CN112666094A - 一种常见毒素识别系统及方法 - Google Patents
一种常见毒素识别系统及方法 Download PDFInfo
- Publication number
- CN112666094A CN112666094A CN202011534880.2A CN202011534880A CN112666094A CN 112666094 A CN112666094 A CN 112666094A CN 202011534880 A CN202011534880 A CN 202011534880A CN 112666094 A CN112666094 A CN 112666094A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- spectral
- module
- data
- characteristic
- 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
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开一种常见毒素识别系统及方法,其中系统包括:光谱发生模块,用于发生不同波长的光谱;光谱采集模块,与光谱发生模块连接,用于实时采集样品物质的荧光样本;光谱分析平台,与光谱采集模块连接,用于管理和分析实验过程;特征光谱模型数据库,与光谱分析平台连接,用于对样品物质进行分类查询;光谱模型识别匹配模块,分别与特征光谱模型数据库和光谱分析平台连接,用于区分物质类别;特征光谱数学模型模块,与光谱分析平台连接,用于提供特征光谱数学模型;结果输出模块,与所述光谱分析平台连接,用于识别结果进行输出显示。
Description
技术领域
本发明涉及毒素分类检测领域,具体而言,涉及一种常见毒素识别系统及方法,更具体地为一种通过检测毒素颗粒在激光束中激发诱导产生荧光信号实时监测毒素颗粒,并能根据提取毒素光谱特征实现毒素的高效、特异、准确识别和分类的系统及方法。
背景技术
目前,现有的毒素生物鉴定法有免疫分析法、化学分析法、仪器分析法等,这些方法通常需要使用剧毒物质作为标定标准物,这会对操作人员造成巨大的玷污危险,而且毒素作为标准物质购买也十分困难。使用现有的方法对毒素进行鉴定识别的操作过程繁琐复杂、鉴定时间长、劳动强度大,并且所使用的仪器设备价格昂贵、笨重、操作复杂,难以实现对毒素的快速分析,并且灵敏度也比较差,有时进行重复鉴定也很难得到满意结果,因此,这些方法无法满足应用的需求,需要一种适用范围广、高效、准确的毒素识别系统及方法。
发明内容
为了解决上述问题,本发明提供一种常见毒素识别系统及方法,其通过毒素特征光谱数学模型与特征谱识别算法,及研究毒素不同数学模型对提取毒素光谱特征的影响,建立能反映毒素高分辨率光谱特征的算法模型;同时,根据优化出的光谱特征提取数学模型,确定光谱特征及特征匹配算法,为毒素精确识别奠定理论基础。本发明的毒素识别系统能根据特定的应用需求和环境条件,配置相应的模型匹配算法,从而实现毒素的高效、准确识别和分类,满足生物毒素分类的广泛应用需求。
为达到上述目的,本发明提供了一种常见毒素识别系统,其包括:
一光谱发生模块,用于发生不同波长的光谱;
一光谱采集模块,与光谱发生模块连接,用于实时采集样品物质的荧光样本;
一光谱分析平台,与光谱采集模块连接,用于管理和分析实验过程;
一特征光谱模型数据库,与光谱分析平台连接,用于对样品物质进行分类查询,其包含特征毒素表征信息,特征毒素表征信息包括:颗粒特征信息和生物荧光特征信息;
一光谱模型识别匹配模块,分别与特征光谱模型数据库和光谱分析平台连接,用于区分物质类别;
一特征光谱数学模型模块,与光谱分析平台连接,用于提供特征光谱数学模型,其中特征光谱数学模型包括数学校正模型;
一结果输出模块,与光谱分析平台连接,用于识别结果进行输出显示。
在本发明一实施例中,光谱发生模块包括:发射光谱仪。
在本发明一实施例中,光谱分析平台的前端为用户操作管理界面,其包括:
一管理设置模块,包括用户登录、权限设置、设备选择;
一手动检测模块,包括目标波长设置、样品选择设置、样品浓度设置;
一自动检测模块,包括波长检测设定和范围检测设定;以及
一历史数据查询模块,包括起始时间设置、结束时间设置、样品选择、样品浓度设置、光谱类型选择。
在本发明一实施例中,光谱分析平台还包括:
一光谱原始数据数据库,与光谱采集模块连接,用于保存实时采集的样品物质荧光样本,其中样品物质荧光样本为未经过处理或简化的光谱数据;
一光谱数据预处理模块,用于对光谱数据进行预处理;
