CN117405622A - 一种燕窝中亚硝酸盐含量智能检测方法 - Google Patents
一种燕窝中亚硝酸盐含量智能检测方法 Download PDFInfo
- Publication number
- CN117405622A CN117405622A CN202311715693.8A CN202311715693A CN117405622A CN 117405622 A CN117405622 A CN 117405622A CN 202311715693 A CN202311715693 A CN 202311715693A CN 117405622 A CN117405622 A CN 117405622A
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- bird
- nest
- point
- 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
- 244000000626 Daucus carota Species 0.000 title claims abstract description 150
- 235000005770 birds nest Nutrition 0.000 title claims abstract description 150
- 235000005765 wild carrot Nutrition 0.000 title claims abstract description 150
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 115
- 238000001914 filtration Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000005192 partition Methods 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 23
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 19
- 230000004044 response Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000002835 absorbance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 125000000018 nitroso group Chemical group N(=O)* 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000758 substrate Substances 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及红外光检测技术领域，具体涉及一种燕窝中亚硝酸盐含量智能检测方法。该方法从燕窝红外光谱信号中数据点中筛选出分割点，基于分割点将燕窝红外光谱信号划分局部信号段；获取局部信号段的噪声影响度，并结合局部信号段中数据点的数据值的离散程度，获取局部信号段中数据点的滤波长度，进而构建数据点的滤波窗口进行滤波，得到局部信号段中数据点的去噪数据值；获取分割点的去噪数据值，基于利用数据点的去噪数据值得到燕窝去噪红外光谱信号检测燕窝中亚硝酸盐的含量。本发明自适应确定局部信号段中数据点的滤波窗口的尺寸，提高对燕窝红外光谱信号去噪的有效性，提升对燕窝中亚硝酸盐的含量检测的准确性。
Description
技术领域
本发明涉及红外光检测技术领域，具体涉及一种燕窝中亚硝酸盐含量智能检测方法。
背景技术
由于鸟类排泄物或燕窝生产过程中杂质的引入，导致燕窝含有亚硝酸盐，摄入过量亚硝酸盐可能对人体健康造成危害。因此，为保证燕窝的食用安全，对燕窝中亚硝酸盐含量进行检测是非常有必要的。
通过光谱分析技术测定燕窝中亚硝酸盐的含量，但是在采集燕窝的红外光谱信号时，光源强度不稳定或红外仪器产生热噪声，导致获取的光谱信号中存在噪声。现有技术采用固定尺寸的滤波窗口对光谱信号进行去噪，不同物质对光谱信号中响应信号段不同，使光谱信号的波动变化存在较大差异，利用固定尺寸的滤波窗口对光谱信号进行滤波，使对光谱信号的去噪效果较差，导致对燕窝中亚硝酸盐含量检测的准确性较低。
发明内容
为了解决利用固定尺寸的滤波窗口对燕窝红外光谱信号进行滤波，使燕窝红外光谱信号去噪效果较差，导致对燕窝中亚硝酸盐含量检测不准确的技术问题，本发明的目的在于提供一种燕窝中亚硝酸盐含量智能检测方法，所采用的技术方案具体如下：
本发明提出了一种燕窝中亚硝酸盐含量智能检测方法，该方法包括：
获取燕窝红外光谱信号；
根据燕窝红外光谱信号中每个数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点；将相邻的两个所述分割点之间的信号段作为局部信号段；
将每个局部信号段分解为不同分量信号；结合每个局部信号段的每个分量信号与除所述局部信号段外的其他局部信号段的分量信号中数据点的数据值的离散程度之间的差异，以及每个局部信号段的各分量信号中数据点的数据值的离散程度，获取每个局部信号段的噪声影响度；
依据每个局部信号段中数据点的数据值的离散程度与所述噪声影响度，获取每个局部信号段中数据点的滤波长度；以每个局部信号段中数据点的滤波长度构建对应滤波窗口，利用所述滤波窗口对每个局部信号段中各数据点进行滤波，得到每个局部信号段中每个数据点的去噪数据值；
