CN116559082A - 传感装置、检测系统、和尿液检测系统 - Google Patents
传感装置、检测系统、和尿液检测系统 Download PDFInfo
- Publication number
- CN116559082A CN116559082A CN202310552619.2A CN202310552619A CN116559082A CN 116559082 A CN116559082 A CN 116559082A CN 202310552619 A CN202310552619 A CN 202310552619A CN 116559082 A CN116559082 A CN 116559082A
- Authority
- CN
- China
- Prior art keywords
- detection
- filter
- image array
- gray image
- rectangular
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 366
- 210000002700 urine Anatomy 0.000 title claims abstract description 28
- 238000003384 imaging method Methods 0.000 claims abstract description 57
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 66
- 239000002096 quantum dot Substances 0.000 claims description 61
- 230000003595 spectral effect Effects 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000000429 assembly Methods 0.000 claims description 29
- 230000000712 assembly Effects 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000003491 array Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 12
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000008103 glucose Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 9
- 229910044991 metal oxide Inorganic materials 0.000 claims description 9
- 150000004706 metal oxides Chemical class 0.000 claims description 9
- 239000004065 semiconductor Substances 0.000 claims description 9
- OBHRVMZSZIDDEK-UHFFFAOYSA-N urobilinogen Chemical compound CCC1=C(C)C(=O)NC1CC1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(CC3C(=C(CC)C(=O)N3)C)N2)CCC(O)=O)N1 OBHRVMZSZIDDEK-UHFFFAOYSA-N 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 5
- 239000004038 photonic crystal Substances 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000825 ultraviolet detection Methods 0.000 claims description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 210000002919 epithelial cell Anatomy 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000084 colloidal system Substances 0.000 description 23
- 238000001228 spectrum Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000011179 visual inspection Methods 0.000 description 6
- 239000012491 analyte Substances 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000002834 transmittance Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000007791 liquid phase Substances 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000000411 transmission spectrum Methods 0.000 description 3
- 239000002033 PVDF binder Substances 0.000 description 2
- -1 Polytetrafluoroethylene Polymers 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 229920000139 polyethylene terephthalate Polymers 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002485 urinary effect Effects 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- KXNLCSXBJCPWGL-UHFFFAOYSA-N [Ga].[As].[In] Chemical compound [Ga].[As].[In] KXNLCSXBJCPWGL-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012876 carrier material Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- G01N21/251—Colorimeters; Construction thereof
-
- 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
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种传感装置、检测系统、和尿液检测系统,所述装置包括:滤波片组件,用于对入射光进行编码,得到各个传感通道的成像信息,探测组件,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。本公开实施例的传感装置直接探测得到矩形灰度图像阵列以输入检测模型得到检测结果,具有成本低、体积小结构精简、精度高的优点,提高提升测量精度。
Description
技术领域
本公开涉及检测技术领域,尤其涉及一种传感装置、检测系统、和尿液检测系统。
背景技术
光谱传感可根据物理、化学反应导致的颜色变化来确定待检测目标物的组成及含量的方法,其在医学、环境监测、农业等领域有广泛的应用。目前用于颜色检测的光谱传感方案存在体积大、精度低、结构复杂、成本高等问题。
发明内容
根据本公开的一方面,提供了一种传感装置,所述装置包括:
滤波片组件,用于对入射光进行编码,得到各个传感通道的成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,每种滤波片对应一个传感通道,不同的滤波片能够编码入射光得到不同的成像信息;