一光谱数据特征提取算法模块,用于提供对对预处理后的光谱数据进行特征提取的算法信息;
一提取毒素的特征识别谱算法模块,用于提供光谱匹配算法信息。
为达到上述目的,本发明还提供了一种常见毒素识别方法,其包括以下步骤:
S1:待测量毒素样品在光谱发生模块通过激发光激发诱导产生荧光信号;
S2:光谱采集模块实时采集样品物质的荧光信号的光谱数据,并作为荧光样本保存到光谱原始数据数据库中;
S3:光谱数据预处理模块对采集的荧光样本的光谱数据进行预处理后,通过光谱数据特征提取算法模块对光谱数据特征进行提取,其中,预处理包括:异常数据处理、噪声消除及其他处理;
S4:将提取的特征光谱数据先在特征光谱模型数据库进行分类查询,再通过光谱模型识别匹配模块进行匹配识别;
S5:光谱分析平台获取匹配识别结果,并通过结果输出模块显示给用户。
在本发明一实施例中,其中,异常数据处理的方法具体为:通过基于统计学的一元离群点的检测方法,求取所有光谱数据的均值和方差,进而得到标准差,然后将所有光谱数据与均值做对比,若任一光谱数据距离均值大于M倍标准差,则认定此数据为异常数据,其中,M为预设的阈值;
在本发明一实施例中,其中,噪声消除的方法具体为:通过采用信号平滑的方法消除噪声,并通过多次测量取平均值以降低噪声提高信噪比,其中,信号平滑的方法为Savitzky2Golay卷积平滑法;
在本发明一实施例中,其中,其他处理具体为:通过其他算法消除光谱多重共线性、吸光度非线性、基线变动和附加散射变动等的影响,其中,其他算法包括:
快速傅里叶变换,其通过将原始光谱数据分解成许多不同频率的正弦波,然后将这些正弦波叠加求和。
小波变换,其通过将原始光谱数据进行信号变换后,在小波域进行过滤和压缩处理,然后再重构回原始域进行光谱滤噪;
微分变换,其通过对光谱数据进行数学模拟和计算不同阶数的微分,来确定光谱曲线的弯曲点、最大及最小反射率的波长位置。
在本发明一实施例中,步骤S4中光谱模型识别匹配模块进行匹配识别时,还包括调用提取毒素的特征识别谱算法模块中的光谱匹配算法,其中,光谱匹配算法具体为:通过基于密度的聚类算法,将特征光谱数据中临近的密度高的区域联成一片从而形成簇,然后再通过对应簇的区域特点,在特征光谱模型数据库中查找与其匹配的特征光谱数学模型。
在本发明一实施例中,特征光谱数学模型是通过特征光谱数学模型模块建立,并通过光谱分析平台更新到特征光谱模型数据库中,其中,特征光谱数学模型建立的方法具体为:
获取不同环境条件下不同毒素的光谱特征,并测得激光频率与吸收度数据,其中,环境条件包括:荧光范围、样品温度、湿度、浓度;
使用特征提取算法得到能够反应毒素光谱特性的数据,并将其作为训练数据不断拟合,得到典型毒素特征光谱数学模型;
其中,特征提取算法包括:偏最小二乘法、区间偏最小二乘法、联合区间偏最小二乘法以及遗传算法。
本发明通过光谱采集、特征提取、毒素特征识别、特征数据库等对常见毒素进行识别分类,与现有技术相比,其通过实时采集样本数据及基于特征光谱数学模型的识别与分析,可实现高效、准确的毒素识别,且能够满足不同应用的需求。
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简单地介绍。
图1为本发明一实施例的系统架构图;
图2为本发明一实施例的用户操作管理界面示意图;
附图标记说明:10-光谱发生模块;20-光谱采集模块;30-光谱分析平台;40-特征光谱模型数据库;50-光谱模型识别匹配模块;60-特征光谱数学模型模块;70-结果输出模块;31-用户操作管理界面;3101-管理设置模块;3102-手动检测模块;3103-自动检测模块;3104-历史数据查询模块;32-光谱数据预处理模块;33-光谱原始数据数据库;34-光谱数据特征提取算法模块;35-提取毒素的特征识别谱算法模块。
具体实施方式
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。
图1为本发明一实施例的系统架构图,如图1所示,本发明提供了一种常见毒素识别系统,其包括:
一光谱发生模块(10),用于发生不同波长的光谱;
一光谱采集模块(20),与光谱发生模块(10)连接,用于实时采集样品物质的荧光样本;
一光谱分析平台(30),与光谱采集模块(20)连接,用于管理和分析实验过程;
一特征光谱模型数据库(40),与光谱分析平台(30)连接,用于对样品物质进行分类查询,其包含特征毒素表征信息,特征毒素表征信息包括:颗粒特征信息和生物荧光特征信息;
一光谱模型识别匹配模块(50),分别与特征光谱模型数据库(40)和光谱分析平台(30)连接,用于区分物质类别;
一特征光谱数学模型模块(60),与光谱分析平台(30)连接,用于提供特征光谱数学模型,其中特征光谱数学模型包括数学校正模型;
