CN117007577A - 一种污染物毒性智能检测系统 - Google Patents
一种污染物毒性智能检测系统 Download PDFInfo
- Publication number
- CN117007577A CN117007577A CN202311277038.9A CN202311277038A CN117007577A CN 117007577 A CN117007577 A CN 117007577A CN 202311277038 A CN202311277038 A CN 202311277038A CN 117007577 A CN117007577 A CN 117007577A
- Authority
- CN
- China
- Prior art keywords
- curve
- sub
- adjustment
- variance
- initial
- 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
- 231100000419 toxicity Toxicity 0.000 title claims abstract description 32
- 230000001988 toxicity Effects 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 21
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 21
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 23
- 239000000356 contaminant Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 239000003440 toxic substance Substances 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 231100000614 poison Toxicity 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 239000000463 material Substances 0.000 abstract description 7
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000000704 physical effect Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 22
- 230000008859 change Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 239000000203 mixture Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 231100000167 toxic agent Toxicity 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
- G01N21/62—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及基于物理性质分析材料的技术领域,具体涉及一种污染物毒性智能检测系统。该系统通过先分段再拟合的方式获得拉曼光谱曲线上每个子曲线的初始高斯模型。通过子曲线中的光谱强度区间的大小和位置调整模型的初始期望,通过光谱强度的分布趋势调整模型的初始方差,进而获得准确的基线函数。通过基线函数与子曲线之间的差异和基线函数的调整方差互动偏移程度。根据偏移程度矫正子区域的基线向上漂移情况,获得矫正拉曼光谱曲线,进而进行准确的毒性检测识别。本发明通过对基线函数的准确拟合并调整,进而实现对拉曼曲线的准确矫正,提高了污染物毒性检测识别的准确性。
Description
技术领域
本发明涉及基于物理性质分析材料的技术领域,具体涉及一种污染物毒性智能检测系统。
背景技术
污染物的毒性取决于物质的化学组成或者物理组成,且不同组成的物质含量不同则对应的毒性也不同,因此在对污染物进行毒性检测时,不仅要判断待检测样本的组成,还要检测各个组成部分的含量。拉曼光谱是一种快速。无损、非侵入性的物质组成分析技术,当样品经过激光照射时,样品中的分子会吸收能量并转化为振动或者其他形式的能量,这些能量与样本分子间的化学键震动频率有关,因此可根据拉曼光谱中的光谱特征识别出物质的组成与含量。
