CN108780048B - 一种确定检测设备的方法、检测装置及可读存储介质 - Google Patents

一种确定检测设备的方法、检测装置及可读存储介质 Download PDF

Info

Publication number
CN108780048B
CN108780048B CN201880001107.4A CN201880001107A CN108780048B CN 108780048 B CN108780048 B CN 108780048B CN 201880001107 A CN201880001107 A CN 201880001107A CN 108780048 B CN108780048 B CN 108780048B
Authority
CN
China
Prior art keywords
detected substance
determining
substance
detected
detection
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
CN201880001107.4A
Other languages
English (en)
Other versions
CN108780048A (zh
Inventor
骆磊
牟涛涛
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.)
Beijing Cloudoptek Technology Co ltd
Original Assignee
Cloudminds Shenzhen Holdings 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 Cloudminds Shenzhen Holdings Co Ltd filed Critical Cloudminds Shenzhen Holdings Co Ltd
Publication of CN108780048A publication Critical patent/CN108780048A/zh
Application granted granted Critical
Publication of CN108780048B publication Critical patent/CN108780048B/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
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请部分实施例提供了一种确定检测设备的方法、检测装置及可读存储介质。该确定检测设备的方法，包括：获取被检测物质的粒子组成信息；其中，粒子组成信息用于指示被检测物质由原子构成、被检测物质由分子构成和无法确定构成被检测物质的粒子的属性中的任意一种；根据被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备。

