CN110998286A - 用于确定样本中感兴趣物质的存在的系统 - Google Patents
用于确定样本中感兴趣物质的存在的系统 Download PDFInfo
- Publication number
- CN110998286A CN110998286A CN201880050360.9A CN201880050360A CN110998286A CN 110998286 A CN110998286 A CN 110998286A CN 201880050360 A CN201880050360 A CN 201880050360A CN 110998286 A CN110998286 A CN 110998286A
- Authority
- CN
- China
- Prior art keywords
- data
- cnn
- substance
- sample
- spectrometric 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.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 158
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 389
- 238000000034 method Methods 0.000 claims abstract description 116
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000013500 data storage Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 19
- 238000004611 spectroscopical analysis Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 7
- 238000001069 Raman spectroscopy Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001871 ion mobility spectroscopy Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000003124 biologic agent Substances 0.000 claims description 5
- 238000004949 mass spectrometry Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 description 35
- 210000002569 neuron Anatomy 0.000 description 27
- 238000005259 measurement Methods 0.000 description 21
- 238000012549 training Methods 0.000 description 17
- 230000003595 spectral effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 150000002500 ions Chemical class 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/0027—Methods for using particle spectrometers
- H01J49/0036—Step by step routines describing the handling of the data generated during a measurement
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J49/00—Particle spectrometers or separator tubes
- H01J49/02—Details
- H01J49/025—Detectors specially adapted to particle spectrometers
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- 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
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Abstract
描述了一种用于检测样本中感兴趣物质的存在的检测装置。该装置可以包括数据存储器,该数据存储器包括用于至少一个卷积神经网络CNN的可执行指令,该至少一个卷积神经网络被配置为处理图像;以及处理器,其耦合到数据存储器并且被配置为执行指令以运行至少一个CNN。所述检测装置可以被配置为:获得光谱测定数据,运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;将遮罩应用于光谱测定数据以获得经遮罩的数据;运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及基于第一CNN输出和第二CNN输出来确定感兴趣物质是否存在于所述样本中。
Description
相关申请
根据35U.S.C.§119(e)和/或PCT条约第8条,本申请要求2017年7月31日提交的申请号为62/539,167的美国临时申请的国内优先权。在允许的情况下,申请号为62/539,167的美国临时申请的内容通过引用结合到本文中(例如,根据37CFR§1.57和/或PCT细则§4.18)。
技术领域
本发明涉及设备和方法,并且更具体地涉及用于确定样本中感兴趣物质的存在的设备和方法。
背景技术
在某些条件下光谱仪可用于提供与样本的行为相关的数据。例如,质谱仪可以提供电场和磁场以影响颗粒的轨迹。通过测量这些轨迹,质谱仪能够确定样本中离子种类的质荷比。其它光谱测定法测量不同的参数。例如,飞行时间离子迁移谱仪(IMS)提供样本中离子种类的离子迁移率的指示。差分IMS设备提供了场相关离子迁移率的指示。拉曼光谱测定由入射和散射电磁辐射与样本的相互作用引起的该辐射之间的频移。许多其它类型的光谱测定法存在,并且可以用于鉴定样本中的组分物质。当产生样本的数据时,样本中可能存在大量的组分物质。这进而可以提供大量的数据,其还将包括来自测量设备的噪声。
附图说明
参照附图描述详细的描述。在说明书和附图中的不同实例中使用相同的参考标号可以指示相似或相同的项目。在以下详细描述和附图中公开了本发明的各种实施例或示例("示例")。附图不一定是按比例的。通常,除非在权利要求中另外提供,否则可以以任意顺序执行所公开的过程的操作。
图1A是图示了根据本发明的示例实施例的用于确定样本中的感兴趣物质的存在的网络系统的示意框图。
图1B是示出了用于确定样本中感兴趣物质的存在的检测装置的示意性框图。
图2A是示出根据本发明的示例实施例的检测网络系统的运行过程的流程图。
图2B是示出根据本发明的示例实施例的分析光谱测定图像以确定样本中感兴趣物质的存在的计算机实现的方法的流程图。
图2C是示出根据本发明的示例实施例的光栅图像生成过程的流程图。
图2D是示出了图2C所示的光栅图像生成过程的一对筛选步骤选项的流程图。
图3是示出从阵列数据到包括二维阵列的图像的示例转换的可能结果的图表。
图4是示出应用于光谱测定数据的掩模的示例的示意图。
图5是示出根据本发明的示例实施例使用的投票总体的示例的示意图。
具体实施方式
概述
根据本发明的示例性实施例描述了一种用于检测样本中感兴趣物质的存在的检测网络装置。在实施例中,检测网络装置包括:一个或多个检测装置:数据存储器,包括用于至少一个卷积神经网络(“CNN”)的可执行指令,所述指令被配置成处理图像;以及处理器,其耦合到数据存储器并且被配置为执行指令以运行至少一个CNN。在实施例中,检测装置可以是光谱仪的形式。光谱仪可产生特定光谱(例如,光、质量、动量或能量)上的数据阵列。光谱的阵列数据可以例如代表以下光谱类型中的任何一种:质谱、拉曼、光学(例如红外/紫外/可见光)、傅立叶变换红外(FTIR)、离子迁移谱(IMS)、放射学、生物制剂或任何其他合适的阵列数据。
在实施例中,检测网络设备被配置为:获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;将遮罩应用于光谱测定数据以获得经遮罩的数据;运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及基于第一CNN输出和第二CNN输出来确定感兴趣物质是否存在于样本中。
检测装置可以提供光谱测定数据的改进分析。这可以是更快的分析或更精确的分析的形式。例如,受过很好训练的CNN可能能够识别光谱测定数据中的模式,否则这些模式可能不会被注意到。使用光谱测定数据来训练CNN,其中该光谱测定数据具有预期结果。CNN因此可以开发功能以识别光谱测定数据项中的特征,这些特征与感兴趣物质是否存在相关联。这些特征可以包括光谱测定数据项的多个特征中的任何特征。例如,它们可以不被简单地限制为将样本谱中的峰值与已知谱数据中的峰值进行比较。
示例实现方式
图1A示出了用于确定样本中感兴趣物质的存在的检测网络系统200,检测网络系统200包括服务器100,其被配置成接收代表样本的数据,诸如从光谱仪10、20。该数据可以是所选择的图像格式,或者服务器100可以将该数据转换成所选择的图像格式。服务器100使用卷积神经网络(“CNN”)分析图像数据(样本的表示)。服务器100包括多个合适的CNN,其中的每个已经使用所选图像格式的图像训练,所述图像表示已知感兴趣物质的存在的样本。因此,每个CNN能够基于对代表样本的合适图像格式的图像数据的分析来确定样本中是否存在感兴趣物质。该系统还可以被配置为将遮罩应用于图像数据,使得在CNN分析图像数据之前,图像数据的一部分被遮蔽和/或使其强度减小。服务器100可以基于图像数据的分析和对图像数据的分析以及应用于其的遮罩来确定感兴趣物质的存在。
图1A显示检测网络系统200的实施例,其包括第一检测装置10(例如,第一光谱仪)、第二检测装置20(例如,第二光谱仪)、网络50、以及服务器100。第一检测装置10可以包括通信设备11和检测器12。服务器100可以包括处理器110和数据存储器120。在实施例中,服务器100通过网络50连接到第一和第二检测装置。数据存储器120存储用于至少一个CNN的可执行指令,诸如:第一CNN121、第二CNN122、第三CNN123和第四CNN124。指令可以存储在数据存储器120的易失性和/或非易失性存储器上。处理器110耦合到数据存储器120,使得其可执行指令以运行以下各项中的每一者:第一CNN121、第二CNN122、第三CNN123和第四CNN124。备选地,第一检测装置10和/或第二检测装置20可以与服务器100整体连接(例如,直接连接而不是经由网络)。
