CN105092484A - 一种液体识别装置 - Google Patents

Abstract

本发明实施例公开了一种液体识别装置。所述液体识别装置包括：光源组件、容置部和检测组件；所述光源组件和所述检测组件电连接；其中，所述容置部用于容置液体；所述光源组件与所述检测组件基于所述容置部相对设置，以使所述检测组件接收到所述光源组件发出的透过所述容置部中液体的光线；所述检测组件，用于基于侦测到的光线信号获得所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

Description

一种液体识别装置

技术领域

本发明涉及检测技术，具体涉及一种液体识别装置。

背景技术

现有技术中，针对液体的检测通常需要复杂并且专业的检测方法，普通用户除了去专业的检测结构进行检测之外目前并无有效的检测方式；并且需要比较长的时间才能够获得检测结果。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种液体识别装置，能够方便快捷的实现对液体的种类进行检测。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种液体识别装置，所述装置包括：光源组件、容置部和检测组件；所述光源组件和所述检测组件电连接；其中，

所述容置部用于容置液体；

所述光源组件与所述检测组件基于所述容置部相对设置，以使所述检测组件接收到所述光源组件发出的透过所述容置部中液体的光线；

所述检测组件，用于基于侦测到的光线信号所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

上述方案中，所述检测组件包括探测单元和处理单元；其中，

所述探测单元，用于采集光线信号；

所述处理单元，用于基于所述探测单元采集到的光线信号获得所述容置部中的液体对光线的吸收参数，分析所述吸收参数获得所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

上述方案中，所述检测组件还包括光源驱动单元，所述光源驱动单元与所述光源组件电连接；所述光源驱动单元，用于驱动所述光源组件。

上述方案中，所述检测组件还包括通信接口单元，用于控制与所述光源组件和/或外部设备的通信，以及控制电源输入。

上述方案中，所述处理单元，还用于基于所述探测单元采集到的光线信号获得所述容置部中的液体对光线的吸收参数之前，建立已知种类液体的预测模型；其中，所述建立已知种类液体的预测模型，包括：采集至少一种已知液体的光谱，基于采集到的光谱获得所述至少一种已知液体的特征参数。

上述方案中，所述处理单元，用于将所述容置部中的液体的特征参数与所述预测模型中包括的至少一种已知液体的特征参数进行比对，将比对成功的已知液体的种类确定为所述容置部中的液体的种类。

上述方案中，所述处理单元，用于计算所述探测单元多次采集到的不同环境光照度条件下的原始光谱的平均光谱；对所述平均光谱进行均值中心化处理以及标准化处理，分别获得均值中心化处理后的光谱集S1和标准化处理后的光谱集S2；在所述光谱集S1中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S1的特征阈值矩阵S1_P(min)和特征阈值矩阵S1_P(max)，所述S1_P(min)表示所述光谱集S1中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S1_P(max)表示所述光谱集S1中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵；在所述光谱集S2中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S2的特征阈值矩阵S2_P(min)和S2_P(max)，所述S2_P(min)表示所述光谱集S2中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S2_P(max)表示所述光谱集S2中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵。

上述方案中，所述平均光谱满足如下公式：

$\stackrel{\‾}{X}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i}{j}$

其中，j为同一光谱连续采集的次数，X_i为其中第i次采集的光谱向量，i小于j；为求得的平均光谱；

所述平均光谱的光谱平均值满足如下公式：

$\stackrel{\‾}{x}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i}{n}$

其中，为所述平均光谱的光谱平均值；n为光谱的采样点个数，x为所述探测单元采集到的采样点的输出信号强度值。

上述方案中，对所述平均光谱进行均值中心化处理满足如下公式：

$x_i^{\′}=x_i-\stackrel{\‾}{x}$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；x′_i为得到的均值中心化后的第i个采样点的值。

