CN116818739A - 一种基于光学的吲哚菁绿检测方法 - Google Patents
一种基于光学的吲哚菁绿检测方法 Download PDFInfo
- Publication number
- CN116818739A CN116818739A CN202311092538.5A CN202311092538A CN116818739A CN 116818739 A CN116818739 A CN 116818739A CN 202311092538 A CN202311092538 A CN 202311092538A CN 116818739 A CN116818739 A CN 116818739A
- Authority
- CN
- China
- Prior art keywords
- component
- local
- window
- obtaining
- original 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.)
- Pending
Links
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 136
- 230000003287 optical effect Effects 0.000 claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000002835 absorbance Methods 0.000 claims description 34
- 238000010521 absorption reaction Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及光谱数据处理领域,具体涉及一种基于光学的吲哚菁绿检测方法,包括:获取原光谱曲线和分解后的多个分量;获取每个分量的幅值范围;根据每个分量的幅值范围进行区间的均等划分;根据每个分量各区间的波段数量和总波段数量得到离散差异大小;根据第一特征、第二特征和第三特征得到局部波动情况;根据离散差异大小和局部波动情况得到局部窗口的调整系数;根据局部窗口的调整系数得到每个波段位置的最终调整系数;根据每个波段位置的最终调整系数得到每个波段位置的最终局部窗口长度,根据每个波段位置的最终局部窗口长度对原光谱曲线的进行平滑,并进行匹配检测。本发明光谱数据处理方式获取新的局部窗口长度,提高检测的准确性。
Description
技术领域
本发明涉及光谱数据处理技术领域,具体涉及一种基于光学的吲哚菁绿检测方法。
背景技术
吲哚菁绿是一种常用的荧光染料,广泛应用于生物医学领域中的光谱检测,具有优异的光学特性和生物相容性。通常是通过对样品中的吲哚菁绿施加特定光源激发,使其发射荧光。莹光信号经过光学镜头聚焦后,转化为光谱曲线,并于已知浓度下的吲哚菁绿标准曲线进行比对,从而确定浓度。但由于设备以及噪声干扰,通常在进行吲哚菁绿检测时,需要对采集到的的光谱信号进行移动平滑滤波去噪处理,从而使得后续的数据分析更加准确可靠。
常规均值滤波进行去噪时,通常以固定局部窗口长度进行均值计算,但由于吲哚菁绿浓度检测常用方式是,通过对当前样品中采集光谱信号并与确定的标准浓度的吲哚菁绿光谱曲线进行比对,从而确定浓度,而当噪声信号在无吸收波段与吸光波段中都出现时,其与原始光谱信号的混合会导致模态混乱,因此固定的滤波程度过小,可能会导致噪声滤波效果不好,程度过大,便会导致原光谱信号中的信息受损,进而影响检测精度。
发明内容
本发明提供一种基于光学的吲哚菁绿检测方法,以解决现有的问题。
本发明的一种基于光学的吲哚菁绿检测方法采用如下技术方案:
本发明一个实施例提供了一种基于光学的吲哚菁绿检测方法,该方法包括以下步骤:
获取吲哚菁绿样品的原光谱曲线,并将原光谱曲线分解为多个分量;
获取每个分量的最大吸收度和最小吸收度,根据每个分量的最大吸收度和最小吸收度得到每个分量的幅值范围;根据每个分量的幅值范围对每个分量进行区间的均等划分,得到每个分量的若干区间;
获取每个分量各区间的波段数量,根据每个分量各区间的波段数量和每个分量中的总波段数量得到每个分量的离散差异大小;
根据预设滑窗得到每个波段位置的局部窗口,根据每个波段位置的局部窗口内相邻极值点之间的波段位置对应原光谱吸收度得到第一特征;
根据局部窗口内相邻极值点之间的波段位置对应原光谱吸收度残差值的累加和得到第二特征;
