CN116754511A - 基于光谱技术的吲哚菁绿检测方法及系统 - Google Patents
基于光谱技术的吲哚菁绿检测方法及系统 Download PDFInfo
- Publication number
- CN116754511A CN116754511A CN202311041591.2A CN202311041591A CN116754511A CN 116754511 A CN116754511 A CN 116754511A CN 202311041591 A CN202311041591 A CN 202311041591A CN 116754511 A CN116754511 A CN 116754511A
- Authority
- CN
- China
- Prior art keywords
- interval
- characteristic
- characteristic interval
- sample
- spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 214
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- MOFVSTNWEDAEEK-UHFFFAOYSA-M indocyanine green Chemical compound [Na+].[O-]S(=O)(=O)CCCCN1C2=CC=C3C=CC=CC3=C2C(C)(C)C1=CC=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(C=CC=C3)C3=C2C1(C)C MOFVSTNWEDAEEK-UHFFFAOYSA-M 0.000 title claims abstract description 47
- 229960004657 indocyanine green Drugs 0.000 title claims abstract description 47
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012306 spectroscopic technique Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 17
- 230000008569 process Effects 0.000 abstract description 15
- 230000008859 change Effects 0.000 description 14
- 238000012937 correction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004611 spectroscopical analysis 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
- G01N21/17—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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及光谱数据处理技术领域,提出了基于光谱技术的吲哚菁绿检测方法及系统,包括:采集若干样品的光谱数据;根据每个样品的光谱数据中每个波段的光谱值,获取若干初始特征区间并计算合并程度,得到若干特征区间组合,分析得到每个样品的光谱数据中若干第一特征区间;根据同一光谱数据中不同第一特征区间的ICA分量,获取每个第一特征区间的噪声分量并得到重构数据,根据重构数据及光谱数据通过DFA算法得到每个样品的校正光谱数据;根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。本发明旨在解决光谱数据的偏移消除过程中由于物质含量及噪声导致趋势拟合错误而影响处理结果的问题。
Description
技术领域
本发明涉及光谱数据处理技术领域,具体涉及基于光谱技术的吲哚菁绿检测方法及系统。
背景技术
吲哚菁绿是一种具有强烈荧光特性的染料,广泛应用于生物医学、环境监测及材料科学等领域,其特殊的分子结构使其在吸收光能后能够发出明亮的绿色荧光,这种特性使得吲哚菁绿成为一种理想的标记物或传感器;而光谱技术通过测量物质在不同波长下的吸收或发射光谱,可以实现对物质的定量或定性分析,光谱技术结合吲哚菁绿的特性,可以快速、准确地对样品中吲哚菁绿含量的准确监测。
在进行光谱检测过程中,为了可以准确获取样品的特征信号来获取吲哚菁绿的检测结果,需要对采集的样品的光谱数据进行预处理;现有技术中通过去趋势分析(DFA)算法可以消除噪声以及在数据获取时产生的偏移对后期计算造成的影响,从而准确地获取样品的光谱数据的特征分布;但在处理过程中,由于光谱数据受到样品本身的物质含量的影响以及噪声的影响,因此在DFA算法中计算累积离差值时,光谱数据均值计算不准确,会使得转换的新序列出现较大的误差,则后续的区间以及拟合局部趋势均会得到错误的结果,进而影响光谱数据分析而降低吲哚菁绿检测结果的准确性。
发明内容
本发明提供基于光谱技术的吲哚菁绿检测方法及系统,以解决现有的光谱数据的偏移消除过程中由于物质含量及噪声导致趋势拟合错误而影响处理结果的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了基于光谱技术的吲哚菁绿检测方法,该方法包括以下步骤:
采集若干样品的光谱数据;
对每个样品的光谱数据获取若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间;
根据同一样品的光谱数据中不同第一特征区间的ICA分量,获取每个样品每个第一特征区间的噪声分量及重构数据,根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,根据光谱均值通过DFA算法得到每个样品的校正光谱数据;
根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
进一步的,所述任意两个不同样品的初始特征区间的合并程度,具体的获取方法为:
根据每个样品的光谱数据中每个波段的光谱值,获取每个样品的光谱数据中若干