上述方案中，对中心化处理后的光谱进行标准化处理，包括：

计算所述光谱的标准差，所述光谱的标准差满足以下公式：

$s=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；n为光谱的采样点个数。

基于获得的标准差计算标准化处理后的光谱；所述标准化处理后的光谱满足以下公式：

$x_i^{\′\′}=\frac{x_i^{\′}}{s}$

其中，x′_i为得到的均值中心化后的第i个采样点的值；x″_i为得到的标准化后的第i个采样点的值；s为所诉光谱的标准差。

本发明实施例提供的液体识别装置，所述装置包括：光源组件、容置部和检测组件；所述光源组件和所述检测组件电连接；其中，所述容置部用于容置液体；所述光源组件与所述检测组件基于所述容置部相对设置，以使所述检测组件接收到所述光源组件发出的透过所述容置部中液体的光线；所述检测组件，用于基于侦测到的光线信号所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。如此，采用本发明实施例的技术方案，实现了对液体的种类进行快速的识别，大大提升了用户的使用体验。

附图说明

图1为本发明实施例的液体识别装置的组成结构框图；

图2为本发明实施例的液体识别装置的一种组成结构示意图；

图3为本发明实施例中的液体识别装置的第一种具体组成结构框图；

图4为本发明实施例中的液体识别装置的第二种具体组成结构框图；

图5为本发明实施例中的液体识别装置的第三种具体组成结构框图。

具体实施方式

在本发明的各种实施例中，由于不同种类的液体，其组成成分和含量高低各不相同。基于此，当一定波长的光通过特定液体时，特有的吸收特性使得出射光携带了所述液体的某些特征。为了得到更加丰富的液体特征信息，这里使用了若干个不同波长的入射光。多个波长的吸收值依次排列就形成了一种样品的光谱，然后从中提取某些特征值就可以用于建立预测模型，并进行模型分析，进而得出预测结论。

下面结合附图及具体实施例对本发明作进一步详细的说明。

本发明实施例提供了一种液体识别装置。图1为本发明实施例的液体识别装置的组成结构框图；如图1所示，所述液体识别装置包括：光源组件11、容置部13和检测组件12；所述光源组件11和所述检测组件12电连接；其中，

所述容置部13用于容置液体；

所述光源组件11与所述检测组件12基于所述容置部13相对设置，以使所述检测组件12接收到所述光源组件11发出的透过所述容置部13中液体的光线；

所述检测组件12，用于基于侦测到的光线信号获得所述容置部13中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

本实施例中，所述容置部13可以容置具有固定形状或不具有固定形状的液体；其中，图2为本发明实施例的液体识别装置的一种组成结构示意图；如图2所示，所述固定形状的液体为容置在具有固定形状的透明度达到第一阈值的容器中的液体；可以理解为，液体容置在一透明或半透明的容器(如玻璃瓶或塑料瓶等)中，再将装有液体的容器放置与所述容置部13中。具体的，所述容置部13设置有容置空间，所述容置空间可具有固定形状，如圆柱形、正方体、长方体等规则形状，以及其他不规则形状，作为一种实施方式，如图2所述，所述容置部13具有长方体的容置空间，当然，图2仅为本发明实施例中的容置部13的一种示意，不限于图2所示的情况。其中，所述不具有固定形状的液体为直接容置在所述容置部13中的液体；可以理解为，液体直接装在所述容置部13中。

所述光源组件11具体可以通过柔性电路板(FPC)实现。所述柔性电路板上可设置有发光二极管(LED，LightEmittingDiode)阵列光源，所述LED阵列光源采用多个独立的发光二极管按照顺序排列构成，所述LED阵列光源的波长范围包括以下波段的至少之一：紫外光、可见光、近红外、红外波段；所述LED阵列光源的波长优选为400纳米(nm)-1100nm波长范围。具体的，所述LED阵列光源可以采用不同波长和/或不同LED个数的各种组合。LED个数的增加提供了更加丰富的观察波长点，有利于提高模型预测的精准度。

