CN108241845B - 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法 - Google Patents

用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法 Download PDF

Info

Publication number
CN108241845B
CN108241845B CN201611222587.6A CN201611222587A CN108241845B CN 108241845 B CN108241845 B CN 108241845B CN 201611222587 A CN201611222587 A CN 201611222587A CN 108241845 B CN108241845 B CN 108241845B
Authority
CN
China
Prior art keywords
peak
spectrogram
standard
measured
background
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
Application number
CN201611222587.6A
Other languages
English (en)
Other versions
CN108241845A (zh
Inventor
苟巍
王红球
奉华成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nuctech Co Ltd
Original Assignee
Nuctech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nuctech Co Ltd filed Critical Nuctech Co Ltd
Priority to CN201611222587.6A priority Critical patent/CN108241845B/zh
Priority to EP17886286.8A priority patent/EP3561696A4/en
Priority to PCT/CN2017/111588 priority patent/WO2018121121A1/zh
Priority to US16/473,495 priority patent/US11493447B2/en
Publication of CN108241845A publication Critical patent/CN108241845A/zh
Application granted granted Critical
Publication of CN108241845B publication Critical patent/CN108241845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G01J2003/4424—Fluorescence correction for Raman spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • 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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种用于扣除谱图本底的方法，包括以下步骤：寻找出原始谱图的峰信息，该峰信息包括峰位、峰的起点和终点以及峰宽w；在原始谱图的每个峰的起点和终点限定的每个峰区内，使用SNIP方法处理原始谱图的每个峰，以获得每个峰区内的本底数据；在每个峰区内，使用经SNIP方法处理后获得的本底数据替换原始谱图的数据，以拟合形成本底谱图；将形成的本底谱图进行平滑处理；和将原始谱图减去经平滑处理的本底谱图，以获得扣除本底的谱图。