初始特征区间;第个样品的第个初始特征区间与第个样品的第个初始特征区间的合并
程度的计算方法为:
其中,表示第个样品的第个初始特征区间与第个样品的第个初始特
征区间的序号差异特征,表示第个样品的第个初始特征区间的序号,表示第个
样品的第个初始特征区间的序号,表示求绝对值,表示以自然常数为底的指数函
数;表示第个样品的第个初始特征区间与第个样品的第个初始特征区间的分
布差异特征,表示第个样品的第个初始特征区间中所有波段的光谱值的均值,表示
第个样品的第个初始特征区间中所有波段的光谱值的均值,表示第个样品的
第个初始特征区间与第个样品的第个初始特征区间中所有波段的光谱值的最大值,表示所有波段的波段数最大值,所述波段数表示光谱数据中每个波段对应的波长,和表示第个样品的第个初始特征区间的左端点的波段数和右端点的波段数,和表示第个样品的第个初始特征区间的左端点的波段数和右端点的波段数;表示第个样品的初始特征区间数量与第个样品的初始特征区间数量的比值;
获取任意两个不同样品的初始特征区间的合并程度。
进一步的,所述每个样品的光谱数据中若干初始特征区间,具体的获取方法为:
对每个样品的光谱数据中每个波段根据该波段的光谱值及相邻前一个波段的光
谱值进行斜率计算,得到每个光谱数据中每个波段的斜率值;第个样品的光谱数据中第
个波段的区间划分程度的计算方法为:
其中,表示第个样品的光谱数据中第个波段的斜率值与相邻前一个波段的
斜率值的差值绝对值,表示每个波段参考的后续波段数量,表示第个样品的光谱数据
中第个波段的斜率值,表示第个样品的光谱数据中第个波段的斜率值,表示
求绝对值,表示以自然常数为底的指数函数;
获取每个样品的光谱数据中每个波段的区间划分程度,将区间划分程度大于划分阈值的波段作为区间分段点,将每个样品的光谱数据中第一个波段和最后一个波段作为区间分段点;将每个样品的光谱数据中相邻两个区间分段点作为一个初始特征区间的两个端点,对每个样品的光谱数据得到若干初始特征区间。
进一步的,所述根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间,包括的具体方法为:
将两个不同样品的初始特征区间的合并程度大于合并阈值的两个初始特征区间,作为一个特征区间组合,得到每个初始特征区间的若干特征区间组合;
对于第个样品的第个初始特征区间,对该初始特征区间的每个特征区间组合中
的两个初始特征区间获取并集,将得到的并集记为每个特征区间组合的组合特征区间,将
波段数量最大的组合特征区间,作为第个样品的第个初始特征区间的合并特征区间;获
取每个样品的每个初始特征区间的合并特征区间;
根据每个初始特征区间的若干特征组合及合并特征区间,获取每个初始特征区间的第一特征区间。
进一步的,所述每个初始特征区间的第一特征区间,具体的获取方法为:
第个样品的第个初始特征区间的完整性的计算方法为:
其中,表示第个样品的第个初始特征区间的特征区间组合数量,表示
第个样品的第个初始特征区间的第个特征区间组合中两个初始特征区间的光谱数据曲
线的DTW距离,为避免指数值过小的超参数,表示以自然常数为底的指数函数;
对该初始特征区间在其合并特征区间根据扩张步长进行扩张,得到若干特征区
间,将得到的每个特征区间及合并特征区间记为第个样品的第个初始特征区间的扩展特
征区间,对每个扩展特征区间计算完整性;将该初始特征区间及每个扩展特征区间的完整
性中的最大值,对应的扩展特征区间或初始特征区间,作为第个样品的第个初始特征区
间的第一特征区间;
获取每个初始特征区间的第一特征区间。
进一步的,所述每个样品每个第一特征区间的噪声分量及重构数据,具体的获取方法为:
对每个样品的光谱数据中每个第一特征区间进行ICA分析,得到每个第一特征区间的若干ICA分量;根据任意一个样品的两个不同第一特征区间的ICA分量的DTW距离,得到任意一个样品的两个不同第一特征区间的ICA分量的相似性,将相似性大于相似阈值的两个ICA分量记为互相的相似分量,得到每个样品的每个第一特征区间的每个ICA分量的若干相似分量;
第个样品的第个第一特征区间的第个ICA分量的噪声可能性的计算方法
为:
其中,表示第个样品的第一特征区间的数量,表示第个样品中存在第个
样品的第个第一特征区间的第个ICA分量的相似分量的第一特征区间的数量,表示
第个样品的第个第一特征区间的第个ICA分量的相似分量的数量,表示第个样
品的第个第一特征区间的第个ICA分量与第个相似分量的相似性,表示第个
样品的第个第一特征区间的第个ICA分量与第个相似分量的所有相邻极大值的间隔的
方差,表示第个样品的第个第一特征区间的第个ICA分量与第个相似分量的
所有相邻极小值的间隔的方差,为避免指数值过小的超参数,表示以自然常数为底
的指数函数;
获取第个样品的第个第一特征区间每个ICA分量的噪声可能性,将噪声可能性最
大的ICA分量作为该第一特征区间的噪声分量,获取每个样品的每个第一特征区间的噪声
分量;
根据每个第一特征区间的噪声分量及其他ICA分量,得到每个第一特征区间的重构数据。
进一步的,所述得到每个第一特征区间的重构数据,包括的具体方法为:
对第个样品的第个第一特征区间的噪声分量进行去除,根据第个样品的第个
第一特征区间剩余的ICA分量进行重构,得到第个样品的第个第一特征区间的重构数据;
获取每个第一特征区间的重构数据。
进一步的,所述根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,包括的具体方法为:
获取第个样品的第个第一特征区间对应的光谱数据,对光谱数据与该第一特征
区间的重构数据进行差值计算,得到该第一特征区间中每个波段对应的差值,对每个差值
计算绝对值,将绝对值作为每个波段的受干扰程度;
获取每个第一特征区间每个波段的受干扰程度;根据受干扰程度及光谱数据得到每个波段的光谱均值。
进一步的,所述根据受干扰程度及光谱数据得到每个波段的光谱均值,包括的具体方法为:
对于第个样品的第个第一特征区间,将受干扰程度的最大值加1得到的和,减去
每个波段的受干扰程度,得到的差值作为每个波段的参考系数,对所有参考系数进行
softmax归一化,得到的结果作为该第一特征区间中每个波段的参考权重;对该第一特征区
间每个波段的光谱值根据参考权重进行加权求和,得到的结果记为该第一特征区间的光谱
均值,作为该第一特征区间每个波段的光谱均值;
