CN110458229A - 一种荧光粉的识别方法及装置 - Google Patents
一种荧光粉的识别方法及装置 Download PDFInfo
- Publication number
- CN110458229A CN110458229A CN201910733815.3A CN201910733815A CN110458229A CN 110458229 A CN110458229 A CN 110458229A CN 201910733815 A CN201910733815 A CN 201910733815A CN 110458229 A CN110458229 A CN 110458229A
- Authority
- CN
- China
- Prior art keywords
- fluorescent powder
- matching degree
- identified
- preset
- data
- 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.)
- Pending
Links
- 239000000843 powder Substances 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003595 spectral effect Effects 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 55
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 51
- 238000013499 data model Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 abstract description 24
- 238000012360 testing method Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 238000013075 data extraction Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000695 excitation spectrum Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例提供一种荧光粉的识别方法及装置。所述方法包括根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征，本发明实施例通过预先训练的识别模型，根据待识别荧光粉的光谱特征数据确定所述待识别荧光粉的类型，从而能够准确快速地对荧光粉进行识别。
Description
技术领域
本发明涉及材料测试技术领域，尤其涉及一种荧光粉的识别方法及装置。
背景技术
荧光粉是重要的发光材料，在照明光电器件和信息显示等光学相关范畴产品中，荧光粉是发光器件，例如，发光二极管等，的关键组成部分。不同的荧光粉材料将会带来不同的发光效果、功率、使用寿命等。
目前，对荧光粉材料的检测手段是依靠通过对荧光粉材料进行消解的化学方法，不能准确检测分析化学性质相同而物理性质不同的荧光粉材料，误差较大，检测过程繁琐，耗时长。同时随着半导体照明产业的发展，荧光粉材料种类越来越多样化，传统的检测方式已经不能满足于现代的检测需求，也无法对荧光粉进行精确的分类识别检测。
发明内容
本发明实施例提供一种荧光粉的识别方法及装置，用以解决现有技术中不能满足于现代的检测需求，也无法对荧光粉进行精确的分类识别检测。
第一方面，本发明实施例提供了一种荧光粉的识别方法，包括：
根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
进一步地，所述识别模型包括与每种已知荧光粉对应的标准数据模型；相应地，所述根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型，具体包括：
将所述待识别荧光粉的光谱特征数据与每种已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与每种已知荧光粉的匹配度；
若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
进一步地，所述方法还包括：
若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值；
若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
进一步地，在若所述最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉之后，所述方法还包括：
若所述最大的匹配度大于预设的第三匹配度阈值，则将所述待识别荧光粉的光谱特征数据用于训练所述识别模型；其中，所述第三匹配度阈值大于等于所述第二匹配度阈值。
进一步地，在若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉之后，所述方法还包括：
若确定所述未知荧光粉为一种新的荧光粉，则将所述光谱特征数据用于训练所述识别模型，从而使所述识别模型中还包括与所述新的荧光粉对应的标准数据模型。
第二方面，本发明实施例提供了一种荧光粉的识别装置，包括：