一结果输出模块(70),与光谱分析平台(30)连接,用于识别结果进行输出显示。
在本发明一实施例中,光谱发生模块(10)包括:发射光谱仪。在本实施例中,发射光谱仪主要是通过测量样品被激发时发出代表各元素的特征光谱(又叫发射光谱)的强度而对样品进行定量分析。
图2为本发明一实施例的用户操作管理界面示意图,如图2所示,在本实施例中,光谱分析平台(30)的前端为用户操作管理界面(31),其包括:
一管理设置模块(3101),其包括:用户登录、权限设置、设备选择等选择和设置的项目;
一手动检测模块(3102),其包括:目标波长设置、样品选择设置、样品浓度设置等选择和设置的项目;
一自动检测模块(3103),其包括:波长检测设定和范围检测设定等选择和设置的项目;以及
一历史数据查询模块(3104),其包括:起始时间设置、结束时间设置、样品选择、样品浓度设置、光谱类型选择等选择和设置的项目。
再如图1所示,在本发明一实施例中,光谱分析平台(30)还包括:
一光谱原始数据数据库(33),与光谱采集模块(20)连接,用于保存实时采集的样品物质荧光样本,其中保存的实时采集的样品物质荧光样本为未经过处理或简化的光谱数据;
一光谱数据预处理模块(32),用于对光谱数据进行预处理;
一光谱数据特征提取算法模块(34),用于提供对对预处理后的光谱数据进行特征提取的算法信息;
一提取毒素的特征识别谱算法模块(35),用于提供光谱匹配算法信息。
本发明另一实施例还提供了一种常见毒素识别方法,其包括以下步骤:
S1:待测量毒素样品在光谱发生模块通过激发光激发诱导产生荧光信号;
S2:光谱采集模块实时采集样品物质的荧光信号的光谱数据,并作为荧光样本保存到光谱原始数据数据库中;
S3:光谱数据预处理模块对采集的荧光样本的光谱数据进行预处理后,通过光谱数据特征提取算法模块对光谱数据特征进行提取;
S4:将提取的特征光谱数据先在特征光谱模型数据库进行分类查询,再通过光谱模型识别匹配模块进行匹配识别;
S5:光谱分析平台获取匹配识别结果,并通过结果输出模块显示给用户。
在本发明一实施例中,步骤S3中光谱数据预处理模块对采集的光谱数据进行的预处理包括:异常数据处理、噪声消除及其他处理。
在本发明一实施例中,光谱数据预处理模块进行异常数据处理的方法具体为:通过基于统计学的一元离群点的检测方法,求取所有光谱数据的均值和方差,进而得到标准差,然后将所有光谱数据与均值做对比,若任一光谱数据距离均值大于M倍标准差,则认定此数据为异常数据,其中,M为预设的阈值。由于通常情况下,光谱数据图近似呈现正态分布,所以在本实施例中考虑了基于统计学的一元离群点的检测方法,通过求取数据的均值和方差,判断距离均值M倍标准差之外的数据属于异常值。
在本发明一实施例中,光谱数据预处理模块进行噪声消除的方法具体为:通过采用信号平滑的方法消除噪声,并通过多次测量取平均值以降低噪声提高信噪比,其中,在本实施例中,所采用的信号平滑的方法为Savitzky2Golay卷积平滑法,光谱数据的卷积平滑是通过多项式来对移动窗口内的光谱数据进行多项式最小二乘拟合。
在本发明一实施例中,光谱数据预处理模块进行其他处理具体为:通过其他算法消除光谱多重共线性、吸光度非线性、基线变动和附加散射变动等的影响,其中其他算法包括:
快速傅里叶变换(FFT),其通过将原始光谱数据分解成许多不同频率的正弦波,然后将这些正弦波叠加求和,以实现对原始光谱数据进行平滑、插值、滤波、拟合及提高分辨率。
小波变换,其通过将原始光谱数据进行信号变换后,在小波域进行过滤和压缩处理,然后再重构回原始域进行光谱滤噪;
微分变换,其通过对光谱数据进行数学模拟和计算不同阶数的微分,来确定光谱曲线的弯曲点、最大及最小反射率的波长位置。
在本发明一实施例中,步骤S4中光谱模型识别匹配模块进行匹配识别时还包括调用提取毒素的特征识别谱算法模块中的光谱匹配算法,其中光谱匹配算法具体为:通过基于密度的聚类算法(DB-KL),将特征光谱数据中临近的密度高的区域联成一片从而形成簇,然后再通过对应簇的区域特点在特征光谱模型数据库中查找与其匹配的特征光谱数学模型。
在本发明一实施例中,特征光谱数学模型是通过特征光谱数学模型模块建立,并通过光谱分析平台更新到特征光谱模型数据库中,其中,特征光谱数学模型建立的方法具体为:
获取不同环境条件下不同毒素的光谱特征,并测得激光频率与吸收度数据,环境条件包括:荧光范围、样品温度、湿度、浓度等;
使用特征提取算法得到能够反应毒素光谱特性的数据,并将其作为训练数据不断拟合,得到典型毒素特征光谱数学模型。