结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点分别与其前一个分割点、后一个分割点之间的局部信号段中数据点的去噪数据值的变化程度之间的差异，获取每个分割点的去噪数据值；基于燕窝红外光谱信号中数据点的去噪数据值获取燕窝去噪红外光谱信号；
基于所述燕窝去噪红外光谱信号检测燕窝中亚硝酸盐含量。
进一步地，所述从燕窝红外光谱信号的数据点中筛选出分割点的方法，包括：
燕窝红外光谱信号中数据点包含波数；
选取燕窝红外光谱信号中任意一个数据点作为目标数据点，将燕窝红外光谱信号中小于目标数据点的波数的数据点作为目标数据点的左侧数据点，将波数最大的预设数量个所述左侧数据点作为目标数据点的左邻近数据点；将燕窝红外光谱信号中大于目标数据点的波数的数据点作为目标数据点的右侧数据点，将波数最小的预设数量个所述右侧数据点作为目标数据点的右邻近数据点；
将目标数据点的左邻近数据点的数据值的方差作为目标数据点的左邻近离散值，将目标数据点的右邻近数据点的数据值的方差作为目标数据点右邻近离散值；
结合与燕窝红外光谱信号中每个数据点的波长之间差异相等的左邻近数据点与右邻近数据点的数据值之间的差异，以及所述左邻近离散值与所述右邻近离散值的差异，获取燕窝红外光谱信号中每个数据点的分割可能度；
将燕窝红外光谱信号中大于预设分割阈值的所述分割可能度对应的数据点作为分割点。
进一步地，所述燕窝红外光谱信号中每个数据点的分割可能度的计算公式如下：
；式中，/>为燕窝红外光谱信号中第i个数据点的分割可能度；/>为燕窝红外光谱信号中第i-a个数据点的数据值；/>为燕窝红外光谱信号中第i+a个数据点的数据值；A为预设数量；/>为燕窝红外光谱信号中第i个数据点的所述左邻近离散值；/>为燕窝红外光谱信号中第i个数据点的所述右邻近离散值；/>为绝对值函数；Norm为归一化函数。
进一步地，所述获取每个局部信号段的噪声影响度的方法，包括：
对于每个局部信号段的每个分量信号，将分量信号中所有数据点的数据值的方差作为分量信号的分量离散值；
选取任意一个局部信号段作为目标信号段，选取目标信号段的任意一个分量信号作为目标分量信号；将目标分量信号分别与除目标信号段外的其余各局部信号段的每个分量信号的所述分量离散值之间的差值绝对值，作为目标分量信号的待选离散差异；将最小的所述待选离散差异作为目标分量信号的原始离散差异度；
将目标信号段的所有分量信号的所述原始离散差异度的均值作为目标信号段的综合离散差异度；
根据目标信号段的每个分量信号中数据点的数据值的离散程度与所述综合离散差异度，获取目标信号段的噪声影响度。
进一步地，所述目标信号段的噪声影响度的计算公式如下：
；式中，p为目标信号段的噪声影响度；LC为目标信号段的所述综合离散差异度；/>为目标信号段的j个分量信号中第k个数据点的数据值；/>为目标信号段的j个分量信号中所有数据点的数据值的均值；K为目标信号段的每个分量信号中数据点个数；B为目标信号段的分量信号的数量。
进一步地，所述获取每个局部信号段中数据点的滤波长度的方法，包括：
将每个局部信号段中数据点的数据值的方差作为每个局部信号段的信号离散值；
根据每个局部信号段的所述信号离散值与所述噪声影响度，获取每个局部信号段中数据点的滤波长度；所述信号离散值与所述噪声影响度均与所述滤波长度为正相关的关系。
进一步地，所述获取每个分割点的去噪数据值的方法，包括：
对于每个局部信号段，对局部信号段中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为局部去噪信号段；
将每个局部去噪信号段中所有数据点的斜率的均值，作为每个局部去噪信号段的综合变化值；
将每个分割点与其前一个分割点之间的局部信号段对应的局部去噪信号段的所述综合变化值作为每个分割点的左邻域信号变化值，将每个分割点与其后一个分割点之间的局部信号段对应的局部去噪信号段的所述综合变化值作为每个分割点的右邻域信号变化值；
结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点的所述左邻域信号变化值与所述右邻域信号变化值之间的差异，获取每个分割点的去噪数据值。
进一步地，所述每个分割点的去噪数据值的计算公式如下：
；式中，/>为第r个分割点的去噪数据值；为燕窝红外光谱信号中第r个分割点的前一个数据点的去噪数据值；/>为燕窝红外光谱信号中第r个分割点的后一个数据点的去噪数据值；/>为第r个分割点的所述左邻域信号变化值；/>为第r个分割点的所述右邻域信号变化值；/>为绝对值函数；e为自然常数。
进一步地，所述燕窝去噪红外光谱信号的方法，包括：
对燕窝去噪红外光谱信号中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为燕窝去噪红外光谱信号。
进一步地，所述将每个局部信号段分解为不同分量信号的方法为EMD算法。
本发明具有如下有益效果：
本发明实施例中，燕窝红外光谱信号中有数据响应信号段与无数据响应数据段中数据点的数据值之间的差异越大，据此根据数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点，将燕窝红外光谱信号划分为局部信号段；由于局部信号段的分量信号的数据响应不同，但是分量信号受到噪声影响程度相同，依据分量信号受到噪声影响程度的相似情况，以及本身的数据点的数据值的离散程度对局部信号段受到噪声影响程度进行评估，得到局部信号段的噪声影响度；噪声影响度与局部信号段中数据点的数据值的离散程度，影响对局部信号段中数据点进行去噪的有效性，结合两种因素分析自适应获取局部信号段中数据点的滤波窗口的尺寸，以保证对信号的有效去噪，提高光谱信号的去噪效果；由于分割点两侧的数据点的滤波窗口的尺寸不同，会导致分割点两侧去噪后的数据不连续，形成断点，因此需要单独对分割点进行处理，获取分割点的去噪数据值，使得去噪后的红外光谱数据更加连续，能够较为准确地反映燕窝中亚硝酸盐含量的变化；利用由燕窝红外光谱信号中数据点的去噪数据值构成燕窝去噪红外光谱信号检测燕窝中亚硝酸盐含量，提高对燕窝中亚硝酸盐含量检测的准确性。