探测组件,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
在一种可能的实施方式中,所述检测模型用于根据所述矩形灰度图像阵列及所述映射关系确定所述检测结果。
在一种可能的实施方式中,所述检测模型还用于对所述矩形灰度图像阵列进行预处理,其中预处理方式包括以下至少一种:
对多个所述矩形灰度图像阵列的相应像素求取平均值;
对所述矩形灰度图像阵列的各像素的光强不均匀性进行矫正。
在一种可能的实施方式中,所述检测模型基于最小二乘法、神经网络、支持向量机、朴素贝叶斯分类、决策树、k-近邻算法、线性判别分析、线性回归、Logistic回归、分类和回归树、学习向量量化、袋装法和随机森林的至少一种得到。
在一种可能的实施方式中,若所述检测模型基于最小二乘法实现,则所述检测模型用于:
对多个矩形灰度图像阵列的相应矩形区域的光强求取平均值,得到多个平均光强值;
将所述多个平均光强度值进行拼接,得到强度向量;
将所述强度向量作为输入进行最小二乘法运算,将运算结果作为所述检测结果,所述检测结果包括各成分的含量。
在一种可能的实施方式中,若所述检测模型基于神经网络实现,则所述检测模型用于:
提取所述矩形灰度图像阵列的图像特征;
对提取的图像特征进行多次卷积操作、全连接操作,输出检测结果。
在一种可能的实施方式中,所述滤波片的种类包括超表面滤波片类型、光子晶体滤波片类型、钙钛矿量子点滤波片类型、胶体量子点滤波片类型的至少一种类型,各个滤波片类型均包括多种不同种类,
所述探测组件包括互补金属氧化物半导体元件、电荷耦合元件、紫外探测元件、铟镓砷近红外探测元件的至少一种元件。
在一种可能的实施方式中,所述滤波片组合中,所述滤波片为胶体量子点滤波片,每种胶体量子点滤波片具有不同的光谱透射关系,所述滤波片基于所述光谱透射关系与每一滤波片对应的探测组件的光谱敏感度关系共同对入射光进行编码,得到所述入射光的成像信息,所述光谱敏感度关系表示光响应度与光波长的关系。
在一种可能的实施方式中,所述矩形灰度图像阵列包括多个矩形区域,每一种滤波片对应一个矩形区域,每个矩形区域包括多个像素。
在一种可能的实施方式中,所述滤波片组件通过如下方式确定:
从N种滤波片中选择多个不同数目的滤波片形成多种滤波片组件,所述N种滤波片中每种滤波片具有不同的光谱透射关系,所述N种滤波片能够对目标波长范围内的入射光进行编码,N为正整数;
在具有不同数目滤波片的滤波片组件所对应的检测结果中,从达到第一预设检测结果对应的检测结果中选择滤波片的最小数目,将所述最小数目作为所述滤波片组件的滤波片数目,所述滤波片组件用于编码入射光为成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,不同的滤波片能够编码入射光得到成像信息;
多次从N种滤波片中确定所述最小数目个连续分布或跳跃分布的组合方式;
在相同滤波片数目不同种滤波片组合对应的检测结果中,选择达到第二预设检测结果中的最优检测结果所对应的滤波片组合的组合方式,为所述滤波片组件中的滤波片的组合方式;其中,每个滤波片组合均包括所述最小数目个滤波片,每个滤波片组合中滤波片的种类和/或排布方式不同。
根据本公开的一方面,提供了一种检测系统,所述检测系统包括:
所述的传感装置;
光源,用于发出探测光;
反应组件,所述反应组件用于与待测物相互作用产生颜色变化;
光源发出的探测光照射反应组件后得到以下的一种或多种:透射光、反射光或荧光,所述照射后得到的光入射到所述滤波片组件;
数据处理组件,用于利用检测模型根据所述传感装置产生的矩形灰度图像阵列得到检测结果,其中,所述矩形灰度图像阵列用于输入到所述检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
在一种可能的实施方式中,所述数据处理组件还用于:
获取所述传感装置输出的第一矩形灰度图像阵列及第二矩形灰度图像阵列,所述第一矩形灰度图像阵列为所述反应组件未加入待测物时所述传感装置输出的矩形灰度图像阵列,所述第二矩形灰度图像阵列为所述反应组件加入待测物时所述传感装置输出的矩形灰度图像阵列;
将所述第二矩形灰度图像阵列与所述第一矩形灰度图像阵列的相应像素的强度相减,得到第三矩形灰度图像阵列;
将所述第三矩形灰度图像阵列输入到检测模型,利用所述检测模型的输出结果得到待测物的成分或待测物的成分及各个成分的含量的检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系。
根据本公开的一方面,提供了一种尿液检测系统,所述尿液检测系统包含所述的传感器装置或所述的检测系统。
在一种可能的实施方式中,所述尿液检测系统用于检测待测尿液的葡萄糖含量、亚硝酸盐含量、尿胆原、尿酮体、尿胆红素、尿蛋白、尿红细胞、白细胞、上皮细胞的至少一种,
所述尿液检测系统的反应组件为反射式组件。
在一种可能的实施方式中,所述传感器装置中的滤波片组件能够对450nm-670nm的入射光进行编码,滤波片组件中滤波片的数目为20,所述探测组件由互补金属氧化物半导体制得。
本公开实施例提出的传感装置,所述装置包括滤波片组件,用于对入射光进行编码,得到各个传感通道的成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,每种滤波片对应一个传感通道,不同的滤波片能够编码入射光得到不同的成像信息;探测组件,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量,本公开实施例的传感装置直接探测得到矩形灰度图像阵列以输入检测模型得到检测结果,具有成本低、体积小结构精简、精度高的优点,提高提升测量精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出了根据本公开实施例的传感装置的示意图。
图2示出了根据本公开实施例的各种胶体量子点滤波片的透射光谱示意图。
图3示出了根据本公开实施例的探测组件根据滤波片组件的成像信息形成的矩形灰度图像阵列的示意图。
图4a示出了根据本公开实施例的对矩形灰度图像阵列进行预处理的流程图。
图4b示出了根据本公开实施例基于最小二乘法实现的检测模型进行检测的流程图。
图4c示出了根据本公开实施例基于神经网络实现的检测模型进行检测的流程图。
图4d示出了根据本公开实施例的传感装置的滤波片确定方法的流程图。
图5示出了根据本公开实施例的一种检测系统的示意图。
图6示出了根据本公开实施例确定检测模型并进行浓度检测的示意图。
图7示出了根据本公开实施例的传感装置的滤波片确定方法的示意图。
图8示出了根据本公开实施例的对待测物进行检测的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在本公开的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本公开中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
相关技术中的颜色传感主要包括目测法、RGB图像法、光谱分析法。光谱分析法依靠昂贵、体积大的光谱仪,不适用于临床检测等便携式、低成本应用场景。目测法和RGB图像法对颜色感知的能力有限,影响鉴定结果。目测法依靠人眼主观判断,尤其是应用于临床医学,主要凭借医生的经验判断,无法定量检测。
可见,相关技术的颜色传感方案无法兼顾精简体积、提高精度、精简结构、降低成本等方面。
本公开实施例提出了一种传感装置,所述装置包括滤波片组件,用于对入射光进行编码,得到各个传感通道的成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,每种滤波片对应一个传感通道,不同的滤波片能够编码入射光得到不同的成像信息;探测组件,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量,本公开实施例的传感装置直接探测得到矩形灰度图像阵列以输入检测模型得到检测结果,具有成本低、体积小结构精简、精度高的优点,提高提升测量精度。
请参阅图1,图1示出了根据本公开实施例的传感装置的示意图。
如图1所示,所述装置包括:
滤波片组件30,用于对入射光进行编码,得到各个传感通道的成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,每种滤波片对应一个传感通道,不同的滤波片能够编码入射光得到不同的成像信息;
探测组件40,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