Description

用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法
技术领域
本发明涉及谱图分析处理技术领域，尤其涉及一种用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法。
背景技术
拉曼光谱是一种分子振动光谱，它可以反映分子的指纹特征，可用于对物质的检测。拉曼光谱检测通过检测待测物对于激发光的拉曼散射效应所产生的拉曼光谱来检测和识别物质。拉曼光谱检测方法已经广泛应用于液体安检、珠宝检测、爆炸物检测、毒品检测、药品检测、农药残留检测等领域。
在对拉曼光谱的谱图进行分析处理时，经常面临的一个问题是如何有效且快速地扣除拉曼谱图的本底，以获得与物质成分对应的峰数据，从而方便进行后续的处理。
现在常用的扣除本底的方法包括使用带有惩罚函数的最小二乘法对谱图进行处理，然而，通过带有惩罚函数的最小二乘法来扣除本底，消耗时间很长，参数设置复杂，并且，不合理的参数设置会导致不佳的扣除本底效果，甚至会影响最终的扣除本底效果。
发明内容
本发明的目的是至少提供一种用于扣除谱图本底的方法，其能够有效且快速地扣除谱图本底，以便于后续的谱图处理、混合物识别和定量分析。
本发明的目的还在于提供一种通过拉曼谱图识别物质的方法，通过利用上述扣除谱图本底的方法，该方法能够准确且快速地识别出待测物质。
为了实现上述发明目的，本发明的技术方案通过以下方式来实现：
根据本发明的一个方面，提供一种用于扣除谱图本底的方法，包括以下步骤：
峰信息寻找步骤：寻找出原始谱图的峰信息，该峰信息包括峰位、峰的起点和终点以及峰宽w；
本底数据获得步骤：在原始谱图的每个峰的起点和终点限定的每个峰区内，使用SNIP方法处理原始谱图的每个峰，以获得每个峰区内的本底数据；
本底谱图形成步骤：在每个峰区内，使用经SNIP方法处理后获得的本底数据替换原始谱图的数据，以拟合形成本底谱图；
平滑处理步骤：将形成的本底谱图进行平滑处理；和
扣除本底步骤：将原始谱图减去经平滑处理的本底谱图，以获得扣除本底的谱图。
根据一些实施例，所述本底数据获得步骤包括：
在每个峰区内，使用变换公式对该峰区内的每个波数的强度值进行变换，该变换公式为：
Figure BDA0001192225370000021
根据SNIP公式进行迭代计算，依次计算出v1(i)、v2(i)，直至vm(i)，该SNIP公式为：vp(i)＝min{vp-1(i)，[vp-1(i+p)+vp-1(i-p)]/2}；和
当vm(i)计算完之后，再根据上述变换公式进行逆运算，以计算出与vm(i)对应的y(i)，从而获得该峰区内的本底数据，
其中，i为原始谱图的波数，y(i)为原始谱图中第i个波数对应的强度值，v(i)为y(i)的运算结果；
m为预定的迭代次数，p为当前迭代次数，即，1＜p≤m，vp(i)表示第p次迭代计算出的v(i)，vp-1(i)、vp-1(i+p)和vp-1(i-p)分别表示第p-1次迭代计算出的v(i)、v(i+p)和v(i-p)，v(i+p)和v(i-p)分别表示第i+p和i-p个波数对应的强度值的运算结果。
根据一些实施例，对于每个峰区，预定的迭代次数m均满足如下关系：
m＝(w-1)/2。
根据本发明的另一方面，还提供一种通过拉曼谱图识别物质的方法，包括以下步骤：
标准谱图库建立步骤：对多种样品的拉曼光谱进行测量，以获得多种样品的标准谱图，对所述标准谱图进行预处理并提取所述标准谱图的包括峰强、峰位、峰区和峰宽的峰信息，将经预处理的标准谱图及提取出的峰信息存入数据库中，以建立标准谱图库；
被测谱图获得步骤：对待测物质的拉曼光谱进行测量，以获得被测谱图；
被测谱图预处理和峰信息提取步骤：对所述被测谱图进行预处理，并提取出被测谱图的峰信息，该峰信息包括被测谱图的峰强、峰位、峰区和峰宽；
峰匹配步骤：比较被测谱图的峰信息和标准谱图的峰信息，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图；和
识别步骤：对被测谱图的数据和上述峰匹配步骤中筛选出的标准谱图的数据进行相关性比较，以筛选出与被测谱图最相关的标准谱图，从而识别出被测物质，
其中，在所述被测谱图预处理和峰信息提取步骤中对所述被测谱图进行预处理包括：利用根据上述实施例中任一个所述的方法扣除所述被测谱图的本底。
根据一些实施例，在所述标准谱图库建立步骤中对所述标准谱图进行预处理包括：利用根据上述实施例中任一个所述的方法扣除所述标准谱图的本底。
根据一些实施例，所述峰匹配步骤包括：
排序步骤：按照峰强从大到小的顺序，对被测谱图的峰和标准谱图的峰分别进行排序，选择出被测谱图和标准谱图的排序在前N名的峰；和