Description

一种确定检测设备的方法、检测装置及可读存储介质
技术领域
本申请涉及检测领域，尤其涉及一种确定检测设备的方法、检测装置及可读存储介质。
背景技术
当前市面上现有的物质检测设备，有拉曼检测设备、激光诱导击穿光谱学(Laser-Induced Breakdown Spectroscopy，简称Libs)检测设备。其中，拉曼检测设备检测物质的分子信息，Libs检测设备检测物质的原子信息。如果将两者组合，形成二合一产品，该产品基本上可以检测世界上现存的所有物质。
发明人在研究现有技术过程中发现，当前的二合一产品都是将两者简单地组合，即在一个结构中放入两种检测设备。两种检测设备完全独立，有各自的检测光路和不同的激光焦点位置，和手持一个拉曼检测设备外加一个Libs检测设备没有多大差异。如果用户并不知道一种物质该用哪种检测设备检测时，就要用两种检测设备分别检测该物质，导致用户的检测效率比较低。
可见，如何确定使用哪种检测设备检测被检测物质，是需要解决的问题。
发明内容
本申请部分实施例所要解决的一个技术问题在于如何确定使用哪种检测设备检测被检测物质。
本申请的一个实施例提供了一种确定检测设备的方法，包括：获取被检测物质的粒子组成信息；其中，粒子组成信息用于指示被检测物质由原子构成、被检测物质由分子构成和无法确定构成被检测物质的粒子的属性中的任意一种；根据被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备。
本申请的一个实施例还提供了一种检测装置，包括获取模块和确定模块；获取模块用于获取被检测物质的粒子组成信息；其中，粒子组成信息用于指示被检测物质由原子构成、被检测物质由分子构成和无法确定构成被检测物质的粒子的属性中的任意一种；确定模块用于根据被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备。
本申请的一个实施例还提供了一种检测装置，包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例提及的确定检测设备的方法。
本申请的一个实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施例提及的确定检测设备的方法。
本申请的实施例相对于现有技术而言，检测装置能够在用户不确定使用哪种检测设备检测被检测物质时，通过获取被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备，提高了用户的检测效率，以及检测装置的智能性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本申请第一实施例的确定检测设备的方法的流程图；
图2是本申请第二实施例的确定检测设备的方法的流程图；
图3是本申请第三实施例的检测装置的结构示意图；
图4是本申请第四实施例的检测装置的结构示意图；
图5是本申请第四实施例的采用独立激光光路结构的检测装置的结构示意图；
图6是本申请第四实施例的采用共激光光路结构的检测装置的结构示意图；
图7是本申请第五实施例的检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，本申请的各实施例中的检测装置均为组合式检测装置，设置有至少两种检测设备。本申请的各实施例中以拉曼检测设备和Libs检测设备组合为例，其他组合式检测装置确定检测设备的方法可参考本申请的各实施例。
本申请的第一实施例涉及一种确定检测设备的方法，应用于检测装置。如图1所示，确定检测设备的方法包括：
步骤101：获取被检测物质的粒子组成信息。
具体地说，粒子组成信息用于指示被检测物质由原子构成、被检测物质由分子构成和无法确定构成被检测物质的粒子的属性中的任意一种。
具体实现中，在获取被检测物质的粒子组成信息之前，检测装置判断是否接收到指定检测设备的指定指令。若接收到指定指令，则直接调用指定的检测设备检测被检测物质。例如，用户已知构成被检测物质的粒子的属性，手动选择了Libs检测设备，则直接启动Libs检测设备。若未收到指定指令，则通过执行该确定检测设备的方法，确定用于检测被检测物质的检测设备。
步骤102：根据被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备。
具体地说，检测装置若确定粒子组成信息指示被检测物质由原子构成，确定用于检测被检测物质的检测设备为第一检测设备，例如Libs检测设备。第一检测设备用于获取被检测物质的第一光谱，第一光谱用于表征被检测物质的原子组成。检测装置若确定粒子组成信息指示被检测物质由分子构成，确定用于检测被检测物质的检测设备为第二检测设备，例如拉曼检测设备。其中，第二检测设备用于获取被检测物质的第二光谱，第二光谱用于表征被检测物质的分子组成。若确定粒子组成信息指示无法确定构成被检测物质的属性，确定用于检测被检测物质的检测设备为第一检测设备和第二检测设备。
具体实现中，粒子组成信息根据被检测物质由原子构成的概率确定。当被检测物质由原子构成的概率大于预设值时，粒子组成信息指示被检测物质由原子构成。当被检测物质由原子构成的概率不大于预设值时，粒子组成信息指示被检测物质由分子构成。其中，预设值可以是50％或60％。
另一具体实现中，粒子组成信息根据被检测物质由原子构成的概率和被检测物质由分子构成的概率确定。