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燕窝中亚硝酸盐含量智能检测方法的方法流程图。
具体实施方式
一种燕窝中亚硝酸盐含量智能检测方法实施例：
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燕窝中亚硝酸盐含量智能检测方法，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燕窝中亚硝酸盐含量智能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燕窝中亚硝酸盐含量智能检测方法的方法流程图，该方法包括：
步骤S1：获取燕窝红外光谱信号。
具体的，本发明利用FTIR-650红外光谱仪检测燕窝的红外光谱图，将其作为到燕窝红外光谱信号。燕窝的红外光谱图的横坐标为波数，纵坐标为吸光度，即燕窝红外光谱信号中数据点的横坐标为波数，纵坐标为吸光度。
需要说明的是，燕窝红外光谱信号中数据点的数据值表示吸光度。
步骤S2：根据燕窝红外光谱信号中每个数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点；将相邻的两个分割点之间的信号段作为局部信号段。
在利用红外光谱法检测燕窝中亚硝酸盐的含量时，由于不同物质对红外光的吸收能力不同，则燕窝红外光谱信号会出现不同的数据波动，根据亚硝酸盐的数据区间响应来对燕窝中亚硝酸盐的含量进行检测。
在数据采集过程中，光源的强度不稳定会使光谱信号产生波动，红外光谱器在使用过程中可能存在电子噪声与热噪声等，导致光谱信号中存在噪声；且噪声叠加在红外光谱数据中会导致数据的幅值出现变化，导致对亚硝酸盐含量检测的准确率较低。因此，需要对红外光谱数据进行去噪处理。
对噪声对光谱信号的影响程度进行评估是光谱信号去噪的重点。在采集数据时，噪声对整体光谱数据的影响较为接近，但是对燕窝进行红外光谱测定时，可能存在部分数据段没有数据响应，不存在数据响应或数据响应较小的数据段能够更好地对噪声的影响程度进行估计，为了准确地对红外光谱信号受到噪声影响程度进行估计，由于有数据响应信号段与无数据响应信号段中数据点的数据值之间的差异较大，据此获取分割点，进而将燕窝红外光谱信号进行分段。
优选地，分割点的筛选方法为：燕窝红外光谱信号中数据点包含波数；选取燕窝红外光谱信号中任意一个数据点作为目标数据点，将燕窝红外光谱信号中小于目标数据点的波数的数据点作为目标数据点的左侧数据点，将波数最大的预设数量个左侧数据点作为目标数据点的左邻近数据点；将燕窝红外光谱信号中大于目标数据点的波数的数据点作为目标数据点的右侧数据点，将波数最小的预设数量个右侧数据点作为目标数据点的右邻近数据点；将目标数据点的左邻近数据点的数据值的方差作为目标数据点的左邻近离散值，将目标数据点的右邻近数据点的数据值的方差作为目标数据点右邻近离散值；结合与燕窝红外光谱信号中每个数据点的波长之间差异相等的左邻近数据点与右邻近数据点的数据值之间的差异，以及左邻近离散值与右邻近离散值的差异，获取燕窝红外光谱信号中每个数据点的分割可能度。
需要说明的是，燕窝红外光谱信号中第一个数据点至最后一个数据点的波数依次增大。
作为一个示例，以燕窝红外光谱信号中第i个数据点为例进行分析，假设预设数量为2，有数据点/>,/>，其中/>为燕窝红外光谱信号中第i-2个数据点，/>的含义依次类推；/>为数据点/>的左邻近数据点，为数据点/>的右邻近数据点。需要注意的是，本发明实施例中燕窝红外光谱信号中前预设数量个数据点与最后预设数量个数据点不进行分割可能度的分析。
燕窝红外光谱信号中每个数据点的分割可能度的计算公式如下：
式中，为燕窝红外光谱信号中第i个数据点的分割可能度；/>为燕窝红外光谱信号中第i-a个数据点的数据值；/>为燕窝红外光谱信号中第i+a个数据点的数据值；A为预设数量，取经验值5，实施者可根据具体情况自行设置；/>为燕窝红外光谱信号中第i个数据点的左邻近离散值；/>为燕窝红外光谱信号中第i个数据点的右邻近离散值；/>为绝对值函数；Norm为归一化函数。
由于有数据响应信号段与无数据响应信号段的数据点的数据值之间的差异较大。当越大时，说明与燕窝红外光谱信号中第i个数据点的波长之间差异相等的左邻近数据点与右邻近数据点的数据值之间的差异越大，第i个数据点处于有数据响应信号段与无数据响应信号段之间的可能性越大，则分割可能度/>越大。
有数据响应信号段的波动变化较大，则该信号段的数据点的数据值较为离散；无数据响应信号段的基本没有波动变化或波动较小，则该信号段的数据点的数据值较为接近。当越大时，表明第i个数据点的左邻近数据点的波动程度与右邻近数据点的波动程度之间差异较大，则第i个数据点处于有数据响应信号段与无数据响应信号段之间的可能性越大，分割可能度/>越大。
将燕窝红外光谱信号中大于预设分割阈值的分割可能度对应的数据点作为分割点。本发明实施例中预设分割阈值取经验值0.82，实施者可根据具体情况自行设置。
将相邻的两个分割点之间的信号段作为局部信号段。需要注意的是，燕窝红外光谱信号中第一个数据点与第一个分割点之间的信号段作为第一个局部信号段；最后一个分割点与燕窝红外光谱信号中最后一个数据点之间的信号段作为最后一个局部信号段；本发明中至少存在两个局部信号段。
步骤S3：将每个局部信号段分解为不同分量信号；结合每个局部信号段的每个分量信号与除局部信号段外的其他局部信号段的分量信号中数据点的数据值的离散程度之间的差异，以及每个局部信号段的各分量信号中数据点的数据值的离散程度，获取每个局部信号段的噪声影响度。