在实际对拉曼光谱数据进行分析时,因为光谱设备的光源输出和光学元件的性能随时间和温度等条件的变化会引起基线位置的向上漂移,所获得的拉曼曲线无法准确表示出物质的组成与含量,因此在获得拉曼光谱曲线之后需要对其进行基线矫正。现有技术中常用的基线矫正方法为多项式拟合矫正,通过多项式拟合获得基线函数进而对原始曲线进行矫正,但是因为污染物检测样本中物质的化学键较为复杂,拉曼光谱曲线中的信息较为复杂,使用多项式拟合获得的曲线不能表达信息复杂的数据,并且如果拟合参数选择不当会产生过拟合或者欠拟合的问题,进而导致原始曲线的矫正方向和矫正位置都不准确,影响后续对污染物毒性的判断。
发明内容
为了解决基线函数选取不当导致曲线矫正方向和矫正位置不合适,进而影响污染物毒性检测的技术问题,本发明的目的在于提供一种污染物毒性智能检测系统,所采用的技术方案具体如下:
本发明提出了一种污染物毒性智能检测系统,所述系统包括:
光谱曲线区间划分模块,用于获取污染物样本的拉曼光谱曲线;根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线;
基线函数拟合模块,用于对所述子曲线进行高斯模型拟合,获得初始高斯模型,获取所述初始高斯模型的初始期望和初始方差;根据所述子曲线中光谱强度区间的大小和位置调整所述初始期望,获得调整期望;根据所述子曲线中光谱强度的分布趋势调整所述初始方差,获得调整方差,根据所述调整期望和所述调整方差获得调整高斯模型,以所述调整高斯模型作为所述子曲线的基线函数;
数据矫正模块,用于根据所述基线函数与对应所述子曲线之间的差异和所述调整方差获得偏移程度;根据所述偏移程度矫正对应所述子曲线,获得矫正子曲线;所述矫正子曲线构成矫正拉曼光谱曲线;
毒性检测模块,用于根据所述矫正拉曼光谱曲线上的光谱特征对有毒物质含量进行检测。
进一步地,所述根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线包括:
将所述拉曼光谱曲线平滑处理,获得平滑拉曼光谱曲线;获取所述平滑拉曼光谱曲线上的所有极大值点,以相邻所述极大值点之间的平均横坐标作为分割点;根据所述分割点和所述拉曼光谱曲线的起点和终点,将所述拉曼光谱曲线分为至少两个子曲线。
进一步地,所述调整期望的获取方法包括:
以所述子曲线中光谱强度的极差作为光谱强度区间的区间大小参数;以所述子曲线中的最小光谱强度作为光谱强度区域的区间位置参数;将所述区间大小参数和所述区间位置参数的乘积进行负相关映射并归一化,获得期望调整参数;将所述期望调整参数与所述初始期望相乘,获得所述调整期望。
进一步地,所述调整方差的获取方法包括:
以所述子曲线中光谱强度中值与光谱强度均值的差值作为分布趋势特征,将所述分布趋势特征归一化,获得方差调整参数;将所述方差调整参数与所述初始方差相乘,获得所述调整方差。
进一步地,所述偏移程度的获取方法包括:
将所述子曲线与对应所述基线函数之间各个位置的光谱强度差异的平均值,作为整体偏移量,将所述整体偏移量与所述调整方差相乘后归一化,获得所述偏移程度。
进一步地,所述矫正子曲线的获取方法包括:
将常数1与所述偏移程度相减,获得第二矫正系数,将所述第二矫正系数与所述子曲线上各个位置的光谱强度相乘,获得所述矫正子曲线。
本发明具有如下有益效果:
本发明考虑到不同物质在对应拉曼位移区间中会呈现不同的光谱强度变化,因此根据极值点将拉曼光谱曲线划分子曲线,每个子曲线表示一个波段,便于后续函数的拟合分析。考虑到在一个子曲线内光谱强度的分布是呈正态分布的,因此获得子曲线的初始高斯模型。进一步结合子曲线内光谱强度的数据特征和分布特征调整初始高斯模型中的参数,获得基线函数。基线函数能够表征正常的光谱强度数据分布,因此可根据基线函数与子曲线之间的位置关系和数据差异对应子曲线进行矫正,获得矫正子曲线,进而获得矫正拉曼光谱曲线用于污染物分析。本发明通过分段局部分析的方法,针对局部光谱强度的分布趋势获得基线函数,使得后续矫正策略更加科学,得到的矫正拉曼光谱曲线更加准确,进而提高后续的污染物毒性检测过程的准确性。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种污染物毒性智能检测系统框图;
图2为本发明一个实施例所提供的一种不同物质的拉曼光谱曲线的对比示意图。
