北部、印尼群岛、菲律宾、缅甸、日本以及泰国沙梅岛和中国三亚。
染色黄珍珠:通过有机染料将非黄色、浅黄色珍珠进行着色,使之呈现黄色的珍珠。
相关技术中关于黄珍珠颜色的研究仍然是处于现象表征,即通过对已知未染色、染色的黄珍珠进行测试对比,进而总结表征差异对是否染色给与判断。
针对相关技术中黄珍珠是否为天然或染色的鉴别分类的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种黄珍珠分类的方法以及装置、电子设备、存储介质,以解决黄珍珠是否为天然或染色的鉴别分类的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种黄珍珠分类的方法。
根据本申请的黄珍珠分类的方法包括:
获取待处理的黄珍珠数据;
通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据;
根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
在一些实施例中,所述南洋天然黄珍珠的样本数据至少包括南洋天然黄珍珠的紫外-可见光谱数据,所述南洋染色黄珍珠的样本数据至少包括南洋染色黄珍珠的紫外-可见光谱数据。
在一些实施例中,所述预先训练的判别模型包括:
所述紫外-可见光谱数据的相似度计算结果、所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果以及所述南洋天然黄珍珠的图谱、所述南洋染色黄珍珠的图谱分别与标准图谱之间相关性的相关系数计算结果;
根据上述计算结果确定识别置信度最高的权重对应的计算方法,并得到判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的判别标准。
在一些实施例中,所述预先训练的判别模型还包括:
通过计算所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据之间的相似度,得到所述紫外-可见光谱数据的相似度计算结果;
通过遍历所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据中的峰位特征,得到所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果;
通过计算所述南洋天然黄珍珠样本数据的图谱、所述南洋染色黄珍珠样本数据的图谱分别与预设标准图谱之间的相关性,得到所述南洋天然黄珍珠的图谱和所述南洋染色黄珍珠的图谱之间相关性的相关系数计算结果;
基于所述相似度计算结果、所述差分遍历计算结果、所述相关系数计算结果,确定用于判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的标准。
在一些实施例中,所述标准图谱通过如下方式获取:
预先将所述南洋天然黄珍珠的样本数据以及所述南洋染色黄珍珠的样本数据的离散型数据文件均选择一个典型图谱数据作为统一标准;
将剩余的其他样本数据按照所述统一标准对数据进行统一化处理。
为了实现上述目的,根据本申请的另一个方面,提供了一种珠宝检测方法。
根据本申请的珠宝检测方法包括:将未知样品采用所述的黄珍珠分类的方法得到所述黄珍珠的分类;
输出南洋黄珍珠、非南洋黄珍珠、需进一步检验的任一一项所述黄珍珠的分类结果;
根据所述分类结果进行珠宝检测。
在一些实施例中,所述方法还包括:
将未知是否经过有机物充填的南洋黄珍珠样品采用所述的黄珍珠分类的方法得到所述黄珍珠的分类;
输出有机物处理、非有机物处理、需进一步检验的任一一项所述黄珍珠的分类结果;
根据所述分类结果进行珠宝检测。
为了实现上述目的,根据本申请的另一方面,提供了一种黄珍珠分类的装置。
根据本申请的黄珍珠分类的装置包括:
获取模块,用于获取待处理的黄珍珠数据;
判别模块,用于通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠样本数据以及南洋染色黄珍珠样本数据;
分类模块,用于根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
根据本发明的再一个方面,还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
为了实现上述目的,根据本申请的再一方面,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本申请实施例中,采用获取待处理的黄珍珠数据的方式,通过通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,达到了根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类的目的,从而实现了自动、准确地对不同品质的黄珍珠进行分类的技术效果,进而解决了黄珍珠是否为天然或染色的鉴别分类的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的黄珍珠分类的方法流程示意图;