本公开实施例的传感装置体积的技术方案,相比于相关技术中的目测法、RGB法等,可以实现对颜色实现更为精确的传感,在具体颜色信息获取过程中,通过获取矩形灰度图像阵列而非重构光谱曲线或者彩色光谱图像数据,可以实现无需定标及光谱重建过程的效果,简化了测试流程和要求。
本公开实施例对滤波片组件30、探测组件40的具体实现方式不做限定,本领域技术人员可以根据实际情况及需要采用合适的技术手段实现,下面进行示例性介绍。
本公开实施例对滤波片组件30中滤波片的具体数目、种类及排布方式不做限定,本领域技术人员可以根据实际应用场景及需要对滤波片的数目、种类及排布方式进行适应性确定,从而进一步降低滤波片组件30的体积、成本、集成复杂度,并提高检测准确性。
在一种可能的实施方式中,所述滤波片的种类可以包括超表面滤波片类型、光子晶体滤波片类型、钙钛矿量子点滤波片类型、胶体量子点滤波片类型等多种材料滤波片类型等的至少一种类型,各个滤波片类型均包括多种不同种类,示例性的,本公开实施例的滤波片组件可以是将不同材料集成在同一基底材料中,即一个滤波片组件可以由多种材料制成,如将钙钛矿量子点、胶体量子点等集成在同一基底上;当然也可以由一种材料制成(如滤波片组件均由胶体量子点滤波片制成)。
示例性的,滤波片组件可以由多种(如几种、几十种或上百种)滤波片组成,本公开实施例优选胶体量子点滤波片,因为胶体量子点制备方法成熟,制备过程简单,成本低,易调控,且可以通过油墨打印技术在同一基底上集成多种胶体量子点即可集成为滤波片阵列(滤波片组件),例如,一种胶体量子点可以得到一种滤波片,在选择好胶体量子点的种类后,可以将多种胶体量子点打印在同一基底上,从而形成滤波片组件(如为包括多种滤波片的滤波片阵列),另外胶体量子点滤波片不受入射光角度影响,尤其适合于反射式测量的检测系统,相比于其他滤波片阵列其优势明显。
示例性的,本公开实施例通过改变胶体量子点合成过程中反应条件、成分配比制备不同粒径的胶体量子点滤波片,不同的胶体量子点滤波片具有不同的光谱透射函数。胶体量子点滤波片制备简单,成本低,通过液相打印方式(如油墨打印)易集成,且针对特定应用易定制化设计,因此本公开实施例的检测系统能够灵活定制不同应用的颜色传感方案,装置体积小,成本低。
示例性的,由于滤波片组件上各个滤波片具有不同的光谱透射函数,能够对入射光进行充分采样、编码,使得入射光各个波段信息通过滤波片组件转化成光强度信息,本公开实施例可以对滤波片组件编码得到的光强度信息进行采样形成矩形灰度图像阵列,并且每一种入射光形成不同的矩形灰度图像阵列,矩形灰度图像阵列包含了入射光光谱信息,相比于传统大型光谱仪,通过本公开实施例的滤波片确定方法确定的滤波片组件的设计避免了结构复杂、体积大的分光系统,大大减少了颜色传感器体积。
请参阅图2,图2示出了根据本公开实施例的各种胶体量子点滤波片的透射光谱示意图。
示例性的,图2中所示的120种胶体量子点滤波片的波段范围覆盖380nm~750nm。120种胶体量子点滤波片中,每种具有不同的光谱透射函数,保证其能够对380nm~750nm内的颜色进行编码,每个胶体量子点滤波片编码入射光为一个强度值Ii。
在一种可能的实施方式中,所述滤波片组合中,所述滤波片优选为胶体量子点滤波片,每种胶体量子点滤波片具有不同的光谱透射关系,所述光谱透射关系表示滤波片的光谱透射率与光波长的对应关系,
其中,所述滤波片基于所述光谱透射关系、与每一滤波片对应的探测组件的光谱敏感度关系共同对入射光进行编码,得到所述入射光的成像信息,所述光谱敏感度关系表示光谱响应度与光波长的关系。
在一种可能的实施方式中,所述滤波片基于所述光谱透射关系、与每一滤波片对应的探测组件的光谱敏感度关系共同对入射光进行编码,得到所述入射光的成像信息,包括:
所述滤波片基于如下公式1对入射光进行编码,得到所述入射光的成像信息:
其中,表示第i个滤波片的光谱透射关系,θi(λ)表示第i个与每一滤波片对应的探测组件的光谱敏感度关系,x(λ)表示入射光的光谱,Ii表示第i个滤波片对应的光强度值,λ表示光波长,λ1表示光波段的最小波长,λ2表示光波段的最大波长。
示例性的,对于微型光谱仪技术,是需要通过复杂繁琐且成本高的定标操作来确定的,因为光谱重建过程需要/>的信息。但是对于本公开实施例提出的检测方案,对于本公开实施例无需进行光谱重建,也就无需知道它的值,不需要通过定标操作来确定/>的值,,只需要知道不同的胶体量子点滤波片实现了不同的编码结果,然后能够根据所述矩形灰度图像阵列得到检测结果即可,例如建立起矩形灰度图像阵列与物质成分、含量的映射关系,利用该映射关系能够根据所述矩形灰度图像阵列得到检测结果即可。
在一种可能的实施方式中,所述探测组件可以包括互补金属氧化物半导体元件、电荷耦合元件、紫外探测元件、铟镓砷近红外探测元件的至少一种元件,示例性的,对于可见光波段颜色传感应用,探测组件可以是互补金属氧化物半导体或电荷耦合元件;对于紫外波段颜色传感应用,探测组件是紫外探测组件;对于近红外波段颜色传感应用,探测组件是铟镓砷近红外探测组件。这样,本公开实施例的检测系统无需成像光学镜头,进一步降低仪器体积和成本。
示例性的,探测组件获取不同颜色下滤波片组件的图像信息(光强度),所述图像信息可以是灰度图像,所述灰度图像是类似于条形码的分布,本公开实施例直接采用矩形灰度图像阵列和模式识别算法进行物质的定性分类、定量检测。
请参阅图3,图3示出了根据本公开实施例的探测组件根据滤波片组件的成像信息形成的矩形灰度图像阵列的示意图。
示例性的,每一种胶体量子点滤波片在探测组件40上可以覆盖一个矩形区域,每个矩形区域由近百个像素组成。采用胶体量子点的好处是其投射函数不受入射光角度影响,应用场景较为广泛,对于反射式斜入射场景也适用。矩形灰度图像阵列技术无需成像透镜,区别于其他成像技术,其成本和体积得到进一步压缩。
本公开实施例通过滤波片组件30及探测组件40获取矩形灰度图像阵列而非重构光谱曲线或者彩色光谱图像数据,可以实现无需定标及光谱重建过程,降低处理复杂度、成本,简化检测流程,且能够提高提升测量精度。
本公开实施例对滤波片组件30及探测组件40的组合方式不做限定,滤波片组件30上各个滤波片具有不同的光谱透射函数,能够对入射光进行充分采样及编码,使得入射光各个波段信息通过滤波片组件转化成光强度信息,后经过探测组件40采样形成矩形灰度图像阵列。示例性的,每一种入射光形成不同的成像信息,成像信息包含了入射光光谱信息,在表示颜色变化方面起到光谱的作用。相比于传统大型光谱仪,滤波片组件的设计避免了结构复杂、体积大的分光系统,大大减少了颜色传感器体积。
在一种可能的实施方式中,所述检测模型可以用于根据所述矩形灰度图像阵列及所述映射关系确定所述检测结果。
在一种可能的实施方式中,所述矩形灰度图像阵列可以用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系。
在一种可能的实施方式中,所述矩形灰度图像阵列可以包括多个矩形区域,每一种滤波片对应一个矩形区域,所述的多个矩形区域对应多个灰度值,每个矩形区域包括多个像素;示例性的,所述矩形灰度图像阵列的各个矩形区域的灰度值不同,当然,矩形灰度图像阵列的具体形状本公开实施例并不限定,所述矩形灰度图像阵列可以是由多个不同灰度值区域组成的任意形状,每个灰度值区域对应一种滤波片,示例性的,矩形灰度图像阵列可以包括多个矩形区域组成T行P列的阵列形式,T、P均可以为大于0的整数,每个矩形区域的大小可以相同或不同,本公开实施例对矩形灰度图像阵列的排列方式不做限定,对矩形灰度图像阵列的行数不做限定,对矩形灰度图像阵列的列数也不做限定,例如,T可以为8,P可以为15,即某一矩形灰度图像阵列可以包括120个矩形区域,120个矩形区域组成8行15列的矩形灰度图像阵列。
本公开实施例对待测物的具体类型不做限定,对检测结果的种类不做限定,对检测模型的具体实现方式不做限定,本领域技术人员可以根据实际情况及需要确定待测物,并选择相应的检测参数、检测模型。示例性的,在一种可能的实施方式中,所述待测物可以为液态,所述检测结果包括成分及各个成分的含量,例如,所述待测物可以为农药、血液、尿液及其他液态检测物,检测结果可以为待测物的组成成分,及成分的含量,也可以为其他的分类结果。在一种可能的实施方式中,所述检测结果可以包括待测物的成分或待测物的成分及各个成分的含量,所述检测模型基于最小二乘法、神经网络、支持向量机、朴素贝叶斯分类、决策树、k-近邻算法、线性判别分析、线性回归、Logistic回归、分类和回归树、学习向量量化、袋装法和随机森林等的至少一种得到,本公开实施例对检测模型的建立、训练的具体方式不做限定,本领域技术人员可以根据实际情况及需要采用合适的手段实现。