识别模型模块，用于根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
进一步地，所述识别模型模块包括与每种已知荧光粉对应的标准数据模型子模块和结果输出模块；其中，
所述标准数据子模块，用于将所述待识别荧光粉的光谱特征数据与所述已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与所述已知荧光粉的匹配度；
所述结果输出模块，用于若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
进一步地，其特征在于，所述结果输出模块还用于：
若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值；
若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
第三方面，本发明实施例还提供了一种电子设备，包括：
处理器、存储器、通信接口和通信总线；其中，
所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信；
所述通信接口用于该电子设备的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述程序指令能够执行如下方法：
根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：
根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
本发明实施例提供的荧光粉的识别方法及装置，通过预先训练的识别模型，根据待识别荧光粉的光谱特征数据确定所述待识别荧光粉的类型，从而能够准确快速地对荧光粉进行识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的荧光粉的识别方法流程图；
图2为本发明实施例另一的荧光粉的识别方法流程图；
图3为本发明实施例的荧光粉的识别装置结构示意图；
图4为本发明实施例另一的荧光粉的识别装置结构示意图；
图5示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的荧光粉的识别方法流程图，如图1所示，所述方法包括：
步骤S01、根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
本发明实施例提供一种对荧光粉的智能化识别模型。所述识别模型通过经过标注的已知荧光粉的光谱特征数据训练得到，具体地，根据现有的不同种类的已知荧光粉，通过光谱检测得到所述已知荧光粉的大量检测图谱，再经过对所述检测图谱的解析得到对应的光谱检测数据，从所述光谱检测数据中可以分析得到所述已知荧光粉的各种物理特征。然后根据实际的需要，从所有的物理特征中选择具有代表性的预设特征数量的物理特性，例如，激发光源光谱、相对亮度、激发光谱(@460.0nm)、外量子效率、色纯度等。通过光谱特征数据提取和数据清洗，从所有的光谱检测数据中提取出用于表征所述预设特征数量的物理特征的光谱特征数据。将提取出的各个已知荧光粉的光谱特征数据进行标注后，用于对所述识别模型进行训练。具体可采用人工智能大数据处理方法，在对光谱检测数据进行光谱特征数据提取和数据清洗的基础上，以Xgboost机器算法构建分类与回归树(Classification And Regression Tree，CART)树型的识别模型。其中，采用的算法可以根据实际的需要来进行设定，在此不作具体地限定。其中，所述已知荧光粉的光谱检测数据则可以是由检测仪对所述已知荧光粉进行检测后得到的，也可以从生产单位直接获取。
此时，若获取到待识别荧光粉的光谱检测数据，则采用与上述训练过程相同的光谱特征数据提取和数据清洗，提取出用于表征所述待识别荧光粉的预设特征数量的物理特征的光谱特征数据，将其输入到经过训练的识别模型中，以使所述识别模型来判断所述待识别荧光粉是否属于其中的一种已知荧光粉。若是，则确定所述待识别荧光粉的类型，否则，则确定所述待识别荧光粉不属于任何一种用于训练的已知荧光粉。
所述待识别荧光粉的光谱检测数据可以通过对待识别荧光粉进行光谱检测得检测图谱，对检测图谱进行解析后得到，也可由用户直接上传到数据库中。具体地，本发明实施例的识别系统包括数据智能分析模块和数据库模块。所述数据智能分析模块包括文件遍历功能模块、结果分析训练函数模块、监控目录功能模块和结果返回功能模块。数据库模块建有数据存储表和数据结果存储表，分别对荧光粉材料的光谱检测数据和识别结果进行存储。数据智能分析和数据库之间进行对待识别荧光粉的相关数据的传递和识别结果的存储。待识别荧光粉的光谱检测数据被上传并存放在数据库模块中，当监控目录检测到数据库模块中有新的包含待识别荧光粉的光谱检测数据的文件时，将光谱检测数据引入数据智能分析模块中已训练的识别模型，从而得到识别结果。
本发明实施例通过预先训练的识别模型，根据待识别荧光粉的光谱特征数据确定所述待识别荧光粉的类型，从而能够准确快速地对荧光粉进行识别。
图2为本发明实施例另一的荧光粉的识别方法流程图，如图2所示，所述识别模型包括与每种已知荧光粉对应的标准数据模型。
由上述实施例可知所述识别模型在预先训练的过程中，对已知荧光粉的光谱检测数据采用人工智能大数据处理方法，从中提取出用于表征预设特征数量的物理特性的光谱特征数据用于训练识别模型。具体地，所述识别模型将所的光谱特征数据随机分为训练集和测试集，利用训练集训练得到每种已知荧光粉的标准数据模型，并利用测试集对得到的标准数据模型进行测试，若测试得到的平均匹配度高于预设的测试阈值，例如92％或95％等，则判定得到的标准数据模型可用。为了方便匹配，上述所述的光谱检测数据和光谱特征数据等均转化为excel表的csv文件形式。