图2是根据本申请实施例的黄珍珠分类的装置结构示意图;
图3是根据本申请实施例的黄珍珠分类的方法中采用紫外-可见光谱仪的测量结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
发明人研究时发现,前人通过上述非破坏性的分析手段鉴定黄珍珠颜色已取得了一些成果(Elen,2003;亓利剑等,2008;陈育等,2009;兰延等,2010;张向军等,2010;胡洋等,2014;周丹和李立平,2014;郭倩和徐志,2015)。郭倩和徐志(2015)采用紫外-可见光谱认为天然金珍珠主要吸收峰位于350~360nm,而染色金珍珠则出现明显的410~450nm谱峰;应用拉曼光谱法鉴定可获得天然金珍珠在275cm-1明显的特征峰,376nm处光激发时谱峰是以472nm为中心,而染色珍珠在372nm处受光激发时谱峰位于436nm。周丹和李立平(2014)采用拉曼光谱对染色前后的海水黄珍珠进行了测试,主要显示碳酸盐的拉曼峰位,无法将染色与非染色黄珍珠进行区分。
前人在珍珠与贝壳的区分,以及光泽的划分方面也采用了光谱的方法,取得了一些收获。严俊在专利“CN104181120B基于红外光谱与白度测试联用技术鉴别珍珠粉与贝壳粉的方法”提到了一种鉴于生物成因文石碳酸钙的CO32-离子的面外弯曲振动υ2特征吸收峰峰位以及三角帆蚌珍珠与贝壳中有机物含量的差异为依据,主要利用了淡水珍珠与三角帆蚌的红外光谱中由于不同的分子结构显示的差异谱线,可以为真假珍珠粉的鉴别提供实验室检测依据,并对促进珍珠粉加工产业经济的可持续健康发展、规范珍珠粉行业良性竞争具有较重要的现实意义。彭杰等(2019)明公开了基于可见光光谱的珍珠光泽检测方法,包括获取珍珠样本集;随机测量珍珠样本集中每一颗珍珠表面的可见光光谱数据,获得珍珠样本集中所有珍珠的可见光光谱数据组;采用珍珠等级识别模型对测试特征向量集进行测试,得到测试特征向量集对应珍珠样本的光泽等级。
目前黄珍珠颜色检测领域还没有自动检测设备,亦没有智能判别软件。检测实验室主要依赖于上述测试等,需要大量的珠宝专家进行检验,识别参数难以量化,自动化程度较低,影响了黄珍珠检测的效率。利用计算机语言将南洋黄珍珠检测流程计算机语言化,不仅为黄珍珠的智能化鉴定提供了科学的参考依据,对于降低人工检测的错误率以及提高对其流通监管能力具有重要的实践意义。
关于黄珍珠颜色的研究仍然是处于现象表征,即通过对已知未染色、染色的黄珍珠进行测试对比,进而总结表征差异对是否染色给与判断。并且通过放大、光谱学、物理学与化学的方法找出了可能影响其颜色变化的部分原因,例如,珍珠层中各种金属元素的含量高低与珍珠层颜色相关性,例如黄色珍珠的致色元素倾向于Cu、Fe元素相关。金属卟啉中心金属离子大小不同,引起卟啉环结构平面扭曲,从而引起珍珠的各种颜色,并提出Cu、Fe、Mg、Mn为常见有颜色的金属卟啉化合物络合金属种类,黄色珍珠与铜卟啉、锌卟啉有关。大量的研究表明,黄色金珍珠的颜色染色处理会导致吸收峰位的偏移,采用光学谱线对珍珠颜色以及淡水珍珠与其母贝的区分具有一定的可行性。
但也发现有待于解决的问题。常规的放大观察鉴定方法能直观地反映出金珍珠的外观形态特征,但染色金珍珠的特征并不在每个染色金珍珠上显示出来。常规的红外光谱、拉曼光谱测试表明,对染色黄珍珠的鉴定并没有太大的作用,其原因是珍珠的染色剂并未进入珍珠晶体晶格,不会对其晶体结构造成影响,因此,不能通过红外、拉曼光谱对染色珍珠进行鉴定。紫外可见吸收光谱法常作为区分天然金珍珠和染色金珍珠的鉴定手段,但这种吸收峰并没有严格的固定峰位,而是以包络线的半高宽较强的鼓包为特征,如果不通过对比直接人为观察很难给出正确判断。郭倩和徐志(2015)认为紫外可见吸收光谱法的测试结果仍然有很大的鉴定意义,但是,对谱图进行判断时应该对其他因素加以考虑,未来可将天然珍珠以及染色珍珠在420nm附近的强度或者相对强度做一个量化比对,以获得更准确的判断。
基于上述不足,本申请的实施例中的方法,将采用紫外-可见光谱对特定产地的黄珍珠进行分析,将黄珍珠研究范围缩小,提供更加详尽的具体实施步骤,并且通过数学计算将该方法计算机语言化即作为计算机可读存储介质,或作为一种电子设备。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,是本申请实施例的黄珍珠分类的方法的示意图,该方法包括如下的步骤S110至步骤S130:
步骤S110,获取待处理的黄珍珠数据。
需要注意的是,这里是进行检测步骤,而不是训练的步骤。也就是说,在实际检测时,首先需要获取待处理的黄珍珠数据。此时,并不知道所述待处理的黄珍珠数据中是否有南洋天然黄珍珠或者南洋染色黄珍珠,也就说需要对待处理的黄珍珠数据进行分类。
示例性地,通过输入紫外-可见图谱离散型原始数据,可以实现对南洋天然黄珍珠与南洋染色黄珍珠的自动识别。
步骤S120,通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据。
通过预先训练的判别模型得到所述待处理的黄珍珠数据中的判别结果,可以理解,在所述判别结果中即是对黄珍珠数据的分类。在训练阶段得到的相关标准会写入计算机程序,并可以在用户使用时通过直接输出判别结果。