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污染物毒性智能检测系统,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污染物毒性智能检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种污染物毒性智能检测系统框图,该系统包括:光谱曲线区间划分模块101,基线函数拟合模块102,数据矫正模块103和毒性检测模块104。
光谱曲线区间划分模块101用于获取污染物样本的拉曼光谱曲线;根据极值点的分布将拉曼光谱曲线划分为至少两个子曲线。
请参阅图2,其示出了本发明一个实施例所提供的一种不同物质的拉曼光谱曲线的对比示意图。图2中横坐标为拉曼位移,纵坐标为光谱强度。由图2和拉曼光谱分析法的原理可知,不同物质中分子的不同化学键受到激光影响后产生的振动不同,振动的频率和强度都能改表征物质的性质,因此不同物质的拉曼曲线上的光谱特征具有明显差别,因此可根据拉曼曲线上的光谱特征识别不同的化学成分和结构,从而对污染物毒性进行分析。
由图2可知,对于一个物质的拉曼光谱曲线,在特定的拉曼位移区间下具有明显的谱峰特征,即一个拉曼曲线是由多个拉曼波峰构成的,每个拉曼峰代表了相应的拉曼散射光的波长位置和强度,每个拉曼峰对应一种特点的分子键振动,其中包括单一的化学键振动也包括数个化学键组成的基团的振动,因此可通过拉曼光谱曲线中各谱峰的分布确定样本内的物质含量以及种类。对于一个拉曼光谱曲线整体而言,其数据波动较大,波动无规律,但是对于一个波段的子曲线而言,其满足规律的数据分布特征,因此可基于此原理根据拉曼光谱曲线的极值点的分布将拉曼光谱曲线划分多个子曲线,在后续过程中针对每个子曲线内的规则数据分布获得对应的基线函数。
在拉曼光谱曲线中,不同的拉曼位移表示不同物质组成的分布,并且谱峰的强度越大,其在样本中的含量越高,而产生的基线向上漂移会改变谱峰的位置,导致后续分析过程中对于物质的含量与种类的判断出现错误,因此在后续过程中可根据每个谱峰的变化进行单独分析和调整,进而获得准确的矫正拉曼光谱曲线。
需要说明的是,在本发明一个实施例中,为了避免噪声的影响,在使用拉
曼光谱仪采集污染物样本的拉曼光谱曲线之后,使用小波变换对拉曼光谱曲线进行去噪。
小波变换和曲线平滑为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,根据极值点的分布将拉曼光谱曲线划分为至少两个子曲线包括:
为了避免曲线中剧烈变化但是变化幅度较为小的位置被认定成分割点,将拉曼光谱曲线平滑处理,获得平滑拉曼光谱曲线;获取平滑拉曼光谱曲线上的所有极大值点,以相邻极大值点之间的平均横坐标作为分割点;根据分割点和拉曼光谱曲线的起点和终点,将拉曼光谱曲线分为至少两个子曲线。
基线函数拟合模块102用于对子曲线进行高斯模型拟合,获得初始高斯模型,获取初始高斯模型的初始期望和初始方差;根据子曲线中光谱强度区间的大小和位置调整初始期望,获得调整期望;根据子曲线中光谱强度的分布趋势调整初始方差,获得调整方差,根据调整期望和调整方差获得调整高斯模型,以调整高斯模型作为子曲线的基线函数。
因为产生基线向上漂移的数据会导致某一拉曼唯一区段内的数据整体向上移动,产生移动的数据会因为对应谱峰的强度不同造成不同的偏移,因此在获得子曲线后需要针对每个子曲线进行独立的基线函数拟合。基线函数的拟合应以基线函数与对应子曲线数据分布更为接近为原则,因为子曲线是一段明显的具有波峰的波段曲线,因此可选用正态分布表征子曲线内的数据特征,即对子曲线进行高斯模型拟合,获得初始高斯模型。初始高斯模型中的数据分布与对应子曲线中的数据分布是类似的,但是因为此时的初始高斯模型仍是基于原始子曲线中的数据进行拟合的,原始数据中,每个子曲线上都会存在较多的极值点,如果直接根据每个数据点的光谱强度拟合出的高斯模型作为基线数据,势必会被极值点所影响,使得获得的初始期望和初始方差较大,又因为初始高斯模型仍会受到基线向上漂移的影响,会进一步使得两个参数变大,高斯模型的期望和方差决定了函数的位置和形状,获得的初始高斯模型会进一步偏离原本的数据变化趋势,因此需要对初始高斯模型的参数进行调整,可通过调整初始高斯模型的初始期望和初始方差来使得调整后的高斯模型作为参考性强的基线函数。
需要说明的是,高斯模型拟合为本领域技术人员熟知的技术手段,具体拟合方法不再赘述,拟合获得的初始高斯模型的表达式为:
其中,为初始高斯模型,为初始方差,为初始期望,为拉曼位移,即为子
曲线的横坐标,为圆周率,为以自然常数为底的指数函数。
初始期望为对应子曲线内各个数据点的光谱强度的均值,表达式为:
其中,为子曲线上数据点的数量,为子曲线上第个数据点的光谱强度。
初始方差为对应子曲线内数据点对应的光谱强度的方差,表达式为:
其中,为子曲线上所有数据点的光谱强度平均值。