所述光源组件11和所述检测组件12电连接，具体的，所述光源组件11和所述检测组件12通过FPC连接器连接，或者通过其他电连接的形式相连。所述光源组件11和所述检测组件12基于所述容置部13相对设置，具体可如图2所示，当所述容置部13的容置空间为长方体形状时，所述光源组件11和所述检测组件12分别设置于所述容置部13的不同表面上，优选地，所述光源组件11和所述检测组件12分别设置于所述容置部13中具有相对位置关系的两个表面上，如第一表面和第三表面，或者第二表面或第四表面。当然，所述光源组件11和所述检测组件12也可以设置于所述容置部13中的相邻两个表面上，只要是所述光源组件11发出的光线能够被所述检测组件12接收到均可，不限于图2所列举的实现方式。其中，所述光源组件11和所述检测组件12之间的距离称为图1所示的光程，所述光程可根据实际的应用(具体根据待检测液体的透明度)具有不同的数值。优选地，所述光程可以为30厘米。作为其他实施方式，当待检测液体为非透明液体(如牛奶)时，所述光源组件11和所述检测组件12也可以设置在同一表面，利用所述光源组件11发出的光线入射到所述待检测液体上，通过所述待检测液体的反射，所述检测组件12采集到反射光信号。优选地，作为一种实施方式，所述检测单元侦测的光线信号为光强；即侦测不同波长的光线信号的光强。

具体的，作为第一种实施方式，图3为本发明实施例中的液体识别装置的第一种具体组成结构框图；如图3所示，所述检测组件12包括探测单元111和处理单元112；其中，所述探测单元111，用于采集光线信号；所述处理单元112，用于基于所述探测单元111采集到的光线信号获得所述容置部13中的液体对光线的吸收参数，分析所述吸收参数获得所述容置部13中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

本实施例中，所述检测组件12的尺寸为20毫米(mm)×20mm，所述光源组件11连带长度跟进实际应用所需要的光程长度，可按实际需要自行设定。所述光源组件11中的LED阵列的尺寸为近似5mm×10mm。这样，本发明实施例的液体识别装置的体积小巧，可应用于多种使用场景。

这里，所述探测单元111可采用硅光电探测器，可以实现对波长范围在380nm-1100nm的光的探测。优选地，本发明实施例中可采用单通道的硅光电探测器或双通道的硅光电探测器。其中，当采用双通道的硅光电探测器时，第一通道的硅光电探测器不含有红外长通滤光片；第二通道的硅光电探测器含有红外长通滤光片，可以滤掉可见光，主要响应波长范围在600-1100nm的信号光。所述探测单元111采集信号时，两个通道的硅光电探测器交替进行。利用双通道探测器中不同的光学特性，使得最终获得的光谱观察点加倍，并丰富了采集到的信号的特征，为更高级算法的实施提供了可能性。

这里，所述处理单元112控制所述探测单元111采集光线信号。所述处理单元112中预先配置分析识别光线信号的应用程序，基于所述应用程序通过识别接收到的光线信号携带的特征参数，从而确定液体的种类。

作为其中一种实施方式，所述处理单元112，还用于基于所述探测单元111采集到的光线信号获得所述容置部13中的液体对光线的吸收参数之前，建立已知种类液体的预测模型；其中，所述建立已知种类液体的预测模型，包括：采集至少一种已知液体的光谱，基于采集到的光谱获得所述至少一种已知液体的特征参数。

其中，所述处理单元112，用于计算所述探测单元111多次采集到的不同环境光照度条件下的原始光谱的平均光谱；对所述平均光谱进行均值中心化处理以及标准化处理，分别获得均值中心化处理后的光谱集S1和标准化处理后的光谱集S2；在所述光谱集S1中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S1的特征阈值矩阵S1_P(min)和特征阈值矩阵S1_P(max)，所述S1_P(min)表示所述光谱集S1中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S1_P(max)表示所述光谱集S1中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵；在所述光谱集S2中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S2的特征阈值矩阵S2_P(min)和S2_P(max)，所述S2_P(min)表示所述光谱集S2中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S2_P(max)表示所述光谱集S2中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵。

