CN113591381A - 确定多层浑浊介质光学特性参数及层厚度的方法及系统 - Google Patents
确定多层浑浊介质光学特性参数及层厚度的方法及系统 Download PDFInfo
- Publication number
- CN113591381A CN113591381A CN202110869720.1A CN202110869720A CN113591381A CN 113591381 A CN113591381 A CN 113591381A CN 202110869720 A CN202110869720 A CN 202110869720A CN 113591381 A CN113591381 A CN 113591381A
- Authority
- CN
- China
- Prior art keywords
- optical characteristic
- characteristic parameters
- multilayer
- data set
- layer thicknesses
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种确定多层浑浊介质光学特性参数及层厚度的方法,包括获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息;将光强分布信息与对应光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集;利用训练数据集训练机器学习模型;利用测试数据集对确定的模型进行测试;评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。本发明从不同角度激发光对应的漫反射光强分布信息实现多层浑浊介质中每层光学特性参数及层厚度的识别方法,克服了现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究、无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度的缺陷。
Description
技术领域
本发明涉及在医疗诊断、食品质量和材料检测等方面对介质光学特性参数检测的应用,尤其是指一种确定多层浑浊介质光学特性参数及层厚度的方法及系统。
背景技术
光在浑浊介质中传播主要受介质内部的光学特性参数的影响,包括吸收系数μa,散射系数μs,各项异性因子g和折射率n。其中吸收系数主要反映组织内部化学信息(如水分、酸度、糖度等)的变化;散射系数主要表现为介质内部的结构和物理特性(如密度、形态学特征、细胞结构组成等);散射特性和各项异性因子给出组织中不同散射成分的形状,大小和浓度信息;折射率用来处理光在组织中传输的边界问题和速度问题。通过测量生物组织的光学特性参数可以确定生物组织的生理状态以及是否发生病变等。因此这些光学特性参数的精准量化信息对于光学检测的主要应用领域如生物医学和食品质量来说至关重要。
对生物组织光学特性参数的测量,一般是假设生物组织为半无限厚的均匀的组织,通过传输方程的漫反射近似解求出光与组织相互作用的结果来实现光学特性参数的测量。实际的生物组织,如水果、皮肤、食管、胃、膀胱以及头部均具有分层结构,不同层具有不同的光学特性参数。由于介质的多样性和复杂性,因此研究光在多层介质中的传播及每层介质光学特性参数测定具有更重要的意义。并且在对多层介质的光学特性的识别中,介质层厚度的考量也是必要的。但是现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究,无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度,从而无法更好地量化光在其中的传播,很难准确地实现无损实时检测。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究、无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度的缺陷。
为解决上述技术问题,本发明提供一种确定多层浑浊介质光学特性参数及层厚度的方法,包括:
获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息,在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对所述训练数据集和测试数据集进行归一化处理;
利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型,其中所述光强分布信息作为该模型的输入,每一层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
利用归一化处理后的所述测试数据集对确定的模型进行测试,通过所述模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
将预测的光学特性参数及层厚度与真实的光学特性参数和层厚进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
在本发明的一个实施例中,所述光学特性参数包括吸收系数μa,散射系数μs,各项异性因子g、折射率n。
在本发明的一个实施例中,在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括:
通过蒙特卡洛仿真模拟光在由吸收系数μa、散射系数μs、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性,初始化光子入射角度,获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息;