第一匹配步骤：比较被测谱图和标准谱图的排序在前N名的峰的峰位信息，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图。
根据一些实施例，所述第一匹配步骤具体包括：
按照下述公式(1)依次计算排序在前N名的峰的峰位的绝对差；和
当计算出的峰位的绝对差满足下述条件(1)时，确定被测谱图与标准谱图的峰信息匹配；当计算出的峰位的绝对差不满足下述条件(1)时，确定被测谱图与标准谱图的峰信息不匹配，
其中：
公式(1)为：pD＝|p2[j].fPos-p1[i].fPos|，
条件(1)为：pD＜p2[j].fWidth/3且pD＜p1[i].fWidth/3，
其中，N为预定的比较峰数，N为大于等于3的自然数；
i，j分别表示标准谱图和被测谱图中的排序后的峰的序号，i和j均为大于等于0且小于等于N的整数；
p1[i].fPos表示标准谱图中排序后的第i个峰的峰位；
p2[j].fPos表示被测谱图中排序后的第j个峰的峰位；
p1[i].fWidth表示标准谱图中排序后的第i个峰的峰宽；
p2[j].fWidth表示被测谱图中排序后的第j个峰的峰宽；
pD表示峰位的绝对差。
根据一些实施例，所述峰匹配步骤还包括：
峰匹配权重计算步骤：根据下述公式(2)建立惩罚性函数，以计算峰匹配权重；和
第二匹配步骤：当峰匹配权重大于等于预设的权重阈值时，确定被测谱图与标准谱图的峰信息匹配；当峰匹配权重小于所述权重阈值时，确定被测谱图与标准谱图的峰信息不匹配，
其中，公式(2)为：
h＝(1-2*|j-i|/10)*(0.5/(i+1))*exp(-pD*2/min(p1[i].fWidth，p2[j].fWidth))，
其中，h表示峰匹配权重。
根据一些实施例，在所述第一匹配步骤中确定被测谱图与标准谱图的峰信息匹配的情况下，执行所述峰匹配权重计算步骤和所述第二匹配步骤。
根据一些实施例，N为大于等于3且小于等于5的自然数。
根据一些实施例，在被测谱图和标准谱图的所有峰的峰区的并集区间内，执行所述对被测谱图的数据和上述峰匹配步骤中筛选出的标准谱图的数据进行相关性比较的步骤。
根据本发明的又一方面，还提供一种电子设备，包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，以执行上述方面或实施例中任一项所述的方法。
本发明的上述技术方案中的任何一个能够自适应地扣除本底，并且，通过采用分段SNIP方法，同时设计迭代次数等于(w-1)/2，可以尽量地拟合本底，保持峰型，并且提高计算速度，从而便于后续的谱图处理。
附图说明
图1示意性地示出根据本发明的实施例的用于扣除谱图本底的方法的流程图；
图2示意性示出了一种物质的拉曼谱图的一个峰；
图3示出了使用根据本发明实施例的用于扣除谱图本底的方法去除拉曼谱图的本底的流程图；
图4示意性示出了用于根据本发明实施例的用于扣除谱图本底的方法的一个拉曼谱图；
图5示意性地示出根据本发明的实施例的通过拉曼谱图识别物质的方法的流程图；
图6示出了使用根据本发明实施例的方法识别匹配被测谱图与标准谱图的流程图；和
图7是示出了用于执行根据本发明的实施例的方法的电子设备的示例硬件布置的框图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号表示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种限制。
在本文中，为了描述方便，使用“第一、第二”、“A、B、C”或“S1/S10、S2/S20”等表述描述方法的步骤，但是，除非有特别说明，这样的表述不应理解为对步骤执行顺序的限制。
在本文中，“SNIP”指代统计敏感的非线性迭代剥峰算法(Statistics-sensitiveNonlinear Iterative Peak-clipping)。
如图1所示，根据本发明实施例的一种用于扣除谱图本底的方法可以包括以下步骤：
峰信息寻找步骤：寻找出原始谱图的峰信息，该峰信息包括峰位、峰的起点和终点以及峰宽w；
本底数据获得步骤：在原始谱图的每个峰的起点和终点限定的每个峰区内，使用SNIP方法处理原始谱图的每个峰，以获得每个峰区内的本底数据；
本底谱图形成步骤：在每个峰区内，使用经SNIP方法处理后获得的本底数据替换原始谱图的数据，以拟合形成本底谱图；
平滑处理步骤：将形成的本底谱图进行平滑处理；和
扣除本底步骤：将原始谱图减去经平滑处理的本底谱图，以获得扣除本底的谱图。
下面，以拉曼谱图为例，结合附图对根据本发明实施例的用于扣除谱图本底的方法进行更详细地说明。