为了增加标准数据模型的准确度，可重复上述训练过程，例如，十次：重新随机将所有的已知荧光粉的光谱特征数据分为训练集和测试集，进行训练并测试。若连续得到的标准数据模型均判定为可用，则训练完成；否则，则重新进行十次训练过程。从而，所述识别模型中包括所有已知荧光粉的标准数据模型。
另外，为了增加标准数据模型的准确度，防止过拟化的现象，还可以用虚假数据对训练完成的标准数据模型进行匹配测试，若虚假数据得到的匹配度超过了预设的过拟化阈值，则判定所述标准数据模型存在过似化现象，本次训练失败，需要重新进行十次训练过程。
相应地，所述步骤S01具体包括：
步骤S011、将所述待识别荧光粉的光谱特征数据与每种已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与每种已知荧光粉的匹配度。
当所述识别模型接收到所述待识别荧光粉的光谱特征数据时，将所述光谱特征数据与每种已知荧光粉的标准数据模型进行匹配，从而得到所述待识别荧光粉与每种已知荧光粉的匹配度。
步骤S012、若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
将得到的与每种已知荧光粉的匹配度进行排序后，可以得到匹配度最大的已知荧光粉。然后再根据最大的匹配度与所述识别模型预设的第二匹配度阈值，例如，80％，90％等，进行比较结果，来判断所述待识别荧光粉是否属于与所述最大的匹配度对应已知荧光粉。若所述最大的匹配度超过所述第二匹配度阈值，则确定所述待识别荧光粉为所述最大的匹配度对应的已知荧光粉，否则，则不属于。例如，所述识别模型包括三种已知荧光粉A、B、C对应的标准数据模型，所述第二匹配度阈值为90％，若所述待识别荧光粉的光谱特征数据与每种已知荧光粉A、B、C的匹配度分别为20％、92％和50％，则由于最大的匹配度92％超过所述第二匹配度阈值，则确定所述待识别荧光粉为已知荧光粉B。
进一步地，相应地，所述方法还包括：
步骤S013、若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值。
所述识别模型还预设小于等于所述第二匹配度阈值的第一匹配度阈值，例如，50％，60％等。若所述最大的匹配度小于等于所述第一匹配度阈值，则可以认为所述待识别荧光粉不属于任何一种所述识别模型中的已知的荧光粉，可将其确定为一种未知的荧光粉。
步骤S014、若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
若所述最大的匹配度大于所述第一匹配度阈值，且小于所述第二匹配度阈值，则认为所述待识别荧光粉可能为与所述最大的匹配度对应的已知荧光粉，而匹配度不高的原因，则是由于所述待识别荧光粉的品质不纯所导致的。因此，将所述待识别荧光粉确定为品质不纯的与所述最大的匹配度对应的已知荧光粉。
本发明实施例通过识别模型中与每种已知荧光粉对应的标准数据模型，得到所述待识别荧光粉与每种已知荧光粉的匹配度，并根据最大的匹配度与预设的第一匹配度阈值和第二匹配度阈值进行比较后的结果，来确定所述待识别荧光粉是否属于与最大的匹配度对应的已知荧光粉，从而能够准确快速地对荧光粉进行识别。
基于上述实施例，进一步地，在所述步骤S012后所述方法还包括：
若所述最大的匹配度大于预设的第三匹配度阈值，则将所述待识别荧光粉的光谱特征数据用于训练所述识别模型；其中，所述第三匹配度阈值大于等于第二匹配度阈值。
为了进一步得根据实际的需要改进已知荧光粉的标准数据模型，所述识别模型设置第三匹配度阈值，例如92％、95％或97％等，所述第三匹配度阈值大于等于第二匹配度阈值。
由上述实施例可知，若所述最大的匹配度大于预设的第二匹配度阈值，则确定所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。此时，可进一步判断所述最大的匹配度是否超过第三匹配度阈值，若超过则可以将所述待识别荧光粉的光谱特征数据作为新的训练数据扩充到所述识别模型的训练集和测试集中。从而，可以进一步得利用扩大后的训练集和测试集来对识另模型重新进行训练，从而改进所述识别模型。
本发明实施例通过在所述最大的匹配度超过预设的第三匹配度阈值时，将所述待识别荧光粉的光谱特征数据作为新的训练数据用于改进所述识别模型，从而使所述识别模型能够更加准确快速地对荧光粉进行识别。
基于上述实施例，进一步地的，在所述步骤S013后，所述方法还包括：
若确定所述未知荧光粉为一种新的荧光粉，则将所述光谱特征数据用于训练所述识别模型，从而使所述识别模型中还包括与所述新的荧光粉对应的标准数据模型。
若所述待识别荧光粉通过识别模型得到最大匹配度小于等于第一匹配度阈值，则可以认为所述待识别荧光粉为一种未知荧光粉。产生这种结果的原因可以是所述未知荧光粉为一种未对所述识别模型进行训练的新的荧光粉，也可能是一种杂质过多的已知荧光粉。
此时，若通过第三方或者市场信息等确定所述未知荧光粉实际为一种新的荧光粉，则可将所述待识别荧光粉的光谱特征数据作为新增的训练数据加入到所述识别模型的训练集和测试集中。从而在重新对识别模型进行训练后，所述识别模型中将新增与新的荧光粉对应的标准数据模型，从而实现识别模型的自扩展。
当然，在实际的应用过程中，为了增加新的荧光粉对应的标准数据模型的准确度，可以增加所述新的荧光粉的光谱检测数据。