与现有技术相比，本实施例中提供的确定检测设备的方法，检测装置能够在用户不确定使用哪种检测设备检测被检测物质时，通过获取被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备，提高了用户的检测效率，以及检测装置的智能性。
本申请的第二实施例涉及一种确定检测设备的方法，本实施例是对第一实施例的进一步细化，具体说明了步骤101，以及其他相关步骤。
如图2所示，本实施例包括步骤201至步骤207。其中，步骤203与第一实施例中的步骤102大致相同，此处不再详述，下面主要介绍不同之处：
步骤201：获取被检测物质的测试数据。
具体地说，用户将样品放置于指定位置，点击开始检测。检测装置在接收到检测指令时，获取被检测物质的测试数据。其中，被检测物质的测试数据包括被检测物质的图像。
步骤202：将被检测物质的测试数据输入预先训练得到的分类模型，根据分类模型的输出，确定被检测物质的粒子组成信息。
具体地说，分类模型用于定义被检测物质的测试数据和被检测物质的粒子组成信息的对应关系。
以下对训练分类模型的过程进行举例说明。
因为原子物质仅包括金属、金刚石、石墨、稀有气体等很少的物质，在训练分类模型时，将上述物质作为原子物质，上述物质以外的物质都作为分子物质。用于训练分类模型的训练模块中预先存储有原子物质的图像，并通过卷积神经网络(Convolutional NeuralNetwork，简称CNN)提取原子物质的图像中的特征。训练模块通过分类器建立CNN提取的特征与被检测物质的粒子组成信息的对应关系。
值得一提的是，由于原子物质的种类较少，训练量较小，识别难度更低，针对原子物质训练分类模型，降低了训练难度。
需要说明的是，训练分类模型的过程可以在检测装置中进行，也可以在与检测装置通信的其他装置中进行。例如，将训练数据传输至云端，由云端进行分类模型的训练。
需要说明的是，实际应用中，本领域技术人员还可以根据检测装置中设置的检测设备的使用范围，确定被检测物质的测试数据、训练分类模型的方式和粒子组成信息，以使检测装置能够在设置超过两个检测设备时，确定用于检测被检测物质的检测设备。例如，检测装置中用于检测分子物质的检测设备有拉曼检测设备和红外检测设备，可以根据拉曼检测设备和红外检测设备分别适合于检测哪些物质，训练分类模型。
又如，检测装置中除了拉曼检测设备、Libs检测设备以外，还设置有微波检测设备。由于拉曼检测设备和Libs检测设备无法检测金属瓶内的被检测物质，所以被检测物质的测试数据中还包括盛放被检测物质的容器信息。分类模型根据盛放被检测物质的容器信息确定被检测物质放置于金属瓶内时，确定用于检测被检测物质的检测设备为微波检测设备。分类模型根据盛放被检测物质的容器信息确定被检测物质未放置于金属瓶内时，根据被检测物质的测试数据中被检测物质的图像等其他数据，确定构成被检测物质的粒子的属性。进一步的，分类模型根据构成被检测物质的粒子的属性，确定用于检测被检测物质的检测设备为Libs检测设备或拉曼检测设备。
需要说明的是，被检测物质的测试数据还可以包括气味传感器、红外传感器等检测被检测物质获得的数据。
具体实现中，分类模型的输出可以是被检测物质的粒子组成信息；也可以是被检测物质由原子构成的概率，以及被检测物质由分子构成的概率。
情况1，分类模型的输出为被检测物质的粒子组成信息。分类模型根据被检测物质的测试数据，确定被检测物质由原子构成的概率，以及被检测物质由分子构成的概率。根据被检测物质由原子构成的概率，以及被检测物质由分子构成的概率，确定分类模型的输出。
以下对确定根据被检测物质由原子构成的概率，以及被检测物质由分子构成的概率，确定分类模型的输出的方式进行举例说明。
方式1：分类模型判断被检测物质由原子构成的概率是否大于被检测物质由分子构成的概率，若是，确定分类模型的输出为被检测物质由原子构成；否则，确定分类模型的输出为被检测物质由分子构成。
方式2：分类模型判断被检测物质由原子构成的概率与被检测物质由分子构成的概率的差值是否大于阈值。例如，阈值为10％。若确定大于阈值，分类模型按照方式1描述的方法进一步确定构成被检测物质的粒子的属性，否则，确定分类模型的输出为无法确定构成被检测物质的粒子的属性。
情况2，分类模型的输出为被检测物质由原子构成的概率，以及被检测物质由分子构成的概率。检测装置根据被检测物质由原子构成的概率，以及被检测物质由分子构成的概率，确定被检测物质的粒子组成信息。
需要说明的是，检测装置根据被检测物质由原子构成的概率，以及被检测物质由分子构成的概率，确定被检测物质的粒子组成信息的过程，与分类模型根据被检测物质由原子构成的概率，以及被检测物质由分子构成的概率，确定分类模型的输出的方式大致相同，此处不再赘述。
执行步骤203。
步骤204：调用用于检测被检测物质的检测设备检测被检测物质。
步骤205：判断用于检测被检测物质的检测设备检测的光谱是否符合预设要求。
具体地说，预设要求可以是光谱的信噪比处于预设范围，和/或，光谱的波形中有波峰。检测装置若确定光谱符合预设要求，执行步骤206，若确定光谱不符合预设要求，检测装置执行步骤207。
步骤206：根据光谱确定被检测物质的检测结果。结束确定检测设备的流程。
具体地说，检测装置调用匹配算法，将被检测物质的光谱与预先存储的已知样品的光谱进行匹配，根据匹配结果确定检测结果，并将检测结果呈现给用户。