因为子曲线中光谱强度区间的大小和位置能够反应当前数据经过基线漂移后的数据特征,区间越大,说明对应谱峰中的信息越重要,偏移越明显;区间位置越靠上,说明向上偏移量越大;区间位置越靠下,说明向上偏移越小。所以可通过子曲线中光谱强度区间的大小和位置调整初始期望,获得调整期望。
优选地,本发明一个实施例中调整期望的获取方法包括:
以子曲线中光谱强度的极差作为光谱强度区间的区间大小参数;以子曲线中的最小光谱强度作为光谱强度区域的区间位置参数;将区间大小参数和区间位置参数的乘积进行负相关映射并归一化,获得期望调整参数。将期望调整参数与初始期望相乘,获得调整期望。
作为一个示例,调整期望的公式表示为:
其中,为调整期望,为区间大小参数,为子曲线中的最大光
谱强度,为子曲线中的最小光谱强度,为初始期望,为以自然常数为底的指数
函数。
在调整期望获取过程中,因为以最小光谱强度作为区间位置参数,即最小光谱强
度越小,说明此时基线向上漂移的程度越小,则经过负相关映射后,初始期望调小的程度就
会越小,即调整期望就会越大。而区间大小参数越大,说明区间范围越大,子曲线内的数据
越重要,偏移越明显;区间位置参数越大说明向上漂移越明显,因此将二者相乘,即乘积表
示漂移程度,将漂移程度经过负相关映射并归一化,获得期望调整参数。即在该示例的调整
期望公式中,使用以自然常数为底的指数函数通过负次幂将进行负
相关映射并归一化,漂移程度越大说明越需要调小初始期望,则期望调整参数越小,因为期
望调整参数的数据范围为0到1,因此期望调整参数越小,期望调整参数与初始期望相乘后
获得的调整期望越小,即初始期望向下调整的调整量越多。
需要说明的是,在本发明其他实施例中也可选用其他基础数学运算实现负相关映射并归一化,此类操作为本领域技术人员熟知的技术手段,在此不做限定及赘述。
优选地,调整方差的获取方法包括:
以子曲线中光谱强度中值与光谱强度均值的差值作为分布趋势特征,将分布趋势特征归一化,获得方差调整参数;将方差调整参数与初始方差相乘,获得调整方差。
作为一个示例,调整方差的公式表示为:
其中,为调整方差,为子曲线中的最大光谱强度,为子曲线中的最小
光谱强度,为子曲线上所有数据点的光谱强度平均值,为初始方差,为归一化函
数。
在调整方差的获取公式中,表示光谱强度中值,中值与均值的差值越
大,说明子曲线内的光谱强度值较小值分布的较多,子曲线的形状越陡峭,子曲线内数据的
信息量大,则对应的高斯模型的衰减程度就越大,即获得的调整方差越大;中值与均值的差
值越小,说明子曲线内的光谱强度值较大值分布的较多,子曲线的形状越平缓,子曲线内数
据的信息量小,则对应的高斯模型的衰减程度就越小,即获得的调整方差越大。
经过对高斯参数的调整,获得调整高斯模型,将调整高斯模型作为对应子曲线的基线函数。所获得的基线函数更贴近正常数据的分布,进而使得后续的矫正过程更准确。
数据矫正模块103用于根据基线函数与对应子曲线之间的差异和调整方差获得偏移程度;根据偏移程度矫正对应子曲线,获得矫正子曲线;矫正子曲线构成矫正拉曼光谱曲线。
偏移程度根据原始子曲线数据相较于基线函数的变化和基线函数本身的变化获得,因此基于偏移程度对子曲线能够进行准确的矫正,矫正后的数据不改变原始数据的变化趋势,在后续毒性检测过程中能够提供准确的数据支持。
优选地,偏移程度的获取方法包括:
将子曲线与对应基线函数之间各个位置的光谱强度差异的平均值,作为整体偏移量,将整体偏移量与调整方差相乘后归一化,获得偏移程度。偏移程度用公式表示为:
其中,为偏移程度,为调整方差,为子曲线中数据点的数量,为子曲线上第个数据点的光谱强度,为基线函数上第个数据点的光谱强度,为归一化函
数。
在偏移程度获取过程中,整体偏移量表示原始子曲线数据相较于基线函数的变化,调整方差表示基线函数本身的变化。整体偏移量越大,调整方差越大,则偏移程度越大。
需要说明的是,归一化函数可将数据的值域限定至0到1之间,具体如极差标准化等运算为本领域技术人员熟知的技术手段,在此不做限定及赘述。
因为一个区间内数据的漂移是相同的,因此在获得偏移程度后即可对子曲线进行矫正,获得矫正子曲线。因为每个子曲线对应的基线函数和偏移程度均可能不同,因此分别对每个子曲线进行矫正后,将矫正子曲线拼接后即可获得矫正拉曼光谱曲线。
优选地,因为本发明一个实施例中偏移程度的值域在0到1之间,所以矫正子曲线的获取方法包括:
将常数1与偏移程度相减,获得第二矫正系数,将第二矫正系数与子曲线上各个位置的光谱强度相乘,获得矫正子曲线。用公式表示为:
其中,表示矫正子曲线上第个数据点的光谱强度。即偏移程度越大,说明原始
的光谱强度调小的调整量越大,则越小,进而使得越小。
毒性检测模块104用于根据矫正拉曼光谱曲线上的光谱特征对有毒物质含量进行检测。