获取每个样品的每个波段的光谱均值。
第二方面,本发明另一个实施例提供了基于光谱技术的吲哚菁绿检测系统,该系统包括:
光谱数据采集模块,采集若干样品的光谱数据;
光谱数据处理模块:对每个样品的光谱数据获取若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间;
根据同一样品的光谱数据中不同第一特征区间的ICA分量,获取每个样品每个第一特征区间的噪声分量及重构数据,根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,根据光谱均值通过DFA算法得到每个样品的校正光谱数据;
光谱分析检测模块,根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
本发明的有益效果是:本发明通过对样品的光谱数据进行自适应DFA处理,来消除噪声以及数据获取时产生的偏移对后期计算导致的影响,使得后续在构建吲哚菁绿的检测模型过程中更加准确;其中采用加权均值的方式进行代替原有的获取累积离差值时所用的均值数据,根据DFA算法本身的原理,对样品的光谱数据进行分区间分析,并在每个第一特征区间通过ICA分量得到噪声分量并得到重构数据,结合光谱数据获取每个波段的受干扰程度,进而得到加权平均过程中的权重值大小;避免了传统的DFA算法中由于光谱数据受到样品本身的物质含量的影响以及噪声的影响,因此若在计算累积离差值时,会使得转换的新序列出现较大的误差,使得消除偏移的结果更加准确,提高了后续构建吲哚菁绿的检测模型的准确性,提高了检测的精度;而在分区间分析过程中,首先根据斜率分布及噪声突变判断得到初始特征区间,根据不同样品的初始特征区间进行合并程度及完整性的计算,进而得到第一特征区间,避免不同样品的物质含量差异对分区间分析过程的影响,提高后续检测结果的准确性。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于光谱技术的吲哚菁绿检测方法流程示意图;
图2为本发明另一个实施例所提供的基于光谱技术的吲哚菁绿检测系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的基于光谱技术的吲哚菁绿检测方法流程图,该方法包括以下步骤:
步骤S001、采集若干样品的光谱数据。
本实施例的目的是对于经过吲哚菁绿染色的样品通过光谱技术进行吲哚菁绿检测,因此首先需要获取染色后样品的光谱数据;本实施例共采集200个样品经过吲哚菁绿染色后的光谱数据,其中光谱数据通过红外光谱仪进行检测获取,红外光谱仪本实施例不进行型号限定,红外光谱仪使用之前需要进行预热以及校正,为公知技术,本实施例不再赘述;则得到了若干样品的光谱数据。
至此,获取到了若干样品的光谱数据,用于经过处理后为后续吲哚菁绿的检测模型提供基础。
步骤S002、根据每个样品的光谱数据中每个波段的光谱值,获取每个样品的光谱数据中若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,得到若干特征区间组合,对每个初始特征区间及对应的若干特征区间组合进行分析,得到每个样品的光谱数据中若干第一特征区间。
需要说明的是,由于光谱数据受到样品本身的物质含量的影响以及噪声的影响,在DFA算法处理过程中,计算累积离差值时会使得转换的新序列出现较大的误差,因此通过对波段的光谱值加权均值的方式来代替算法中原有的直接获取光谱均值;同时由于光谱数据的波动对应样品中不同物质或者噪声,因此需要对光谱数据进行分区间分析,通过在每个区间分析受到噪声的干扰程度,结合区间的分布特征获取每个波段的受干扰程度,进而完成加权求均值。
进一步需要说明的是,为了后续的DFA算法操作过程中能够准确的得到拟合趋势,需要对每个样品的光谱数据进行分区间分析,而区间分析基于每个波段的区间划分程度进行获取,区间划分程度基于波段的斜率变化以及斜率的突变分析,正常的斜率变化较大的波段,可能即为样品中不同物质的区间分段点;而由于噪声影响,存在斜率突变的波段,则需要考虑该波段是否为噪声导致的斜率剧烈变化,从而降低其可能作为区间分段点的可能性;而获取到每个样品的光谱数据的若干初始特征区间后,由于不同样品的物质含量差异会发生波峰偏移以及强度的变化,因此需要结合不同样品的初始特征区间的分布来获取合并程度,并得到每个初始特征区间的若干特征区间组合,根据特征区间组合对初始特征区间进行扩展,得到第一特征区间,保证不会由于单个样品的光谱数据波动的偶然性对于区间划分造成较多影响,提高划分的区间对于后续噪声分析的准确性。
具体的,对每个样品的光谱数据中每个波段根据该波段的光谱值及相邻前一个波
段的光谱值进行斜率计算,得到每个光谱数据中每个波段的斜率值,需要说明的是,每个光
谱数据中第一个波段的斜率值设置为第二个波段的斜率值;则第个样品的光谱数据中第
个波段的区间划分程度的计算方法为:
其中,表示第个样品的光谱数据中第个波段的斜率值与相邻前一个波段的
斜率值的差值绝对值,表示每个波段参考的后续波段数量,本实施例采用进行叙
述,表示第个样品的光谱数据中第个波段的斜率值,表示第个样品的光谱数据
中第个波段的斜率值,表示求绝对值,表示以自然常数为底的指数函数,本实
施例采用来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数
及归一化函数;
通过相邻波段斜率变化部分及后续波段突变部分来进行区间划分程度的获取,相邻波段斜率值的差异越大,该波段相较前一个波段的波动变化较大,作为区间分段点的可能性越大,区间划分程度越大;同时考虑该波段的波动变化是否为突兀变化情况,通过与后续波段的斜率值进行差异均值获取,差异均值越大,为趋势突变的斜率的可能性越大,噪声影响的可能性越大,应调小区间划分程度,避免噪声影响区间分段点获取;需要说明的是,第一个波段没有相邻前一个波段,则不计算相邻波段斜率变化部分,设置该部分结果为1,仅计算后续波段斜率突变部分;若某个波段的后续波段的数量不足5个,则不需要补全,以能够获取的后续波段参与计算,对于最后一个波段,其没有后续波段,不计算后续波段斜率部分,设置该部分结果为1,仅计算相邻波段斜率变化部分;按照上述方法获取每个样品的光谱数据中每个波段的区间划分程度。