其中,特征提取算法包括:偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)以及遗传算法(GA)等。
本实施例通过建立特征光谱数学模型,获取不同环境条件下的毒素光谱谱图,检验和优化匹配算法,保证了特征光谱谱图识别的准确性。
本发明通过检测毒素颗粒在激光束中激发诱导产生荧光信号实时监测毒素颗粒,并能根据提取毒素特征光谱数据实现毒素的高效、特异、准确识别和分类。为了更有效地对毒素实施监测与快速准确识别,分析了利用特征光谱数据进行毒素识别的基本思路,提出了基于模型数据库的毒素识别系统模型,构建了通过基于密度的聚类算法的毒素识别模型和基于多种算法的毒素特征提取方法。对本发明所提出的毒素识别系统及方法进行实验与仿真,其结果表明:利用基于特征光谱模型数据库的毒素识别模型,对毒素进行分析与识别的准确度较高,能显著提高毒素识别的准确性和可信度,且结果具有可重复性。
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实施例技术方案的精神和范围。
Claims (10)
1.一种常见毒素识别系统,其特征在于,包括:
一光谱发生模块,用于发生不同波长的光谱;
一光谱采集模块,与所述光谱发生模块连接,用于实时采集样品物质的荧光样本;
一光谱分析平台,与所述光谱采集模块连接,用于管理和分析实验过程;
一特征光谱模型数据库,与所述光谱分析平台连接,用于对样品物质进行分类查询,其包含特征毒素表征信息,所述特征毒素表征信息包括:颗粒特征信息和生物荧光特征信息;
一光谱模型识别匹配模块,分别与所述特征光谱模型数据库和所述光谱分析平台连接,用于区分物质类别;
一特征光谱数学模型模块,与所述光谱分析平台连接,用于提供特征光谱数学模型,其中所述特征光谱数学模型包括数学校正模型;
一结果输出模块,与所述光谱分析平台连接,用于识别结果进行输出显示。
2.根据权利要求1所述的系统,其特征在于,所述光谱发生模块包括:发射光谱仪。
3.根据权利要求1所述的系统,其特征在于,所述光谱分析平台的前端为用户操作管理界面,其包括:
一管理设置模块,包括用户登录、权限设置、设备选择;
一手动检测模块,包括目标波长设置、样品选择设置、样品浓度设置;
一自动检测模块,包括波长检测设定和范围检测设定;以及
一历史数据查询模块,包括起始时间设置、结束时间设置、样品选择、样品浓度设置、光谱类型选择。
4.根据权利要求3所述的系统,其特征在于,所述光谱分析平台还包括:
一光谱原始数据数据库,与所述光谱采集模块连接,用于保存实时采集的样品物质荧光样本,其中所述样品物质荧光样本为未经过处理或简化的光谱数据;
一光谱数据预处理模块,用于对所述光谱数据进行预处理;
一光谱数据特征提取算法模块,用于提供对预处理后的光谱数据进行特征提取的算法信息;
一提取毒素的特征识别谱算法模块,用于提供光谱匹配算法信息。
5.一种常见毒素识别方法,其特征在于,包括以下步骤:
S1:待测量毒素样品在光谱发生模块通过激发光激发诱导产生荧光信号;
S2:光谱采集模块实时采集样品物质的荧光信号的光谱数据,并作为荧光样本保存到光谱原始数据数据库中;
S3:光谱数据预处理模块对采集的荧光样本的光谱数据进行预处理后,通过光谱数据特征提取算法模块对光谱数据特征进行提取,其中,所述预处理包括:异常数据处理、噪声消除及其他处理;
S4:将提取的特征光谱数据先在特征光谱模型数据库进行分类查询,再通过光谱模型识别匹配模块进行匹配识别;
S5:光谱分析平台获取匹配识别结果,并通过结果输出模块显示给用户。
6.根据权利要求5所述的方法,其特征在于,所述异常数据处理的方法具体为:通过基于统计学的一元离群点的检测方法,求取所有光谱数据的均值和方差,进而得到标准差,然后将所有光谱数据与均值做对比,若任一光谱数据距离均值大于M倍标准差,则认定此数据为异常数据,其中,M为预设的阈值。
7.根据权利要求5所述的方法,其特征在于,所述噪声消除的方法具体为:通过采用信号平滑的方法消除噪声,并通过多次测量取平均值以降低噪声提高信噪比,其中,信号平滑的方法为Savitzky2Golay卷积平滑法。
8.根据权利要求5所述的方法,其特征在于,所述其他处理具体为:通过其他算法消除光谱多重共线性、吸光度非线性、基线变动和附加散射变动等的影响,其中,所述其他算法包括:
快速傅里叶变换,其通过将原始光谱数据分解成许多不同频率的正弦波,然后将这些正弦波叠加求和。
小波变换,其通过将原始光谱数据进行信号变换后,在小波域进行过滤和压缩处理,然后再重构回原始域进行光谱滤噪;
微分变换,其通过对光谱数据进行数学模拟和计算不同阶数的微分,来确定光谱曲线的弯曲点、最大及最小反射率的波长位置。
