CN112101459A - 一种基于近红外光光谱特征的动物骨质识别方法及系统 - Google Patents
一种基于近红外光光谱特征的动物骨质识别方法及系统 Download PDFInfo
- Publication number
- CN112101459A CN112101459A CN202010971813.0A CN202010971813A CN112101459A CN 112101459 A CN112101459 A CN 112101459A CN 202010971813 A CN202010971813 A CN 202010971813A CN 112101459 A CN112101459 A CN 112101459A
- Authority
- CN
- China
- Prior art keywords
- bone
- near infrared
- animal
- infrared spectrum
- spectral
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 192
- 241001465754 Metazoa Species 0.000 title claims abstract description 114
- 230000003595 spectral effect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 30
- 239000000126 substance Substances 0.000 claims description 20
- 239000013307 optical fiber Substances 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000835 fiber Substances 0.000 claims description 12
- 230000001009 osteoporotic effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 claims 6
- 239000011707 mineral Substances 0.000 claims 6
- 238000001514 detection method Methods 0.000 abstract description 9
- 241000283690 Bos taurus Species 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光光谱特征的动物骨质识别方法及系统，应用于动物骨骼组织检测领域，方法包括：获得不同动物的骨质近红外光谱数据；对骨质近红外光谱数据进行数据预处理，提取骨质近红外光谱特征；将所述骨质近红外光谱特征作为训练数据，构建和训练动物判别函数分类器，根据已知的动物类别对动物判别函数分类器输出的识别结果进行校验，准确率达到阈值后，动物判别函数分类器训练完成；对待识别的动物骨质进行处理，获取其骨质近红外光谱数据，并输入到动物判别函数分类器，获取识别结果。本发明建立了动物种类和骨质近红外光谱特征的关联，可通过测量骨质近红外光谱数据进而判断出所测骨质的所属来源动物种类，识别成本低。
Description
技术领域
本发明涉及动物骨骼组织检测领域，尤其涉及一种基于近红外光光谱特征的动物骨质识别方法及系统。
背景技术
近红外光谱技术具有分析速度快、分析效率高、分析成本低、测试重现性好、光谱测量方便、便于实现在线分析、可实现无损分析和在体实时等特点，目前被广泛应用。已有研究表明，近红外光谱技术可应用于椎骨组织的检测，实现术中骨组织的实时定位和识别。利用近红外光谱技术可实现骨组织近红外光谱的实时测量，光纤光谱仪和光纤等测量设备价格低廉、体积小巧且便于操作。
目前还少有基于骨组织的动物类别检测，基于近红外光谱特征的动物种类识别方法具有重要意义。现有方案中，对于猪骨、牛骨等动物骨骼的判定主要靠经验，当骨组织外形切割差不多时，这种判定方法会存在误差。另外，基于骨组织成分检测具有可靠性，但是这种方法检测过程繁琐、价格昂贵，难以满足大批量样品的低成本方便检测。
目前尚没有有效的基于近红外光光谱特征的牛骨、猪骨识别方法或装置。
发明内容
发明目的：针对现有技术中动物骨骼检测过程繁琐、成本高的缺陷，本发明公开了一种基于近红外光光谱特征的动物骨质识别方法及系统，在方法中建立了动物种类和骨质近红外光谱特征的关联，可通过测量骨质近红外光谱数据进而判断出所测骨质的所属来源动物种类，识别成本低。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种基于近红外光光谱特征的动物骨质识别方法，包括以下步骤：
S1、获得已知不同动物的若干组骨质近红外光谱数据D；
S2、对S1中骨质近红外光谱数据D进行数据预处理，对骨质近红外光谱数据D进行频域变换，进而提取骨质近红外光谱特征S；
S3、构建并训练动物判别函数分类器：将所述骨质近红外光谱特征S作为待测样本，具体而言，将所述骨质近红外光谱特征S中80％作为训练数据，20％作为测试数据，构建和训练动物判别函数分类器，根据动物类别对动物判别函数分类器输出的识别结果进行校验，准确率达到阈值后，动物判别函数分类器训练完成；