进一步的,预设一个划分阈值,本实施例划分阈值采用0.58进行叙述,将区间划分程度大于划分阈值的波段作为区间分段点,需要说明的是,每个光谱数据中第一个波段和最后一个波段默认为区间分段点;将每个光谱数据中相邻两个区间分段点作为一个初始特征区间的两个端点,则对每个光谱数据得到了若干初始特征区间。
进一步需要说明的是,由于所有样品中包含物质类型相同,物质含量存在差异,因此每个样品的光谱数据中初始特征区间数量差异较小,基本相同;则需要结合不同样品的光谱数据中的初始特征区间,获取特征区间组合,根据特征区间组合求并集来对每个初始特征区间进行扩展,从而得到每个光谱数据中的若干第一特征区间,则首先需要获取特征区间组合,通过合并程度来进行特征区间组合的获取。
具体的,以第个样品的第个初始特征区间与第个样品的第个初始特征区间为
例,其中,两个初始特征区间的合并程度的计算方法为:
其中,表示第个样品的第个初始特征区间与第个样品的第个初始特
征区间的序号差异特征,表示第个样品的第个初始特征区间的序号,即的值;表
示第个样品的第个初始特征区间的序号,即的值;表示求绝对值,表示以自然常
数为底的指数函数,本实施例采用来呈现反比例关系及归一化处理,实施者可根据
实际情况设置反比例函数及归一化函数;由于物质类型相同,各光谱数据中初始特征区间
数量基本相同,则若不同样品的初始特征区间表示相同物质,则初始特征区间序号的差异
应较小,进而合并程度应较大;
表示第个样品的第个初始特征区间与第个样品的第个初始特征区间
的分布差异特征,表示第个样品的第个初始特征区间中所有波段的光谱值的均值,
表示第个样品的第个初始特征区间中所有波段的光谱值的均值,表示第个样
品的第个初始特征区间与第个样品的第个初始特征区间中所有波段的光谱值的最大
值;表示所有波段的波段数最大值,波段数即光谱数据中每个波段对应的波长;和表示第个样品的第个初始特征区间的左端点的波段数和右端点的波段数,和表示第个样品的第个初始特征区间的左端点的波段数和右端点的波段数;通过L2范
数将光谱分布及波段分布两个特征进行组合表征,光谱分布特征通过两个初始特征区间的
光谱均值差异量化,光谱均值差异越小,光谱值分布越相近,合并程度应较大;波段分布特
征则通过波段数差异进行量化,左右端点的波段数差异越小,初始特征区间对应范围越接
近,合并程度越大;
表示第个样品的初始特征区间数量与第个样品的初始特征区间数量的比
值,其中比值由小值比大值得到;通过对序号差异特征及分布差异特征根据初始特征区间
数量的比值进行加权,比值越大,区间数量差异越小,合并程度分析时应更多考虑序号差异
特征,即序号上的相似性;比值越小,区间数量差异较大,合并程度分析时应更多考虑分布
差异特征,即初始特征区间的序号分布差异较大,应更多参考初始特征区间内部的分布特
征。
进一步的,按照上述方法获取任意两个不同样品的初始特征区间的合并程度,预
设一个合并阈值,本实施例合并阈值采用0.89进行叙述,将两个不同样品的初始特征区间
的合并程度大于合并阈值的两个初始特征区间,作为一个特征区间组合,则对每个初始特
征区间获取到了若干特征区间组合;以第个样品的第个初始特征区间为例,获取该初始
特征区间对应的若干特征区间组合,对每个特征区间组合中的两个初始特征区间获取并
集,并集计算是基于初始特征区间中的波段的,将得到的并集记为每个特征区间组合的组
合特征区间,需要说明的是,此处初始特征区间及组合特征区间在进行并集计算针对的元
素均是波段;将波段数量最大的组合特征区间,作为第个样品的第个初始特征区间的合
并特征区间;对该初始特征区间结合合并特征区间计算完整性,第个样品的第个初始特
征区间的完整性的计算方法为:
其中,表示第个样品的第个初始特征区间的特征区间组合数量,表示
第个样品的第个初始特征区间的第个特征区间组合中两个初始特征区间的光谱数据曲
线的DTW距离,为避免指数值过小的超参数,本实施例采用进行计算;表示
以自然常数为底的指数函数,本实施例采用来呈现反比例关系及归一化处理,实施
者可根据实际情况设置反比例函数及归一化函数;通过对特征区间组合中两个光谱数据曲
线进行DTW距离计算,DTW距离越小,两个光谱数据曲线的相似性越大,特征区间组合中两个
初始特征区间差异越小,完整性越大;光谱数据曲线即是初始特征区间中所有波段的光谱
值按顺序排列得到的曲线,横坐标为波段,纵坐标为光谱值;对该初始特征区间在其合并特
征区间进行扩张,扩张步长设置为1,并以一左一右的波段逐步扩张,某一侧全部扩张则对
另一侧剩下的部分进行扩张,则对该初始特征区间扩张到合并特征区间的过程中,得到了
若干特征区间,将得到的每个特征区间及合并特征区间记为第个样品的第个初始特征区
间的扩展特征区间,对每个扩展特征区间按照上述方法计算完整性,即DTW距离计算过程中
将该初始特征区间的光谱数据曲线替换为扩展特征区间的光谱数据曲线,进而得到完整
性;将该初始特征区间及每个扩展特征区间的完整性中的最大值,对应的扩展特征区间或
初始特征区间,作为第个样品的第个初始特征区间的第一特征区间。
进一步的,按照上述方法获取每个初始特征区间的第一特征区间,需要说明的是,每个样品的光谱数据中的若干第一特征区间可能存在重叠,由于后续DFA算法基于区间进行趋势拟合,因此不会影响后续数据处理,本实施例不再对该种特殊情况进行说明。
至此,获取到了每个样品的光谱数据中若干第一特征区间,第一特征区间与初始特征区间为一一对应的关系。
步骤S003、对每个光谱数据中每个第一特征区间获取若干ICA分量,根据同一光谱数据中不同第一特征区间的ICA分量,获取每个第一特征区间的噪声分量并得到重构数据,根据重构数据及光谱数据得到每个第一特征区间每个波段的受干扰程度,结合受干扰程度通过DFA算法得到每个样品的校正光谱数据。
需要说明的是,通过不同样品的初始特征区间进行分析,得到第一特征区间,已经避免了物质含量差异对区间划分的影响,则需要进一步分析噪声对于光谱数据的影响;对于单个样品的多个第一特征区间,噪声影响会体现在每个第一特征区间,进而在每个第一特征区间出现局部的波动干扰;因此对每个第一特征区间通过ICA分析得到ICA分量,根据不同第一特征区间的ICA分量之间的相似性,分析得到噪声分量,并重构数据,通过光谱数据与重构数据的差异来量化每个第一特征区间中每个波段的受干扰程度,根据受干扰程度对每个波段的光谱数据进行加权得到加权的光谱数据均值,进而通过DFA算法进行去噪及数据偏移消除,得到每个样品最终的校正光谱数据;通过受干扰程度保证DFA算法计算过程中,不会受到噪声及物质含量的影响,提高校正光谱数据的准确性。