根据局部窗口内对应原光谱中最大吸收度和最小吸收度得到第三特征;
根据第一特征、第二特征和第三特征得到每个分量每个窗口的局部波动情况;
根据每个分量的离散差异大小和每个分量每个窗口的局部波动情况得到原光谱曲线上每个局部窗口的调整系数;根据原光谱曲线上每个局部窗口的调整系数得到原光谱曲线上每个波段位置的最终调整系数;
根据原光谱曲线上每个波段位置的最终调整系数得到原光谱曲线上每个波段位置的最终局部窗口长度,根据原光谱曲线上每个波段位置的最终局部窗口长度对原光谱曲线的进行平滑,用平滑后的光谱信号对不同浓度的吲哚菁绿进行匹配检测。
进一步地,所述根据每个分量的幅值范围对每个分量进行区间的均等划分,得到每个分量的若干区间,包括的具体步骤如下:
将每个分量的幅值范围均等划分为个区间,表示区间个数阈值。
进一步地,所述每个分量的离散差异大小的具体获取步骤如下:
每个分量的离散差异大小的公式为:
式中,表示为第n个分量的第m个区间,表示为第n个分量的第m个区间
中波段的数量在第n个分量的总波段数量中的占比,表示为区间数量,表示为第n个分
量的离散差异大小。
进一步地,所述第一特征的具体获取步骤如下:
将局部窗口内相邻极值点之间的所有波段位置对应原光谱吸收度的标准差作为第一特征。
进一步地,所述残差值的具体获取步骤如下:
获取局部窗口内相邻极值点之间对应的分量的光谱曲线,记为第一光谱曲线,获取局部窗口内相邻极值点之间对应的原光谱曲线,第一光谱曲线与所述对应的原光谱曲线之间所有波段对应吸收度差值,记为一组残差值序列,其中残差值序列中有多个残差值。
进一步地,所述第三特征的具体获取步骤如下:
第三特征为局部窗口内对应原光谱中最大吸收度和最小吸收度之间的差值。
进一步地,所述每个分量每个窗口的局部波动情况的具体获取步骤如下:
每个分量每个窗口的局部波动情况的公式为:
式中,表示为第n个分量的第u个局部窗口内第i个极值点与右相邻极值点之
间的所有波段位置对应原光谱吸收度的标准差;表示为第n个分量的第u个局部窗口
内第i个极值点与右相邻极值点之间的波段位置对应原光谱吸收度残差值的累加和;表示为第n个分量的第u个局部窗口内对应原光谱中最大吸收度和最小吸收度之间
的差值;表示为第n个分量的第u个局部窗口内极值点的个数;表示为第n个分量的第u
个局部窗口内的局部波动情况。
进一步地,所述原光谱曲线上每个局部窗口的调整系数的具体获取步骤如下:
原光谱曲线上每个局部窗口的调整系数的公式为:
式中,表示第n个分量的离散差异大小,表示第n个分量的第u个局部窗口
内的局部波动情况,表示为分量的个数,表示第u个局部窗口的调整系数,表
示对所有局部窗口的调整系数进行线性归一化函数。
进一步地,所述原光谱曲线上每个波段位置的最终调整系数的具体获取步骤如下:
统计每个波段位置在所有局部窗口中的调整系数,然后对所有调整系数求均值得到每个波段位置的最终调整系数。
进一步地,所述原光谱曲线上每个波段位置的最终局部窗口长度的具体获取步骤如下:
获取第个波段位置的最终调整系数,则第个波段位置为中心的局部窗口在调
整后的局部窗口长度为,其中,表示为第v个波段位置的最终调
整系数,L为调整基数;并对进行四舍五入取整,则得到每个波段位置调整后的
局部窗口长度。
本发明的技术方案的有益效果是:常规实现是通过对光谱信号曲线进行固定窗口大小的移动平滑去噪,但是由于原光谱信号中同样存在波动,因此与噪声叠加后,会导致每个区域中的波动大小不同,因此固定的平滑力度可能会使数据中原信息损坏或噪声未去干净。因此本实施例通过对光谱信号进行EMD分解,并给予EMD算法本身的优势与局限,结合当前场景下的数据特征,对不同分量进行分析,并创新型的提出用不同分量作为原信号中的局部范围划分依据,不仅对原光谱信号采用动态滤波平滑窗口,使得数据平滑效果更佳,同时增加了平滑结果的鲁棒性以及准确性。
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为本发明一种基于光学的吲哚菁绿检测方法的步骤流程图。
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的吲哚菁绿检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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的吲哚菁绿检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于光学的吲哚菁绿检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取吲哚菁绿样品光谱曲线并进行EMD分解。