S4、对待识别的动物骨质进行处理，获取其骨质近红外光谱数据，提取其骨质近红外光谱特征后输入到动物判别函数分类器，获取识别结果。
优选地，所述步骤S1中，不同动物的骨质近红外光谱数据D具体包括：对于每一组骨质近红外光谱数据Di，包括骨密质光谱数据和骨疏质光谱数据，骨密质光谱数据包括骨密质上若干点的数据，骨疏质光谱数据包括骨疏质上若干点的数据。
优选地，在进行所述S2中数据预处理前，将骨质近红外光谱数据D进行归一化处理。
优选地，所述S2中骨质近红外光谱特征S包括骨疏质第一光谱斜率特征、骨疏质第二光谱斜率特征以及骨密质第一光谱斜率特征、骨密质第二光谱斜率特征；其中所述骨疏质第一光谱斜率特征和骨密质第一光谱斜率特征为近红外光谱范围450nm至600nm内的斜率特征，骨疏质第二光谱斜率特征和骨密质第二光谱斜率特征为近红外光谱范围700nm至850nm内的斜率特征。
优选地，所述步骤S3中构建动物判别函数分类器的具体过程为：构建动物种类识别线性分类器作为动物判别函数分类器，所述动物判别函数分类器中，选取马氏距离d作为判别准则，计算待测样本X到各类中心
的马氏距离d，判别式如下：
d(X，ωi)＜d(X，ωp)
其中，d(X，ωi)为待测样本X到第ωi类中心
的马氏距离d；d(X，ωp)为待测样本X到第ωp类中心
的马氏距离d；p＝1，2，...，M，M为动物类别总数；i不等于p，若满足所述判别式，则X到第ωi类中心
最近，X∈ωi。
优选地，所述马氏距离计算如下：
假设待测样本中有M种动物类别：ω1，ω2，...，ωM；每个类别有n个样本，共有N个样本，第ωi类表示为
对于某个待测样本X＝(x1，x2，x3，...，xn)，计算该样本到训练集里每个类中心的马氏距离为：
其中，
为第ωi类的类中心，S为全体样本的协方差。
一种基于近红外光光谱特征的动物骨质识别系统，用于实现以上任一所述的一种基于近红外光光谱特征的动物骨质识别方法，包括近红外光谱采集系统和动物判别函数分类器，动物判别函数分类器接收近红外光谱采集系统发送的近红外光谱特征，动物判别函数分类器输出识别结果；
其中，近红外光谱采集系统包括骨质近红外光谱测量模块、数据存储模块和光谱特征计算模块，数据存储模块与骨质近红外光谱测量模块、光谱特征计算模块连接，骨质近红外光谱测量模块与光谱特征计算模块连接，光谱特征计算模块和数据存储模块设置于PC机内，光谱特征计算模块包括特征提取软件；数据存储模块包括数据存储软件；骨质近红外光谱测量模块用于获取待识别动物的骨质近红外光谱数据，光谱特征计算模块用于根据骨质近红外光谱数据计算相应的骨质近红外光谱特征，数据存储模块用于存储骨质近红外光谱数据和骨质近红外光谱特征。
优选地，所述骨质近红外光谱测量模块包括近红外光源、光纤光谱仪和双光纤探头；光纤光谱仪与PC机连接，双光纤探头与近红外光源、光纤光谱仪连接。
优选地，所述近红外光源为HL2000卤素光源，光纤光谱仪为USB2000光纤光谱仪。
有益效果：本发明建立了动物种类和骨质近红外光谱特征的关联，可通过测量骨质近红外光谱数据进而判断出所测骨质的所属来源动物种类，通过提取动物的骨质近红外光谱数据，进而获取其骨质近红外光谱特征，再通过动物判别函数分类器得到动物的识别结果，本发明的方法简单便捷，可适用于大批量样品的识别分析，检测成本低；且本发明对建立动物骨骼识别体系有重要价值，对应用近红外光谱技术具有重大意义。
附图说明
图1为本发明的方法流程图；
图2为本发明的系统结构图；
其中1为PC机，2为近红外光源，3为光纤光谱仪，4为双光纤探头，5为动物骨质；
图3为本发明实施例中牛骨的骨质近近红外光谱曲线；
图4为本发明实施例中猪骨的骨质近近红外光谱曲线。
具体实施方式
以下结合附图和实施例对本发明做进一步的说明和解释。
实施例
如附图1所示，一种基于近红外光光谱特征的动物骨质识别方法，包括以下步骤：
S1、获得已知不同动物的多组骨质近红外光谱数据D；不同动物的骨质近红外光谱数据D具体包括：对于每一组骨质近红外光谱数据Di，包括骨密质光谱数据和骨疏质光谱数据，骨密质光谱数据包括骨密质上若干点的数据，骨疏质光谱数据包括骨疏质上若干点的数据。
S2、对S1中骨质近红外光谱数据D进行数据预处理：将骨质近红外光谱数据D进行归一化处理后进行频域变换，提取骨质近红外光谱特征S；骨质近红外光谱特征S包括骨疏质近红外光谱特征(第一光谱斜率特征和第二光谱斜率特征)、骨密质近红外光谱特征(第一光谱斜率特征和第二光谱斜率特征)；其中第一光谱斜率特征为近红外光谱范围450nm-600nm内斜率特征，第二光谱斜率特征为近红外光谱范围700nm-850nm内斜率特征。
S3、构建并训练动物判别函数分类器：将所述骨质近红外光谱特征S作为训练数据，在本实施例中，骨质近红外光谱特征S中80％作为训练数据，20％作为测试数据，构建和训练动物判别函数分类器，根据已知的动物类别对动物判别函数分类器输出的识别结果进行校验，准确率达到阈值后，动物判别函数分类器训练完成；
构建动物判别函数分类器的具体过程为：构建动物种类识别线性分类器作为动物判别函数分类器，选取马氏距离d作为判别准则，计算待测样本X到各类中心
的马氏距离d，判别式如公式(1)所示：
d(X，ωi)＜d(X，ωp) (1)