具体的，所述处理单元112(例如MCU)通过所述光源驱动单元113控制所述光源组件11(所述光源组件11以LED阵列光源为例，以下均称为LED阵列光源)，以跑马灯的形式点亮所述LED阵列光源；当然，所述LED阵列光源的扫描方式除了跑马灯的形式之外，也可以是其他不同方式依次点亮每个LED。所述处理单元112在点亮所述LED阵列光源中的每个LED(或每路LED、或每个波长或波段范围的LED)时开启内部预设的定时器，精确控制每个LED(或每路LED、或每个波长或波段范围的LED)的点亮时间。其中，每个LED(或每路LED、或每个波长或波段范围的LED)的点亮时间大于探测单元111采集光线信号的积分时间，其差值在几十微秒。当定时器超时，所述处理单元112控制熄灭所述LED(所述LED为当前点亮的LED)。所述LED熄灭之前，所述处理单元112控制探测单元111完成光线信号的采集和转换，将光线信号转换为电信号或数字信号并存储。进一步地，所述处理单元112控制点亮下一个LED(或下一路LED、或下一个波长或波段范围的LED)，执行同样的动作。如此直到控制点亮最后一个LED(或最后一路LED、或最后一个波长或波段范围的LED)完成，完成一次已知液体的原始光谱的采集。其中，所述处理单元112在进行已知液体的原始光谱的采集过程时，可重复多次采集，最后获得平均值。平均光谱的采用可以降低光谱的噪声，提高识别的准确率。

本实施方式中，所述光源组件11可采用9个LED作为光源；其波长依次为：940nm、880nm、639nm、606nm、589nm、561nm、518nm、470nm和405nm；当然，光源的波长不限于上述示例。

进一步的，所述处理单元112对采集到的原始光谱进行与预处理。预处理的目的在于消除背景光和环境杂散光的影响。由于所述探测单元111暴露在环境光之中，并非处于一个光隔离的密闭空间。最终采集到的光线信号实际为信号光与环境背景光的叠加。环境光的强弱和变化会影响所述探测单元111采集到的光线信号强度。为了消除这一影响，使得输出信号只反映信号光的特征，本实施例中采用了预先配置的光谱预处理方法。

所述光谱预处理方法包括：原始光谱、平均光谱、均值中心化和标准化等几个步骤。其中，所述原始光谱步骤包括：所述探测单元111多次扫描采集到的已知液体的原始光谱后，所述处理单元112首先计算同一光谱j(j为正整数)次采集的算数平均值，得到一组平均光谱。这个过程主要是为了降低系统的噪声、尤其是模数转换器的噪声的影响。其中，所述平均光谱满足如下公式(1)：

$\stackrel{\‾}{X}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i}{j}---\left(1\right)$

其中，j为同一光谱连续采集的次数，X_i为其中第i次采集的光谱向量，i小于j；为求得的平均光谱。

然后计算所得到的平均光谱的光谱平均值，以进行中心化处理；其中，所述平均光谱的光谱平均值满足如下公式(2)：

$\stackrel{\‾}{x}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i}{n}---\left(2\right)$

其中，为所述平均光谱的光谱平均值；n为光谱的采样点个数，可以理解为所述光源组件11中LED的个数，x为所述探测单元111采集到的采样点的输出信号强度值。

进一步地，所述处理单元112得到所述已知液体的光谱平均值后，对所述平均光谱进行均值中心化处理；按照公式(3)：

$x_i^{\′}=x_i-\stackrel{\‾}{x}---\left(3\right)$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；x′_i为得到的均值中心化后的第i个采样点的值。

进一步地，对中心化处理后的光谱进行标准化处理，具体包括：

首先计算所述光谱的标准差，所述光谱的标准差满足以下公式(4)：

$s=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}---\left(4\right)$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；n为光谱的采样点个数。

基于获得的标准差计算标准化处理后的光谱；所述标准化处理后的光谱满足以下公式(5)：

$x_i^{\′\′}=\frac{x_i^{\′}}{s}---\left(5\right)$

其中，x′_i为得到的均值中心化后的第i个采样点的值；x″_i为得到的标准化后的第i个采样点的值；s为所诉光谱的标准差。

其中，标准化处理有两个目的：第一用于消除环境背景光对光谱的影响；第二在考察因素中消除不同种类液体的吸光绝对值变量，而只保留对光谱整体特征的考察，即得到能够最大限度描述目标液体的特征的特征光谱。