图2示意性示出了一种物质的拉曼谱图的一个峰。拉曼谱图的峰信息可以包括峰位、峰的起点和终点、峰宽w和峰强。通常，拉曼谱图的横坐标表示拉曼频移或波数(单位为cm-1)，纵坐标表示拉曼光谱的强度(无量纲或以a.u.表示)。在进行数学计算时，拉曼谱图可以看作是一组离散的数据点，如图2中的黑圆点所示，该数据点的横坐标可以称作波数，纵坐标可以称作强度或强度值。这样，如图2所示，峰位可以为该峰的最高点P的位置，即P对应的波数；峰的起点和终点可以分别为峰的起点S和终点E对应的波数；峰宽w可以为峰的起点S和终点E限定的宽度，即峰的终点E的波数与峰的起点S的波数之差。
在一个示例中，上述峰信息寻找步骤可以利用简单比较法进行寻峰。具体地，在谱图强度或强度值中，某一波数的强度值比其邻近的几个波数的强度值大很多时，则认为该波数存在一个峰。可替代地，上述峰信息寻找步骤可以利用导数法进行寻峰。具体地，如果把谱图看成是一个连续曲线，那么可以计算谱图的一、二、三阶导数。通常，一阶导数在峰位处由正到负过零点，二阶导数在峰位处出现负的局部极小值，三阶导数在峰位附近由负到正过零点。这样，利用谱图曲线在峰位附近形状的特征，由谱图曲线的斜率、曲率的变化可以准确地确定出峰位等峰信息。
根据本发明的实施例，上述本底数据获得步骤还可以包括如下步骤：
在每个峰区内，使用变换公式对该峰区内的每个波数的强度值进行变换，该变换公式为：
Figure BDA0001192225370000071
根据SNIP公式进行迭代计算，依次计算出v1(i)、v2(i)，直至vm(i)，该SNIP公式为：vp(i)＝min{vp-1(i)，[vp-1(i+p)+vp-1(i-p)]/2}；和
当vm(i)计算完之后，再根据上述变换公式进行逆运算，以计算出与vm(i)对应的y(i)，此时计算出的y(i)可以记为y′(i)，从而获得该峰区内的本底数据，
其中，i为原始谱图的波数，y(i)为原始谱图中第i个波数对应的强度值，v(i)为y(i)的运算结果；
m为预定的迭代次数，p为当前迭代次数，即，1＜p≤m，vp(i)表示第p次迭代计算出的v(i)，vp-1(i)、vp-1(i+p)和vp-1(i-p)分别表示第p-1次迭代计算出的v(i)、v(i+p)和v(i-p)，v(i+p)和v(i-p)分别表示第i+p和i-p个波数对应的强度值的运算结果。
根据本发明的实施例，对于每个峰区，预定的迭代次数m均满足如下关系：m＝(w-1)/2，其中，w为峰宽。在上述关系式中，w为对应峰区的峰宽。由于各个峰区的峰宽可能不同，所以对于各个峰区的预定的迭代次数m也可能不同。这样，通过基于各个峰区的峰宽确定预定的迭代次数，可以自适应地拟合各个峰的本底，同时还可以提高计算速度。
在一个示例中，上述平滑处理步骤可以包括使用最小二乘移动平滑方法、高斯滤波器平滑方法、中值滤波或均值滤波平滑方法等方法进行平滑处理。
下面，结合图3和图4更详细描述根据本发明实施例的用于扣除谱图本底的方法。图3示出了使用根据本发明实施例的用于扣除谱图本底的方法去除拉曼谱图的本底的流程图，图4示意性示出了用于根据本发明实施例的用于扣除谱图本底的方法的一个拉曼谱图，在图4中，横坐标表示拉曼频移或波数(Raman Shift，单位为cm-1)，纵坐标表示拉曼光谱的强度(Raman Intensity，无量纲或以a.u.表示)。
如图3和图4所示，原始拉曼谱图通常包括多个峰，例如，可以记为峰1、峰2、……峰n，相应地，每个峰包括各自的峰信息，特别地，每个峰具有各自的峰宽，可以记为w1、w2、…wn。
如图3所示，对每个峰(即，峰1、峰2、……峰n)均使用SNIP方法进行处理，特别地，由于每个峰的峰宽w不同，所以，在进行SNIP处理时，由于m＝(w-1)/2，所以迭代次数m也不同。
进一步地，如图3所示，在每个峰区内，使用经SNIP方法处理后获得的本底数据替换原始谱图的峰数据，以拟合形成本底谱图，然后，将形成的本底谱图进行平滑处理，这样形成的本底谱图如图4所示。最后，将原始谱图减去经平滑处理的本底谱图，以获得扣除本底的谱图，扣除本底的谱图如图4所示。
从图4可以看出，通过使用根据本发明实施例的扣除谱图本底的方法，可以实现自适应地扣除本底，并且，通过采用分段SNIP方法，同时设计迭代次数等于(w-1)/2，可以尽量地拟合本底，保持峰型，并且提高计算速度，从而便于后续的谱图处理、混合物识别和定量分析。
根据本发明的一些实施例，上述扣除谱图本底的方法可以用于通过拉曼谱图识别物质的方法中，以提高识别物质的速度和准确度。下面，结合附图5详细描述根据本发明一个实施例的通过拉曼谱图识别物质的方法，该方法可以包括以下步骤：
标准谱图库建立步骤：对多种样品的拉曼光谱进行测量，以获得多种样品的标准谱图，对所述标准谱图进行预处理并提取所述标准谱图的包括峰强、峰位、峰区和峰宽的峰信息，将经预处理的标准谱图及提取出的峰信息存入数据库中，以建立标准谱图库；