其中，d(X，ωi)为待测样本X到第ωi类中心
的马氏距离d；d(X，ωp)为待测样本X到第ωp类中心
的马氏距离d；p＝1，2，...，M，M为动物类别总数；i不等于p，若满足所述判别式，则X到第ωi类中心
最近，X∈ωi。
判别式(1)中，马氏距离d计算过程如下：
假设待测样本中有M种动物类别：ω1，ω2，...，ωM。每个类别有n个样本，共有N个样本，第ωi类表示为
对于某个待测样本X＝(x1，x2，x3，...，xn)，计算该样本到训练集里每个类中心的马氏距离为：
其中，
为第ωi类的类中心，S为全体样本的协方差。
S4、对待识别的动物骨质进行处理，获取其骨质近红外光谱数据，提取其骨质近红外光谱特征后输入到动物判别函数分类器，获取识别结果。
本发明建立了动物种类和骨质近红外光谱特征的关联，可通过测量骨质近红外光谱数据进而判断出所测骨质的所属来源动物种类，通过提取动物的骨质近红外光谱数据，进而获取其骨质近红外光谱特征，再通过动物判别函数分类器得到动物的识别结果，本发明的方法简单便捷，可适用于大批量样品的识别分析，检测成本低；且本发明对建立动物骨骼识别体系有重要价值，对应用近红外光谱技术具有重大意义。
如附图2所示，一种基于近红外光光谱特征的动物骨质识别系统，用于实现以上所述的一种基于近红外光光谱特征的动物骨质识别方法，包括近红外光谱采集系统和动物判别函数分类器，动物判别函数分类器接收近红外光谱采集系统发送的近红外光谱特征，动物判别函数分类器输出识别结果；
其中，近红外光谱采集系统包括骨质近红外光谱测量模块、数据存储模块和光谱特征计算模块，数据存储模块与骨质近红外光谱测量模块、光谱特征计算模块连接，骨质近红外光谱测量模块与光谱特征计算模块连接，光谱特征计算模块和数据存储模块设置于PC机1内，光谱特征计算模块包括特征提取软件；数据存储模块包括数据存储软件；骨质近红外光谱测量模块用于获取待识别动物的骨质近红外光谱数据，光谱特征计算模块用于根据骨质近红外光谱数据计算相应的骨质近红外光谱特征，数据存储模块用于存储骨质近红外光谱数据和骨质近红外光谱特征。
骨质近红外光谱测量模块包括近红外光源2、光纤光谱仪3和双光纤探头4；光纤光谱仪3与PC机1连接，双光纤探头4与近红外光源2、光纤光谱仪3连接。近红外光源2为HL2000卤素光源，光纤光谱仪3为USB2000光纤光谱仪。
本发明中动物骨质识别系统，其系统结构图如图2所示；其中，1为PC机、2为近红外光源、3为光纤光谱仪、4为双光纤探头、5为动物骨质。
本系统的工作原理为：近红外光源2发出光，通过双光纤探头4入射到动物骨质5中，光经过骨组织吸收、散射等作用后，通过双光纤探头4传送至光纤光谱仪3，光电转换与A/D转换由光纤光谱仪3内部的CCD检测器完成，数字量通过接线发送至PC机1。本发明中所述系统成本低，操作简单。
本实施例中以猪骨和牛骨为例，附图3为以实验测试得到的牛骨的骨质近红外光谱数据绘制的典型的近红外光谱曲线，其中，1表示牛骨的骨疏质近红外光谱曲线，2表示牛骨的骨密质近红外光谱曲线，附图4为以实验测试得到的猪骨的骨质近红外光谱数据绘制的典型的近红外光谱曲线，其中，1为猪骨的骨疏质近红外光谱曲线，2为猪骨的骨密质近红外光谱曲线。
表1为牛骨和猪骨的骨质近红外光谱数据比较，其中牛骨、猪骨各测试200个样本，其中骨疏质样本100个、骨密质样本100个，牛骨骨疏质的第一光谱斜率特征和第二光谱斜率特征分别为B11(450-600nm)和B12(700-850nm)，牛骨骨密质的第一光谱斜率特征和第二光谱斜率特征分别为B21(450-600nm)和B22(700-850nm)；猪骨骨疏质的第一光谱斜率特征和第二光谱斜率特征分别为P11(450-600nm)和P12(700-850nm)，猪骨骨密质的第一光谱斜率特征和第二光谱斜率特征分别为P21(450-600nm)和P22(700-850nm)，各组斜率均值如表1所示：
表1
| 骨疏质 | B<sub>11</sub> | B<sub>12</sub> | P<sub>11</sub> | P<sub>12</sub> |
| 特征均值 | 8.1 | 12.1 | 7.17 | 11.64 |
| 骨密质 | B<sub>21</sub> | B<sub>22</sub> | P<sub>21</sub> | P<sub>22</sub> |
| 均值 | 4.9 | 5.9 | 3.81 | 4.01 |
表2为牛骨和猪骨识别率比较，从表2中可以看出，采用本发明的4个形态量化特征进行牛骨、猪骨判别时，可以达到92.68％的识别率，相比只选用部分特征的识别率均有提高，4个特征在描述两种骨质差异时具有绝对优势。
表2
本发明通过分别获取450nm至600nm内的斜率特征和700nm至850nm内的斜率特征，再通过动物判别函数分类器得到动物的识别结果，大大提高了动物骨质的识别率。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于近红外光光谱特征的动物骨质识别方法，其特征在于，包括以下步骤：
S1、获得不同动物的若干组骨质近红外光谱数据D；
S2、对S1中骨质近红外光谱数据D进行数据预处理：对骨质近红外光谱数据D进行频域变换，进而提取骨质近红外光谱特征S；