优选地,所述南洋天然黄珍珠的样本数据至少包括南洋天然黄珍珠的紫外-可见光谱数据,所述南洋染色黄珍珠的样本数据至少包括南洋染色黄珍珠的紫外-可见光谱数据。
进一步地,所述判别模型为使用多组数据通过机器学习训练得出的,按照训练集、验证集,采用有监督的机器学习训练得到判别模型。在训练模型时,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据。也就是说,在训练阶段需要将南洋天然黄珍珠以及南洋染色黄珍珠的样本数据都输入到模型中进行训练。
示例性地,准备黄珍珠样品,将南洋黄珍珠样品进行表面清洁,常温条件下,放入紫外-可见光谱仪分析支架,随机测量样本的数据点作为测试信号数据,对样品信号数据进行收集,形成可编辑离散型数据文件进行存储。即到样本数据。
南洋黄珍珠颜色自动检测属于有机、无机光谱类数据寻找相似度的范畴,一种可选的实施方式中,可以通过建立数据库光谱相似度匹配图谱。经过多年研究,目前已经积累了大量的标准IR谱图,并在此基础上形成了许多数据库,如KnowItAll紫外可见光谱库数据库、萨特勒(Sadtler)数据库、美国国家标准与技术研究院(National Institute ofStandards and Technology)的数据库、紫外-可见光谱库数据库等。通过将被测物质光谱与材料光谱库中的已知物质标准光谱进行光谱曲线相似度的比较,实现物质种类的识别。但是此类方法仍然存在一定的局限性,不仅需要严格统一X轴坐标点位置与数量,而且难以应对相同物质存在峰形较大变化的情况。这里可以使用紫外-可见光谱仪分析支架,采集样本数据。比如,搭建测试条件时采用紫外-可见光谱仪。采用透过率,抠除背景峰。
步骤S130,根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
根据判别结果,可以得到所述黄珍珠数据中的所述黄珍珠的分类,即通过判定南洋天然黄珍珠与南洋染色黄珍珠的标准方法,筛选并分类不同的黄珍珠。
作为本实施例中的优选,所述预先训练的判别模型包括:所述紫外-可见光谱数据的相似度计算结果、所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果以及所述南洋天然黄珍珠的图谱、所述南洋染色黄珍珠的图谱分别与标准图谱之间相关性的相关系数计算结果;根据上述计算结果确定识别置信度最高的权重对应的计算方法,并得到判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的判别标准。
具体实施时,所述紫外-可见光谱数据的相似度计算结果包括:
采用余弦相似度区分南洋天然黄珍珠与南洋染色黄珍珠,余弦相似度计算结果中夹角的余弦值越接近于1,证明相似程度越高,以最接近1的值所指向的标准曲线的名称,作为区分南洋天然黄珍珠与南洋染色黄珍珠的判定标准。
所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果包括:
采用差分遍历法,遍历南洋天然黄珍珠与南洋染色黄珍珠峰位特征,采用遍历寻谷的方法,选择计算区间为300~600nm,计算并对比两者出现峰谷的大小。
可以理解,寻峰匹配是寻找物质红外光谱特征峰位,并根据特征吸收峰进行匹配。目前,Thermo Fisher红外光谱仪自带的红外标准图谱库以及市场上大多数红外光谱设备中标准图谱库普遍采用寻峰匹配的方法,此类方法对于图谱的质量要求较高。因此,对于质量较差的图谱数据需要对原始数据先进行平滑等一系列计算处理,在处理的过程中会丢失一些细微的具有判别依据的特征峰位,存在大量的图谱无法识别或者识别错误的情况。本申请实施例中也采用了找物质红外光谱特征峰位的方式,但是并没有仅使用这种方式。
所述南洋天然黄珍珠的图谱、所述南洋染色黄珍珠的图谱分别与标准图谱之间相关性的相关系数计算结果包括:
采用相关系数法,遍历南洋天然黄珍珠与南洋染色黄珍珠标准图谱与对比图谱之间的相关性,相关性接近于1的值所指向的标准曲线的名称。
进一步地,根据上述计算结果确定识别置信度最高(识别正确率最高)的权重(计算因子或者模型中每个计算方法的比重)对应的计算方法,并得到判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的判别标准。需要注意的是,这里的判别标准,可以基于紫外-可见光谱图谱对南洋天然黄珍珠与南洋染色黄珍珠进行自动检测。
作为本实施例中的优选,所述预先训练的判别模型还包括:通过计算所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据之间的相似度,得到所述紫外-可见光谱数据的相似度计算结果;通过遍历所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据中的峰位特征,得到所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果;通过计算所述南洋天然黄珍珠样本数据的图谱、所述南洋染色黄珍珠样本数据的图谱分别与预设标准图谱之间的相关性,得到所述南洋天然黄珍珠的图谱和所述南洋染色黄珍珠的图谱之间相关性的相关系数计算结果;基于所述相似度计算结果、所述差分遍历计算结果、所述相关系数计算结果,确定用于判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的标准。