本公开实施例的传感装置可以精确对颜色变化进行传感,得到的矩形灰度图像阵列可以用于定性、定量鉴别物质成分、含量。传感装置各部分均可以针对特定应用进行定制化设计,如针对农药检测,可以获取液相形式的吸收颜色成像条形码;针对尿液成分鉴定,获取纸基比色阵列反射颜色的成像条形码。具体来说,每一种颜色对应一种成像条形码,可以直接采用成像条形码结合模式识别算法实现定性、定量鉴别颜色变化,以鉴定物质组成和含量。
请参阅图4a,图4a示出了根据本公开实施例的对矩形灰度图像阵列进行预处理的流程图。
示例性的,本公开实施例在探测得到矩形灰度图像阵列后,可以利用检测模型对矩形灰度图像阵列进行预处理,对于预处理的具体方式,本公开实施例不做限定,本领域技术人员可以根据实际情况及需要采用合适的预处理方式,示例性的,在一种可能的实施方式中,所述检测模型还用于对所述矩形灰度图像阵列进行预处理,如图4a所示,预处理方式可以包括以下至少一种:
步骤S11,对多个所述矩形灰度图像阵列的相应像素求取平均值;
步骤S12,对所述矩形灰度图像阵列的各像素的光强不均匀性进行矫正。
示例性的,探测组件40可以探测滤波片组件30得到多个所述矩形灰度图像阵列,检测模型可以对输入的多个所述矩形灰度图像阵列的响应像素求取平均值,以消除偶然性因素导致的随机误差,提高探测的稳定性及准确性。
本公开实施例对光强的不均性矫正的具体实施方式不做限定,本领域技术人员可以根据实际情况及需要采用合适的矫正方式实现对所述矩形灰度图像阵列的各像素的光强不均匀性的矫正。
如前所述,所述检测模型可以基于最小二乘法、神经网络、支持向量机、朴素贝叶斯分类、决策树、k-近邻算法、线性判别分析、线性回归、Logistic回归、分类和回归树、学习向量量化、袋装法和随机森林等的至少一种得到,对于不同类型的检测模型,可以具有不同的实现方式,对此本公开实施例不做限定,下面进行示例性介绍。
请参阅图4b,图4b示出了根据本公开实施例基于最小二乘法实现的检测模型进行检测的流程图。
在一种可能的实施方式中,如图4b所示,若所述检测模型基于最小二乘法实现,则所述检测模型用于:
步骤S211,对多个矩形灰度图像阵列的相应矩形区域的光强求取平均值,得到多个平均光强值;
步骤S212,将所述多个平均光强度值进行拼接,得到强度向量;
步骤S213,将所述强度向量作为输入进行最小二乘法运算,将运算结果作为所述检测结果,所述检测结果包括各成分的含量。
本公开实施例对基于最小二乘法实现检测模型的具体方法不做限定,本领域技术人员可以根据实际情况及需要基于最小二乘法的原理实现检测模型。
本公开实施例的基于最小二乘法实现的检测模型通过对多个矩形灰度图像阵列的相应矩形区域的光强求取平均值,得到多个平均光强值,将所述多个平均光强度值进行拼接,得到强度向量,将所述强度向量作为输入进行最小二乘法运算,可以快速得到运算结果,从而得到包括各成分的含量的检测结果。
请参阅图4c,图4c示出了根据本公开实施例基于神经网络实现的检测模型进行检测的流程图。
在一种可能的实施方式中,如图4c所示,若所述检测模型基于神经网络实现,则所述检测模型可以用于:
步骤S221,提取所述矩形灰度图像阵列的图像特征;
步骤S222,对提取的图像特征进行多次卷积操作、全连接操作,输出检测结果。
本公开实施例对基于神经网络实现的检测模型的具体实现方式不做限定,示例性的,基于神经网络实现的检测模型可以包括多个卷积层、全连接层及其他相关神经网络层,以实现卷积操作、全连接操作。
本公开实施例对步骤S221提取所述矩形灰度图像阵列的图像特征的具体实现方式不做限定,对图像特征的具体类型不做限定,示例性的,图像特征可以为所述矩形灰度图像阵列的灰度强度平均值或其他类型的特征。
本公开实施例的基于神经网络实现的检测模型,通过提取所述矩形灰度图像阵列的图像特征,对提取的图像特征进行多次卷积操作、全连接操作,可以快速输出检测结果,对提取的图像特征进行多次卷积操作、全连接操作,输出检测结果,得到包括待测物的成分、各成分的含量。
本公开实施例对基于神经网络实现的检测模型的具体训练过程不做限定,示例性的,可以提前准备用于进行模型训练的训练集,所述训练集包括模型训练数据,如多个基于神经网络实现的矩形灰度图像阵列及对应的标定成分、成分的含量,这样,本公开实施例可以初始化神经网络的各个卷积核参数的初始值,利用训练集按照神经网络的结构进行前向计算(本公开实施例对前向计算中激活计算的具体实现方式不做限定),在前向计算过程中判断神经网络的损失函数是否达到预设值,若是,则保存神经网络的结构、参数,得到检测模型,若损失函数在多次未达到预设值,则可以对神经网络进行反向训练,更新神经网络的各层权重,并再次进行前向计算,直到神经网络的损失函数达到预设值。
示例性的,本公开实施例可以提前准备验证集,验证集包括模型验证数据,如多个基于神经网络实现的矩形灰度图像阵列及对应的标定成分、成分的含量,这样,本公开实施例可以利用验证集中的数据对训练得到的检测模型进行验证,例如将验证集中的矩形灰度图像阵列输入到检测模型,将检测模型输出的成分、成分的含量与验证集中相应矩形灰度图像阵列的成分、成分的含量进行对比,若大量对比显示模型检测较为准确,则可以利用验证后的检测模型进行后续的待测物检测工作,若显示模型检测准确度欠佳,则可以增加训练集数据进一步训练从而提高检测模型的检测准确性。
本公开实施例可以对滤波片组件30的滤波片进行优化,以进一步精简结构,降低成本。
请参阅图4d,图4d示出了根据本公开实施例的传感装置的滤波片确定方法的流程图。
在一种可能的实施方式中,如图4d所示,所述滤波片组件30通过如下方式确定:
步骤S31,从N种滤波片中选择多个不同数目的滤波片形成多种滤波片组件,所述N种滤波片中每种滤波片具有不同的光谱透射关系,所述N种滤波片能够对目标波长范围内的入射光进行编码,N为正整数;
步骤S32,在具有不同数目滤波片的滤波片组件所对应的检测结果中,从达到第一预设检测结果对应的检测结果中选择滤波片的最小数目,将所述最小数目作为所述滤波片组件的滤波片数目,所述滤波片组件用于编码入射光为成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,不同的滤波片能够编码入射光得到成像信息;
步骤S33,多次从N种滤波片中确定所述最小数目个连续分布或跳跃分布的组合方式;
步骤S34,在相同滤波片数目不同种滤波片组合对应的检测结果中,选择达到第二预设检测结果中的最优检测结果所对应的滤波片组合的组合方式,为所述滤波片组件中的滤波片的组合方式;其中,每个滤波片组合均包括所述最小数目个滤波片,每个滤波片组合中滤波片的种类和/或排布方式不同。
在一种可能的实施方式中,通过对滤波片的数目、组合方式进行适应性确定,本公开实施例可以使得所述滤波片组件30中的滤波片的数目为具有不同数目滤波片的滤波片组件所对应的检测结果中检测结果达到第一预设检测结果的最小数目;并使得所述滤波片组件30中的滤波片的组合方式为在相同滤波片数目不同种滤波片组合对应的检测结果中检测结果达到第二预设检测结果的组合方式,所述组合方式包括滤波片的种类及排布方式,每个滤波片组合均包括所述最小数目个滤波片,每个滤波片组合中滤波片的种类和/或排布方式不同。
本公开实施例对第一预设检测结果、第二预设检测结果的具体形式、大小不做限定,本领域技术人员可以根据实际情况及需要设定,示例性的,第一预设检测结果、第二预设检测结果可以与颜色传感的精度相关,这样,本公开实施例可以兼顾颜色传感的精度、体积、成本等,示例性的,第一预设检测结果、第二预设检测结果可以是与滤波片组件所对应的检测结果对应的量,例如,例如检测结果为成分的含量,则第一预设检测结果可以为预设含量,也可以为预设均方误差、均方根误差等,若检测结果为分类结果,则第一预设检测结果可以为预设分类准确率等。示例性的,第二预设检测结果可以为预设的较佳检测结果的分界线,当检测结果达到第二预设检测结果,则可以确定相应的滤波器组件具有较佳的检测结果,示例性的,达到第二预设检测结果的数值可能有多个,在这种情况下,为了降低检测门限,本公开实施例可以选择达到第二预设检测结果的多个检测结果中的较小值对应的滤波片组件,当然,也可以合理设置第二预设检测结果,使得筛选出来的滤波器组件具有最佳的检测结果。
本公开实施例对准备滤波片组件的具体方法,对利用滤波片组件搭建传感装置、检测系统的具体方式不做限定,本领域技术人员可以根据实际情况及需要设置,下面进行示例性介绍。
本公开实施例对目标波长范围的具体大小不做限定,本领域技术人员可以根据实际情况及需要确定。
示例性的,所述光谱透射关系可以表示滤波片的光谱透射率与光波长的对应关系。