具体的,对每个样品的光谱数据中每个第一特征区间进行ICA分析,得到每个第一
特征区间的若干ICA分量,其中分量数量本实施例设置为5,即是对每个第一特征区间的光
谱数据曲线获取ICA分量;对于任意一个样品的两个不同第一特征区间的ICA分量,两个ICA
分量的相似性,其中表示两个ICA分量的DTW距离,为避免指数值过小的
超参数,本实施例采用进行计算;表示以自然常数为底的指数函数,本实施
例采用来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及
归一化函数;由于两个ICA分量的横坐标数量存在差异,因此通过DTW距离表示相似性,预设
一个相似阈值,本实施例相似阈值采用0.58进行叙述,若两个ICA分量的相似性大于相似阈
值,将两个ICA分量记为互相的相似分量,则对每个样品的每个第一特征区间的每个ICA分
量获取其在该样品的若干相似分量。
进一步的,以第个样品的第个第一特征区间的第个ICA分量为例,该分量的噪
声可能性的计算方法为:
其中,表示第个样品的第一特征区间的数量,表示第个样品中存在第个
样品的第个第一特征区间的第个ICA分量的相似分量的第一特征区间的数量,表示
第个样品的第个第一特征区间的第个ICA分量的相似分量的数量,表示第个样
品的第个第一特征区间的第个ICA分量与第个相似分量的相似性,表示第个
样品的第个第一特征区间的第个ICA分量与第个相似分量的所有相邻极大值的间隔的
方差,表示第个样品的第个第一特征区间的第个ICA分量与第个相似分量的
所有相邻极小值的间隔的方差,需要说明的是,对ICA分量获取极大值或极小值为公知技
术,本实施例不再赘述,极大值极小值获取后则计算相邻极大值或相邻极小值的间隔,即计
算极大值或极小值的横坐标之间的差值绝对值;为避免指数值过小的超参数,本实施例采
用进行计算;表示以自然常数为底的指数函数,本实施例采用来呈现
反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;
存在相似分量的第一特征区间数量越多,占比越大,越符合噪声在每个第一特征
区间都分布的特点,噪声可能性越大;同时对相似分量通过极大值极小值分布进行随机性
的量化,极大值极小值分布间隔的方差越大,分布差异越大,同时相似性较大,表明变化频
繁的同时随机相似,则随机性较大,且噪声随机性较大,则噪声可能性越大;按照上述方法
获取第个样品的第个第一特征区间每个ICA分量的噪声可能性,将噪声可能性最大的ICA
分量作为该第一特征区间的噪声分量,获取每个样品的每个第一特征区间的噪声分量。
进一步的,以第个样品的第个第一特征区间为例,对噪声分量进行去除,根据剩
余的ICA分量进行重构,得到该第一特征区间的重构数据,对该第一特征区间的光谱数据与
重构数据进行差值计算,得到该第一特征区间中每个波段对应的差值,对每个差值计算绝
对值,将绝对值作为每个波段的受干扰程度;将受干扰程度的最大值加1得到的和,减去每
个波段的受干扰程度,得到的差值作为每个波段的参考系数,对所有参考系数进行softmax
归一化,得到的结果作为该第一特征区间中每个波段的参考权重,其中加1的目的是为了避
免受干扰程度的最大值归一化后参考权重为0;获取到参考权重后,对该第一特征区间每个
波段的光谱值根据参考权重进行加权求和,得到的结果记为该第一特征区间的光谱均值,
也作为该第一特征区间每个波段的光谱均值;按照上述方法获取每个样品每个第一特征区
间的重构数据,得到每个第一特征区间每个波段的受干扰程度,以及每个波段的光谱均值,
需要说明的是,若由于第一特征区间重叠即存在交集,导致一个波段有多个光谱均值,则将
多个光谱均值的均值,作为该波段的光谱均值。
进一步的,根据每个样品的光谱数据中每个波段的光谱均值,通过DFA算法获取累积离差值,并转换为新的序列,进行后续处理,最终得到每个样品的处理后的光谱数据,记为每个样品的校正光谱数据。
至此,通过对DFA算法中累积离差值计算过程中数据均值获取的调整,避免噪声及物质含量对处理结果的干扰,提高校正光谱数据的准确性,提高DFA算法去噪及数据偏移消除的效率,最终得到每个样品的校正光谱数据。
步骤S004、根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
获取到每个样品的校正光谱数据后,将所有样品的校正光谱数据作为训练集,并通过现有的化学检测方法获取每个样品的吲哚菁绿含量,将每个样品的吲哚菁绿含量作为训练集中每个校正光谱数据的标签,通过CNN网络构建检测模型,损失函数采用均方根误差函数,通过训练集对检测模型进行训练,输出每个样品对应的吲哚菁绿含量,得到训练完成的检测模型。
进一步的,在对新获取的样品进行吲哚菁绿检测过程中,通过红外光谱仪获取该样品的光谱数据,将该样品的光谱数据根据已有样品的光谱数据得到若干第一特征区间,并按照上述方法获取该样品的校正光谱数据,将校正光谱数据输入到训练完成的检测模型中,输出得到该样品的吲哚菁绿含量,完成吲哚菁绿检测。
至此,完成了基于光谱技术对样品的吲哚菁绿检测。
请参阅图2,其示出了本发明另一个实施例所提供的基于光谱技术的吲哚菁绿检测系统结构框图,该系统包括:
光谱数据采集模块101,采集若干样品的光谱数据。
光谱数据处理模块102:
(1)根据每个样品的光谱数据中每个波段的光谱值,获取每个样品的光谱数据中若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,得到若干特征区间组合,对每个初始特征区间及对应的若干特征区间组合进行分析,得到每个样品的光谱数据中若干第一特征区间;
(2)对每个光谱数据中每个第一特征区间获取若干ICA分量,根据同一光谱数据中不同第一特征区间的ICA分量,获取每个第一特征区间的噪声分量并得到重构数据,根据重构数据及光谱数据得到每个第一特征区间每个波段的受干扰程度,结合受干扰程度通过DFA算法得到每个样品的校正光谱数据。
光谱分析检测模块103,根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于光谱技术的吲哚菁绿检测方法,其特征在于,该方法包括以下步骤:
采集若干样品的光谱数据;
对每个样品的光谱数据获取若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间;