9.根据权利要求5所述的方法,其特征在于,步骤S4中光谱模型识别匹配模块进行匹配识别时,还包括调用提取毒素的特征识别谱算法模块中的光谱匹配算法,其中,所述光谱匹配算法具体为:通过基于密度的聚类算法,将特征光谱数据中临近的密度高的区域联成一片从而形成簇,然后再通过对应簇的区域特点,在特征光谱模型数据库中查找与其匹配的特征光谱数学模型。
10.根据权利要求9所述的方法,其特征在于,所述特征光谱数学模型是通过特征光谱数学模型模块建立,并通过光谱分析平台更新到特征光谱模型数据库中,其中,所述特征光谱数学模型建立的方法具体为:
获取不同环境条件下不同毒素的光谱特征,并测得激光频率与吸收度数据,其中,环境条件包括:荧光范围、样品温度、湿度、浓度;
使用特征提取算法得到能够反应毒素光谱特性的数据,并将其作为训练数据不断拟合,得到典型毒素特征光谱数学模型;
其中,所述特征提取算法包括:偏最小二乘法、区间偏最小二乘法、联合区间偏最小二乘法以及遗传算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534880.2A CN112666094A (zh) | 2020-12-23 | 2020-12-23 | 一种常见毒素识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534880.2A CN112666094A (zh) | 2020-12-23 | 2020-12-23 | 一种常见毒素识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112666094A true CN112666094A (zh) | 2021-04-16 |
Family
ID=75408041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011534880.2A Pending CN112666094A (zh) | 2020-12-23 | 2020-12-23 | 一种常见毒素识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI760206B (zh) * | 2021-05-04 | 2022-04-01 | 行政院農業委員會農業藥物毒物試驗所 | 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120061586A1 (en) * | 2010-09-10 | 2012-03-15 | Haibo Yao | Method and detection system for detection of aflatoxin in corn with fluorescence spectra |
CN103076310A (zh) * | 2012-12-28 | 2013-05-01 | 深圳大学 | 用于物质成份分析的光谱探测系统及其探测方法 |
CN107449763A (zh) * | 2017-09-08 | 2017-12-08 | 周茗皓 | 一种基于lif技术的地沟油检测系统 |
CN108254342A (zh) * | 2017-12-29 | 2018-07-06 | 北京世纪桑尼科技有限公司 | 基于激光诱导荧光技术的真菌毒素高灵敏快速检测方法 |
CN109030437A (zh) * | 2018-07-04 | 2018-12-18 | 中山出入境检验检疫局检验检疫技术中心 | 一种黄曲霉毒素的检测装置及检测方法 |
-
2020
- 2020-12-23 CN CN202011534880.2A patent/CN112666094A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120061586A1 (en) * | 2010-09-10 | 2012-03-15 | Haibo Yao | Method and detection system for detection of aflatoxin in corn with fluorescence spectra |
CN103076310A (zh) * | 2012-12-28 | 2013-05-01 | 深圳大学 | 用于物质成份分析的光谱探测系统及其探测方法 |
CN107449763A (zh) * | 2017-09-08 | 2017-12-08 | 周茗皓 | 一种基于lif技术的地沟油检测系统 |