示例性的,在准备好多种具有不同数目滤波片的滤波片组件后,本公开实施例可以利用各个滤波片组件进行待测物的检测,得到多个检测结果,在具有不同数目滤波片的滤波片组件所对应的检测结果中,从达到第一预设检测结果对应的检测结果中选择滤波片的最小数目,将所述最小数目作为所述滤波片组件的滤波片数目。
示例性的,在确定了所述滤波片组件的滤波片数目后,本公开实施例可以多次从N种滤波片中确定所述最小数目个连续分布或跳跃分布的组合方式,以提供多个具有不同滤波片组合方式的滤波片组件,并在相同滤波片数目不同种滤波片组合对应的检测结果中,选择检测结果中达到第二预设检测结果所对应的滤波片组合的组合方式,为所述滤波片组件中的滤波片的组合方式。
下面以具体的示例对确定滤波片的数目、组合方式的可能实现方式进行示例性介绍,应该明白的是,以下示例不应视为是对本公开实施例的限定。
示例性的,设N是滤波片总数目,滤波片可以是胶体量子点类型、超表面结构类型、光子晶体结构类型、钙钛矿量子点类型等。示例性的,滤波片总数目N从几十到上千不等。以胶体量子点滤波片为例,本公开实施例可以通过化学合成过程合成成百上千种胶体量子点,根据传感应用的目标波段,确定目标波段的胶体量子点种类及数目N,具体合成胶体量子点的方法在此不做赘述。例如:颜色变化的光谱范围在380nm-750nm,本公开实施例可以对应合成透射上升峰在380nm-750nm的多种胶体量子点。
示例性的,在传感应用的目标波段(如380nm-750nm),可以按照滤波片透射上升峰位置从短波长到长波长进行排列,滤波片共N个。例如,按照排列顺序,可以分别选取10、15、20、25、30、……、N-1个(或其他数目)滤波片组成多个滤波片组件,并获取不同滤波片数目的滤波片组件下待测物颜色变化对应的成像信息例如:矩形灰度图像阵列,采用检测模型(如神经网络模型)分别对不同滤波片数目的滤波片组件对应的成像信息例如矩形灰度图像阵列进行分类或拟合,得到检测结果,并采用相关的评价指标对神经网络模型的分类或拟合效果进行量化。示例性的,评价指标可以是均方误差、均方根误差、分类准确率等。
示例性的,假设待测物颜色变化波长范围是380nm-750nm,位于区间内的量子点滤波片种类是240种,可以按照透射曲线上升波长大小从小到大对量子点滤波片进行排序;按照排列顺序,均匀选取10、20、30、40、60、80、120数目的量子点滤波片形成各个滤波片组件,不同数目的滤波片组件用于待测物的颜色测量,获取待测物(假设为液态)不同成分、及其含量下的矩形灰度图像阵列,采用检测模型神经网络模型进行定量拟合,并采用均方误差等评价指标评价。检测模型(如神经网络模型)可以实现矩形灰度图像阵列到物质成分、及其含量或种类的映射,对于检测模型(如神经网络模型)的具体参数及训练过程,本领域技术人员可以根据实际情况及需要确定,本公开实施例不做赘述。
示例性的,本公开实施例可以选取相应的第一预设检测结果以确定滤波片组件的滤波片的最小数目,如根据应用精度要求,确定所需滤波片最小数目M。例如,在获得不同数目均匀分布的滤波片组件下神经网络模型的拟合/分类结果后,可以根据具体颜色传感应用的精度要求设定阈值(第一预设检测结果),第一预设检测结果可以包括分类准确率、检测限等,确定大于所设定阈值的所需最小滤波片数目为M。例如,可以获取均匀分布的10、20、30、40、60、80、120数目的滤波片组件下的各个神经网络拟合结果,采用均方误差为评价标准,根据具体应用设定均方误差阈值e(第一预设检测结果),选择均方误差大于阈值e的最小滤波片数目,假设得到滤波片组件中滤波片的最小数目为M=30。
示例性的,在确定滤波片组件中滤波片的最小数目后,可以从总滤波片(N种)遍历选择数目M个滤波片,以确定滤波片组件中的滤波片的组合方式,例如可以为相同滤波片数目不同种滤波片组合对应的检测结果中,检测结果达到第二预设检测结果的组合方式。
在一个示例中,可以从总滤波片N中遍历选择M个滤波片,即确定多个组合方式,并形成相应的滤波片组件,分别进行多次实验,分别得到每种组合方式下的多个评价指标,因为均匀分布的M个滤波片并不一定是最优结果,还包括其他集中连续分布、跳跃分布等情况,均匀分布选择M个滤波片步骤属于第一步筛选,遍历筛选属于第二步精确筛选。遍历筛选计算量较大,为了降低计算量,可以采用集中连续分布和均匀分布进行比较筛选,减少工作量,当然也可以根据待测物颜色变化的主要波段赋予权重,根据权重选择滤波片种类。例如,假设从380nm-750nm波段内的240种量子点滤波片(N=240),得到滤波片的最小数目M=30,遍历筛选需要次运算,数据量较大,本公开实施例可以选用集中分布的30种量子点滤波片进行筛选比较,这样运算次数可以压缩到210次运算,得到连续集中分布的210种情况下(如1~30、2~31、3~32、…、210~239)的神经网络拟合结果(即检测模型的检测结果)的神经网络拟合结果比较评价指标,将210种的神经网络拟合结果分别与第二预设检测结果比较,选择选择评价指标最佳的情况的组合方式作为最后的最优化方案。
示例性的,在选择出M个滤波片及其排布方式后,本公开实施例可以利用该组合方式指导滤波片组件及颜色传感器制备,例如选择出M个滤波片后,后续批量生产用于该颜色传感应用的颜色传感器均只需集成优化后的M个滤波片,而无需集成N个滤波片,大幅度减少滤波片数目,节约成本,且不会降低检测的精度。
当然,关于对滤波片的数目、组合方式进行适应性确定的具体介绍,请参考之前对检测系统的描述,在此不再赘述。
在一种可能的实现方式中,基于本公开实施例提出的传感装置,本公开实施例提出一种检测系统,以利用传感装置定性、定量鉴别物质成分、含量。
请参阅图5,图5示出了根据本公开实施例的一种检测系统的示意图。
根据本公开的一方面,提供了一种检测系统,如图5所示,所述检测系统包括:
所述的传感装置,即滤波片组件30及探测组件40;
光源10,用于发出探测光;
反应组件20,所述反应组件20用于与待测物相互作用产生颜色变化;
光源10发出的探测光照射反应组件20后得到以下的一种或多种:透射光、反射光或荧光,所述照射后得到的光入射到所述滤波片组件30;
数据处理组件50,用于利用检测模型根据所述传感装置产生的矩形灰度图像阵列得到检测结果,其中,所述矩形灰度图像阵列用于输入到所述检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
本公开实施例的检测系统相比于相关技术中的目测法、RGB法等,可以实现对颜色实现更为精确的传感,在具体颜色信息获取过程中,通过获取矩形灰度图像阵列而非重构光谱曲线或者彩色光谱图像数据,可以实现无需定标及光谱重建过程的效果,简化了测试流程和要求。
本公开实施例通过光源10发出探测光照射反应组件,所述光源10发出的光经过所述反应组件20得到以下的一种或多种:透射光、反射光或荧光,并入射到所述滤波片组件30,通过滤波片组件30编码入射光为成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件30包括多个不同种类的滤波片,不同的滤波片能够编码入射光得到不同的成像信息;通过探测组件40探测所述成像信息并产生矩形灰度图像阵列;通过数据处理组件50根据所述矩形灰度图像阵列得到检测结果,能够实现精确颜色传感,并且,该系统具有成本低,体积小,可以根据具体应用优化滤波片阵列,降低成本和集成复杂度,提高提升测量精度。
本公开实施例对光源10、反应组件20、滤波片组件30、探测组件40、数据处理组件50的具体实现方式不做限定,本领域技术人员可以根据实际情况及需要采用合适的技术手段实现,下面进行示例性介绍。
示例性的,光源10可以根据具体应用定制化选择,如针对可见光波段应用可选择LED光源10、卤钨灯光源10等,也可以使用自然光及其他形式的光源。
示例性的,反应组件20中包含了待测物,反应组件20可以与待测物发生相互作用产生可检测的颜色变化,当探测光照射反应组件20后,可以获取反应组件20的颜色相关信息。示例性的,所述反应组件20中可以填充或者负载某些试剂,该试剂可以与待测物发生相互作用产生颜色变化,所述试剂的材料包括:量子点材料、化学染料、荧光发光材料等中的一种或多种。在一个实施方式中,所述反应组件20可通过载体上负载或填充上述试剂获得,所述载体可以根据实际需要设定,例如可选的载体材料包括:聚四氟乙烯(PTFE)、聚偏氟乙烯(PVDF)、聚对苯二甲酸乙二醇酯(PET)、尼龙、无纺布、MCE、PP等中的一种或多种。
示例性的,反应组件20可以为定制的放置槽,在放置槽中可以放入所述试剂,或者,在一种实施方式中,在放置槽中放入纸基、薄膜等载体,所述载体上负载所述试剂等,本领域技术人员可以通过合理调整反应组件20和光源10、探测组件40之间的位置关系实现最大光学效率或者获取目标光学信息,当然,本公开实施例对反应组件20和光源10、探测组件40之间的具体位置关系不做限定。