图1A的服务器100因此可以从第一检测装置10接收阵列数据项。服务器100的处理器110经配置以处理此阵列数据以获得可使用CNN中的一者分析的光谱测定数据项。处理器110然后运行CNN以确定光谱测定数据的第一分析。这提供了样本中存在感兴趣物质的第一指示。处理器110然后将遮罩应用于光谱测定数据并且运行CNN以执行经遮罩的图像的第二分析。这提供了样本中存在感兴趣物质的第二指示。处理器110然后基于感兴趣物质存在的第一和第二指示两者来确定感兴趣物质是否存在于样本中。
图1B示出了用于检测样本中感兴趣物质的存在的检测装置1010。装置1010可操作的以获得阵列数据(例如,使用检测器来生成样本的测量结果),并且使用上述CNN分析来确定感兴趣物质的存在。
设备1010包括处理器1110、检测器1012和数据存储器1120。在实施例中,设备1010的组件可以被集成地耦合(例如,硬连线)。数据存储器1120存储用于至少一个CNN的可执行指令,诸如:第一CNN1121、第二CNN1122、第三CNN1123和第四CNN1124。指令可以存储在数据存储器1120的易失性和/或非易失性存储器上。处理器1110耦合到数据存储器1120,使得其可以执行指令以运行以下各项中的每一个:第一CNN1121、第二CNN1122、第三CNN123和第四CNN1124。处理器110耦合到数据存储器1120,使得处理器1110可运行CNN中的每一者。处理器1110还可耦合到数据存储器1120,使得处理器1110可修改CNN中的每一者。处理器1110还耦合到检测器1012。
在运行中,检测器1012可操作的用于获得样本的阵列数据。例如,检测器1012可以包括任何适当形式的光谱仪,例如质谱仪、IMS等。处理器1110耦合到检测器1012,使得检测器1012可以将表示样本的阵列数据传送到处理器1110。处理器1110然后配置成处理阵列数据以获得包括适合于使用多个CNN中的一个进行分析的图像的光谱测定数据。处理器1110可随后运行CNN中的至少一者以分析光谱测定数据,且基于所述分析来确定样本中感兴趣物质的存在。
处理器110耦合到数据存储器120,使得处理器110可以运行CNN中的每一个。处理器110还可耦合到数据存储器120,使得处理器110可修改CNN中的每一个。每个CNN被配置成运行在图像数据上以确定图像数据的属性的结果。当确定样本中存在感兴趣物质时,使用该属性。运行CNN包括使用CNN的功能性,并且向其提供CNN被配置成分析的输入数据。CNN的功能性基于多个编程的运算符,每个运算符根据逻辑或数学指令处理输入数据的一部分。每个操作者可以接收输入数据的多个部分,每个部分被赋予权重以缩放输入的不同部分的相对贡献。修改CNN或用于CNN的可执行指令可以包括改变这样的权重中的一个或多个。
第一检测装置10的通信设备11被配置成通过网络50与服务器100通信。通信可以是发送和接收网络消息的形式。服务器100可以连接到多个其他检测装置,诸如第二检测装置20,每个检测装置被配置为使用服务器100来确定样本中感兴趣物质的存在。第一检测装置10包括检测器12。在本发明的上下文中应当理解,检测器12可以是用于生成表示样本的阵列数据的任何合适的设备。检测器12可以是任何类型的光谱仪,例如,它可以是质谱仪、离子迁移光谱仪(“IMS”)以及诸如傅立叶变换红外光谱仪等的光学光谱仪。
处理器110被配置为处理阵列数据以获得要由CNN分析的图像数据,包括处理具有跨越范围X的变量(例如,X轴值)的输入值的谱,并且将其转换成图像数据,使得包括整个范围X。或者,可以指定设定范围,或者可以执行用于最小范围的阈值标准。取决于范围X的大小,可以将光谱插入到包括在图像数据中的一个或多个图像中。该图像包括大小为a×b像素的二维阵列。处理器110被配置为处理阵列数据,使得在适合于由CNN分析的图像中,随着水平地穿过图像的前进,例如从左到右,每个像素表示用于变量的输入值的对应点或区域(例如,x轴上的点)。在一些实施例中,在图像中的每个水平位置处,可以存在垂直延伸的多个像素,其表示变量的输入值的相同的对应点或区域。在其他实施例中,图像中的每个水平位置可以是一个像素,并且该一个像素表示变量的输入值的对应点或区域,在这种情况下,二维阵列的数值矩阵可以直接转换成表示二维阵列的图像。
处理器110被配置成使得图像中的每个像素的属性表示该像素所对应的输入值的区域/点的特性或值的指示。例如,所获得的图像数据中的每个像素的颜色和/或强度可以表示在x轴的该点或区域处的光谱的值。颜色和/或强度也可用于表示光谱中该点或区域处的值的变化率。例如,处理器110可以被配置成处理阵列数据,使得阵列数据中的最大值(即,当在图上观看时对应于峰值的那些)由具有最高强度的像素表示。或者,像素的颜色可以表示该值的大小。例如,黑色像素可以表示非常低的值,并且随着像素颜色通过颜色范围前进到白色(例如,紫色、蓝色、绿色、黄色、红色),该颜色表示光谱中的该点的较高值。
在范围X大于阈值的情况下,处理器110可以被配置成将光谱折叠成二维阵列中的多个行。在这种情况下,第一行(例如,顶行)可以表示频谱的第一部分。每个后续行可以表示频谱的后续部分。对于每一行,每个水平增量表示沿着光谱的x轴的该部分的增量。在一些实施例中,对于行中的每个水平像素,该行内的所有对应的垂直像素表示光谱的相同部分。这可以使处理器110能够处理阵列数据以获得更特征密集的图像,因为常规光谱上的每个点或位置由图像中的像素区域表示。在一些实施例中,每行具有一个像素的高度,因此每个像素可以表示光谱的一部分。处理器110因此被配置成处理光谱的阵列数据以获得二维阵列形式的图像,其包含水平和垂直方向上的特征。图像中的这些特征表示光谱的特征。
如图2A中的流程图形式所示,网络系统200的操作过程60通常可包括从光谱仪62接收数据、处理数据64以及由CNN66中的一个或多个分析数据的步骤。在步骤62中,服务器100通过网络50从第一检测装置10接收数据。这可包括以合适的图像格式获得光谱数据形式的数据,以便在步骤66由多个CNN中的一个进行分析。或者,该数据可以是表示样本光谱的阵列数据的形式。在后一种情况下,处理器110经配置以经由步骤64处理阵列数据以获得呈合适图像格式的光谱测定数据以供在步骤66处由多个CNN中的一者分析。光谱测定数据包括图像数据,该图像数据包括至少一个2维阵列形式的图像。处理阵列数据包括将表示光谱的阵列数据转换、翻译和/或变换为矩阵。例如,矩阵可以表示图像,诸如图像中的像素。处理器110被配置成使得经处理的图像包括大量“视觉”特征。这些特征构成了样本的唯一签名,这些特征将由CNN学习和/或处理。根据以上讨论,如果数据是以来自步骤62的可由CNN直接分析的格式接收的,则数据处理步骤64可以是任选的。
在一个方面中,提供了一种分析光谱测定图像以确定样本中感兴趣物质的存在的计算机实现的方法70,如图2B中所示的流程图中所示。方法70包括:获得光谱测定数据(步骤72),其中所述光谱测定数据被布置在至少一个二维阵列中;运行第一卷积神经网络CNN以处理所述光谱测定数据从而获得第一CNN输出(步骤74);将遮罩应用于光谱测定数据以获得经遮罩的数据(步骤76);运行第二CNN以处理光谱测定数据,从而获得第二CNN输出(步骤78);基于所述第一CNN输出和所述第二CNN输出确定所述样本中是否存在所述感兴趣物质(步骤80);以及可选地,提供关于样本中是否存在感兴趣物质的指示(例如,音频和/或视觉警报或消息)(步骤80)。
该过程可以包括使用光栅图像生成过程300,如图2C所示。光栅图像生成过程300可包括解释输入文档(步骤310),例如使文档成为连续色调位图(步骤320),以及筛选输出(步骤330)。筛选步骤330,如图2D所示,可以包括将连续色调位图转换成半色调或点图案(子步骤332),随后是调幅筛选(子步骤334A)或调频筛选(子步骤334B)。这种光栅图像生成过程300可以以软件、硬件或其组合来实现。在本发明的上下文中应当理解,也可以使用用于将表示光谱的阵列数据转换成具有指示光谱的适当视觉特征的图像的任何其它适当过程。
如图3所示(以灰度示出),FTIR光谱被转换成适于与CNN一起使用的图像。参考数字用于说明光谱特征在二维阵列中出现的位置。如上所述,光谱(1-4)中的四个最大峰全部由表示等效原始光谱中的红色和白色的像素表示,并且光谱的最低值由等效原始光谱中的黑色和紫色像素表示。适于与CNN一起使用的图像包括与阵列数据的特征相对应的视觉特征。视觉特征是二维阵列的特征,其可以在CNN正在处理二维阵列以获得CNN输出时被检测和/或识别。例如,图像数据可以被配置成使得用于样本的测量的值,例如坐标,对应于图像数据的特征。CNN被训练成对这样的图像数据进行运行。
处理器110被配置成将阵列数据转换成光谱测定数据,使得表示光谱的数据具有适合于CNN处理的格式。特别地,图像数据包括具有多个可识别特征的二维阵列形式的图像,所述可识别特征对于样本中的物质可以是唯一的或识别样本中的物质。在服务器100接收的数据不是所选图像格式的情况下,处理器110的这种转换使得能够将表示频谱的数据与已经在所选图像格式的图像数据上适当训练的CNN一起使用。该转换过程还使得能够由CNN分析更多“特征丰富”的图像。这可以使得能够实现用于检测样本中的感兴趣物质的存在的更高的准确度和/或可靠性。
数据存储器120包括用于至少一个CNN的可执行指令。执行指令的处理器110可以包括处理器110基于指令编译程序。它可以包括处理器110运行基于指令运行的程序。应当理解,任何可执行指令可以包括用于处理器110的任何装置以利用CNN的功能。
每个CNN包括多个神经元层。每个CNN包括卷积层,该卷积层被配置为在输入图像的高度和宽度上对输入图像进行卷积。每个CNN还可以具有多个过滤层(filteringlayers),每个过滤层包括被配置为聚焦于图像的不同部分并将过滤器应用于图像的不同部分的多个神经元。过滤层中的神经元可以从前一层中的所有神经元接收输入。它们然后可以将输出发送到后续层中的所有神经元。每个CNN还可以包括用于处理图像的其他层,诸如池化层(pooling layers)(以向CNN引入非线性)、整流线性单元层(ReLU)和损耗层(losslayers)。
在使用CNN分析图像的过程中的每个步骤处,例如,在每个神经元处,将加权应用于输入中的每一个。神经元的输出取决于其输入以及应用于其输入的权重。它也可以取决于其它因素。因此,对神经元的输入值的调整,即它们的权重的改变,将导致神经元的输出值改变。每个神经元的输出被传递到多个其他神经元。该输出可以被传递到后续层中的所有神经元。因此,对后续层中这些神经元中的每一个的输入以及因此它们各自的输出可以基于应用于前一神经元的输入的权重的变化而变化。该过程可以继续通过分析图像的后续神经元层。因此,应用于一个神经元的输入的权重可以对来自使用该CNN的分析的总输出具有显著影响。可以将权重应用于CNN中的每个神经元的输入。这些权重中的每一个可被选择,然后响应于CNN的训练来修改。
