CN117132473B - 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 - Google Patents
水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 Download PDFInfo
- Publication number
- CN117132473B CN117132473B CN202311359322.0A CN202311359322A CN117132473B CN 117132473 B CN117132473 B CN 117132473B CN 202311359322 A CN202311359322 A CN 202311359322A CN 117132473 B CN117132473 B CN 117132473B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- rare earth
- resolution
- image
- underwater
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 187
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 92
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 50
- 239000000523 sample Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 239000013307 optical fiber Substances 0.000 claims description 8
- 108091006146 Channels Proteins 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000003825 pressing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000004907 flux Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000001636 atomic emission spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法，属于光谱测定分析技术领域。首先搭建了一种水下稀土光谱超分辨重建模型，通过模拟水下稀土检测环境，并建立稀土激光诱导击穿光谱系统获取高‑低光谱分辨率图像对的图像数据集，然后进行归一化预处理，对光谱超分辨重建模型训练与测试，模型搭建完成后，用于真实场景中的检测，输入低光谱分辨率图像输出重建的高光谱分辨率图像，并进行图‑谱转化，进行元素识别。本发明提供了一种新的水下稀土光谱检测的思路，无需通过调整狭缝宽度来提高分辨率，只需要训练好的网络模型就可以实现水下稀土LIBS光谱分辨率的提升，操作简单，适用性强。
Description
技术领域
本发明属于光谱测定分析技术领域，尤其涉及一种水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法。
背景技术
稀土元素广泛分布在地壳中，具有较为活泼的化学性质，能和几乎都有的非金属元素形成具有稳定化学性质的化合物。由于其特殊的性质，被广泛应用于材料化学、生物医药、航空航天、新能源汽车、风力发电等高新领域。本发明涉及的激光诱导击穿光谱（LIBS）技术是最有希望可以成为水下稀土元素检测的技术之一。
激光诱导击穿光谱技术 （Laser-induced breakdown spectroscopy，LIBS）是一种利用高功率激光与物质相互作用产生瞬态等离子体，并通过等离子体的原子或离子发射光谱来分析样品组成信息的原子发射光谱技术。与传统的化学分析方法相比，LIBS 具有原位、无样品制备、实时、快速检测等优点。在过去的十年中，激光诱导击穿光谱技术已经在海洋资源的原位探测中发挥了重要作用，已然成为海洋探测领域的热点技术。
采集光谱主要用的仪器为光谱仪，其工作原理为利用光栅进行分光，光谱仪被广泛应用于许多领域。光谱仪狭缝大小直接决定了最终所获光谱的分辨率，但光谱分辨率与光通量之间存在矛盾，而该矛盾限制了光谱在许多场景对于微弱信号的检测。过小的狭缝可以提高光谱分辨率，但是会导致光通量的降低；过大的狭缝可以收集到较强的信号，但是会降低光谱分辨率，从而影响光谱信号的质量。一般光谱分辨率与波段宽度、色散能力、探测器单位像素大小、探测器的像素数目有关。光谱分辨率与特定的波段有关，对于特定的波段范围，该波段范围越宽，则其具有的光谱分辨率越低。利用LIBS手段得到的光谱信息在对于物质的成分分析上具有重要的意义，具有足够光谱分辨率的光谱中可以区分出更多具有诊断性光谱特征的物质。因此，对于LIBS光谱，提升其光谱分辨率是十分重要的。对于同一样品，低分辨率光谱会模糊高分辨光谱的某些细节，这种问题会影响LIBS中对于样品的定性和定量研究的准确性。