在一种可能的实施方式中,所述滤波片的种类包括超表面滤波片类型、光子晶体滤波片类型、钙钛矿量子点滤波片类型、胶体量子点滤波片类型等的至少一种类型,各个滤波片类型均包括多种不同型号。
在一种可能的实施方式中,所述探测组件40可以包括互补金属氧化物半导体元件、电荷耦合元件、紫外探测元件、铟镓砷近红外探测元件等的至少一种元件。
在一种可能的实施方式中,所述滤波片组合中,所述滤波片为胶体量子点滤波片,每种胶体量子点滤波片具有不同的光谱透射关系,所述光谱透射关系表示滤波片的光谱透射率与光波长的对应关系,
其中,所述滤波片基于所述光谱透射关系、与每一滤波片对应的探测组件的光谱敏感度关系、入射光的光谱对入射光进行编码,得到所述入射光的成像信息,所述光谱敏感度关系表示光谱响应度与光波长的关系。
在一种可能的实施方式中,所述滤波片基于所述光谱透射关系、与每一滤波片对应的探测组件的光谱敏感度关系共同对入射光进行编码,得到所述入射光的成像信息,包括:
在一种实施方式中,所述滤波片基于如下公式对入射光进行编码,得到所述入射光的成像信息:
其中,/>表示第i个滤波片的光谱透射关系,θi(λ)表示第i个与每一滤波片对应的探测组件的光谱敏感度关系,x(λ)表示入射光的光谱,Ii表示第i个滤波片对应的光强度值,λ表示光波长,λ1表示光波段的最小波长,λ2表示光波段的最大波长。
在一种可能的实施方式中,所述矩形灰度图像阵列为矩形灰度图像阵列,所述矩形灰度图像阵列包括多个矩形区域,每一种滤波片对应一个矩形区域,所述的多个矩形区域对应多个灰度值,每个矩形区域包括多个像素,示例性的,上述公式中,可以为1,相应的矩形灰度图像阵列为矩形灰度图像阵列。
在一种可能的实施方式中,数据处理组件50包括但不限于单独的处理器,或者分立元器件,或者处理器与分立元器件的组合。所述处理器可以包括电子设备中具有执行指令功能的控制器,所述处理器可以按任何适当的方式实现,例如,被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。在所述处理器内部,可以通过逻辑门、开关、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程逻辑控制器和嵌入微控制器等硬件电路执行所述可执行指令。
在一种可能的实施方式中,所述数据处理组件50可以包括终端设备或服务器或其它处理设备。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、手持设备、计算设备或者车载设备等,示例性的,一些终端的举例为:手机(MobilePhone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internetdevice,MID)、可穿戴设备,虚拟现实(Virtual Reality,VR)设备、增强现实(Augmentedreality,AR)设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Selfdriving)中的无线终端、远程手术(Remote medical Surgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(Transportation Safety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网中的无线终端等。例如,服务器可以是本地服务器,也可以是云服务器。
示例性的,本公开实施例的滤波片组件30可以与智能手机等终端设备集成在一起,借助自然光作为光源10或智能手机的手电筒作为光源10,也可以利用终端设备的摄像头作为探测组件以实现便携式的颜色传感方案,并且数据处理组件50可以制作为终端设备的软件形式,操作更为方便简单;同时借助终端设备的蓝牙、网络通信功能,可以实现多设备间数据共享。例如,任何一台智能手机,搭配滤波片组件和数据处理组件50,便可以变成颜色传感器,实现便携式、低成本、体积小的颜色传感方案,满足临床医学、环境监测等多领域需求。
本公开实施例的检测系统可以精确对颜色变化进行传感,以定性、定量鉴别物质成分、含量。检测系统各部分均可以针对特定应用进行定制化设计,如针对农药检测,可以获取液相形式的吸收颜色矩形灰度图像阵列;针对尿液成分鉴定,获取纸基比色阵列反射颜色的矩形灰度图像阵列。具体来说,每一种颜色对应一种矩形灰度图像阵列,可以直接采用矩形灰度图像阵列结合模式识别算法实现定性、定量鉴别颜色变化,以鉴定物质组成和含量。相比于微型光谱仪技术,其定标过程依靠昂贵仪器、复杂实验流程,本公开实施例利用滤波片组件及探测组件实现的矩形灰度图像阵列技术无需对滤波片组件和探测组件进行实验定标,矩形灰度图像阵列技术成本更低,相对应的检测系统成本低,制备简单。
下面以图5所示的检测系统对确定检测模型并进行浓度检测进行示例性介绍。
请参阅图6,图6示出了根据本公开实施例确定检测模型并进行浓度检测的示意图。
示例性的,如图6所示,本公开实施例通过滤波片组件编码入射光为成像信息得到各个传感通道的光强度值,根据成像信息获取到矩形灰度图像阵列,直接实现矩形灰度图像阵列或成像信息到物质成分、及其含量的映射,实现定性、定量检测。
示例性的,检测不同浓度物质时,不同浓度物质导致纸基、薄膜呈现不同颜色变化,采用本公开实施例的检测系统可以获取不同浓度物质对应的矩形灰度图像阵列,然后采用图像处理技术等算法检测。
示例性的,如图6所示,为建立检测模型,本公开实施例可以获取矩形灰度图像阵列的各个滤波片区域的平均强度值作为该滤波片传感通道下的光强度值,然后合并成矩形灰度图像阵列高维向量,不同浓度物质对应不同的高维向量,并可以通过最小二乘法、神经网络、各类机器学习算法等算法对物质浓度进行拟合,绘制拟合曲线,计算其检测限(LOD),得到检测模型。检测模型建立好之后便可以利用探测组件得到的矩形灰度图像阵列对未知浓度进行判定。
通过与基于RGB图像方法进行实验比较,利用本公开实施例得到的滤波片组件实现检测的方法较RGB图像方法拟合效果得到显著提升,检测限下降,本公开实施例的颜色传感能力较强,示例性的,如图6所示,利用本公开实施例对溶液的成分、及其含量进行检测具有较高的准确性。
下面以确定用于检测尿液的传感装置中滤波片组件为例对传感装置的滤波片确定方法进行示例性介绍。
请参阅图7,图7示出了根据本公开实施例的传感装置的滤波片确定方法的示意图。
示例性的,尿液中葡萄糖含量是衡量是否有糖尿病以及糖尿病程度的重要标记物,制备低成本、便携的尿液葡萄糖检测传感器是有意义的。
图7中(1)示出了尿液葡萄糖检测滤波片优化流程图。示例性的,本公开实施例针对尿液葡萄糖检测颜色传感器采用胶体量子点滤波片组成阵列,例如采用120种滤波片(N=120)透射上升峰位置位于380nm-750nm光谱范围内的胶体量子点。在制作尿液葡萄糖颜色传感器时,不能简单采用120种胶体量子点滤波片,因为滤波片传感通道存在冗余,冗余的滤波片传感通道引入随机误差,影响神经网络等模式识别方法形成的检测模型对葡萄糖的检测结果。因此,本公开实施例可以从N种滤波片中选择多个不同数目的滤波片形成多种滤波片组件,以提供多种具有不同数目滤波片的滤波片组件,在具有不同数目滤波片的滤波片组件所对应的检测结果中,从达到第一预设检测结果对应的检测结果中选择滤波片的最小数目,将所述最小数目作为所述滤波片组件的滤波片数目,例如,可以将120中滤波片按照上升峰从小到大排序,可以选择20、30、40、60、90、120种均匀分布的量子点滤波片组成7种滤波片阵列,进一步制备对应的7种颜色传感器,采用的图像传感器均为同款互补金属氧化物半导体,并采用同种神经网络架构或其他模式识别方法形成检测模型进行定量拟合,本例采用三层全连接神经网络,且均采用均方误差为评价指标(归一化),7种颜色传感器的评价指标如图7中(2)所示。120种量子点滤波片构成的颜色传感器并不是最优结果,这是由于对于葡萄糖传感,120种量子点滤波片是冗余的,冗余滤波片引入了随机误差,如探测器噪声,随机误差影响了拟合效果。相比于120种滤波片组成的传感器,20种均匀分布滤波片(量子点滤波片序号为1、7、13、19、25、31、37、43、49、55、61、67、73、79、85、91、97、103、109、115;按照滤波片透射谱吸收上升峰位置从短波长到长波长排列)组成的传感器的评价指标最优,其评价指标较120种滤波片组成的传感器下降了近一个数量级。采用本公开实施例所提滤波片优化方法的第一步,将量子点滤波片数目从120种降低到20种,提升检测性能(评价指标下降近一个数量级)的同时降低成本(成本降低至六分之一)。所以对于尿液葡萄糖传感,采用20种滤波片组成颜色传感器。