用于每个CNN的可执行指令可以被配置成使得存在有限数量的可能结果用于使用该CNN的分析。在一些实施例中,CNN可以被配置为使得使用该CNN对图像的分析可以包括确定这些可能结果中的每一个被满足的相应概率。通过对CNN的可能结果进行编程,可以使用已知其预期结果的图像来训练CNN。然后可以改变CNN的指令(例如,修改至少一个权重),使得对该CNN(具有修改的权重)的重复使用将能够确定该图像的正确结果。
训练每个CNN包括最初为所有权重分配随机值。然后,处理器110对已知其预期结果的训练图像运行CNN。使用CNN对图像的分析将导致CNN确定训练图像的CNN分数。然后将该CNN分数与该图像的预期结果进行比较。在CNN分数和预期结果不同的情况下,对CNN执行反向传播优化方法,例如使用梯度下降和损失函数。这使得能够识别网络中的每个不同点(神经元)或路径(在随后层中的神经元之间)对确定不正确的分数贡献了多少。然后可以调整权重。例如最小化或消除来自对不正确的确定贡献或贡献最多的神经元的贡献。调整权重,使得CNN如果再次对同一训练图像进行运行,则将产生预期结果。对大量图像重复训练CNN使得能够训练CNN以识别图像中的某些特征,并且将这些特征或这些特征的组合归于与该CNN相关联的多个可能结果中的一个或几个结果。
服务器100被配置成使得处理器110可以运行CNN来确定样本中物质的存在。每个CNN被配置和训练成使得由CNN执行的对所获得的光谱测定数据的分析的可能结果包括基于对光谱测定数据中所包括的图像的分析的感兴趣物质存在于样本中的概率。因此,运行CNN来分析图像将导致CNN确定感兴趣物质存在的概率。在该概率大于特定阈值的情况下,处理器110可以被配置为确定感兴趣物质存在于样本中。
每个CNN可以被配置为具有多个可能的结果。例如,其中的每一个可以表示一种感兴趣物质存在于样本中的可能性。因此,运行CNN来分析图像可以产生多个概率,其中每个概率涉及存在于样本中的一种物质的存在。因此,可以运行一个CNN来确定样本中存在多种不同感兴趣物质中的每一种的概率。
为了训练CNN,对上述类型的大量图像运行每个CNN。这些图像中的每一个表示样本的光谱数据的形式,并且具有至少一种与其相关联的物质,该物质已知存在于样本中。对图像运行CNN以确定对图像的分析。该分析的结果是确定该物质是否存在于该样本中。结果可以是物质存在于样本中的概率。将该结果与已知存在于样本中的至少一种物质进行比较。在利用CNN的分析导致对存在的感兴趣物质的不正确确定的情况下,更新CNN的权重。例如,更新是根据上述方式进行的,从而重复使用该分析将确定存在正确的物质。对多个不同的图像和与其相关的多个不同的化合物重复该过程。理想地,重复该过程直到CNN一致地且正确地确定样本中物质的存在。可以对包括具有已知物质存在的光谱测定数据的“测试数据”测试系统,以确定CNN的准确性水平。一旦CNN达到高于阈值百分比的准确度阈值或可靠性阈值,则可以将其声明为合适的。
服务器100可包括用于已以此方式训练的多个CNN的可执行指令。由于CNN的初始权重是随机分配的,因此可以生成多个CNN,其在相同的训练图像上被训练,但是仍然具有不同的权重。因此,这种CNN具有产生不同结果的倾向。另外,可以使用不同的训练图像或相同的图像但以不同的顺序来训练其他CNN。训练CNN的这种方法可能导致确定物质存在的略微不同的概率的CNN,即使它们是使用相同的数据来训练的并且它们的神经元以相同的方式被编程。
服务器100已在上文被描述为包括一个CNN或多个CNN,其被配置成确定样本中多种感兴趣物质的存在。然而,应当理解,服务器100可包括用于多个CNN的可执行指令。每个CNN被分配各自的相应物质,其被配置用于确定样本中的存在。在这种情况下,训练每个CNN以识别特定物质。例如,CNN可以用针对一种物质的存在的布尔(Boolean)结果来编程。因此,通过用多个这样的CNN分析一个图像,CNN训练以检测的物质中的每一个都可以被分解。
如上所述,训练CNN的结果导致CNN为其神经元中的每一个产生精确的权重。对于每个被训练的CNN,这些权重将是不同的。例如,当确定样本中存在感兴趣物质时,不同的CNN可能更大量地集中在图像的不同区域。因此,一种物质的区别特征可以在图像的一个CNN没有如此大量地聚集的区域中表示,并且因此可以不被注意。相反,不是特别有用的特征可能出现在一个CNN更集中关注的图像区域中,因此可能比期望的更引人注意。
处理器110被配置为运行第一CNN121以确定图像的第一分析。处理器110还被配置为对该图像应用遮罩,并且运行第二CNN以确定针对该遮罩的图像的第二分析。应用遮罩可以包括减小图像的一部分的强度。例如,在像素颜色或强度用于表示该像素的值的情况下,颜色/强度可以被改变,例如降低或甚至为零。
应用这种遮罩的效果是在确定样本中感兴趣物质的存在时去除图像的掩蔽部分的影响。所应用的遮罩可以是粗略的和随机的,诸如将矩形应用于图像的随机部分。或者,遮罩可以更复杂,并且可以针对图像中可能的预期特征而专门设计。例如,遮罩可以被设计成复制可能存在于样本中的一种物质的预期图案。如果CNN被配置成确定样本中的一种物质的存在,但是光谱测定数据中的另一种物质的特性特征的存在在确定其正在寻找的一种物质是否存在时影响CNN,则这可以是有用的。因此,可以应用遮罩来去除这些特征的影响。数据存储器120可以包括用于多个遮罩的指令,每个遮罩可以在确定所选择的感兴趣物质的存在时使用。例如,在两个光谱可能非常相似的情况下,除了在样本之一的光谱中存在一个区别特征之外,可以利用遮罩来使得CNN能够确定具有被隔离和/或被移除的区别特征的分析。这可以使得CNN能够或多或少地聚焦在图像的可以对应于光谱的该特征的区域上。
图4示出了应用于图像的遮罩的示例。遮罩由虚线勾画。在该示例中,掩模是矩形的,并且应用于光谱图像的任意部分。在所示的示例中应用掩模的结果是被掩模覆盖的区域被完全遮蔽。
遮罩也可以在CNN的训练期间被应用。这里,训练图像由CNN分析,并且训练图像具有应用于它的遮罩。对于没有应用遮罩的图像,使用相同的预期物质。这种方法的效果可以是训练CNN以触发神经元分析图像的不同部分,或者更多地集中在光谱的某些区域。例如,在物质在其光谱中具有一个非常独特的特征的情况下,可以使用适当的遮罩来训练CNN,以在确定样本中存在该物质时或多或少地集中在该特征上。
可以通过处理器110修改图像区域的像素值来应用遮罩。在一些实施例中,CNN可被编程为具有用于遮罩的功能作为其多个神经元的功能的一部分。例如,这可以使用CNN的过滤器中的至少一个来实现。在一些实施例中,应用遮罩可以包括基于原始图像和要应用的遮罩两者产生另一图像。
处理器110可以被配置为实现投票总体,这可以提高系统的可靠性和准确性。投票总体的使用包括执行多个分析。这可以包括:使用多个不同的CNN来分析图像,使用一个CNN来重复地分析图像,其中不同的遮罩被应用于图像,或者使用这两者的某种组合。CNN分析的结果将包括确定物质存在于样本中的概率。因此,当确定对图像的多个分析时,结果将是对应的多个概率。这些概率可以用于以多种不同的方式确定样本中物质的存在。例如,可以取概率的平均值,并且如果平均概率高于阈值,则确定感兴趣物质存在于样本中。
在另一示例中,可以使用投票方案。在该实例中,如果足够数量的分析确定样本中存在感兴趣的物质,则将确定存在该物质。这种投票方案的扩展是可以使用CNN或遮罩,其被定制用于确定某些物质的存在。投票方案可以包括权重,使得一个CNN的结果可以比另一个CNN的结果更有价值。因此,当使用专门针对识别样本中是否存在特定物质而定制的CNN或遮罩时,由该CNN/遮罩确定的概率可以被归因于当其被用于确定样本中是否存在特定物质时的高权重。
投票方案可以根本不使用权重。如上所述,不同的CNN可以确定同一图像的不同概率,并且CNN还可以在分析图像时使用不同的遮罩来确定该图像的不同概率。通过使用投票方案,可以减少针对样本中的感兴趣物质的存在而确定的总体概率的波动。
图5描述了所应用的投票方案。可以看出,使用1k-Mask5的分析结果导致与其它分析相比,在样本中确定了不同的化合物。使用投票总体,该结果无效,取而代之的是化合物3k-2543被确定为存在,因为更多分析确定为这种情况。
投票总体的进一步扩展是可以向用户呈现被确定为在样本中的所有可能物质。然后,他们能够重新分析图像以寻找可能已经被识别为可能在样本中的感兴趣物质。因此,可以考虑每个CNN的输出。
虽然上面已经描述了每个单独的分析仅包括确定样本中感兴趣物质的存在的一个概率或测定,但是应当理解,这可以包括多于一个概率或测定。例如,当与离子迁移谱数据一起工作时,可以进行两种分析:一个用于分析正模式数据,一个用于分析负模式数据。或者,每个分析(例如,第一和第二分析)可以包括多个分析,并且测定基于每个分析。
应当理解,CNN的训练以及对权重的更新被描述为紧跟在训练被执行之后,可能存在延迟。例如,更新可以在稍后的时间或在特定时间窗口期间批量应用,诸如当服务器和/或检测装置最不忙时。
在本发明的上下文中应当理解,任何装置和服务器100之间的通信可以以多种方式发生。这里描述的装置的通信接口可以包括任何有线或无线通信接口,例如WI-FI、以太网或直接宽带因特网连接,和/或GSM、HSDPA、3GPP、4G或EDGE通信接口。
这里描述的消息可以包括数据有效载荷和标识符(例如统一资源指示符URI),标识符标识资源在其上以应用请求。这可以使得消息能够跨网络转发到其寻址到的装置。一些消息包括指示要在由请求标识的资源上执行的方法令牌。例如,这些方法可以包括超文本传输协议HTTP方法“到达(GET)”或“出发(HEAD)”。对内容的请求可以以超文本传输协议HTTP请求的形式提供,例如在网络工作组请求注释中指定的那些请求:RFC2616。如在本发明的上下文中将理解的,虽然HTTP协议及其方法已经被用于解释本发明的一些特征,但是也可以使用其它因特网协议,并且标准HTTP协议的修改也可以被使用。
如本文所述,网络消息可以包括例如HTTP消息、HTTPS消息、因特网消息访问协议消息、传输控制协议消息、因特网协议消息、TCP/IP消息。可以使用文件传输协议消息或任何其他合适的消息类型。
在服务器和/或检测装置(以及这里概述的任何活动和装置)中使用的任何处理器可以用诸如逻辑门的组件的固定逻辑或者诸如软件的可编程逻辑和/或由处理器执行的计算机程序指令来实现。其它类型的可编程逻辑包括可编程处理器、可编程数字逻辑(例如,现场可编程门阵列(FPGA)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、专用集成电路、ASIC或任何其它类型的数字逻辑、软件、代码、电子指令、闪存、光盘、CD-ROM、DVD ROM、磁卡或光卡、适于存储电子指令的其它类型的机器可读介质、或其任何合适的组合。这种数据存储介质还可以提供服务器(以及这里概述的任何装置)的数据存储器120。