现有的提高光谱分辨率的方法为直接调整光谱仪入光狭缝的大小来提高光谱的分辨率，而且需要在调整过光谱仪入光狭缝大小后再次进行元素分析，在时间上有一定的延后性。并且直接改变光谱仪入光狭缝大小只能获得高分辨率的光谱或者低分辨率的光谱，无法从低分辨率的光谱恢复出高分辨率的光谱。
发明内容
针对上述问题，本发明公开了一种水下稀土LIBS光谱超分辨重建方法，要解决的技术问题是能够提高水下稀土的LIBS光谱信号分辨率，并且根据输入的低分辨率光谱可以恢复出高分辨率光谱，解决在高的光通量下水下稀土LIBS光谱信号分辨率低以及从低分辨率水下稀土LIBS光谱中恢复出高分辨率稀土LIBS光谱的问题。
本发明第一方面提供了一种水下稀土光谱超分辨重建模型的搭建方法，包括以下步骤：
步骤1，模拟水下稀土检测环境，并建立稀土激光诱导击穿光谱系统；调节光谱仪的入光狭缝宽度来改变光谱信号的分辨率，获取若干张在宽狭缝条件下的高光通量-低光谱分辨率图像，并获取对应的在同一激光能量和频率下窄狭缝条件下的低光通量-高光谱分辨率图像，建立高-低光谱分辨率图像对；更换若干种稀土样品，重复上述获取高-低光谱分辨率图像对的过程，最终建立光谱图像数据集；
步骤2，将光谱图像数据集划分为训练集和测试集，对低光谱分辨率图像和高光谱分辨率图像均进行归一化预处理，将图片的像素值的灰度范围设置在0到1之间；
步骤3，选择一种用于图像光谱超分辨率重建的神经网络模型，用步骤2中的训练集对其进行训练；
步骤4，使用步骤2中的测试集对训练完成的图像光谱超分辨率重建模型进行测试，并完成模型的搭建。
优选的，所述稀土激光诱导击穿光谱系统包括脉冲激光器、激光衰减系统、扩束准直光路、样品平台、光谱信号接收系统、光谱探测系统、时序控制装置和计算机控制系统；
所述脉冲激光器在激光器出光口安装第一反射镜，将脉冲激光引入激光衰减系统及后续光路中；
所述激光衰减系统包括零级半波片和偏振棱镜，用于调节激光能量，以满足探测不同稀土元素和不同类型光谱时的能量需求；
所述扩束准直光路包括一个凹透镜和一个凸透镜，位于激光衰减系统和第一透镜之间，通过调节扩束准直系统中两个透镜间的距离，可改变激光聚焦于样品表面的位置；
所述样品平台为二维移动平台，上面放置水槽，激光通过衰减和扩束及第二反射镜后，经第一透镜由左向右汇聚于水槽内的稀土样品表面；
所述光谱信号接收系统包括第二透镜、第三透镜和光纤探头；两个透镜实现将LIBS光谱信号汇聚到光纤探头中，透镜间安装磁吸镜架，方便拆卸或安装镜架内的长通滤光片，用于采集LIBS光谱，光谱信号接收系统位于样品平台的侧向，通过一根光纤连接光谱仪，光谱仪和ICCD受控于计算机控制系统；
所述光谱探测系统由光谱仪和增强电荷耦合器件ICCD组成；
所述时序控制装置中的数字延时脉冲发生器包含四个通道，利用其中三个通道分别控制脉冲激光器的Flashlamp和Q-Switch，以及ICCD的延时采集；
所述计算机控制系统分别连接ICCD和光谱探测系统，来采集不同分辨率的光谱图像。
优选的，所述步骤1还具体包括以下过程：
使用压片机以3MPa的压力对稀土样品进行压片，获得不同种类稀土样品的压片；利用夹板将稀土样品压片固定并置于盛满水的水槽中，来模拟水下检测的环境；将水槽置于第一透镜的后方，固定有稀土样品压片的夹板位于水槽内，同时使稀土样品压片处于第一透镜的焦点处；
打开脉冲激光器，脉冲重复频率为10Hz，使稀土样品压片表面产生等离子体，通过第二透镜和第三透镜收集产生的光谱信号。
优选的，所述用于图像光谱超分辨率重建的神经网络模型为SCAN网络模型包括浅特征提取部分、深度特征提取部分和上采样重建部分；所述浅特征提取部分使用一个二维卷积层提取低光谱分辨率的光谱图像的特征；所述深度特征提取部分使用三个残差组进行深度特征的提取，每个残差组包括三个残差块，所述残差块中包括二维卷积层、ReLU激活函数层和全局池化层，可以进一步提取光谱图像的特征；所述上采样重建部分通过一个上采样层和二维卷积层实现特征图的上采样以及重建，最终得到输出的高光谱分辨率的光谱图像。
优选的，训练时损失函数选择均方误差函数，优化器选择Adam优化器，训练次数为100次，输入为高光通量-低光谱分辨率图像，输出为对应的低光通量-高光谱分辨率图像，通过损失函数的变化来判断训练程度。
本发明第二方面提供了一种水下稀土光谱检测方法，其特征在于，包括以下过程：
通过激光诱导击穿光谱系统LIBS获取水下稀土的高光通量-低分辨率光谱图像；
将获取的图像输入到如第一方面所述的搭建方法所搭建的光谱超分辨重建模型中；
输出重建的高光谱分辨率图像，并进行图-谱转化；
根据获取的光谱曲线数据识别出稀土中的元素。
本发明第三方面还提供了一种水下稀土光谱检测设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的搭建方法所搭建的光谱超分辨重建模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行水下稀土样品的低分辨率光谱图像重建。
本发明第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有如第一方面所述的搭建方法所搭建的光谱超分辨重建模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行水下稀土样品的低分辨率光谱图像重建。