S3、构建并训练动物判别函数分类器：将所述骨质近红外光谱特征S作为待测样本，构建和训练动物判别函数分类器，根据动物类别对动物判别函数分类器输出的识别结果进行校验，准确率达到阈值后，动物判别函数分类器训练完成；
S4、获取待识别的动物骨质的识别结果：对待识别的动物骨质进行处理，获取其骨质近红外光谱数据，提取其骨质近红外光谱特征后输入到动物判别函数分类器，获取识别结果。
2.根据权利要求1所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于，所述步骤S1中，不同动物的若干组骨质近红外光谱数据D具体包括：每一组骨质近红外光谱数据Di，包括骨密质光谱数据和骨疏质光谱数据，骨密质光谱数据包括骨密质上若干点的数据，骨疏质光谱数据包括骨疏质上若干点的数据。
3.根据权利要求1所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于，在进行所述S2中数据预处理前，将骨质近红外光谱数据D进行归一化处理。
4.根据权利要求1所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于，所述S2中骨质近红外光谱特征S包括骨疏质第一光谱斜率特征、骨疏质第二光谱斜率特征以及骨密质第一光谱斜率特征、骨密质第二光谱斜率特征；其中所述骨疏质第一光谱斜率特征和骨密质第一光谱斜率特征为近红外光谱范围450nm至600nm内的斜率特征，骨疏质第二光谱斜率特征和骨密质第二光谱斜率特征为近红外光谱范围700nm至850nm内的斜率特征。
5.根据权利要求1所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于，所述步骤S3中构建动物判别函数分类器的具体过程为：构建动物种类识别线性分类器作为动物判别函数分类器，所述动物判别函数分类器中，选取马氏距离d作为判别准则，计算待测样本X到各类中心
的马氏距离d，判别式如下：
d(X，ωi)＜d(X，ωp)
其中，d(X，ωi)为待测样本X到第ωi类中心
的马氏距离d；d(X，ωp)为待测样本X到第ωp类中心
的马氏距离d；p＝1，2，...，M，M为动物类别总数；i不等于p，若满足所述判别式，则X到第ωi类中心
最近，X∈ωi。
6.根据权利要求5所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于：所述马氏距离计算如下：
假设待测样本中有M种动物类别：ω1，ω2，...，ωM；每个类别有n个样本，共有N个样本，第ωi类表示为
对于某个待测样本X＝(x1，x2，x3，...，xn)，计算该样本到训练集里每个类中心的马氏距离为：
其中，
为第ωi类的类中心，S为全体样本的协方差。
7.一种基于近红外光光谱特征的动物骨质识别系统，用于实现如权利要求1-6任一所述的一种基于近红外光光谱特征的动物骨质识别方法，其特征在于：包括近红外光谱采集系统和动物判别函数分类器，动物判别函数分类器接收近红外光谱采集系统发送的近红外光谱特征，动物判别函数分类器输出识别结果；
其中，近红外光谱采集系统包括骨质近红外光谱测量模块、数据存储模块和光谱特征计算模块，数据存储模块与骨质近红外光谱测量模块、光谱特征计算模块连接，骨质近红外光谱测量模块与光谱特征计算模块连接，光谱特征计算模块和数据存储模块设置于PC机(1)内，光谱特征计算模块包括特征提取软件；数据存储模块包括数据存储软件；骨质近红外光谱测量模块用于获取待识别动物的骨质近红外光谱数据，光谱特征计算模块用于根据骨质近红外光谱数据计算相应的骨质近红外光谱特征，数据存储模块用于存储骨质近红外光谱数据和骨质近红外光谱特征。
8.根据权利要求7所述的一种基于近红外光光谱特征的动物骨质识别系统，其特征在于：所述骨质近红外光谱测量模块包括近红外光源(2)、光纤光谱仪(3)和双光纤探头(4)；光纤光谱仪(3)与PC机(1)连接，双光纤探头(4)与近红外光源(2)、光纤光谱仪(3)连接。
9.根据权利要求8所述的一种基于近红外光光谱特征的动物骨质识别系统，其特征在于：所述近红外光源(2)为HL2000卤素光源，光纤光谱仪(3)为USB2000光纤光谱仪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010971813.0A CN112101459B (zh) | 2020-09-15 | 2020-09-15 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010971813.0A CN112101459B (zh) | 2020-09-15 | 2020-09-15 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101459A true CN112101459A (zh) | 2020-12-18 |
| CN112101459B CN112101459B (zh) | 2024-02-09 |
Family