具体实现中，在确定光谱符合预设要求后，检测装置可以将被检测物质的测试数据，以及被检测物质的粒子组成信息作为分类模型的训练数据，训练分类模型；其中，分类模型用于定义被检测物质的测试数据和被检测物质的粒子组成信息的对应关系。
值得一提的是，在云端进行分类模型的训练时，可以将所有检测装置的数据都作为云端的训练数据，提升了训练速度。训练数据的增加，使得训练结果更加准确。
步骤207：调用用于检测被检测物质的检测设备以外的检测设备检测被检测物质。
具体地说，光谱不符合预设要求时，例如，光谱的信噪比不达标，或光谱没有波峰等，则说明可能是分类模型分类错误，或者被检测物质的测试数据有误，导致检测装置出现误识别问题，例如，将原子物质误识别为分子物质，或者是被检测物质为没有拉曼信号的分子物质。该情况下，调用其他检测设备检测被检测物质。
需要说明的是，若用于检测被检测物质的检测设备为用户指定的检测设备，则提示检测异常，可尝试使用其他检测设备检测。
需要说明的是，若检测装置的每个检测设备得到的光谱均不符合要求时，可以显示所有的光谱，和/或，提示用户检测异常。
与现有技术相比，本实施例中提供的确定检测设备的方法，检测装置能够在用户不确定使用哪种检测设备检测被检测物质时，通过获取被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备，提高了用户的检测效率，以及检测装置的智能性。除此之外，在云端进行分类模型的训练时，可以将所有检测装置的数据都作为云端的训练数据，提升了训练速度。训练数据的增加，使得训练结果更加准确。
本申请的第三实施例涉及一种检测装置，如图3所示，包括：获取模块301和确定模块302。获取模块301用于获取被检测物质的粒子组成信息。其中，粒子组成信息用于指示被检测物质由原子构成、被检测物质由分子构成和无法确定构成被检测物质的粒子的属性中的任意一种。确定模块302用于根据被检测物质的粒子组成信息，确定用于检测被检测物质的检测设备。
不难发现，本实施例为与第一实施例相对应的系统实施例，本实施例可与第一实施例互相配合实施。第一实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第一实施例中。
本申请的第四实施例涉及一种检测装置，本实施例是对第三实施例的细化，具体说明了获取模块的作用，以及检测装置的其他模块。
如图4所示，检测装置包括：获取模块401、确定模块402、调用模块403。
获取模块401具体用于获取被检测物质的测试数据，将被检测物质的测试数据输入预先训练得到的分类模型，根据分类模型的输出，确定被检测物质的粒子组成信息。
调用模块403用于调用用于检测被检测物质的检测设备检测被检测物质；判断用于检测被检测物质的检测设备检测的光谱是否符合预设要求，若是，根据光谱确定被检测物质的检测结果；否则，调用用于检测被检测物质的检测设备以外的检测设备检测被检测物质。
需要说明的是，图4中，检测设备以第一检测设备404和第二检测设备405为例，说明检测装置的结构，实际应用中，可以根据需要设置检测设备的个数。
需要说明的是，实际应用中，第一检测设备404和第二检测设备405可以设置为焦点不重合，可以将两者设置为共焦点。第一检测设备404与第二检测设备405可以是两个独立激光光路，也可以共用最后一部分激光光路。其中，采用独立激光光路结构的检测装置的如图5所示，采用共激光光路结构的检测装置如图6所示。
不难发现，本实施例为与第二实施例相对应的系统实施例，本实施例可与第二实施例互相配合实施。第二实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第二实施例中。
本申请的第五实施例涉及一种检测装置，如图7所示，包括至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502。其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行上述确定检测设备的方法。
本实施例中，处理器501以中央处理器(Central Processing Unit，CPU)为例，存储器502以可读写存储器(Random Access Memory，RAM)为例。处理器501、存储器502可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的分类模型就可以存储于存储器502中。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述确定检测设备的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器502可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器中，当被一个或者多个处理器执行时，执行上述任意方法实施例中的确定检测设备的方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请的第六实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现以上任意方法实施例所描述的确定检测设备的方法。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (15)