需要说明的是,在对吲哚菁绿样品进行检测时,本实施例通过通过吲哚菁绿样品的光谱曲线进行分析的,因此,需要获取一条经过吲哚菁绿样品的光谱曲线;但在获取光谱曲线前需要有一个激发源,通过激发源穿过吲哚菁绿样品获取光谱曲线。
具体地,本实施例通过使用适当的激发源来激发样品中的吲哚菁绿分子,在本实施例中激发源为激光,本实施例不进行具体的限定,其中激发源可根据具体实施情况而定。并通过光谱测量仪测量出从样品中发射出的荧光光子的强度和波长分布。本实施例中光谱测量仪使用荧光光谱仪,本实施例不进行具体的限定,其中光谱测量仪可根据具体实施情况而定。将获取到的吲哚菁绿样品光谱曲线,记为原光谱曲线。
然后对吲哚菁绿样品光谱曲线进行EMD分解,获得多个IMF分量曲线。将IMF分量曲线记为分量。
进一步需要说明的是,由于光谱信号没有时序特征,其横坐标对应的是波段,纵坐标对应的是吸光度,本实施例在指代某一分量或光谱信号中某一点时,用横坐标即波段作为指代。
至此,得到吲哚菁绿样品光谱曲线和分解后的多个分量。
步骤S002:根据光谱曲线的多个分量,分别计算不同分量下的离散分布差异;再基于每一分量中的极值点确定局部范围,得到每一局部范围内的多个波动情况,并结合离散分布差异,得到最终用于调整滤波局部窗口的动态参数。
需要说明的是,吲哚菁绿样品光谱曲线是通过发射不同波长下的激光源获取到的,从而需要统计吲哚菁绿在不同波长下的强度分布。而常规均值滤波由于固定局部窗口长度的情况下,无法达到较好的效果,而该场景下造成的噪声信息例如仪器噪声或环境噪声多为高频噪声,且在光谱曲线中的所有波段都普遍存在。因此本实施例结合EMD算法,通过对采集到的荧光光谱曲线进行EMD分解,通过对每一分量内的信号分布进行具体的分析,并根据同波段下的信号差异,对每一分量中可能存在的噪声程度进行分析。从而对最终原始光谱曲线中的每一局部窗口内的平滑程度进行动态调整。
(1)获取不同分量的分布大小离散差异。
需要说明的是,首先在获取吲哚菁绿样品光谱曲线的场景下,光谱信号中产生的噪声多为设备干扰引起的高频噪声,而当高频噪声与原光谱信号发生叠加混合时,便会使得整体的光谱信号的频段更加复杂。但原始光谱信号所存在的频段较狭窄,即并不会像噪声信号一样分布广泛,而噪声则在所有波段中普遍存在,而这一特征便会导致在EMD分解后,分配到每一分量中的吸收度,在所有波段中的大小存在差异,而这一分布差异越大,则表明原光谱信号在该分量对应的频率下分布更多,即存在的原光谱信息越多。因此,通过EMD分解后的不同分量中的局部窗口内的波动差异作为原光谱信号中噪声的分布的分析中,该分量便存在更高的参考价值即权重。因此基于上述分析,首先需要对每一分量中所分配的吸收度的幅值分布进行区间划分。
进一步需要说明的是,这里不能直接以原光谱信号中的吸光度进行区间等分,是由于并不能确定原光谱信号所处频段,若按照原光谱信号的吸光度的幅值范围进行区间等分,便会导致可能最高频对应的分量与最低频对应的分量中,一个可能只有噪声,一个可能只有原光谱特征,此时可能计算出来的吸光度分布特征是相近的。
具体地,预设一个区间个数阈值,其中本实施例以为例进行叙述,本实
施例不进行具体限定,其中可根据具体实施情况而定。以第n个分量为例进行叙述,首先
统计在第n个分量上纵坐标吸收度的幅值范围,即,其中表示第n个
分量上的最小吸收度的值,表示第n个分量上的最大吸收度的值,并对第n个分量上的
幅值范围进行区间均等划分为个区间,并在第n个分量上,根据每一波段位置处对应所分
配的吸收度大小判断所属区间,于是统计个区间内,每一区间内的波段数量。
对于第个分量,计算该分量个区间中的波段数量分布差异即信息熵,从而得
到第个分量中,离散差异大小,用公式表示为:
式中,表示为第n个分量的第m个区间,表示为第n个分量的第m个区间
中波段的数量在第n个分量的总波段数量中的占比,表示为区间数量,表示为第n个分
量的离散差异大小。其中,波段就是横坐标的值。
其中,当越大,则表征在第n个分量中,吸收度的大小在多个幅值区间内分布越
广泛,而不是在最高频信号中,都集中分布在某一幅值区间内。对应的则表征在第n个分量
中,除噪声这一常量信号存在分配外,原光谱信号在该分量中也存在分配,且占比相对更
高,因此第n个分量中所存在的原光谱信号的信息也相对更高。对应的在后续,根据分量中