第一CNN输出因此可以基于未遮罩光谱测定数据,例如指示完整的原始测量数据,而第二CNN输出基于遮罩光谱测定数据。这种组合提供了由CNN分析的光谱数据的多于一个的视角。第一CNN输出可基于光谱测定数据,光谱测定数据可包括未包括在用于获得第二CNN输出的经遮罩的数据中的特征。因此,与处理后的数据相关联的属性在第一CNN输出和第二CNN输出之间可以不同。因此,使用两个CNN输出可以提供光谱测定数据的更平衡的视图。例如,这可以防止光谱测定数据项中的特征使确定样本中存在的感兴趣物质的总体结果偏移。作为一个示例,这可以减少误报,其中光谱测定数据项中存在的一个特征导致CNN确定物质存在,但是其中在利用覆盖该特征的遮罩处理数据时,CNN(正确地)确定物质不存在。这种情况可能发生在物质与一个特定特征相关联的情况下,并且用于确定样本中物质的存在的系统过度依赖于特定特征的存在。
使用CNN来处理图像包括将图像数据提供给处理图像数据的CNN。CNN被配置成基于由CNN的神经元执行的多个运行来处理图像数据。使用多个权重来缩放用于运行的输入。来自CNN的一个层中的运行的输出可以作为输入被传递到CNN的后续层中的神经元。基于来自所有神经元的输出的加权组合,CNN可确定图像数据的属性。基于属性,装置可以确定样本中感兴趣物质的存在。
光谱数据的二维阵列可以提供“图像”。该图像的不同部分可以具有与之相关联的不同属性。光谱数据的这个二维阵列可以表示例如通过光谱测量从样本获得的数据的一个或多个阵列(例如向量)。阵列数据可以包括矢量数据。可以基于样本的测量生成阵列数据。所述测量包括在信号范围内测量的光谱测定信号。阵列数据包括在该测量范围中的一组点中的每个点处的一维信号幅度集合。例如,信号振幅中的每一个可以是与测量范围中的点相对应的纵坐标(横坐标)。因此,测量范围中的点可以是自变量,并且信号幅度可以是因变量。因此,该阵列数据可以包括多个信号幅度(因变量的值)中的每一个与测量范围中的相应对应点(自变量的值)之间的关联。例如,使用质谱仪获得的阵列数据可以包括表示所接收的离子的计数的数量的信号幅度,所接收的离子与表示质荷比的测量范围中的点相对应。获得光谱测定数据可以包括将阵列数据(例如,向量)转换成图像数据,例如通过将其布置成二维阵列。基于阵列数据获得光谱测定数据可以包括将一维数据集(例如向量)转换成二维阵列,例如将其布置成“图像”的形式,其中由向量提供的值的“线”可以折叠到阵列中的元素行中。阵列数据中的每个信号幅度包括一维测量值。获得光谱测定数据包括变换每个一维测量值,使得它由图像中的二维区域表示。测量范围中的每个点包括一个一维的值(例如,单个标量值)。获得光谱测定数据包括变换这些一维数值中的每一个,使得与测量范围中的该点的测量值相对应的二维区域在二维阵列中的位置表示测量范围中的该点的一维数值。
二维阵列可以包括例如A×B维像素的图像。可以构造该阵列,使得样本的测量值范围反映在阵列的结构中。测量值可以等于信号的幅度。例如,图像数据的每个特征可以表示信号的幅度。图像数据中的特征的位置可以表示信号的幅度分别对应的自变量(例如,横坐标)的值。
处理光谱测定数据可包括使用CNN处理图像以获得图像的至少一个属性。该至少一个属性用于确定样本中感兴趣物质的存在。该确定基于第一CNN输出和第二CNN输出两者,并且确定那里的相应属性。这可以包括来自两种分析的属性的组合或选择。
在一个实施例中,所述装置被配置为通过减小光谱测定数据的一部分的强度来将遮罩应用于光谱测定数据。降低强度可以被配置成使得处理光谱测定数据是基于光谱测定数据的该部分的较低贡献。在这种情况下,较低的贡献涉及该部分中的特征不太突出,并且因此所存在的感兴趣物质的确定将较少地受到光谱测定数据的该部分中存在的特征的影响。这可以使得能够不太严重地基于光谱测定数据的某些区域,诸如二维阵列的局部区域,来确定感兴趣物质。因此该确定可以较少依赖于光谱测定数据的某些特征或部分。
在一个实施例中,所述装置被配置为通过将光谱测定数据的一部分的强度归零来将遮罩应用于光谱测定数据。将强度归零包括将光谱测定数据的该区域中强度的属性的值设置为零。例如,强度属性可以包括以下之一:色调、色彩、色度、饱和度、明度和亮度。这可以提供第一CNN输出与第二CNN输出之间的更大差异,这可以使得能够确定感兴趣物质的存在,从而允许确定与光谱测定数据的部分的相关性或灵敏度。
在一个实施例中,处理器被配置为基于第一CNN输出和第二CNN输出来确定感兴趣物质存在于样本中的概率。来自第一和/或第二CNN输出的属性可以是感兴趣物质存在于样本中的概率。提供概率可以使得能够作为确定的结果采取多个动作。在概率值在第一范围内的情况下可以采取第一动作,并且在概率值在第二范围内的情况下可以采取第二动作。在概率接近范围变化的情况下,可以为使用装置的操作者生成警报,操作者可以基于该概率对动作过程做出决定。
在实施例中,处理器被配置为在概率大于阈值的情况下确定存在感兴趣物质。阈值可以表示被确定为统计上显著的概率。这种重要性可以是所存在的感兴趣物质的总体存在;可以保证采取进一步的动作;它可以是由系统的操作者例如基于本地协议设置的值。
在实施例中,确定感兴趣物质是否存在是基于第一CNN输出的第一概率以及基于第二CNN输出的第二概率。可以组合第一和第二概率,例如求平均,并且基于组合概率确定感兴趣物质的存在。所述装置可以被配置为使得在所述装置确定所述概率中的一个概率在阈值之上的情况下,确定所述感兴趣物质存在,而不管所述第二概率的值。在这两者之间可能存在相互依赖性,使得第一概率的值可以足够高以抵消相对低的第二概率。这可以使装置能够以更高的可靠性确定感兴趣物质的存在。
在实施例中,处理器被配置为在阈值数量的CNN输出指示感兴趣物质存在于样本中的情况下确定感兴趣物质存在于样本中。该装置可以获得两个以上的CNN输出;所述装置可获得多个CNN输出;例如:三、四、五、六、十。这些可以各自由一个CNN执行。它们可以各自由不同的CNN执行。它们可以通过这两者的某种组合来执行。多个CNN输出可以使得能够使用投票总体。其中,如果足够数量的CNN输出提供了感兴趣物质存在的指示,则可以确定感兴趣物质存在。在比任何其他物质的CNN输出的数量更大的CNN输出指示物质存在的情况下,可以确定物质存在。这可以使装置能够以更高的可靠性确定感兴趣物质的存在。这可以使得系统能够在至少一些分析中使用更多的遮罩或更重要的遮罩。因此,与经遮罩的数据相关联的益处可应用于更大的范围。
在一个实施例中,光谱测定数据包括以下至少一个:质谱数据、拉曼光谱测定数据、光学光谱测定数据、傅里叶变换红外光谱测定数据、离子迁移率光谱测定数据、放射光谱测定数据和生物制剂光谱测定数据。光谱测定数据可以从任何合适的光谱仪或光谱收集装置接收。CNN可被训练到光谱测定数据的特定来源。这可以实现从光谱测定数据的已知源进行检测的增加的准确度。CNN可被训练成对光谱测定数据的多个不同类型和/或组合进行运行。
在一个实施方案中,所述装置包括光谱仪,所述光谱仪被配置来从所述光谱仪获得代表所述样本的阵列数据。这可以包括直接从光谱仪获得测量数据。其可包括从光谱仪接收经处理数据,其中经处理数据包括已由装置以某一方式处理的测量数据。该装置可以从多个光谱仪接收阵列数据。这可以启用来自多个源的反馈系统,其可以用于进一步训练CNN。
在一个实施方案中,获得光谱测定数据包括获得代表样本的阵列数据。
在一个实施例中,所述装置被配置成将表示所述样本的所述阵列数据变换成布置在至少一个二维阵列中的光谱测定数据。变换阵列数据可以包括将一系列例如数值结果处理成诸如图像数据的二维阵列。这可以使光谱仪(诸如包括在该装置内的光谱仪)能够将测量或阵列数据直接传送到该装置,而不需要可操作的以处理这样的数据来产生光谱测定数据的系统。在一些情况下,光谱测定数据可以是特征非常丰富的并且与非常大的文件尺寸相关联。在此类情况下,当发送阵列数据时,光谱仪与装置之间的阵列数据的传送可较快。
在实施例中,所述处理器经配置以执行光栅图像过程以将阵列数据变换成光谱测定数据。一种光栅图像处理,包括:解释数组数据;绘制阵列并筛选光谱测定数据。光栅图像处理可以根据协议处理阵列数据,使得输出光谱测定数据具有统一文件类型和/或阵列数据的特征在光谱测定数据中以所选方式表示。例如,可以控制该过程,使得阵列数据的选定部分被转换成光谱测定数据的选定部分(二维阵列)。执行光栅图像处理的处理器可确保CNN对统一类型的光谱测定数据进行运行。这可以消除由不同光谱仪(或其他装置)产生的光谱数据的类型的任何变化。
在一个实施例中,运行CNN中的第一个来处理光谱测定数据以获得CNN输出包括检测光谱测定数据中的对应于与已知光谱测定数据相关联的已知特征的至少一个特征。相应地,可能不需要与已知光谱数据的精确匹配,它可以包括识别关系(无论是否缩放)或相似性的指示。图像的特征可以包括图像的区域之间的任何区域或任何改变(或改变速率),CNN可以被配置成从图像的区域确定已知光谱测定数据与光谱测定数据之间的对应关系。已知光谱测定数据可以包括光谱测定数据及其在训练CNN时来自处理光谱测定数据的相关联结果。CNN被配置成将光谱测定数据的新项目和/或其分析的特征或特性与用于训练CNN和/或其分析的光谱测定数据的项目的特征或特性同化。基于用于训练CNN的数据(其与已知结果相关联),CNN将“学习”以将这种光谱测定数据的一些属性同化到该CNN输出的结果。这种训练的同化作用可能影响光谱测定数据的新项目的CNN输出。
在一个实施例中,处理器可操作的来更新用于多个CNN中的每一个的可执行指令。这可以包括更新CNN的权重或任何数值缩放因子。处理器因此可以实现来自CNN的可执行指令中的任何训练的结果。在CNN输出指示(例如,音频和/或视觉消息或警报)感兴趣物质存在并且进一步测试确定感兴趣物质不存在的情况下,处理器可以更新可执行指令,使得CNN从不正确的确定“学习”。
在一个实施例中,处理器被配置为响应于运行CNN来处理来自样本的屏蔽数据来更新用于该CNN的可执行指令,其中在该样本中已知感兴趣物质的存在。CNN因此可以基于经遮罩的数据来训练,并且因此可以使得能够在分析经遮罩的数据时提供更准确和/或可靠的CNN。
在一实施例中,多个CNN中的第一CNN和多个CNN中的第二CNN是相同的。在一个替换实施例中,多个CNN中的第一CNN和多个CNN中的第二CNN是不同的。所述装置可以被配置成多次处理所述光谱测定数据,并且所述多次包括来自第一CNN的多次和来自第二CNN的至少一次。
在一个实施例中,该装置被配置为将第一权重应用于基于第一CNN输出确定的第一概率并且将第二权重应用于基于第二CNN输出确定的第二概率。基于第一和第二概率以及第一和第二权重来确定总概率。这可以使装置能够控制经遮罩的数据的任何分析对样本中存在的感兴趣物质的总体确定的相对影响。
在一个实施例中,该装置可以确定总分析,其包括确定多种物质中的每种物质的存在的总概率,并且基于多个总概率中的每个总概率来确定样本中存在哪些物质。这可以使得能够使用可检测多种物质的一个CNN。
在一个实施例中,所述装置被配置为响应于确定第二阈值数量的相应对应概率大于第三阈值,确定样本中存在物质。这可以使得能够使用投票总体方案,其中如果CNN输出的阈值数目(第二阈值数目)指示物质存在(与大于第三阈值数目的概率相关联),则物质被确定为存在。这可以使得能够提供多个CNN,其中一些CNN可以是非常专用的或独特的,其中装置可以确定感兴趣的物质的存在,而不依赖于确定存在的物质的CNN中的任何一个。指示符例如可以是音频和/或视觉消息或警报的形式。
在一个实施例中,该装置被配置为基于多个CNN输出的数目来确定第二阈值数目。例如,第二阈值数目可以对应于揭示物质存在于样本中的分析的总数目的选定比例。