在所述光强分布信息与所述光学特性参数及层厚度之间建立机器学习映射关系模型如下:
f(x)=wTφ(x)+b
式中,x表示不同角度激发光下的漫反射光强分布信息;f(x)表示相对应的光学特性参数及层厚度;φ(x)表示将x映射到高维特性空间的非线性映射函数;w表示高维特征空间的权重向量;b表示偏差变量。
在本发明的一个实施例中,将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括:
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(xi,yi),i=1,2,…,m},其中xi表示第i个训练样本的输入值,yi表示第i个训练样本的目标值,m表示训练数据集中的样本数量。
在本发明的一个实施例中,将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括:
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集为{(Xi,Yi),i=1,2,…,n},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的目标值,n表示测试数据集中的样本数量。
在本发明的一个实施例中,对所述训练数据集和测试数据集进行归一化处理的方法包括:
将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min-max标准化,使不同角度激发光下的漫反射光强分布信息处于同一数量级。
在本发明的一个实施例中,将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min-max标准化的方法如下:
对数据样本{x1,x2,…,xn}进行归一化处理:
式中,zi表示每个样本归一化后的值。
在本发明的一个实施例中,利用归一化处理后的所述训练数据集建立不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的机器学习模型的方法包括:
以所述训练数据集中不同角度激发光下的漫反射光强分布信息作为输入,以所述训练数据集中的多层浑浊介质的光学特性参数及层厚度作为输出,建立并训练所述机器学习模型。
在本发明的一个实施例中,评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能的方法包括:
检测所述模型输出预测的多层浑浊介质光学特性参数及层厚度与真实输入到蒙特卡洛仿真模拟中的光学特性参数及层厚度之间的平均相对误差值MRE,MRE越低表示模型预测多层介质的光学特性参数及层厚度的精确度越高,
其中yn和yn’分别表示第n个样本数据的真实值和估计值,N表示总的样本个数。
此外,本发明还提供一种确定多层浑浊介质光学特性参数及层厚度的系统,包括:
数据获取模块,所述数据获取模块用于获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息,在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
数据处理模块,所述数据处理模块用于将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对所述训练数据集和测试数据集进行归一化处理;
模型训练模块,所述模型训练模块用于利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型,其中所述光强分布信息作为该模型的输入,每一层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
模型测试模块,所述模型测试模块用于利用归一化处理后的所述测试数据集对确定的模型进行测试,通过所述模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
模型评估模块,所述模型评估模块用于将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
本发明的上述技术方案相比于现有技术具有以下优点:
本发明根据从不同角度激发光下获取的漫反射光强分布信息实现多层浑浊介质中每层光学特性参数及层厚度的识别方法,克服了现有技术中仅能对单层或两层介质吸收系数和降散射系数进行识别研究、无法同时识别多层介质中每层的光学特性参数以及每层介质的厚度的缺陷。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明一种确定多层浑浊介质光学特性参数及层厚度的方法的流程示意图。
图2是本发明不同角度激发入射光在多层浑浊介质中传输的示意图。
图3是本发明初始化入射光斑到达介质表面的空间位置方向示意图。其中(a)表示入射光传输到介质表面空间示意图;(b)xoy(或x”o’y’)平面的垂直视图。
图4是本发明漫反射光强轴向光强信息等效图,其中(a)漫反射光强分布图;(b)漫反射光强轴向光强图。
图5是本发明机器学习模型训练预测流程图。
图6是本发明不同角度激发光下的漫反射光强图,其中(a)θ1:24°;(b)θ2:30°;(c)θ3:36°;(d)θ4:42°。
图7是本发明不同角度激发光下的漫反射光强图,其中(e)θ5:48°;(f)θ6:54°;(g)θ7:60°。
图8是本发明漫反射光强距离记录点半径r的函数示意图。