为了能够准确地估计噪声对燕窝红外光谱信号的影响程度，本发明实施例中利用经验模态分解（Empirical Mode Decomposition，EMD）算法，将每个局部信号段分解为不同的分量信号。其中，EMD算法为本领域技术人员公知技术，在此不再赘述。
需要说明的是，每个局部信号段分解得到的分量信号数量相等；且同一局部信号段每个分量信号中数据点的数量相等。
由于信号段表示不同的数据响应，则分解得到的分量信号也是不相同的，但是分量信号受到噪声影响程度相似，每个局部信号段的每个分量信号与除该局部信号段外的其他局部信号段的分量信号中数据点的数据值的离散程度之间的差异，呈现分量信号受到噪声影响程度相似情况，并结合局部信号段的各分量信号中数据点的数据值的离散程度对噪声影响进行估计，获取局部信号段的噪声影响度。
优选地，噪声影响度的具体计算方法为：对于每个局部信号段的每个分量信号，将分量信号中所有数据点的数据值的方差作为分量信号的分量离散值；选取任意一个局部信号段作为目标信号段，选取目标信号段的任意一个分量信号作为目标分量信号；将目标分量信号分别与除目标信号段外的其余各局部信号段的每个分量信号的分量离散值之间的差值绝对值，作为目标分量信号的待选离散差异；将最小的待选离散差异作为目标分量信号的原始离散差异度；将目标信号段的所有分量信号的原始离散差异度的均值作为目标信号段的综合离散差异度；根据目标信号段的每个分量信号中数据点的数据值的离散程度与综合离散差异度，获取目标信号段的噪声影响度。
作为一个示例，假设每个局部信号段分解得到两个分量信号，共存在三个局部信号段，第一个局部信号段的两个分量信号依次为与/>，第二个局部信号段的两个分量信号依次为/>与/>，第三个局部信号段的两个分量信号依次为/>与/>。以分量信号/>为例进行分析，计算/>分别与/>、/>、/>、/>的分量离散值之间的差值绝对值，作为/>的待选离散差异，则/>共存在4个待选离散差异；将最小的待选离散差异作为/>的原始离散差异度。
若通过与/>获取的待选离散差异为最小值，说明分量信号/>与分量信号中波动变化越相似；EMD算法在对信号进行分解时是根据信号中不同频率进行分解，局部信号段在受到相同噪声影响时，其分解的分量信号中波动变化之间的差异应越小，则说明是受到噪声影响程度最大的分量信号。/>的原始离散差异度反映第一个局部信号段的第一个分量信号中噪声影响程度。根据上述方法，获取/>的原始离散差异度；将/>与的原始离散差异度的均值作为综合离散差异度。综合离散差异度越大，说明第一个局部信号段受到噪声影响的程度越大。
根据目标信号段的每个分量信号中数据点的数据值的离散程度与综合离散差异度，获取目标信号段的噪声影响度，噪声影响度的计算公式如下：
式中，p为目标信号段的噪声影响度；LC为目标信号段的综合离散差异度；为目标信号段的j个分量信号中第k个数据点的数据值；/>为目标信号段的j个分量信号中所有数据点的数据值的均值；K为目标信号段的每个分量信号中数据点个数；B为目标信号段的分量信号的数量。
当综合离散差异度LC越大时，说明目标信号段相较于其他局部信号段受到噪声的影响程度越大，则噪声影响度p越大；反映目标信号段的每个分量信号中数据点的数据值的波动情况，当/>越大时，表明目标信号段的每个分量信号的波动变化越大，则噪声对目标信号段的影响程度越大，噪声影响度p越大。
每个局部信号段的噪声影响度的计算方法与目标信号段的噪声影响度的计算方法相同，获取所有局部信号段的噪声影响度。
步骤S4：依据每个局部信号段中数据点的数据值的离散程度与噪声影响度，获取每个局部信号段中数据点的滤波长度；以每个局部信号段中数据点的滤波长度构建对应滤波窗口，利用滤波窗口对每个局部信号段中各数据点进行滤波，得到每个局部信号段中每个数据点的去噪数据值。
噪声影响度与局部信号段中数据点的数据值的离散程度，影响对局部信号段中数据点进行去噪的有效性，结合两种因素分析自适应获取局部信号段中数据点的滤波窗口的尺寸，以保证对信号的有效去噪。
优选地，滤波长度的具体获取方法为：将每个局部信号段中数据点的数据值的方差作为每个局部信号段的信号离散值；根据每个局部信号段的信号离散值与噪声影响度，获取每个局部信号段中数据点的滤波长度；信号离散值与噪声影响度均与滤波长度为正相关的关系。
每个局部信号段中数据点的滤波长度的计算公式示例如下：
式中，w为每个局部信号段中数据点的滤波长度；s为每个局部信号段的信号离散值；p为每个局部信号段的噪声影响度；为向上取整函数。
需要说明的是，当噪声影响度P越大时，说明局部信号段受到噪声影响的程度越大，将局部信号段的数据点的滤波窗口设置越大，即滤波长度w越大，以保证有效去除信号段的噪声；当信号离散值s越大时，说明局部信号段的数据波动变化越大，将局部信号段的数据点的滤波窗口设置越大，以保证有效去除信号段的噪声。
由于以局部信号段的每个数据点为中心构建对应数据点的滤波窗口，为保证该数据点位于滤波窗口的中心位置，本发明通过操作，保证滤波长度为奇数。
以每个局部信号段的每个数据点为中心，将每个数据点的滤波长度作为对应数据点的滤波的长度与宽度，构建每个局部信号段的每个数据点的滤波窗口。基于局部信号段的每个数据点的滤波窗口，选用中值滤波对每个局部信号段的每个数据点进行滤波处理，得到每个局部信号段的每个数据点的去噪数据值。
需要说明的是，同一个局部信号段中所有数据点的滤波长度相等，则同一局部信号段中所有数据点的滤波窗口的尺寸相同。除第一个局部信号段的左侧端点位置的数据点与最后一个局部信号段的右侧端点位置的数据点外，每个局部信号段的两侧端点位置的数据点均不进行步骤S4的去噪分析。
步骤S5：结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点分别与其前一个分割点、后一个分割点之间的局部信号段中数据点的去噪数据值的变化程度之间的差异，获取每个分割点的去噪数据值；基于燕窝红外光谱信号中数据点的去噪数据值获取燕窝去噪红外光谱信号。