被测谱图获得步骤：对待测物质的拉曼光谱进行测量，以获得被测谱图；
被测谱图预处理和峰信息提取步骤：对所述被测谱图进行预处理，并提取出被测谱图的峰信息，该峰信息包括被测谱图的峰强、峰位、峰区和峰宽；
峰匹配步骤：比较被测谱图的峰信息和标准谱图的峰信息，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图；和
识别步骤：对被测谱图的数据和上述峰匹配步骤中筛选出的标准谱图的数据进行相关性比较，以筛选出与被测谱图最相关的标准谱图，从而识别出被测物质。
在一些实施例中，在所述被测谱图预处理和峰信息提取步骤中对所述被测谱图进行预处理包括：利用根据上述实施例的扣除谱图本底的方法扣除所述被测谱图的本底。
在一些实施例中，在所述标准谱图库建立步骤中对所述标准谱图进行预处理包括：利用根据上述实施例的扣除谱图本底的方法扣除所述标准谱图的本底。
具体地，如图6所示，所述标准谱图库中存储有经预处理的标准谱图及提取出的标准谱图的峰信息，例如，标准谱图1、标准谱图2、……标准谱图n，相应地，峰信息1、峰信息2、……峰信息n。这样，根据本发明的一个实施例，如图6所示，所述峰匹配步骤可以进一步包括“峰位匹配”步骤，该“峰位匹配”步骤可以包括如下步骤：
排序步骤：按照峰强从大到小的顺序，对被测谱图的峰和标准谱图的峰分别进行排序，选择出被测谱图和标准谱图的排序在前N名的峰；和
第一匹配步骤：比较被测谱图和标准谱图的排序在前N名的峰的峰位，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图。
根据本发明进一步的实施例，所述第一匹配步骤具体可以包括：
按照下述公式(1)依次计算排序在前N名的峰的峰位的绝对差；和
当计算出的峰位的绝对差满足下述条件(1)时，确定被测谱图与标准谱图的峰信息匹配；当计算出的峰位的绝对差不满足下述条件(1)时，确定被测谱图与标准谱图的峰信息不匹配，
其中：
公式(1)为：pD＝|p2[j].fPos-p1[i].fPos|，
条件(1)为：pD＜p2[j].fWidth/3且pD＜p1[i].fWidth/3，
其中，N为预定的比较峰数，N为大于等于3的自然数；
i，j分别表示标准谱图和被测谱图中的排序后的峰的序号，i和j均为大于等于0且小于等于N的整数；
p1[i].fPos表示标准谱图中排序后的第i个峰的峰位；
p2[j].fPos表示被测谱图中排序后的第j个峰的峰位；
p1[i].fWidth表示标准谱图中排序后的第i个峰的峰宽；
p2[j].fWidth表示被测谱图中排序后的第j个峰的峰宽；
pD表示峰位的绝对差。
在一个实施例中，N为大于等于3且小于等于5的自然数。当N的取值较小，例如，小于3时，被比较的峰的数量过少，不利于筛选出与被测谱图匹配的标准谱图，即，不利于识别的有效性；当N的取值过大时，会增加比较峰信息的计算量，从而可能会影响峰信息比较的计算速度。在N取值大于等于3且小于等于5的自然数的情况下，可以兼顾利用峰信息识别的有效性和计算速度。
进一步地，如图6所示，所述峰匹配步骤还可以包括“筛选器”步骤，“筛选器”步骤具体可以包括：
峰匹配权重计算步骤：根据下述公式(2)建立惩罚性函数，以计算峰匹配权重；和
第二匹配步骤：当峰匹配权重大于等于预设的权重阈值时，确定被测谱图与标准谱图的峰信息匹配；当峰匹配权重小于所述权重阈值时，确定被测谱图与标准谱图的峰信息不匹配，
其中，公式(2)为：
h＝(1-2*|j-i|/10)*(0.5/(i+1))*exp(-pD*2/min(p1[i].fWidth，p2[j].fWidth))，
其中，h表示峰匹配权重；
“min(p1[i].fWidth，p2[j].fWidth)”表示取p1[i].fWidth和p2[j].fWidth中的较小值；
“exp”表示以自然对数e为底的幂函数。
在本发明的实施例中，在所述第一匹配步骤中确定被测谱图与标准谱图的峰信息匹配的情况下，执行所述峰匹配权重计算步骤和所述第二匹配步骤。也就是说，在本发明的实施例中，只有在第一匹配步骤中判断峰的绝对差满足要求时，才进行惩罚性函数的计算和峰匹配权重的比较。同样地，由于计算峰的绝对差的计算量比计算惩罚性函数的计算量小，所以，在计算惩罚性函数之前，通过计算峰的绝对差进行初步筛选，可以大大减少计算量，从而提高识别速度，并且提高识别准确率。
根据本发明的实施例，所述第二识别步骤中比较被测谱图的数据和预存的标准谱图的数据的步骤可以包括：对被测谱图的数据和预存的标准谱图的数据进行相关性比较，即，如图6所示的“相关性计算”步骤。