在一个实施例中,获得光谱测定数据包括将光谱测定数据(例如,阵列数据)划分成多个部分,其中光谱测定数据包括多个行和/或列,其每一个表示光谱测定数据的一部分。这可以使得更大的频谱能够被变换成由CNN使用的标准化图像格式,例如正方形。
在一个实施例中,所述装置被配置为基于光谱测定数据确定要应用的遮罩。这可以使得所选择的遮罩能够被应用于所选类型的光谱测定数据。这可以使得能够提供更特定和集中的分析,其针对检测特定类型的光谱数据的特定样本中的感兴趣的特定物质的存在。
在一个实施例中,该装置被配置成将周期性遮罩应用于光谱测定数据,使得光谱测定数据的多个部分的强度减小,并且这些部分间隔开选定的周期。根据光谱测定数据,所选周期可以是恒定的或者可以是可变的。这可以使得能够使用一个遮罩,该遮罩利用单个遮罩来遮罩光谱测定数据中的多于一次出现的周期性特征。
在一个实施例中,该装置被配置成获得光谱测定数据,其中光谱测定数据的区域中的像素的强度和/或颜色对应于阵列数据中的点并且指示该点的值。
在一个实施例中,所述装置被配置成获得光谱测定数据,其中光谱测定数据的区域上的强度和/或颜色的变化对应于阵列数据中的对应点的值的变化。
处理光谱测定数据以获得第一CNN输出可包括确定光谱测定数据的第一分析。处理经遮罩的数据以获得第二CNN输出可包括确定经遮罩的数据的第二分析。
在一个方面,提供了一种用于分析光谱测定数据以确定样本中感兴趣物质的存在的服务器。所述服务器包括;数据存储器,包括用于至少一个卷积神经网络CNN的可执行指令,CNN被配置为处理图像;以及处理器,其耦合到数据存储器并且被配置为执行指令以运行至少一个CNN。所述服务器被配置为:(i)获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;(ii)运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;(iii)将遮罩应用于光谱测定数据以获得经遮罩的数据;(iv)运行所述CNN中的第二CNN以处理所述经经遮罩的数据来获得第二CNN输出;以及(v)基于第一CNN输出和第二CNN输出确定感兴趣物质是否存在于样本中。
在一个方面,提供了一种用于检测样本中感兴趣物质的存在的系统。该系统包括:光谱仪;以及用于分析光谱测定数据的服务器,其中该服务器包括被配置成用于运行至少一个卷积神经网络CNN的处理器,CNN被配置成用于处理图像。光谱仪被配置成获得表示样本的阵列数据,并且服务器被配置成基于阵列数据获得样本的光谱测定数据。响应于获得光谱测定数据,服务器被配置为:(i)运行第一CNN以处理所述光谱测定数据来获得第一CNN输出;(ii)遮罩应用于光谱测定数据以获得经遮罩的数据;以及(iii)运行第二CNN以处理经遮罩的数据来获得第二CNN输出。该系统被配置为基于第一CNN输出和第二CNN输出来确定感兴趣物质是否存在于样本中。
在一个实施例中,光谱测定数据被布置在至少一个二维阵列中。
在一个实施例中,所述服务器被配置成从所述光谱仪获得所述阵列数据并且将所述阵列数据转换成光谱测定数据。
在一个方面,提供了一种用于与服务器通信以使用被配置为处理图像的卷积神经网络CNN来分析光谱测定数据以确定样本中感兴趣物质的存在的检测装置,该装置包括通信接口,其被配置为使得能够在该装置与服务器之间发送和接收消息。该装置可与光谱仪连接以获得表示样本的阵列数据。该装置被配置为:向所述服务器发送第一消息,所述第一消息包括用于变换到光谱测定数据以供CNN使用的数据,所述用于变换的数据基于所述阵列数据;从所述服务器接收第二消息,所述第二消息包括指示所述光谱测定数据的CNN分析的结果;以及基于第二消息提供样本中存在感兴趣物质的指示(例如,音频和/或视觉消息或警报)。
在一个方面中,提供了一种分析光谱测定图像以确定样本中感兴趣物质的存在的计算机实现的方法。该方法包括:获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中:运行第一卷积神经网络CNN以处理所述光谱测定数据从而获得第一CNN输出;将遮罩应用于光谱测定数据以获得经遮罩的数据;运行第二CNN以处理所述光谱测定数据,从而获得第二CNN输出;以及基于第一CNN输出和第二CNN输出确定感兴趣物质是否存在于样本中。
在一方面,提供了一种包括计算机程序指令的非瞬态计算机可读介质,所述计算机程序指令被配置成对处理器编程以执行本文描述或要求保护的任何方法。
服务器100,包括其部分或全部组件,可以在计算机控制下运行。在实施例中,控制器可以包括处理器、存储器和通信接口。处理器至少为控制器提供处理功能,并且可以包括任意数量的处理器、微控制器、电路、现场可编程门阵列(FPGA)或其它处理系统,以及用于存储数据、可执行代码和由控制器访问或生成的其它信息的驻留或外部存储器。处理器可以执行在非暂时性计算机可读介质中体现的一个或多个软件程序,其实现本文描述的技术。处理器不受形成它的材料或其中采用的处理机制的限制,并且因此可以经由半导体和/或晶体管(例如,使用电子集成电路(IC)组件)等来实现。
存储器可以是有形的计算机可读存储介质的示例,其提供存储功能以存储与控制器的运行相关联的各种数据和/或程序代码,诸如软件程序和/或代码段,或指示处理器以及服务器100的可能的其他组件执行本文描述的功能的其他数据。因此,存储器可以存储数据,诸如用于运行服务器100(包括其组件)的指令程序等。应注意,虽然描述单个存储器,但可采用各种类型的存储器及其组合(例如,有形非暂时性存储器)。存储器可以与处理器集成,可以包括独立存储器,或者可以是两者的组合。
存储器的一些示例可包括可移动和不可移动存储器组件,诸如随机存取存储器(RAM)、只读存储器(ROM)、闪存(例如,安全数字(SD)存储卡、迷你SD存储卡和/或微SD存储卡)、磁存储器、光存储器、通用串行总线(USB)存储器设备、硬盘存储器、外部存储器、移动(例如,服务器和/或云)存储器等。在实现中,存储器可以包括可移除集成电路卡(ICC)存储器,诸如由用户识别模块(SIM)卡、通用用户识别模块(USIM)卡、通用集成电路卡(UICC)等提供的存储器。
通信接口(例如,网络50)可以是可操作的被配置成与一个或多个检测装置10、20和/或服务器100的组件通信。例如,通信接口可以被配置为发送数据以供服务器100存储,从服务器100中的存储装置检索数据,等等。通信接口还可以与处理器通信地耦合,以便于服务器100的组件和处理器之间的数据传输。应当注意,虽然通信接口被描述为控制器的组件,但是通信接口的一个或多个组件可以被实现为经由有线和/或无线连接通信地耦合到服务器100或其组件的外部组件。服务器100或其组件还可包括和/或连接到一个或多个输入/输出(I/O)设备(例如,经由通信接口),诸如显示器、鼠标、触摸板、触摸屏、键盘以及麦克风(例如,用于语音命令)等。
通信接口和/或处理器可以被配置为与各种不同的网络通信,诸如广域蜂窝电话网络,诸如蜂窝网络、3G蜂窝网络、4G蜂窝网络或全球移动通信系统(GSM)网络;无线计算机通信网络,诸如WiFi网络(例如,使用IEEE802.11网络标准运行的无线局域网(WLAN);ad-hoc无线网络,因特网;因特网;广域网(WAN);局域网(LAN);个人区域网(PAN)(例如,使用IEEE802.15网络标准运行的无线个人区域网(WPAN);公共电话网络;外网;内联网;等等。然而,该列表仅以示例的方式提供,并且不意味着限制本发明。此外,通信接口可以被配置为跨不同的接入点与单个网络或多个网络进行通信。在特定实施例中,通信接口可以将信息从控制器传输到外部设备(例如,蜂窝电话、连接到WiFi网络的计算机、云存储等)。在另一特定实施例中,通信接口可以从外部设备(例如,蜂窝电话、连接到WiFi网络的计算机、云存储等)接收信息。
通常,本文描述的任何功能可以使用硬件(例如,诸如集成电路的固定逻辑电路)、软件、固件、手动处理或其组合来实现。因此,本文所讨论的框一般表示硬件(例如,诸如集成电路之类的固定逻辑电路)、软件、固件或其组合。在硬件配置的实例中,本文所讨论的各种块可以连同其他功能一起被实现为集成电路。这样的集成电路可以包括给定块、系统或电路的所有功能,或者块、系统或电路的部分功能。此外,块、系统或电路的元件可以跨多个集成电路实现。这样的集成电路可以包括各种集成电路,包括但不必限于:单片集成电路、倒装芯片集成电路、多芯片模块集成电路和/或混合信号集成电路。在软件实现的实例中,本文讨论的各种框表示当在处理器上执行时执行指定任务的可执行指令(例如,程序代码)。这些可执行指令可以存储在一个或多个有形计算机可读介质中。在一些实施方式中,整个系统、块或电路可以使用其软件或固件等同物来实现。在其它实现中,给定系统、块或电路的一部分可以用软件或固件来实现,而其它部分用硬件来实现。
从以上讨论中将理解,图中所示的实施例仅是示例,并且包括可以如本文所述和如权利要求中所述一般化、移除或替换的特征。总体上参考附图,将理解,示意性功能框图用于指示本文描述的系统和装置的功能。例如,由数据存储器提供的功能可以全部或部分地由具有一个或多个存储在芯片上的数据值的处理器提供。另外,处理功能也可以由电子设备所支持的设备来提供。然而,将理解,功能性不需要以这种方式划分,并且不应被认为暗示除了下面描述和要求保护的硬件之外的任何特定硬件结构。附图中所示的一个或多个元件的功能可以进一步细分和/或分布在本发明的整个装置中。在一些实施例中,附图中所示的一个或多个元件的功能可以集成到单个功能单元中。例如,已经详细描述了服务器的功能,然而应当理解,对于其中检测装置配置成使用CNN来分析光谱测定数据的实施例,检测装置可以执行相同的功能。
上述实施例应理解为说明性示例。可以设想进一步的实施例。应当理解,关于任何一个实施例描述的任何特征可以单独使用,或者与描述的其它特征组合使用,并且还可以与任何其它实施例的一个或多个特征组合使用,或者与任何其它实施例的任何组合使用。此外,在不偏离本发明的范围的情况下,也可以采用上面未描述的等同物和修改,本发明的范围在所附权利要求中限定。
在一些示例中,一个或多个存储器元件可以存储用于实现本文描述的运行的数据和/或程序指令。本发明的实施例提供了包括程序指令的有形非暂态存储介质,所述程序指令可操作的以对处理器进行编程以执行本文描述和/或要求保护的方法中的任何一个或多个方法和/或提供如本文描述和/或要求保护的数据处理装置。
本文描述的方法的某些特征可以在硬件中实现,并且装置的一个或多个功能可以在方法步骤中实现。在本发明的上下文中还将理解,本文所述的方法不需要以它们被描述的顺序执行,也不必以它们在附图中被描绘的顺序执行。因此,参照产品或装置描述的本发明的方面也旨在被实现为方法,反之亦然。本文描述的方法可以在计算机程序中、或在硬件中、或在其任何组合中实现。计算机程序包括软件、中间件、固件及其任意组合。这样的程序可以作为信号或网络消息来提供,并且可以记录在计算机可读介质上,诸如可以以非暂态形式存储计算机程序的有形计算机可读介质。硬件包括计算机、手持设备、可编程处理器、通用处理器、专用集成电路、ASIC、现场可编程门阵列、FPGA和逻辑门阵列。