本发明实施例通过在确定待识别荧光粉的新的荧光粉时，将所述光谱特征数据加入到训练集和测试集中，从而实现识别模型的自扩展，增加了所述识别模型的灵活性，使其能够更加准确快速地对新的荧光粉进行识别。
图3为本发明实施例的荧光粉的识别装置结构示意图，如图3所示，所述装置包括：识别模型模块10，其中，
所述识别模型模块10用于根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。具体为：
所述识别模型模块10提供一种对荧光粉的智能化识别模型。所述识别模型通过经过标注的已知荧光粉的光谱特征数据训练得到，具体地，根据现有的不同种类的已知荧光粉，通过光谱检测得到所述已知荧光粉的大量检测图谱，再经过对所述检测图谱的解析得到对应的光谱检测数据，从所述光谱检测数据中可以分析得到所述已知荧光粉的各种物理特征。然后根据实际的需要，从所有的物理特征中选择具有代表性的预设特征数量的物理特性。通过光谱特征数据提取和数据清洗，从所有的光谱检测数据中提取出用于表征所述预设特征数量的物理特征的光谱特征数据。将提取出的各个已知荧光粉的光谱特征数据进行标注后，用于对所述识别模型进行训练。具体可采用人工智能大数据处理方法，在对光谱检测数据进行光谱特征数据提取和数据清洗的基础上，以Xgboost机器算法构建分类与回归树(Classification And Regression Tree，CART)树型的识别模型。其中，采用的算法可以根据实际的需要来进行设定，在此不作具体地限定。其中，所述已知荧光粉的光谱检测数据则可以是由检测仪对所述已知荧光粉进行检测后得到的，也可以从生产单位直接获取。
此时，若所述识别模型模块10获取到待识别荧光粉的光谱检测数据，则采用与上述训练过程相同的光谱特征数据提取和数据清洗，提取出用于表征所述待识别荧光粉的预设特征数量的物理特征的光谱特征数据，将其输入到经过训练的识别模型中，以使所述识别模型来判断所述待识别荧光粉是否属于其中的一种已知荧光粉。若是，则确定所述待识别荧光粉的类型，否则，则确定所述待识别荧光粉不属于任何一种用于训练的已知荧光粉。
所述待识别荧光粉的光谱检测数据可以由所述识别模型模块通过对待识别荧光粉进行光谱检测得检测图谱，对检测图谱进行解析后得到，也可由用户直接上传到数据库中获取。
本发明实施例通过预先训练的识别模型，根据待识别荧光粉的光谱特征数据确定所述待识别荧光粉的类型，从而能够准确快速地对荧光粉进行识别。
图4为本发明实施例的另一荧光粉的识别装置结构示意图，如图4所示，所述识别模型模块包括与每种已知荧光粉对应的标准数据模型子模块11和结果输出模块12；其中，
所述标准数据子模块11用于将所述待识别荧光粉的光谱特征数据与所述已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与所述已知荧光粉的匹配度；所述结果输出模块12用于若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
由上述实施例可知所述识别模型模块10在预先训练的过程中，对已知荧光粉的光谱检测数据采用人工智能大数据处理方法，从中提取出用于表征预设特征数量的物理特性的光谱特征数据用于训练识别模型。具体地，所述识别模型将所的光谱特征数据随机分为训练集和测试集，利用训练集训练得到与每种已知荧光粉对应的标准数据模型子模块11中的标准数据模型，并利用测试集对所有标准数据子模块11中的标准数据模型进行测试，若测试得到的平均匹配度高于预设的测试阈值，例如92％或95％等，则判定所有标准数据模型子模块11中的标准数据模型均可用。
为了增加标准数据模型的准确度，可重复上述训练过程，例如，十次：重新随机将所有的已知荧光粉的光谱特征数据分为训练集和测试集，进行训练并测试。若连续得到的所有标准数据子模块11中的标准数据模型均判定为可用，则训练完成；否则，则重新进行十次训练过程。从而，所述识别模型模块10中包括所有已知荧光粉对应的标准数据模型子模块11，而所述标准数模型子模块11间可采用串连或并连的方式相互连接，在此不作具体地限定。
另外，为了增加标准数据子模块11中标准数据模型的准确度，防止过拟化的现象，还可以用虚假数据对训练完成的所有标准数据子模块11中的标准数据模型进行匹配测试，若虚假数据得到的匹配度超过了预设的过拟化阈值，则判定存在过似化现象，本次训练失败，需要重新进行十次训练过程。
当所述识别模型10接收到所述待识别荧光粉的光谱特征数据时，将所述光谱特征数据分别输入到与每种已知荧光粉对应的标准数据模型子模块11中进行匹配，从而得到所述待识别荧光粉与每种已知荧光粉的匹配度并发送给所述结果输出模块12。
所述结果输出模块12将得到的与每种已知荧光粉的匹配度进行排序后，可以得到匹配度最大的已知荧光粉。然后再根据最大的匹配度与所述识别模型预设的第二匹配度阈值进行比较结果，来判断所述待识别荧光粉是否属于与所述最大的匹配度对应已知荧光粉。若所述最大的匹配度超过所述第二匹配度阈值，则确定所述待识别荧光粉为所述最大的匹配度对应的已知荧光粉，否则，则不属于。
进一步地，所述结果输出模块12还用于：
若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值；
若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
所述结果输出模块12还预设小于等于所述第二匹配度阈值的第一匹配度阈值。若所述最大的匹配度小于等于所述第一匹配度阈值，则可以认为所述待识别荧光粉不属于任何一种所述识别模型中的已知的荧光粉，所述结果输出模块12可将其确定为一种未知的荧光粉。