根据同一样品的光谱数据中不同第一特征区间的ICA分量,获取每个样品每个第一特征区间的噪声分量及重构数据,根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,根据光谱均值通过DFA算法得到每个样品的校正光谱数据;
根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
2.根据权利要求1所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述任意两个不同样品的初始特征区间的合并程度,具体的获取方法为:
根据每个样品的光谱数据中每个波段的光谱值,获取每个样品的光谱数据中若干初始特征区间;第个样品的第/>个初始特征区间与第/>个样品的第/>个初始特征区间的合并程度的计算方法为:
其中,表示第/>个样品的第/>个初始特征区间与第/>个样品的第/>个初始特征区间的序号差异特征,/>表示第/>个样品的第/>个初始特征区间的序号,/>表示第/>个样品的第/>个初始特征区间的序号,/>表示求绝对值,/>表示以自然常数为底的指数函数;表示第/>个样品的第/>个初始特征区间与第/>个样品的第/>个初始特征区间的分布差异特征,/>表示第/>个样品的第/>个初始特征区间中所有波段的光谱值的均值,/>表示第/>个样品的第/>个初始特征区间中所有波段的光谱值的均值,/>表示第/>个样品的第/>个初始特征区间与第/>个样品的第/>个初始特征区间中所有波段的光谱值的最大值,/>表示所有波段的波段数最大值,所述波段数表示光谱数据中每个波段对应的波长,/>和/>表示第/>个样品的第/>个初始特征区间的左端点的波段数和右端点的波段数,/>和/>表示第/>个样品的第/>个初始特征区间的左端点的波段数和右端点的波段数;/>表示第/>个样品的初始特征区间数量与第/>个样品的初始特征区间数量的比值;
获取任意两个不同样品的初始特征区间的合并程度。
3.根据权利要求2所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述每个样品的光谱数据中若干初始特征区间,具体的获取方法为:
对每个样品的光谱数据中每个波段根据该波段的光谱值及相邻前一个波段的光谱值进行斜率计算,得到每个光谱数据中每个波段的斜率值;第个样品的光谱数据中第/>个波段的区间划分程度/>的计算方法为:
其中,表示第/>个样品的光谱数据中第/>个波段的斜率值与相邻前一个波段的斜率值的差值绝对值,/>表示每个波段参考的后续波段数量,/>表示第/>个样品的光谱数据中第个波段的斜率值,/>表示第/>个样品的光谱数据中第/>个波段的斜率值,/>表示求绝对值,/>表示以自然常数为底的指数函数;
获取每个样品的光谱数据中每个波段的区间划分程度,将区间划分程度大于划分阈值的波段作为区间分段点,将每个样品的光谱数据中第一个波段和最后一个波段作为区间分段点;将每个样品的光谱数据中相邻两个区间分段点作为一个初始特征区间的两个端点,对每个样品的光谱数据得到若干初始特征区间。
4.根据权利要求1所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间,包括的具体方法为:
将两个不同样品的初始特征区间的合并程度大于合并阈值的两个初始特征区间,作为一个特征区间组合,得到每个初始特征区间的若干特征区间组合;
对于第个样品的第/>个初始特征区间,对该初始特征区间的每个特征区间组合中的两个初始特征区间获取并集,将得到的并集记为每个特征区间组合的组合特征区间,将波段数量最大的组合特征区间,作为第/>个样品的第/>个初始特征区间的合并特征区间;获取每个样品的每个初始特征区间的合并特征区间;
根据每个初始特征区间的若干特征组合及合并特征区间,获取每个初始特征区间的第一特征区间。
5.根据权利要求4所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述每个初始特征区间的第一特征区间,具体的获取方法为:
第个样品的第/>个初始特征区间的完整性/>的计算方法为:
其中,表示第/>个样品的第/>个初始特征区间的特征区间组合数量,/>表示第/>个样品的第/>个初始特征区间的第/>个特征区间组合中两个初始特征区间的光谱数据曲线的DTW距离,/>为避免指数值过小的超参数,/>表示以自然常数为底的指数函数;
对该初始特征区间在其合并特征区间根据扩张步长进行扩张,得到若干特征区间,将得到的每个特征区间及合并特征区间记为第个样品的第/>个初始特征区间的扩展特征区间,对每个扩展特征区间计算完整性;将该初始特征区间及每个扩展特征区间的完整性中的最大值,对应的扩展特征区间或初始特征区间,作为第/>个样品的第/>个初始特征区间的第一特征区间;
获取每个初始特征区间的第一特征区间。
6.根据权利要求1所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述每个样品每个第一特征区间的噪声分量及重构数据,具体的获取方法为:
对每个样品的光谱数据中每个第一特征区间进行ICA分析,得到每个第一特征区间的若干ICA分量;根据任意一个样品的两个不同第一特征区间的ICA分量的DTW距离,得到任意一个样品的两个不同第一特征区间的ICA分量的相似性,将相似性大于相似阈值的两个ICA分量记为互相的相似分量,得到每个样品的每个第一特征区间的每个ICA分量的若干相似分量;
第个样品的第/>个第一特征区间的第/>个ICA分量的噪声可能性/>的计算方法为:
其中,表示第/>个样品的第一特征区间的数量,/>表示第/>个样品中存在第/>个样品的第/>个第一特征区间的第/>个ICA分量的相似分量的第一特征区间的数量,/>表示第/>个样品的第/>个第一特征区间的第/>个ICA分量的相似分量的数量,/>表示第/>个样品的第/>个第一特征区间的第/>个ICA分量与第/>个相似分量的相似性,/>表示第/>个样品的第个第一特征区间的第/>个ICA分量与第/>个相似分量的所有相邻极大值的间隔的方差,表示第/>个样品的第/>个第一特征区间的第/>个ICA分量与第/>个相似分量的所有相邻极小值的间隔的方差,/>为避免指数值过小的超参数,/>表示以自然常数为底的指数函数;