获得矫正后的拉曼光谱曲线即可对物质含量进行检测识别。在本发明实施例中,具体检测过程包括:
选取不同种类不同浓度的标准样品,对这些样品进行拉曼光谱测量,并记录测量的光谱特征,其中光谱特征至少包括峰位和峰高。根据测量结果建立光谱特征与物质含量与种类之间的关系式,得到参考曲线。根据矫正拉曼光谱曲线上的光谱特征在参考曲线的位置识别出物质的种类与含量。若有毒物质的含量超出排放标准含量时,则反馈报警信号。
综上所述,本发明实施例通过先分段再拟合的方式获得拉曼光谱曲线上每个子曲线的初始高斯模型。通过子曲线中的光谱强度区间的大小和位置调整模型的初始期望,通过光谱强度的分布趋势调整模型的初始方差,进而获得准确的基线函数。通过基线函数与子曲线之间的差异和基线函数的调整方差互动偏移程度。根据偏移程度矫正子区域的基线向上漂移情况,获得矫正拉曼光谱曲线,进而进行准确的毒性检测识别。本发明实施例通过对基线函数的准确拟合并调整,进而实现对拉曼曲线的准确矫正,提高了污染物毒性检测识别的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种污染物毒性智能检测系统,其特征在于,所述系统包括:
光谱曲线区间划分模块,用于获取污染物样本的拉曼光谱曲线;根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线;
基线函数拟合模块,用于对所述子曲线进行高斯模型拟合,获得初始高斯模型,获取所述初始高斯模型的初始期望和初始方差;根据所述子曲线中光谱强度区间的大小和位置调整所述初始期望,获得调整期望;根据所述子曲线中光谱强度的分布趋势调整所述初始方差,获得调整方差,根据所述调整期望和所述调整方差获得调整高斯模型,以所述调整高斯模型作为所述子曲线的基线函数;
数据矫正模块,用于根据所述基线函数与对应所述子曲线之间的差异和所述调整方差获得偏移程度;根据所述偏移程度矫正对应所述子曲线,获得矫正子曲线;所述矫正子曲线构成矫正拉曼光谱曲线;
毒性检测模块,用于根据所述矫正拉曼光谱曲线上的光谱特征对有毒物质含量进行检测。
2.根据权利要求1所述的一种污染物毒性智能检测系统,其特征在于,所述根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线包括:
将所述拉曼光谱曲线平滑处理,获得平滑拉曼光谱曲线;获取所述平滑拉曼光谱曲线上的所有极大值点,以相邻所述极大值点之间的平均横坐标作为分割点;根据所述分割点和所述拉曼光谱曲线的起点和终点,将所述拉曼光谱曲线分为至少两个子曲线。
3.根据权利要求1所述的一种污染物毒性智能检测系统,其特征在于,所述调整期望的获取方法包括:
以所述子曲线中光谱强度的极差作为光谱强度区间的区间大小参数;以所述子曲线中的最小光谱强度作为光谱强度区域的区间位置参数;将所述区间大小参数和所述区间位置参数的乘积进行负相关映射并归一化,获得期望调整参数;将所述期望调整参数与所述初始期望相乘,获得所述调整期望。
4.根据权利要求1所述的一种污染物毒性智能检测系统,其特征在于,所述调整方差的获取方法包括:
以所述子曲线中光谱强度中值与光谱强度均值的差值作为分布趋势特征,将所述分布趋势特征归一化,获得方差调整参数;将所述方差调整参数与所述初始方差相乘,获得所述调整方差。
5.根据权利要求1所述的一种污染物毒性智能检测系统,其特征在于,所述偏移程度的获取方法包括:
将所述子曲线与对应所述基线函数之间各个位置的光谱强度差异的平均值,作为整体偏移量,将所述整体偏移量与所述调整方差相乘后归一化,获得所述偏移程度。
6.根据权利要求5所述的一种污染物毒性智能检测系统,其特征在于,所述矫正子曲线的获取方法包括:
将常数1与所述偏移程度相减,获得第二矫正系数,将所述第二矫正系数与所述子曲线上各个位置的光谱强度相乘,获得所述矫正子曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277038.9A CN117007577B (zh) | 2023-10-07 | 2023-10-07 | 一种污染物毒性智能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277038.9A CN117007577B (zh) | 2023-10-07 | 2023-10-07 | 一种污染物毒性智能检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117007577A true CN117007577A (zh) | 2023-11-07 |