示例性的,进一步,由于20种均匀分布的滤波片并不一定是20种滤波片全部分布情况中最优的结果,本公开实施例可以确定20种滤波片的最优分布种类。例如,可以多次从N种滤波片中确定所述最小数目个连续分布或跳跃分布的组合方式,以提供多个具有不同滤波片组合方式的滤波片组件,在相同滤波片数目不同种滤波片组合对应的检测结果中,选择检测结果中达到第二预设检测结果所对应的滤波片组合的组合方式,为所述滤波片组件中的滤波片的组合方式。示例性的,从120种滤波片种选取20种共有种选择方法,可以选择连续分布的20种滤波片(1-20,11-30,……,101-120,共计11种排列方式)组成所对应的滤波片阵列,进一步构造成对应的颜色传感器,共11种颜色传感器。例如,可以采用神经网络等算法构建的检测模型分别对11种颜色传感器的检测结果进行拟合,采用均方误差为评价指标(归一化),如图7中(3)所示。11种连续分布的滤波片颜色传感器评价指标均大于均匀分布的颜色传感器对应的评价指标,所以在第二步确定20种滤波片种类时,本公开实施例选择均匀分布的20种滤波片种类,从而降低检测限(LOD)。当然,对于不同的应用,在第二步会出现不一样的优化结果,比如对于尿液亚硝酸盐传感器,在一个示例中可以得到连续分布的71-90量子点滤波片组成的颜色传感器性能最优,其评价指标最小。最后,根据选择出的均匀分布的20种滤波片(量子点滤波片序号为1、7、13、19、25、31、37、43、49、55、61、67、73、79、85、91、97、103、109、115)组成阵列,进一步制备颜色传感器。
示例性的,对于透射式颜色测量,本公开实施例可以首先测量无溶液时的矩形灰度图像阵列;然后获取有溶液时的矩形灰度图像阵列;前后两个矩形灰度图像阵列相减便得到溶液吸收的矩形灰度图像阵列。
请参阅图8,图8示出了根据本公开实施例的对待测物进行检测的示意图。
在一种可能的实施方式中,如图8所示,所述数据处理组件还可以用于:
步骤S41,获取所述传感装置输出的第一矩形灰度图像阵列及第二矩形灰度图像阵列,所述第一矩形灰度图像阵列为所述反应组件未加入待测物时所述传感装置输出的矩形灰度图像阵列,所述第二矩形灰度图像阵列为所述反应组件加入待测物时所述传感装置输出的矩形灰度图像阵列;
步骤S42,将所述第二矩形灰度图像阵列与所述第一矩形灰度图像阵列的相应像素的强度相减,得到第三矩形灰度图像阵列;
步骤S43,将所述第三矩形灰度图像阵列输入到检测模型,利用所述检测模型的输出结果得到待测物的成分或待测物的成分及各个成分的含量的检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系。
本公开实施例对待测物的具体类型不做限定,对检测结果的种类不做限定,对检测模型的具体实现方式不做限定,本领域技术人员可以根据实际情况及需要确定待测物,并选择相应的检测参数、检测模型。示例性的,在一种可能的实施方式中,所述待测物为液态,所述检测结果包括成分及各个成分的含量,例如,所述待测物可以为农药、血液、尿液及其他液态检测物,检测结果可以为待测物的组成成分,及成分的含量,也可以为其他的分类结果。在一种可能的实施方式中,所述检测模型可以基于最小二乘法、神经网络、支持向量机等的至少一种得到,本公开实施例对检测模型的建立、训练的具体方式不做限定,本领域技术人员可以根据实际情况及需要采用合适的手段实现。
在一种可能的实施方式中,所述反应组件20可以包括反射式组件、透射式组件、荧光式组件,其中,所述入射光为所述反射式组件根据所述探测光产生的反射光、所述探测光穿透所述透射式组件产生的透射光、所述入射光照射荧光式组件产生的荧光的任意一种。
在一种可能的实施方式中,所述传感装置中滤波片组件能够对380nm-750nm的入射光进行编码。
本公开实施例的检测系统相比于相关技术中的目测法、RGB法等,可以对颜色实现更为精确的传感,在具体颜色信息获取过程中,通过获取矩形灰度图像阵列而非重构光谱曲线或者彩色光谱图像数据,可以实现无需定标及光谱重建过程的效果,简化了测试流程和要求。
根据本公开的一方面,提供了一种尿液检测系统,所述尿液检测系统包含所述的传感器装置或所述的检测系统。
在一种可能的实施方式中,所述尿液检测系统用于检测待测尿液的葡萄糖含量、亚硝酸盐含量、尿胆原、尿酮体、尿胆红素、尿蛋白、尿红细胞、白细胞、上皮细胞的至少一种,
所述尿液检测系统的反应组件为反射式组件。
在一种可能的实施方式中,所述传感器装置中的滤波片组件能够对450nm-670nm的入射光进行编码,滤波片组件中滤波片的数目为20,所述探测组件由互补金属氧化物半导体制得。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种传感装置,其特征在于,所述装置包括:
滤波片组件,用于对入射光进行编码,得到各个传感通道的成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,每种滤波片对应一个传感通道,不同的滤波片能够编码入射光得到不同的成像信息;
探测组件,用于探测所述成像信息并产生矩形灰度图像阵列,所述矩形灰度图像阵列用于输入到检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
2.根据权利要求1所述的装置,其特征在于,所述检测模型用于根据所述矩形灰度图像阵列及所述映射关系确定所述检测结果。
3.根据权利要求1所述的装置,其特征在于,所述检测模型还用于对所述矩形灰度图像阵列进行预处理,其中预处理方式包括以下至少一种:
对多个所述矩形灰度图像阵列的相应像素求取平均值;
对所述矩形灰度图像阵列的各像素的光强不均匀性进行矫正。
4.根据权利要求1所述的装置,其特征在于,所述检测模型基于最小二乘法、神经网络、支持向量机、朴素贝叶斯分类、决策树、k-近邻算法、线性判别分析、线性回归、Logistic回归、分类和回归树、学习向量量化、袋装法和随机森林的至少一种得到。
5.根据权利要求1所述的装置,其特征在于,若所述检测模型基于最小二乘法实现,则所述检测模型用于:
对多个矩形灰度图像阵列的相应矩形区域的光强求取平均值,得到多个平均光强值;
将所述多个平均光强度值进行拼接,得到强度向量;
将所述强度向量作为输入进行最小二乘法运算,将运算结果作为所述检测结果,所述检测结果包括各成分的含量。
6.根据权利要求1所述的装置,其特征在于,若所述检测模型基于神经网络实现,则所述检测模型用于:
提取所述矩形灰度图像阵列的图像特征;
对提取的图像特征进行多次卷积操作、全连接操作,输出检测结果。
7.根据权利要求1~6任一项所述的装置,其特征在于,所述滤波片的种类包括超表面滤波片类型、光子晶体滤波片类型、钙钛矿量子点滤波片类型、胶体量子点滤波片类型的至少一种类型,各个滤波片类型均包括多种不同种类,
所述探测组件包括互补金属氧化物半导体元件、电荷耦合元件、紫外探测元件、铟镓砷近红外探测元件的至少一种元件。
8.根据权利要求1~6任一项所述的装置,其特征在于,所述滤波片组合中,所述滤波片为胶体量子点滤波片,每种胶体量子点滤波片具有不同的光谱透射关系,所述滤波片基于所述光谱透射关系与每一滤波片对应的探测组件的光谱敏感度关系共同对入射光进行编码,得到所述入射光的成像信息,所述光谱敏感度关系表示光响应度与光波长的关系。
9.根据权利要求1~6任一项所述的装置,其特征在于,所述矩形灰度图像阵列包括多个矩形区域,每一种滤波片对应一个矩形区域,每个矩形区域包括多个像素。
10.根据权利要求1~6任一项所述的装置,其特征在于,所述滤波片组件通过如下方式确定:
从N种滤波片中选择多个不同数目的滤波片形成多种滤波片组件,所述N种滤波片中每种滤波片具有不同的光谱透射关系,所述N种滤波片能够对目标波长范围内的入射光进行编码,N为正整数;
在具有不同数目滤波片的滤波片组件所对应的检测结果中,从达到第一预设检测结果对应的检测结果中选择滤波片的最小数目,将所述最小数目作为所述滤波片组件的滤波片数目,所述滤波片组件用于编码入射光为成像信息,所述成像信息中包含入射光的光强度值,所述滤波片组件包括多个不同种类的滤波片,不同的滤波片能够编码入射光得到成像信息;
多次从N种滤波片中确定所述最小数目个连续分布或跳跃分布的组合方式;
在相同滤波片数目不同种滤波片组合对应的检测结果中,选择达到第二预设检测结果中的最优检测结果所对应的滤波片组合的组合方式,为所述滤波片组件中的滤波片的组合方式;其中,每个滤波片组合均包括所述最小数目个滤波片,每个滤波片组合中滤波片的种类和/或排布方式不同。