图9是本发明对不同透射率样本筛选后的各层光学特性参数及层厚度的预测精度对比示意图。
图10是本发明对多层浑浊介质中每层吸收系数μa估计的平均相对误差随输入的光强度分布图的数量的变化示意图。
图11是本发明对多层浑浊介质中每层散射系数μs估计的平均相对误差随输入的光强度分布图的数量的变化示意图。
图12是本发明对多层浑浊介质中每层各项异性因子g估计的平均相对误差随输入的光强度分布图的数量的变化示意图。
图13是本发明对多层浑浊介质中每层折射率n估计的平均相对误差随输入的光强度分布图的数量的变化示意图。
图14是本发明对多层浑浊介质中每层厚度d估计的平均相对误差随输入的光强度分布图的数量的变化示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
随着层数的增加,未知参数的数量急剧增加。这给参数估计带来了困难。为了解决这一问题,需要提高数据的丰富性,这将为参数估计带来更多的约束。入射光角度可以很容易控制。如果不同角度激发光下的扩散光强曲线是线性无关的,则会带来额外的约束。这意味着可以采用多角度激发来增强数据的丰富性。
蒙特卡洛仿真已被证明是模拟光在组织中传播的有效方法。本发明使用蒙特卡洛仿真模拟了吸收系数μa,散射系数μs,各项异性因子g,折射率n及层厚度d随机组合的多层介质中的传输特性,并获得了不同入射角激发光下的漫反射光强分布信息,如图2所示。
在蒙特卡洛仿真光在多层介质中传输时一般将入射的光子当成直径为零的点来处理,但是在实际的生产应用中,入射光束的直径是存在的,并且入射平行光光束进入组织时,难以做到严格的准直,存在一定度数的发散角α。为了使仿真数据更加贴近实际,需要考虑入射光斑的尺寸以及发散角的影响,而不再是把发射的光子当成点来处理。因此需要结合实际使用的入射光斑的直径大小和发散角重新初始化仿真中的入射光斑到达介质表面的位置方向和权重。入射光斑初始化的位置方向计算步骤如下:
(1)建立入射光束横截面圆面坐标系xoy(z)与样品面坐标系x’o’y’(z’)。
(2)表达圆面坐标系内任意一点A的坐标,即xoy(z)的(x0,y0,z0)。
(3)由于发散角的原因,从A点发射的光均匀的分布在一个小圆内,如图3(a)中的灰色的圆。利用坐标变换求样品面坐标系中灰色圆内任意一点B的坐标,即与xoy(x0,y0,z0)对应的x’o’y’(x0’,y0’,z0’)。
(4)设B点为入射光投射到组织表面的位置点,该点坐标公式可推导为如下。
z′0=0
其中φ是[0,2π]之间的任意数,L表示光斑传输距离,如图3所示。
随机初始化不同角度的入射光进入到同一种介质,每个光子投射到组织表面的位置不再是被初始化为(0,0,0),而是和光斑的大小、入射角和散射角有关,被初始化为(x0’,y0’,z0’),光子的方向设定为(sinαcosφcosθ+sinθcosα,sinαsinφ,sinαcosφsinθ-cosθcosα)。
由于图片数据量很大,对于运行电脑处理器及内存有较高的要求,因此可以根据漫反射图像呈对称分布,提取中心轴向处的光强信息做等效处理,以达到对图像降维的目的,如图4所示。
经蒙特卡洛仿真结果发现,入射光与组织表面的夹角不同,相应的漫反射信息也会有所不同,不同入射角的入射光与介质内部不同的粒子发生碰撞,从而经历不同的光学行为如图2。这种光学历程的差异性会增加漫反射光强分布信息的丰富度,为多个光学参数的反演提供强有力的约束,以达到更高的识别精度。通过检查各入射角对应的漫反射光强向量(如图4(b)所示)的秩,可以验证漫反射光强向量是线性无关的。因此可以通过获取多个可行角度激发光下的漫反射光强信息来丰富数据。
本发明介绍了利用多角度激发光和漫反射光强度测定多层混浊介质光学特性的方法。通过蒙特卡罗模拟得到多个角度激发光下的漫反射光强分布,并计算出沿轴的光强向量。
下面对本发明公开的一种确定多层浑浊介质光学特性参数及层厚度的方法进行详细的阐述。
请参阅图1所示,本实施例提供一种确定多层浑浊介质光学特性参数及层厚度的方法,具体包括如下步骤。
S100:获取不同角度激发光从多层浑浊介质中漫反射出来的光强分布信息,在光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
S200:将光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对训练数据集和测试数据集进行归一化处理;
S300:利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度组合的机器学习模型,其中光强分布信息作为该模型的输入,每层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
S400:利用归一化处理后的测试数据集对确定的模型进行测试,通过模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
S500:将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
在步骤S100中,光学特性参数包括吸收系数μa,散射系数μs,各项异性因子g、折射率n,在光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括:
通过蒙特卡洛仿真模拟光在由吸收系数μa、散射系数μs、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性,初始化光子入射角度,获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息;
在光强分布信息与光学特性参数及层厚度之间建立机器学习映射关系模型如下:
f(x)=wTφ(x)+b
式中,x表示不同角度激发光下的漫反射光强分布信息;f(x)表示相对应的光学特性参数及层厚度;φ(x)表示将x映射到高维特性空间的非线性映射函数;w表示高维特征空间的权重向量;b表示偏差变量。
在步骤S200中,将光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括:
将光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(xi,yi),i=1,2,…,m},其中xi表示第i个训练样本的输入值,yi表示第i个训练样本的目标值,m表示训练数据集中的样本数量。
在步骤S200中,将光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括:
将光强分布信息与对应的光学特性参数的层厚度的随机组合划分为测试数据集为{(Xi,Yi),i=1,2,…,n},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的目标值,n表示测试数据集中的样本数量。
在步骤S200中,对训练数据集和测试数据集进行归一化处理的方法包括:
将训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min-max标准化,使不同角度激发光下的漫反射光强分布信息处于同一数量级。
具体的,将训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min-max标准化的方法如下:
对数据样本{x1,x2,…,xn}进行归一化处理:
式中,zi表示每个样本归一化后的值。
在步骤S300中,利用归一化处理后的训练数据集建立不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的机器学习模型的方法包括:
以训练数据集中不同角度激发光下的漫反射光强分布信息作为输入,以训练数据集中的多层浑浊介质的光学特性参数及层厚度作为输出,建立并训练机器学习模型。
在步骤S400中,评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能的方法包括:
检测模型输出预测的多层浑浊介质光学特性参数及层厚度与真实输入到蒙特卡洛仿真模拟中的光学特性参数及层厚度之间的平均相对误差值MRE,MRE越低表示模型预测多层介质的光学特性参数及层厚度的精确度越高,
其中yn和yn’分别表示第n个样本数据的真实值和估计值,N表示总的样本个数。
下面以示例的方式对本发明公开的一种确定多层浑浊介质光学特性参数及层厚度的方法进行详细的阐述。
示例中使用机器学习方法以BP神经网络为例。由于三层介质比两层介质更能代表许多实例,例如皮肤由表皮、真皮和皮下组织组成,植物的叶子由上下表皮和叶肉组成等。因此本示例输出多层浑浊介质每层的光学参数及层厚度以三层介质为例,即输出15个光学参数(介质的第一层[μa1,μs1,g1,n1,d1];介质的第二层[μa2,μs2,g2,n2,d2];介质的第三层[μa3,μs3,g3,n3,d3])。
采用BP神经网络来实现对光学特性参数及层厚度的回归预测。将提取的光强值作为神经网络的输入,多层组织的光学特性及层厚度作为神经网络的输出。由于数据样本是在理想情况下获取的,因此在训练和测试之前对漫反射数据加入噪声来模拟真实情况下的光学测量以提高网络的泛化能力和抗噪性能,进而构建多输入多输出的BP神经网络进行光学特性参数的回归预测,既可节省计算时间又能提高参数的预测精度,并且漫反射光强信息得以充分利用。在训练之前对输入数据进行min-max归一化,保证数据范围的统一性,使网络快速的收敛。
经过多次试验,不断地调参来确定网络结构,最后确定网络结构由五层组成为例,一个输入层,三个隐藏层和一个输出层。网络的输入是不同入射角激发光下的漫反射光强值;输出是每层光学参数值(μa,μs,g,n)及层厚度d,即15个光学特性参数值;第一层隐藏层200个节点;第二层隐藏层100个节点;第三层隐藏层50个节点。隐藏层神经元激活函数均选择Relu激活函数;输出层采用线性函数作为传递函数;并且选择高斯随机初始化方法实现对网络权值和阈值的初始化,以及采用Levenberg-Marquardt训练方法来调整反向传播过程中的权值和偏移量。机器学习模型训练预测过程如图5所示。最终实现由BP神经网络估计出的光学特性参数值及层厚度与从蒙特卡洛模拟得知的真实光学特性参数及层厚度之间的差值最小化。
本发明实施例中采用蒙特卡洛仿真模拟,初始化入射角角度,选取θ1-24°、θ2-30°、θ3-36°、θ4-42°、θ5-48°、θ6-54°、θ7-60°七个不同的入射角,光斑发散角α∈[0°,0.30°],入射光斑直径为2.60cm,光斑传输距离L以入射角为24°时的距离作为零面为例,初始化入射光投射到组织表面时光子的位置和方向。设置各入射角下的L分别为:24°--0cm;30°--2cm;36°--4cm;42°--6.50cm;48°--10cm;60°--20.50cm。设定合理的光学特性参数范围,吸收系数μa选定为0.01到50cm-1之间的随机数,散射系数μs选定为1到1200cm-1之间的随机数,各项异性因子g的值选定为0.6到1之间的随机数,折射率n选定为1到2之间的随机数,层厚度d在0.01到0.40cm之间任意取值。在这里,每层的光学参数以μa1=1cm-1,μs1=100cm-1,g1=0.75,n1=1.37,d1=0.01cm;μa2=2cm-1,μs2=10cm-1,g2=0.65,n2=1.35,d2=0.03cm;μa3=2.50cm-1,μs3=100cm-1,g3=0.70,n3=1.30,d3=0.04cm为例,设置合理的网格划分,每个强度分布图均是100×100(0.25cm×0.25cm)。在此光学特性参数及层厚度的组合下不同入射角激发光下的漫反射光强分布信息如图6和图7所示。从图中可以看出,随着入射角与组织表面的夹角越大,光斑就越发散,光强信号就越弱。