在一个实施例中，所述对被测谱图的数据和预存的标准谱图的数据进行相关性比较的步骤包括：
计算被测谱图的数据和预存的标准谱图的数据的相关系数，当计算出的相关系数大于等于预设的相关性阈值时，确定被测谱图与标准谱图匹配；当计算出的相关系数小于所述相关性阈值时，确定被测谱图与标准谱图不匹配。
具体地，相关系数是研究变量间线性相关程度的量，是一种衡量向量间相互关系的方法。例如，设有特征向量X(x1，x2，…，xn)，Y(y1，y2，…，yn)，二者的相关系数r可以定义如下：
Figure BDA0001192225370000121
其中，
Figure BDA0001192225370000122
分别表示向量X、Y的均值，i表示向量的第i个数据。
根据本发明的实施例，在被测谱图和标准谱图的所有峰的峰区的并集区间内，执行所述对被测谱图的数据和预存的标准谱图的数据进行相关性比较的步骤。也就是说，并不是在谱图的全区间内，而仅在被测谱图和标准谱图的所有峰的峰区的并集区间内，执行所述对被测谱图的数据和预存的标准谱图的数据进行相关性比较的步骤。此处的“被测谱图和标准谱图的所有峰的峰区的并集区间”表示由被测谱图和标准谱图的所有峰的峰区组成的区间。这样，可以进一步减少需要进行相关性比较的数据量，从而进一步提高运算速度，并且保证计算的准确性。
在本发明的实施例中，通过利用谱图的峰信息首先进行“峰”这个局部特征的比较，对被测谱图和标准谱图进行初步筛选，在初步筛选通过之后，才进行谱图数据的全局比较，不仅能够大大缩短匹配识别时间，而且能够提高匹配识别的准确率。而且，在图6所示的“峰位匹配”和“筛选器”步骤中，如果识别出被测谱图与标准谱图的峰信息不匹配，可以立即终止匹配过程，而无需进行后续的识别匹配过程，可以大大提高确定二者不匹配时的计算速度。试验证明，匹配识别时间缩短为原来的约5％，并且匹配识别的准确率提高了约10％。
根据本发明的又一实施例，还提供一种电子设备，图7是示出了该电子设备的示例硬件布置700的框图。硬件布置700包括处理器706(例如，微处理器(μP)、数字信号处理器(DSP)等)。处理器706可以是用于执行本文描述的方法步骤的不同动作的单一处理单元或者是多个处理单元。布置700还可以包括用于从其他实体接收信号的输入单元702、以及用于向其他实体提供信号的输出单元704。输入单元702和输出单元704可以被布置为单一实体或者是分离的实体。
此外，布置700可以包括具有非易失性或易失性存储器形式的至少一个可读存储介质707，例如是电可擦除可编程只读存储器(EEPROM)、闪存、和/或硬盘驱动器。可读存储介质707包括计算机程序710，该计算机程序710包括代码/计算机可读指令，其在由布置700中的处理器706执行时使得硬件布置700和/或包括硬件布置700在内的设备可以执行例如上面结合上述实施例所描述的流程及其任何变形。
计算机程序710可被配置为具有例如计算机程序模块710A～710C架构的计算机程序代码。因此，在例如设备中使用硬件布置700时的示例实施例中，布置700的计算机程序中的代码包括：模块710A，用于…。计算机程序中的代码还包括：模块710B，用于…。计算机程序中的代码还包括：模块710C，用于…。
计算机程序模块实质上可以执行上述实施例中所描述的流程中的各个动作，以模拟设备。换言之，当在处理器706中执行不同计算机程序模块时，它们可以对应于设备中的上述不同单元。
尽管上面结合图7所公开的实施例中的代码手段被实现为计算机程序模块，其在处理器706中执行时使得硬件布置700执行上面结合上述实施例所描述的动作，然而在备选实施例中，该代码手段中的至少一项可以至少被部分地实现为硬件电路。
处理器可以是单个CPU(中央处理单元)，但也可以包括两个或更多个处理单元。例如，处理器可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))。处理器还可以包括用于缓存用途的板载存储器。计算机程序可以由连接到处理器的计算机程序产品来承载。计算机程序产品可以包括其上存储有计算机程序的计算机可读介质。例如，计算机程序产品可以是闪存、随机存取存储器(RAM)、只读存储器(ROM)、EEPROM，且上述计算机程序模块在备选实施例中可以用UE内的存储器的形式被分布到不同计算机程序产品中。
本领域技术人员应当理解，在本发明的实施例中，虽然以拉曼谱图为示例详细说明了本发明的技术构思，但是本发明不局限于拉曼谱图的分析处理。
虽然结合附图对本发明进行了说明，但是附图中公开的实施例旨在对本发明优选实施方式进行示例性说明，而不能理解为对本发明的一种限制。
虽然本发明总体构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。