获取第个样品的第/>个第一特征区间每个ICA分量的噪声可能性,将噪声可能性最大的ICA分量作为该第一特征区间的噪声分量,获取每个样品的每个第一特征区间的噪声分量;
根据每个第一特征区间的噪声分量及其他ICA分量,得到每个第一特征区间的重构数据。
7.根据权利要求6所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述得到每个第一特征区间的重构数据,包括的具体方法为:
对第个样品的第/>个第一特征区间的噪声分量进行去除,根据第/>个样品的第/>个第一特征区间剩余的ICA分量进行重构,得到第/>个样品的第/>个第一特征区间的重构数据;
获取每个第一特征区间的重构数据。
8.根据权利要求1所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,包括的具体方法为:
获取第个样品的第/>个第一特征区间对应的光谱数据,对光谱数据与该第一特征区间的重构数据进行差值计算,得到该第一特征区间中每个波段对应的差值,对每个差值计算绝对值,将绝对值作为每个波段的受干扰程度;
获取每个第一特征区间每个波段的受干扰程度;根据受干扰程度及光谱数据得到每个波段的光谱均值。
9.根据权利要求8所述的基于光谱技术的吲哚菁绿检测方法,其特征在于,所述根据受干扰程度及光谱数据得到每个波段的光谱均值,包括的具体方法为:
对于第个样品的第/>个第一特征区间,将受干扰程度的最大值加1得到的和,减去每个波段的受干扰程度,得到的差值作为每个波段的参考系数,对所有参考系数进行softmax归一化,得到的结果作为该第一特征区间中每个波段的参考权重;对该第一特征区间每个波段的光谱值根据参考权重进行加权求和,得到的结果记为该第一特征区间的光谱均值,作为该第一特征区间每个波段的光谱均值;
获取每个样品的每个波段的光谱均值。
10.基于光谱技术的吲哚菁绿检测系统,其特征在于,该系统包括:
光谱数据采集模块,采集若干样品的光谱数据;
光谱数据处理模块:对每个样品的光谱数据获取若干初始特征区间,根据不同样品的初始特征区间的分布及光谱值分布,获取任意两个不同样品的初始特征区间的合并程度,根据合并程度得到每个初始特征区间的若干特征区间组合及第一特征区间;
根据同一样品的光谱数据中不同第一特征区间的ICA分量,获取每个样品每个第一特征区间的噪声分量及重构数据,根据重构数据及光谱数据获取每个第一特征区间每个波段的受干扰程度及光谱均值,根据光谱均值通过DFA算法得到每个样品的校正光谱数据;
光谱分析检测模块,根据每个样品的校正光谱数据构建检测模型,通过检测模型完成吲哚菁绿检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041591.2A CN116754511B (zh) | 2023-08-18 | 2023-08-18 | 基于光谱技术的吲哚菁绿检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041591.2A CN116754511B (zh) | 2023-08-18 | 2023-08-18 | 基于光谱技术的吲哚菁绿检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116754511A true CN116754511A (zh) | 2023-09-15 |
CN116754511B CN116754511B (zh) | 2023-10-27 |
Family
ID=87959492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041591.2A Active CN116754511B (zh) | 2023-08-18 | 2023-08-18 | 基于光谱技术的吲哚菁绿检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754511B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994675A (zh) * | 2023-09-28 | 2023-11-03 | 佳木斯大学 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
CN117007577A (zh) * | 2023-10-07 | 2023-11-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种污染物毒性智能检测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226832A (zh) * | 2013-05-07 | 2013-07-31 | 西安电子科技大学 | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 |
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
KR20190063364A (ko) * | 2017-11-29 | 2019-06-07 | 삼성전자주식회사 | 혈당 농도를 예측하는 장치 및 방법 |
CN111832569A (zh) * | 2020-06-19 | 2020-10-27 | 西北大学 | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 |
CN113486876A (zh) * | 2021-09-08 | 2021-10-08 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、装置及系统 |
CN115547270A (zh) * | 2022-10-26 | 2022-12-30 | 深圳新视光电科技有限公司 | 基于光谱分析的色差调整方法、装置、设备及存储介质 |
CN115855860A (zh) * | 2022-11-04 | 2023-03-28 | 华南农业大学 | 一种茶叶干燥过程中的水分含量预测方法及处理终端 |
CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
-
