CN115950846B - 基于光学手段的猪饮用水检测方法及系统 - Google Patents

Abstract

本发明涉及猪饮用水检测技术领域，具体涉及基于光学手段的猪饮用水检测方法及系统。方法包括：根据猪饮用水对应的紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值；利用预设大小的均值滤波窗口在紫外可见光谱曲线上进行遍历，获得拟合点；根据噪声深度估值得到各均值滤波窗口内的噪声干扰程度；根据各拟合点所在的均值滤波窗口内的噪声干扰程度和噪声深度估值，构建引导函数；根据引导函数和紫外可见光谱曲线的包络线对应的包络函数筛选待校正拟合点，确定待校正拟合点的目标拟合值，进而获得目标光谱曲线，基于目标光谱曲线对猪饮用水的水质进行检测。本发明提高了猪饮用水水质的检测精度。

Description

基于光学手段的猪饮用水检测方法及系统

技术领域

本发明涉及猪饮用水检测技术领域，具体涉及基于光学手段的猪饮用水检测方法及系统。

背景技术

水是猪生长过程中所需的七大重要营养物质之一，水不仅在猪体内发生化学反应时起到溶剂作用，而且直接参与机体代谢过程，包括猪对饲料的采食、食糜的输送、养分的消化、吸收、转运、分解与合成以及废物的排泄等，水发挥着极其重要的作用。猪饮水中细菌、PH值、重金属离子、杂质等均有严格的要求，若水质不达标可能会引起动物腹泻、营养吸收障碍和其他多种疾病，因此需要提前对猪饮用水的水质进行检测，判断是否能够正常饮用。

传统的水质检测方法需要具有较好的分子技术经验，在实验室环境下对水样进行多种检测，费时、费力、成本高。现有紫外可见光谱法检测水质参数具有检测速度快、成本低、无二次污染、可实现在线和原位测量等优点，但实测水体的紫外可见吸收光谱数据常因为受水质波动、仪器设备等多因素影响，导致光谱存在噪声和基线漂移问题，基线漂移会使得噪声幅值更偏离真实数据，一般利用传统去噪算法进行预处理时基线漂移的优先级高于噪声处理，所以传统趋势项拟合消除基线漂移的方法是将含有噪声的信号直接作为处理目标，但尽管如此，在利用最小二乘法直接拟合趋势项时还是会受到高频噪声的干扰，导致趋势项拟合过程中存在拟合点失真的问题，进而使得猪饮用水水质的检测精度较低。

发明内容

为了解决现有方法在检测猪饮用水水质时存在的检测精度较低的问题，本发明的目的在于提供一种基于光学手段的猪饮用水检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明提供了一种基于光学手段的猪饮用水检测方法，该方法包括以下步骤：

获取待检测猪饮用水对应的紫外可见光谱曲线；

根据所述紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值；利用预设大小的均值滤波窗口在所述紫外可见光谱曲线上进行遍历，获得各均值滤波窗口内的拟合点；根据所述噪声深度估值，得到各均值滤波窗口内的噪声干扰程度；

根据各拟合点所在的均值滤波窗口内的噪声干扰程度和各拟合点所在的均值滤波窗口内的噪声深度估值，得到各拟合点的引导值，基于所述引导值构建引导函数；获取所述紫外可见光谱曲线的包络线对应的包络函数；根据所述引导函数和所述包络函数，筛选待校正拟合点；

根据待校正拟合点的初始拟合值、引导值和所述紫外可见光谱曲线，确定待校正拟合点的目标拟合值；基于所述目标拟合值获得目标光谱曲线，基于所述目标光谱曲线对待检测猪饮用水的水质进行检测。

第二方面，本发明提供了一种基于光学手段的猪饮用水检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于光学手段的猪饮用水检测方法。

优选的，所述根据所述紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值，包括：

按照所述紫外可见光光谱曲线上极值点从左到右的顺序，每两个极值点构成一个极值点组合，获得多个极值点组合；

对于任一极值点组合：计算极值点组合中两个极值点的曲线值的差值的绝对值，将所述绝对值作为极值点组合中两个极值点的曲线值的差异；将所述差异作为极值点组合对应的噪声深度估值。

优选的，所述根据所述噪声深度估值，得到各均值滤波窗口内的噪声干扰程度，包括：

基于所有极值点组合对应的噪声深度估值构建噪声深度估值集合；计算噪声深度估值集合中所有噪声深度估值出现的概率的方差；基于所述噪声深度估值集合中各噪声深度估值出现的概率，获取对应的概率分布函数；计算概率分布函数的最大值与所述噪声深度估值集合中各类噪声深度估值出现的概率的差值，将所述差值记为概率差值；

对于任一均值滤波窗口：根据噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述方差和所述概率差值，计算均值滤波窗口内的噪声干扰程度，所述方差、所述噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述概率差值均与所述噪声干扰程度呈正相关关系。

优选的，采用如下公式计算各拟合点的引导值：

其中，

为第j个拟合点的引导值，

为第j个拟合点所在的均值滤波窗口内的噪 声干扰程度，

为第j个拟合点所在的均值滤波窗口内的噪声深度估值的方差，

为第j个拟 合点所在的均值滤波窗口内噪声深度估值的数量，

为第j个拟合点所在的均值滤波窗口 内的第k个噪声深度估值，

为第j个拟合点所在的均值滤波窗口内的第k-1个噪声深度 估值，

为自然常数，

为取绝对值符号，

为归一化函数。

优选的，所述根据所述引导函数和所述包络函数，筛选待校正拟合点，包括：

分别对所述引导函数和所述包络函数进行求导，将所述引导函数在各拟合点处的导数值记为第一导数值，将所述包络函数在各拟合点处的导数值记为第二导数值；计算所述第一导数值与所述第二导数值的乘积，将所述乘积记为第一乘积；

若所述第一乘积大于0，则判定对应拟合点为待校正拟合点。

优选的，所述根据待校正拟合点的初始拟合值、引导值和所述紫外可见光谱曲线，确定待校正拟合点的目标拟合值，包括：

对于第a个待校正拟合点：

计算第a个待校正拟合点的引导值与第a个待校正拟合点的初始拟合值的乘积，将所述乘积记为第二乘积；计算所述紫外可见光谱曲线在第a个待校正拟合点处的曲线值与所述第二乘积的差值，将所述差值作为第a个待校正拟合点的目标拟合值。

优选的，所述利用预设大小的均值滤波窗口在所述紫外可见光谱曲线上进行遍历，获得各均值滤波窗口内的拟合点，包括：

对于任一均值滤波窗口：将均值滤波窗口内所有数据的纵坐标的均值作为拟合点的初始拟合值，将均值滤波窗口内所有数据的横坐标的均值作为拟合点的横坐标，基于拟合点的横坐标和所述初始拟合值获得均值滤波窗口内的拟合点。

本发明至少具有如下有益效果：

本发明首先获取了待检测猪饮用水对应的紫外可见光谱曲线，考虑到现有紫外可见光谱法检测水质参数时，水体的紫外可见吸收光谱数据常因受水体波动、仪器设备等多因素影响，导致光谱存在噪声和基线漂移的问题，进而会降低后续待检测猪饮用水水质的检测精度；考虑到当噪声存在时，相邻极值点的纵坐标差异能够在一定程度上表征噪声的波动程度，叠加在光谱曲线上的实际噪声深度值的连续变化趋势应与极值点的纵坐标差异的波动趋势较一致；在低频信号平滑的信号段内，相邻两个实际噪声深度之间对应一个固定的波动，而同位置上两个极值点差值之间也对应一个固定的波动，两个波动一致，那么在此类信号段处相邻极值点的纵坐标差异的分布特征与噪声深度的分布特征一致，因此本发明获取了每个极值点组合对应的噪声深度估值，在基线漂移存在时无法提取噪声以及噪声干扰程度的情况下，利用极值点的波动趋势与噪声波动趋势相近的特点，得到了每个均值滤波窗口内的噪声干扰程度，并构建了引导函数，同时也获取了紫外可见光谱曲线的包络线对应的包络函数，通过包络函数和引导函数筛选待校正拟合点，并对待校正拟合点的初始拟合值进行校正，进而获得目标光谱曲线，消除了基线漂移的问题，目标光谱曲线用于对待检测猪饮用水水质的检测，本发明解决了光谱曲线中基线漂移与幅值较大、分布混乱的局部噪声相互干扰进而导致拟合点失真的问题，当噪声随机性、波动性较大时，本发明提供的方法相较于常规的去基线漂移方法更为灵活，消除效果更为准确，能够有效地提高待检测猪饮用水水质的检测精度。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例所提供的一种基于光学手段的猪饮用水检测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于光学手段的猪饮用水检测方法及系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于光学手段的猪饮用水检测方法及系统的具体方案。

基于光学手段的猪饮用水检测方法实施例：

本实施例提出了基于光学手段的猪饮用水检测方法，如图1所示，本实施例的基于光学手段的猪饮用水检测方法包括以下步骤：

步骤S1，获取待检测猪饮用水对应的紫外可见光谱曲线。

本实施例所针对的具体场景为：在猪的生产养殖过程中，需要提前对猪饮用水的水质进行检测，本实施例将首先获取待检测的猪饮用水对应的紫外可见光谱曲线，现有紫外可见光谱法检测水质参数具有检测速度快、成本低、无二次污染、可实现在线和原位测量等优点，但实测水体的紫外可见吸收光谱数据常因为水体波动、仪器设备等多因素影响，导致光谱存在噪声和基线漂移问题，基线漂移会使得噪声幅值更偏离真实数据，一般利用传统去噪算法进行预处理时基线漂移的优先级高于噪声处理，因此传统趋势项拟合消除基线漂移的方法是将含有噪声的信号直接作为处理目标，但在利用最小二乘法直接拟合趋势项时还是会由于高频噪声的干扰导致趋势项拟合过程中存在拟合点失真的问题，本实施例将优化光谱曲线数据的预处理效果，为后续猪饮用水光谱分析、检测提供真实准确的数据支持。

首先搭建猪场养殖用水水质检测系统，包括紫外可见光传感器、工业计算机控制系统、紫外可见光传感器组件等，对待检测猪饮用水进行检测，获取待检测猪饮用水对应的紫外可见光谱曲线，光谱曲线上不仅存在高频噪声问题，还存在低频干扰导致的基线漂移问题，因此本实施例将优化光谱曲线，以保证后续猪饮用水水质的检测结果的准确度。紫外可见光谱曲线的获取过程为现有技术，此处不再过多赘述。

步骤S2，根据所述紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值；利用预设大小的均值滤波窗口在所述紫外可见光谱曲线上进行遍历，获得各均值滤波窗口内的拟合点；根据所述噪声深度估值，得到各均值滤波窗口内的噪声干扰程度。

当待检测猪饮用水对应的紫外可见光谱曲线存在基线漂移时，在进行光谱分析、FFT分析、相关性分析等时会出现畸变，造成低频出现尖峰，甚至淹没主信号成分，从而严重影响后续待检测猪饮用水水质的检测精度。传统利用中值滤波获取拟合点再进行最小二乘法拟合的方式获取低频趋势项，进而消除基线漂移，但是在光谱仪采集数据过程中光子噪声在光谱曲线上随机分布，在光谱曲线的不同波段内，噪声的分布具有频值、幅值随机的特性，因此实际上拟合点是会受到噪声的影响存在一定偏移的，这就直接影响趋势项拟合函数的准确度，尤其基线漂移处噪声幅值较大、分布较混乱，更容易出现拟合点的偏移，进而导致在去除基线漂移时效果不佳。若光谱曲线上某一波段的噪声幅值较大、分布混乱，且基线漂移较大，那么该部分拟合点可能受到噪声影响存在向上偏离的问题，因此在减去趋势项时有漂移残留问题，基线漂移的去除效果不够平滑，影响后续的去噪效果。

本实施例针对高频噪声在不同波段对拟合值产生的偏移影响进行校正，但存在基线漂移时无法通过噪声幅值对噪声影响进行评估的问题，因此本实施例将通过噪声深度估值的分布特征获取不同信号段的影响程度。由于噪声是叠加在光谱曲线上的，因此相对于噪声而言，光谱曲线为低频信息，获取待检测猪饮用水对应的紫外可见光谱曲线上所有的极值点以及极值点对应的曲线值，由于相邻两个极值点中一个极值点位于光谱曲线的波峰位置，另一个极值点位于光谱曲线的波谷位置，因此本实施例将获取它们的差异，具体的，按照紫外可见光光谱曲线上极值点从左到右的顺序，依次获取多个极值点组合，并对每个极值点组合进行标号，每个极值点组合中有两个极值点，也即第1个极值点组合中的两个极值点分别为待检测猪饮用水对应的紫外可见光谱曲线上的第1个极值点和第2个极值点，第2个极值点组合中的两个极值点分别为待检测猪饮用水对应的紫外可见光谱曲线上的第3个极值点和第4个极值点，第3个极值点组合中的两个极值点分别为待检测猪饮用水对应的紫外可见光谱曲线上的第5个极值点和第6个极值点，以此类推，获得多个极值点组合；需要说明的是，若待检测猪饮用水对应的紫外可见光谱曲线上极值点的总个数为奇数，则舍弃最后一个极值点，也即最后一个极值点不参与极值点组合的构建；对于任一极值点组合：计算该极值点组合中两个极值点的曲线值的差值的绝对值，也即获取了该极值点组合中极值点的曲线值的差异，将该绝对值记为该极值点组合中两个极值点的曲线值的差异；采用上述方法，能够获得每个极值点组合中两个极值点的曲线值的差异。当噪声存在时，相邻极值点的纵坐标差异能够在一定程度上表征噪声的波动程度，叠加在光谱曲线上的实际噪声深度值的连续变化趋势应与极值点的纵坐标差异的波动趋势较一致；在低频信号平滑的信号段内，相邻两个实际噪声深度之间对应一个固定的波动，而同位置上两个极值点差值之间也对应一个固定的波动，两个波动一致，那么在此类信号段处相邻极值点的纵坐标差异的分布特征与噪声深度的分布特征一致。因此，本实施例将每个极值点组合中两个极值点的曲线值的差异记为每个极值点组合对应的噪声深度估值。

设置长度为L的均值滤波窗口，设置均值滤波窗口的滑动步长为10个波长，利用均值滤波窗口在待检测猪饮用水对应的紫外可见光谱曲线上进行滑动，获取多个拟合点；拟合点的具体获取过程为：对于任一均值滤波窗口：将该窗口内所有数据的纵坐标的均值作为拟合点的初始拟合值，初始拟合值为拟合点在光谱曲线上的纵坐标，将该窗口内所有数据的横坐标的均值作为拟合点的横坐标，进而基于拟合点的横坐标和拟合点的纵坐标获得拟合点；采用上述方法，能够获得待检测猪饮用水对应的紫外可见光谱曲线上的多个拟合点，也即对原含噪声的光谱曲线进行初步平滑，得到所有拟合点，然后对拟合点进行连接并获得所有拟合点对应的拟合函数，将拟合函数作为初始趋势项，后续需要对其进行校正。本实施例设置L为21，在具体应用中，实施者可根据具体情况进行设置。

由于噪声深度估值是基于相邻极值点获得的，且实际噪声深度分布特征与噪声深 度估值的分布特征相近，因此可以构建噪声深度值集合并计算其概率分布函数，进而分析 噪声深度分布特征；首先基于每个极值点组合对应的噪声深度估值，按照极值点组合的标 号从小到大的顺序，构建噪声深度估值集合；概率分布函数本质上是连续随机变量的概率 函数的累加，本实施例获取噪声深度估值集合中所有噪声深度估值出现的概率的方差

以 及噪声深度估值集合的概率分布函数F（x），方差的大小决定了分布曲线中心至两端的衰减 速度。概率分布函数的获取过程为现技术，此处不再过多赘述。

每个均值滤波窗口的拟合点的初始拟合值均是由均值滤波窗口内所有数据点的幅值求均所得，在不同的信号段噪声分布不同，因此拟合值受噪声干扰程度不同，本实施例将利用噪声深度估值所得的概率分布函数对每个均值滤波窗口内的噪声干扰程度进行评估，若噪声深度估值集合中所有噪声深度估值的方差较小，则说明噪声的类型较少，局部均值滤波窗口内的噪声组成较相似，噪声干扰较小；若某类噪声深度估值的概率与噪声深度估值集合中噪声深度估值的概率的最大值的差异较小，则说明该类噪声在整个光谱曲线上分布较广泛，此类噪声造成局部拟合点偏离的可能性较小，均值滤波窗口内的噪声干扰程度较小；基于此，本实施例确定每个均值滤波窗口内的噪声干扰程度；具体的，计算概率分布函数的最大值与噪声深度估值集合中各类噪声深度估值出现的概率的差值，将该差值记为概率差值，对于任一均值滤波窗口：根据噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述方差和所述概率差值，计算均值滤波窗口内的噪声干扰程度，所述方差、所述噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述概率差值均与所述噪声干扰程度呈正相关关系；其中，第z个均值滤波窗口内的噪声干扰程度为：

其中，

为第z个均值滤波窗口内的噪声干扰程度，

为噪声深度估值集合中所有 噪声深度估值出现的概率的方差，

为噪声深度估值集合中的第i类噪声深度估值在第z个 均值滤波窗口内出现的次数，

为噪声深度估值集合中噪声深度估值的种类数，

为噪声深 度估值集合中的第i类噪声深度估值出现的概率，

为概率分布函数的最大值。

表示概率差值，用于反映噪声深度估值集合中噪声深度估值的概率的最大 值与第i类噪声深度估值出现的概率的差异；当噪声深度估值集合中噪声深度估值的概率 的最大值与第i类噪声深度估值出现的概率的差异较小时，说明第i类噪声深度估值在整个 光谱曲线上分布较广泛，此类噪声分布对于全局噪声而言普遍存在，此类噪声造成局部拟 合点偏离的概率较小；

用于表征概率分布函数的最大值与第z个局部均值 窗口内所分布的所有噪声深度估值类型的概率的差值之和，其值越小，说明第z个局部均值 窗口内的噪声分布比较均匀；在评估局部均值滤波窗口内的噪声影响时，以噪声深度估值 的方差作为调节项，方差越小，则代表噪声类型越少，局部均值滤波窗口内的噪声组成越相 似，噪声干扰越小。当概率分布函数的最大值与第z个均值滤波窗口内所分布的所有噪声深 度估值类型的概率的差值越小、噪声深度估值集合中所有噪声深度估值的方差越小时，说 明第z个均值滤波窗口内的噪声干扰程度越小。

至此，采用上述方法，能够得到每个均值滤波窗口内的噪声干扰程度。

步骤S3，根据各拟合点所在的均值滤波窗口内的噪声干扰程度和各拟合点所在的均值滤波窗口内的噪声深度估值，得到各拟合点的引导值，基于所述引导值构建引导函数；获取所述紫外可见光谱曲线的包络线对应的包络函数；根据所述引导函数和所述包络函数，筛选待校正拟合点。

考虑到拟合点所在的均值滤波窗口内的噪声深度估值的方差和拟合点所在的均值滤波窗口内相邻噪声深度估值的差异均能够反映均值滤波窗口内的噪声深度估值的波动程度，当某一拟合点所在的均值滤波窗口内的噪声深度估值的方差越大，说明该拟合点所在的均值滤波窗口内的噪声深度估值的波动程度越大；拟合点所在的均值滤波窗口内的噪声干扰程度越大，说明拟合点的初始拟合值被噪声信号的影响程度越大，拟合点会更偏向高频噪声特征而非低频趋势特征；基于此，本实施例将根据每个拟合点所在的均值滤波窗口内的噪声深度估值的方差和均值滤波窗口内相邻噪声深度估值的差异，获取波动系数，再结合每个拟合点所在的均值滤波窗口内的噪声干扰程度，确定每个拟合点的引导值；第j个拟合点的引导值为：

其中，

为第j个拟合点的引导值，

为第j个拟合点所在的均值滤波窗口内的噪 声干扰程度，

为第j个拟合点所在的均值滤波窗口内的噪声深度估值的方差，

为第j个拟 合点所在的均值滤波窗口内噪声深度估值的数量，

为第j个拟合点所在的均值滤波窗口 内的第k个噪声深度估值，

为第j个拟合点所在的均值滤波窗口内的第k-1个噪声深度 估值，

为自然常数，

为取绝对值符号，

为归一化函数。

表征第j个拟合点所在的均值滤波窗口内第k个噪声深度估值与第k-1 个噪声深度估值的差异，该差异用于反映噪声深度估值的波动情况，

表征第j 个拟合点所在的均值滤波窗口内的噪声深度估值连续波动累加值，该累加值越小且第j个 拟合点所在的均值滤波窗口内的噪声深度估值的方差越小，代表第j个拟合点所在的均值 滤波窗口内的噪声波动越小；

为利用负指数函数进行反比例归一化，将

作为波动系数，

为第z个拟合点所在的均值 滤波窗口内噪声干扰程度和波动系数的欧式范数，欧式范数越大，拟合值越需要校正为更 小值，因此将

作为第j个拟合点的引导值。

采用上述方法，能够获得待检测猪饮用水对应的紫外可见光谱曲线上每个拟合点 的引导值；一个拟合点对应一个引导值，因此基于待检测猪饮用水对应的紫外可见光谱曲 线上所有拟合点的引导值拟合得到一个引导函数

。本实施例中波动系数的构建是根据 均值滤波窗口内整体波动与连续波动共同评估均值滤波窗口内拟合点的偏移影响，结合波 动系数和干扰程度共同构建引导函数，其作用是对可能存在偏移的拟合点进行校正，能够 有效地提高后续猪饮用水水质检测结果的准确精度。

考虑到待检测猪饮用水对应的紫外可见光谱曲线上不是所有的拟合点的初始拟 合值都需要进行校正，本实施例获取待检测猪饮用水对应的紫外可见光谱曲线的包络线， 包络线是由多个包络点连接而成的，将包络点的曲线值记为包络点的包络值，基于包络线 上所有包络线的包络值拟合得到包络函数

；包络线的获取方法为现有技术，此处不再过 多赘述；包络函数能够描述连续信号的相邻峰值点的差值变化情况，当差值变化较小时，几 乎不存在拟合点偏移；当差值变化较大时，容易出现拟合点偏移的情况；以包络线为验证曲 线，结合每个拟合点的引导值，对每个拟合点是否需要校正的问题进行验证；分别对引导函 数

和包络函数

进行求导，由于包络函数为整个信号曲线峰值点的变化趋势，若某段 信号中的峰值点的变化趋势较大，其对应的引导值反而较低，代表该段信号之所以呈现较 高的变化趋势，并非是由于该段信号处噪声干扰和波动较大导致的，而是该段信号本就具 有较高的变化趋势，此时不需要对拟合点的初始拟合值进行校正；反之，若某段信号对应的 包络函数值较大，且该段信号上的拟合点的值也较大，说明该段信号是由于噪声干扰较大 进而导致信号值较高，因此需要对该段信号上的拟合点的初始拟合值进行校正处理。基于 此，将引导函数在第j个拟合点处的导数值

记为第一导数值，将包络函数在第j个拟合点 处的导数值

记为第二导数值，计算

与

的乘积，并记为第一乘积，当第一乘积大于 0时，代表包络函数在第j个拟合点处的波动与引导值变化一致，判定第j个拟合点的初始拟 合值需要进行校正，并将该拟合点记为待校正拟合点；当第一乘积小于等于0时，判定第j个 拟合点的初始拟合值不需要进行校正。采用上述方法，能够对每个拟合点是否需要校正进 行判断，获得多个待校正拟合点。

步骤S4，根据待校正拟合点的初始拟合值、引导值和所述紫外可见光谱曲线，确定待校正拟合点的目标拟合值；基于所述目标拟合值获得目标光谱曲线，基于所述目标光谱曲线对待检测猪饮用水的水质进行检测。

本实施例在步骤S3中对拟合点进行了筛选，筛选出了待校正拟合点，接下来本实施例将利用引导函数对待校正拟合点的初始拟合值进行校正，获得待校正拟合点的目标拟合值，进而得到新的趋势项曲线，再用原含噪声的光谱信号减去趋势项曲线，消除基线漂移，对于第a个待校正拟合点，计算第a个待校正拟合点的引导值与第a个待校正拟合点的初始拟合值的乘积，将所述乘积记为第二乘积，计算紫外可见光谱曲线在第a个待校正拟合点处的曲线值与第二乘积的差值，将该差值作为第a个待校正拟合点的目标拟合值；第a个待校正拟合点的目标拟合值的具体计算公式为：

其中，

为第a个待校正拟合点的目标拟合值，

为紫外可见光谱曲线在第a个待 校正拟合点处的曲线值，

为第a个待校正拟合点的引导值，

为第a个待校正拟合点的 初始拟合值。

用于表征校正后的趋势项，

为紫外可见光谱曲线在第a个待校 正拟合点处的曲线值减去校正后的趋势项，得到消除基线漂移后的第a个待校正拟合点的 目标拟合值。

采用上述方法，能够获得每个待校正拟合点的目标拟合值，利用目标拟合值替换初始拟合值，也即获得了每个拟合点最终的拟合值，基于每个拟合点的最终的拟合值重新拟合一条曲线，作为目标光谱曲线，目标光谱曲线消除了基线漂移，解决了主信号成分被淹没的问题，光谱曲线的真实度大幅提高；接下来本实施例对消除基线漂移后的目标光谱曲线进行小波去噪，消除噪声，获得去噪后的目标光谱曲线，小波去噪为现有技术，此处不再过多赘述。

利用去噪后的目标光谱曲线进行后续猪饮水水质细菌含量、金属离子、浑浊度等检测，实际检测过程涉及生物、物理、化学等多个领域，且检测手段为现有技术，因此本实施例不再过多赘述，本实施例的目的在于对水质光谱检测过程中检测数据预处理模块的优化，以保证后续水质检测结果的可信度。

本实施例首先获取了待检测猪饮用水对应的紫外可见光谱曲线，考虑到现有紫外可见光谱法检测水质参数时，水体的紫外可见吸收光谱数据常因受水体波动、仪器设备等多因素影响，导致光谱存在噪声和基线漂移的问题，进而会降低后续待检测猪饮用水水质的检测精度；考虑到当噪声存在时，相邻极值点的纵坐标差异能够在一定程度上表征噪声的波动程度，叠加在光谱曲线上的实际噪声深度值的连续变化趋势应与极值点的纵坐标差异的波动趋势较一致；在低频信号平滑的信号段内，相邻两个实际噪声深度之间对应一个固定的波动，而同位置上两个极值点差值之间也对应一个固定的波动，两个波动一致，那么在此类信号段处相邻极值点的纵坐标差异的分布特征与噪声深度的分布特征一致，因此本实施例获取了每个极值点组合对应的噪声深度估值，在基线漂移存在时无法提取噪声以及噪声干扰程度的情况下，利用极值点的波动趋势与噪声波动趋势相近的特点，得到了每个均值滤波窗口内的噪声干扰程度，并构建了引导函数，同时也获取了紫外可见光谱曲线的包络线对应的包络函数，通过包络函数和引导函数筛选待校正拟合点，并对待校正拟合点的初始拟合值进行校正，进而获得目标光谱曲线，消除了基线漂移的问题，目标光谱曲线用于对待检测猪饮用水水质的检测，本实施例解决了光谱曲线中基线漂移与幅值较大、分布混乱的局部噪声相互干扰进而导致拟合点失真的问题，当噪声随机性、波动性较大时，本实施例提供的方法相较于常规的去基线漂移方法更为灵活，消除效果更为准确，能够有效地提高待检测猪饮用水水质的检测精度。

基于光学手段的猪饮用水检测系统实施例：

本实施例基于光学手段的猪饮用水检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于光学手段的猪饮用水检测方法。

由于基于光学手段的猪饮用水检测方法已经在基于光学手段的猪饮用水检测方法实施例中进行了说明，所以本实施例不再对基于光学手段的猪饮用水检测方法进行赘述。

Claims (2)

1.一种基于光学手段的猪饮用水检测方法，其特征在于，该方法包括以下步骤：

获取待检测猪饮用水对应的紫外可见光谱曲线；

根据所述紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值；利用预设大小的均值滤波窗口在所述紫外可见光谱曲线上进行遍历，获得各均值滤波窗口内的拟合点；根据所述噪声深度估值，得到各均值滤波窗口内的噪声干扰程度；

根据各拟合点所在的均值滤波窗口内的噪声干扰程度和各拟合点所在的均值滤波窗口内的噪声深度估值，得到各拟合点的引导值，基于所述引导值构建引导函数；获取所述紫外可见光谱曲线的包络线对应的包络函数；根据所述引导函数和所述包络函数，筛选待校正拟合点；

根据待校正拟合点的初始拟合值、引导值和所述紫外可见光谱曲线，确定待校正拟合点的目标拟合值；基于所述目标拟合值获得目标光谱曲线，基于所述目标光谱曲线对待检测猪饮用水的水质进行检测；

所述根据所述紫外可见光谱曲线上的极值点，得到各极值点组合对应的噪声深度估值，包括：

按照所述紫外可见光光谱曲线上极值点从左到右的顺序，每两个极值点构成一个极值点组合，获得多个极值点组合；

对于任一极值点组合：计算极值点组合中两个极值点的曲线值的差值的绝对值，将所述绝对值作为极值点组合中两个极值点的曲线值的差异；将所述差异作为极值点组合对应的噪声深度估值；

所述根据所述噪声深度估值，得到各均值滤波窗口内的噪声干扰程度，包括：

基于所有极值点组合对应的噪声深度估值构建噪声深度估值集合；计算噪声深度估值集合中所有噪声深度估值出现的概率的方差；基于所述噪声深度估值集合中各噪声深度估值出现的概率，获取对应的概率分布函数；计算概率分布函数的最大值与所述噪声深度估值集合中各类噪声深度估值出现的概率的差值，将所述差值记为概率差值；

对于任一均值滤波窗口：根据噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述方差和所述概率差值，计算均值滤波窗口内的噪声干扰程度，所述方差、所述噪声深度估值集合中各类噪声深度估值在均值滤波窗口内出现的次数、所述概率差值均与所述噪声干扰程度呈正相关关系；

第z个均值滤波窗口内的噪声干扰程度为：

其中，

为第z个均值滤波窗口内的噪声干扰程度，

为噪声深度估值集合中所有噪声深度估值出现的概率的方差，

为噪声深度估值集合中的第i类噪声深度估值在第z个均值滤波窗口内出现的次数，

为噪声深度估值集合中噪声深度估值的种类数，

为噪声深度估值集合中的第i类噪声深度估值出现的概率，

为概率分布函数的最大值；

采用如下公式计算各拟合点的引导值：

其中，

为第j个拟合点的引导值，

为第j个拟合点所在的均值滤波窗口内的噪声干扰程度，

为第j个拟合点所在的均值滤波窗口内的噪声深度估值的方差，

为第j个拟合点所在的均值滤波窗口内噪声深度估值的数量，

为第j个拟合点所在的均值滤波窗口内的第k个噪声深度估值，

为第j个拟合点所在的均值滤波窗口内的第k-1个噪声深度估值，

为自然常数，

为取绝对值符号，

为归一化函数；

所述根据所述引导函数和所述包络函数，筛选待校正拟合点，包括：

分别对所述引导函数和所述包络函数进行求导，将所述引导函数在各拟合点处的导数值记为第一导数值，将所述包络函数在各拟合点处的导数值记为第二导数值；计算所述第一导数值与所述第二导数值的乘积，将所述乘积记为第一乘积；

若所述第一乘积大于0，则判定对应拟合点为待校正拟合点；

所述根据待校正拟合点的初始拟合值、引导值和所述紫外可见光谱曲线，确定待校正拟合点的目标拟合值，包括：

对于第a个待校正拟合点：

计算第a个待校正拟合点的引导值与第a个待校正拟合点的初始拟合值的乘积，将所述乘积记为第二乘积；计算所述紫外可见光谱曲线在第a个待校正拟合点处的曲线值与所述第二乘积的差值，将所述差值作为第a个待校正拟合点的目标拟合值；

所述利用预设大小的均值滤波窗口在所述紫外可见光谱曲线上进行遍历，获得各均值滤波窗口内的拟合点，包括：

对于任一均值滤波窗口：将均值滤波窗口内所有数据的纵坐标的均值作为拟合点的初始拟合值，将均值滤波窗口内所有数据的横坐标的均值作为拟合点的横坐标，基于拟合点的横坐标和所述初始拟合值获得均值滤波窗口内的拟合点。

2.一种基于光学手段的猪饮用水检测系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1所述的基于光学手段的猪饮用水检测方法。

Images