不同局部位置处的局部波动作为原光谱信号中噪声信号的存在特征进行判定时,该分量的
参考价值也相对更高。
(2)计算不同分量下在同一局部窗口内的局部波动情况。
需要说明的是,常规对于某一局部窗口中的波动情况的分析都是以标准差作为计算方式。但是当噪声信号与原光谱信号产生叠加时,其内部信号的叠加并不是简单的1+1,而是存在频段以及上下限拉伸的情况,因此这里还需进行进一步的分析。常规的吲哚菁绿光谱曲线中的波动通常是由于样品中的成分以及浓度问题所导致的波动,但该波动与噪声相比,波动相对较平缓,但当局部位置中同时出现这两种波动特征后,会由于相互叠加混合,从而导致混合后的局部位置处的波动程度的最大值与最小值都增加。即不仅吸收度分布大小整体离散差异较大,同时在局部位置处也同样较大。
进一步需要说明的是,由于这里计算的局部波动情况主要想计算其中由噪声所表现出来的波动,因此正常应该对原光谱信号中的相邻极值点之间的数据进行波动计算,但是由于前面提到的噪声与原光谱信号的叠加导致原光谱信号的极值点丢失,因此这里提出用EMD分解后,每一分量中的极值点作为原光谱信号中的极值点,并以该极值点对原光谱信号曲线进行局部波动的计算。因此,首先根据原光谱信号设定局部窗口,并分别以每一个波段位置为局部窗口中心进行滑动迭代。
具体地,预设一个滑动窗口长度为30个波段长度,本实施例不进行具体限定,其中
滑窗窗口长度可根据具体实施情况而定。其中,滑窗是以步长为1个波段长度进行滑动的,
滑动过程中产生多个局部窗口,且同一局部滑窗窗口在不同分量中对应的波段是相同的。
继续以第n个分量为例进行分析,统计出每个局部滑窗窗口中出现的所有极值点,其中所有
极值点包括所有的极大值点和所有的极小值点;计算局部窗口内第个极值点与右相邻第个极值点之间的所有波段位置对应原光谱吸收度的标准差,记为第i个极值点的第一
特征;再同时对第个极值点与右相邻第个极值点之间的原光谱信号的数据波动,即
标准差作为当前第i个极值点的吸收度分布情况,最终通过累加得到当前第个分量中每
个局部窗口内的局部波动情况。获取局部窗口内第个极值点与右相邻第个极值点之
间对应分量光谱曲线,记为第一光谱曲线,获取局部窗口内第个极值点与右相邻第
个极值点之间对应的原光谱曲线,第一光谱曲线和对应的原光谱曲线之间各波段对应吸收
度差值的序列,记为残差值序列,对残差值序列中的数据累加求和作为第二特征;将局部窗
口内对应原光谱中最大吸收度和最小吸收度之间的差值记为第三特征。获取局部窗口对应
相同波段范围内在原光谱中的吸收度的值。则第n个分量的第u个局部窗口内的局部波动情
况用公式表示为:
式中,表示为第n个分量的第u个局部窗口内第i个极值点与右相邻极值点之
间的所有波段位置对应原光谱吸收度的标准差,即第一特征;表示为第n个分量的第u
个局部窗口内第i个极值点与右相邻极值点之间的波段位置对应原光谱吸收度残差值的累
加和,即第二特征;表示为第n个分量的第u个局部窗口内对应原光谱中最大吸收度
和最小吸收度之间的差值,即第三特征;表示为第n个分量的第u个局部窗口内极值点的个
数;表示为第n个分量的第u个局部窗口内的局部波动情况,然后对第n个分量的所有局
部窗口内的局部波动情况进行线性归一化。
其中,当越大,则表征此时在这一局部位置中的吸收度的分布越离散,即噪
声所导致的波动越严重;反之,则噪声所导致的波动越不严重;当越高,则表示在当前
局部位置中的信号的频率组成同样越复杂,从而导致无法在多个分量中较好的表达,因此
同样表征此时在该局部位置中,越可能是光谱信号,噪声信号的叠加;在同一分量中,极值
点之间的间隔几乎相同,因此同样的间隔下,其吸收度幅值范围越大,对应的越可能是由于
多种波动大小的混合叠加,从而导致其波动的范围进一步扩大。
在局部波动情况的公式中,第一特征的波动仅仅是计算了标准差用于表征波动大小,但是由于前方提到的该局部范围的划分是基于分量中的极值点,因此只根据极值点之间的吸收度的数据方差用于求取局部窗口内的稳定性远远不够,所以对局部窗口内相邻吸收度差值和最大最小吸收度之间的差值进行分析,即还需根据第二特征和第三特征对划分后的局部范围内的信号组成进行约束,当基于该分量的极值点所划分的局部范围越接近原光谱信号中的极值点所划分的局部范围时,则该局部范围内的信号特征越符合第二特征和第三特征中所构建的特征逻辑。因此该公式并不是简单的平行因素叠加,而是以第一特征为主体,并以第二特征和第三特征对该局部范围的划分是否正确这一目的进行约束,从而防止明明划分完全不对,但在后续计算时所贡献的特征值却很高。