由于每个局部信号段的数据波动变化不相同，则每个分割点的左右两侧的数据点的滤波窗口的尺寸不相同，会导致分割点两侧去噪后的数据不连续，形成断点，因此需要单独对分割点进行处理，使得去噪后的红外光谱数据更加连续，能够较为准确地反映燕窝中亚硝酸盐含量的变化。
优选地，分割点的去噪数据值的具体获取方法为：对于每个局部信号段，对局部信号段中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为局部去噪信号段；将每个局部去噪信号段中所有数据点的斜率的均值，作为每个局部去噪信号段的综合变化值；将每个分割点与其前一个分割点之间的局部信号段对应的局部去噪信号段的综合变化值作为每个分割点的左邻域信号变化值，将每个分割点与其后一个分割点之间的局部信号段对应的局部去噪信号段的综合变化值作为每个分割点的右邻域信号变化值；结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点的左邻域信号变化值与右邻域信号变化值之间的差异，获取每个分割点的去噪数据值。
本发明实施例中选用最小二乘法对局部信号段中数据点的去噪数据值进行曲线拟合，得到局部去噪信号段。每个局部信号段均对应一个局部去噪信号段，且局部信号段中数据点与局部去噪信号段中数据点一一对应。
每个分割点的去噪数据值的计算公式如下：
式中，为第r个分割点的去噪数据值；/>为燕窝红外光谱信号中第r个分割点的前一个数据点的去噪数据值；/>为燕窝红外光谱信号中第r个分割点的后一个数据点的去噪数据值；/>为第r个分割点的左邻域信号变化值；/>为第r个分割点的右邻域信号变化值；/>为绝对值函数；e为自然常数。
需要说明的是，为分割点的左右两侧的数据点的去噪数据值的均值，表示分割点可能存在的去噪后的数据值，通过/>对/>进行调整；由于数据变化需要平滑，当/>越小时，说明分割点的前一个数据点与后一个数据点呈现相同变化趋势，则对/>的调整的程度越小，则分割点的去噪数据值/>越小。
对燕窝去噪红外光谱信号中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为燕窝去噪红外光谱信号。本发明实施例中选取最小二乘法对燕窝去噪红外光谱信号中数据点的去噪数据值进行拟合。
步骤S6：基于燕窝去噪红外光谱信号检测燕窝中亚硝酸盐含量。
根据先验知识，亚硝基官能团是有机化合物中一种重要的官能团,其红外吸收峰通常出现在1500-1600内，在燕窝去噪红外光谱信号找到波长在1500-1600/>范围内的信号段，基于该信号段中数据点的数据值即信号段的峰的强度确定压我中亚硝酸盐的含量。
其中，通过光谱法测定亚硝酸盐的含量的方法为公知技术，在此不再赘述。
至此，本发明完成。
综上所述，本发明实施例中，从燕窝红外光谱信号中数据点中筛选出分割点，基于分割点将燕窝红外光谱信号划分局部信号段；获取局部信号段的噪声影响度，并结合局部信号段中数据点的数据值的离散程度，获取局部信号段中数据点的滤波长度，进而构建数据点的滤波窗口进行滤波，得到局部信号段中数据点的去噪数据值；获取分割点的去噪数据值，基于利用数据点的去噪数据值得到燕窝去噪红外光谱信号检测燕窝中亚硝酸盐的含量。本发明自适应确定局部信号段中数据点的滤波窗口的尺寸，提高对燕窝红外光谱信号去噪的有效性，提升对燕窝中亚硝酸盐的含量检测的准确性。
一种光谱信号去噪方法实施例：
光谱信号在采集过程可能存在噪声，现有技术通常利用固定尺寸的滤波窗口对光谱信号进行去噪，导致对光谱信号的去噪效果较差。
为了解决利用固定尺寸的滤波窗口对光谱信号进行滤波，使光谱信号去噪效果较差的技术问题，本发明的目的在于提供一种光谱信号去噪方法实施例，所采用的技术方案具体如下：
步骤S1：获取燕窝红外光谱信号；
根据燕窝红外光谱信号中每个数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点；将相邻的两个分割点之间的信号段作为局部信号段；
步骤S2：将每个局部信号段分解为不同分量信号；结合每个局部信号段的每个分量信号与除局部信号段外的其他局部信号段的分量信号中数据点的数据值的离散程度之间的差异，以及每个局部信号段的各分量信号中数据点的数据值的离散程度，获取每个局部信号段的噪声影响度；
步骤S3：依据每个局部信号段中数据点的数据值的离散程度与噪声影响度，获取每个局部信号段中数据点的滤波长度；以每个局部信号段中数据点的滤波长度构建对应滤波窗口，利用滤波窗口对每个局部信号段中各数据点进行滤波，得到每个局部信号段中每个数据点的去噪数据值；
步骤S4：结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点分别与其前一个分割点、后一个分割点之间的局部信号段中数据点的去噪数据值的变化程度之间的差异，获取每个分割点的去噪数据值；基于燕窝红外光谱信号中数据点的去噪数据值获取燕窝去噪红外光谱信号。
本发明实施例提供一种光谱信号去噪方法具有如下技术效果：
本发明实施例中，燕窝红外光谱信号中有数据响应信号段与无数据响应数据段中数据点的数据值之间的差异越大，据此根据数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点，将燕窝红外光谱信号划分为局部信号段；由于局部信号段的分量信号的数据响应不同，但是分量信号受到噪声影响程度相同，依据分量信号受到噪声影响程度的相似情况，以及本身的数据点的数据值的离散程度对局部信号段受到噪声影响程度进行评估，得到局部信号段的噪声影响度；噪声影响度与局部信号段中数据点的数据值的离散程度，影响对局部信号段中数据点进行去噪的有效性，结合两种因素分析自适应获取局部信号段中数据点的滤波窗口的尺寸，以保证对信号的有效去噪，提高光谱信号的去噪效果；由于分割点两侧的数据点的滤波窗口的尺寸不同，会导致分割点两侧去噪后的数据不连续，形成断点，因此需要单独对分割点进行处理，获取分割点的去噪数据值，使得去噪后的红外光谱数据更加连续，能够较为准确地反映燕窝中亚硝酸盐含量的变化；由燕窝红外光谱信号中数据点的去噪数据值构成燕窝去噪红外光谱信号。