ID=73758672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010971813.0A Active CN112101459B (zh) | 2020-09-15 | 2020-09-15 | 一种基于近红外光光谱特征的动物骨质识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101459B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112999056A (zh) * | 2021-04-15 | 2021-06-22 | 四川千里倍益康医疗科技股份有限公司 | 电动按摩器及其基于加速度的骨骼识别方法 |
| CN113390824A (zh) * | 2021-07-09 | 2021-09-14 | 河北建筑工程学院 | 基于近红外光谱的物质类别识别方法及终端设备 |
| CN113537029A (zh) * | 2021-07-09 | 2021-10-22 | 河北建筑工程学院 | 基于近红外光谱的模型转移方法及终端设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103074A (zh) * | 2010-11-25 | 2011-06-22 | 山东大学 | 一种鉴别硫酸软骨素来源的方法 |
| US20120119089A1 (en) * | 2008-09-26 | 2012-05-17 | Hanscan Ip B.V. | Optical System, Method and Computer Program for Detecting the Presence of a Living Biological Organism |
| CN202522520U (zh) * | 2012-01-19 | 2012-11-07 | 中国农业大学 | 多光谱检测装置 |
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
| CN105648087A (zh) * | 2016-03-07 | 2016-06-08 | 苏州百源基因技术有限公司 | 一组用于牛源性实时荧光pcr检测的特异性引物和探针 |
| CN106990096A (zh) * | 2017-03-27 | 2017-07-28 | 中国农业大学 | 基于激光诱导击穿光谱的肉骨粉种属检测方法及系统 |
-
2020
- 2020-09-15 CN CN202010971813.0A patent/CN112101459B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120119089A1 (en) * | 2008-09-26 | 2012-05-17 | Hanscan Ip B.V. | Optical System, Method and Computer Program for Detecting the Presence of a Living Biological Organism |
| CN102103074A (zh) * | 2010-11-25 | 2011-06-22 | 山东大学 | 一种鉴别硫酸软骨素来源的方法 |
| CN202522520U (zh) * | 2012-01-19 | 2012-11-07 | 中国农业大学 | 多光谱检测装置 |
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
| CN105648087A (zh) * | 2016-03-07 | 2016-06-08 | 苏州百源基因技术有限公司 | 一组用于牛源性实时荧光pcr检测的特异性引物和探针 |
| CN106990096A (zh) * | 2017-03-27 | 2017-07-28 | 中国农业大学 | 基于激光诱导击穿光谱的肉骨粉种属检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| AOIFE C. POWER: "Near infrared spectroscopy, the skeleton key for bone identification", 《SPECTROSCOPY EUROPE》, vol. 30, no. 6, pages 19 - 21 * |
| YANGYANG LIU 等: "Investigation of optical reflectance from different animal vertebra along the fixation trajectory of pedicle screw in frequency domain", 《JOURNAL OF INNOVATIVE OPTICAL HEALTH SCIENCES》, vol. 13, no. 1, pages 2050003 - 1 * |
| YANGYANG LIU 等: "Sparse Representation for Different Animal Vertebra Classification along the Fixation Trajectory of Pedicle Screw", 《JOURNAL OF SPECTROSCOPY》, pages 2 * |