因此基于上述特征,当越大,则越表明基于第个分量中的极值点为范围划分
依据越准确,越接近由光谱信号中的极值点所划分的依据。同时该局部范围内的波动程度
越高,且该波动程度越是由噪声信号所主要引起的。因此该局部范围内不仅在后续作为滤
波调整系数时,贡献的程度越大,且置信度也更高。
对于上述提到的分别根据不同分量中的极值点进行局部范围划分,是因为进行EMD分解时,是根据原光谱信号中的极值点进行分解,但是由于前方提到的,光谱信号本身的极值点会由于与噪声信号的叠加从而导致极值点并不能实际表征原光谱信号的波动段即相邻的波峰与波谷之间的一段。而若这一局部位置划分不准确的话,例如该局部范围内是由一部分原信号和一部分原信号与噪声信号叠加的话,便会导致上述同样的计算方式得到的结果相对不准确,进而会导致后续结合残差项以及波动差值时效果较差。因此在无法确定原光谱信号具体分布在哪一频率时,本实施例采用上述方式,通过以某一分量中的极值点进行分析,从而对某一局部位置内进行上述计算,并在下方结合步骤S001中得到的某一分量的参考程度,从而得到对原光谱信号鲁棒性更高的调节指标。
(3)根据不同分量的分布大小离散差异和局部波动情况得到滤波调整参数。
根据上述步骤中得到的第n个分量的离散差异大小和第n个分量的第u个局部
窗口内的局部波动情况,从而得到原光谱信号在第个局部窗口的调整系数,则用公式
表示为:
式中,表示第n个分量的离散差异大小,表示第n个分量的第u个局部窗口
内的局部波动情况,表示为分量的个数,表示第u个局部窗口的调整系数,表
示对所有局部窗口的调整系数进行线性归一化函数。其中,每个局部窗口内每个波段位置
的调整系数等于对应局部窗口的调整系数。
其中,对和分别进行归一化后,参考程度越大,则该分量相对其余分量,原
光谱信号在该分量中的分配较多,对应上述步骤中得到的局部波动情况的置信度相对较
高,因此这里通过加权后的累加求均,得到当前第个局部窗口内的调整系数。
进一步对于原光谱信号中的第个波段位置,由于局部滑窗窗口在以每个波段位
置为滑窗中心,其中,当滑窗超出图像的边界时,使用时只计算滑窗邻域内存在的像素点,
并且滑窗是以1个波段为步长进行滑动的,所以在原光谱曲线上进行滑动的过程中,每个波
段位置会出现在多个不同的局部窗口中,此时统计每个波段位置在所有局部窗口中的调整
系数,然后对这些调整系数求均值获取每个波段的最终调整系数,第v个波段位置的最终调
整系数表示为。
其中,当越大时,则表征该波段位置的滤波局部窗口越大,对应的滤波平滑力
度更大,得到鲁棒性更高的滤波调整系数。
至此,得到原光谱曲线中每个波段位置的最终调整系数。
步骤S003:根据滤波调整系数进行滤波局部窗口动态调整,从而完成光谱信号平滑,并进行检测。
预设局部窗口调整基数,本实施例以个波段长度为例进行叙述,本实施
例不进行具体限定,其中可根据具体实施情况而定。于是根据得到的最终调整系数,对每
个波段对应的局部窗口长度进行动态调整,即以第个波段位置为中心的局部窗口在调整
后的局部窗口长度为,其中,表示为第v个波段位置的最终调整
系数,L为调整基数;并对进行四舍五入取整,其中的取值范围为,将调
整后的局部窗口长度作为均值滤波核的窗口长度,因此这里均值滤波核的窗口长度的取值
范围为,从而对得到的光谱信号进行动态滤波平滑,将平滑后的吲哚菁绿样品光谱
曲线记为标记曲线。
获取不同浓度的吲哚菁绿对应的不同光谱曲线,记为目标曲线。将标记曲线和所有的目标曲线都均等划分为100个波段,每个波段对应一个吸收度,将标记曲线中的100波段和对应的吸收度按顺序得到一组序列,记为标记序列,同理获取所有目标曲线对应的序列,记为目标序列,然后使用DTW算法对标记序列和每个目标序列进行距离计算,获取和标记序列距离最小的一组目标序列,得到和标记序列距离最小的一组目标序列所对应的浓度,即可以认为该浓度为吲哚菁绿样品的浓度。
至此,本实施例完成。
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)
1.一种基于光学的吲哚菁绿检测方法,其特征在于,该方法包括以下步骤:
获取吲哚菁绿样品的原光谱曲线,并将原光谱曲线分解为多个分量;
获取每个分量的最大吸收度和最小吸收度,根据每个分量的最大吸收度和最小吸收度得到每个分量的幅值范围;根据每个分量的幅值范围对每个分量进行区间的均等划分,得到每个分量的若干区间;
获取每个分量各区间的波段数量,根据每个分量各区间的波段数量和每个分量中的总波段数量得到每个分量的离散差异大小;