进一步的，所述处理单元112建立已知液体的预测模型，包括：采集在不同环境光照度条件下的多次所述已知液体的原始光谱，分别处理，得到均值中心化处理后的光谱集S1和标准化处理后的光谱集S2；其中，所述光谱集SS1和所述光谱集S2均为[n，m]的矩阵，n表示原始光谱的采样点，m表示原始光谱的采样次数。

例如，假设已知液体的原始光谱的采集次数为m，在所述光谱集S1中针对每个采样点的m个数据计算其最大值和最小值，最终得到所述光谱集S1的特征阈值矩阵S1_P(min)和S1_P(max)，其中，所述S1_P(min)表示所述光谱集S1中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S1_P(max)表示所述光谱集S1中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵；同理也可以得到所述光谱集S2的特征阈值矩阵S2_P(min)和S2_P(max)，所述S2_P(min)表示所述光谱集S2中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S2_P(max)表示所述光谱集S2中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵；这两个特征判据矩阵作为固定的参数同所述处理单元112(如MCU)的固件程序一同烧录在程序存储器中，以备类型识别程序的调用。

上述特征阈值矩阵的参数受采样次数m的影响较大，为了使实际的预测结果更加准确，m应当越大越好，且采样应当不同的环境光照度下进行。

本实施例中，具体的，所述处理单元112可通过微控制单元(MCU，MicroControllerUnit)实现，所述MCU具体可采用ARMCortex-M0内核的32位嵌入式微控制器，兼具速度快和功耗低的优势，可以更有效的运行本发明实施例中的分析识别算法。

进一步地，所述处理单元112，用于将所述容置部中的液体的特征参数与所述预测模型中包括的至少一种已知液体的特征参数进行比对，将比对成功的已知液体的种类确定为所述容置部中的液体的种类。

基于上述所述处理单元112建立已知种类液体的预测模型之后，所述处理单元112在外部控制信号的控制下，开始控制所述探测单元111对待测液体的扫描，获得入射光经过所述待测液体后出射光的光谱值；连续扫描多次，取得所述待测液体的平均光谱值。进一步地，所述处理单元112执行中心化处理过程，即执行满足上述公式(2)的处理过程，这里不再赘述。从而得到的光谱X的中心化处理后的光谱X′。进一步地，所述处理单元112执行标准化处理过程，即执行满足上述公式(3)和公式(4)的处理过程，这里不再赘述。从而得到标准化处理后的光谱，即特征光谱X″。

首先分别比较所述特征光谱X″中的每一个数据点是否落在所述光谱集S2的特征阈值矩阵之内，即所述特征光谱X″是否满足以下公式(5)：

S2_P_i(min)＜X″_i＜S2_P_i(max)(5)

记录所述特征光谱X″中满足公式(5)的数据点的个数Q，将所述个数Q与所述特征光谱X″中总的数据点数N比较得到参数符合率r；即所述参数符合率r满足以下公式(6)：

$r=\frac{Q}{N}---\left(6\right)$

预先设定所述参数符合率的标准R，例如：70％＜R＜100％；所述标准R的数值越大表明判定的严格程度越高。

比较r同R的大小，如果r＜R，则表明待测液体与所述标准R对应的已知液体的种类不符，转而比较下一个已知液体；如果r≥R，则所述处理单元112中的表征匹配数的第一参数加1，并记录当前已知液体的标识(所述标识可以为所述处理单元112中为所述已知液体分配的序号)。如此重复，直至比较所述处理装置中预先配置的所有已知液体的特征参数数据库。

进一步地，比较完毕后，如果匹配数为0，则输出结果为：无法识别当前液体种类；

如果匹配数为1，则输出对应的液体种类；

如果匹配数大于1，则输出符合率r最高的已知液体的种类作为所述待测液体最终的预测种类。

本实施例中，所述液体的种类具体可以通过液体中含有的特定成分的物质表征，如酒精类、非酒精类；所述液体的种类还可以是所述液体的商品名称，如：可口可乐、王老吉等等。

作为第二种实施方式，图4为本发明实施例中的液体识别装置的第二种具体组成结构框图；如图4所示，所述检测组件12还包括光源驱动单元113，所述光源驱动单元113与所述光源组件11电连接；所述光源驱动单元113，用于驱动所述光源组件11。