与现有技术相比，本发明具有如下有益效果：
本发明能够提高水下稀土的LIBS光谱信号分辨率，并且根据输入的低分辨率光谱可以恢复出高分辨率光谱，解决在高的光通量下水下稀土LIBS光谱信号分辨率低以及从低分辨率水下稀土LIBS光谱中恢复出高分辨率稀土LIBS光谱的问题。
通过设计模拟的方式采集水下不同类型稀土样品、不同入光狭缝大小的LIBS光谱图像，建立高-低光谱分辨率图像对的数据集，利用该数据集训练图像光谱超分辨率重建的神经网络，通过训练好的神经网络，可以实现输入低分辨率的光谱图像，得到训练后的高分辨率的光谱图像，经过图-谱转化，可以得到提高分辨率后的高分辨率光谱数据。本发明提供了一种新的水下稀土光谱检测的思路，该方法无需通过调整狭缝宽度来提高分辨率，只需要训练好的网络模型就可以实现水下稀土LIBS光谱分辨率的提升，通过建立高-低分辨率光谱的数据集可以在一定程度上降低水下稀土LIBS光谱的连续背景，操作简单，适用性强。
附图说明
图1为本发明实施例1中超分辨重建模型搭建方法的整体流程图。
图2为本发明实施例1中的水下稀土LIBS光谱系统的结构原理图。
图3为采集获取的低光通量-高光谱分辨率图像。
图4为采集获取的高光通量-低光谱分辨率图像。
图5为SCAN网络模型的整体结构示意图。
图6为残差组部分的结构示意图。
图7为残差块的结构示意图。
图8为低光通量-高光谱分辨率图像的图-谱转化示意图。
图9为高光通量-低光谱分辨率图像的图-谱转化示意图。
图10为重建的高光谱分辨率图像图谱转化示意图。
图11为本发明实施例1的光谱重建结果与误差曲线示意图。
图12为本发明水下稀土光谱检测设备结构简易框图。
1.脉冲激光器；2.第一反射镜；3.激光衰减系统；4.扩束准直光路；5.第二反射镜；6.第一透镜；7.样品平台；8.第二透镜；9.第三透镜；10.光纤探头；11.光谱仪；12.增强电荷耦合器件ICCD；13.时序控制装置；14.计算机控制系统。
具体实施方式
实施例1：
本发明旨在提供一种水下稀土激光诱导击穿光谱的光谱超分辨率重建的数据处理方法，具体过程如图1所示，结合图像超分辨率重建技术中的神经网络，对不同分辨率的光谱图像进行训练，通过图-谱转化将输出的高分辨率光谱图像转化成高分辨率的光谱信息，从而提高高光通量下水下稀土LIBS信号的分辨率，并从低分辨率的光谱信号中得到高分辨率的水下稀土LIBS光谱。
为达到上述目的，本实施例给出一种具体的实现方式。
首先，需要获取用于训练和测试的光谱图像数据集，通过模拟水下稀土检测环境，并建立稀土激光诱导击穿光谱系统进行获取。
本实施例公开的水下稀土激光诱导击穿光谱系统如图2所示，其中包括脉冲激光器1、激光衰减系统3、扩束准直光路4、样品平台7、光谱信号接收系统、光谱探测系统、时序控制装置13、计算机控制系统14。
上述脉冲激光器1为调Q式Nd:YAG激光器，激发波长为1064nm，脉冲重复频率20Hz，在激光器出光口安装第一反射镜2，将脉冲激光引入激光衰减系统及后续光路中。
激光衰减系统3包括零级半波片和偏振棱镜，用于调节激光能量，以满足探测不同稀土元素和不同类型光谱时的能量需求。
扩束准直光路4由一个凹透镜和一个凸透镜组成，位于激光衰减系统3和第一透镜6之间，通过调节扩束准直系统中两个透镜间的距离，可改变激光聚焦于样品表面的位置。
样品平台7为二维移动平台，上面放置有水槽。激光通过衰减和扩束及第二反射镜5后，经第一透镜6由左向右汇聚于水槽内的矿石样品表面。
光谱信号接收系统包括第二透镜8、第三透镜9和光纤探头10。两个透镜实现将LIBS光谱信号汇聚到光纤探头10中。透镜间安装磁吸镜架，方便拆卸或安装镜架内的长通滤光片，用于采集LIBS光谱。光谱信号接收系统位于样品平台的侧向，通过一根光纤连接光谱仪11，
光谱探测系统由光谱仪11和增强电荷耦合器件（ICCD）12组成。光谱仪11和ICCD12受控于计算机控制系统14。
时序控制装置13中的数字延时脉冲发生器包含四个通道，利用其中三个通道分别控制脉冲激光器1的的氙灯Flashlamp和Q开关Q-Switch，以及ICCD的延时采集。
计算机控制系统14分别连接CCD和光谱探测系统，来采集不同分辨率的光谱图像。
获取数据集时需要模拟水下稀土检测环境，首先使用压片机以3MPa的压力对稀土样品进行压片，获得不同种类稀土样品的压片。利用夹板将稀土样品压片固定并置于盛满水的水槽中，来模拟水下检测的环境。将水槽置于第一透镜6的后方，固定有稀土样品压片的夹板位于水槽内，同时使稀土样品压片处于第一透镜的焦点处。
打开计算机控制系统14中的相应软件，设置门宽、增益、采集个数等参数，同时设置为图像模式收集光谱图像，设置光谱仪11入光狭缝的宽度为较低的数值，确保此时采集的是高分辨率的光谱图像；启动脉冲激光器1和光谱探测系统，设置激光器的Flash和Q-switch频率和延时，启动光谱仪11和ICCD准备采集光谱，设置激光器脉冲重复频率可以为10Hz，光谱仪的延时设置可以为1000ns，门宽可以设置为1000ns。脉冲激光器使稀土样品压片表面产生等离子体，通过第二透镜和第三透镜收集产生的光谱信号。调节光谱仪的入光狭缝宽度来改变光谱信号的分辨率，较宽的狭缝采集到的光谱对应高光通量-低光谱分辨率图像，较窄的狭缝采集到的低光通量-高光谱分辨率图像。
这里需要特别说明的是，这里定义的宽和窄其实是相对的，并不需要设定具体的范围，本领域技术人员可以清楚的了解如何实现，但是为了更清楚的确定宽和窄的定义，现实场景中一般小于10μm狭缝宽度获得的一般都是高分辨率的光谱图像，大于100μm的一般认为是低光谱分辨率光谱图像，因此本实施例中的宽狭缝认为是大于100μm的狭缝，窄狭缝认为是小于10μm的狭缝。
本实施例在进行图像采集时，先将光谱仪入光狭缝宽度调节为窄的入光狭缝，连续采集50幅光谱图像，标记为低光通量-高光谱分辨率图像，如图3所示，再将入光狭缝宽度调节为宽的入光狭缝，在同一激光能量和频率下，连续采集50幅光谱图像，标记为高光通量-低光谱分辨率图像，如图4所示。更换稀土样品，重复压片-固定-光谱图像采集的步骤，获得不同稀土样品成对的高-低光谱分辨率图像对，建立光谱图像数据集，其中包含500对光谱数据图片。
本实施例对建立的数据集进行分类，划分成为训练集和测试集。选取数据集中的400对图片作为训练集，其余100对图片作为验证集，用于验证数据。训练集和验证集中都包含成对的高光谱分辨率图像和低光谱分辨率图像，得到数据后进行归一化预处理，将图片的像素值的灰度范围设置在0-1之间，用于减小计算量。
然后选择选择一种用于图像光谱超分辨率重建的神经网络模型，本实施选择SCAN网络模型，基于RCAN的网络模型实现光谱超分辨重建，包括浅特征提取部分、深度特征提取部分和上采样重建部分，如图5所示。
浅特征提取部分：使用一个二维卷积层提取低光谱分辨率的光谱图像的特征；
深度特征提取部分：使用三个残差组进行深度特征的提取，残差组结构如图6所示，每个残差组包括三个残差块；残差块中包括二维卷积层、ReLU激活函数层、全局池化层，可以进一步提取光谱图像的特征，结构如图7所示。
上采样重建部分：通过一个上采样层和二维卷积层实现特征图的上采样以及重建，最终得到输出的高光谱分辨率的光谱图像。
进行训练，利用包含划分的400对图像的训练集进行网络参数训练，通过训练获得最好的网络模型参数。训练时损失函数选择均方误差函数，优化器选择Adam优化器，训练次数为100次，输入为低光谱分辨的水下稀土LIBS光谱图像，输出为高光谱分辨的水下稀土LIBS图像，选择训练集图像进行训练；通过损失函数的变化来判断训练程度，当损失函数逐渐收敛时认为得到了最优的网络模型。
为了验证光谱超分辨率重建模型的有效性，将测试集中的低光通量-高光谱分辨率图像和高光通量-低光谱分辨率图像均进行图-谱转化，如图8和图9所示；同时，对训练后的神经网络模型用测试集进行测试，输入低光谱分辨率光谱图像来进行神经网络的训练，得到高光谱分辨率的光谱图像，对输出重建得到的高分辨率的光谱图像进行区域选择，如图10所示，通过长方形截取并覆盖具有亮条纹的区域，对该区域的像素点，沿图像的竖直方向进行像素值的求和，得到光谱结果，从而实现图-谱转化。将重建的高分辨率光谱曲线与采集的低光通量-高光谱分辨率图像转化得到的光谱曲线进行比对，相对误差较小，验证了本方法的有效性，如图11所示。
基于上述搭建方法所搭建的光谱超分辨重建模型，得到一种全新的水下稀土光谱检测方法，包括以下过程：
通过激光诱导击穿光谱系统LIBS获取水下稀土的高光通量-低分辨率光谱图像；
将获取的图像输入到本实施例的搭建方法所搭建的光谱超分辨重建模型中；
输出重建的高光谱分辨率图像，并进行图-谱转化；
根据获取的光谱曲线数据识别出稀土中的元素。
实施例2：
如图12所示，本发明同时提供了一种一种下稀土光谱检测设备，设备包括至少一个处理器和至少一个存储器，同时还包括通信接口和内部总线；存储器中存储有如实施例1所述的搭建方法所搭建的光谱超分辨重建模型的计算机执行程序；所述处理器执行存储器存储的计算机执行程序时，可以使处理器执行水下稀土样品的低分辨率光谱图像重建。其中内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(.XtendedIndustryStandard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。其中存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
设备可以被提供为终端、服务器或其它形态的设备。
图12是为示例性示出的一种设备的框图。设备可以包括以下一个或多个组件：处理组件，存储器，电源组件，多媒体组件，音频组件，输入/输出(I/O)的接口，传感器组件，以及通信组件。处理组件通常控制电子设备的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件可以包括一个或多个处理器来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件可以包括一个或多个模块，便于处理组件和其他组件之间的交互。例如，处理组件可以包括多媒体模块，以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。 I/O接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器，用于为电子设备提供各个方面的状态评估。例如，传感器组件可以检测到电子设备的打开/关闭状态，组件的相对定位，例如所述组件为电子设备的显示器和小键盘，传感器组件还可以检测电子设备或电子设备一个组件的位置改变，用户与电子设备接触的存在或不存在，电子设备方位或加速/减速和电子设备的温度变化。传感器组件可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备可以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，用于执行上述方法。
实施例3：
本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有如实施例1所述的搭建方法所搭建的光谱超分辨重建模型的计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行水下稀土样品的低分辨率光谱图像重建。
具体地，可以提供配有可读存储介质的系统、装置或设备，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统、装置或设备的计算机或处理器读出并执行存储在该可读存储介质中的指令。在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘（如 CD-ROM、CD-R、CD-RW、DVD- 20 ROM、DVD-RAM、DVD-RW、DVD-RW）、磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
应理解存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于终端或服务器中。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种水下稀土光谱超分辨重建模型的搭建方法，其特征在于，包括以下步骤：
步骤1，模拟水下稀土检测环境，并建立稀土激光诱导击穿光谱系统；调节光谱仪的入光狭缝宽度来改变光谱信号的分辨率，获取若干张在宽狭缝条件下的高光通量-低光谱分辨率图像，并获取对应的在同一激光能量和频率下窄狭缝条件下的低光通量-高光谱分辨率图像，建立高-低光谱分辨率图像对；更换若干种稀土样品，重复上述获取高-低光谱分辨率图像对的过程，最终建立光谱图像数据集；
所述稀土激光诱导击穿光谱系统包括脉冲激光器、激光衰减系统、扩束准直光路、样品平台、光谱信号接收系统、光谱探测系统、时序控制装置和计算机控制系统；
所述脉冲激光器在激光器出光口安装第一反射镜，将脉冲激光引入激光衰减系统及后续光路中；
所述激光衰减系统包括零级半波片和偏振棱镜，用于调节激光能量，以满足探测不同稀土元素和不同类型光谱时的能量需求；
所述扩束准直光路包括一个凹透镜和一个凸透镜，位于激光衰减系统和第一透镜之间，通过调节扩束准直系统中两个透镜间的距离，可改变激光聚焦于样品表面的位置；
所述样品平台为二维移动平台，上面放置水槽，激光通过衰减和扩束及第二反射镜后，经第一透镜由左向右汇聚于水槽内的稀土样品表面；
所述光谱信号接收系统包括第二透镜、第三透镜和光纤探头；两个透镜实现将LIBS光谱信号汇聚到光纤探头中，透镜间安装磁吸镜架，方便拆卸或安装镜架内的长通滤光片，用于采集LIBS光谱，光谱信号接收系统位于样品平台的侧向，通过一根光纤连接光谱仪，光谱仪和ICCD受控于计算机控制系统；
所述光谱探测系统由光谱仪和增强电荷耦合器件ICCD组成；
所述时序控制装置中的数字延时脉冲发生器包含四个通道，利用其中三个通道分别控制脉冲激光器的Flashlamp和Q-Switch，以及ICCD的延时采集；
所述计算机控制系统分别连接ICCD和光谱探测系统，来采集不同分辨率的光谱图像；
步骤2，将光谱图像数据集划分为训练集和测试集，对低光谱分辨率图像和高光谱分辨率图像均进行归一化预处理，将图片的像素值的灰度范围设置在0到1之间；
步骤3，选择一种用于图像光谱超分辨率重建的神经网络模型，用步骤2中的训练集对其进行训练；
步骤4，使用步骤2中的测试集对训练完成的图像光谱超分辨率重建模型进行测试，并完成模型的搭建。
2.如权利要求1所述的一种水下稀土光谱超分辨重建模型的搭建方法，其特征在于，所述步骤1还具体包括以下过程：
使用压片机以3MPa的压力对稀土样品进行压片，获得不同种类稀土样品的压片；利用夹板将稀土样品压片固定并置于盛满水的水槽中，来模拟水下检测的环境；将水槽置于第一透镜的后方，固定有稀土样品压片的夹板位于水槽内，同时使稀土样品压片处于第一透镜的焦点处；
打开脉冲激光器，脉冲重复频率为10Hz，使稀土样品压片表面产生等离子体，通过第二透镜和第三透镜收集产生的光谱信号。
3.如权利要求1所述的一种水下稀土光谱超分辨重建模型的搭建方法，其特征在于：所述用于图像光谱超分辨率重建的神经网络模型为SCAN网络模型包括浅特征提取部分、深度特征提取部分和上采样重建部分；所述浅特征提取部分使用一个二维卷积层提取低光谱分辨率的光谱图像的特征；所述深度特征提取部分使用三个残差组进行深度特征的提取，每个残差组包括三个残差块，所述残差块中包括二维卷积层、ReLU激活函数层和全局池化层，可以进一步提取光谱图像的特征；所述上采样重建部分通过一个上采样层和二维卷积层实现特征图的上采样以及重建，最终得到输出的高光谱分辨率的光谱图像。
4.如权利要求3所述的一种水下稀土光谱超分辨重建模型的搭建方法，其特征在于：训练时损失函数选择均方误差函数，优化器选择Adam优化器，训练次数为100次，输入为高光通量-低光谱分辨率图像，输出为对应的低光通量-高光谱分辨率图像，通过损失函数的变化来判断训练程度。
5.一种水下稀土光谱检测方法，其特征在于，包括以下过程：
通过激光诱导击穿光谱系统LIBS获取水下稀土的高光通量-低分辨率光谱图像；
将获取的图像输入到如权利要求1至4任意一项所述的搭建方法所搭建的光谱超分辨重建模型中；
输出重建的高光谱分辨率图像，并进行图-谱转化；
根据获取的光谱曲线数据识别出稀土中的元素。
6.如权利要求5所述的一种水下稀土光谱检测方法，其特征在于，所述图-谱转化具体为：
通过长方形截取并覆盖具有亮条纹的区域，对该区域的像素点，沿图像的竖直方向进行像素值的求和，得到光谱结果，从而实现图-谱转化。
7.一种下稀土光谱检测设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至4任意一项所述的搭建方法所搭建的光谱超分辨重建模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行水下稀土样品的低分辨率光谱图像重建。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有如权利要求1至4任意一项所述的搭建方法所搭建的光谱超分辨重建模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行水下稀土样品的低分辨率光谱图像重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359322.0A CN117132473B (zh) | 2023-10-20 | 2023-10-20 | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359322.0A CN117132473B (zh) | 2023-10-20 | 2023-10-20 | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132473A CN117132473A (zh) | 2023-11-28 |
| CN117132473B true CN117132473B (zh) | 2024-01-23 |
Family
ID=88858414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311359322.0A Active CN117132473B (zh) | 2023-10-20 | 2023-10-20 | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132473B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493416A (zh) * | 2009-03-10 | 2009-07-29 | 中国海洋大学 | 水下激光拉曼光谱/激光诱导击穿光谱联合探测装置与方法 |
| CN106568762A (zh) * | 2016-11-07 | 2017-04-19 | 中国科学院光电研究院 | 扫描式激光诱导光谱面范围分析检测系统 |
| CN111192193A (zh) * | 2019-11-26 | 2020-05-22 | 西安电子科技大学 | 一种基于1维-2维卷积神经网络高光谱单图超分辨方法 |
| CN112990106A (zh) * | 2021-04-19 | 2021-06-18 | 中国人民解放军国防科技大学 | 水下物体检测方法、装置、计算机设备和存储介质 |
| CN113139902A (zh) * | 2021-04-23 | 2021-07-20 | 深圳大学 | 一种高光谱图像超分辨率重建方法、装置及电子设备 |
| CN113222822A (zh) * | 2021-06-02 | 2021-08-06 | 西安电子科技大学 | 基于多尺度变换的高光谱图像超分辨率重建方法 |
| CN113405660A (zh) * | 2021-06-07 | 2021-09-17 | 海南热带海洋学院 | 一种水下光谱成像设备下潜在轨光谱辐射定标装置及其定标方法 |
| CN113744136A (zh) * | 2021-09-30 | 2021-12-03 | 华中科技大学 | 基于通道约束多特征融合的图像超分辨率重建方法和系统 |
| CN114785423A (zh) * | 2022-06-20 | 2022-07-22 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字信息传输增强模型的搭建方法 |
| CN219285417U (zh) * | 2022-12-09 | 2023-06-30 | 山东省科学院海洋仪器仪表研究所 | 一种水下高重频激光测距与libs联合探测系统 |
| CN116380873A (zh) * | 2023-02-14 | 2023-07-04 | 华中科技大学 | 一种libs光谱波动性校正方法 |
| CN116612005A (zh) * | 2023-05-23 | 2023-08-18 | 北京印刷学院 | 高光谱图像超分辨率重建方法、装置和电子设备 |
| CN116609319A (zh) * | 2023-06-09 | 2023-08-18 | 中国海洋大学 | 一种libs光谱元素识别用元素种类预筛选方法及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018267721B2 (en) * | 2017-05-19 | 2022-08-11 | National Research Council Of Canada | Characterization of a material using combined laser-based IR spectroscopy and laser-induced breakdown spectroscopy |
| CN114354578A (zh) * | 2022-01-24 | 2022-04-15 | 中国科学院沈阳自动化研究所 | 一种基于libs技术的水下元素在线检测装置及方法 |
-
2023
- 2023-10-20 CN CN202311359322.0A patent/CN117132473B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493416A (zh) * | 2009-03-10 | 2009-07-29 | 中国海洋大学 | 水下激光拉曼光谱/激光诱导击穿光谱联合探测装置与方法 |
| CN106568762A (zh) * | 2016-11-07 | 2017-04-19 | 中国科学院光电研究院 | 扫描式激光诱导光谱面范围分析检测系统 |
| CN111192193A (zh) * | 2019-11-26 | 2020-05-22 | 西安电子科技大学 | 一种基于1维-2维卷积神经网络高光谱单图超分辨方法 |
| CN112990106A (zh) * | 2021-04-19 | 2021-06-18 | 中国人民解放军国防科技大学 | 水下物体检测方法、装置、计算机设备和存储介质 |
| CN113139902A (zh) * | 2021-04-23 | 2021-07-20 | 深圳大学 | 一种高光谱图像超分辨率重建方法、装置及电子设备 |
| CN113222822A (zh) * | 2021-06-02 | 2021-08-06 | 西安电子科技大学 | 基于多尺度变换的高光谱图像超分辨率重建方法 |
| CN113405660A (zh) * | 2021-06-07 | 2021-09-17 | 海南热带海洋学院 | 一种水下光谱成像设备下潜在轨光谱辐射定标装置及其定标方法 |
| CN113744136A (zh) * | 2021-09-30 | 2021-12-03 | 华中科技大学 | 基于通道约束多特征融合的图像超分辨率重建方法和系统 |
| CN114785423A (zh) * | 2022-06-20 | 2022-07-22 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字信息传输增强模型的搭建方法 |
| CN219285417U (zh) * | 2022-12-09 | 2023-06-30 | 山东省科学院海洋仪器仪表研究所 | 一种水下高重频激光测距与libs联合探测系统 |
| CN116380873A (zh) * | 2023-02-14 | 2023-07-04 | 华中科技大学 | 一种libs光谱波动性校正方法 |
| CN116612005A (zh) * | 2023-05-23 | 2023-08-18 | 北京印刷学院 | 高光谱图像超分辨率重建方法、装置和电子设备 |
| CN116609319A (zh) * | 2023-06-09 | 2023-08-18 | 中国海洋大学 | 一种libs光谱元素识别用元素种类预筛选方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| Anti-counterfeiting_Technology_of_Toner_Based_on_Rare_Earth_Oxide;Yi Liu;《2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference(ITAIC)》;第1401-1405页 * |
| 水下环境与目标监测高光谱成像仪光学系统;于磊;徐明明;陈结祥;薛辉;;光子学报(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132473A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bosman et al. | New constraints on Lyman-α opacity with a sample of 62 quasarsat z> 5.7 | |
| Liang et al. | Single-shot stereo-polarimetric compressed ultrafast photography for light-speed observation of high-dimensional optical transients with picosecond resolution | |
| Gao et al. | Single-shot compressed ultrafast photography at one hundred billion frames per second | |
| US20200167612A1 (en) | Image processing method and apparatus | |
| CN103512868B (zh) | 一种基于光纤波导的微区激光探针成分分析仪 | |
| CN108169092B (zh) | 大气颗粒物重金属及其同位素在线探测装置及其方法 | |
| Dionatos et al. | Dust, ice and gas in time (DIGIT): Herschel and Spitzer spectro-imaging of SMM3 and SMM4 in Serpens | |
| Raichoor et al. | The SDSS-IV extended Baryon Oscillation Spectroscopic Survey: selecting emission line galaxies using the Fisher discriminant | |
| US20190003887A1 (en) | Dynamic calibration method for echelle spectrometer in laser-induced breakdown spectroscopy | |
| US11635385B2 (en) | Characteristic information extraction method, and rapid detection method and system of organic pollutants in complex system | |
| CN109765213A (zh) | 相干反斯托克斯拉曼散射显微镜成像装置 | |
| CN109961438A (zh) | 一种光斑图像分析方法及装置 | |
| Feng et al. | Compact light field photography towards versatile three-dimensional vision | |
| CN117132473B (zh) | 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法 | |
| Pastor-Marazuela et al. | A fast radio burst with submillisecond quasi-periodic structure | |
| CN116609319B (zh) | 一种libs光谱元素识别用元素种类预筛选方法及设备 | |
| CN107271428A (zh) | 一种用于微波等离子体炬发射光谱的固体进样分析系统 | |
| CN112422796B (zh) | 摄像头结构、摄像控制方法、装置及电子设备 | |
| CN112268891B (zh) | 一种LIBS-Raman浸入式盐湖卤水元素探测仪 | |
| CN110196247A (zh) | 一种基于激光诱导击穿光谱的粉煤分类方法 | |
| Haffa et al. | Temporally Resolved Intensity Contouring (TRIC) for characterization of the absolute spatio-temporal intensity distribution of a relativistic, femtosecond laser pulse | |
| CN109492388B (zh) | 裂变传播方法、裂变传播装置和计算机可读存储介质 | |
| CN114894781B (zh) | 基于外部信号的水下libs光谱标准化泛化方法及系统 | |
| Gallenne et al. | Spatially extended emission around the Cepheid RS Puppis in near-infrared hydrogen lines-Adaptive optics imaging with VLT/NACO | |
| CN115561983A (zh) | 一种基于条纹相机的超快压缩全息成像系统及方法 |
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 |