具体实施时,通过计算所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据之间的相似度,得到所述紫外-可见光谱数据的相似度计算结果:
示例性地,采用余弦相似度区分南洋天然黄珍珠和染色黄珍珠,采用下述公式计算样本数据的余弦相似度
其中,cos(θ)余弦值表示余弦相似度,ai与bi代表向量a和b的各分量。
然后,以余弦相似度计算结果中夹角的余弦值最接近1的值(1-0.9)所指向的天然/染色黄珍珠标准曲线所代表的珍珠名称,作为区分南洋天然黄珍珠与染色黄珍珠的判定结论。比如,未知谱线与天然黄珍珠标准曲线SY-02(图3中示出)的余弦相似度为0.98,则余弦相似度的判定结果为南洋天然黄珍珠。
通过遍历所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据中的峰位特征,得到所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果:
示例性地,采用差分遍历法,获取每一条谱线的Y坐标值,采用后面的值减去前面的值的方法,找出谱线的波峰,波谷。遍历未知珍珠峰位特征,采用遍历寻谷的方法,找出极小值,选择计算区间为300-600nm,其极小值出现的索引位置小于400nm,则判定为南洋天然黄珍珠。
通过计算所述南洋天然黄珍珠样本数据的图谱、所述南洋染色黄珍珠样本数据的图谱分别与预设标准图谱之间的相关性,得到所述南洋天然黄珍珠的图谱和所述南洋染色黄珍珠的图谱之间相关性的相关系数计算结果:
示例性地,采用相关系数法,遍历南洋天然黄珍珠与染色黄珍珠标准图谱(图3中示出SY-02、D-FY-01)与对比图谱之间的相关性,未知样品的谱线与天然黄珍珠SY-02的谱线相关系数为0.98,则该未知样品为南洋天然黄珍珠。
最后,基于所述相似度计算结果、所述差分遍历计算结果、所述相关系数计算结果,确定用于判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的标准。
作为本实施例中的优选,所述标准图谱通过如下方式获取:预先将所述南洋天然黄珍珠的样本数据以及所述南洋染色黄珍珠的样本数据的离散型数据文件均选择一个典型图谱数据作为统一标准;将剩余的其他样本数据按照所述统一标准对数据进行统一化处理。
具体实施时,对样本信号数据进行前期处理,将南洋天然黄珍珠与南洋染色黄珍珠样品的离散型数据文件各挑出一条典型图谱数据作为标准,将剩余的其他数据按照标准数据作统一化处理,使得所有的数据的波长数据点保持一致。
此外,本申请的实施例中还提供了一种珠宝检测方法,所述珠宝检测方法包括:将未知样品采用所述的黄珍珠分类的方法得到所述黄珍珠的分类;输出南洋黄珍珠、非南洋黄珍珠、需进一步检验的任一一项所述黄珍珠的分类结果;根据所述分类结果进行珠宝检测。
本申请的实施例中基于红外图谱差分寻峰算法的南洋黄珍珠自动检测的方法,上述方法可将南洋黄珍珠、多组分南洋黄珍珠、非南洋黄珍珠、有机物处理南洋黄珍珠进行自动有效地区分。将未知样品放入红外光谱反射支架导出离散性数据,计算机程序既给出“南洋黄珍珠”、“非南洋黄珍珠”、“需进一步检验”的结论,并可导入现有的珠宝检测***作为珠宝检测方法。
在一些实施例中,所述方法还包括:将未知是否经过有机物充填的南洋黄珍珠样品采用所述的黄珍珠分类的方法得到所述黄珍珠的分类;输出有机物处理、非有机物处理、需进一步检验的任一一项所述黄珍珠的分类结果;根据所述分类结果进行珠宝检测。
具体实施时,将未知是否经过有机物充填的南洋黄珍珠样品放入红外光谱透射射支架导出离散性数据,计算机程序既给出“处理”、“非处理”、“需进一步检验”的结论,并可导入现有的珠宝检测***,进一步推动宝石检测智能化发展,有利于珠宝行业监管。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述方法的黄珍珠分类的装置,如图2所示,该装置包括:
获取模块210,用于获取待处理的黄珍珠数据;
判别模块220,用于通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠样本数据以及南洋染色黄珍珠样本数据;
分类模块230,用于根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
本申请实施例的所述获取模块210中需要注意的是,这里是进行检测步骤,而不是训练的步骤。也就是说,在实际检测时,首先需要获取待处理的黄珍珠数据。此时,并不知道所述待处理的黄珍珠数据中是否有南洋天然黄珍珠或者南洋染色黄珍珠,也就说需要对待处理的黄珍珠数据进行分类。
示例性地,通过输入紫外-可见图谱离散型原始数据,可以实现对南洋天然黄珍珠与南洋染色黄珍珠的自动识别。