| 王静: "近红外光谱分析技术快速鉴别硫酸软骨素来源的建模研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 3, pages 079 - 21 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112999056A (zh) * | 2021-04-15 | 2021-06-22 | 四川千里倍益康医疗科技股份有限公司 | 电动按摩器及其基于加速度的骨骼识别方法 |
| CN112999056B (zh) * | 2021-04-15 | 2022-06-07 | 四川千里倍益康医疗科技股份有限公司 | 电动按摩器及其基于加速度的骨骼识别方法 |
| CN113390824A (zh) * | 2021-07-09 | 2021-09-14 | 河北建筑工程学院 | 基于近红外光谱的物质类别识别方法及终端设备 |
| CN113537029A (zh) * | 2021-07-09 | 2021-10-22 | 河北建筑工程学院 | 基于近红外光谱的模型转移方法及终端设备 |
| CN113390824B (zh) * | 2021-07-09 | 2022-09-27 | 河北建筑工程学院 | 基于近红外光谱的物质类别识别方法及终端设备 |
| CN113537029B (zh) * | 2021-07-09 | 2023-04-07 | 河北建筑工程学院 | 基于近红外光谱的模型转移方法及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101459B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101459B (zh) | 一种基于近红外光光谱特征的动物骨质识别方法及系统 | |
| CN108254351B (zh) | 用于物品查验的拉曼光谱检测方法 | |
| CN101251526B (zh) | 鲜猪肉综合品质无损检测方法与装置 | |
| US20130089248A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
| US20180025210A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
| CN1831516A (zh) | 用可见光和近红外光谱技术无损鉴别卷烟品种及真假的方法 | |
| CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
| CN108392213B (zh) | 基于绘画心理学的心理分析方法及装置 | |
| CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
| CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
| CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
| CN105300954A (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
| WO2014153423A2 (en) | Method and system for analyzing biological specimens by spectral imaging | |
| CN108802002A (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
| CN112716447A (zh) | 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统 | |
| CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
| CN113514530A (zh) | 一种基于敞开式离子源的甲状腺恶性肿瘤诊断系统 | |
| CN116840214A (zh) | 一种诊断脑肿瘤和脑梗死的方法 | |
| Wei et al. | Identification of selected log characteristics from computed tomography images of sugar maple logs using maximum likelihood classifier and textural analysis | |
| CN114689526A (zh) | 一种香蕉枯萎病无损检测方法、装置及检测设备 | |
| CN105738313A (zh) | 一种基于近红外光谱技术鉴别动物血液的方法及应用 | |
| CN112801173A (zh) | 一种qr模糊鉴别分析的生菜近红外光谱分类方法 | |
| CN112098362B (zh) | 一种基于近红外频谱特征的松质骨离体时间评估方法及系统 |
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 |