Claims (8)

1.一种通过拉曼谱图识别物质的方法，包括以下步骤：
标准谱图库建立步骤：对多种样品的拉曼光谱进行测量，以获得多种样品的标准谱图，对所述标准谱图进行预处理并提取所述标准谱图的包括峰强、峰位、峰区和峰宽的峰信息，将经预处理的标准谱图及提取出的峰信息存入数据库中，以建立标准谱图库；
被测谱图获得步骤：对待测物质的拉曼光谱进行测量，以获得被测谱图；
被测谱图预处理和峰信息提取步骤：对所述被测谱图进行预处理，并提取出被测谱图的峰信息，该峰信息包括被测谱图的峰强、峰位、峰区和峰宽；
峰匹配步骤：比较被测谱图的峰信息和标准谱图的峰信息，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图；和
识别步骤：对被测谱图的数据和上述峰匹配步骤中筛选出的标准谱图的数据进行相关性比较，以筛选出与被测谱图最相关的标准谱图，从而识别出被测物质，
其中，在所述被测谱图预处理和峰信息提取步骤中对所述被测谱图进行预处理包括：利用用于扣除谱图本底的方法扣除所述被测谱图的本底，所述用于扣除谱图本底的方法包括以下步骤：
峰信息寻找步骤：寻找出原始谱图的峰信息，该峰信息包括峰位、峰的起点和终点以及峰宽w；
本底数据获得步骤：在原始谱图的每个峰的起点和终点限定的每个峰区内，使用SNIP方法处理原始谱图的每个峰，以获得每个峰区内的本底数据；
本底谱图形成步骤：在每个峰区内，使用经SNIP方法处理后获得的本底数据替换原始谱图的数据，以拟合形成本底谱图；
平滑处理步骤：将形成的本底谱图进行平滑处理；和
扣除本底步骤：将原始谱图减去经平滑处理的本底谱图，以获得扣除本底的谱图，
其中，所述峰匹配步骤包括：
排序步骤：按照峰强从大到小的顺序，对被测谱图的峰和标准谱图的峰分别进行排序，选择出被测谱图和标准谱图的排序在前N名的峰；
第一匹配步骤：比较被测谱图和标准谱图的排序在前N名的峰的峰位信息，以筛选出具有与被测谱图的峰信息匹配的峰信息的标准谱图；
峰匹配权重计算步骤：根据下述公式(2)建立惩罚性函数，以计算峰匹配权重；和
第二匹配步骤：当峰匹配权重大于等于预设的权重阈值时，确定被测谱图与标准谱图的峰信息匹配；当峰匹配权重小于所述权重阈值时，确定被测谱图与标准谱图的峰信息不匹配，
其中，公式(2)为：
h＝(1-2*|j-i|/10)*(0.5/(i+1))*exp(-pD*2/min(p1[i].fWidth，p2[j].fWidth))，
其中，h表示峰匹配权重；
i，j分别表示标准谱图和被测谱图中的排序后的峰的序号，i和j均为大于等于0且小于等于N的整数；
p1[i].fWidth表示标准谱图中排序后的第i个峰的峰宽；
p2[j].fWidth表示被测谱图中排序后的第j个峰的峰宽；
pD表示峰位的绝对差。
2.根据权利要求1所述的方法，其特征在于，所述本底数据获得步骤包括：
在每个峰区内，使用变换公式对该峰区内的每个波数对应的强度值进行变换，该变换公式为：
Figure FDA0002891140780000021
根据SNIP公式进行迭代计算，依次计算出v1(i)、v2(i)，直至vm(i)，该SNIP公式为：vp(i)＝min{vp-1(i)，[vp-1(i+p)+vp-1(i-p)]/2}；和
当vm(i)计算完之后，再根据上述变换公式进行逆运算，以计算出与vm(i)对应的y(i)，从而获得该峰区内的本底数据，
其中，i为原始谱图的波数，y(i)为原始谱图中第i个波数对应的强度值，v(i)为y(i)的运算结果；
m为预定的迭代次数，p为当前迭代次数，即，1＜p≤m，vp(i)表示第p次迭代计算出的v(i)，vp-1(i)、vp-1(i+p)和vp-1(i-p)分别表示第p-1次迭代计算出的v(i)、v(i+p)和v(i-p)，v(i+p)和v(i-p)分别表示第i+p和i-p个波数对应的强度值的运算结果。
3.根据权利要求2所述的方法，其特征在于，对于每个峰区，预定的迭代次数m均满足如下关系：
m＝(w-1)/2。
4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述标准谱图库建立步骤中对所述标准谱图进行预处理包括：利用所述用于扣除谱图本底的方法扣除所述标准谱图的本底。
5.根据权利要求1所述的方法，其特征在于，所述第一匹配步骤具体包括：
按照下述公式(1)依次计算排序在前N名的峰的峰位的绝对差；和
当计算出的峰位的绝对差满足下述条件(1)时，确定被测谱图与标准谱图的峰信息匹配；当计算出的峰位的绝对差不满足下述条件(1)时，确定被测谱图与标准谱图的峰信息不匹配，
其中：
公式(1)为：pD＝|p2[j].fPos-p1[i].fPos|，
条件(1)为：pD＜p2[j].fWidth/3且pD＜p1[i].fWidth/3，
其中，N为预定的比较峰数，N为大于等于3的自然数；
p1[i].fPos表示标准谱图中排序后的第i个峰的峰位；
p2[j].fPos表示被测谱图中排序后的第j个峰的峰位。
6.根据权利要求1或5所述的方法，其特征在于，N为大于等于3且小于等于5的自然数。
7.根据权利要求1或5所述的方法，其特征在于，在被测谱图和标准谱图的所有峰的峰区的并集区间内，执行所述对被测谱图的数据和上述峰匹配步骤中筛选出的标准谱图的数据进行相关性比较的步骤。
8.一种电子设备，包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，以执行如权利要求1-7中任一项所述的方法。
CN201611222587.6A 2016-12-26 2016-12-26 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法 Active CN108241845B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201611222587.6A CN108241845B (zh) 2016-12-26 2016-12-26 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法
EP17886286.8A EP3561696A4 (en) 2016-12-26 2017-11-17 METHOD FOR USE IN A SUBTRACTING SPECTROGRAM BACKGROUND, METHOD FOR IDENTIFYING SUBSTANCES BY MEANS OF A RAMAN SPECTRUM AND ELECTRONIC DEVICE
PCT/CN2017/111588 WO2018121121A1 (zh) 2016-12-26 2017-11-17 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备
US16/473,495 US11493447B2 (en) 2016-12-26 2017-11-17 Method for removing background from spectrogram, method of identifying substances through Raman spectrogram, and electronic apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611222587.6A CN108241845B (zh) 2016-12-26 2016-12-26 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法