在本发明的上下文中,本发明的其他示例和变化对于本领域技术人员将是显而易见的。
Claims (56)
1.一种用于检测样本中感兴趣物质的存在的检测系统,所述检测系统包括:
检测器,其被配置成生成光谱测定数据;
数据存储器,包括用于至少一个卷积神经网络CNN的可执行指令,所述CNN被配置为处理图像;以及
处理器,其耦合到所述数据存储器并且被配置为执行所述指令以运行所述至少一个CNN;
其中,所述处理器被配置为:
经由所述检测器获得所述光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;
运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;
运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及
基于所述第一CNN输出和所述第二CNN输出来确定所述样本中是否存在所述感兴趣物质。
2.根据权利要求1所述的检测系统,其中所述装置被配置为通过减小所述光谱测定数据的一部分的强度而将所述遮罩应用于所述光谱测定数据。
3.根据权利要求1所述的检测系统,其中所述装置被配置为通过将所述光谱测定数据的一部分的强度归零来将所述遮罩应用于所述光谱测定数据。
4.如权利要求1所述的检测系统,其中所述处理器被配置为基于所述第一CNN输出和所述第二CNN输出来确定所述感兴趣物质存在于所述样本中的概率。
5.根据权利要求4所述的检测系统,其中,所述处理器被配置为在所述概率大于阈值的情况下确定所述感兴趣物质存在。
6.如权利要求4所述的检测系统,其中根据基于所述第一CNN输出的第一概率以及基于所述第二CNN输出的第二概率确定所述感兴趣物质是否存在。
7.如权利要求5所述的检测系统,其中所述处理器被配置为在阈值数量的CNN输出指示所述感兴趣物质存在于所述样本中的情况下确定所述感兴趣物质存在于所述样本中。
8.根据权利要求1所述的检测系统,其中所述光谱测定数据包括以下各者中的至少一者:质谱数据、拉曼光谱测定数据、光学光谱测定数据、傅里叶变换红外光谱测定数据、离子迁移率光谱测定数据、放射光谱测定数据或生物制剂光谱测定数据。
9.根据权利要求1所述的检测系统,其中获得所述光谱测定数据包括获得表示所述样本的阵列数据。
10.根据权利要求9所述的检测系统,其中所述装置被配置为将表示所述样本的所述阵列数据变换成布置成至少一个二维阵列的光谱测定数据。
11.根据权利要求10所述的检测系统,其中所述处理器被配置为执行光栅图像处理以将阵列数据变换成光谱测定数据。
12.如权利要求1所述的检测系统,其中运行所述CNN中的所述第一CNN以处理所述光谱测定数据包括检测所述光谱测定数据中的至少一个特征,所述至少一个特征对应于与已知光谱测定数据相关联的已知特征。
13.如权利要求1所述的检测系统,其中所述处理器可操作以更新用于所述多个CNN中的每一个的所述可执行指令。
14.如权利要求13所述的检测系统,其中,所述处理器被配置为响应于运行CNN以处理所述经遮罩的数据而更新用于该CNN的所述可执行指令,所述经遮罩的数据来自已知所述感兴趣物质的存在的样本。
15.根据权利要求1所述的检测系统,其中,所述检测器与所述数据存储器或所述处理器中的至少一个集成。
16.一种用于检测样本中感兴趣物质的存在的系统,所述系统包括:
光谱仪:以及
用于分析光谱测定数据的服务器,其中所述服务器包括处理器,所述处理器被配置为运行至少一个卷积神经网络CNN,所述CNN被配置为处理图像;
其中所述光谱仪被配置为获得表示所述样本的阵列数据,并且所述服务器被配置为基于所述阵列数据获得所述样本的光谱测定数据;
响应于获得所述光谱测定数据,所述服务器被配置为:
运行第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;以及
运行第二CNN以处理所述经遮罩的数据以获得第二CNN输出;
其中,所述系统被配置为基于所述第一CNN输出和所述第二CNN输出来确定所述感兴趣物质是否存在于所述样本中。
17.根据权利要求16所述的系统,其中所述光谱测定数据布置在至少一个二维阵列中。
18.根据权利要求17所述的系统,其中所述服务器被配置为从所述光谱仪获得所述阵列数据且将所述阵列数据变换成光谱测定数据。
19.一种用于分析光谱测定数据以确定样本中感兴趣物质的存在的服务器,所述服务器包括:
数据存储器,包括用于至少一个卷积神经网络CNN的可执行指令,所述CNN被配置为处理图像;以及
处理器,其耦合到所述数据存储器并且被配置为执行所述指令以运行所述至少一个CNN;
其中,所述服务器被配置为:
获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;
运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;
运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及
基于所述第一CNN输出和所述第二CNN输出来确定所述样本中是否存在所述感兴趣物质。
20.一种用于与服务器通信以分析光谱测定数据的检测系统,所述系统包括:
多个卷积神经网络CNN,其被配置成处理图像并确定样本中的感兴趣物质的存在;以及
通信接口,其被配置为能够在所述系统与所述服务器之间发送和接收消息;
其中所述系统可与光谱仪连接以获得表示所述样本的阵列数据;以及
其中所述系统被配置为:
向所述服务器发送第一消息,所述第一消息包括用于变换到光谱测定数据以供CNN使用的数据,用于变换的所述数据基于所述阵列数据;
从所述服务器接收第二消息,所述第二消息包括指示所述光谱测定数据的CNN分析的结果;以及
基于所述第二消息提供所述样本中所述感兴趣物质的存在的指示。
21.一种用于检测样本中感兴趣物质的存在的检测装置,所述装置包括:
数据存储器,包括用于至少一个卷积神经网络CNN的可执行指令,所述CNN被配置为处理图像;以及
处理器,其耦合到所述数据存储器并且被配置为执行所述指令以运行所述至少一个CNN;
其中,所述检测装置被配置为:
获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;
运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;
运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及
基于所述第一CNN输出和所述第二CNN输出来确定所述样本中是否存在所述感兴趣物质。
22.根据权利要求21所述的检测装置,其中所述装置被配置为通过降低所述光谱测定数据的一部分的强度来将所述遮罩应用于所述光谱测定数据。
23.根据权利要求21所述的检测装置,其中所述装置被配置为通过将所述光谱测定数据的一部分的强度归零来将所述遮罩应用于所述光谱测定数据。
24.权利要求21、22或23的检测装置,其中所述处理器被配置为基于所述第一CNN输出和所述第二CNN输出确定所述样本中存在所述感兴趣物质的概率。
25.根据权利要求24所述的检测装置,其中,所述处理器被配置为在所述概率大于阈值的情况下确定存在所述感兴趣物质。
26.如权利要求24或25所述的检测装置,其中根据基于所述第一CNN输出的第一概率以及基于所述第二CNN输出的第二概率确定所述感兴趣物质是否存在。
27.根据权利要求25或26所述的检测装置,其中所述处理器被配置为在阈值数量的CNN输出指示所述感兴趣物质存在于所述样本中的情况下确定所述感兴趣物质存在于所述样本中。
28.根据权利要求21至27中任一项所述的检测装置,其中所述光谱测定数据包括以下中的至少一个:质谱数据、拉曼光谱测定数据、光学光谱测定数据、傅里叶变换红外光谱测定数据、离子迁移率光谱测定数据、放射光谱测定数据和生物制剂光谱测定数据。
29.根据权利要求21至28中任一项所述的检测装置,其中获得光谱测定数据包括获得表示所述样本的阵列数据。
30.根据权利要求29所述的检测装置,其中所述装置被配置为将表示所述样本的所述阵列数据变换成以至少一个二维阵列布置的光谱测定数据。
31.根据权利要求30所述的检测装置,其中所述处理器被配置为执行光栅图像处理以将阵列数据变换成光谱测定数据。
32.如权利要求21至31中任一项所述的检测装置,其中运行所述CNN中的所述第一CNN以处理所述光谱测定数据包括检测所述光谱测定数据中的至少一个特征,所述至少一个特征对应于与已知光谱测定数据相关联的已知特征。
33.如权利要求21至32中任一项所述的检测装置,其中所述处理器可操作以更新用于所述多个CNN中的每一个的所述可执行指令。
34.如权利要求33所述的检测装置,其中所述处理器被配置为响应于运行CNN以处理所述经遮罩的数据而更新用于该CNN的所述可执行指令,所述经遮罩的数据来自已知所述感兴趣物质的存在的样本。
35.根据权利要求21至34中任一项所述的检测装置,其中所述装置包括光谱仪,并且所述装置被配置成基于从所述光谱仪获得的数据来获得所述光谱测定数据。
36.一种用于检测样本中感兴趣物质的存在的系统,所述系统包括:
光谱仪;以及
用于分析光谱测定数据的服务器,其中所述服务器包括处理器,所述处理器被配置为运行至少一个卷积神经网络CNN,所述CNN被配置为处理图像;
其中所述光谱仪被配置为获得表示所述样本的阵列数据,并且所述服务器被配置为基于所述阵列数据获得所述样本的光谱测定数据;
响应于获得所述光谱测定数据,所述服务器被配置为:
运行第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;以及
运行第二CNN以处理经遮罩的数据以获得第二CNN输出;其中,所述系统被配置为基于所述第一CNN输出和所述第二CNN输出来确定所述感兴趣物质是否存在于所述样本中。
37.根据权利要求36所述的系统,其中所述光谱测定数据布置在至少一个二维阵列中。
38.根据权利要求37所述的系统,其中所述服务器被配置为从所述光谱仪获得所述阵列数据且将所述阵列数据变换成光谱测定数据。
39.一种检测样本中的感兴趣物质的存在的方法,所述方法包括:
在处理器处获得光谱测定数据,其中所述光谱测定数据被布置在至少一个二维阵列中,并且所述处理器耦合到包括可执行指令的数据存储器,所述可执行指令用于对所述处理器编程以提供至少两个卷积神经网络CNN,所述CNN被配置为处理图像,并且其中所述处理器被配置为执行所述指令以运行所述至少两个CNN;
由所述处理器运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;
由所述处理器将遮罩应用于所述光谱测定数据以获得经遮罩的数据;
由所述处理器运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及
由所述处理器基于所述第一CNN输出和所述第二CNN输出来确定所述样本中是否存在所述感兴趣物质。
40.根据权利要求39所述的方法,包括通过减小光谱测定数据的一部分的强度来将所述遮罩应用于所述光谱测定数据。