CN108254342A (zh) * | 2017-12-29 | 2018-07-06 | 北京世纪桑尼科技有限公司 | 基于激光诱导荧光技术的真菌毒素高灵敏快速检测方法 |
CN109030437A (zh) * | 2018-07-04 | 2018-12-18 | 中山出入境检验检疫局检验检疫技术中心 | 一种黄曲霉毒素的检测装置及检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI760206B (zh) * | 2021-05-04 | 2022-04-01 | 行政院農業委員會農業藥物毒物試驗所 | 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava | Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology | |
US7254501B1 (en) | Spectrum searching method that uses non-chemical qualities of the measurement | |
US7329852B2 (en) | Automatic background removal for input data having consecutive input points identification | |
CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
US10718713B2 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
JP2014513805A (ja) | 試料に存在する成分を決定するための分光装置と分光法 | |
CN106951458A (zh) | 一种产品本体溯源鉴真防伪方法及系统 | |
CN116738153A (zh) | 基于光谱分析的有机肥利用效果评价方法 | |
CN112666094A (zh) | 一种常见毒素识别系统及方法 | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN112834481B (zh) | 一种拉曼光谱增强测量系统及测量方法 | |
Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
CN113295674B (zh) | 一种基于s变换的激光诱导击穿光谱特征非线性处理方法 | |
Galeev et al. | Application of the normalized relative error distribution analysis for non‐destructive quality control of drugs by Raman spectroscopy | |
CN114894781A (zh) | 基于外部信号的水下libs光谱标准化泛化方法及系统 | |
CN106970042A (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
CN110579466B (zh) | 一种激光诱导击穿光谱筛选方法 | |
CN110836878A (zh) | 一种卷积插值耦合高斯混合模型快速三维荧光寻峰方法 | |
Coma et al. | Soft and hard modelling methods for deconvolution of mixtures of Raman spectra for pigment analysis. A qualitative and quantitative approach | |
US20010032923A1 (en) | Method of spectrum analysis in two-dimensional representation | |
CN117454098B (zh) | 一种基于激光散射的粉尘浓度测量方法及系统 | |
Liu et al. | Digital techniques and trends for seed phenotyping using optical sensors | |
WO2018158801A1 (ja) | スペクトルデータの特徴抽出装置および方法 | |
CN107643265A (zh) | 光谱标准化方法 | |
WO2024011687A1 (zh) | 一种油品物性快评模型建立方法及装置 |
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 |