CN115266583A - 环境光滤除方法、系统、计算机设备及计算机可读存储介质 - Google Patents
环境光滤除方法、系统、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115266583A CN115266583A CN202210835161.7A CN202210835161A CN115266583A CN 115266583 A CN115266583 A CN 115266583A CN 202210835161 A CN202210835161 A CN 202210835161A CN 115266583 A CN115266583 A CN 115266583A
- Authority
- CN
- China
- Prior art keywords
- wavelength
- data
- ambient light
- filtering
- prediction model
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/02—Details
- G01J1/04—Optical or mechanical part supplementary adjustable parts
- G01J1/0488—Optical or mechanical part supplementary adjustable parts with spectral filtering
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种环境光滤除方法、系统、计算机设备及计算机可读存储介质,属于光谱检测技术,其包括采集待检测数据;将所述待检测数据输入至预先训练的环境光波长预测模型中,得到所述待检测数据中环境光的波长数据;其中,所述环境光波长预测模型根据预设波长范围的样本光谱数据建立,所述环境光为不包括在所述预设波长范围内的未知波长的光源;根据所述环境光的波长数据对所述待检测数据中的环境光进行滤除。本申请能够减少环境光对采集数据的影响,提高数据采集的准确性。
Description
技术领域
本申请涉及光谱检测技术领域,尤其是涉及一种环境光滤除方法、系统、计算机设备及计算机可读存储介质。
背景技术
目前,人体生命体征信号可通过系列装置进行检测,如光学测量装置。如何保证检测过程中获得高质量的信号结果对于有效的记录人体生命特征数据非常重要。由于可能会受到环境光或其他杂波光源的干扰,大部分的近红外信号采集或者红外信号的采集都是通过遮光的方式来提高数据记录的准确性。
针对光学测量的相关技术,发明人发现至少存在如下问题:在实际采集过程中,即使采用遮光的方式仍然会存在少量的近红外光进入到系统内影响到近红外或者红外数据的采集的情况,从而降低了数据采集的准确性。
发明内容
为了减少环境光对采集数据的影响,提高数据采集的准确性,本申请提供了一种环境光滤除方法、系统、计算机设备及计算机可读存储介质。
第一方面,本申请提供一种环境光滤除方法,采用如下的技术方案:
一种环境光滤除方法,包括:
采集待检测数据;
将所述待检测数据输入至预先训练的环境光波长预测模型中,得到所述待检测数据中环境光的波长数据;其中,所述环境光波长预测模型根据预设波长范围的样本光谱数据建立,所述环境光为不包括在所述预设波长范围内的未知波长的光源;
根据所述环境光的波长数据,对所述待检测数据中的环境光进行滤除。
通过采用上述技术方案,根据预设波长范围的样本光谱数据建立环境光波长预测模型,将终端数据采集器件采集的红外数据或近红外数据作为待检测数据,输入至该环境光波长预测模型中,即可得到不包括在预设波长范围内的未知波长的光源的波长数据,并将该波长数据作为待检测数据中的环境光的波长数据,根据该环境光的波长数据对待检测数据中的环境光进行滤除,从而减少了近红外光等环境光进入系统内影响到近红外或者红外数据的采集的情况,提高了数据采集的准确性。
可选的,生成所述预先训练的环境光波长预测模型的具体步骤包括:
采集所述预设波长范围的样本光谱数据,将所述预设波长范围的样本光谱数据分为训练集和测试集;
根据所述训练集建立环境光波长预测模型并进行训练;
基于所述测试集对环境光波长预测模型进行测试,并对所述环境光波长预测模型的参数进行校正,得到预先训练的环境光波长预测模型。
通过采用上述技术方案,将预设波长范围的样本光谱数据划分为训练集和测试集,利用训练集建立环境光波长预测模型并进行训练,利用测试集进行测试,并通过光谱数据训练对模型参数进行优化校正,即可得到最优的环境光波长预测模型,从而提高了波长预测的准确性。
可选的,所述环境光波长预测模型的建立方法为判别偏最小二乘法。
通过采用上述技术方案,利用偏最小二乘法进行模型分析,比对逐个因变量做多元回归更有效,且分析结果更加可靠,整体性更强,预测精度更高更稳定。
可选的,所述将所述预设波长范围的样本光谱数据分为训练集和测试集的步骤之后还包括:
对所述训练集和测试集的光谱数据分别进行光谱预处理。
通过采用上述技术方案,由于各种噪声信号会对光谱信息产生干扰,使得光谱数据在采集过程中常常会发生光谱偏移或漂移等现象,进而影响预测模型的建立和预测结果的准确性,通过光谱预处理步骤对噪声干扰进行去除,优化光谱信号,从而即可达到提高数据质量的效果。
可选的,所述光谱预处理的方法包括平滑处理、归一化处理、导数处理和多元散射校正处理中的一种或多种。
通过采用上述技术方案,采用不同的光谱预处理的方法对光谱数据进行优化处理,大大减少了光谱数据中干扰信息和噪声信息对模型的负面影响,增强了样本数据的准确性,提高了预测模型的准确性和可靠性。
可选的,基于所述测试集对环境光波长预测模型进行测试的方法包括:
根据所述测试集建立测试模型,基于所述测试模型对所述环境光波长预测模型的预测能力进行测试;其中,所述测试指标包括但不限于:决定系数、交叉验证均方根误差、预测均方根误差和相对分析误差。
通过采用上述技术方案,根据测试集建立的测试模型,结合多个评价指标对环境光波长预测模型的性能和稳定性进行评价,从而便于对预测模型进行校正,进一步提高了预测模型的预测能力以及预测结果的准确性。
可选的,所述根据所述环境光的波长数据对所述环境光进行滤除的具体步骤包括,
根据所述环境光的波长数据确定对应的波长滤除范围;
根据所述波长滤除范围对所述待检测样本中所述波长滤除范围内对应的波长的光源进行滤除。
通过采用上述技术方案,在预测得到环境光的波长数据后,通过设置波长滤除范围,再对该波长滤除范围内对应波长的光源进行滤除,从而即可减少环境光或其他杂波光源对待检测数据的干扰。
第二方面,本申请提供一种环境光滤除系统,采用如下的技术方案:
一种环境光滤除系统,所述环境光滤除系统包括:
待检测数据采集模块,用于采集待检测数据;
波长数据生成模块,用于将所述待检测数据输入至预先训练的环境光波长预测模型中,得到所述待检测数据中环境光的波长数据;其中,所述环境光波长预测模型根据预设波长范围的样本光谱数据建立,所述环境光为不包括在所述预设波长范围内的未知波长的光源;
环境光滤除模块,用于根据所述环境光的波长数据对所述待检测数据中的环境光进行滤除。
通过采用上述技术方案,根据预设波长范围的样本光谱数据建立环境光波长预测模型,将终端数据采集器件采集的红外数据或近红外数据作为待检测数据,输入至该环境光波长预测模型中,即可得到不包括在预设波长范围内的未知波长的光源的波长数据,并将该波长数据作为待检测数据中的环境光的波长数据,根据该环境光的波长数据对待检测数据中的环境光进行滤除,从而减少了近红外光等环境光进入系统内影响到近红外或者红外数据的采集的情况,提高了数据采集的准确性。
第三方面,本申请提供一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:根据预设波长范围的样本光谱数据建立环境光波长预测模型,将终端数据采集器件采集的红外数据或近红外数据作为待检测数据,输入至该环境光波长预测模型中,即可得到不包括在预设波长范围内的未知波长的光源的波长数据,并将该波长数据作为待检测数据中的环境光的波长数据,根据该环境光的波长数据对待检测数据中的环境光进行滤除,从而减少了近红外光等环境光进入系统内影响到近红外或者红外数据的采集的情况,提高了数据采集的准确性。
附图说明
图1是本申请其中一个实施例的环境光滤除方法的流程示意图。
图2是本申请其中一个实施例的环境光波长预测模型的建立方法的流程示意图。
图3是本申请其中一个实施例的环境光滤除系统的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图1-3及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例公开一种环境光滤除方法。
参照图1,一种环境光滤除方法,环境光滤除方法包括:
步骤S101,采集待检测数据;
其中,待检测数据由光电传感器等终端数据采集器件采集得到,可以为红外数据或近红外数据;
步骤S102,将待检测数据输入至预先训练的环境光波长预测模型中,得到待检测数据中环境光的波长数据;其中,环境光波长预测模型根据预设波长范围的样本光谱数据建立,环境光为不包括在预设波长范围内的未知波长的光源;
其中,预设波长范围的样本光谱数据即为已知波长范围的样本光谱数据,当某光源的波长不处于该已知波长范围内,即可判断为可能对数据造成干扰或影响的环境光;
步骤S103,根据环境光的波长数据对待检测数据中的环境光进行滤除。
上述实施方式中,根据预设波长范围的样本光谱数据建立环境光波长预测模型,将终端数据采集器件采集的红外数据或近红外数据作为待检测数据,输入至该环境光波长预测模型中,即可得到不包括在预设波长范围内的未知波长的光源的波长数据,并将该波长数据作为待检测数据中的环境光的波长数据,根据该环境光的波长数据对待检测数据中的环境光进行滤除,从而减少了近红外光等环境光进入系统内影响到近红外或者红外数据的采集的情况,提高了数据采集的准确性。
参照图2,作为步骤S102的一种实施方式,生成预先训练的环境光波长预测模型的具体步骤包括:
步骤S201,采集预设波长范围的样本光谱数据;
步骤S202,将预设波长范围的样本光谱数据分为训练集和测试集;
其中,将预设波长范围的样本光谱数据作为样本集,根据预设划分比例分为训练集和测试集;步骤S203,根据训练集建立环境光波长预测模型并进行训练;
步骤S204,基于测试集对环境光波长预测模型进行测试,并对环境光波长预测模型的参数进行校正,得到预先训练的环境光波长预测模型。
上述实施方式中,将预设波长范围的样本光谱数据划分为训练集和测试集,利用训练集建立环境光波长预测模型并以有监督学习方式进行模型训练,利用测试集进行测试,并通过光谱数据训练对模型参数进行优化校正,即可得到最优的环境光波长预测模型,从而提高了波长预测的准确性。
作为步骤S203的一种实施方式,环境光波长预测模型的建立方法为判别偏最小二乘法;利用偏最小二乘法进行模型分析,比对逐个因变量做多元回归更有效,且分析结果更加可靠,整体性更强,预测精度更高更稳定。
在光谱数据的采集过程中,由于各种噪声信号会对光谱信息产生干扰,使得光谱数据在采集过程中常常会发生光谱偏移或漂移等现象,进而影响预测模型的建立和预测结果的准确性。
因此,为了便于对噪声干扰进行去除,将预设波长范围的样本光谱数据分为训练集和测试集的步骤之后还包括:
对训练集和测试集的光谱数据分别进行光谱预处理。
在本实施例中,作为光谱预处理的一种实施方式,光谱预处理的方法包括平滑处理、归一化处理、导数处理和多元散射校正处理中的一种或多种;
其中,平滑处理是光谱预处理中最常用的一种消除噪音、提高信噪比的方法;归一化处理则能够消除光谱的多余信息,提高模型的稳定性和预测性能;导数处理能够强化光谱特征,获得分辨率和清晰度更高的光谱信息。
在模型构建过程中,优秀的预测模型不仅依赖于严格的数据处理和表达能力强的模型算法,还依赖于获取的样本本身的特性,比如样本数据的精准性、数据特征能否反映样本本身的属性等;通过采用不同的光谱预处理的方法对光谱数据进行优化处理,大大减少了光谱数据中干扰信息和噪声信息对模型的负面影响,增强了样本数据的准确性,提高了预测模型的准确性和可靠性。
作为步骤S204的一种实施方式,基于测试集对环境光波长预测模型进行测试的方法包括:
根据测试集建立测试模型,基于测试模型对环境光波长预测模型的预测能力进行测试;其中,测试模型的测试指标包括但不限于:决定系数R2、交叉验证均方根误差RMSECV、预测均方根误差RMSEP和相对分析误差RPD。
其中,决定系数R2用于评估样本预测值与真实值之间的相关程度,R2越接近于1,则预测值与真实值之间的相关程度越好;决定系数R2的计算公式为:
交叉验证均方根误差RMSECV用于测试模型对训练集样本的预测能力,RMSECV值越小,表明模型的预测能力越强;交叉验证均方根误差RMSECV的计算公式为:
预测均方根误差RMSEP用于评价模型对测试集的预测能力,RMSEP越小,表明模型的泛化能力越高;预测均方根误差RMSEP的计算公式为:
相对分析误差RPD用于评价所建模型的稳定性能,RPD越大,模型稳定性能越好;例如,如果RPD达到1.5左右,模型预测能力较为普通;当RPD大于2.5时,表明模型的预测效果良好,预测精度高;通常当RPD>3时,可用于实际运用;相对分析误差RPD的计算公式为:
上述实施方式中,利用未参加建模的测试集样品对所建模型进行测试,将预测结果与常规测定值进行统计比较,结合多个评价指标对环境光波长预测模型的性能和稳定性进行评价,即可确定预测模型的实际预测能力,从而便于对预测模型进行参数校正,进一步提高了预测结果的准确性。
作为步骤S103的一种实施方式,根据环境光的波长数据对环境光进行滤除的具体步骤包括,
根据环境光的波长数据确定对应的波长滤除范围;
其中,波长滤除范围即为最大波长阈值和最小波长阈值组成的波长范围,可根据预测得到的环境光的波长数据进行确定,所有预测得到的环境光的波长均处于该波长滤除范围内;
根据波长滤除范围对待检测样本中波长滤除范围内对应的波长的光源进行滤除;
其中,在得到波长滤除范围后,可根据该波长滤除范围选择相应的光滤波器,通过光滤波器即可实现对相应波长的环境光的滤除,并保留所需波长的光源。
上述实施方式中,在预测得到环境光的波长数据后,通过设置波长滤除范围,再对该波长滤除范围内对应波长的光源进行滤除,从而即可减少环境光或其他杂波光源对待检测数据的干扰。
本申请实施例还公开一种环境光滤除系统。
参照图3,一种环境光滤除系统,环境光滤除系统包括:
待检测数据采集模块,用于采集待检测数据;
波长数据生成模块,用于将待检测数据输入至预先训练的环境光波长预测模型中,得到待检测数据中环境光的波长数据;其中,环境光波长预测模型根据预设波长范围的样本光谱数据建立,环境光为不包括在预设波长范围内的未知波长的光源;
环境光滤除模块,用于根据环境光的波长数据对待检测数据中的环境光进行滤除。
上述实施方式中,根据预设波长范围的样本光谱数据建立环境光波长预测模型,将终端数据采集器件采集的红外数据或近红外数据作为待检测数据,输入至该环境光波长预测模型中,即可得到不包括在预设波长范围内的未知波长的光源的波长数据,并将该波长数据作为待检测数据中的环境光的波长数据,根据该环境光的波长数据对待检测数据中的环境光进行滤除,从而减少了近红外光等环境光进入系统内影响到近红外或者红外数据的采集的情况,提高了数据采集的准确性。
本申请实施例的环境光滤除系统能够实现上述环境光滤除方法的任一种方法,且环境光滤除系统的具体工作过程可参考上述方法实施例中的对应过程。
在本申请所提供的几个实施例中,应该理解到,所提供的方法和系统,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的;例如,某个模块、单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的连接或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电性、机械或其它的形式的连接。
本申请实施例还公开一种计算机设备。
一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述的环境光滤除方法中任一项的方法。
本申请实施例还公开一种计算机可读存储介质。
一种计算机可读存储介质,存储有能够被处理器加载并执行如上述的环境光滤除方法中任一项方法的计算机程序。
其中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用;计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
需要说明的是,在上述实施例中,对各个实施例的描述各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种环境光滤除方法,其特征在于,所述环境光滤除方法包括:
采集待检测数据;
将所述待检测数据输入至预先训练的环境光波长预测模型中,得到所述待检测数据中环境光的波长数据;其中,所述环境光波长预测模型根据预设波长范围的样本光谱数据建立,所述环境光为不包括在所述预设波长范围内的未知波长的光源;
根据所述环境光的波长数据对所述待检测数据中的环境光进行滤除。
2.根据权利要求1所述的环境光滤除方法,其特征在于,生成所述预先训练的环境光波长预测模型的具体步骤包括:
采集所述预设波长范围的样本光谱数据,将所述预设波长范围的样本光谱数据分为训练集和测试集;
根据所述训练集建立环境光波长预测模型并进行训练;
基于所述测试集对环境光波长预测模型进行测试,并对所述环境光波长预测模型的参数进行校正,得到预先训练的环境光波长预测模型。
3.根据权利要求2所述的环境光滤除方法,其特征在于:所述环境光波长预测模型的建立方法为判别偏最小二乘法。
4.根据权利要求2所述的环境光滤除方法,其特征在于,所述将所述预设波长范围的样本光谱数据分为训练集和测试集的步骤之后还包括:
对所述训练集和测试集的光谱数据分别进行光谱预处理。
5.根据权利要求4所述的环境光滤除方法,其特征在于:所述光谱预处理的方法包括平滑处理、归一化处理、导数处理和多元散射校正处理中的一种或多种。
6.根据权利要求2所述的环境光滤除方法,其特征在于,基于所述测试集对环境光波长预测模型进行测试的方法包括:
根据所述测试集建立测试模型,基于所述测试模型对所述环境光波长预测模型的预测能力进行测试;其中,所述测试指标包括但不限于:决定系数、交叉验证均方根误差、预测均方根误差和相对分析误差。
7.根据权利要求1到6任一所述的环境光滤除方法,其特征在于,所述根据所述环境光的波长数据对所述环境光进行滤除的具体步骤包括,
根据所述环境光的波长数据确定对应的波长滤除范围;
根据所述波长滤除范围对所述待检测样本中所述波长滤除范围内对应的波长的光源进行滤除。
8.一种环境光滤除系统,其特征在于,所述环境光滤除系统包括:
待检测数据采集模块,用于采集待检测数据;
波长数据生成模块,用于将所述待检测数据输入至预先训练的环境光波长预测模型中,得到所述待检测数据中环境光的波长数据;其中,所述环境光波长预测模型根据预设波长范围的样本光谱数据建立,所述环境光为不包括在所述预设波长范围内的未知波长的光源;
环境光滤除模块,用于根据所述环境光的波长数据对所述待检测数据中的环境光进行滤除。
9.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835161.7A CN115266583B (zh) | 2022-07-16 | 2022-07-16 | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210835161.7A CN115266583B (zh) | 2022-07-16 | 2022-07-16 | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115266583A true CN115266583A (zh) | 2022-11-01 |
CN115266583B CN115266583B (zh) | 2023-07-04 |
Family
ID=83765853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210835161.7A Active CN115266583B (zh) | 2022-07-16 | 2022-07-16 | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115266583B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678839A (zh) * | 2023-07-13 | 2023-09-01 | 季华实验室 | 发光材料检测方法、装置、终端设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000338038A (ja) * | 1999-05-28 | 2000-12-08 | Jasco Corp | スペクトルデータ処理方法 |
CN1933769A (zh) * | 2004-02-25 | 2007-03-21 | 内尔科尔普里坦贝内特公司 | 血氧计环境光取消 |
CN105813565A (zh) * | 2014-04-03 | 2016-07-27 | 皇家飞利浦有限公司 | 用于补偿生命体征监测中的非线性效应的监测设备和方法 |
CN106659406A (zh) * | 2014-07-08 | 2017-05-10 | 诺基亚技术有限公司 | 使用环境光收集器监测生物计量参数的装置和方法 |
CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
CN111077079A (zh) * | 2020-01-14 | 2020-04-28 | 深圳市慧大成智能科技有限公司 | 一种生物检测装置 |
-
2022
- 2022-07-16 CN CN202210835161.7A patent/CN115266583B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000338038A (ja) * | 1999-05-28 | 2000-12-08 | Jasco Corp | スペクトルデータ処理方法 |
CN1933769A (zh) * | 2004-02-25 | 2007-03-21 | 内尔科尔普里坦贝内特公司 | 血氧计环境光取消 |
CN105813565A (zh) * | 2014-04-03 | 2016-07-27 | 皇家飞利浦有限公司 | 用于补偿生命体征监测中的非线性效应的监测设备和方法 |
CN106659406A (zh) * | 2014-07-08 | 2017-05-10 | 诺基亚技术有限公司 | 使用环境光收集器监测生物计量参数的装置和方法 |
CN110503156A (zh) * | 2019-08-27 | 2019-11-26 | 黑龙江八一农垦大学 | 一种基于最小相关系数的多变量校正特征波长选择方法 |
CN111077079A (zh) * | 2020-01-14 | 2020-04-28 | 深圳市慧大成智能科技有限公司 | 一种生物检测装置 |
Non-Patent Citations (1)
Title |
---|
杨海清 等: "基于可见-近红外光谱特征波长选择的土壤有机质快速检测研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678839A (zh) * | 2023-07-13 | 2023-09-01 | 季华实验室 | 发光材料检测方法、装置、终端设备以及存储介质 |
CN116678839B (zh) * | 2023-07-13 | 2023-11-10 | 季华实验室 | 发光材料检测方法、装置、终端设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115266583B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110907393B (zh) | 植物盐碱胁迫程度检测方法及装置 | |
US20120098924A1 (en) | Signal spectra detection system | |
CN105628645A (zh) | 一种近红外分析模型的转移方法 | |
CN115266583A (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN115221927A (zh) | 一种紫外-可见光谱的溶解有机碳检测方法 | |
CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
CN105631176A (zh) | 一种基于双树复小波分段直接标准化的模型传递方法 | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN117147532B (zh) | 基于物联网的微型化学发光法氮氧化物气体传感器 | |
CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
CN113297722A (zh) | 滨海土壤盐分评估方法及系统 | |
Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
KR102527149B1 (ko) | 질량 분석 및 기계 학습에 기초한 암 진단에 사용하는 분류 모델 최적화 장치 및 그 방법 | |
CN114118157A (zh) | 一种基于植物电信号的光照信息诊断方法及系统 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
SE544392C2 (en) | Method for determining a gas concentration from a group of sensors | |
CN112545461A (zh) | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 | |
CN117274236B (zh) | 基于高光谱图像的尿液成分异常检测方法及系统 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 | |
CN117934019B (zh) | 一种基于深度学习的铜精矿样品溯源方法及系统 | |
CN113740293B (zh) | 基于近红外建模的尿素检测分析方法及装置 | |
RU2797495C1 (ru) | Способ использования спектроскопических данных для определения органолептических характеристик сигаретного дыма основного потока | |
CN117951508A (zh) | 一种基于物联网的数据质量检测方法及系统 | |
Gao et al. | Combining orthogonal signal correction and wavelet packet transform with partial least squares to analyze overlapping spectra of three kinds of metal ions |
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 |