41.根据权利要求40所述的方法,其中减小所述光谱测定数据的所述部分的所述强度包括将所述光谱测定数据的所述部分的所述强度归零。
42.如权利要求39、40或41所述的方法,包括所述处理器基于所述第一CNN输出和所述第二CNN输出确定所述样本中存在所述感兴趣物质的概率。
43.根据权利要求42所述的方法,包括在所述概率大于阈值的情况下确定所述感兴趣物质存在。
44.如权利要求42或43所述的方法,其中根据基于所述第一CNN输出的第一概率以及基于所述第二CNN输出的第二概率确定所述感兴趣物质是否存在。
45.权利要求43或44的方法,包括在阈值数量的CNN输出指示所述样本中存在所述感兴趣物质的情况下,所述处理器确定所述样本中存在所述感兴趣物质。
46.根据权利要求39至45中任一项所述的方法,其中所述光谱测定数据包括以下中的至少一个:质谱数据、拉曼光谱测定数据、光学光谱测定数据、傅里叶变换红外光谱测定数据、离子迁移率光谱测定数据、放射光谱测定数据和生物制剂光谱测定数据。
47.根据权利要求39至46中任一项所述的方法,其中获得光谱测定数据包括获得表示所述样本的阵列数据。
48.根据权利要求47所述的方法,其中所述处理器将表示所述样本的所述阵列数据转换成以被布置在至少一个二维阵列中的光谱测定数据。
49.根据权利要求48所述的方法,其中所述处理器执行光栅图像处理以将阵列数据变换成光谱测定数据。
50.如权利要求39至49中任一项所述的方法,其中运行所述CNN中的所述第一CNN以处理所述光谱测定数据包括检测所述光谱测定数据中的至少一个特征,所述至少一个特征对应于与已知光谱测定数据相关联的已知特征。
51.如权利要求39至50中任一项所述的方法,其中所述处理器更新用于所述多个CNN中的每一个的所述可执行指令。
52.如权利要求51所述的方法,其中更新用于所述多个CNN中的每一个的所述可执行指令包括响应于运行CNN以处理来自样本的所述经遮罩的数据而更新用于该CNN的所述可执行指令,例如其中所述感兴趣物质在该样本中的存在是已知的。
53.根据权利要求39至52中任一项所述的方法,其中所述装置包括光谱仪,并且所述装置被配置成基于从所述光谱仪获得的数据来获得所述光谱测定数据。
54.一种计算机程序产品,包括程序指令,所述程序指令被配置为对处理器编程以执行根据权利要求39至53中任一项所述的方法。
55.一种用于分析光谱测定数据以确定样本中感兴趣物质的存在的服务器,所述服务器包括:
数据存储器,包括用于至少一个卷积神经网络CNN的可执行指令,所述CNN被配置为处理图像;以及
处理器,其耦合到所述数据存储器并且被配置为执行所述指令以运行所述至少一个CNN;
其中,所述服务器被配置为:
获得光谱测定数据,其中所述光谱测定数据布置在至少一个二维阵列中;
运行所述CNN中的第一CNN以处理所述光谱测定数据来获得第一CNN输出;
将遮罩应用于所述光谱测定数据以获得经遮罩的数据;
运行所述CNN中的第二CNN以处理所述经遮罩的数据来获得第二CNN输出;以及
基于所述第一CNN输出和所述第二CNN输出来确定所述样本中是否存在所述感兴趣物质。
56.一种用于与服务器通信以使用被配置为处理图像的卷积神经网络CNN来分析光谱测定数据以确定样本中感兴趣物质的存在的检测装置,
其中所述装置包括通信接口,所述通信接口被配置为能够在所述装置与所述服务器之间发送和接收消息;
其中所述装置与光谱仪连接以获得表示所述样本的阵列数据;以及
其中,所述装置被配置为:
向所述服务器发送第一消息,所述第一消息包括用于变换到光谱测定数据以供CNN使用的数据,用于变换的所述数据基于所述阵列数据;
从所述服务器接收第二消息,所述第二消息包括指示所述光谱测定数据的CNN分析的结果;以及
基于所述第二消息提供所述样本中所述感兴趣物质的存在的指示。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762539167P | 2017-07-31 | 2017-07-31 | |
US62/539,167 | 2017-07-31 | ||
PCT/US2018/044574 WO2019028004A1 (en) | 2017-07-31 | 2018-07-31 | SYSTEM FOR DETERMINING THE PRESENCE OF A SUBSTANCE OF INTEREST IN A SAMPLE |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110998286A true CN110998286A (zh) | 2020-04-10 |
CN110998286B CN110998286B (zh) | 2023-06-13 |
Family
ID=65234200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880050360.9A Active CN110998286B (zh) | 2017-07-31 | 2018-07-31 | 用于确定样本中感兴趣物质的存在的系统 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11379709B2 (zh) |
EP (1) | EP3662271B1 (zh) |
CN (1) | CN110998286B (zh) |
CA (1) | CA3070850A1 (zh) |
PL (1) | PL3662271T3 (zh) |
WO (1) | WO2019028004A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718888A (zh) * | 2022-11-29 | 2023-02-28 | 同方威视技术股份有限公司 | 痕量物质的检测方法、检测装置、电子设备和介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11081220B2 (en) | 2018-02-02 | 2021-08-03 | Carefusion 303, Inc. | System and method for dispensing medication |
EP3788634A1 (en) | 2018-05-04 | 2021-03-10 | CareFusion 303, Inc. | Peer community based anomalous behavior detection |
CA3125744A1 (en) | 2019-01-07 | 2020-07-16 | Carefusion 303, Inc. | Machine learning based safety controller |
CA3126700A1 (en) | 2019-01-18 | 2020-07-23 | Carefusion 303, Inc. | Medication tracking system |
CN111222543B (zh) * | 2019-12-19 | 2024-03-22 | 津海威视技术(天津)有限公司 | 物质识别方法和设备及计算机可读存储介质 |
CN115885296A (zh) | 2020-08-18 | 2023-03-31 | 株式会社岛津制作所 | 数据解析装置、数据解析方法、学习完毕模型的生成方法、系统以及程序 |
US11765376B2 (en) * | 2020-10-08 | 2023-09-19 | Tencent America LLC | Pruning methods and apparatuses for neural network based video coding |
US20220283083A1 (en) * | 2021-03-05 | 2022-09-08 | Sysmex Corporation | Method for analyzing test substance, analyzer, training method, analyzer system, and analysis program |
TW202326113A (zh) * | 2021-10-27 | 2023-07-01 | 美商安進公司 | 使用光譜學進行的基於深度學習的預測 |
CN115436298B (zh) * | 2022-10-26 | 2023-02-28 | 山东省水利勘测设计院有限公司 | 一种污染监控装置和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM294069U (en) * | 2006-01-19 | 2006-07-11 | Univ Nat Kaohsiung Applied Sci | Improved palm-print identification system |
CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
WO2015077493A1 (en) * | 2013-11-20 | 2015-05-28 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
US20160034809A1 (en) * | 2014-06-10 | 2016-02-04 | Sightline Innovation Inc. | System and method for network based application development and implementation |
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
WO2016145379A1 (en) * | 2015-03-12 | 2016-09-15 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
CN106650765A (zh) * | 2016-09-06 | 2017-05-10 | 哈尔滨工业大学 | 基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
US20170214701A1 (en) * | 2016-01-24 | 2017-07-27 | Syed Kamran Hasan | Computer security based on artificial intelligence |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4100500A1 (de) | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
AU726049B2 (en) * | 1995-09-19 | 2000-10-26 | Veracel Inc. | A neural network assisted multi-spectral segmentation system |