1.一种确定检测设备的方法，其中，包括：
获取被检测物质的粒子组成信息；其中，所述粒子组成信息用于指示所述被检测物质由原子构成、所述被检测物质由分子构成和无法确定构成所述被检测物质的粒子的属性中的任意一种；
根据所述被检测物质的粒子组成信息，确定用于检测所述被检测物质的检测设备；
其中，所述获取被检测物质的粒子组成信息，具体包括：
获取所述被检测物质的测试数据；其中，所述被检测物质的测试数据包括所述被检测物质的图像；
将所述被检测物质的测试数据输入预先训练得到的分类模型，根据所述分类模型的输出，确定所述被检测物质的粒子组成信息；其中，所述分类模型用于定义所述被检测物质的测试数据和所述被检测物质的粒子组成信息的对应关系。
2.根据权利要求1所述的确定检测设备的方法，其中，所述根据所述被检测物质的粒子组成信息，确定用于检测所述被检测物质的检测设备，具体包括：
若确定所述粒子组成信息指示所述被检测物质由原子构成，确定所述用于检测所述被检测物质的检测设备为第一检测设备；其中，所述第一检测设备用于获取所述被检测物质的第一光谱，所述第一光谱用于表征所述被检测物质的原子组成；
若确定所述粒子组成信息指示所述被检测物质由分子构成，确定所述用于检测所述被检测物质的检测设备为第二检测设备；其中，所述第二检测设备用于获取所述被检测物质的第二光谱，所述第二光谱用于表征所述被检测物质的分子组成；
若确定所述粒子组成信息指示无法确定构成所述被检测物质的属性，确定所述用于检测所述被检测物质的检测设备为所述第一检测设备和所述第二检测设备。
3.根据权利要求1所述的确定检测设备的方法，其中，所述被检测物质的测试数据还包括气味传感器和/或红外传感器检测所述被检测物质获得的数据。
4.根据权利要求1或3所述的确定检测设备的方法，其中，所述分类模型的输出为所述被检测物质的粒子组成信息；确定所述分类模型的输出的具体过程为：
根据所述被检测物质的测试数据，确定所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率；
根据所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率，确定所述分类模型的输出。
5.根据权利要求4所述的确定检测设备的方法，其中，所述根据所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率，确定所述分类模型的输出，具体包括：
判断所述被检测物质由原子构成的概率是否大于所述被检测物质由分子构成的概率；
若是，确定所述分类模型的输出为所述被检测物质由原子构成；
否则，确定所述分类模型的输出为所述被检测物质由分子构成。
6.根据权利要求4所述的确定检测设备的方法，其中，根据所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率，确定所述分类模型的输出，具体包括：
若确定所述被检测物质由原子构成的概率与所述被检测物质由分子构成的概率的差值不大于阈值，确定所述分类模型的输出为无法确定构成所述被检测物质的粒子的属性。
7.根据权利要求1或3所述的确定检测设备的方法，其中，所述分类模型的输出为所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率；
所述根据所述分类模型的输出，确定所述被检测物质的粒子组成信息，具体包括：
判断所述被检测物质由原子构成的概率是否大于所述被检测物质由分子构成的概率；
若是，确定所述粒子组成信息指示所述被检测物质由原子构成；
否则，确定所述粒子组成信息指示所述被检测物质由分子构成。
8.根据权利要求5或7所述的确定检测设备的方法，其中，在所述判断所述被检测物质由原子构成的概率是否大于所述被检测物质由分子构成的概率之前，所述确定检测设备的方法还包括：
确定所述被检测物质由原子构成的概率与所述被检测物质由分子构成的概率的差值大于阈值。
9.根据权利要求1或3所述的确定检测设备的方法，其中，所述分类模型的输出为所述被检测物质由原子构成的概率，以及所述被检测物质由分子构成的概率；
所述根据所述分类模型的输出，确定所述被检测物质的粒子组成信息，具体包括：
若确定所述被检测物质由原子构成的概率与所述被检测物质由分子构成的概率的差值不大于阈值，确定所述被检测物质的粒子组成信息指示无法确定构成所述被检测物质的粒子的属性。
10.根据权利要求1至9中任一项所述的确定检测设备的方法，其中，所述确定用于检测所述被检测物质的检测设备之后，所述确定检测设备的方法还包括：
调用所述用于检测所述被检测物质的检测设备检测所述被检测物质；
判断所述用于检测所述被检测物质的检测设备检测的光谱是否符合预设要求；
若是，根据所述光谱确定所述被检测物质的检测结果；
否则，调用所述用于检测所述被检测物质的检测设备以外的检测设备检测所述被检测物质。
11.根据权利要求10所述的确定检测设备的方法，其中，所述预设要求为所述光谱的信噪比处于预设范围，和/或，所述光谱的波形中有波峰。
12.根据权利要求10或11所述的确定检测设备的方法，其中，在确定所述光谱符合所述预设要求之后，所述确定检测设备的方法还包括：
将被检测物质的测试数据，以及所述被检测物质的粒子组成信息作为分类模型的训练数据，训练所述分类模型；其中，所述分类模型用于定义所述被检测物质的测试数据和所述被检测物质的粒子组成信息的对应关系。
13.一种检测装置，其中，包括：获取模块和确定模块；
所述获取模块用于获取被检测物质的粒子组成信息；其中，所述粒子组成信息用于指示所述被检测物质由原子构成、所述被检测物质由分子构成和无法确定构成所述被检测物质的粒子的属性中的任意一种；
所述确定模块用于根据所述被检测物质的粒子组成信息，确定用于检测所述被检测物质的检测设备；
其中，所述获取被检测物质的粒子组成信息，具体包括：
获取所述被检测物质的测试数据；其中，所述被检测物质的测试数据包括所述被检测物质的图像；
将所述被检测物质的测试数据输入预先训练得到的分类模型，根据所述分类模型的输出，确定所述被检测物质的粒子组成信息；其中，所述分类模型用于定义所述被检测物质的测试数据和所述被检测物质的粒子组成信息的对应关系。
14.一种检测装置，其中，包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至12任一项所述的确定检测设备的方法。
15.一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至12任一项所述的确定检测设备的方法。
CN201880001107.4A 2018-05-24 2018-05-24 一种确定检测设备的方法、检测装置及可读存储介质 Active CN108780048B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/088250 WO2019222964A1 (zh) 2018-05-24 2018-05-24 一种确定检测设备的方法、检测装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN108780048A CN108780048A (zh) 2018-11-09
CN108780048B true CN108780048B (zh) 2020-07-07