由蒙特卡罗模拟介质光学特性为μa1=1cm-1,μs1=100cm-1,g1=0.75,n1=1.37,d1=0.01cm;μa2=2cm-1,μs2=10cm-1,g2=0.65,n2=1.35,d2=0.03cm;μa3=2.50cm-1,μs3=100cm-1,g3=0.70,n3=1.30,d3=0.04cm的介质在七个不同角度激发光下的漫反射光强分布如图(8)中所示,并计算出沿轴的光强向量,放入矩阵中,结果发现七条曲线数据点组成的矩阵为满秩,这说明七条曲线之间并不是数值上的线性扩大或缩小,而是线性无关的。但这些不同的漫反射光强分布图像之间具有一定的统计相关性,这是因为七幅图像均是反映同一介质的漫反射图像,是关于同一物理结构和化学组成的漫反射信息,这为光学特性参数的识别提供更加有效的独立约束。
在本发明示例中,在蒙特卡洛模拟中使用了100000个光子包模拟了22231组数据样本同时记录光子穿过具有不同光学特性参数的组织中透射出来的透射率,透射率为零的样本影响着光学特性参数的识别精度,去掉透射率为零的样本可以保证样本的可行性。在同一组光学特性参数的组合下,初始化七个不同入射光角度,追踪获取7组不同的漫反射光子分布信息数据。每组数据样本根据蒙特卡洛模拟生成七个不同角度的漫反射光强分布信息,即每个角度下均有22231组数据,以及七个角度下的光强数据对应的光学特性参数及层厚度的随机组合是相同的。本发明示例中通过筛选掉透射率小于0.01%样本后剩下10506个有效的数据样本。把训练数据和测试数据以7:3随机划分所述的数据样本,并且在进行训练和预测之前对数据加入随机噪声,使网络训练更具有鲁棒性和泛化能力。
图8展示的是筛选不同透射率的样本后,对各层光学特性参数及层厚度的识别精度对比情况。在保证筛选后的样本数据量充足的情况下,筛选掉透射率越小的样本,网络对光学参数的识别精度越高,如图9所示。
选取1%-10%范围内的随机噪声叠加在筛选后的数据样本中,增强样本数据,最后对三层介质中每层光学特性参数(μa1,μs1,g1,n1,d1;μa2,μs2,g2,n2,d2;μa3,μs3,g3,n3,d3)识别的平均相对误差分别为6.80%,5.52%,1.41%,0.80%,13.03%;6.75%,5.52%,1.40%,0.79%,11.42%;6.73%,5.52%,1.41%,0.82%,11.02%。对每层组织光学参数及层厚度估计的平均相对误差随输入的光强度分布图的数量的变化如图10-图14所示。
图10-图14展示了对每层组织光学特性参数及层厚度估计的平均相对误差随输入的不同角度光强分布图数量的变化,当仅使用一个角度下的漫反射信息来识别组织的光学特性参数的误差从图中可以看出来是非常大的,此时网络的识别是无效的。使用七个角度的漫反射分布信息可以将识别误差降到14%以下。这清楚地证明了更多角度的入射光激发有助于参数估计,多角度入射光激发不仅提高了光学检测设备的灵活性还降低了光学特性参数的识别误差,并且BP神经网络对于多层介质光学特性参数及层厚度的识别精度也验证了该方法的可行性,这为光学检测领域实现对多层介质的光学特性参数及层厚度的检测提供了有效而又切实可行的方法,以及为食品安全和医学等领域实现多角度检测设备的开发提供了理论上的支撑。
实施例二
下面对本发明实施例二公开的一种确定多层浑浊介质光学特性参数及层厚度的系统进行介绍,下文描述的一种确定多层浑浊介质光学特性参数及层厚度的系统与上文描述的一种确定多层浑浊介质光学特性参数及层厚度的方法可相互对应参照。
本发明实施例二公开了一种确定多层浑浊介质光学特性参数及层厚度的系统,其具体包括数据获取模块、数据处理模块、模型训练模块、模型测试模块和模型评估模块。
数据获取模块用于获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息,在光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
数据处理模块用于将光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对训练数据集和测试数据集进行归一化处理;
模型训练模块用于利用归一化处理后的训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型,其中光强分布信息作为该模型的输入,每一层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
模型测试模块用于利用归一化处理后的测试数据集对确定的模型进行测试,通过模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
模型评估模块用于将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
本实施例中的一种确定多层浑浊介质光学特性参数及层厚度的系统用于实现前述的一种确定多层浑浊介质光学特性参数及层厚度的方法,因此该系统的具体实施方法可见前文中的一种确定多层浑浊介质光学特性参数及层厚度的方法的实施例部分,所以其具体实施方式可以参照相应的各个部分实施例的描述,再次不再展开介绍。