CA2338675A1 (en) * | 1998-07-27 | 2000-02-10 | Cedars-Sinai Medical Center | Spectral topography of mammalian matter |
US6438261B1 (en) * | 1998-09-03 | 2002-08-20 | Green Vision Systems Ltd. | Method of in-situ focus-fusion multi-layer spectral imaging and analysis of particulate samples |
EP1846869B1 (en) * | 2005-01-27 | 2011-10-05 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
US20170178346A1 (en) | 2015-12-16 | 2017-06-22 | High School Cube, Llc | Neural network architecture for analyzing video data |
US9915625B2 (en) | 2016-01-04 | 2018-03-13 | Kla-Tencor Corp. | Optical die to database inspection |
EP3151164A3 (en) | 2016-12-26 | 2017-04-12 | Argosai Teknoloji Anonim Sirketi | A method for foreign object debris detection |
-
2018
- 2018-07-31 PL PL18841659.8T patent/PL3662271T3/pl unknown
- 2018-07-31 EP EP18841659.8A patent/EP3662271B1/en active Active
- 2018-07-31 WO PCT/US2018/044574 patent/WO2019028004A1/en unknown
- 2018-07-31 CN CN201880050360.9A patent/CN110998286B/zh active Active
- 2018-07-31 CA CA3070850A patent/CA3070850A1/en active Pending
- 2018-07-31 US US16/635,633 patent/US11379709B2/en active Active
-
2022
- 2022-07-05 US US17/857,256 patent/US11769039B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM294069U (en) * | 2006-01-19 | 2006-07-11 | Univ Nat Kaohsiung Applied Sci | Improved palm-print identification system |
CN102216941A (zh) * | 2008-08-19 | 2011-10-12 | 数字标记公司 | 用于内容处理的方法和系统 |
US20160180195A1 (en) * | 2013-09-06 | 2016-06-23 | Toyota Jidosha Kabushiki Kaisha | Augmenting Layer-Based Object Detection With Deep Convolutional Neural Networks |
WO2015077493A1 (en) * | 2013-11-20 | 2015-05-28 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
US20160034809A1 (en) * | 2014-06-10 | 2016-02-04 | Sightline Innovation Inc. | System and method for network based application development and implementation |
WO2016145379A1 (en) * | 2015-03-12 | 2016-09-15 | William Marsh Rice University | Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification |
US20170214701A1 (en) * | 2016-01-24 | 2017-07-27 | Syed Kamran Hasan | Computer security based on artificial intelligence |
CN106650765A (zh) * | 2016-09-06 | 2017-05-10 | 哈尔滨工业大学 | 基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
孙晓等: "基于ROI-KNN卷积神经网络的面部表情识别", 《自动化学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115718888A (zh) * | 2022-11-29 | 2023-02-28 | 同方威视技术股份有限公司 | 痕量物质的检测方法、检测装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CA3070850A1 (en) | 2019-02-07 |
EP3662271A1 (en) | 2020-06-10 |
CN110998286B (zh) | 2023-06-13 |
EP3662271B1 (en) | 2023-10-11 |
PL3662271T3 (pl) | 2024-02-19 |
US20210133538A1 (en) | 2021-05-06 |
US20230004784A1 (en) | 2023-01-05 |
WO2019028004A1 (en) | 2019-02-07 |
EP3662271C0 (en) | 2023-10-11 |
EP3662271A4 (en) | 2021-04-14 |
US11769039B2 (en) | 2023-09-26 |
US11379709B2 (en) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110998286B (zh) | 用于确定样本中感兴趣物质的存在的系统 | |
US9128055B2 (en) | Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum | |
KR102137184B1 (ko) | 자동 및 수동 결함 분류의 통합 | |
US10371639B2 (en) | Detecting fluorescent material in a stained particle by comparison with an unstained particle over a plurality of frequency bands and by estimating a linear combination of base vectors | |
JP6813033B2 (ja) | 分析データ解析方法および分析データ解析装置 | |
US7725413B2 (en) | Generating two-class classification model for predicting chemical toxicity | |
US20050059046A1 (en) | Methods and systems for the analysis of biological sequence data | |
US11593607B2 (en) | Method and system for predicting content of multiple components in rare earth extraction process | |
CN105631474B (zh) | 基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法 | |
CN112017245B (zh) | 证件定位方法 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
Salvatore et al. | Classification methods of multiway arrays as a basic tool for food PDO authentication | |
CN110579554A (zh) | 3d质谱预测分类 | |
US11211150B2 (en) | Mass spectrum processing apparatus and model generation method | |
CN109492707B (zh) | 光谱分析模型的构建方法、装置、设备及存储介质 | |
CN111415715A (zh) | 一种基于多元光谱数据的智能校正方法、系统及装置 | |
CN114694771A (zh) | 样品分类方法、分类器的训练方法、设备和介质 | |
CN106706533B (zh) | 样品智能分析方法 | |
Fade | Stochastic complexity-based model selection with false alarm rate control in optical spectroscopy | |
CN114780917B (zh) | 一种基于流判别模型的奶粉掺杂非定向检测方法 | |
CN113674814B (zh) | 一种光谱定量分析模型的构建方法及装置 | |
Chen et al. | An attention-driven approach of no-reference image quality assessment | |
CN117892301A (zh) | 少样本恶意软件的分类方法、装置、设备及介质 | |
Peng et al. | Maturity analysis of citrus based on machine vision and android mobile platform technology | |
Wang et al. | Multistage adaptive testing of sparse signals |
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 |