这里，所述光源驱动单元113包括多个晶体管开关；所述光源驱动单元113通过控制引脚与所述若多个晶体管开关连接，以通过所述多个晶体管开关对所述光源组件11进行驱动并控制所述光源组件11打开或关闭；其中，每一个晶体管开关对应一路LED阵列，或者每一个晶体管开关对应处于同一波长或波段范围的LED。进一步地，所述光源驱动单元113还与所述处理单元112电连接，通过预先配置在所述处理单元112中的控制程序，可控制每一路LED的点亮时间，或者可控制处于同一波长或波段范围的LED的电量时间，以及所述光源组件11的扫描顺序。如此，本发明实施例的液体识别装置可由可由外部控制信号通过所述光源驱动单元113控制本实施例的液体识别装置的工作状态，在不使用的情况下处于休眠，以便降低功耗。

具体的，所述处理单元112(例如MCU)通过所述光源驱动单元113控制所述光源组件11(所述光源组件11以LED阵列光源为例，以下均称为LED阵列光源)，以跑马灯的形式点亮所述LED阵列光源。所述处理单元112在点亮所述LED阵列光源中的每个LED(或每路LED、或每个波长或波段范围的LED)时开启内部预设的定时器，精确控制每个LED(或每路LED、或每个波长或波段范围的LED)的点亮时间。其中，每个LED(或每路LED、或每个波长或波段范围的LED)的点亮时间大于探测单元111采集光线信号的积分时间，其差值在几十微秒。当定时器超时，所述处理单元112控制熄灭所述LED(所述LED为当前点亮的LED)。所述LED熄灭之前，所述处理单元112控制探测单元111完成光线信号的采集和转换，将光线信号转换为电信号或数字信号并存储。进一步地，所述处理单元112控制点亮下一个LED(或下一路LED、或下一个波长或波段范围的LED)，执行同样的动作。如此直到控制点亮最后一个LED(或最后一路LED、或最后一个波长或波段范围的LED)完成，完成一次光谱的采集。

作为第三种实施方式，图5为本发明实施例中的液体识别装置的第三种具体组成结构框图，如图5所示，所述检测组件12还包括通信接口单元114，用于控制与所述光源组件11和/或外部设备的通信，以及控制电源输入。

这里，所述通信接口单元114中可包括MCU的串行通信接口，包括以下接口的至少之一：集成电路总线(IIC，Inter-IntegratedCircuit)接口、通用异步收发传输器(UniversalAsynchronousReceiver/Transmitter)接口、串行外设接口(SerialPeripheralInterface)等。进一步地，所述通信接口单元114与所述处理单元112电连接，通过所述通信接口单元114接收到的外部控制信号传输至所述处理单元112，以控制所述处理单元112(如MCU)的休眠和工作。另一方面，所述通信接口单元114接收到外部输入的直流电压，通过线性降压稳压器后给本实施例中的液体识别装置提供工作电源。

本实施例中，作为一种实施方式，所述处理单元112(例如MCU)可以包括具备特殊通信功能的芯片级系统(SOC，SystemonChip)芯片，如蓝牙、无线保真(WIFI)、非接触式射频识别(NFC)等无线通信芯片。当所述处理单元112包括蓝牙芯片时，可以实现本发明实施例的液体识别装置与移动终端(如手机、平板电脑等)进行无线通信，从而将识别出的液体的种类在所述移动终端上显示。

本实施例中，作为一种实施方式，所述处理单元112建立已知种类液体的预测模型的过程，在其他方式中，可通过云服务器实现；即本实施例所述的液体识别装置仅用于对待测液体进行光谱采集和种类识别。或者，本实施例本实施例所述的液体识别装置仅用于对待测液体进行光谱采集，将采集到的光谱发送至所述云服务器进行种类识别。这样，云服务器可以存储大量的已知液体的光谱特征数据，进一步实现基于大量数据的液体种类的检测。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种液体识别装置，其特征在于，所述装置包括：光源组件、容置部和检测组件；所述光源组件和所述检测组件电连接；其中，