本申请实施例的所述判别模块220中通过预先训练的判别模型得到所述待处理的黄珍珠数据中的判别结果,可以理解,在所述判别结果中即是对黄珍珠数据的分类。
优选地,所述南洋天然黄珍珠的样本数据至少包括南洋天然黄珍珠的紫外-可见光谱数据,所述南洋染色黄珍珠的样本数据至少包括南洋染色黄珍珠的紫外-可见光谱数据。
进一步地,所述判别模型为使用多组数据通过机器学习训练得出的,按照训练集、验证集,采用有监督的机器学习训练得到判别模型。在训练模型时,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据。也就是说,在训练阶段需要将南洋天然黄珍珠以及南洋染色黄珍珠的样本数据都输入到模型中进行训练。
示例性地,准备黄珍珠样品,将南洋黄珍珠样品进行表面清洁,常温条件下,放入紫外-可见光谱仪分析支架,随机测量样本的数据点作为测试信号数据,对样品信号数据进行收集,形成可编辑离散型数据文件进行存储。即到样本数据。
南洋黄珍珠颜色自动检测属于有机、无机光谱类数据寻找相似度的范畴,一种可选的实施方式中,可以通过建立数据库光谱相似度匹配图谱。经过多年研究,目前已经积累了大量的标准IR谱图,并在此基础上形成了许多数据库,如KnowItAll紫外可见光谱库数据库、萨特勒(Sadtler)数据库、美国国家标准与技术研究院(National Institute ofStandards and Technology)的数据库、紫外-可见光谱库数据库等。通过将被测物质光谱与材料光谱库中的已知物质标准光谱进行光谱曲线相似度的比较,实现物质种类的识别。但是此类方法仍然存在一定的局限性,不仅需要严格统一X轴坐标点位置与数量,而且难以应对相同物质存在峰形较大变化的情况。这里可以使用紫外-可见光谱仪分析支架,采集样本数据。比如,搭建测试条件时采用紫外-可见光谱仪。采用透过率,抠除背景峰。
本申请实施例的所述分类模块230中根据判别结果,可以得到所述黄珍珠数据中的所述黄珍珠的分类,即通过判定南洋天然黄珍珠与南洋染色黄珍珠的标准方法,筛选并分类不同的黄珍珠。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
为了更好地说明本申请中的黄珍珠分类的方法,其实现的流程具体包括如下:
步骤S1,调试紫外-可见光谱仪,扣除背景峰。
步骤S2,将南洋天然黄珍珠样品和染色黄珍珠样品进行表面清洁,采用紫外-可见光谱仪随机分别测量样本的数据点作为测试信号数据,并收集,采用透过率的方式采集图谱,积分时间为100-200s,采集区间为200-1000nm,形成可编辑离散型数据文件进行存储,得到南洋天然黄珍珠样品集(500张光谱图)和染色黄珍珠样品集(500张光谱图);将上述样品集分别按照比例6:4随机分为训练集和测试集。
步骤S3,对样本信号数据进行前期处理:将南洋天然黄珍珠样品与染色黄珍珠样品的离散型数据中各挑出一条典型图谱数据作为标准,天然黄珍珠选取图3中SY-02作为标准图谱、染色黄珍珠选取图3中D-FY-01作为标准图谱,将剩余的其它数据分别按照标准作统一化处理,使得所有数据的波长数据点与数据长度保持一致。
步骤S4,采用余弦相似度区分南洋天然黄珍珠和染色黄珍珠,采用下述公式计算样本数据的余弦相似度。
其中,cos(θ)余弦值表示余弦相似度,ai与bi代表向量a和b的各分量。
步骤S5,以余弦相似度计算结果中夹角的余弦值最接近1的值(1-0.9)所指向的天然/染色黄珍珠标准曲线所代表的珍珠名称,作为区分南洋天然黄珍珠与染色黄珍珠的判定结论;例如未知谱线与天然黄珍珠标准曲线SY-02的余弦相似度为0.85或0.98,则余弦相似度的判定进一步检测。
步骤S6,采用差分遍历法,获取每一条谱线的Y坐标值,采用后面的值减去前面的值的方法,找出谱线的波峰,波谷。遍历未知珍珠峰位特征,采用遍历寻谷的方法,找出极小值,选择计算区间为300-600nm,其极小值出现的索引位置小于400nm,则判定为(南洋)天然黄珍珠。同时,计算并对比两者出现峰谷的大小,写入判定标准。
步骤S7,采用相关系数法,遍历南洋天然黄珍珠与染色黄珍珠标准图谱(SY-02、D-FY-01)与对比图谱之间的相关性,未知样品的谱线与天然黄珍珠SY-02的谱线相关系数为0.98、0.86或0.85,则该未知样品为(南洋)天然黄珍珠。同时,写入判定标准。
步骤S8,通过不断迭代上百条紫外-可见光谱数据的余弦相似度结果、差分遍历结果、以及相关系数的结果,通过调整这三种方法所占的权重比例,寻找识别准确率最高的固定权重参数,将识别率最高的综合权重比例(2:7:1)下的方法,该未知样品为(南洋)天然黄珍珠。同时写入判定程序。
采用计算机语言,计算机语言可以是Python、C等,编写检验南洋天然黄珍珠与染色黄珍珠的判别程序,检验40%测试集中的数据,检验结果证实利用紫外-可见光谱基于余弦相似度、遍历寻谷以及相关系数综合的方法准确率大于95%。
上述方法可以基于紫外-可见光谱图谱对南洋天然黄珍珠与南洋染色黄珍珠进行自动检测。通过输入紫外-可见图谱离散型原始数据,可以实现对天然黄珍珠与南洋染色黄珍珠的自动识别。
本申请的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取待处理的黄珍珠数据;