另外,由于本实施例中的一种确定多层浑浊介质光学特性参数及层厚度的系统用于实现前述的一种确定多层浑浊介质光学特性参数及层厚度的方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于,包括:
获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息,在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对所述训练数据集和测试数据集进行归一化处理;
利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型,其中所述光强分布信息作为该模型的输入,每一层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
利用归一化处理后的所述测试数据集对确定的模型进行测试,通过所述模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
2.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:所述光学特性参数包括吸收系数μa,散射系数μs,各项异性因子g、折射率n。
3.根据权利要求2所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型包括:
通过蒙特卡洛仿真模拟光在由吸收系数μa、散射系数μs、各项异性因子g、折射率n及层厚度d随机组合的多层介质中的传输特性,初始化光子入射角度,获取不同角度激发下光从多层浑浊介质中漫反射出来的光强分布信息;
在所述光强分布信息与所述光学特性参数及层厚度之间建立机器学习映射关系模型如下:
f(x)=wTφ(x)+b
式中,x表示不同角度激发光下的漫反射光强分布信息;f(x)表示相对应的光学特性参数及层厚度;φ(x)表示将x映射到高维特性空间的非线性映射函数;w表示高维特征空间的权重向量;b表示偏差变量。
4.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集的方法包括:
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集为{(xi,yi),i=1,2,…,m},其中xi表示第i个训练样本的输入值,yi表示第i个训练样本的目标值,m表示训练数据集中的样本数量。
5.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集的方法包括:
将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为测试数据集为{(Xi,Yi),i=1,2,…,n},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的目标值,n表示测试数据集中的样本数量。
6.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:对所述训练数据集和测试数据集进行归一化处理的方法包括:
将所述训练数据集和测试数据集中的不同角度激发光下的漫反射光强分布信息进行min-max标准化,使不同角度激发光下的漫反射光强分布信息处于同一数量级。
8.根据权利要求1所述的确定多层浑浊介质光学特性参数及层厚度的方法,其特征在于:利用归一化处理后的所述训练数据集建立不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的机器学习模型的方法包括:
以所述训练数据集中不同角度激发光下的漫反射光强分布信息作为输入,以所述训练数据集中的多层浑浊介质的光学特性参数及层厚度作为输出,建立并训练所述机器学习模型。
10.一种确定多层浑浊介质光学特性参数及层厚度的系统,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取不同角度激发光下从多层浑浊介质中漫反射出来的光强分布信息,在所述光强分布信息与对应的多层浑浊介质每层的光学特性参数及层厚度之间建立机器学习映射关系模型;
数据处理模块,所述数据处理模块用于将所述光强分布信息与对应的光学特性参数及层厚度的随机组合划分为训练数据集和测试数据集,并对所述训练数据集和测试数据集进行归一化处理;
模型训练模块,所述模型训练模块用于利用归一化处理后的所述训练数据集确定不同角度激发光下的漫反射光强分布信息和对应的光学特性参数及层厚度的随机组合的机器学习模型,其中所述光强分布信息作为该模型的输入,每一层的光学特性参数及层厚度作为该模型的输出,对建立的模型进行训练;
模型测试模块,所述模型测试模块用于利用归一化处理后的所述测试数据集对确定的模型进行测试,通过所述模型将测试数据集的光强分布信息作为输入,预测多层浑浊介质中每层的光学特性参数及层厚度;
模型评估模块,所述模型评估模块用于将预测的光学特性参数及层厚度与真实的光学特性参数及层厚度进行对比,以评估该模型对多层浑浊介质光学特性参数及层厚度的识别性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869720.1A CN113591381B (zh) | 2021-07-30 | 2021-07-30 | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110869720.1A CN113591381B (zh) | 2021-07-30 | 2021-07-30 | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591381A true CN113591381A (zh) | 2021-11-02 |