CN117007577B CN117007577B (zh) | 2023-12-08 |
Family
ID=88567601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277038.9A Active CN117007577B (zh) | 2023-10-07 | 2023-10-07 | 一种污染物毒性智能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007577B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107076664A (zh) * | 2014-08-20 | 2017-08-18 | 国家健康与医学研究院 | 用于校正红外吸收光谱的方法 |
CN108844939A (zh) * | 2018-03-14 | 2018-11-20 | 西安电子科技大学 | 基于非对称加权最小二乘的拉曼光谱检测基线校正方法 |
JP2020173227A (ja) * | 2019-04-12 | 2020-10-22 | 富士フイルム株式会社 | データ処理装置、データ処理装置の作動方法、データ処理装置の作動プログラム |
CN112557332A (zh) * | 2020-12-03 | 2021-03-26 | 华东理工大学 | 一种基于光谱分峰拟合的光谱分段和光谱比对方法 |
US20210270742A1 (en) * | 2020-02-28 | 2021-09-02 | Virginia Tech Intellectual Properties, Inc. | Peak-preserving and enhancing baseline correction methods for raman spectroscopy |
CN113984736A (zh) * | 2021-11-03 | 2022-01-28 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
CN115265785A (zh) * | 2022-07-22 | 2022-11-01 | 上海如海仪器设备有限公司 | 一种基于多项式拟合校正拉曼光谱漂移的方法 |
CN116754511A (zh) * | 2023-08-18 | 2023-09-15 | 天津博霆光电技术有限公司 | 基于光谱技术的吲哚菁绿检测方法及系统 |
CN116794010A (zh) * | 2023-05-24 | 2023-09-22 | 嘉庚创新实验室 | 一种用于拉曼光谱仪器的跨仪器拉曼位移校准方法及系统 |
-
2023
- 2023-10-07 CN CN202311277038.9A patent/CN117007577B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107076664A (zh) * | 2014-08-20 | 2017-08-18 | 国家健康与医学研究院 | 用于校正红外吸收光谱的方法 |
CN108844939A (zh) * | 2018-03-14 | 2018-11-20 | 西安电子科技大学 | 基于非对称加权最小二乘的拉曼光谱检测基线校正方法 |
JP2020173227A (ja) * | 2019-04-12 | 2020-10-22 | 富士フイルム株式会社 | データ処理装置、データ処理装置の作動方法、データ処理装置の作動プログラム |
US20210270742A1 (en) * | 2020-02-28 | 2021-09-02 | Virginia Tech Intellectual Properties, Inc. | Peak-preserving and enhancing baseline correction methods for raman spectroscopy |
CN112557332A (zh) * | 2020-12-03 | 2021-03-26 | 华东理工大学 | 一种基于光谱分峰拟合的光谱分段和光谱比对方法 |
CN113984736A (zh) * | 2021-11-03 | 2022-01-28 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
CN115265785A (zh) * | 2022-07-22 | 2022-11-01 | 上海如海仪器设备有限公司 | 一种基于多项式拟合校正拉曼光谱漂移的方法 |