其中，步骤S1-S4在上述一种燕窝中亚硝酸盐含量智能检测方法实施例中已给出了详细说明，不再赘述。
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 (10)
1.一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，该方法包括：
获取燕窝红外光谱信号；
根据燕窝红外光谱信号中每个数据点的左邻近数据点与右邻近数据点的数据值的离散程度之间的差异，从燕窝红外光谱信号的数据点中筛选出分割点；将相邻的两个所述分割点之间的信号段作为局部信号段；
将每个局部信号段分解为不同分量信号；结合每个局部信号段的每个分量信号与除所述局部信号段外的其他局部信号段的分量信号中数据点的数据值的离散程度之间的差异，以及每个局部信号段的各分量信号中数据点的数据值的离散程度，获取每个局部信号段的噪声影响度；
依据每个局部信号段中数据点的数据值的离散程度与所述噪声影响度，获取每个局部信号段中数据点的滤波长度；以每个局部信号段中数据点的滤波长度构建对应滤波窗口，利用所述滤波窗口对每个局部信号段中各数据点进行滤波，得到每个局部信号段中每个数据点的去噪数据值；
结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点分别与其前一个分割点、后一个分割点之间的局部信号段中数据点的去噪数据值的变化程度之间的差异，获取每个分割点的去噪数据值；基于燕窝红外光谱信号中数据点的去噪数据值获取燕窝去噪红外光谱信号；
基于所述燕窝去噪红外光谱信号检测燕窝中亚硝酸盐含量。
2.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述从燕窝红外光谱信号的数据点中筛选出分割点的方法，包括：
燕窝红外光谱信号中数据点包含波数；
选取燕窝红外光谱信号中任意一个数据点作为目标数据点，将燕窝红外光谱信号中小于目标数据点的波数的数据点作为目标数据点的左侧数据点，将波数最大的预设数量个所述左侧数据点作为目标数据点的左邻近数据点；将燕窝红外光谱信号中大于目标数据点的波数的数据点作为目标数据点的右侧数据点，将波数最小的预设数量个所述右侧数据点作为目标数据点的右邻近数据点；
将目标数据点的左邻近数据点的数据值的方差作为目标数据点的左邻近离散值，将目标数据点的右邻近数据点的数据值的方差作为目标数据点右邻近离散值；
结合与燕窝红外光谱信号中每个数据点的波长之间差异相等的左邻近数据点与右邻近数据点的数据值之间的差异，以及所述左邻近离散值与所述右邻近离散值的差异，获取燕窝红外光谱信号中每个数据点的分割可能度；
将燕窝红外光谱信号中大于预设分割阈值的所述分割可能度对应的数据点作为分割点。
3.根据权利要求2所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述燕窝红外光谱信号中每个数据点的分割可能度的计算公式如下：
；式中，/>为燕窝红外光谱信号中第i个数据点的分割可能度；/>为燕窝红外光谱信号中第i-a个数据点的数据值；为燕窝红外光谱信号中第i+a个数据点的数据值；A为预设数量；/>为燕窝红外光谱信号中第i个数据点的所述左邻近离散值；/>为燕窝红外光谱信号中第i个数据点的所述右邻近离散值；/>为绝对值函数；Norm为归一化函数。
4.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述获取每个局部信号段的噪声影响度的方法，包括：
对于每个局部信号段的每个分量信号，将分量信号中所有数据点的数据值的方差作为分量信号的分量离散值；
选取任意一个局部信号段作为目标信号段，选取目标信号段的任意一个分量信号作为目标分量信号；将目标分量信号分别与除目标信号段外的其余各局部信号段的每个分量信号的所述分量离散值之间的差值绝对值，作为目标分量信号的待选离散差异；将最小的所述待选离散差异作为目标分量信号的原始离散差异度；
将目标信号段的所有分量信号的所述原始离散差异度的均值作为目标信号段的综合离散差异度；
根据目标信号段的每个分量信号中数据点的数据值的离散程度与所述综合离散差异度，获取目标信号段的噪声影响度。
5.根据权利要求4所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述目标信号段的噪声影响度的计算公式如下：
；式中，p为目标信号段的噪声影响度；LC为目标信号段的所述综合离散差异度；/>为目标信号段的j个分量信号中第k个数据点的数据值；/>为目标信号段的j个分量信号中所有数据点的数据值的均值；K为目标信号段的每个分量信号中数据点个数；B为目标信号段的分量信号的数量。
6.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述获取每个局部信号段中数据点的滤波长度的方法，包括：
将每个局部信号段中数据点的数据值的方差作为每个局部信号段的信号离散值；
根据每个局部信号段的所述信号离散值与所述噪声影响度，获取每个局部信号段中数据点的滤波长度；所述信号离散值与所述噪声影响度均与所述滤波长度为正相关的关系。
7.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述获取每个分割点的去噪数据值的方法，包括：