S2,通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据;
S3,根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待处理的黄珍珠数据;
S2,通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据;
S3,根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种黄珍珠分类的方法,其特征在于,所述方法包括:
获取待处理的黄珍珠数据;
通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠的样本数据以及南洋染色黄珍珠的样本数据;
根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类;
所述黄珍珠分类的方法,其实现的流程具体包括如下:
步骤S1,调试紫外-可见光谱仪,扣除背景峰;
步骤S2,将南洋天然黄珍珠样品和染色黄珍珠样品进行表面清洁,采用紫外-可见光谱仪随机分别测量样本的数据点作为测试信号数据,并收集,采用透过率的方式采集图谱,积分时间为100-200s,采集区间为200-1000nm,形成可编辑离散型数据文件进行存储,得到南洋天然黄珍珠样品集和染色黄珍珠样品集;将上述样品集分别按照比例随机分为训练集和测试集;
步骤S3,对样本信号数据进行前期处理:将南洋天然黄珍珠样品与染色黄珍珠样品的离散型数据中各挑出一条典型图谱数据作为标准,将剩余的其它数据分别按照标准作统一化处理,使得所有数据的波长数据点与数据长度保持一致;
步骤S4,采用余弦相似度区分南洋天然黄珍珠和染色黄珍珠,采用下述公式计算样本数据的余弦相似度;
其中,cos(θ)余弦值表示余弦相似度,ai与bi代表向量a和b的各分量;
步骤S5,以余弦相似度计算结果中夹角的余弦值a最接近1的值所指向的天然/染色黄珍珠标准曲线所代表的珍珠名称,作为区分南洋天然黄珍珠与染色黄珍珠的判定结论;
步骤S6,采用差分遍历法,获取每一条谱线的Y坐标值,采用后面的值减去前面的值的方法,找出谱线的波峰,波谷;遍历未知珍珠峰位特征,采用遍历寻谷的方法,找出极小值,选择计算区间为300-600nm,其极小值出现的索引位置小于400nm,则判定为南洋天然黄珍珠;同时,计算并对比两者出现峰谷的大小,写入判定标准;
步骤S7,采用相关系数法,遍历南洋天然黄珍珠与染色黄珍珠标准图谱与对比图谱之间的相关性,判断未知样品是否为南洋天然黄珍珠。
2.根据权利要求1所述的方法,其特征在于,所述南洋天然黄珍珠的样本数据至少包括南洋天然黄珍珠的紫外-可见光谱数据,所述南洋染色黄珍珠的样本数据至少包括南洋染色黄珍珠的紫外-可见光谱数据。
3.根据权利要求2所述的方法,其特征在于,所述预先训练的判别模型包括:
所述紫外-可见光谱数据的相似度计算结果、所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果以及所述南洋天然黄珍珠的图谱、所述南洋染色黄珍珠的图谱分别与标准图谱之间相关性的相关系数计算结果;
根据上述计算结果确定识别置信度最高的权重对应的计算方法,并得到判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的判别标准。
4.根据权利要求2所述的方法,其特征在于,所述预先训练的判别模型还包括:
通过计算所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据之间的相似度,得到所述紫外-可见光谱数据的相似度计算结果;
通过遍历所述南洋天然黄珍珠样本数据与所述南洋染色黄珍珠样本数据中的峰位特征,得到所述南洋天然黄珍珠的峰位特征和所述南洋染色黄珍珠的峰位特征的差分遍历计算结果;
通过计算所述南洋天然黄珍珠样本数据的图谱、所述南洋染色黄珍珠样本数据的图谱分别与预设标准图谱之间的相关性,得到所述南洋天然黄珍珠的图谱和所述南洋染色黄珍珠的图谱之间相关性的相关系数计算结果;
基于所述相似度计算结果、所述差分遍历计算结果、所述相关系数计算结果,确定用于判别所述南洋天然黄珍珠与所述南洋染色黄珍珠的标准。
5.根据权利要求3所述的方法,其特征在于,所述标准图谱通过如下方式获取:
预先将所述南洋天然黄珍珠的样本数据以及所述南洋染色黄珍珠的样本数据的离散型数据文件均选择一个典型图谱数据作为统一标准;
将剩余的其他样本数据按照所述统一标准对数据进行统一化处理。
6.一种珠宝检测方法,其特征在于,所述珠宝检测方法包括:
将未知样品采用如权利要求1至5任一项所述的黄珍珠分类的方法得到所述黄珍珠的分类;
输出南洋黄珍珠、非南洋黄珍珠、需进一步检验的任一一项所述黄珍珠的分类结果;
根据所述分类结果进行珠宝检测。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将未知是否经过有机物充填的南洋黄珍珠样品采用如权利要求1至5任一项所述的黄珍珠分类的方法得到所述黄珍珠的分类;