2023
- 2023-08-18 CN CN202311041591.2A patent/CN116754511B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226832A (zh) * | 2013-05-07 | 2013-07-31 | 西安电子科技大学 | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 |
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
KR20190063364A (ko) * | 2017-11-29 | 2019-06-07 | 삼성전자주식회사 | 혈당 농도를 예측하는 장치 및 방법 |
CN111832569A (zh) * | 2020-06-19 | 2020-10-27 | 西北大学 | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 |
CN113486876A (zh) * | 2021-09-08 | 2021-10-08 | 中国地质大学(武汉) | 一种高光谱影像波段选择方法、装置及系统 |
CN115547270A (zh) * | 2022-10-26 | 2022-12-30 | 深圳新视光电科技有限公司 | 基于光谱分析的色差调整方法、装置、设备及存储介质 |
CN115855860A (zh) * | 2022-11-04 | 2023-03-28 | 华南农业大学 | 一种茶叶干燥过程中的水分含量预测方法及处理终端 |
CN116297530A (zh) * | 2023-05-19 | 2023-06-23 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
Non-Patent Citations (4)
Title |
---|
付萍杰;杨可明;: "土壤铜污染光谱特征波段分析、界限浓度划分及含量预测", 生态环境学报, no. 07 * |
付萍杰;杨可明;王晓峰;程龙;: "重构玉米叶片光谱的铜铅污染区分与其含量反演方法", 科学技术与工程, no. 23 * |
孙继平 等: "MS-ADoG域结合ReNLU与VGG-16的矿井双波段图像融合算法", 光子学报, vol. 51, no. 3 * |
朱淑鑫;杨宸;顾兴健;张永春;艾玉春;徐焕良;: "K均值算法结合连续投影算法应用于土壤速效钾含量的高光谱分析", 江苏农业学报, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994675A (zh) * | 2023-09-28 | 2023-11-03 | 佳木斯大学 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
CN116994675B (zh) * | 2023-09-28 | 2023-12-01 | 佳木斯大学 | 基于近红外数据的锦灯笼宿萼表皮检测方法 |
CN117007577A (zh) * | 2023-10-07 | 2023-11-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种污染物毒性智能检测系统 |
CN117007577B (zh) * | 2023-10-07 | 2023-12-08 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种污染物毒性智能检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116754511B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116754511B (zh) | 基于光谱技术的吲哚菁绿检测方法及系统 | |
CN110068544B (zh) | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
CN105630743A (zh) | 一种光谱波数的选择方法 | |
CN108169213A (zh) | 一种激光诱导击穿光谱谱峰元素自动识别方法 | |
CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
CN116935384B (zh) | 一种细胞异常样本智能化检测方法 | |
CN110907393A (zh) | 植物盐碱胁迫程度检测方法及装置 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
CN111999258A (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
CN109142251B (zh) | 随机森林辅助人工神经网络的libs定量分析方法 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
CN111104876A (zh) | 一种基于神经网络的红外光谱反卷积方法 | |
CN113177488A (zh) | 基于最佳指数波段组合的高光谱图像波段选择方法 | |
CN112229817A (zh) | 一种苏打盐碱地重金属定量反演模型建立方法 | |
Ma | DeepQuality: mass spectra quality assessment via compressed sensing and deep learning | |
CN114414523A (zh) | 一种基于自动波段选择的纺织纤维成分定性方法 | |
CN112697745A (zh) | 一种白酒酒精含量测定方法 | |
CN112733775A (zh) | 基于深度学习的高光谱影像分类方法 | |
KR102527149B1 (ko) | 질량 분석 및 기계 학습에 기초한 암 진단에 사용하는 분류 모델 최적화 장치 및 그 방법 |
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 |