根据预设滑窗得到每个波段位置的局部窗口,根据每个波段位置的局部窗口内相邻极值点之间的波段位置对应原光谱吸收度得到第一特征;
根据局部窗口内相邻极值点之间的波段位置对应原光谱吸收度残差值的累加和得到第二特征;
根据局部窗口内对应原光谱中最大吸收度和最小吸收度得到第三特征;
根据第一特征、第二特征和第三特征得到每个分量每个窗口的局部波动情况;
根据每个分量的离散差异大小和每个分量每个窗口的局部波动情况得到原光谱曲线上每个局部窗口的调整系数;根据原光谱曲线上每个局部窗口的调整系数得到原光谱曲线上每个波段位置的最终调整系数;
根据原光谱曲线上每个波段位置的最终调整系数得到原光谱曲线上每个波段位置的最终局部窗口长度,根据原光谱曲线上每个波段位置的最终局部窗口长度对原光谱曲线的进行平滑,用平滑后的光谱信号对不同浓度的吲哚菁绿进行匹配检测。
2.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述根据每个分量的幅值范围对每个分量进行区间的均等划分,得到每个分量的若干区间,包括的具体步骤如下:
将每个分量的幅值范围均等划分为 个区间,/>表示区间个数阈值。
3.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述每个分量的离散差异大小的具体获取步骤如下:
每个分量的离散差异大小的公式为:
式中,/>表示为第n个分量的第m个区间,/>表示为第n个分量的第m个区间中波段的数量在第n个分量的总波段数量中的占比,/>表示为区间数量,/>表示为第n个分量的离散差异大小。
4.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述第一特征的具体获取步骤如下:
将局部窗口内相邻极值点之间的所有波段位置对应原光谱吸收度的标准差作为第一特征。
5.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述残差值的具体获取步骤如下:
获取局部窗口内相邻极值点之间对应的分量的光谱曲线,记为第一光谱曲线,获取局部窗口内相邻极值点之间对应的原光谱曲线,第一光谱曲线与所述对应的原光谱曲线之间所有波段对应吸收度差值,记为一组残差值序列,其中残差值序列中有多个残差值。
6.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述第三特征的具体获取步骤如下:
第三特征为局部窗口内对应原光谱中最大吸收度和最小吸收度之间的差值。
7.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述每个分量每个窗口的局部波动情况的具体获取步骤如下:
每个分量每个窗口的局部波动情况的公式为:
式中,/>表示为第n个分量的第u个局部窗口内第i个极值点与右相邻极值点之间的所有波段位置对应原光谱吸收度的标准差;/>表示为第n个分量的第u个局部窗口内第i个极值点与右相邻极值点之间的波段位置对应原光谱吸收度残差值的累加和;/>表示为第n个分量的第u个局部窗口内对应原光谱中最大吸收度和最小吸收度之间的差值;/>表示为第n个分量的第u个局部窗口内极值点的个数;/>表示为第n个分量的第u个局部窗口内的局部波动情况。
8.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述原光谱曲线上每个局部窗口的调整系数的具体获取步骤如下:
原光谱曲线上每个局部窗口的调整系数的公式为:
式中,/>表示第n个分量的离散差异大小,/>表示第n个分量的第u个局部窗口内的局部波动情况,/>表示为分量的个数,/>表示第u个局部窗口的调整系数,/>表示对所有局部窗口的调整系数进行线性归一化函数。
9.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述原光谱曲线上每个波段位置的最终调整系数的具体获取步骤如下:
统计每个波段位置在所有局部窗口中的调整系数,然后对所有调整系数求均值得到每个波段位置的最终调整系数。
10.根据权利要求1所述一种基于光学的吲哚菁绿检测方法,其特征在于,所述原光谱曲线上每个波段位置的最终局部窗口长度的具体获取步骤如下:
获取第个波段位置的最终调整系数,则第/>个波段位置为中心的局部窗口在调整后的局部窗口长度为/>,其中,/>表示为第v个波段位置的最终调整系数,L为调整基数;并对/>进行四舍五入取整,则得到每个波段位置调整后的局部窗口长度。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092538.5A CN116818739A (zh) | 2023-08-29 | 2023-08-29 | 一种基于光学的吲哚菁绿检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092538.5A CN116818739A (zh) | 2023-08-29 | 2023-08-29 | 一种基于光学的吲哚菁绿检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116818739A true CN116818739A (zh) | 2023-09-29 |
Family
ID=88116983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311092538.5A Pending CN116818739A (zh) | 2023-08-29 | 2023-08-29 | 一种基于光学的吲哚菁绿检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818739A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033911A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市魔样科技有限公司 | 基于智能眼镜数据的计步分析方法 |
CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
CN117454085A (zh) * | 2023-10-27 | 2024-01-26 | 杭州三一谦成科技有限公司 | 一种车辆在线监控方法及系统 |
CN117589741A (zh) * | 2024-01-18 | 2024-02-23 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN106442368A (zh) * | 2016-07-22 | 2017-02-22 | 天津理工大学 | 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法 |
US20170209083A1 (en) * | 2016-01-27 | 2017-07-27 | The Regents Of The University Of California | Hand-held optical scanner for real-time imaging of body composition and metabolism |
-
2023
- 2023-08-29 CN CN202311092538.5A patent/CN116818739A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
US20170209083A1 (en) * | 2016-01-27 | 2017-07-27 | The Regents Of The University Of California | Hand-held optical scanner for real-time imaging of body composition and metabolism |
CN106442368A (zh) * | 2016-07-22 | 2017-02-22 | 天津理工大学 | 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033911A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市魔样科技有限公司 | 基于智能眼镜数据的计步分析方法 |
CN117033911B (zh) * | 2023-10-07 | 2024-01-30 | 深圳市魔样科技有限公司 | 基于智能眼镜数据的计步分析方法 |
CN117454085A (zh) * | 2023-10-27 | 2024-01-26 | 杭州三一谦成科技有限公司 | 一种车辆在线监控方法及系统 |