所述容置部用于容置液体；

所述光源组件与所述检测组件基于所述容置部相对设置，以使所述检测组件接收到所述光源组件发出的透过所述容置部中液体的光线；

所述检测组件，用于基于侦测到的光线信号获得所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

2.根据权利要求1所述的液体识别装置，其特征在于，所述检测组件包括探测单元和处理单元；其中，

所述探测单元，用于采集光线信号；

所述处理单元，用于基于所述探测单元采集到的光线信号获得所述容置部中的液体对光线的吸收参数，分析所述吸收参数获得所述容置部中的液体的特征参数，基于所述液体的特征参数确定所述液体的种类。

3.根据权利要求1所述的液体识别装置，其特征在于，所述检测组件还包括光源驱动单元，所述光源驱动单元与所述光源组件电连接；所述光源驱动单元，用于驱动所述光源组件。

4.根据权利要求1所述的液体识别装置，其特征在于，所述检测组件还包括通信接口单元，用于控制与所述光源组件和/或外部设备的通信，以及控制电源输入。

5.根据权利要求2所述的液体识别装置，其特征在于，所述处理单元，还用于基于所述探测单元采集到的光线信号获得所述容置部中的液体对光线的吸收参数之前，建立已知种类液体的预测模型；其中，所述建立已知种类液体的预测模型，包括：采集至少一种已知液体的光谱，基于采集到的光谱获得所述至少一种已知液体的特征参数。

6.根据权利要求5所述的液体识别装置，其特征在于，所述处理单元，用于将所述容置部中的液体的特征参数与所述预测模型中包括的至少一种已知液体的特征参数进行比对，将比对成功的已知液体的种类确定为所述容置部中的液体的种类。

7.根据权利要求5所述的液体识别装置，其特征在于，所述处理单元，用于计算所述探测单元多次采集到的不同环境光照度条件下的原始光谱的平均光谱；对所述平均光谱进行均值中心化处理以及标准化处理，分别获得均值中心化处理后的光谱集S1和标准化处理后的光谱集S2；在所述光谱集S1中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S1的特征阈值矩阵S1_P(min)和特征阈值矩阵S1_P(max)，所述S1_P(min)表示所述光谱集S1中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S1_P(max)表示所述光谱集S1中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵；在所述光谱集S2中针对每个采样点的m个数据计算其最大值和最小值，得到所述光谱集S2的特征阈值矩阵S2_P(min)和S2_P(max)，所述S2_P(min)表示所述光谱集S2中针对每个采样点的m个数据计算其最小值获得的特征阈值矩阵，所述S2_P(max)表示所述光谱集S2中针对每个采样点的m个数据计算其最大值获得的特征阈值矩阵。

8.根据权利要求7所述的液体识别装置，其特征在于，所述平均光谱满足如下公式：

$\stackrel{\‾}{X}=\frac{\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{X}_i}{j}$

其中，j为同一光谱连续采集的次数，X_i为其中第i次采集的光谱向量，i小于等于j；为求得的平均光谱；

所述平均光谱的光谱平均值满足如下公式：

$\stackrel{\‾}{x}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i}{n}$

其中，为所述平均光谱的光谱平均值；n为光谱的采样点个数，x为所述探测单元采集到的采样点的输出信号强度值。

9.根据权利要求7所述的液体识别装置，其特征在于，对所述平均光谱进行均值中心化处理满足如下公式：

$x_i^{\′}=x_i-\stackrel{\‾}{x}$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；x′_i为得到的均值中心化后的第i个采样点的值。

10.根据权利要求7所述的液体识别装置，其特征在于，对中心化处理后的光谱进行标准化处理，包括：

计算所述光谱的标准差，所述光谱的标准差满足以下公式：

$s=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}$

其中，为所述平均光谱的光谱平均值；x_i为所述平均光谱的第i个采样点；n为光谱的采样点个数。

基于获得的标准差计算标准化处理后的光谱；所述标准化处理后的光谱满足以下公式：

$x_i^{\′\′}=\frac{x_i^{\′}}{s}$

其中，x_i为得到的均值中心化后的第i个采样点的值；x_i为得到的标准化后的第i个采样点的值；s为所诉光谱的标准差。