CN113591381B CN113591381B (zh) | 2022-11-08 |
Family
ID=78252374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110869720.1A Active CN113591381B (zh) | 2021-07-30 | 2021-07-30 | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591381B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757102A (zh) * | 2023-08-21 | 2023-09-15 | 中国科学院南海海洋研究所 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2296929A1 (en) * | 1999-01-22 | 2000-07-22 | Art Recherches Et Technologies Avancees Inc./Art Advanced Research Techn | Dual spatial integration for depth discrimination of heterogeneities in turbid media |
US20100042005A1 (en) * | 2007-03-28 | 2010-02-18 | Trustees Of Boston University | Detecting optical properties of a turbid medium |
CN102883658A (zh) * | 2009-11-19 | 2013-01-16 | 调节成像公司 | 用于使用结构化照明经由单元件检测来分析浑浊介质的方法和设备 |
-
2021
- 2021-07-30 CN CN202110869720.1A patent/CN113591381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2296929A1 (en) * | 1999-01-22 | 2000-07-22 | Art Recherches Et Technologies Avancees Inc./Art Advanced Research Techn | Dual spatial integration for depth discrimination of heterogeneities in turbid media |
US20100042005A1 (en) * | 2007-03-28 | 2010-02-18 | Trustees Of Boston University | Detecting optical properties of a turbid medium |
CN102883658A (zh) * | 2009-11-19 | 2013-01-16 | 调节成像公司 | 用于使用结构化照明经由单元件检测来分析浑浊介质的方法和设备 |
Non-Patent Citations (2)
Title |
---|
刘丽丽: "浑浊介质光学特性多参数的识别方法研究", 《中国优秀硕士学位论文全文数据库-基础科学辑》 * |
徐志龙等: "农产品生物组织的光学参数测量方法研究", 《激光杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757102A (zh) * | 2023-08-21 | 2023-09-15 | 中国科学院南海海洋研究所 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
CN116757102B (zh) * | 2023-08-21 | 2024-02-02 | 中国科学院南海海洋研究所 | 基于固有光学特性的表观光学特性剖面分布估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591381B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kłosowski et al. | Using neural networks and deep learning algorithms in electrical impedance tomography | |
CN101856219B (zh) | 基于频域近红外光测量的光学参数重构方法 | |
Chiachío et al. | A multilevel Bayesian method for ultrasound-based damage identification in composite laminates | |
Attanasio et al. | Artificial intelligence, radiomics and other horizons in body composition assessment | |
CN113591381B (zh) | 确定多层浑浊介质光学特性参数及层厚度的方法及系统 | |
WO2017004851A1 (zh) | 基于多任务贝叶斯压缩感知方法的生物发光断层成像重建算法 | |