对于每个局部信号段，对局部信号段中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为局部去噪信号段；
将每个局部去噪信号段中所有数据点的斜率的均值，作为每个局部去噪信号段的综合变化值；
将每个分割点与其前一个分割点之间的局部信号段对应的局部去噪信号段的所述综合变化值作为每个分割点的左邻域信号变化值，将每个分割点与其后一个分割点之间的局部信号段对应的局部去噪信号段的所述综合变化值作为每个分割点的右邻域信号变化值；
结合与每个分割点相邻的数据点的去噪数据值，以及每个分割点的所述左邻域信号变化值与所述右邻域信号变化值之间的差异，获取每个分割点的去噪数据值。
8.根据权利要求7所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述每个分割点的去噪数据值的计算公式如下：
；式中，/>为第r个分割点的去噪数据值；/>为燕窝红外光谱信号中第r个分割点的前一个数据点的去噪数据值；/>为燕窝红外光谱信号中第r个分割点的后一个数据点的去噪数据值；/>为第r个分割点的所述左邻域信号变化值；/>为第r个分割点的所述右邻域信号变化值；/>为绝对值函数；e为自然常数。
9.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述燕窝去噪红外光谱信号的方法，包括：
对燕窝去噪红外光谱信号中数据点的去噪数据值进行曲线拟合，将得到的曲线段作为燕窝去噪红外光谱信号。
10.根据权利要求1所述的一种燕窝中亚硝酸盐含量智能检测方法，其特征在于，所述将每个局部信号段分解为不同分量信号的方法为EMD算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715693.8A CN117405622B (zh) | 2023-12-14 | 2023-12-14 | 一种燕窝中亚硝酸盐含量智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311715693.8A CN117405622B (zh) | 2023-12-14 | 2023-12-14 | 一种燕窝中亚硝酸盐含量智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117405622A true CN117405622A (zh) | 2024-01-16 |
| CN117405622B CN117405622B (zh) | 2024-03-22 |
Family
ID=89494735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311715693.8A Active CN117405622B (zh) | 2023-12-14 | 2023-12-14 | 一种燕窝中亚硝酸盐含量智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117405622B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664906A (zh) * | 2024-02-01 | 2024-03-08 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
| CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313702A1 (en) * | 2010-06-22 | 2011-12-22 | Seiko Epson Corporation | Spectral measurement device |
| CN103954583A (zh) * | 2014-05-23 | 2014-07-30 | 徐敦明 | 一种燕窝的红外光谱检测方法 |
| CN107782706A (zh) * | 2017-09-05 | 2018-03-09 | 燕山大学 | 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法 |
| CN109813660A (zh) * | 2018-12-25 | 2019-05-28 | 核工业北京地质研究院 | 一种分段式的矿物光谱噪声处理方法 |
| CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
| CN116738153A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学院东北地理与农业生态研究所 | 基于光谱分析的有机肥利用效果评价方法 |
| CN116818739A (zh) * | 2023-08-29 | 2023-09-29 | 天津博霆光电技术有限公司 | 一种基于光学的吲哚菁绿检测方法 |
-
2023
- 2023-12-14 CN CN202311715693.8A patent/CN117405622B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313702A1 (en) * | 2010-06-22 | 2011-12-22 | Seiko Epson Corporation | Spectral measurement device |
| CN103954583A (zh) * | 2014-05-23 | 2014-07-30 | 徐敦明 | 一种燕窝的红外光谱检测方法 |