若所述最大的匹配度大于所述第一匹配度阈值，且小于所述第二匹配度阈值，则所述结果输出模块12认为所述待识别荧光粉可能为与所述最大的匹配度对应的已知荧光粉，而匹配度不高的原因，则是由于所述待识别荧光粉的品质不纯所导致的。因此，所述结果输出模块12将所述待识别荧光粉确定为品质不纯的与所述最大的匹配度对应的已知荧光粉。
本发明实施例提供的装置用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。
本发明实施例通过识别模型中与每种已知荧光粉对应的标准数据模型，得到所述待识别荧光粉与每种已知荧光粉的匹配度，并根据最大的匹配度与预设的第一匹配度阈值和第二匹配度阈值进行比较后的结果，来确定所述待识别荧光粉是否属于与最大的匹配度对应的已知荧光粉，从而能够准确快速地对荧光粉进行识别。
图5示例了一种电子设备的实体结构示意图，如图5所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
本领域普通技术人员可以理解：此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种荧光粉的识别方法，其特征在于，包括：
根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
2.根据权利要求1所述的荧光粉的识别方法，其特征在于，所述识别模型包括与每种已知荧光粉对应的标准数据模型；相应地，所述根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型，具体包括：
将所述待识别荧光粉的光谱特征数据与每种已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与每种已知荧光粉的匹配度；
若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
3.根据权利要求2所述的荧光粉的识别方法，其特征在于，所述方法还包括：
若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值；
若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
4.根据权利要求3所述的荧光粉的识别方法，其特征在于，在若所述最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉之后，所述方法还包括：
若所述最大的匹配度大于预设的第三匹配度阈值，则将所述待识别荧光粉的光谱特征数据用于训练所述识别模型；其中，所述第三匹配度阈值大于等于所述第二匹配度阈值。
5.根据权利要求3所述的荧光粉的识别方法，其特征在于，在若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉之后，所述方法还包括：
若确定所述未知荧光粉为一种新的荧光粉，则将所述光谱特征数据用于训练所述识别模型，从而使所述识别模型中还包括与所述新的荧光粉对应的标准数据模型。
6.一种荧光粉的识别装置，其特征在于，包括：
识别模型模块，用于根据待识别荧光粉的光谱特征数据和预设的识别模型，确定所述待识别荧光粉的类型；其中，所述识别模型是基于预设种类的已知荧光粉的光谱特征数据训练得到的，所述光谱特征数据用于表征对应的所述待识别荧光粉或已知荧光粉的光谱检测数据包括的预设特征数量的物理特征。
7.根据权利要求6所述的荧光粉的识别装置，其特征在于，所述识别模型模块包括与每种已知荧光粉对应的标准数据模型子模块和结果输出模块；其中，
所述标准数据子模块，用于将所述待识别荧光粉的光谱特征数据与所述已知荧光粉的标准数据模型进行匹配，得到所述待识别荧光粉与所述已知荧光粉的匹配度；
所述结果输出模块，用于若最大的匹配度大于等于预设的第二匹配度阈值，则所述待识别荧光粉为与所述最大的匹配度对应的已知荧光粉。
8.根据权利要求7所述的荧光粉的识别装置，其特征在于，所述结果输出模块还用于：
若所述最大的匹配度小于等于预设的第一匹配度阈值，则确定所述待识别荧光粉为一种未知荧光粉；其中，所述第一匹配度阈值小于等于第二匹配度阈值；
若所述最大的匹配度大于所述第一匹配度阈值，且小于第二匹配度阈值，则确定所述待识别荧光粉为纯度不高的与所述最大的匹配度对应的已知荧光粉。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述荧光粉的识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述荧光粉的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910733815.3A CN110458229A (zh) | 2019-08-09 | 2019-08-09 | 一种荧光粉的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910733815.3A CN110458229A (zh) | 2019-08-09 | 2019-08-09 | 一种荧光粉的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110458229A true CN110458229A (zh) | 2019-11-15 |
Family