Publications (2)

Publication Number Publication Date
CN108241845A CN108241845A (zh) 2018-07-03
CN108241845B true CN108241845B (zh) 2021-04-02

Family

ID=62702457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611222587.6A Active CN108241845B (zh) 2016-12-26 2016-12-26 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法

Country Status (4)

Country Link
US (1) US11493447B2 (zh)
EP (1) EP3561696A4 (zh)
CN (1) CN108241845B (zh)
WO (1) WO2018121121A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109557071B (zh) * 2018-11-14 2021-12-17 公安部第一研究所 一种危险液体混合物的拉曼光谱定性定量识别方法
CN109632761B (zh) * 2018-12-14 2021-11-09 广东环凯微生物科技有限公司 一种拉曼光谱数据的处理方法及系统
CN110108695B (zh) * 2019-05-17 2021-11-02 广西科技大学 采用光栅阵列检测器的拉曼光谱仪的背景暗噪声扣除方法
CN110658178A (zh) * 2019-09-29 2020-01-07 江苏拉曼医疗设备有限公司 一种用于拉曼光谱的荧光背底扣除方法
CN111089856B (zh) * 2019-12-26 2021-05-14 厦门大学 一种拉曼光谱弱信号提取的后处理方法
CN112711991B (zh) * 2020-12-17 2024-03-15 华东理工大学 一种自动提取x射线衍射图谱中特征峰信息的方法
CN114002155B (zh) * 2021-11-30 2024-03-26 北京鉴知技术有限公司 一种荧光光谱的检测方法、装置、设备及存储介质
CN113989578B (zh) * 2021-12-27 2022-04-26 季华实验室 拉曼光谱的峰位分析方法、系统、终端设备及介质
CN114624271B (zh) * 2022-03-25 2023-08-25 电子科技大学 一种基于变分模态分解的x射线荧光光谱本底扣除方法
CN115078616B (zh) * 2022-05-07 2024-06-07 天津国科医疗科技发展有限公司 基于信噪比的多窗口谱峰识别方法、设备、介质及产品
CN115508335B (zh) * 2022-10-21 2024-08-13 哈尔滨工业大学（威海） 基于傅里叶变换的拉曼光谱曲线数据增强方法
CN116399996A (zh) * 2023-06-02 2023-07-07 海能未来技术集团股份有限公司 基于热导检测的有机元素分析方法、装置及电子设备
CN116878407B (zh) * 2023-09-08 2023-12-01 法博思(宁波)半导体设备有限公司 一种基于红外干涉的外延片测厚方法及装置
CN117825353B (zh) * 2023-12-28 2024-07-30 上海如海光电科技有限公司 一种基于mcr-als的混合物体系基质光谱去除方法
CN118015038A (zh) * 2024-02-07 2024-05-10 北京霍里思特科技有限公司 对光谱数据进行背景扣除的方法、系统、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3711207B2 (ja) * 1998-12-25 2005-11-02 三菱化学株式会社 熱可塑性ポリエステルエラストマー
EP1898791A2 (en) * 2005-06-30 2008-03-19 The University Of Wyoming Method for determination of bone fracture risk using raman spectroscopy
CN101017143A (zh) * 2007-02-07 2007-08-15 盐城师范学院 用显微激光拉曼光谱检测中药注射剂成分及其方法
WO2014094039A1 (en) * 2012-12-19 2014-06-26 Rmit University A background correction method for a spectrum of a target sample
CN103955518B (zh) * 2014-05-06 2017-10-31 北京华泰诺安探测技术有限公司 一种检测物谱图与数据库谱图的匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A dynamic programming approach for the alignment of signal peaks";Mark D Robinson.et al;《BMC Bioinformatics》;20071029;全文 *
"Background elimination using the SNIP algorithm for Bragg reflections from a protein crystal measured by a TOF single-crystal neutron diffractometer";K Tomoyori.et al;《journal of physics:conference series》;20151223;全文 *

Also Published As

Publication number Publication date
EP3561696A4 (en) 2020-07-22
EP3561696A1 (en) 2019-10-30
WO2018121121A1 (zh) 2018-07-05
US20190339205A1 (en) 2019-11-07
US11493447B2 (en) 2022-11-08
CN108241845A (zh) 2018-07-03

Similar Documents

Publication Publication Date Title
CN108241845B (zh) 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法
CN108254351B (zh) 用于物品查验的拉曼光谱检测方法
Zhang et al. An intelligent background‐correction algorithm for highly fluorescent samples in Raman spectroscopy
WO2016177002A1 (zh) 基于拉曼光谱的检测保健品中是否添加有西药的方法
EP2294531B1 (en) Scale robust feature-based identifiers for image identification
MX2007000064A (es) Eliminacion automatica del fondo para los datos de entrada.
CN108169201B (zh) 用于扣除包装干扰的拉曼光谱检测方法
Lu et al. Fast Bi-dimensional empirical mode decomposition as an image enhancement technique for fruit defect detection
CN104715455B (zh) 一种光谱成像手印增强的方法
CN108195817B (zh) 用于去除溶剂干扰的拉曼光谱检测方法
CN115389439B (zh) 基于大数据的河流污染物监测方法及系统
Barburiceanu et al. An improved feature extraction method for texture classification with increased noise robustness
Dalal et al. Compression and reinforce variation with convolutional neural networks for hyperspectral image classification
CN108241846B (zh) 用于识别拉曼谱图的方法
CN115541531A (zh) 基于二维相关光谱预测饲料中蛋白质含量的方法
CN110867221A (zh) 基于太赫兹光谱的土壤含铅量预测模型确定方法及装置
Lin et al. Automatic method to compare the lanes in gel electrophoresis images
CN115909324A (zh) 一种广陈皮陈化年份高光谱鉴别方法及系统
Maulidinnawati Classification Optimization of Skin Cancer Using the Adaboost Algorithm
Pavelka et al. Complex evaluation of Raman spectra using morphological filtering: Algorithms, software implementation, and experimental verification of baseline correction, peak recognition, and cosmic ray removal in SERS spectra of designer drugs
Andreia et al. Hyperspectral Image Classification using Extended Local Binary Patterns and Wavelet Transform Descriptors
CN113281276B (zh) 一种矿石组分信息提取方法、设备及存储介质
Khalvati Computational redundancy in image processing
Linortner et al. Veinplus+: a publicly available and free software framework for vein recognition
Rozikin et al. ANOVA-Artificial Bee Colony Algorithm-Driven Feature Selection for Classifying Downy Mildew Severity in Melon Leaves.

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