CN116794010A (zh) * | 2023-05-24 | 2023-09-22 | 嘉庚创新实验室 | 一种用于拉曼光谱仪器的跨仪器拉曼位移校准方法及系统 |
CN116754511A (zh) * | 2023-08-18 | 2023-09-15 | 天津博霆光电技术有限公司 | 基于光谱技术的吲哚菁绿检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117007577B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7557915B2 (en) | Automated acquisition of spectral data and image data | |
EP2710353B1 (en) | SPECTROSCOPIC APPARATUS AND METHOD of DETERMINING COMPONENTS PRESENT IN A SAMPLE | |
WO2014106940A1 (ja) | ガス吸収分光装置及びガス吸収分光方法 | |
CN101403696A (zh) | 一种基于拉曼光谱的测量汽油烯烃含量的方法 | |
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 | |
US10641704B2 (en) | Optimal weighted averaging pre-processing schemes for laser absorption spectroscopy | |
AU2017222279B2 (en) | System and method for the detection of acrylamide precursors in raw potatoes and potato-based food products | |
JPH0915156A (ja) | 分光測定方法及び測定装置 | |
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 | |
US10718713B2 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
CN107796777A (zh) | 一种低浓度紫外差分气体分析仪的数据处理方法 | |
WO2012150434A2 (en) | Spectroscopic apparatus and methods | |
KR20170052256A (ko) | 라만 산란을 이용한 물질의 농도 측정 장치 및 방법 | |
Pope | Near-infrared spectroscopy of wood products | |
CN109001182B (zh) | 封闭容器中酒精含量的拉曼光谱无损测定方法 | |
CN117007577B (zh) | 一种污染物毒性智能检测系统 | |
US5742399A (en) | Method for stabilizing the wavelength in a laser spectrometer system | |
EP0768524A2 (en) | Method for stabilizing the wavelength in a laser spectrometer system | |
CN116399850A (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 | |
US6411388B1 (en) | System and method for frequency domain interferometric second harmonic spectroscopy | |
CN114112985A (zh) | 一种近红外光谱仪及近红外在线检测方法 | |
CN111044504B (zh) | 一种考虑激光诱导击穿光谱不确定性的煤质分析方法 | |
CN114563387A (zh) | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 | |
CN114324233A (zh) | 农产品营养成分近红外无损在线品质检测方法和系统 | |
CN111398200A (zh) | 非相干宽带腔增强吸收光谱最优反演波段确定方法 |
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 |