ID=68485621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910733815.3A Pending CN110458229A (zh) | 2019-08-09 | 2019-08-09 | 一种荧光粉的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458229A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108713136A (zh) * | 2018-03-29 | 2018-10-26 | 深圳达闼科技控股有限公司 | 物质检测方法、装置、电子设备及计算机可读存储介质 |
| CN109073537A (zh) * | 2018-07-16 | 2018-12-21 | 深圳达闼科技控股有限公司 | 一种物质检测的方法、装置、终端和可读存储介质 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
-
2019
- 2019-08-09 CN CN201910733815.3A patent/CN110458229A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108713136A (zh) * | 2018-03-29 | 2018-10-26 | 深圳达闼科技控股有限公司 | 物质检测方法、装置、电子设备及计算机可读存储介质 |
| CN109073537A (zh) * | 2018-07-16 | 2018-12-21 | 深圳达闼科技控股有限公司 | 一种物质检测的方法、装置、终端和可读存储介质 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3327583B1 (en) | Method and device for searching a target in an image | |
| Diago et al. | Assessment of cluster yield components by image analysis | |
| Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
| Septiarini et al. | Image-based processing for ripeness classification of oil palm fruit | |
| CN111860533A (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
| Pardede et al. | Fruit ripeness based on RGB, HSV, HSL, L* a* b* color feature using SVM | |
| CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
| CN104361348B (zh) | 一种智能终端上的花卉识别方法 | |
| CN113792827B (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
| Muhammad | Automatic date fruit classification by using local texture descriptors and shape-size features | |
| CN110009045A (zh) | 物联网终端的识别方法和装置 | |
| CN114553591A (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
| CN105426926B (zh) | 一种对amoled进行检测分类的方法及装置 | |
| CN110458229A (zh) | 一种荧光粉的识别方法及装置 | |
| Bremananth et al. | Wood species recognition using GLCM and correlation | |
| CN110110127B (zh) | 一种识别专色混合油墨的基色油墨的方法以及电子设备 | |
| CN110728318A (zh) | 一种基于深度学习的头发丝颜色识别方法 | |
| CN110718270B (zh) | 基因测序结果类型的检测方法、装置、设备及存储介质 | |
| CN116704237A (zh) | 植物种类识别方法、装置、存储介质及电子设备 | |
| CN111127570A (zh) | 一种太阳能电池片的颜色分类方法 | |
| CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
| CN115131582A (zh) | 基于形态学识别模板匹配的目标识别方法、装置及介质 | |
| CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 | |
| Busin et al. | Color space selection for color image segmentation by spectral clustering | |
| CN112232295A (zh) | 一种新增目标船只的确认方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |