CN116399850A - 一种用于光信号处理的光谱探测识别系统及其探测方法 - Google Patents
一种用于光信号处理的光谱探测识别系统及其探测方法 Download PDFInfo
- Publication number
- CN116399850A CN116399850A CN202310627810.9A CN202310627810A CN116399850A CN 116399850 A CN116399850 A CN 116399850A CN 202310627810 A CN202310627810 A CN 202310627810A CN 116399850 A CN116399850 A CN 116399850A
- Authority
- CN
- China
- Prior art keywords
- sample
- raman spectrum
- detected
- spectrum signal
- module
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title description 2
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 36
- 239000000126 substance Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 22
- 238000003909 pattern recognition Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000001237 Raman spectrum Methods 0.000 claims description 101
- 230000006870 function Effects 0.000 claims description 46
- 238000012937 correction Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000003746 surface roughness Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010813 internal standard method Methods 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 45
- 230000000694 effects Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明提出了一种用于光信号处理的光谱探测识别系统及其探测方法，属于光学探测技术领域。其中，方法包括通过拉曼光谱仪对待测样品产生的光信号进行非接触式的光谱采集，获取到待测样品产生的光信号，数据预处理单元对获取到的所述待测样品产生的光信号进行预处理，获取预处理后的光信号，针对经过预处理的光信号进行特征提取和模式识别处理，将所述物质成分分析结果输出给用户；此方法对应的系统包括光谱采集模块、信号预处理模块和获得结果模块；通过此方法和系统，可以解决对光信号进行分析和鉴定时的因为外部环境干扰或光线损失等，使得探测结果不够准确的问题。
Description
技术领域
本发明提出了一种用于光信号处理的光谱探测识别系统及其探测方法，属于光学探测技术领域。
背景技术
在很多领域，例如化学、生物、材料和工业等领域中，需要对物质成分、结构和特性等信息进行分析和鉴定。传统的化学分析方法需要取得样品并进行破坏性处理，然而在许多场景下这种方式并不切实际或者容易造成损失。
因此，通过利用光谱探测识别系统和其探测方法，可以直接对样品进行非破坏性的检测，并通过测量样品在不同波长下对光的吸收、散射或发射等特性来推断其成分、结构或形态等信息。与传统征集方法相比，它具有更快的响应速度、更低的检测限制和更好的精度和可靠性，因此在许多领域中被广泛采用。但目前的光谱探测识别系统因为外部环境干扰或光线损失等问题，使得探测结果不够准确。
发明内容
本发明提供了一种用于光信号处理的光谱探测识别系统及其探测方法，用以解决对光信号进行分析和鉴定时的因为外部环境干扰或光线损失等，使得探测结果不够准确的问题。
本发明提出的一种用于光信号处理的光谱探测识别系统的探测方法，其特征在于，所述方法包括：
S1：通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号；
S11：将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度；
S12：通过光纤将激光光束传输至预先放好样品的光学样品室；
S13：所述待测样品吸收和反射光线，所述光线进入拉曼光谱仪中；
S14：所述拉曼光谱仪采集待测样品的拉曼光谱信号并将所述待测样品的拉曼光谱信号传送给数据预处理单元进行数据预处理；
S2：数据预处理单元对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号；
S3：对经过预处理的光信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户。
进一步的，将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度，根据模型Score1 =α*(n/nc)+β*(ρ/ρc)+γ*（R/ Rc）设置激光光束参数，其中，Score1是用于评估物体表面的光学性质的综合参数，α、β和γ为权重系数，α=0.6，β=0.2，γ=0.2，n为折射率，nc为折射率常量，nc=2，ρ为密度，ρc为密度常量，ρc=2g/cm³，R为表面粗糙度，Rc为表面粗糙度常量，Rc =1μm；
当Score1≥0.6时，激光光束波长设置为1064nm，激光入射角度采用斜向入射式；
当0.3≤Score1<0.6时，激光光束波长设置为830nm，激光入射角度采用直接入射式;
当Score1<0.3时，激光光束波长设置为532nm，激光入射角度采用直接入射式。
进一步的，数据预处理单元对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号，包括：
采用小波变换法对所述待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号；
采用基于多项式拟和模型的基线去除方法对所述降噪后的待测样品的拉曼光谱信号进行背景去除得到背景去除后的待测样品的拉曼光谱信号；
采用内标法对所述背景去除后的待测样品的拉曼光谱信号进行波长校正得到波长校正后的待测样品的拉曼光谱信号；
采用低通滤波器法对所述波长校正后的待测样品的拉曼光谱信号分离杂散波。
进一步的，采用小波变换法对所述待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号，对小波变换进行改进和优化设计的小波基函数，该小波基函数结合高斯函数和拉普拉斯函数，
其中，t 表示自变量，用于描述小波基函数在不同时间上的取值情况，Ψa,b(t)是小波基函数，a和b分别表示尺度和平移参数，c是常量，控制小波基函数的频率,α 是常量，决定拉普拉斯函数的贡献程度，通过调节c和α的值，适应不同频率和尺度上的待测样品的拉曼光谱信号，进而实现对所述待测样品的拉曼光谱信号的多尺度分析和处理。
进一步的，对经过预处理的光信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户，包括：
获得预处理后的待测样品的拉曼光谱信号之后，对所述预处理后的待测样品的拉曼光谱信号采用主成分分析进行特征提取，将提取到的特征转化为特征向量；
在得到所述特征向量之后，对所述特征向量进行模式识别处理，并输出相应的物质成分分析结果；
将所述物质成分分析结果输出给用户。
本发明提出的一种用于光信号处理的光谱探测识别系统，所述系统包括：
光谱采集模块，通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号；
调整激光参数模块，将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度；
传输激光模块，通过光纤将激光光束传输至预先放好样品的光学样品室；
光线进入光谱仪模块，所述待测样品吸收和反射光线，所述光线进入拉曼光谱仪中；
传送光谱信号模块，所述拉曼光谱仪采集所述待测样品的拉曼光谱信号并将所述待测样品的拉曼光谱信号传送给数据预处理单元进行数据预处理；
信号预处理模块，对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号；
获得结果模块，对经过预处理的待测样品的拉曼光谱信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户。
进一步的，所述信号预处理模块包括：
降噪模块，采用小波变换法对待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号；
改进小波变换模块，对小波变换进行改进和优化设计小波基函数，该小波基函数结合高斯函数和拉普拉斯函数，
其中，t 表示自变量，用于描述小波基函数在不同时间上的取值情况，Ψa,b(t)是小波基函数，a和b分别表示尺度和平移参数，c是常量，控制小波基函数的频率,α 是常量，决定拉普拉斯函数的贡献程度，通过调节c和α的值，适应不同频率和尺度上的光谱信号，进而实现对待测样品的拉曼光谱信号的多尺度分析和处理；
背景去除模块，采用基于多项式拟和模型的基线去除方法对所述降噪后的待测样品的拉曼光谱信号进行背景去除得到背景去除后的待测样品的拉曼光谱信号；
波长校正模块，采用内标法对所述背景去除后的待测样品的拉曼光谱信号进行波长校正得到波长校正后的待测样品的拉曼光谱信号；
杂散波分离模块，采用低通滤波器法对所述波长校正后的待测样品的拉曼光谱信号分离杂散波。
进一步的，所述获得结果模块包括：
特征提取模块，获得预处理后的拉曼光谱信号之后，对所述预处理后的拉曼光谱信号采用主成分分析进行特征提取，将提取到的特征转化为特征向量；
模式识别模块，在得到所述特征向量之后，对所述特征向量进行模式识别处理，并输出相应的物质成分分析结果；
结果输出模块，将所述物质成分分析结果输出给用户
本发明有益效果：可根据待测样品的密度、光滑度和折射率，自动选择适合的激光光束波长和入射角度，以获得更好的待测样品的拉曼光谱信号的质量。通过权重系数和常量的设置，可以提高对各项物理参数的考虑程度，并在不同情况下给出不同的实验方案，增强了本系统的鲁棒性，具体来说，在样品密度、光滑度和折射率不同时，该方法可以根据Score1值的大小，智能地选择1064nm、830nm或532nm三种激光光源，并确定最佳的入射角度。这样做可以最大限度地提高拉曼光谱信号的强度和精确度，并优化实验结果；
附图说明
图1为所述一种用于光信号处理的光谱探测识别系统的探测方法示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明的一个实施例，如图1所述，一种用于光信号处理的光谱探测识别系统的探测方法包括：
通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号；
数据预处理单元对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号；
对经过预处理的待测样品的拉曼光谱信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户。
上述技术方案的原理及效果为：该方案采用拉曼光谱仪进行非接触式的光谱采集，避免了与样品接触或破坏造成的干扰和误差，相对于传统光谱测量方法，这种非接触式的采集方式具有更高的精度和可重复性，该方案引入数据预处理单元对光信号进行降噪、背景去除、波长校正等处理，有效地消除了噪声和干扰因素对实验结果的影响，提高了信号质量和准确性，该方案针对预处理后的光信号进行特征提取和模式识别处理，实现了对物质成分的分析和识别，通过选择合适的特征参数和机器学习算法，在一定程度上提高了分析结果的准确性和可靠性。
本发明的一个实施例，通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号，包括：
将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度；
通过光纤将激光光束传输至预先放好样品的光学样品室；
所述待测样品吸收和反射光线，所述光线进入拉曼光谱仪中；
所述拉曼光谱仪采集待测样品的拉曼光谱信号并将所述待测样品的拉曼光谱信号传送给数据预处理单元进行数据预处理。
上述技术方案的原理及效果为：该方案通过光纤将激光光束传输至预先放置好的样品区域，避免了与样品接触或破坏造成的干扰和误差，相对于传统方法，这种非接触式的采集方式更加精准和可靠；该方案适用于不同形状、大小、材质的样品，可以用于药物分析、化学反应、生物医学等多种领域的研究。同时，通过合理设置激光光束参数，还能够针对不同样品类型进行优化和调节；拉曼光谱仪可以通过检测样品所产生的拉曼散射光，获取到极小的样品成分信息，包括离子、分子和晶格振动等多种信号。这种高灵敏度的特点为材料科学和化学分析提供了重要的手段；该方案对样品进行快速的光谱采集和分析，可以在几秒钟内获得完整的光谱信息，并通过数据预处理单元进行降噪、去背景等处理，进一步提高了分析速度和准确性。
本发明的一个实施例，将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度，激光光束设置规则如下：
Score1 =α*(n/nc)+β*(ρ/ρc)+γ*（R/ Rc）
α、β和γ为权重系数，α=0.6，β=0.2，γ=0.2，n为折射率，nc为折射率常量，nc=2，ρ为密度，ρc为密度常量，ρc=2g/cm³，R为表面粗糙度，Rc为表面粗糙度常量，Rc=1μm。
当Score1≥0.6时，激光光束波长设置为1064nm，激光入射角度采用斜向入射式；
当0.3≤Score1<0.6时，激光光束波长设置为830nm，激光入射角度采用直接入射式;
当Score1<0.3时，激光光束波长设置为532nm，激光入射角度采用直接入射式。
上述技术方案的原理及效果为：由于待测样品密度、折射度和表面粗糙度有较大差别，使用固定波长和入射角度的激光可能无法获得足够强度的拉曼信号，或者信号强度差异较大，从而影响数据质量和准确性，由于固定波长和入射角度的激光可能无法充分利用样品中的拉曼信号，因此需要增加激光功率以提高信号强度，从而增加了能耗和成本。综上所述，为了保证实验结果的准确性和可靠性，在进行拉曼光谱采集时应根据具体样品的物理特性和光学性质选择最适合的波长和入射角度，以获得最佳的拉曼信号强度和质量，并提高实验效率和能耗效率，又由于在设置权重系数时，需要考虑到每个参数对于最终得分的贡献程度。因为在检测样品中，折射率对光散射影响最大，那么α的值就应该设置越大，以强调折射率的作用，又因为密度和表面粗糙度对于检测结果的影响没那么大，所以β和γ设置的较小。
本技术方案可以根据待测样品的密度、折射率和表面粗糙度，自动选择适合的激光光束波长和入射角度，以获得更好的拉曼光谱信号质量。通过权重系数和常量的设置，可以提高对各项物理参数的考虑程度，并在不同情况下给出不同的激光光源和入射方式，具体来说，当Score1大于等于0.6时，使用波长为1064nm的激光并采用斜向入射式；当Score1在0.3到0.6之间时，使用波长为830nm的激光并采用直接入射式；当Score1小于0.3时，使用波长为532nm的激光并采用直接入射式。这种方法可以最大限度地提高拉曼光谱信号的强度和精确度，并优化实验结果。
本发明的一个实施例，采用小波变换法对待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号；
采用基于多项式拟和模型的基线去除方法对所述降噪后的待测样品的拉曼光谱信号进行背景去除得到背景去除后的待测样品的拉曼光谱信号；
采用内标法对所述背景去除后的待测样品的拉曼光谱信号进行波长校正得到波长校正后的待测样品的拉曼光谱信号；
采用低通滤波器法对所述波长校正后的待测样品的拉曼光谱信号分离杂散波。
上述技术方案的原理及效果为：小波变换是一种时间-频率分析方法，能够将待测样品的拉曼光谱信号转化为时频域信息，并在不损失重要信息的前提下去除噪声。因此，该方法可以用于对待测样品的拉曼光谱信号进行降噪以提高信噪比和减少误差，待测样品的拉曼光谱信号中常常存在背景信号或基线干扰，这会影响到光谱峰的识别和定量分析。采用基于多项式拟和模型的基线去除方法可以在保留主体峰信息的同时，消除光谱背景和基线干扰，从而提高数据质量和可靠性，内标法是一种使用已知物质作为参照标准，通过其吸收峰位置确定未知物质吸收峰位置的方法。利用内标法可以对背景去除后的待测样品的拉曼光谱信号进行波长校正，使其更加准确地反映样品的光学特性，避免光谱偏移和误差，待测样品的拉曼光谱信号中常常存在着杂乱的高频噪声，这会影响到信号的精度和质量。采用低通滤波器可以过滤掉高频杂波，保留主要信号信息，从而提高数据质量和可靠性。因此，该方法可以用于对波长校正后的待测样品的拉曼光谱信号进行去噪处理，使其更加准确地反映样品的特征信号。
本发明的一个实施例，小波变换是一种多尺度分析方法，可以将信号分解成不同频率和尺度上的子信号，并对其进行重构和处理。一般而言，小波变换的数学形式可以表示为：
W(a,b)表示经过小波变换后得到的系数矩阵，X(t)表示原始信号，Ψa,b(t)是小波基函数，
采用小波变换法对待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号，对小波变换进行改进和优化设计小波基函数，该小波基函数结合高斯函数和拉普拉斯函数，
其中，t 表示自变量，用于描述小波基函数在不同时间（或位置）上的取值情况，Ψa,b(t)是小波基函数，a和b分别表示尺度和平移参数，c是常量，控制小波基函数的频率,α是常量，决定拉普拉斯函数的贡献程度。通过调节c和α的值，可以适应不同频率和尺度上的光谱信号，从而实现对待测样品的拉曼光谱信号的多尺度分析和处理。
该小波基函数在时间和频率领域均呈现出较好的局部特性，因此在处理非平稳信号时可能会有更好的效果。除此之外，该小波基函数还可以通过调节自由参数c和α来达到不同的时间-频率分辨率和抑制噪声的效果。
通常情况下，该小波基函数需要与其他小波基函数进行组合使用，以实现对不同信号类型和特征的分析和处理。例如，在小波变换中，可以采用类似于 Mallat 算法的方式，通过不断迭代分解和重构过程，将原始信号分解为多个尺度和频带上的小波系数。同时，在实际应用中，该小波基函数需要根据不同数据和问题进行调整和优化，以实现最佳的分析效果和应用价值，总的来说，该公式作为一种新型的小波基函数形式，在科学研究和工程应用中可能会有更加广泛和深入的探索和应用。
本发明的一个实施例，对经过预处理的光信号进行特征提取和模式识别处理，对经过预处理的光信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户，包括：
获得预处理后的拉曼光谱信号之后，对所述预处理后的拉曼光谱信号采用主成分分析进行特征提取，将提取到的特征转化为特征向量；
在得到所述特征向量之后，对所述特征向量进行模式识别处理，并输出相应的物质成分分析结果；
将所述物质成分分析结果输出给用户。
上述技术方案的原理及效果为： 这个技术方案的原理是基于主成分分析和模式识别的方法对预处理后的拉曼光谱信号进行特征提取和物质成分分析。主成分分析可以对高维数据进行降维处理，提取数据的关键特征，并将其转化为相应的特征向量。在得到特征向量之后，可以采用模式识别算法进行分类和识别，从而判断样品成分和测定含量等信息，具体来说，该技术方案通过主成分分析对预处理后的拉曼光谱信号进行特征提取，得到相应的特征向量。然后，利用经过训练的模式识别算法，可以将这些特征向量映射到相应的物质成分空间中，从而实现物质成分的分类和识别。最终，根据模式识别算法的输出结果，可以判断样品成分和测定含量等信息，并将其输出给用户，该技术方案的优点在于能够快速、准确地对样品成分进行分析和识别，且不受样品形态和组成的限制。同时，由于采用了主成分分析和模式识别的方法，可以去除光谱背景干扰和噪声干扰，提高数据处理和分析的效率和准确性。该技术方案适用于化学、生物、医药等多个领域，在实际应用中具有广泛的应用前景。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种用于光信号处理的光谱探测识别系统的探测方法，其特征在于，所述方法包括：
S1：通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号；
S11：将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度，根据模型Score1 =α*(n/nc)+β*(ρ/ρc)+γ*（R/ Rc）设置激光光束参数，其中，Score1是用于评估物体表面的光学性质的综合参数，α、β和γ为权重系数，α=0.6，β=0.2，γ=0.2，n为折射率，nc为折射率常量，nc=2，ρ为密度，ρc为密度常量，ρc=2g/cm³，R为表面粗糙度，Rc为表面粗糙度常量，Rc =1μm；
当Score1≥0.6时，激光光束波长设置为1064nm，激光入射角度采用斜向入射式；
当0.3≤Score1<0.6时，激光光束波长设置为830nm，激光入射角度采用直接入射式;
当Score1<0.3时，激光光束波长设置为532nm，激光入射角度采用直接入射式；
S12：通过光纤将激光光束传输至预先放好样品的光学样品室；
S13：所述待测样品吸收和反射光线，所述光线进入拉曼光谱仪中；
S14：所述拉曼光谱仪采集待测样品的拉曼光谱信号并将所述待测样品的拉曼光谱信号传送给数据预处理单元进行数据预处理；
S2:数据预处理单元对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号；
S21：采用小波变换法对所述待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号，对小波变换进行改进和优化设计小波基函数，该小波基函数结合高斯函数和拉普拉斯函数，
其中，t 表示自变量，用于描述小波基函数在不同时间上的取值情况，Ψa,b(t)是小波基函数，a和b分别表示尺度和平移参数，c是常量，控制小波基函数的频率,α 是常量，决定拉普拉斯函数的贡献程度，通过调节c和α的值，适应不同频率和尺度上的待测样品的拉曼光谱信号，进而实现对所述待测样品的拉曼光谱信号的多尺度分析和处理；
S22：采用基于多项式拟和模型的基线去除方法对所述降噪后的待测样品的拉曼光谱信号进行背景去除得到背景去除后的待测样品的拉曼光谱信号；
S23：采用内标法对所述背景去除后的待测样品的拉曼光谱信号进行波长校正得到波长校正后的待测样品的拉曼光谱信号；
S24：采用低通滤波器法对所述波长校正后的待测样品的拉曼光谱信号分离杂散波；
S3：对经过预处理的光信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户。
2.根据权利要求1所述一种用于光信号处理的光谱探测识别系统的探测方法，其特征在于，所述S3：对经过预处理的光信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户包括：
S31：获得预处理后的待测样品的拉曼光谱信号之后，对所述预处理后的待测样品的拉曼光谱信号采用主成分分析进行特征提取，将提取到的特征转化为特征向量；
S32：在得到所述特征向量之后，对所述特征向量进行模式识别处理，并输出相应的物质成分分析结果；
S33：将所述物质成分分析结果输出给用户。
3.一种用于光信号处理的光谱探测识别系统，应用于如权利要求1-2任一项所述的光谱探测识别探测方法中，其特征在于，所述系统包括：
光谱采集模块，通过拉曼光谱仪对待测样品进行光谱采集，获取到待测样品的拉曼光谱信号；
调整激光参数模块，将待测样品放入样品室中，根据所述待测样品密度、光滑度和折射率设置激光光束波长和激光光束入射角度；
传输激光模块，通过光纤将激光光束传输至预先放好样品的光学样品室；
光线进入光谱仪模块，所述待测样品吸收和反射光线，所述光线进入拉曼光谱仪中；
传送光谱信号模块，所述拉曼光谱仪采集所述待测样品的拉曼光谱信号并将所述待测样品的拉曼光谱信号传送给数据预处理单元进行数据预处理；
信号预处理模块，对获取到的所述待测样品的拉曼光谱信号进行预处理，获取到预处理后的待测样品的拉曼光谱信号；
改进小波变换模块，采用小波变换法对待测样品的拉曼光谱信号降噪得到降噪后的待测样品的拉曼光谱信号，对小波变换进行改进和优化设计小波基函数，该小波基函数结合高斯函数和拉普拉斯函数，
其中，t 表示自变量，用于描述小波基函数在不同时间上的取值情况，Ψa,b(t)是小波基函数，a和b分别表示尺度和平移参数，c是常量，控制小波基函数的频率,α是常量，决定拉普拉斯函数的贡献程度，通过调节c和α的值，适应不同频率和尺度上的光谱信号，进而实现对待测样品的拉曼光谱信号的多尺度分析和处理；
背景去除模块，采用基于多项式拟和模型的基线去除方法对所述降噪后的待测样品的拉曼光谱信号进行背景去除得到背景去除后的待测样品的拉曼光谱信号；
波长校正模块，采用内标法对所述背景去除后的待测样品的拉曼光谱信号进行波长校正得到波长校正后的待测样品的拉曼光谱信号；
杂散波分离模块，采用低通滤波器法对所述波长校正后的待测样品的拉曼光谱信号分离杂散波；
获得结果模块，对经过预处理的待测样品的拉曼光谱信号进行特征提取和模式识别处理，获得物质成分分析结果，将所述物质成分分析结果输出给用户。
4.根据权利要求3所述一种用于光信号处理的光谱探测识别系统，其特征在于，所述获得结果模块包括：
特征提取模块，获得预处理后的拉曼光谱信号之后，对所述预处理后的拉曼光谱信号采用主成分分析进行特征提取，将提取到的特征转化为特征向量；
模式识别模块，在得到所述特征向量之后，对所述特征向量进行模式识别处理，并输出相应的物质成分分析结果；
结果输出模块，将所述物质成分分析结果输出给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627810.9A CN116399850B (zh) | 2023-05-31 | 2023-05-31 | 一种用于光信号处理的光谱探测识别系统及其探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627810.9A CN116399850B (zh) | 2023-05-31 | 2023-05-31 | 一种用于光信号处理的光谱探测识别系统及其探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116399850A true CN116399850A (zh) | 2023-07-07 |
| CN116399850B CN116399850B (zh) | 2023-09-15 |
Family
ID=87007925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627810.9A Active CN116399850B (zh) | 2023-05-31 | 2023-05-31 | 一种用于光信号处理的光谱探测识别系统及其探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116399850B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117268545A (zh) * | 2023-08-28 | 2023-12-22 | 重庆大学 | 一种荧光噪声消除的频率调制拉曼光谱方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105628675A (zh) * | 2015-12-29 | 2016-06-01 | 北京华泰诺安探测技术有限公司 | 一种功率敏感物质的拉曼荧光干扰的消除方法 |
| US20200025677A1 (en) * | 2016-11-29 | 2020-01-23 | Photothermal Spectroscopy Corp. | Method and apparatus for enhanced photo-thermal imaging and spectroscopy |
| CN112834481A (zh) * | 2020-12-31 | 2021-05-25 | 宁波海关技术中心 | 一种拉曼光谱增强测量系统及测量方法 |
| CN113109317A (zh) * | 2021-03-26 | 2021-07-13 | 中国科学院西安光学精密机械研究所 | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 |
| CN114324329A (zh) * | 2021-12-23 | 2022-04-12 | 中国工程物理研究院激光聚变研究中心 | 光学元件强激光损伤特性的无损检测与评价方法 |
| CN115561220A (zh) * | 2022-05-18 | 2023-01-03 | 泉州装备制造研究所 | 一种光散射角分辨检测分析系统 |
-
2023
- 2023-05-31 CN CN202310627810.9A patent/CN116399850B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105628675A (zh) * | 2015-12-29 | 2016-06-01 | 北京华泰诺安探测技术有限公司 | 一种功率敏感物质的拉曼荧光干扰的消除方法 |
| US20200025677A1 (en) * | 2016-11-29 | 2020-01-23 | Photothermal Spectroscopy Corp. | Method and apparatus for enhanced photo-thermal imaging and spectroscopy |
| CN112834481A (zh) * | 2020-12-31 | 2021-05-25 | 宁波海关技术中心 | 一种拉曼光谱增强测量系统及测量方法 |
| CN113109317A (zh) * | 2021-03-26 | 2021-07-13 | 中国科学院西安光学精密机械研究所 | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 |
| CN114324329A (zh) * | 2021-12-23 | 2022-04-12 | 中国工程物理研究院激光聚变研究中心 | 光学元件强激光损伤特性的无损检测与评价方法 |
| CN115561220A (zh) * | 2022-05-18 | 2023-01-03 | 泉州装备制造研究所 | 一种光散射角分辨检测分析系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117268545A (zh) * | 2023-08-28 | 2023-12-22 | 重庆大学 | 一种荧光噪声消除的频率调制拉曼光谱方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116399850B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3455936B1 (en) | Systems, methods and programs for denoising signals using wavelets | |
| Carlomagno et al. | Non-destructive grading of peaches by near-infrared spectrometry | |
| Reddy et al. | Accurate histopathology from low signal-to-noise ratio spectroscopic imaging data | |
| CN116399850B (zh) | 一种用于光信号处理的光谱探测识别系统及其探测方法 | |
| US10267678B2 (en) | Raman spectroscopic detection method | |
| CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
| US20190277755A1 (en) | Device and method for tissue diagnosis in real-time | |
| CN106404743A (zh) | 一种结合拉曼光谱和近红外光谱的探测方法及探测装置 | |
| CN110927122B (zh) | 一种基于干涉光谱的相位型spr检测装置及方法 | |
| CN113854962B (zh) | 一种基于多波长光声谱的皮肤类型识别方法及系统 | |
| WO2020130942A1 (en) | A non-destructive system and method for determining the quality of chinese herb using terahertz time-domain spectroscopy | |
| CN111141505A (zh) | 一种非侵入式真空分压力快速测量仪器 | |
| CN112748140B (zh) | 一种基于迭代离散小波背景扣除的痕量元素xrf测定方法 | |
| CN108489917B (zh) | 一种去除太赫兹吸收光谱中低频误差和高频噪声的方法 | |
| Fang et al. | Recent progress and applications of Raman spectrum denoising algorithms in chemical and biological analyses: A review | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
| CN114970639B (zh) | 一种开放空间外界环境的气体闪烁噪声消除方法 | |
| CN109520950A (zh) | 一种对光谱偏移不敏感的化学成分光谱检测方法 | |
| CN109670531A (zh) | 一种基于Hodrick-Prescott滤波器的近红外光谱信号的去噪方法 | |
| Chen et al. | Adaptive multiscale regression for reliable Raman quantitative analysis | |
| JP5807303B2 (ja) | 塗膜下鋼材腐食の検出方法、検出装置及び検出プログラム | |
| US10495516B2 (en) | Dedicated transformation spectroscopy | |
| CN109030452A (zh) | 一种基于五点三次平滑算法的拉曼光谱数据降噪方法 | |
| Huber et al. | Standardising electric-field-resolved molecular fingerprints | |
| Topalov et al. | Computer system for characterization of cosmetic foams |
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 |