输出有机物处理、非有机物处理、需进一步检验的任一一项所述黄珍珠的分类结果;
根据所述分类结果进行珠宝检测。
8.一种黄珍珠分类的装置,其特征在于,所述装置包括:
获取模块,用于获取待处理的黄珍珠数据;
判别模块,用于通过预先训练的判别模型,得到所述待处理的黄珍珠数据中的判别结果,其中所述判别模型为使用多组数据通过机器学习训练得出的,多组数据中的每组数据均包括:南洋天然黄珍珠样本数据以及南洋染色黄珍珠样本数据;
分类模块,用于根据所述判别结果,得到所述黄珍珠数据中的所述黄珍珠的分类;
所述分类模块还用于:
调试紫外-可见光谱仪,扣除背景峰;
将南洋天然黄珍珠样品和染色黄珍珠样品进行表面清洁,采用紫外-可见光谱仪随机分别测量样本的数据点作为测试信号数据,并收集,采用透过率的方式采集图谱,积分时间为100-200s,采集区间为200-1000nm,形成可编辑离散型数据文件进行存储,得到南洋天然黄珍珠样品集和染色黄珍珠样品集;将上述样品集分别按照比例随机分为训练集和测试集;
对样本信号数据进行前期处理:将南洋天然黄珍珠样品与染色黄珍珠样品的离散型数据中各挑出一条典型图谱数据作为标准,将剩余的其它数据分别按照标准作统一化处理,使得所有数据的波长数据点与数据长度保持一致;
采用余弦相似度区分南洋天然黄珍珠和染色黄珍珠,采用下述公式计算样本数据的余弦相似度;
其中,cos(θ)余弦值表示余弦相似度,ai与bi代表向量a和b的各分量;
以余弦相似度计算结果中夹角的余弦值a最接近1的值所指向的天然/染色黄珍珠标准曲线所代表的珍珠名称,作为区分南洋天然黄珍珠与染色黄珍珠的判定结论;
步骤S6,采用差分遍历法,获取每一条谱线的Y坐标值,采用后面的值减去前面的值的方法,找出谱线的波峰,波谷;遍历未知珍珠峰位特征,采用遍历寻谷的方法,找出极小值,选择计算区间为300-600nm,其极小值出现的索引位置小于400nm,则判定为南洋天然黄珍珠;同时,计算并对比两者出现峰谷的大小,写入判定标准;
采用相关系数法,遍历南洋天然黄珍珠与染色黄珍珠标准图谱与对比图谱之间的相关性,判断未知样品是否为南洋天然黄珍珠。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~5之任一所述方法,和/或,所述权利要求6所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~5之任一所述方法,和/或,所述权利要求6所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219593.1A CN115905881B (zh) | 2022-09-30 | 2022-09-30 | 黄珍珠分类的方法以及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219593.1A CN115905881B (zh) | 2022-09-30 | 2022-09-30 | 黄珍珠分类的方法以及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905881A CN115905881A (zh) | 2023-04-04 |
CN115905881B true CN115905881B (zh) | 2023-10-20 |
Family
ID=86477298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219593.1A Active CN115905881B (zh) | 2022-09-30 | 2022-09-30 | 黄珍珠分类的方法以及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905881B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388249A (zh) * | 2023-10-07 | 2024-01-12 | 国家珠宝玉石首饰检验集团有限公司 | 发光珍珠的鉴别方法和装置 |
CN117405645B (zh) * | 2023-12-14 | 2024-03-29 | 珠宝玉石首饰国检集团深圳研究所有限公司 | 一种黑蝶贝珍珠定性检测方法、装置、存储介质以及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866074A (zh) * | 2016-05-26 | 2016-08-17 | 国土资源部珠宝玉石首饰管理中心深圳珠宝研究所 | 钻石发光光谱的快速检测方法及其检测装置 |
CN109709063A (zh) * | 2019-02-14 | 2019-05-03 | 重庆市计量质量检测研究院 | 基于太赫兹时域光谱技术的翡翠鉴定方法 |
CN110542659A (zh) * | 2019-09-06 | 2019-12-06 | 四川大学 | 基于可见光光谱的珍珠光泽检测方法 |