11.一种检测系统,其特征在于,所述检测系统包括:
如权利要求1~10任一项所述的传感装置;
光源,用于发出探测光;
反应组件,所述反应组件用于与待测物相互作用产生颜色变化;
光源发出的探测光照射反应组件后得到以下的一种或多种:透射光、反射光或荧光,所述照射后得到的光入射到所述滤波片组件;
数据处理组件,用于利用检测模型根据所述传感装置产生的矩形灰度图像阵列得到检测结果,其中,所述矩形灰度图像阵列用于输入到所述检测模型,以利用所述检测模型的输出结果得到检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系,所述检测结果包括待测物的成分或待测物的成分及各个成分的含量。
12.根据权利要求11所述的系统,其特征在于,所述数据处理组件还用于:
获取所述传感装置输出的第一矩形灰度图像阵列及第二矩形灰度图像阵列,所述第一矩形灰度图像阵列为所述反应组件未加入待测物时所述传感装置输出的矩形灰度图像阵列,所述第二矩形灰度图像阵列为所述反应组件加入待测物时所述传感装置输出的矩形灰度图像阵列;
将所述第二矩形灰度图像阵列与所述第一矩形灰度图像阵列的相应像素的强度相减,得到第三矩形灰度图像阵列;
将所述第三矩形灰度图像阵列输入到检测模型,利用所述检测模型的输出结果得到待测物的成分或待测物的成分及各个成分的含量的检测结果,其中,所述检测模型具有所述矩形灰度图像阵列与检测结果的映射关系。
13.一种尿液检测系统,其特征在于,所述尿液检测系统包含权利要求1-10任一项所述的传感器装置或权利要求11-12任一项所述的检测系统。
14.根据权利要求13所述的系统,其特征在于,所述尿液检测系统用于检测待测尿液的葡萄糖含量、亚硝酸盐含量、尿胆原、尿酮体、尿胆红素、尿蛋白、尿红细胞、白细胞、上皮细胞的至少一种,
所述尿液检测系统的反应组件为反射式组件。
15.根据权利要求13所述的系统,其特征在于,所述传感器装置中的滤波片组件能够对450nm-670nm的入射光进行编码,滤波片组件中滤波片的数目为20,所述探测组件由互补金属氧化物半导体制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552619.2A CN116559082A (zh) | 2023-05-16 | 2023-05-16 | 传感装置、检测系统、和尿液检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552619.2A CN116559082A (zh) | 2023-05-16 | 2023-05-16 | 传感装置、检测系统、和尿液检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559082A true CN116559082A (zh) | 2023-08-08 |
Family
ID=87501544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552619.2A Pending CN116559082A (zh) | 2023-05-16 | 2023-05-16 | 传感装置、检测系统、和尿液检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559082A (zh) |
-
2023
- 2023-05-16 CN CN202310552619.2A patent/CN116559082A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11709096B2 (en) | Precision luxmeter methods for digital cameras to quantify colors in uncontrolled lighting environments | |
Cantrell et al. | Use of the hue parameter of the hue, saturation, value color space as a quantitative analytical parameter for bitonal optical sensors | |
EP3612963B1 (en) | Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice | |
US9506855B2 (en) | Method and system for analyzing a colorimetric assay | |
KR102340166B1 (ko) | 샘플에서 피분석물을 검출하기 위한 카메라를 보정하고 이용하기 위한 방법들 및 시스템들 | |
CN103957394B (zh) | 对象的全分辨率彩色成像 | |
KR101441953B1 (ko) | 시료 내 분석물의 측정 방법 및 측정 시스템 | |
CN105137058A (zh) | 一种免疫及生化检测系统 | |
Iqbal et al. | Classification and quantitative optical analysis of liquid and solid samples using a mobile phone as illumination source and detector | |
CN104764684B (zh) | 用于通过使用光分布来提高粒子成像设备中的测量精确度的装置、系统和方法 | |
JP4633712B2 (ja) | 画像形成装置 | |
CN107228942A (zh) | 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 | |
CN114739991B (zh) | 一种尿干化学常规检测方法及检测装置 | |
EP4111174A1 (en) | Systems and methods for characterization of an assay from regions of interest using optical reactions | |
US20240288414A1 (en) | Water quality testing method and water quality testing apparatus | |
JP3774192B2 (ja) | イメージセンサを用いた測定方法及び装置 | |
Fan et al. | Engineering Strategies for Advancing Optical Signal Outputs in Smartphone‐Enabled Point‐of‐Care Diagnostics | |
Shariati-Rad et al. | Multivariate analysis of digital images of a paper sensor by partial least squares for determination of nitrite | |
CN116559082A (zh) | 传感装置、检测系统、和尿液检测系统 | |
Hemmateenejad et al. | Data acquisition and data analysis in colorimetric sensor arrays | |
CN116559081A (zh) | 滤波片确定方法、颜色传感装置及检测系统 | |
Malkurthi et al. | Low-cost color sensor for automating analytical chemistry processes | |
JPWO2019162496A5 (zh) | ||
US20230010416A1 (en) | Systems and methods for compound concentration sensing in fluids | |
Ferrero et al. | A Low-Cost Portable RGB Sensor Based on Nano Metal-Organic Frameworks for Food Safety |
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 |