CN117454085B (zh) * | 2023-10-27 | 2024-04-09 | 杭州三一谦成科技有限公司 | 一种车辆在线监控方法及系统 |
CN117405622A (zh) * | 2023-12-14 | 2024-01-16 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
CN117405622B (zh) * | 2023-12-14 | 2024-03-22 | 广东伊茗药业有限公司 | 一种燕窝中亚硝酸盐含量智能检测方法 |
CN117589741A (zh) * | 2024-01-18 | 2024-02-23 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117589741B (zh) * | 2024-01-18 | 2024-04-05 | 天津博霆光电技术有限公司 | 基于光学特征的吲哚菁绿智能检测方法 |
CN117871466A (zh) * | 2024-03-12 | 2024-04-12 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
CN117871466B (zh) * | 2024-03-12 | 2024-05-24 | 苏州安易得安全科技有限公司 | 一种监测数据自检的激光甲烷探测器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116818739A (zh) | 一种基于光学的吲哚菁绿检测方法 | |
US7557915B2 (en) | Automated acquisition of spectral data and image data | |
CN116660198B (zh) | 基于光谱分析的碳纳米材料浆料性能测试方法 | |
US20220383979A1 (en) | Nucleic acid mass spectrum numerical processing method | |
CN108169213A (zh) | 一种激光诱导击穿光谱谱峰元素自动识别方法 | |
WO2018184262A1 (zh) | 用于激光诱导击穿光谱采集的阶梯光谱仪动态校正方法 | |
CN106018331B (zh) | 多通道光谱系统的稳定性评价方法及预处理优化方法 | |
CN109991181B (zh) | 自适应表面吸收光谱分析方法、系统、存储介质、设备 | |
CN117405622B (zh) | 一种燕窝中亚硝酸盐含量智能检测方法 | |
CN116388733B (zh) | 一种适用于近红外水果无损检测的光谱预处理方法及装置 | |
CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测系统 | |
CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
CN117194902B (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
CN117368141B (zh) | 基于人工智能的高氯酸盐废水浓度智能检测方法 | |
CN116793979A (zh) | 一种水样中化学需氧量的检测方法 | |
CN109100315B (zh) | 一种基于噪信比的波长选择方法 | |
CN117169193A (zh) | 一种基于拉曼光谱谱峰识别判断变压器油绝缘老化的方法 | |
CN115078281B (zh) | 一种基于图片光谱相似度的水体物质组分检测计算方法 | |
CN112666104A (zh) | 一种基于doas的气体浓度反演方法 | |
CN115266583A (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN114324206B (zh) | 基于被动多轴差分吸收光谱技术的天空条件分类方法 | |
CN112229817A (zh) | 一种苏打盐碱地重金属定量反演模型建立方法 | |
CN117407654A (zh) | 基于噪声强度约束的分段多项式拟合tdlas信号去噪方法 | |
CN117007577B (zh) | 一种污染物毒性智能检测系统 |
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 |