Zekić-Sušac et al. | Combining PCA analysis and artificial neural networks in modelling entrepreneurial intentions of students | |
CN104246478A (zh) | 通过测量光散射和荧光来表征样本的方法和设备 | |
Sun et al. | An artificial neural network model for accurate and efficient optical property mapping from spatial-frequency domain images | |
Zalev et al. | Detecting abnormal vasculature from photoacoustic signals using wavelet-packet features | |
Althobaiti et al. | Deep transfer learning-based breast cancer detection and classification model using photoacoustic multimodal images | |
Doraiswamy et al. | A technique for the classification of tissues by combining mechanics based models with Bayesian inference | |
Sabugaa et al. | Evaluation of the prognostic significance and accuracy of screening tests for alcohol dependence based on the results of building a multilayer perceptron | |
Rao et al. | Quantitative reconstruction of defects in multi-layered bonded composites using fully convolutional network-based ultrasonic inversion | |
Xie et al. | [Retracted] Artificial Intelligence‐Based Feature Analysis of Ultrasound Images of Liver Fibrosis | |
Wu et al. | Parallelized ultrasound homodyned-K imaging based on a generalized artificial neural network estimator | |
Artiles et al. | Confounding effects on the performance of machine learning analysis of static functional connectivity computed from rs-fMRI multi-site data | |
Gaydou et al. | Vibrational analysis of lung tumor cell lines: implementation of an invasiveness scale based on the cell infrared signatures | |
Cong et al. | FDG-PET/CT radiomics models for the early prediction of locoregional recurrence in head and neck cancer | |
Lu et al. | A new tangent-based probabilistic approach with applications in sports and medical sciences | |
Lancashire et al. | Current developments in the analysis of proteomic data: artificial neural network data mining techniques for the identification of proteomic biomarkers related to breast cancer | |
Arciniegas et al. | Travel-time ultrasonic computed tomography applied to quantitative 2-D imaging of standing trees: a comparative numerical modeling study | |
WO2021206076A1 (ja) | 計測信号処理装置、計測信号処理方法およびプログラム | |
Semakova et al. | Data-driven identification of hypertensive patient profiles for patient population simulation | |
Yu | Finite difference methods for solving the transport equation in the problems of optical biomedical diagnostics |
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 |