CN111398208A (zh) * | 2020-04-22 | 2020-07-10 | 谭贵平 | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 |
CN113008865A (zh) * | 2021-03-04 | 2021-06-22 | 北京华泰诺安探测技术有限公司 | 珠宝玉石鉴定方法、装置、介质及设备 |
CN113657240A (zh) * | 2021-08-12 | 2021-11-16 | 浙江工业大学 | 一种基于多视角图像扩增的类不平衡珍珠分类方法 |
CN115112598A (zh) * | 2022-08-23 | 2022-09-27 | 国检中心深圳珠宝检验实验室有限公司 | 一种翡翠自动检测模型的建模方法、模型及检测方法 |
-
2022
- 2022-09-30 CN CN202211219593.1A patent/CN115905881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105866074A (zh) * | 2016-05-26 | 2016-08-17 | 国土资源部珠宝玉石首饰管理中心深圳珠宝研究所 | 钻石发光光谱的快速检测方法及其检测装置 |
CN109709063A (zh) * | 2019-02-14 | 2019-05-03 | 重庆市计量质量检测研究院 | 基于太赫兹时域光谱技术的翡翠鉴定方法 |
CN110542659A (zh) * | 2019-09-06 | 2019-12-06 | 四川大学 | 基于可见光光谱的珍珠光泽检测方法 |
CN111398208A (zh) * | 2020-04-22 | 2020-07-10 | 谭贵平 | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 |
CN113008865A (zh) * | 2021-03-04 | 2021-06-22 | 北京华泰诺安探测技术有限公司 | 珠宝玉石鉴定方法、装置、介质及设备 |
CN113657240A (zh) * | 2021-08-12 | 2021-11-16 | 浙江工业大学 | 一种基于多视角图像扩增的类不平衡珍珠分类方法 |
CN115112598A (zh) * | 2022-08-23 | 2022-09-27 | 国检中心深圳珠宝检验实验室有限公司 | 一种翡翠自动检测模型的建模方法、模型及检测方法 |
Non-Patent Citations (1)
Title |
---|
"基于多光谱数据分析的宝石种属自动鉴别算法及软件";顾浩;《万方平台》;第1-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115905881A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN109142317B (zh) | 一种基于随机森林模型的拉曼光谱物质识别方法 | |
CN107818298B (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
CN103235095A (zh) | 注水肉检测方法和装置 | |
CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
CN111443043B (zh) | 一种基于高光谱图像的核桃仁品质检测方法 | |
CN101738373A (zh) | 一种鉴别作物种子品种的方法 | |
CN112649391A (zh) | 一种纤维质量等级在线检测***及其应用 | |
CN103822897A (zh) | 一种基于红外光谱的白酒鉴定及溯源方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
CN111965167A (zh) | 预测固体废弃物元素组成及热值的方法及装置 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
CN110887798B (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
CN113744075A (zh) | 一种基于人工智能的农产品营养品质等级划分*** | |
CN111693484A (zh) | 一种基于太赫兹时域光谱的芝麻油品种识别方法 | |
CN113191618A (zh) | 一种基于中红外光谱技术及特征提取的小米产地溯源方法 | |
CN115728278B (zh) | 枸杞子储存年份鉴别方法、终端设备及存储介质 | |
Sun et al. | SRPAIS: Spectral matching algorithm based on Raman peak alignment and intensity selection |
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 |