首页期刊信息编委及顾问期刊发行联系方式使用帮助常见问题ENGLISH
位置:首页 >> 正文
基于紫外–可见–近红外光谱特征映射矩阵的古陶瓷分类方法
作者:胡薰尹1 管业鹏*1 2 李伟东3 罗宏杰4 
单位:1. 上海大学通信与信息工程学院 上海 200444 2. 新型显示技术及应用集成教育部重点实验室 上海 200072  3. 中国科学院上海硅酸盐研究所 上海 201899 4. 上海大学文化遗产保护基础科学研究院 上海 200444 
关键词:光谱特征映射矩阵 异常值检测 古陶瓷分类 神经网络 
分类号:TP391.7
出版年,卷(期):页码:2018,46(9):0-0
DOI:10.14062/j.issn.0454-5648.2018.09.15
摘要:

 :为有效实现古陶瓷无损分类识别,提出了一种基于光谱特征映射矩阵古陶瓷分类方法。基于采集的紫外–可见–近

红外反射光谱数据,采用Sigmoid 映射将其变换为可在二维特征空间反映古陶瓷纹理及其结构关系的光谱特征映射矩阵。利
用Sigmoid 函数良好的非线性特性,平滑光谱数据中存在的异常值,以提高二维光谱特征映射矩阵的区分度。采用滑动窗口
检测机制,通过扫描光谱特征映射矩阵,检测并定位异常光谱数据。为避免因直接剔除异常光谱数据易导致光谱信息丢失,
采用邻域矩阵插值法计算近似正常值并修正异常光谱数据。在此基础上,基于卷积神经网络对二维光谱特征映射矩阵数据进
行分类,实现对古陶瓷的无损识别。通过与同类古陶瓷分类方法的客观定量对比,实验结果表明所提方法有效、可行。
基金项目:
作者简介:
参考文献:

 [1] 陈经涛, 黄四平. 中国古代陶瓷综合分类方法及类别研究[J]. 中国

西部科技, 2007, 6(10): 4–6.
CHEN Jingtao, HUANG Siping. Sci Technol West China (in
Chinese), 2007, 6(10): 4–6.
[2] 刘有延, 罗荫权. 热释光方法在古陶瓷鉴定中的应用[J]. 物理,
2006, 35(5): 438–442.
LIU Youyan, LUO Yinquan. Physics (in Chinese), 2006, 35(5): 438–442.
[3] 褚小立, 陆婉珍. 近五年我国近红外光谱分析技术研究与应用进
展[J]. 光谱学与光谱分析, 2014, 34(10): 2595–2605.
CHU Xiaoli, LU Wanzhen. Spectrosc Spect Anal (in Chinese), 2014,
34(10): 2595–2605.
[4] EVERARD C D, MCDONNELL K P, FAGAN C C. Prediction of
biomass gross calorific values using visible and near infrared
spectroscopy[J]. Biomass Bioenergy, 2012, 45(45): 203–211.
[5] 刘文杰, 李卫军, 李浩光, 等. 基于KPCA和近红外光谱的鉴别玉
米单倍体方法研究[J]. 光谱学与光谱分析, 2017, 37(7): 2024–2027.
LIU Wenjie, LI Weijun, LI Haoguang, et al. Spectrosc Spect Anal (in
Chinese), 2017, 37(7): 2024–2027.
[6] FU H, YIN Q, XU L, et al. A comprehensive quality evaluation
method by FT–NIR spectroscopy and chemometric: fine classification
and untargeted authentication against multiple frauds for Chinese
Ganoderma lucidum[J]. Spectrochim Acta A Mol Biomol Spectrosc,
2017, 182: 17–25.
[7] 郝建明, 李宗南, 谢静. 基于人工智能的异常地物光谱自适应剔除
及分类算法研究[J]. 华中农业大学学报, 2014, 33(5): 135–140.
HAO Jianming, LI Zongnan, XIE Jing. J Huazhong Agric Univ (in
Chinese), 2014, 33(5): 135–140.
[8] 赵振英, 林君, 张怀柱. 近红外光谱法分析油页岩含油率中异常样
品识别和剔除方法的研究[J]. 光谱学与光谱分析, 2014, 34(6):
1707–1710.
ZHAO Zhenying, LIN Jun, ZHANG Huaizhu. Spectrosc Spect Anal
(in Chinese), 2014, 34(6): 1707–1710.
[9] HAMILL P, GIORDANO M, WARD C, et al. An AERONET-based
aerosol classification using the Mahalanobis distance[J]. Atmos
Environ, 2016, 140: 213–233.
[10] LIU Z C, CAI W S, SHAO X G. Outlier detection in near-infrared
spectroscopic analysis by using Monte Carlo cross-validation[J]. Sci
China Ser B, 2008, 51(8): 751–759.
[11] 刘翠玲, 孙晓荣, 吴静珠, 等. 基于NIR的小麦粉异常样本剔除方
法研究[J]. 农机化研究, 2014, 36(4): 46–48.
LIU Cuiling, SUN Xiaorong, WU Jingzhu, et al. J Agri C Mech Res
(in Chinese), 2014, 36(4): 46–48.
[12] 尹宝全, 史银雪, 孙瑞志, 等. 近红外多组分分析中异常样本识别
方法[J]. 农业机械学报, 2015, 46(S1): 122–127.
YIN Baoquan, SHI Yinxue, SUN Ruizhi, et al. T Chin Soc Agric Mach
(in Chinese), 2015, 46(S1): 122–127.
[13] 田海清, 王春光, 张海军, 等. 蜜瓜品质光谱检测中异常建模样品
的综合评判[J]. 光谱学与光谱分析, 2012, 32(11): 2987–2991.
TIAN Haiqing, WANG Chunguang, ZHANG Haijun, et al. Spectrosc
Spect Anal (in Chinese), 2012, 32(11): 2987–2991.
[14] SARUCHI S. Adaptive sigmoid function to enhance low contrast
images[J]. Int J Comput Appl, 2012, 55(4): 45–49.
[15] 肖进胜, 高威, 彭红, 等. 基于局部自相似性和奇异值分解的超采
样图像细节增强[J]. 计算机学报, 2016, 39(7): 1393–1406.
XIAO Jinsheng, GAO Wei, PENG Hong, et al. Chin J Comput (in
Chinese), 2016, 39(7): 1393–1406.
[16] LU Y, YI S, ZENG N, et al. Identification of rice diseases using deep
convolutional neural networks[J]. Neurocomput, 2017, 267: 378–384.
[17] FREDERICK R I, BOWDEN S C. The test validation summary[J].
Assessment, 2009, 16(3): 215–234.
服务与反馈:
文章下载】【加入收藏
中国硅酸盐学会《硅酸盐学报》编辑室
京ICP备10016537号-2
京公网安备 11010802024188号
地址:北京市海淀区三里河路11号    邮政编码:100831
电话:010-57811253  57811254    
E-mail:jccs@ceramsoc.com