Family

ID=64029046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880001107.4A Active CN108780048B (zh) 2018-05-24 2018-05-24 一种确定检测设备的方法、检测装置及可读存储介质

Country Status (2)

Country Link
CN (1) CN108780048B (zh)
WO (1) WO2019222964A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019222964A1 (zh) * 2018-05-24 2019-11-28 深圳达闼科技控股有限公司 一种确定检测设备的方法、检测装置及可读存储介质
US11932080B2 (en) 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods
US11813926B2 (en) 2020-08-20 2023-11-14 Denso International America, Inc. Binding agent and olfaction sensor
US11881093B2 (en) 2020-08-20 2024-01-23 Denso International America, Inc. Systems and methods for identifying smoking in vehicles
US12017506B2 (en) 2020-08-20 2024-06-25 Denso International America, Inc. Passenger cabin air control systems and methods
US11636870B2 (en) 2020-08-20 2023-04-25 Denso International America, Inc. Smoking cessation systems and methods
US11760169B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Particulate control systems and methods for olfaction sensors
US11828210B2 (en) 2020-08-20 2023-11-28 Denso International America, Inc. Diagnostic systems and methods of vehicles using olfaction
US11760170B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Olfaction sensor preservation systems and methods

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013152192A (ja) * 2012-01-26 2013-08-08 Tokyo Univ Of Science 有機化合物分析装置及び有機化合物分析方法
CN203224448U (zh) * 2012-12-28 2013-10-02 深圳大学 用于物质成分分析的光谱探测系统
CN104034703A (zh) * 2014-06-12 2014-09-10 中国科学院上海技术物理研究所 改进的高信噪比低检出限的libs物质成分探测系统及方法
CN104730044A (zh) * 2015-03-10 2015-06-24 北京农业智能装备技术研究中心 一种原子与分子光谱的同步获取装置及方法
CN104750761A (zh) * 2013-12-31 2015-07-01 上海致化化学科技有限公司 分子结构数据库的建立方法及搜索方法
CN106404748A (zh) * 2016-09-05 2017-02-15 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN107037028A (zh) * 2017-03-10 2017-08-11 北京华泰诺安探测技术有限公司 一种云平台拉曼光谱识别方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6987564B2 (en) * 2002-04-11 2006-01-17 University Of Florida Automatic correction for continuum background in laser induced breakdown and Raman spectroscopy
US8547540B2 (en) * 2005-07-14 2013-10-01 Chemimage Corporation System and method for combined raman and LIBS detection with targeting
CN103562435B (zh) * 2011-05-25 2014-07-30 株式会社Crev 发光分析装置
CN203606288U (zh) * 2013-12-11 2014-05-21 中国科学院西安光学精密机械研究所 共聚焦显微拉曼和激光诱导击穿光谱联用激光光谱分析仪
CN103792214B (zh) * 2014-01-24 2016-07-13 国电科学技术研究院 一种提高钢铁中碳元素含量测量精度的方法
WO2019222964A1 (zh) * 2018-05-24 2019-11-28 深圳达闼科技控股有限公司 一种确定检测设备的方法、检测装置及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013152192A (ja) * 2012-01-26 2013-08-08 Tokyo Univ Of Science 有機化合物分析装置及び有機化合物分析方法
CN203224448U (zh) * 2012-12-28 2013-10-02 深圳大学 用于物质成分分析的光谱探测系统
CN104750761A (zh) * 2013-12-31 2015-07-01 上海致化化学科技有限公司 分子结构数据库的建立方法及搜索方法
CN104034703A (zh) * 2014-06-12 2014-09-10 中国科学院上海技术物理研究所 改进的高信噪比低检出限的libs物质成分探测系统及方法
CN104730044A (zh) * 2015-03-10 2015-06-24 北京农业智能装备技术研究中心 一种原子与分子光谱的同步获取装置及方法
CN106404748A (zh) * 2016-09-05 2017-02-15 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN107037028A (zh) * 2017-03-10 2017-08-11 北京华泰诺安探测技术有限公司 一种云平台拉曼光谱识别方法及装置

Also Published As

Publication number Publication date
CN108780048A (zh) 2018-11-09
WO2019222964A1 (zh) 2019-11-28

Similar Documents

Publication Publication Date Title
CN108780048B (zh) 一种确定检测设备的方法、检测装置及可读存储介质
CN108121984B (zh) 一种字符识别方法及装置
CN108235770B (zh) 图像识别方法及云端系统
US20200175062A1 (en) Image retrieval method and apparatus, and electronic device
CN107290741B (zh) 基于加权联合距离时频变换的室内人体姿态识别方法
US20170026390A1 (en) Identifying Malware Communications with DGA Generated Domains by Discriminative Learning
WO2018227338A1 (zh) 物质成分检测方法、装置和检测设备
CN108172212B (zh) 一种基于置信度的语音语种识别方法及系统
CN111709374A (zh) 鸟情检测方法、装置、计算机设备及存储介质
CN110688883A (zh) 车辆和行人检测方法及装置
CN108235733B (zh) 基于拉曼光谱的物质识别方法及云端系统
KR102449680B1 (ko) 합성 개구면 레이더 영상에서 딥러닝을 기초로 표적과 클러터 구분을 위한 가중치 기반 간소화된 이진 분류 방법 및 그 장치
JP2022540101A (ja) ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体
CN108713137B (zh) 一种物质检测方法、检测终端及计算机可读存储介质
EP3336525A1 (en) Raman spectrum detecting method for eliminating package interference and electronic device thereof
CN110648172A (zh) 一种融合多种移动设备的身份识别方法和系统
CN110768929A (zh) 域名检测方法和装置、计算机可读存储介质
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN111881706B (zh) 活体检测、图像分类和模型训练方法、装置、设备及介质
CN107786529B (zh) 网站的检测方法、装置及系统
CN109375187B (zh) 雷达目标的确定方法及装置
CN103823753A (zh) 一种面向网页内容无障碍检测的网页抽样方法
CN116112209A (zh) 漏洞攻击流量检测方法及装置
CN113255766B (zh) 一种图像分类方法、装置、设备和存储介质
CN110488279A (zh) 一种基于雷达的行人与树木区分方法与装置

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
TR01 Transfer of patent right

Effective date of registration: 20220601

Address after: 1904-010, 20th floor, building 4, No. 11, Changchun Bridge Road, Haidian District, Beijing 100089

Patentee after: BEIJING CLOUDOPTEK TECHNOLOGY Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: CLOUDMINDS (SHENZHEN) HOLDINGS Co.,Ltd.

TR01 Transfer of patent right