| CN107782706A (zh) * | 2017-09-05 | 2018-03-09 | 燕山大学 | 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法 |
| CN109813660A (zh) * | 2018-12-25 | 2019-05-28 | 核工业北京地质研究院 | 一种分段式的矿物光谱噪声处理方法 |
| CN110208211A (zh) * | 2019-07-03 | 2019-09-06 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
| CN116660198A (zh) * | 2023-08-02 | 2023-08-29 | 中珀(北京)新材料科技有限公司 | 基于光谱分析的碳纳米材料浆料性能测试方法 |
| CN116738153A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学院东北地理与农业生态研究所 | 基于光谱分析的有机肥利用效果评价方法 |
| CN116818739A (zh) * | 2023-08-29 | 2023-09-29 | 天津博霆光电技术有限公司 | 一种基于光学的吲哚菁绿检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664906A (zh) * | 2024-02-01 | 2024-03-08 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
| CN117664906B (zh) * | 2024-02-01 | 2024-04-30 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
| CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
| CN117825601B (zh) * | 2024-03-05 | 2024-05-24 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117405622B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117405622B (zh) | 一种燕窝中亚硝酸盐含量智能检测方法 | |
| Zhang et al. | Multiscale peak detection in wavelet space | |
| CN116660198B (zh) | 基于光谱分析的碳纳米材料浆料性能测试方法 | |
| WO2015096779A1 (zh) | 拉曼光谱检测方法 | |
| CN117033911B (zh) | 基于智能眼镜数据的计步分析方法 | |
| CN116738153B (zh) | 基于光谱分析的有机肥利用效果评价方法 | |
| CN116701845A (zh) | 基于数据处理的水产品品质评价方法及系统 | |
| CN116818739A (zh) | 一种基于光学的吲哚菁绿检测方法 | |
| 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 | |
| CN105005978A (zh) | 一种基于Savitzky-Golay滤波器参数优化的光谱实时滤波方法 | |
| CN117368141B (zh) | 基于人工智能的高氯酸盐废水浓度智能检测方法 | |
| CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
| CN114676738A (zh) | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 | |
| CN111089856A (zh) | 一种拉曼光谱弱信号提取的后处理方法 | |
| TWI504378B (zh) | 脈搏波信號的去噪處理方法和裝置及脈搏式血氧儀 | |
| CN117194902A (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
| CN114186596A (zh) | 一种谱图峰的多窗口识别方法、装置以及电子设备 | |
| WO2023123329A1 (zh) | 近红外光谱的净信号提取方法及其系统 | |
| CN115040121A (zh) | 一种利用脉搏波上升沿优化提取的动态光谱数据处理方法 | |
| CN109324017B (zh) | 一种提高近红外光谱分析技术建模光谱质量的方法 | |
| KR20200130086A (ko) | 비침습적 방법에 의한 글루코스 모니터링을 위한 근적외선 분광 데이터 전처리 방법 및 장치 | |
| Shafri et al. | Determination of optimal wavelet denoising parameters for red edge feature extraction from hyperspectral data | |
| CN117454098B (zh) | 一种基于激光散射的粉尘浓度测量方法及系统 | |
| CN109589106B (zh) | 一种等差距的动态光谱差值提取方法 | |
| Shafri et al. | Trends and issues in noise reduction for hyperspectral vegetation reflectance spectra |
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 |